time series dan analisis statistik hasil plastik
TRANSCRIPT
Time series dan Analisis Statistik Hasil Plastik: Studi Kasus di
Industri Finoplastika, Nigeria
1. Pendahuluan
Studi kasus dilakukan terhadap industri plastik baik berupa injeksi maupun
ekstrusi. Plastik injeksi berupa plastik dalam negeri (misalnya ember, gelas, sendok,
dan lain-lain), perabotan plastik (misalnya kursi, meja, dan lain-lain) dan plastik
industri (misalnya penutup toilet, cover laptop, cover televisi, dan lain-lain). Mesin
injeksi digunakan untuk membuat bentuk dan ukuran dari plastik. Namun, mesin
injeksi tidak digunakan dalam produksi plastik ekstrusi (yaitu pipa). Mesin ekstrusi
digunakan dalam produksi ekstrusi plastik. Mesin ekstrusi dapat menghasilkan pipa
yang berbeda bentuk dan ukuran.
Penelitian ini menggunakan data produksi yang dikumpulkan dari perusahaan
dan dianalisis untuk memahami arus pola produksi dan perilaku sistem produksi.
Kemudian dilakukan pengujian untuk model data kecukupan. Tujuannya adalah
untuk menguji kecocokan setiap model yang dikembangkan oleh data. Untuk
menghasilkan grafik histogram dilakukan pengembangan akumulasi untuk masing-
masing produk. Untuk mengembangkan grafik untuk uji homogen dari data produk.
2. Pengantar Analisis Time series
Metode time series adalah teknik statistik yang menggunakan data permintaan
historis untuk memprediksi permintaan di masa mendatang. Metode time series
memperhitungkan kemungkinan struktur internal dalam data time series yang sering
muncul ketika pemantauan proses industri atau pelacakan bisnis perusahaan
metrik. Perbedaan penting antara pemodelan data melalui metode time series dan
menggunakan proses pemantauan metode yang dibahas sebelumnya dalam bab ini
adalah sebagai berikut:
Jumlah analisis time series untuk kenyataannya bahwa poin data diambil dari waktu
ke waktu yang memiliki struktur internal (seperti autokorelasi, tren atau variasi
musiman) yang harus dipertanggungjawabkan. Bagian ini akan memberikan
gambaran singkat dari beberapa teknik yang digunakan lebih luas dalam pertumbuhan
yang lebih cepat dan banyak menggunakan analisis dan pemodelan time series.
2.1. Dua Tujuan Utama Analisis Time series
Ada dua tujuan utama dari analisis time series:
a. Mengidentifikasi kealamian dari fenomena yang diwakili oleh urutan pengamatan
b. Peramalan (memprediksi nilai-nilai yang akan datang pada variabel time series)
Kedua tujuan ini mengharuskan pola data time series yang diamati
diidentifikasi dan lebih atau kurang dijelaskan secara resmi. Setelah pola didirikan,
dapat ditafsirkan dan diintegrasikan dengan data lain (misalnya, menggunakannya
dalam teori tentang penyelidikan fenomena, misalnya, harga komoditas
musiman). Terlepas dari kedalaman pemahaman dan validitas interpretasi (teori) dari
fenomena tersebut, bisa diperkirakan pola yang diidentifikasi untuk memprediksi
kejadian masa depan.
2.2. Dua Aspek Umum Pola Time series
Kebanyakan pola time series dapat digambarkan dalam dua kelas dasar
komponen: trend dan musiman. Itu merupakan bentuk linear umum sistematis atau
komponen nonlinier yang berubah dari waktu ke waktu dan tidak ulangi atau
setidaknya tidak berulang dalam rentang waktu yang dapat ditangkap oleh data. Yang
terakhir ini mungkin memiliki bentuknya mirip alam (misalnya, sebuah dataran tinggi
diikuti oleh pertumbuhan periode eksponensial), namun berulang atas waktu interval
sistematis. Dua kelas komponen time series dapat hidup berdampingan dalam
data. Sebagai contoh, penjualan perusahaan dapat berkembang pesat selama
bertahun-tahun tapi mereka masih mengikuti konsisten pola musiman (misalnya,
sebanyak 25% dari penjualan tahunan masing-masing tahun yang dibuat pada bulan
desember, sedangkan hanya 4% pada bulan Agustus).
