Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember Surabaya, 2014

Transkripsi

1 Seminar Hasil Tugas Akhir Pemodelan Dan Peramalan Penjualan Sepeda Motor Di Surabaya Dengan Pendekatan ARIMAX Variasi Kalender Oleh Arinta Cahyaningtyas Dosen Pembimbing Dr. Setiawan, M.S Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember Surabaya, 2014

2 BAB I PENDAHULUAN

3 1.1 Latar Belakang Jiwa 1

4 1.1 Latar Belakang Mengindikasikan bahwa kota Surabaya merupakan kota yang telah berkembang dan maju. Pusat kegiatan perekonomian Jawa Timur Jasa Perdagangan Industri 2

5 1.1 Latar Belakang Industri Meningkatnya permintaan terhadap sepeda motor Semakin berkembang 3

6 1.1 Latar Belakang Penjualan total sepeda motor tahun mencapai unit Penjualan sepeda motor Honda mencapai unit Penjualan matic Honda mencapai unit. 4

7 1.1 Latar Belakang Matic Honda memimpin 70,7% di pasar sepeda motor matic (AT) nasional. Jumlah ini diprediksi akan terus meningkat untuk tahun tahun berikutnya dan untuk mengetahui seberapa besar peningkatan tersebut, PT. MPM Honda motor perlu melakukan peramalan. Peramalan dilakukan dengan data bulanan sehingga lebih tahu secara detail pergerakan penjualan per bulannya. Efek Hari Raya Efek Bulanan Tren Pemodelan dan peramalan menggunakan ARIMAX Variasi kalender. 5

8 1.2 Rumusan Masalah 1.Bagaimana karakteristik penjualan total seluruh sepeda motor, penjualan sepeda motor Honda dan penjualan sepeda motor Honda jenis matic di Surabaya? 2. Bagaimana model yang sesuai untuk data penjualan total seluruh sepeda motor, penjualan sepeda motor Honda dan penjualan sepeda motor Honda jenis matic di Surabaya dengan pendekatan ARIMAX variasi kalender? 3. Berapa nilai peramalan penjualan total seluruh sepeda motor, penjualan sepeda motor Honda dan penjualan sepeda motor Honda jenis matic di Surabaya dengan pendekatan ARIMAX variasi kalender untuk periode satu tahun ke depan? 6

9 1.3 Tujuan Penelitian 1. Mendapatkan gambaran mengenai karakteristik penjualan total seluruh sepeda motor, penjualan sepeda motor Honda dan penjualan sepeda motor Honda jenis matic di Surabaya. 2. Mendapatkan model yang sesuai bagi penjualan total seluruh sepeda motor, penjualan sepeda motor Honda dan penjualan sepeda motor Honda jenis matic di Surabaya dengan pendekatan ARIMAX variasi kalender. 3. Mendapatkan nilai hasil peramalan penjualan total seluruh sepeda motor, penjualan sepeda motor Honda dan penjualan sepeda motor Honda jenis matic di Surabaya untuk periode satu tahun ke depan. 7

10 1.4 Manfaat Penelitian Manfaat yang diharapkan dari penelitian ini yaitu dapat menghasilkan suatu estimasi nilai ramalan untuk penjualan ketiga katagori sepeda motor satu tahun ke depan. Sehingga dapat dijadikan gambaran mengenai tren perkembangan sepeda motor di kota Surabaya. Selain itu, harapannya penelitian ini dapat menjadi bahan refrensi atau sebagai tambahan wacana bagi pihak pihak terkait dan yang membutuhkan 8

11 1.5 Batasan Penelitian 1. Data total sepeda motor di Surabaya merupakan data penjualan seluruh merek motor yang beredar di Indonesia tahun 2003 hingga Data penjualan sepeda motor Honda merupakan data penjualan seluruh motor Honda secara total yang berasal dari matic, cub dan sport tahun 2003 hingga Data sepeda motor Honda jenis Matic merupakan data penjualan seluruh tipe motor matic Honda tanpa memperdulikan secara spesifik (BeAT, Scoopy, dll). 9

