analisis peramalan data penjualan sepeda motor di mitra...
TRANSCRIPT
’’ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA
PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN
ARIMA’’Oleh :
Liviani Nursita 1307030040
Dosen Pembimbing:Dr. Brodjol Sutijo S.U, MSi
Latar BelakangPerkembangan Perekonomian
Mitra Pinasthika Mustika
(MPM) Honda Motor
Jenis dan Tipe Sepeda Motor
Penjualan Supra 125 cc dan Banyaknya Pelanggan Inden Sepeda Motor Automatic
Penelitian Sebelumnya
Permasalahan Penelitian
1 Bagaimana model peramalan dari data penjualan Honda motor Supra 125 cc untuk jenis motor bebek dan banyaknya pelanggan yang inden untuk motor jenis automatic?
2. Bagaimana hasil peramalan penjualan Honda motor Supra 125 cc dan banyaknya pelanggan yang inden untuk jenis motor automatic pada 6 bulan mendatang?
Tujuan Penelitian
1. Untuk mengetahui model peramalan dari data penjualan Honda motor Supra 125 cc untuk jenis motor bebek dan banyaknya pelanggan yang inden untuk motor jenis automatic.
2. Untuk mengetahui hasil peramalan penjualan Honda motor Supra 125 cc dan banyaknya pelanggan yang inden untuk jenis motor automatic pada 6 bulan mendatang.
.
Manfaat Penelitian
Manfaat penyusunan tugas akhir ini diharapkan agar dapat memberikan gambaran tentang penjualan motor Supra 125 cc dan banyaknya pelanggan yang inden untuk motor matic di Mitra Pinasthika Mustika (MPM) Honda Motor serta dapat memberikan informasi dan sebagai pertimbangan pada perusahaan dalam meramalkan banyaknya pembelian sepeda motor.
Batasan Penelitian
Data yang digunakan adalah data penjualan Honda motor Supra 125 cc pada jenis motor bebek pada periode Oktober 2003 hingga Februari 2010 dan banyaknya pelanggan yang Inden untuk Honda motor matic di Mitra Pinasthika Mustika (MPM) Honda Motor pada periode Januari 2008 hingga Februari 2010.
TINJAUAN PUSTAKA
•Metode Time Series•Transformasi Box-Cox•Stasioneritas Time Series•Fungsi Autokorelasi (Autokorelation Function) dan Fungsi Autokorelasi Parsial (Partial Autokorelation Function)
•Model Time Series•Estimasi Parameter•Uji Signifikan Parameter•Pengujian Residual•Pemilihan Model Terbaik•Mitra Pinasthika Mustika (MPM) Honda Motor
Time Series
Deret waktu (Time Series)
merupakan serangkaian data dengan variabel yang
diambil dari waktu kewaktu yang terjadi
berdasarkan indeks waktu secara berurutan
Transformasi Box-Cox
Adalah salah satu metodeyang berfungsi untuk
menghomogenkan varians
Nilai
estimasi λ
Transformasi
-1,0 1/ Zt
-0,5 1/√Zt
0 Ln Zt
0,5 √Zt
1 Zt
Stasioneritas Time Series
Stasioneritas time series merupakan
suatu keadaan jika proses pembangkitan yang mendasari
suatu deret berkala didasarkan pada nilai
tengah konstan dan nilai varians konstan.
Fungsi Autokorelasi (Autokorelation Function)Autokorelasi adalah suatu fungsi yang menunjukkan besarnya korelasi antara Zt dan Zt-k.
k =
Fungsi Autokorelasi Parsial(Partial Autokorelation Function)
Autokorelasi parsial adalah suatu fungsi yang menunjukkan besarnya hubungan antara nilaiZt dengan Zt-1.