2.3. Analisis Time-Series dan Peramalan
Time series adalah urutan pengamatan yang diperoleh melalui pengukuran
tercatat dalam spasi interval. Seringkali, data time series memiliki karakteristik yang
memfasilitasi peramalan. Ini termasuk musiman, yang mendasari tren, dan hubungan
dengan pengamatan terakhir atau variabel kausal lainnya. Analis ini dapat
meningkatkan peramalan time series jika mereka memahami sifat dari komponen ini
dan mengidentifikasi model yang terbaik akan pengeksploitasian karakteristik data
itu. Tujuan bab ini adalah untuk memberikan sinopsis analisis time series dan
peramalan. Bagian pertama dalam membahas karakteristik data time series. Ini
mengkaji komponen umum yang berguna dalam menciptakan perkiraan efektif
seperti trend, musiman, perilaku siklis, dan fluktuasi tidak teratur. Bab ini diakhiri
dengan pengenalan peramalan time series dan gambaran peramalan proses
pengembangan model.
2.4. Karakteristik dari Data Time Series
Time series adalah kumpulan pengamatan yang dilakukan berurutan dalam
waktu. Contohnya adalah catatan dari tingkat lokal curah hujan harian, gross produk
domestik triwulanan AS, dan kekuatan personil korps marinir bulanan untuk
peringkat tertentu dan MOS. Analisis time series menyediakan alat untuk memilih
model yang representatif dan peramalan produksi. Ada dua jenis data time series:
1. Berkelanjutan, di mana data berisi observasi pada setiap waktu instan, misalnya,
aktivitas seismik direkam pada seismogram.
2. Discrete, di mana data berisi observasi yang diambil pada interval, misalnya angka
kejahatan bulanan.
Kecuali data acak yang murni, pengamatan dalam waktu seri biasanya
berkorelasi dan pengamatan sebagian berturut-turut mungkin ditentukan oleh nilai-
nilai masa lalu. Misalnya, faktor-faktor meteorologi yang mempengaruhi suhu pada
setiap hari tertentu cenderung mengerahkan beberapa pengaruh pada cuaca di hari
berikutnya. Dengan demikian, sejarah pengamatan suhu yang bermanfaat dalam
meramalkan suhu yang akan datang. Serangkaian waktu deterministik jika tidak
mengandung acak atau karakteristik probabilistik tetapi hasil dalam tetap. Contoh
dari time series deterministik akan menjadi data yang dikumpulkan. Lebih berlaku
untuk aplikasi ekonometrik adalah stokastik time series. Variabel stochastik memiliki
aspek tak tentu atau acak. Meskipun nilai-nilai pengamatan individu tidak dapat
diprediksi dengan tepat, mengukur distribusi pengamatan dapat mengikuti pola yang
diprediksi. Model statistik dapat menggambarkan pola-pola ini. Model ini
mengasumsikan bahwa pengamatan bervariasi secara acak tentang nilai rata-rata yang
mendasari merupakan fungsi dari waktu. Data time series juga dapat dicirikan oleh
satu atau lebih perilaku komponen, trend, musiman, perilaku siklis, dan acak.
2.5. Trend Component
Trend adalah arus umum atau kecenderungan yang diamati dalam satu set data
dari waktu ke waktu. Ini adalah arah yang mendasari (ke atas atau kecenderungan ke
bawah) dan derajat perubahan dalam pengamatan dalam mengatur kapan
pertimbangan telah dibuat untuk komponen lainnya. Grafik time series dapat menjadi
metode berguna dan sederhana untuk mengidentifikasi set data tren tertentu. Hal ini
menunjukkan tren yang meningkat dari produk domestik bruto AS selama rentang
sepuluh tahun. Analis juga dapat membedakan tren dengan membagi kumpulan data
menjadi beberapa rentang, dan menghitung rata-rata untuk masing-masing
rentang. Sebuah peningkatan yang konsisten atau penurunan rata-rata untuk rentang
berturut-turut menunjukkan tren. Tren bisnis atau seri ekonomi mungkin karena
pertumbuhan atau proses kontraksi. Tren dalam pelayanan tingkat tenaga kerja
mungkin disebabkan oleh faktor ekonomi eksternal atau shift dalam kebijakan karena
inovasi teknis, perampingan, atau peningkatan atau penurunan kebutuhan operasional
spesialisasi kerja.