12 BAB II TINJAUAN PUSTAKA

13 2.1 Tinjauan Non Statistik Kendaraan Bermotor Kendaraan yang digerakkan oleh peralatan teknik untuk pergerakannya dan digunakan untuk transportasi darat, umumnya menggunakan mesin pembakaran dalam. Kendaraan bermotor memiliki roda dan sebagian besar berjalan di atas jalan. Beberapa jenis kendaraan bermotor antara lain mobil, bus, sepeda motor, kendaraan off road, truk ringan hingga truk berat Sepeda Motor Sepeda motor merupakan salah satu dari jenis kendaraan bermotor yang digerakkan oleh sebuah mesin dengan letak kedua roda sebaris lurus dan pada kecepatan tinggi sepeda motor tetap stabil disebabkan oleh gaya giroskopik. Beberapa merek motor yang popular di Indonesia antara lain Honda, Yamaha, Suzuki, Kawasaki, Ducati, TVS. Jenisjenisnya yaitu matic (AT), Sportdan motor cub (bebek). 10

14 2.1 Tinjauan Non Statistik Kondisi Sepeda Motor Kekinian Pulau Jawa masih memimpin dalam penjualan sepeda motor. Dari sisi volume, pasar motor di Jawa pada 2013 mengalami peningkatan sebesar 14,24%. Dari banyak merek sepeda motor yang ada di Indonesia, Honda masih masih memimpin sebagai merek motor dengan penjualan tertinggi. Berdasarkan data dari Asosiasi Industri Sepeda Motor Indonesia (AISI), Astra Honda Motor (AHM) menguasai 61% pasar sepeda motor Indonesia pada April Profil PT. MPM PT. Mitra Pinasthika Mulia (MPM) merupakan distributor tunggal dalam penjualan dan penyediaan suku cadang sepeda motor Honda untuk wilayah Jawa Timur dan Nusa Tenggara Timur (NTT). Visi Menjadi perusahaan ternama yang digemari setiap insan yang diciptakan oleh sumber daya manusia yang terampil dan penuh semangat dibawah para pemimpin yang berwibawa dan bersahaja. Misi Menyediakan produk dan layanan transportasi berkualitas prima dan ramah sehingga menyenangkan para pelanggan. 11

15 2.1 Tinjauan Non Statistik Riset Pasar Sepeda Motor Honda Honda adalah salah satu merek sepeda motor ternama di Indonesia yang di produksi oleh PT. Astra Honda Motor (AHM). Honda merupakan sepeda motor yang pertama kali hadir mengeluarkan motor bebek injection di Indonesia dengan teknologi PGM FI. PT. (AHM) menguasai 63% pangsa pasar sepeda motor nasional di kuartal I/2014 dengan penjualan unit sepeda motor. Penyumbang terbesar penjualan sepeda motor Honda masih didominasi oleh tipe matic (AT). Honda jenis matic (AT) mampu terjual sebesar unit atau memimpin 70,7% di pasar sepeda motor matic (AT) nasional. Di tahun 2014, Honda dinobatkan sebagai sepeda motor terpopuler di kalangan masyarakat Indonesia melalui diterimanya penghargaan Top Brand Award 2014 dengan enam sepeda motor Honda yang memiliki nilai tertinggi, yaitu Honda Vario dan Honda BeAT di segmen matic (AT), Honda Supra dan Honda Revo di segmen cub (bebek), Honda Tiger dan Honda MegaPro di segmen sport. 12

16 2.2 Tinjauan Statistik Statistika Deskriptif Statistika deskriptif merupakan metode metode yang berkaitan dengan pengumpulan dan penyajian data yang dapat memberikan informasi sederhana kepada pembaca. Informasi yang diberikan dapat berupa grafik, tabel maupun gambar. Statistika deskriptif antara lain meliputi rata rata, median, dan modus, variansi, standar deviasi, nilai maksimum, nilai minimum, kurtosis dan skewness Analisis Regresi Linier Berganda analisis regresi yang meneliti mengenai hubungan satu variabel yang disebut sebagai variabel respon dengan satu atau lebih dari satu variabel prediktor. 13

17 2.2 Tinjauan Statistik Pengujian Signifikansi Parameter Uji Serentak Untuk mengetahui signifikansi parameter β terhadap variabel respon secara bersamaan dilakukan uji serentak Uji Parsial Untuk mengetahui signifikansi parameter β terhadap variabel respon secara individu dilakukan uji parsial 14