)var()var(
),cov(
ktt
ktt
ZZ
ZZ
)ˆ()ˆ(
)ˆ(),ˆ[(
ktkttt
ktktttk
ZZVarZZVar
ZZZZCovP
Proses ACF PACF
AR (p) Tails off (menurun) me-ngikuti
bentuk ekspo-nensial atau
gelombang sinus
Cut off (terpotong) setelah lag ke-p
MA (q) Cut off (terpotong) setelah lag ke-q Tails off (menurun) me-ngikuti
bentuk ekspo-nensial atau
gelombang sinus
ARMA
(p,q)
Tails off (menurun) setelah lag (q-
p)
Tails off (menurun) setelah lag (p-
q)
• AR (Autoregressive)
• MA (Moving Average)
• ARMA (Autoregresif - Moving Average)
• ARIMA (Autoregressive Integrated Moving Average)
tptpttt aZZZZ ...2211
qtqtttt aaaaZ ...2211
qtqtttptpttt aaaaZZZZ ...... 22112211
tqt
d
p aBBB 1
Model Time Series
• Hipotesis :H0 : (parameter tidak signifikan)H1 : (parameter signifikan)
• Statistik Uji :
• Daerah Kritis:• Tolak H0 jika atau jika p-value < α
)ˆ(
ˆ
SEt
pnntt ,2/
Uji Signifikan Parameter
Uji Kesesuaian ModelWhite NoiseHipotesis :H0 : Residual memenuhi syarat white noiseH1 : Residual tidak memenuhi white noiseStatistik Uji :
Daerah Kritis :Tolak H0 jika atau p-value < α
Distribusi Normal
Hipotesis :H0 : Residual Berdistribusi NormalH1 : Residual Tidak Berdistribusi NormalStatistik Uji :
Daerah Kritis :Tolak H0 jika D > D(1-α,n) atau p-value < α
k
k
k
knnnQ
1
2ˆ)2(
xFxSDSUP
X 0
Pengujian Residual
mk,2
Pemilihan Model Terbaik
1. Pendekatan In sampela. Akaike’s Information
Criterion (AIC)
AIC(M)= n ln ( )+ 2M
b. Schwarzt’s Bayesian Criterion (SBC)
SBC(M)= n ln ( ) + M ln (n)
2ˆa
2ˆa
2. Pendekatan Out Sampel
1. MSE =
2. MAPE =
3. MPE =
4. MAE =
M
t
taM 1
21
%1001
1
xZ
a
M
m
t t
t
%1001
1
xZ
a
M
m
t t
t
M
t
taM 1
1
Mitra Pinasthika Mustika (MPM) Honda Motor
Mitra Pinasthika Mustika (MPM) Honda Motor adalahsuatu perusahaan jasa yang bergerak sebagai main dealer produksepeda motor Honda dimana Mitra Pinasthika Mustika (MPM)Honda motor dalam menjual dan mendistribusikan sepeda motorHonda menggunakan tenaga wiraniaga untuk menghasilkan tingkatpenjualan yang maksimal. Mitra Pinasthika Mustika (MPM) HondaMotor juga melayani berbagai macam penjualan motor yang dapatdimiliki oleh masyarakat.
METODOLOGI
Sumber DataData yang digunakan untuk penelitian kali ini adalah data sekunder hasildokumentasi penjualan motor Supra 125 cc pada periode Oktober 2003hingga Februari 2010 dan data banyaknya pelanggan yang inden untuk motor matic pada periode Januari 2008 hingga Februari 2010.
Variabel PenelitianVariabel yang digunakan dalam penelitian ini adalah:1.Data penjualan motor Supra 125 cc sebanyak 77 data 2.Data pelanggan yang inden untuk motor automatic sebanyak 26 data.
