Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk

Transkripsi

1 Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Oleh : Dwi Hapsari K ( ) Dosen Pembimbing : Dra. Karika Firiasari, M.Si 1

2 Pendahuluan Laar Belakang, Perumusan Masalah, Tujuan Peneliian, Baasan Masalah, Manfaa Peneliian. Tinjauan Pusaka Meodologi Peneliian Analisis Daa dan Pembahasan Kesimpulan dan Saran Konsep Dasar Time Series, Meode ARIMA Box- Jenkins, Meode Variasi Kalender. Sumber Daa dan Variabel Peneliian, Meode Analisis, Langkah Analisis. Model ARIMA Box-Jenkins, Model Variasi Kalender, Perbandingan Model. Kesimpulan, Saran. 2

3 PENDAHULUAN Laar Belakang Permasalahan Tujuan Peneliian Baasan Masalah Manfaa Peneliian semen Peneliian sebelumnya Roviq (2001) : Opimalisasi Pendisribusian Semen PPC di PT.Semen Gresik (Persero) Tbk Unuk Wilayah Jawa Tunu (2006) : Analisis Time Series Penjualan Produk Semen di PT. Semen Gresik, PT. Semen Tonasa dan PT. Semen Padang dengan Menggunakan Meode ARIMA Box-Jenkins. 3

4 PENDAHULUAN Laar Belakang Permasalahan Tujuan Peneliian Baasan Masalah Manfaa Peneliian Faka di lapangan Penjualan semen oleh PT. Semen Gresik cenderung meningka dari ahun ke ahun dan cenderung menurun pada bulan yang di dalamnya erdapa periode libur lebaran (biasanya berlangsung selama sau minggu sebelum dan sesudah lebaran) Peramalan yang didasarkan pada kalender Islam aau peramalan dengan model variasi kalender. Dapa meningkakan keakuraan hasil peramalan jika dibandingkan dengan peneliian sebelumnya yang menggunakan meode ARIMA Box-Jenkins. 4

5 PENDAHULUAN Laar Belakang Permasalahan Tujuan Peneliian Baasan Masalah Manfaa Peneliian Permasalahan yang akan dibahas dalam peneliian ini adalah 1. Bagaimana model peramalan yang sesuai dengan daa volume penjualan semen di PT. Semen Gresik? 2. Bagaimana hasil peramalan volume penjualan semen di PT.Semen Gresik unuk enam bulan mendaang? 5

6 PENDAHULUAN Laar Belakang Permasalahan Tujuan Peneliian Baasan Masalah Manfaa Peneliian Tujuan yang akan dicapai pada peneliian ini adalah : 1. Menyusun model peramalan yang sesuai dengan daa volume penjualan semen di PT. Semen Gresik. 2. Mengeahui hasil peramalan volume penjualan semen di PT.Semen Gresik unuk enam bulan mendaang. 6

7 PENDAHULUAN Laar Belakang Permasalahan Tujuan Peneliian Baasan Masalah Manfaa Peneliian Pada peneliian ini, variabel yang dielii adalah variabel volume penjualan semen PT. Semen Gresik seiap bulan yaiu dimulai pada bulan uari 2001 hingga Mare

8 PENDAHULUAN Laar Belakang Permasalahan Tujuan Peneliian Baasan Masalah Manfaa Peneliian Manfaa yang akan diperoleh pada peneliian ini adalah dapa memberikan informasi kepada PT. Semen Gresik mengenai kebuuhan semen enam periode mendaang, sehingga dapa digunakan sebagai masukan berkaian dengan perencanaan produksi, penjadwalan, penyediaan jumlah armada ransporasi, maupun disribusi ke agen-agen pemasaran. 8

9 TINJAUAN PUSTAKA Konsep Dasar Time Series Meode ARIMA Box-Jenkins Meode Analisis Variasi Kalender Time series adalah serangkaian pengamaan erhadap suau variabel yang diambil dari waku ke waku dan dicaa secara beruruan menuru uruan waku kejadiannya dengan inerval waku yang eap (Wei, 1990). Pada saa 1, 2, 3,, n pengamaan suau dere berkala membenuk suau dere dan mempunyai variabel random Z dengan fungsi, Z, Z, Z n disribusi bersama adalah F ( Z, Z, Z, Z ). Dalam analisis ime series, daa 1 pengamaan 2 3 n yang disimbolkan dengan Z disyarakan mengikui proses sokasik. Menuru Wei (1990) proses sokasik adalah suau kelompok daa berdasarkan waku yang ersusun oleh variabel Ζ ( ω, ) random dimana ω adalah ruang sampel dan adalah indeks waku 9