18 2.2 Tinjauan Statistik Asumsi Regresi Linier Berganda Asumsi asumsi pada regresi linier berganda adalah sebagai berikut. 1.Model regresi yang di dapat bersifat linier dalam parameter. 2.Tidak terjadi autokorelasi pada error. 3.Tidak terjadi multikolineritas antar variabel prediktor. 4.Error berdistribusi normal. 5.Nilai rata rata dari error adalah nol. 6.Varians dari error bersifat homoskedastik Konsep Deret Waktu Deret waktu atau time series merupakan suatu pengamatan yang tersusun berdasarkan urutan waktu (Wei, 2006). Tujuan dari analisis deret waktu ada dua, yaitu untuk memodelkan suatu mekanisme stokastik yang terdapat pada pengamatan berdasarkan waktu dan untuk memprediksi atau meramalkan nilai pengamatan di waktuyangakandatingberdasarkan data yang telah ada (Cryer, 1986). 15

19 2.2 Tinjauan Statistik Model Autoregressive Integrated Moving Average (ARIMA) Model ARIMA merupakan model gabungan dari model autoregressive (AR) dan moving Average (MA) serta proses differencing terhadap data time series. Terdapat dua model ARIMA yaitu ARIMA non musiman dengan orde d dan ARIMA musiman dengan orde D (Wei, 2006) Identifikasi Model Untuk menentukan nilai p,d,q,p,d dan Q dari model ARIMA maka perlu dilakukan identifikasi model ARIMA, yang meliputi mengidentifikasi kestasioneran data, Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF). 16

20 2.2 Tinjauan Statistik Identifikasi Model ARIMA Pengidentifikasian model ARIMA dapat dilakukan dengan melihat plot time series, plot ACF dan plot PACF. Plot ACF dan PACF digunakan untuk menentukan orde p dan q dari model ARIMA. Model ACF PACF Cut off after Dies down AR (p) lag p Cut off after Dies down MA (q) lag q ARMA (p,q) Dies down Dies down Cut off after Cut off after AR (p) atau MA (q) lag q lag p Penaksiran Parameter Model ARIMA 1. Metode moment 2. Metode Least Squares (CLS) 3. Metode Maximum Likelihood 4. Metode Unconditional Least Squares. 5. Metode Nonlinier Estimation. Tidak ada orde AR atau MA (White Noise atau Random Walk) No spike No spike 17

21 2.2 Tinjauan Statistik Pengujian Signifikansi Parameter Dilakukan untuk mengetahui apakah hasil penaksiran parameter model ARIMA dan model Variasi Kalender signifikan atau tidak, sehingga dapat diketahui setiap variabel yang digunakan apakah telah berpengaruh pada Z t. sebagai contoh, parameter MA yaitu θ Cek Diagnosa UjiAsumsiWhite Noise Uji Distribusi Normal Uji disribusi normal dilakukan terhadap residual yang dihasilkan. Pengujian menggunakan Kolmogornov Smirnov 18

22 2.2 Tinjauan Statistik Model Variasi Kalender Untuk data time series yang mengandung efek variasi kalender, Z t dituliskan sebagai berikut. Secara umum, variasi kalender terbagi menjadi dua yaitu efek hari perdagangan dan efek hari libur. Pada penelitian kali ini, pemodelan yang digunakan adalah variasi kalender dengan efek hari libur yaitu hari raya idul fitri. Menurut Liu (1980), model efek liburan dituliskan sebagai berikut. Jika efek disebabkan oleh hari libur yang lebih spesifik, variabel menunjukan proporsi dari hari libur pada tahun ke t. Jika efek hari libur mengalami peningkatan ataupun penurunan secara linier dari tahun ke tahun maka model yang digunakan adalah sebagai berikut. 19

23 2.2 Tinjauan Statistik Model ARIMAX Variasi Kalender Model ARIMA merupakan model umum dalam peramalan data. Sedangkan model ARIMAX merupakan model ARIMA yang diberi tambahan variabel prediktor. Variabel prediktor dalam penelitian ini yaitu variabel dummy yang bertujuan untuk mewakili efek variasi kalender Penaksiran Parameter Model Variasi Kalender Bentuk umum model variasi kalender adalah sebagai berikut. Langkah berikutnya ialah menaksir parameter β,θ dan sehingga persamaan dapat dituliskan menjadi 20