Diagram Alir Proses Analisis Data
Berikut adalah diagram alir proses analisis data dengan menggunakan metode peramalan ARIMA Box-Jenkins:
Tidak
Ya
Tidak
Ya
Identifikasi Data :
Data In Sampel
Data Out Sampel
Kestasioneran Data
Varians : Transformasi
Mean : Differencing
- Plot ACF - Plot PACF
Model ARIMA (p,d,q)
Penaksiran Parameter dan Uji Signifikansi
Parameter
Uji Kesesuaian Model:
- Uji White Noise
- Uji Asumsi
Kenormalan Residual
Time Series Plot
Mulai
A
Melakukan
deteksi outlier
B
Analisis Deskriptif Penjualan Sepeda Motor Supra 125 cc
Variabel N Mean StDev Minimum Maksimum
Zt_Supra 77 26,74 27,54 1 95
726456484032241681
100
80
60
40
20
0
Index
Zt_S
upra
Time Series Plot of Zt_Supra
3210-1
140
120
100
80
60
40
20
0
Lambda
StD
ev
Lower CLUpper CL
Limit
Estimate 0,08
Lower CL -0,08
Upper CL 0,23
Rounded Value 0,00
(using 95.0% confidence)
Lambda
Box-Cox Plot of Zt_Supra
Identifikasi Penjualan Sepeda Motor Supra 125cc
Time Series Plot Data Penjualan Supra 125
cc
Box Cox Penjualan Supra
125 cc
70635649423528211471
5
4
3
2
1
0
Index
Ln Z
t
Time Series Plot of Ln Zt
726456484032241681
3
2
1
0
-1
-2
-3
-4
Index
C4
Time Series Plot of C4
Time Series PlotHasil
Transformasi
Time Series PlotHasil Transformasi dan Differencing
7065605550454035302520151051
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
Aut
ocor
rela
tion
Autocorrelation Function for Zt_Supra(with 5% significance limits for the autocorrelations)
7065605550454035302520151051
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
Pa
rtia
l Au
toco
rre
lati
on
Partial Autocorrelation Function for Zt_Supra(with 5% significance limits for the partial autocorrelations)
ACF dan PACF Data Penjualan Sepeda Motor Supra 125cc
757065605550454035302520151051
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for differencing(with 5% significance limits for the autocorrelations)
757065605550454035302520151051
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
Pa
rtia
l Au
toco
rre
lati
on
Partial Autocorrelation Function for differencing(with 5% significance limits for the partial autocorrelations)
ACF dan PACF Data Penjualan Sepeda Motor Supra 125cc setelah dilakukan Transformasi dan
Differencing
Hipotesis :H0 : parameter tidak signifikanH1 : parameter signifikan
Model Parameter Lag P-value Kesimpulan
ARIMA (1,1,1) AR1,1 1 0.6810 Tidak Signifikan
MA1,1 1 0.7779 Tidak Signifikan
ARIMA (1,1,0) AR1,1 1 0.0170 Signifikan
ARIMA (0,1,1) MA1,1 1 0.0149 Signifikan
Pengujian Parameter Model Penjualan Sepeda Motor Supra 125 cc
Model Keterangan
ARIMA (1,1,1) White Noise
ARIMA (1,1,0) White Noise
ARIMA (0,1,1) White Noise
Uji White Noise Penjualan Sepeda Motor Supra 125 cc
Uji Kenormalan Residual Penjualan Sepeda Motor Supra 125 cc
Model P-value Kesimpulan
ARIMA (1,1,1) 0.0341 Tidak Berdistribusi Normal
ARIMA (1,1,0 ) 0.0241 Tidak Berdistribusi Normal
ARIMA (0,1,1) 0.0187 Tidak Berdistribusi Normal
Pemeriksaan Residual Model Penjualan Sepeda Motor Supra 125 cc.