10 TINJAUAN PUSTAKA Konsep Dasar Time Series Meode ARIMA Box-Jenkins Meode Analisis Variasi Kalender Model ARIMA dalam peramalan menghendaki adanya kesasioneran daa. Apabila daa idak sasioner dalam varians dapa dilakukan ransformasi dan apabila daa idak sasioner dalam mean dapa dilakukan proses differencing (pembedaan). Secara umum, model ARIMA ini diuliskan dengan noasi ARIMA (p,d,q), dimana p menyaakan orde dari proses auoregressive (AR), d menyaakan pembedaan (differencing), dan q menyaakan orde dari proses moving average (MA). p d q 1 φ B... φ B )(1 B) Zɺ = 1 θ B... θ B a ( 1 p 1 ( q ) Prosedur Box-Jenkins adalah suau prosedur sandar yang banyak digunakan dalam pembenukan model ARIMA. Secara umum prosedur ini memiliki empa ahapan, yaiu ahap idenifikasi model semenara, ahap esimasi parameer, ahap pemeriksaan diagnosik, dan ahap peramalan. 10

11 TINJAUAN PUSTAKA Konsep Dasar Time Series Meode ARIMA Box-Jenkins Meode Analisis Variasi Kalender Analisis variasi kalender menuru Bell dan Hillmer (1983) erbagi menjadi dua bagian, yaiu variasi perdagangan dan variasi liburan. Kasus yang hampir sama di Indonesia adalah efek lebaran, eruama pada sekor ekonomi. Ide dasar dari model variasi kalender adalah µ y = µ + x dimana adalah komponen deerminisik unuk menghiung variasi kalender sedangkan x adalah proses ARIMA unuk menghiung sisaan y yang masih belum dijelaskan oleh komponen variasi kalender. 11

12 TINJAUAN PUSTAKA Konsep Dasar Time Series Meode ARIMA Box-Jenkins Meode Analisis Variasi Kalender µ Mean deerminisik ( ) dapa diwakili oleh rend, fakor musiman dan efek variasi kalender, sehingga model variasi kalender yang erbenuk adalah sebagai beriku : S θq( B) ΘQ( B ) y = α0 + α1 + β1d1, β( L 1) D( L 1), + γ CV + a S φ p( B) Φ P ( B ) dimana D 1, D2, D( L 1) adalah dummy waku dalam sau periode musiman dan CV adalah variabel dummy efek variasi kalender, bernilai 1 jika pada observasi ke- erjadi efek variasi kalender dan bernilai 0 unuk yang lain. Unuk mendapakan esimasi α, β dan γ adalah dengan cara meregresikan anara variabel respon ( y )dengan variabel dummy. Residual dari hasil regresi ersebu dimodelkan ARIMA. 12

13 METODOLOGI PENELITIAN Sumber Daa dan Variabel Peneliian Meode Analisis Langkah Analisis Daa yang digunakan dalam peneliian ini adalah daa sekunder volume penjualan semen oleh PT. Semen Gresik dalam sauan on selama periode uari 2001 hingga Mare Sehingga banyaknya daa yang digunakan adalah 111 pengamaan, dengan 96 daa in-sample unuk pembenukan model, dan 15 daa ou-sample unuk memeriksa keepaan model. 13

14 METODOLOGI PENELITIAN Sumber Daa dan Variabel Peneliian Meode Analisis Langkah Analisis Meode analisis saisik yang digunakan dalam peneliian ini adalah meode ARIMA Box-Jenkins dan meode analisis variasi kalender. Dari kedua meode ersebu dibandingkan nilai RMSE dari masing-masing meode dan nilai RMSE yang paling kecil iulah meode yang akan digunakan unuk meramal 6 periode yang akan daang. 14