24 2.2 Tinjauan Statistik Pemilihan Model Terbaik Menurut Wei (2002), beberapa kriteria pemilihan model terbaik menurut untuk data in sampel antara lain AIC (Akaike s Information Criterion) dan SBC (Schwartz s Bayesian Criterion). Sedangkan untuk data out sampel yaitudenganmse(mean Square Error) dan MAPE (Mean Absolute Percentage Error) Deteksi Outlier Outlier dapat diartikan sebagai ketidaktepatan pengamatan pada suatu data dikarenakan adanya kejadian tertentu yang mengganggu seperti serangan, peperangan, krisis ekonomi dan kejadian kejadian lain yang tidak diketahui. Jenis jenis Outlier antara lain yaitu Additive Outlier (AO), Innovational Outlier (IO), Level Shift (LS) dan Temporary Change (TC). Salah satu langkah untuk mengatasi outlier yaitu dengan menambahkan variabel dummy (It). Variabel ini tergantung pada jenis outlier yang ada. 21

25 BAB III METODE PENELITIAN

26 3.1 Sumber Data Data sekunder berasal PT. Mitra Pinasthika Mulya (MPM), antara lain : Data jumlah penjualan total sepeda motor dan penjualan sepeda motor Honda di Surabaya mulai Januari 2003 Desember 2013 sebagai in sample dan data bulan Januari 2014 Maret 2014 sebagai out sample. Data penjualan sepeda motor Honda jenis matic di Surabaya Januari 2009 Desember 2013 sebagai in sample dan data bulan Januari 2014 hingga Maret 2014 sebagai out sample. 22

27 3.2 Variabel penelitian Variabel Keterangan Penjualan bulanan total sepeda motor di surabaya tahun 2003 Y Penjualan bulanan sepeda motor Honda di surabaya tahun 2003 Y Penjualan bulanan sepeda motor Honda jenis Matic di Surabaya Y3 tahun t D1,D2,,D12 HR 1 HR HR+1 Variabel dummy yang menggambarkan efek tren. Variabel dummy yang menggambarkan efek bulanan. Variabel dummy yang menggambarkan efek satu bulan sebelum idul fitri Variabel dummy yang menggambarkan efek bulan idul fitri Variabel dummy yang menggambarkan efek satu bulan setelah idul fitri 23

28 3.3 Langkah Analisis 1. Untuk menjawab tujuan pertama, yaitu melakukan statistika deskriptif. 2. Untuk menjawab tujuan kedua, yaitu mencari model yang sesuai menggunakan ARIMAX variasi kalender dengan langkah sebagai berikut. a. Melakukan pemodelan regresi time series dengan meregresikan Y dengan variabel dummy (X) hingga mendapatkan variabel yang signifikan. b. Setelah mendapatkan model regresi yang tepat, selanjutnya dilakukan pengecekan terhadap residual. Ketika residual telah memenuhi asumsi white noise, maka pemodelan selesai dan berhenti sampai regresi dummy. Namun, saat residual belum memenuhi asumsi white noise, maka dilanjutkan pada pemodelan ARIMA. c. Pada tahap pemodelan ARIMA, dilakukan identifikasi model sementara dan pengecekan signifikansi parameter serta asumsi white noise. d. Ketika telah mendapatkan model, dari pemodelan ARIMA, selanjutnya dilakukan pemodelan ARIMA dengan X sebagai input atau disebut dengan ARIMAX. e. Jika terdapat lebih dari satu model ARIMAX, maka dilakukan perbandingan untuk mencari model terbaik dengan melihat nilai smape terkecil. 24

29 3.3 Langkah Analisis 3. Untuk menjawab tujuan ketiga, yaitu mendapatkan hasil peramalan penjualan sepeda motor dilakukan dengan melakukan peramalan penjualan bulanan untuk tahun 2014 dengan menggunakan model ARIMAX yang telah diperoleh. 25

30 BAB IV ANALISIS DAN PEMBAHASAN

31 4.1 Analisis Statistika Deskriptif Penjualan Total Sepeda Motor di Surabaya Penjualan Terendah Febuari Tahun Total Rata Rata Minimum Maksimum September Penjualan Tertinggi Febuari Agustus 26

32 4.1 Analisis Statistika Deskriptif Penjualan Sepeda Motor Honda di Surabaya Penjualan Terendah Febuari Tahun Total Rata Rata Minimum Maksimum September Penjualan Tertinggi Januari Juli 27

33 4.1 Analisis Statistika Deskriptif Penjualan Sepeda Motor Matic Honda di Surabaya Penjualan Terendah Maret Tahun Total Rata Rata Minimum Maksimum Desember Penjualan Tertinggi Januari Juli 28

