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.