•Model ARIMA (1,1,0)•Penambahan Dummy Variabel D1-D5
Model P-value Kesimpulan
ARIMA (1,1,0 ) <0.0100
Tidak Berdistribusi
Normal
•Penambahan Dummy Variabel D1-D8
Model P-value Kesimpulan
ARIMA (1,1,0 ) <0.0100
Tidak Berdistribusi
Normal
•Penambahan Dummy Variabel D1-D11
Model P-value Kesimpulan
ARIMA (1,1,0 ) <0.0100
Tidak Berdistribusi
Normal
•Penambahan Dummy Variabel D1-D15
Model P-value Kesimpulan
ARIMA (1,1,0 ) 0.0122
Tidak berdistribusi
Normal
•Penambahan Dummy Variabel D1-D20
Model P-value Kesimpulan
ARIMA (1,1,0 ) 0.0436
Tidak berdistribusi
Normal
Mengatasi Outlier Penjualan Sepeda Motor Supra 125cc
•Penambahan Dummy Variabel D1-D25
Model P-value Kesimpulan
ARIMA (1,1,0 ) 0.0100
Tidak berdistribusi
Normal
•Model ARIMA (0,1,1)
•Penambahan Dummy Variabel D1-D5
Model P-value Kesimpulan
ARIMA (0,1,1 ) <0.0100 Tidak Berdistribusi Normal
•Penambahan Dummy Variabel D1-D9
Model P-value Kesimpulan
ARIMA (0,1,1 ) <0.0100 Tidak Berdistribusi Normal
•Penambahan Dummy Variabel D1-D14
Model P-value Kesimpulan
ARIMA (0,1,1 ) 0.0547 Berdistribusi Normal
Pemilihan Model Terbaik Penjualan Sepeda Motor
Supra 125cc dengan Kriteria Out sample
Model MSE MAPE MPE
ARIMA (1,1,1) 569,1467 48,34% -1,2936
ARIMA (1,1,0) 559,4 49,73% -1,47328
ARIMA (0,1,1) 581,9115 48,26% -0,2008
701.14326-
680.95958
521.27911
392.51600
341.75792
271.51785
241.22234I-
201.55838I
181.07277I-
171.59061I-
161.70298I-
151.23445I128414,0
1
7014
6813
6612
5211
5110
399
348
277
246
205
184
173
162
1511
28414,01
tt
tttt
tttt
tttata
tZtZ
tWtWtWtWtW
tWtWtWtIWtWtW
tWtWtWtat
at
ZtZ
Model Terbaik
Peramalan Penjualan Sepeda Motor Supra 125cc
Periode Forecast Batas Bawah Batas Atas
Mar-10 50,8866 8,3236 311,06
Apr-10 50,8866 5,535 467,82
Mei-10 50,8866 3,9243 659,77
Jun-10 50,8866 2,8988 893,19
Jul-10 50,8866 2,2044 1174,5
Agust-10 50,8866 1,7137 1510,81
Analisis Deskriptif Pelanggan yang Inden Sepeda Motor Automatic.
Variabel N Mean StDev Minimum Maksimum
Zt_Automatic 26 43,50 21,69 5 87
Identifikasi Banyaknya Pelanggan Inden Sepeda Motor Automatic
2018161412108642
70
60
50
40
30
20
10
0
Index
Zt_m
atic
Time Series Plot of Zt_matic
Pendugaan Model Banyaknya Pelanggan Inden Sepeda Motor Automatic
24222018161412108642
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
Aut
ocor
rela
tion
Autocorrelation Function for Trans(with 5% significance limits for the autocorrelations)
24222018161412108642
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
Part
ial A
utoc
orre
latio
n
Partial Autocorrelation Function for Trans(with 5% significance limits for the partial autocorrelations)
Pengujian Parameter Model Banyaknya Pelanggan Inden Sepeda Motor
Automatic
Model Parameter Lag P-value Kesimpulan
ARIMA
(1,0,0)
Constant 0 <0.0001 Signifikan
AR1,1 1 0,0004 Signifikan
ARIMA
(0,0,1)
Constant 0 <0.0001 Signifikan
AR1,1 1 0,0007 Signifikan
Hipotesis :H0 : parameter tidak signifikanH1 :parameter signifikan
Pemeriksaan Residual Model Banyaknya Pelanggan Inden Sepeda Motor Automatic
Model Keterangan
ARIMA (1,0,0) Tidak White Noise
ARIMA (0,0,1) Tidak White Noise
Uji White Noise Banyaknya Pelanggan Inden Sepeda Motor Automatic
Uji Kenormalan Residual Banyaknya Pelanggan Inden Sepeda Motor Automatic
Model P-value Kesimpulan
ARIMA (1,0,0) 0.0592 Berdistribusi Normal
ARIMA (0,0,1 ) 0.0720 Berdistribusi Normal
Mengatasi Outlier Banyaknya Pelanggan Yang Inden Sepeda Motor Automatic
•Model ARIMA (1,0,0)
Penambahan Dummy Variabel D1-D4
Model P-value Kesimpulan
Lag 6 0.0666
White NoiseLag 12 0.0544
Lag 18 0.1588
•Model ARIMA (0,0,1)Penambahan Dummy Variabel D1-D2
Model P-value Kesimpulan
Lag 6 0.0002
Tidak White NoiseLag 12 0.0002
Lag 18 0.0023
Banyaknya Pelanggan Yang Inden Sepeda Motor Automatic dengan Kriteria Out sample
Model MSE MAPE MPE
ARIMA (1,0,0) 655,6229 27,44% 27,4421225
ARIMA (0,0,1) 1138,998 39,49% 39,49125
tatZtZ 10,6937638,05542
Model Terbaik
t
a 2
ta
2...