15 METODOLOGI PENELITIAN Sumber Daa dan Variabel Peneliian Meode Analisis Langkah Analisis Berdasarkan meode analisis yang akan digunakan maka beriku ini akan dijelaskan langkah-langkah yang harus dilakukan pada masing-masing meode. A. Meode ARIMA Box-Jenkins B. Meode Analisis Variasi Kalender 15

16 Diagram Alur ARIMA Box-Jenkins Daa Mulai Membagi daa menjadi dua, insample dan ou sample Idenifikasi melalui Plo Time Series dan ACF Apakah Daa Sasioner? ya Idenifikasi model dengan mengunakan plo ACF dan plo PACF Tidak Varian : ransformasi Mean : differencing Peneapan Model Semenara Pendugaan dan Pengujian Parameer Asumsi Residual Terpenuhi? ya Model Terbaik (berdasarkan insample dan ou sample) Tidak Selesai 16

17 Diagram Alur Meode Analisis Variasi Kalender Mulai Daa Membagi daa menjadi dua, in-sample dan ou-sample Idenifikasi dengan Plo Time Series Pembenukan Variabel Dummy Pembenukan Model Regresi Dummy Membua Plo ACF dan PACF residual Apakah ada lag yang keluar? idak Pendugaan Model Semenara ya Memodelkan residual dengan model ARIMA Penaksiran dan Pengujian Parameer Model idak Uji asumsi residual erpenuhi? ya Model Terbaik (berdasarkan in-sample dan ou-sample) Selesai 17

18 Definisi Variabel Dummy D 1, D 2, D 11, PL 1 = 0 1 = 0 1 = 0 1 = 0 Jika periode adalah bulan uari Lainnya Jika periode adalah bulan Februari Lainnya Jika periode adalah bulan November Lainnya Jika periode erdapa periode libur lebaran Lainnya 18

19 ANALISIS DATA dan PEMBAHASAN Model ARIMA Box-Jenkins Model Variasi Kalender Perbandingan Model Idenifikasi Model Semenara , ,8 0,6 penjualan Auocorrelaion 0,4 0,2 0,0-0,2-0,4-0, , Monh Year , Lag Daa penjualan semen elah sasioner dalam varians namun belum sasioner dalam mean ( lag urun lamba mendekai nol ) sehingga perlu dilakukan differencing reguler. 19

20 ANALISIS DATA dan PEMBAHASAN Model ARIMA Box-Jenkins Hasil Differencing Reguler Model Variasi Kalender Perbandingan Model diff Monh Year Plo ime series berbenuk naik urun-naik urun (berflukuasi) dan apabila diarik garis lurus diengah-engah plo (nilai nol) maka akan erliha bahwa plo akan mengikui garis lurus ersebu sehingga dapa disimpulkan bahwa daa volume penjualan semen dengan differencing 1 ini sudah sasioner dalam mean. 20

21 ANALISIS DATA dan PEMBAHASAN Model ARIMA Box-Jenkins Model Variasi Kalender Perbandingan Model Dugaan Model Semenara (Differencing Reguler) Auocorrelaion 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 Parial Auocorrelaion 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Lag Plo ACF membenuk pola Cus Off seelah lag ke 1 karena garis yang keluar dari baas adalah garis ke 1 (lag ke-1) eapi erdapa pula lag yang keluar baas yaiu pada lag ke 12, 13, 22, 23 dan 35. Semenara iu, plo PACF membenuk pola Cus Off pada lag ke-1 dan lag lain yang keluar baas adalah lag ke 7, 8, 10,11,12 dan 22. Dugaan model yang memenuhi adalaharima(0,1,1)(0,0,1)12, ARIMA (1,1,1)(1,0,0) 12, ARIMA (1,1,1)(0,0,1) 12, ARIMA (1,1,1)(1,0,1) 12, ARIMA ([1,11,12,22], 1,0), ARIMA ([11,12],1,1), ARIMA ([11,12],1,[1,35] dan ARIMA ([1,7,8,10,11,12,22],1,[1,12,13,22,23,35]). 21