34 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Total Sepeda Motor di Surabaya Total Sepeda Motor Apr/2006 Mar/ Month Jan Jan Jan Jan Jan Jan Jan Year Jan/2012 Jan Jan Jan Jan Jan Gambar 4.1 Time Series Plot Penjualan Total Sepeda Motor di Surabaya Tabel 4.4 Estimasi Parameter Model Penjualan Total Sepeda Motor di Surabaya Parameter Koefisien Std. Error P Value t Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 HR HR HR D D ,000 D td td td

35 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Total Sepeda Motor di Surabaya Model Regresi Time Series Tabel 4.5 Estimasi Parameter Model Penjualan Total Sepeda Motor di Surabaya Dengan Variabel Signifikan Parameter Koefisien Std. Error P Value t <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 b <.0001 HR d td

36 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Total Sepeda Motor di Surabaya Autocorrelation (a) Partial Autocorrelation (b) Lag Lag Plot ACF mengindikasikan model MA 3 Plot PACF mengindikasikan model AR 2 Untuk menentukan model mana yang terbaik maka dilakukan pengujian signifikansi parameter. 31

37 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Total Sepeda Motor di Surabaya Tabel 4.7 Estimasi Parameter Model AR 2 Parameter Estimasi Std Error P Value Lag AR 1, AR 1, < Tabel 4.9 Uji Kenormalan Model AR 2 Pengujian P value Kolmogorov Smirnov Untuk MA 3, selain tidak signifikan juga tidak memenuhi asumsi white noise dan tidak berdistribusi normal. Maka dari itu, model yang sesuai untuk penjualan total sepeda motor di Surabaya adalah AR 2. AR 2 merupakan model yang signifikan dengan Pvalue yang lebih besar dari alpha 10%. smape yang dihasilkan sebesar 0,0269 atau 2,69%. Tabel 4.8 Pengujian White Noise Model AR 2 Sampai Lag Chisquare Derajat P Bebas Value

38 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Sepeda Motor Honda di Surabaya Honda Sales Month Year Oct/2005 Jun/2009 Jan/2012 Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Gambar 4.3 Time Series Plot Penjualan Sepeda Motor Honda di Surabaya Tabel 4.10 Estimasi Parameter Model Penjualan Sepeda Motor Honda di Surabaya Parameter Koefisien Std. Error P Value t Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 Bulan <.0001 HR HR HR D D D <.0001 td td <

39 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Sepeda Motor Honda di Surabaya Model Regresi Time Series Tabel 4.11 Estimasi Parameter Model Penjualan Sepeda Motor Honda di Surabaya Dengan Variabel Signifikan Paramete r Koefisien Std. Error P Value t Bulan < Bulan < Bulan < Bulan < Bulan < Bulan < Bulan < Bulan < Bulan < Bulan < Bulan < Bulan < HR D D D < td td <

40 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Sepeda Motor Honda di Surabaya Autocorrelation (a) Partial Autocorrelation (b) Lag Lag Plot ACF mengindikasikan model MA (2) Plot PACF mengindikasikan model AR (2) Untuk menentukan model mana yang terbaik maka dilakukan pengujian signifikansi parameter dan hasilnya tersaji dalam Tabel

41 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Sepeda Motor Honda di Surabaya Tabel 4.12 Estimasi Parameter Model AR(2) dan MA(2) Parameter Estimasi Std. Error P value Lag smape AR (2) MA (2) Model MA (2) merupakan model yang paling baik dilihat dari nilai smape yang dihasilkan sebesar 0,1479 atau 14,79%. 36

42 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Sepeda Motor Honda di Surabaya Tabel 4.13 Pengujian White Noise Dari Model AR(2) dan MA(2) AR (2) Tabel 4.14 Uji Kenormalan Model AR(2) dan MA(2) Sampai Lag Chisquare Derajat Bebas P Value MA(2) Sampai Lag Chisquare Derajat Bebas P Value Parameter P value AR (2) MA (2) > Kedua model telah memenuhi asumsi yaitu berdistribusi normal dan telah White Noise 37