2
22
2
11
2
pta
pta
ta
ta
Peramalan Banyaknya Pelanggan Yang Inden Sepeda Motor Automatic.
Periode Forecast
Mar-10 115,9826
Apr-10 108,935
Mei-10 103,4605
Jun-10 99,20802
Jul-10 95,90472
Agust-10 93,33872
KESIMPULAN DAN SARAN
• Pada pemodelan dan peramalan penjualan sepeda motor supra 125 cc diperoleh model yang paling sesuai yaitu ARIMA (0,1,1) karena telah memenuhi pengujian signifikansi parameter dan memenuhi semua asumsi residual walaupun terdapat outlier pada model ARIMA (0,1,1) setelah dilakukan deteksi outlier asumsi kenormalan residual terpenuhi. Berikut adalah model ARIMA (0,1,1) beserta deteksi outlier:
701.14326-
680.95958
521.27911
392.51600
341.75792
271.51785
241.22234I-
201.55838I
181.07277I-
171.59061I-
161.70298I-
151.23445I128414,0
1
7014
6813
6612
5211
5110
399
348
277
246
205
184
173
162
1511
28414,01
tt
tttt
tttt
tttata
tZtZ
tWtWtWtWtW
tWtWtWtIWtWtW
tWtWtWtat
at
ZtZ
Periode Forecast Batas Bawah Batas Atas
Mar-10 50,8866 8,3236 311,06
Apr-10 50,8866 5,535 467,82
Mei-10 50,8866 3,9243 659,77
Jun-10 50,8866 2,8988 893,19
Jul-10 50,8866 2,2044 1174,5
Agust-10 50,8866 1,7137 1510,81
• Untuk pemodelan dan peramalan banyaknya pelanggan inden sepeda motor automatic diperoleh model terbaik yaitu ARIMA (1,0,0) akan tetapi belum memenuhi asumsi residual yaitu pengujian white noise. Model yang dihasilkan adalah
Periode Forecast
Mar-10 115,9826
Apr-10 108,935
Mei-10 103,4605
Jun-10 99,20802
Jul-10 95,90472
Agust-10 93,33872
211 31.434430,6937638,05542 tt
atZtZ
• Untuk memperoleh hasil penjualan terbaik pada sepeda motor Supra 125cc dan banyaknya pelanggan yang inden sepeda motor automatic maka dilakukan pembaharuan analisis model serta hasil peramalan secara periodik atau 6bulan sekali agar mendapatkan hasil yang lebih akurat.
Saran
• Daniel, Wayne, W.,1989, Statistika Nonparametrik Terapan, Gramedia, Jakarta.
• Makridakis, W., Mc Gee, 1999, Metode dan Aplikasi Peramalan, Edisi kedua, Bina Rupa Aksara, Jakarta.
• Salamah, M., dkk. 2003, “Buku Ajar ANALISIS TIME SERIES“, Institut Teknologi Sepuluh Nopember, Surabaya.
• Vebriyani, Vera., 2007, Analisis Peramalan Penjualan Sepeda Motor KAZE Di PT. Surapita Unitrans Surabaya dengan Metode ARIMA Box-Jenkins, Tugas Akhir, FMIPA Statistika ITS.
• Wei, W., W. S., 1990, Time Analysis Univariate and Multivariate Methods, Addison Wesley Publishing Company, Inc, America.
DAFTAR PUSTAKA