22 ANALISIS DATA dan PEMBAHASAN Model ARIMA Box-Jenkins Model Variasi Kalender Perbandingan Model Dugaan Model Semenara (Differencing Reguler dan Musiman) 1,0 1,0 0,8 0,8 0,6 0,6 Auocorrelaion 0,4 0,2 0,0-0,2-0,4-0,6 Parial Auocorrelaion 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0-0,8-1, Lag Lag Gambar di aas merupakan plo ACF dan PACF daa volume penjualan semen seelah dilakukan differencing regular dan musiman. Dapa dikeahui bahwa plo ACF sudah sasioner dalam musiman sehingga dugaan model yang sesuai adalah ARIMA (1,1,1)(0,1,0)12, ARIMA (2,1,1)(0,1,0) 12, ARIMA ([1,2,22],1,0) (0,1,0) 12 dan ARIMA(0,1,[1,22,23])(0,1,0)

23 Uji Signifikansi Paramaer MODEL Parameer Esimasi P-value Kepuusan MA 1 0,60715 < 0,0001 signifikan ARIMA(0,1,1)(0,0,1) 12 MA12-0,5907 < 0,0001 signifikan AR 1 0, ,1047 idak signifikan ARIMA(1,1,1)(1,0,0) 12 AR 12 0,6054 < 0,0001 signifikan MA 1 0,87918 < 0,0001 signifikan AR 1 0, ,0095 signifikan ARIMA(1,1,1)(0,0,1) 12 MA 1 0,89402 < 0,0001 signifikan MA 12-0,58934 < 0,0001 signifikan AR 1 0, ,0365 signifikan AR 12 0, ,0322 signifikan ARIMA(1,1,1)(1,0,1) 12 MA 1 0,89113 < 0,0001 signifikan MA 12-0,3329 0,0599 idak signifikan AR 1-0,34587 < 0,0001 signifikan ARIMA([1,11,12,22],1,0) AR 11 0, ,0002 signifikan AR 12 0,607 < 0,0001 signifikan AR 22-0, ,0011 signifikan AR 11 0,29147 < 0,0001 signifikan ARIMA([11,12],1,1) AR 12 0, ,0007 signifikan MA 1 0,62159 < 0,0001 signifikan AR 11 0, ,0029 signifikan ARIMA([11,12],1,[1,35]) AR 12 0,5096 < 0,0001 signifikan MA 1 0,582 < 0,0001 signifikan MA 35-0, ,006 signifikan 23

24 Uji Signifikansi Paramaer MODEL Parameer Esimasi P-value AR 1-0, ,0766 Kepuusan idak signifikan AR 7-0,0664 0,4877 idak signifikan AR 8-0, ,6847 idak signifikan AR 10-0, ,758 idak signifikan AR 11 0,2537 0,0227 signifikan ARIMA ([1,7,8,10,11,12,22], 1,[1,12,13,22,23,35]) AR 12 AR 22 MA 1 0, ,031 0, ,0022 0,8564 0,0536 signifikan idak signifikan idak signifikan MA 12 0, ,8759 idak signifikan MA 13-0, ,3908 idak signifikan MA 22 0, ,2721 idak signifikan MA 23-0, ,101 idak signifikan MA 35-0, ,1798 idak signifikan ARIMA(1,1,1)(0,1,0) 12 AR 1 MA 1-0, ,7709 0,7587 < 0,0001 idak signifikan signifikan AR 1 0,1263 0,3105 idak signifikan ARIMA(2,1,1)(0,1,0) 12 AR 2 0, ,0852 idak signifikan MA 1 0,93804 < 0,0001 signifikan AR 1-0,64856 < 0,0001 signifikan ARIMA([1,2,22],1,0)(0,1,0) 12 AR 2-0, ,0034 signifikan AR 22-0, ,0002 signifikan MA 1 0,81828 < 0,0001 signifikan ARIMA(0,1,[1,22,23])(0,1,0) 12 MA 22 MA 23 0, , ,0008 0,0191 signifikan signifikan 24