43 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Sepeda Motor Matic Honda di Surabaya Penjualan Matic Honda Surabaya Month Jan Year 2009 Jul Jan 2010 Jul Jan/2011 Jan 2011 Jul Jan 2012 Sep/2012 Jul Jan 2013 Jul Jan 2014 Gambar 4.5 Time Series Plot Penjualan Sepeda Motor Honda Jenis Matic di Surabaya Tabel 4.15 Estimasi Parameter Model Penjualan Sepeda Motor Honda Jenis Matic di Surabaya. Parameter Koefisien Std. Error P Value t 100,57 16,64 <0,001 Bulan 1 239,33 343,22 0,4896 Bulan 2 337,07 330,43 0,3138 Bulan 3 405,31 333,27 0,2311 Bulan 4 395,95 336,68 0,2465 Bulan 5 663,99 340,65 0,0583 Bulan 6 667,03 345,17 0,0604 Bulan ,9 350,21 0,002 Bulan 8 486,31 355,74 0,1792 Bulan 9 87,07 398,45 0,8281 Bulan ,13 573,51 0,3941 Bulan ,3 577,65 0,3253 Bulan ,57 459,53 0,4449 HR-1 940,21 477,59 0,0559 HR 836, ,1257 HR+1 329,88 459,37 0,4769 D1 3390,2 869,14 0,0004 D2-3781,2 1918,5 0,0557 td1-108,75 28,23 0,0004 td2 74,45 39,06 0,

44 4.2 Pemodelan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Pemodelan Penjualan Sepeda Motor Matic Honda di Surabaya Model Regresi Time Series Tabel 4.16 Estimasi Parameter Model Penjualan Sepeda Motor Honda Jenis Matic di Tabel 4.18 Uji Kenormalan Residual Surabaya Dengan Variabel Signifikan. Pengujian P value Parameter Koefisien Std. Error P Value Kolmogorov Smirnov t 125,01 7,69 <0,001 Bulan 7 757,49 263,62 0,0058 D1 3462,4 787,28 <0,001 D2-4148,7 1795,4 0,0247 td1-121,89 23,16 <0,001 td2 63,89 34,58 0,0701 Tabel 4.17 Pengujian White Noise Residual Penjualan Motor Honda Jenis Matic di Surabaya Sampai Lag Chisquare Derajat Bebas P Value 6 7, , , , , ,

45 4.3 Peramalan Penjualan Sepeda Motor di Surabaya Peramalan Penjualan Total Sepeda Motor di Surabaya Nilai Ramalan Penjualan Total Motor Jan Feb Mar Apr May Jun Jul Bulan Gambar 4.6 Time Series Plot Nilai Ramalan Penjualan Total Sepeda Motor di Surabaya Tahun Aug Sep Oct Nov Dec Variable Nilai Ramalan Batas Bawah Batas Atas Tabel 4.19 Nilai Peramalan Penjualan Total Sepeda Motor di Surabaya Tahun 2014 (Dalam Unit) Bulan Nilai Ramalan Januari Febuari Maret April Mei Juni Juli Agustus September Oktober November Desember Total

46 4.3 Peramalan Penjualan Sepeda Motor di Surabaya Peramalan Penjualan Sepeda Motor Honda di Surabaya Nilai Ramalan Penjualan Honda Jan Feb Mar Apr May Jun Jul Bulan Gambar 4.7 Time Series Plot Nilai Ramalan Penjualan Sepeda Motor Honda di Surabaya Tahun Aug Sep Oct Nov Dec Variable Nilai Ramalan Batas Bawah Batas Atas Tabel 4.20 Nilai Peramalan Penjualan Sepeda Motor Honda di Surabaya Tahun 2014 (Dalam Unit) Bulan Nilai Ramalan Januari Febuari Maret April Mei Juni Juli Agustus September Oktober November Desember Total

47 4.3 Peramalan Penjualan Sepeda Motor di Surabaya Peramalan Penjualan Sepeda Motor Matic Honda di Surabaya Penjualan Motor Matic Honda Jan Feb Mar Apr May Jun Jul Bulan Gambar 4.8 Time Series Plot Nilai Ramalan Penjualan Sepeda Motor Honda Jenis Matic di Surabaya Tahun Aug Sep Oct Nov Dec Variable Batas Atas Nilai Ramalan Batas Bawah Tabel 4.21 Nilai Peramalan Penjualan Sepeda Motor Matic Honda di Surabaya Tahun 2014 (Dalam Unit) Bulan Nilai Ramalan Januari Febuari Maret April Mei Juni Juli Agustus September Oktober November Desember Total