2.6. Komponen musiman
Dalam data time series, komponen musiman adalah elemen variasi dalam satu
set data yang tergantung pada waktu tahun. Musiman adalah cukup umum dalam time
series ekonometrik. Sekarang kurang umum di bidang teknik dan ilmiah data. Ini
komponen berulang setiap tahun, dengan kemungkinan variasi amplitudo. Musiman
adalah disebabkan perubahan musim dan / atau waktu kejadian seperti hari libur atau
awal atau penyelesaian istilah sekolah. Sebagai contoh, biaya segar memproduksi,
tingkat penjualan ritel, rata-rata jumlah curah hujan harian, dan angka pengangguran
semua menunjukkan variasi musiman. Memasukkan musiman di ramalan berguna
ketika time series memiliki komponen musiman yang dilihat. Ketika Data
mengandung efek musiman, hal ini berguna untuk memisahkan musiman dari
komponen lain dalam kurun waktu tertentu. Ini memungkinkan analisis untuk
memperkirakan dan memperhitungkan pola musiman.
2.7. Komponen Siklus
Perilaku Siklus menggambarkan komponen non-musiman yang berosilasi
dalam pola yang dikenali. Jika data yang termasuk dilihat pada siklus komponen,
time series harus dalam rentang cukup untuk model siklus akurat dan dampaknya
dapat diramalkan. Perilaku siklus dimana osilasi memperpanjang waktu yang panjang
lebih sangat jangka (seperti 20 tahun) sering bisa akurat dimodelkan sebagai
kecenderungan untuk prakiraan jangka pendek.
2.8. Komponen yang Tidak Teratur
Sebuah komponen penting dari data stochastik time series adalah
meningkat. Gangguan acak ini adalah apa yang tersisa setelah komponen lain dari
seri (tren, musiman, dan perilaku siklis) diperkirakan dan dieliminasi. Ini hasil dari
fluktuasi dalam seri yang tidak sistematis atau diprediksi. Sementara komponen yang
tidak teratur biasanya memiliki dampak sederhana pada upaya untuk menganalisis,
model dan perkiraan data time series, kadang-kadang dapat memiliki efek yang
signifikan. Efek dari 1973 OPEC yaitu organisasi dari negara pengekspor minyak
pada ekonomi AS adalah contoh konsekuensi substansial fluktuasi yang tidak teratur
dan kadang-kadang dapat timbul pada data time series.
2.9. Time-Series Forecasting
Model peramalan time series univariat membuat prediksi dengan ekstrapolasi
perilaku masa lalu dari nilai-nilai tertentu variabel bunga tunggal. Pengamatan
berturut-turut secara time series ekonometrik biasanya tidak independen dan
peramalan dapat dibuat dari pengamatan sebelumnya. Sementara perkiraan yang tepat
yang mungkin dengan waktu deterministic, perkiraan time series stochastik yang
terbatas pada pernyataan bersyarat tentang masa depan berdasarkan asumsi
tertentu. Menurut Armstrong, "dasar Asumsi adalah bahwa variabel akan berlanjut di
yang akan datang seperti yang telah ada di masa lalu”. Secara khusus, permalan time
series sesuai untuk data stokastik dimana penyebab variasi tren, perilaku siklis,
musiman, dan fluktuasi tidak teratur, tidak berubah secara signifikan terhadap
waktu. Oleh karena itu, pemodelan sering lebih tepat untuk jangka pendek daripada
jangka panjang peramalan.
2.10. Prakiraan Berdasarkan Data Time series
Menurut Stevenson, time series adalah waktu memerintahkan urutan observasi
yang diambil secara berkala (Misalnya, per jam, harian, mingguan, bulanan, triwulan
dan tahunan). Data merupakan pengukuran permintaan, pendapatan, keuntungan,
pengiriman, kecelakaan, output, curah hujan, produktivitas, dan indeks harga
konsumen. Teknik peramalan berdasarkan data time series yang dibuat pada asumsi
bahwa nilai-nilai masa depan dapat diperkirakan dari nilai-nilai masa lalu. Meskipun
tidak ada upaya yang dilakukan untuk mengidentifikasi variabel yang mempengaruhi.
Metode ini banyak digunakan, sering dengan hasil yang cukup memuaskan. Analisis
data time series membutuhkan analisis untuk mengidentifikasi perilaku yang
mendasari. Ini sering dapat dicapai hanya dengan memplot data dan memeriksa plot
secara visual. Satu atau lebih pola mungkin muncul yaitu tren, variasi musiman,
siklus, atau variasi. Selain itu, akan ada random dan mungkin variasi yang tidak
teratur. Perilaku ini dapat digambarkan sebagai berikut.
1. Trend mengacu pada jangka panjang atas atau ke bawah gerakan dalam
data. Populasi bergeser, berubah pendapatan, dan perubahan budaya menjelaskan
gerakan.
2. Musiman mengacu pada jangka pendek, variasi cukup teratur umumnya terkait
dengan faktor-faktor seperti kalender atau waktu. Restoran, supermarket, dan
pengalaman teater mingguan dan bahkan variasi harian "musiman".