25 Uji Whie Noise Model Lag 6 12 Uji L-jung Box Keerangan ARIMA(0,1,1)(0,0,1) 12 Chi-square DF P-value 14,82 4 0, , , , , ,38 22 < 0,001 73,86 28 < 0,001 89,45 34 < 0,001 Tidak Whie Noise ARIMA(1,1,1)(0,0,1) 12 Chi-square DF P-value 5,06 3 0,1673 9,68 9 0,377 14, , , ,007 42, , , ,0052 Tidak Whie Noise Chi-square 3,96 5,79 12, ,01 31,03 ARIMA([1,11,12,22],1,0) DF Whie noise P-value 0,1382 0,6707 0,5884 0,653 0,6325 0,5154 ARIMA([11,12],1,1) Chi-square DF P-value 4,79 3 0,1874 7,76 9 0, , , , , , ,14 45, ,0782 Tidak Whie Noise Chi-square 4,82 5,98 12,72 30,92 32,72 40,78 ARIMA([11,12],1,[1,35]) DF Whie noise P-value 0,0899 0,649 0,5484 0,0562 0,1705 0,1375 Chi-square 4,27 9,94 17,38 21,14 23,99 37,01 ARIMA([1,2,22],1,0)(0,1,0) 12 DF Whie noise P-value 0,2334 0,3554 0,2968 0,4505 0,6309 0,2888 Chi-square 0,74 6,09 15,54 23,64 27,86 38,76 ARIMA(0,1,[1,22,23])(0,1,0) 12 DF Whie noise P-value 0,8643 0,7312 0,4132 0,3109 0,4182 0,

26 Uji Normalias MODEL D P-value Keerangan ARIMA([1,11,12,22],1,0) 0, ,1477 Berdisribusi normal ARIMA([11,12],1,[1,35]) 0, > 0,1500 Berdisribusi normal ARIMA([1,2,22],1,0)(0,1,0) 12 0, ,101 Berdisribusi normal ARIMA(0,1,[1,22,23])(0,1,0) 12 0, > 0,1500 Berdisribusi normal 26

27 Pemilihan Model ARIMA MODEL D P-value Keerangan ARIMA([1,11,12,22],1,0) 0, ,1477 Berdisribusi normal ARIMA([11,12],1,[1,35]) 0, > 0,1500 Berdisribusi normal ARIMA([1,2,22],1,0)(0,1,0) 12 0, ,101 Berdisribusi normal ARIMA(0,1,[1,22,23])(0,1,0) 12 Kesimpulan yang dapa diperoleh dengan mengacu pada abel di aas adalah model ARIMA ([11,12],1,[1,35]) merupakan model ARIMA erbaik karena memiliki nilai MSE dan MAPE yang erkecil yaiu sebesar dan 0, dan model maemaisnya adalah Z = Z 1 + 0,27672 Z ,23288Z 12 0, 5096 Z 13 + a 0, ,582 a 1 + 0, 30211a 35 > 0,1500 Berdisribusi normal + 27

28 ANALISIS DATA dan PEMBAHASAN Model ARIMA Box-Jenkins Model Variasi Kalender Perbandingan Model Volume Penjualan Monh Year Volume penjualan semen PT. Semen Gresik berkorelasi posiif dengan waku (). Selain iu juga dikeahui pada saa erjadi periode libur lebaran, volume penjualan semen mengalami penurunan. 28

29 ANALISIS DATA dan PEMBAHASAN Model ARIMA Box-Jenkins Model Variasi Kalender Perbandingan Model Berdasarkan pola ersebu maka model variasi kalender dengan variabel dummy berdasarkan pola seasonal dan pola rend yang erbenuk adalah sebagai beriku : Y = D1, D2, D3, dimana: : dummy daa yang mengandung rend : dummy bulan dalam 1 ahun : variabel dummy periode libur lebaran D 4, 18447D5, 9731D6, D7, D8, D9, D10, D11, PL D 1,, D2,, D11, PL + 29

30 ANALISIS DATA dan PEMBAHASAN Model ARIMA Box-Jenkins Model Variasi Kalender Perbandingan Model Uji Whie Noise pada Residual Model Regresi Dummy lag Uji L-jung Box Q P-value Keerangan 6 35,940 0, Tidak Whie noise 12 37,543 0, Tidak Whie noise 18 43,911 0, Tidak Whie noise 24 72,620 0, Tidak Whie noise 30 95,237 0, Tidak Whie noise ,047 0, Tidak Whie noise Dari hasil pengujian asumsi residual dikeahui bahwa residual pada model regresi mengandung auokorelasi, sehingga perlu dilakukan analisis lebih lanju dengan melakukan pemodelan ARIMA pada residualnya. 30