48 BAB V KESIMPULAN DAN SARAN

49 5.1 Kesimpulan 1. Total penjualan keseluruhan sepeda motor yang ada di surabaya tahun mencapai unit sementara total penjualan untuk sepeda motor Honda yang ada di surabaya tahun ada unit dan total penjualan sepeda motor Honda jenis matic yang ada di surabaya tahun 2009 hingga 2013 yaitu unit. 2. Sepeda motor honda menguasai 54,73% dari keseluruhan total sepeda motor yang ada di surabaya tahun sedangkan untuk 2014, Sepeda motor honda mengusai 75,6% 3. Model terbaik dari total penjualan sepeda motor di Surabaya adalah AR (2) dengan smape 2,69%. Sementara model untuk penjualan sepeda motor Honda di Surabaya adalah model MA (2) dengan smape 14,79%. Sedangkan model penjualan sepeda motor Honda jenis matic di Surabaya yang tepat adalah dengan menggunakan model regresi time series yaitu 4. Untuk hasil peramalan, menunjukan bahwa penjualan total sepeda motor di Surabaya pada tahun 2014 menurun 1,6% dari tahun sebelumnya. Sementara untuk penjualan sepeda motor Honda di Surabaya pada tahun 2014 meningkat 18% dari tahun sebelumnya dan penjualan sepeda motor Honda jenis matic di Surabaya pada tahun 2014 juga meningkat 36% dari tahun sebelumnya 43

50 5.2 Saran 1. Pada penelitian ini, pembagian periode untuk memberi variabel dummy bersifat subjektif, sehingga dapat dicoba untuk mengganti ganti dummy untuk mendapatkan model yang lebih tepat. 2. Penelitian selanjutnya dapat lebih menganalisis mengenai pemodelan dan peramalan sepeda motor merek selain Honda dengan ketiga jenis motor yang ada yaitu matic yaitu cub, maupun sport. 44

51 DAFTAR PUSTAKA

52 Artikel dari wikipedia yang dicuplik dari 2. Diakses pada Selasa, 11 Maret 2014 pukul Artikel dari wikipedia yang dicuplik dari Diakses pada hari Rabu, 12 Maret 2014 pukul Artikel dari wikipedia yang dicuplik dari Diakses pada hari Rabu, 12 Maret 2014 pukul Artikel dari wikipedia yang dicuplik dari motor februari 2014 suzuki perlu kerja lebih keras/. Diakses pada hari Rabu, 26 Maret 2014 pukul Artikel dari wikipedia yang dicuplik dari ekonomi terhadap.html. Diakses pada hari Jumat, 28 Maret 2014 pukul Cryer, J. D., & Chan, K. S. (2008). Time Series Analysis With Application in R, 2nd Edition. New York: Springer. Draper, N. R., & Smith, H. (1998). Applied Regression Analysis, Third Edition. Canada: John Wiley & Sons, Inc. 45

53 Hsu, T.P., Lin, Y.J., (2007), Multinomial Logit Model of Motorcycle and Car Ownership in Taiwan, Proceeding of the Eastern Asia Society for Transportation Studies, Vol. 6, Dalian China. Gujarati, D. N. (2004). Basic Econometric 4th edition. The Mc Gra Hill Companies : New York. Kamil, M.I. (2010). Pemodelan Dan Peramalan Jumlah Penumpang Dan Pesawat Di Terminal Kedatangan Internasional Bandara Juanda Surabaya Dengan Metode Variasi Kalender. Surabaya: Jurusan Statistika FMIPA ITS. Liviani, N. (2010). Analisis Peramalan Penjualan Sepeda Motor Di Mitra Pinasthika Mustika (MPM) Honda Motor Dengan Pendekatan ARIMA Box Jenkins. Surabaya: Jurusan Statistika FMIPA ITS. Puspita, K. (2013). Prediksi Penjualan di Perusahaan Ritel dengan Metode Peramalan Hirarki Berdasarkan Model Variasi Kalender. Surabaya: Jurusan Statistika FMIPA ITS. Walpole. (1995). Pengantar Statistika. PT. Gramedia Pustaka Utama : Jakarta. Wei, W. W. (2006). Time Series Analysis: Univariate and Multivariate Methods, 2nd Edition. New York: Pearson. 46

54 Terima Kasih

55 Seminar Hasil Tugas Akhir Pemodelan Dan Peramalan Penjualan Sepeda Motor Di Surabaya Dengan Pendekatan ARIMAX Variasi Kalender Oleh Arinta Cahyaningtyas Dosen Pembimbing Dr. Setiawan, M.S Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember Surabaya, 2014