3. Siklus variasi seperti gelombang yang durasinya lebih dari satu tahun. Ini sering
terkait dengan berbagai ekonomi, politik, dan bahkan kondisi pertanian.
4. Variasi yang tidak teratur adalah karena kondisi yang tidak biasa seperti kondisi
cuaca buruk, pemogokan, atau besar perubahan dalam produk atau jasa. Mereka
tidak mencerminkan perilaku khas dan dimasukkan ke dalam yang dapat merusak
gambaran keseluruhan. Bila mungkin, ini harus diidentifikasi dan dihapus dari
data.
5. Variasi acak adalah variasi residual yang tetap setelah semua perilaku lain telah
diperhitungkan.
3. Metode yang Digunakan
Metode penelitian yang digunakan dalam penelitian ini adalah pendekatan
penelitian kuantitatif. Data yang dikumpulkan adalah catatan harian produksi pipa
plastik lebih dari satu bulan selama tiga tahun. Metode yang digunakan adalah teknik
time series untuk jumlah pipa (ukuran dan bentuk) yang akan diproduksi di industri
menggunakan alat prediksi yaitu: Excel dan Minitab untuk pengembangan model dan
peramalan hasilnya. Model yang digunakan ini dikembangkan untuk memprediksi
jumlah aktual produk pipa plastic, seharusnya industri memproduksi setiap
bulan. Model yang digunakan dikembangkan untuk menguji jumlah jenis/ukuran pipa
plastik, diidentifikasi dan diproduksi termasuk pipa limbah 110mm, tekanan pipa
20mm, pipa tekanan 50mm, 25mm pipa tekanan, 160mm pipa limbah, pipa tekanan
140mm, tekanan 40mm pipa dan pipa tekanan 90mm. Plot 3D dari jumlah produk
P1 pipa plastik ini adalah untuk menguji homogenitas data. Hal ini untuk
menunjukkan apakah Data yang dikumpulkan adalah nyata.
Gambar 1. Plot 3-D Homogenitas untuk P1
Gambar 1 adalah tampilan tiga dimensi dari produk P1, hasilnya menunjukkan bahwa
banyak yang kedalam dan tidak melebihi batas Ini berarti bahwa data untuk P1 (yaitu
hasil produksi dalam unit) merupakan produk data industri manufaktur.
Gambar 2. Plot 3-D Homogenitas untuk P2
Gambar 2 adalah tampilan 3-dimensi dari produk P2, hasilnya menunjukkan bahwa
mereka jatuh dalam dan tidak melebihi batas. Ini berarti bahwa data untuk P2 (yaitu
hasil produksi dalam unit) produk data real Industri manufaktur
Gambar 3. Plot 3-D Homogenitas untuk P3
Gambar 3 adalah tampilan tiga dimensi dari produk P3, hasilnya menunjukkan bahwa
mereka mengarah ke dalam dan tidak melebihi batas. Ini berarti bahwa data untuk P3
(yaitu hasil produksi dalam unit) merupakan produk data yang nyata dalam industri
manufaktur.
Gambar 4. Plot 3-D Homogenitas untuk P4
Gambar 4 adalah tampilan tiga dimensi dari produk P4, hasilnya menunjukkan bahwa
arahnya jatuh ke dalam dan tidak melebihi batas. Ini berarti bahwa data untuk P4
(yaitu hasil produksi dalam unit) merupakan produk data nyata dari industri
manufaktur. Begitu juga hasilnya hingga produk P8.
Gambar 5. Plot 3-D Homogenitas untuk P5
4. Hasil Pembahasan
Hal ini didasarkan pada hasil yang ditemukan dari analisis, dan juga tabel dan
grafik yang dikembangkan. Analisis time series digunakan untuk analisis dan
mengamati data perilaku yang dikumpulkan Plot probabilitas normal menunjukkan
bahwa data tersebut terdistribusi normal yang berarti bahwa data cukup atau cocok
untuk pemodelan. Hasil penelitian menunjukkan bahwa mereka yang tidak acak di
sekitar nol karena itu berarti model yang memadai dan data adalah data linear.
Histogram plot uji normalitas adalah untuk menunjukkan tingkat dari diakumulasinya
frekuensi produk 3D untuk pipa plastik yaitu menguji homogenitas data. Hal ini
untuk menunjukkan apakah data yang dikumpulkan nyata. Hasilnya menunjukkan
bahwa ketika mereka jatuh dalam dan none melebihi batas, hal ini berarti bahwa data
adalah data real industri manufaktur.