31 ANALISIS DATA dan PEMBAHASAN Model ARIMA Box-Jenkins Model Variasi Kalender Perbandingan Model Uji Normalias pada Residual Model Regresi Dummy 99, Mean -6,00267E-10 SDev N 96 KS 0,080 P-Value 0,129 Percen , RESI Dari hasil pengujian asumsi residual dikeahui bahwa residual pada model regresi dummy berdisribusi normal. 31

32 ANALISIS DATA dan PEMBAHASAN Model ARIMA Box-Jenkins Model Variasi Kalender Perbandingan Model 1,0 1,0 0,8 0,8 0,6 0,6 Auocorrelaion 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1,0 Parial Auocorrelaion 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Lag Lag Dugaan Model Residual Pola ACF signifikan pada lag 1, lag 2, dan lag 24 sedangkan pada Gambar 9 erliha bahwa pola PACF signifikan pada lag 1, lag 19 dan lag 24 sehingga dugaan model ARIMA yang memenuhi adalah ARIMA (1,0,1), ARIMA (1,0[1,24]) dan ARIMA([1,24],0,0). 32

33 Esimasi dan Uji Signifikan Parameer Model ARIMA Residual Model Parameer Coefisien P-value Keerangan ARIMA(1,0,1) AR 1 MA 1 0, ,55494 < 0,0001 0,0063 Signifikan Signifikan AR 1 0,68121 < 0,0001 Signifikan ARIMA (1,0[1,24]) MA 1 0, ,0133 Signifikan MA 24 0, ,0009 Signifikan ARIMA([1,24],0,0) AR 1 AR 24 0, , ,0047 < 0,0001 Signifikan Signifikan 33

34 Uji Asumsi Residul Uji Whie Noise Model Lag 6 Uji L-jung Box Keerangan Chi-Square 2,51 8,04 16,23 35,57 40,27 48,49 ARIMA(1,0,1) DF Tidak Whie Noise P-value 0,6432 0,6245 0,4371 0,0337 0,0625 0,0512 Chi-Square 3,48 9,13 16,38 22,74 26,82 39,38 ARIMA (1,0[1,24]) DF Whie Noise P-value 0,323 0,4253 0,3573 0,3578 0,4735 0,206 Chi-Square 7,07 13,04 20,22 27,15 31,45 43,69 ARIMA([1,24],0,0) DF Whie Noise P-value Uji Normalias 0,1323 0,2216 0,2103 0,2057 0,2976 0,1235 Model D P-value Keerangan ARIMA (1,0[1,24]) 0, >0,1500 Berdisribusi normal ARIMA([1,24],0,0) 0, >0,1500 Berdisribusi normal 34

35 Pemilihan Model Variasi Kalender Krieria in-sample Krieria Ou-sample Model AIC SBC MSE MAPE ARIMA(1,0,[1,24]) 2364, , ,10067 ARIMA([1,24],0,0) 2361, , ,12306 Kesimpulan yang dapa diperoleh dengan mengacu pada Tabel di aas adalah model regresi dummy dengan kombinasi ARIMA (1,0,[1,24]) merupakan model variasi kalender erbaik karena memiliki nilai MSE dan MAPE yang erkecil yaiu sebesar dan 0,

36 Y Model Maemais = 0 + β1 + β 2D1, + β 2D2, + + β12d11, + β13 β PL + ε dengan Y ε (1 θ B θ B = a (1 φ1) ) sehingga = , , ,7 D1, , 6 D2, ,3 D 3, ,6 D4, 24121, 5 D5, 11307,9 D 6, ,4 D7, ,6 D8, D9, ,1 D10, ,8 D11, , 9 PL (1 0,45854 B 0,42169 B + (1 0,68121B) 24 ) a 36

37 ANALISIS DATA dan PEMBAHASAN Model ARIMA Box-Jenkins Model Variasi Kalender Perbandingan Model MODEL ARIMA Variasi Kalender MSE RMSE 83956, ,02 Model yang mempunyai nilai RMSE paling kecil adalah pada model variasi kalender dengan nilai RMSE sebesar 83832,02 sehingga model peramalan yang erbaik yang digunakan unuk meramalkan daa volume penjualan semen PT.Semen Gresik adalah model variasi kalender. 37

38 KESIMPULAN DAN SARAN Kesimpulan Saran Dari analisis yang elah dilakukan maka kesimpulan yang dapa diambil adalah sebagai beriku. 1. Model peramalan yang sesuai dengan daa volume penjualan semen oleh PT. Semen Gresik adalah model variasi kalender. 2. Hasil peramalan volume penjualan semen di PT. Semen Gresik unuk enam bulan mendaang adalah sebagai beriku : Periode April 2010 Mei 2010 Juni 2010 Juli 2010 Agusus 2010 Sepember 2010 Volume Penjualan Semen (on) , , , , , ,6 38

39 KESIMPULAN DAN SARAN Kesimpulan Saran Dari hasil analisis yang elah dilakukan, diperkirakan penjualan eringgi selama enam bulan mendaang akan erjadi pada bulan Agusus dan penjualan erendah akan erjadi pada bulan Sepember. Berdasarkan hal ersebu maka diharapkan pihak Semen Gresik lebih bijak dalam mengambil kepuusan dalam hal perencanaan produksi, penjadwalan, penyediaan jumlah armada ransporasi, maupun disribusi ke agen-agen pemasaran. Unuk peneliian selanjunya, dapa diambahkan meode yang lebih bervariaif sehingga idak hanya membandingkan dua meode peneliian, seperi : ARIMAX aaupun Neural Nework (NN). 39

40 DAFTAR PUSTAKA Anonim. (2008). PT. Semen Gresik (Persore) Tbk. hp:// (anggal akses: 15 uari 2010). Bell, W.R. dan Hilmer, S., (1983). Modelling Time Series Wih Calendar Variaion. Journal of American Saisical Associaion, 78, Bowerman, B.L. dan O Connell, D., (1993). Forecasing and Time Series: An Applied Approach, 3rd ediion. California: Duxbury Press. Cryer, D. J. (1986). Time Series Analysis, Universiy of IOWA PWS-KENT Publishing Company, Boson. Daniel, W.W. (1989). Saisika Nonparamerik Terapan. Jakara : PT.Gramedia. Drapper, N.R. dan Smih, H. (1992). Analisis Regresi Terapan, Edisi kedua, Jakara : PT. Gramedia Pusaka Uama. Hindaro, Probo (2008). Mengenal Maerial Semen, Jenis dan Aplikasinya Unuk Rumah Tinggal. hp://asudioarchiec.com/2009/06/ mengenal-maerial-semen-jenis-dan.hml (anggal akses : 15 Februari 2010) Kamaliah, N., (2008). Laporan Tugas Akhir Peramalan Volume Penjualan Konveksi dan Non Konveksi dengan Pendekaan Model Kombinasi Tren Deerminisik dan Sokasik (Sudi Kasus di Amigo Pedan dan Amigo Sukoharjo), Tugas Akhir, FMIPA Saisika ITS. 40

41 DAFTAR PUSTAKA Makridakis, W.,Mc Gee, (1999). Meode dan Aplikasi Peramalan, Edisi kedua, Bina Rupa Aksara, Jakara. Rasyid, N.R.,(2009). Laporan Tugas Akhir Peramalan Perminaan Baju Muslim Anak-Anak di Dannis Collecions, Tugas Akhir, FMIPA Saisika ITS. Roviq, A.A., (2001). Laporan Tugas Akhir Opimalisasi Pendisribusian Semen PPC di PT. Semen Gresik (Persero) Tbk dan Unuk Wilayah Jawa, Tugas Akhir, FMIPA Saisika ITS. Seyo,T.R., (2006). Laporan Tugas Akhir Analisis Time Series Terhadap Penjualan Produk Semen di PT. Semen Gresik, PT. Semen Tonasa dan PT. Semen Padang, Tugas Akhir, FMIPA Saisika ITS. Suharono. (2006). Calender Variaion Model for Forecasing Time Series Daa wih Islamic Calender Effec. Jurnal Maemaika, Sains, & Teknologi, 7, 2 : Suharono dan Aok, R.M., (2006), Sudi Perbandingan Model ren Deerminisic, ren Sokasik, Kombinasi ren deerminisik dan Sokasik, dan Neural Nework pada Daa Time Series, hp:// ( anggal akses : 15 januari 2010) Wei, W.W.S., (1990). Time Series Univariae and Mulivariae Mehods. Addison Wesley Publishing Company, Inc. 41