Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan

Transkripsi

1 SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : DOSEN PEmbimbing: Dr. Drs Agus Suharsono, MS. 16/06/2014 1

2 Latar Belakang Putra jaya Motor Bangkalan 16/06/2014 2

3 Rumusan Masalah Bagaimana deskripsi pada data tingkat penjualan ban luar sepeda motor di Toko Putra Jaya Motor Bangkalan? Bagaimana hasil pemodelan dan peramalan (forecast) dimasa yang akan datang pada data tingkat penjualan ban luar sepeda motor di Toko Putra Jaya Motor Bangkalan? 16/06/2014 3

4 Penelitian Sebelumnya 1. Wahyu Harini ( ) Analisis Peramalan Volume Penjualan Gula di PT. Perkebunan Nusantara X (persero) dengan Metode ARIMA BOX-JENKINS 2. Vivien Medyaningsih ( ) Analisis Peramalan Penjualan Mobil Xenia Di Astra Internasional Panglima Sudirman Surabaya dengan Menggunakan Metode ARIMA 16/06/2014 4

5 Tujuan Penelitian Mengetahui gambaran hasil deskripsi penjualan ban luar sepeda motor Mengetahui hasil peramalan (forecast ) penjualan ban luar sepeda motor dimasa yang akan datang 16/06/2014 5

6 Manfaat Penelitian Bagi Pengelola Toko Bagi Peneliti dapat membantu pengelola dalam memperkirakan seberapa besar jumlah penjualan ban luar sepeda motor pada periode mendatang, sehingga pihak pengelola dapat memperkirakan jumalah ban yang harus di sediakan. dapat mengaplikasikan penyelesaian permasalahan yang ada dilingkungan sekitar dengan metode statistika yang sesuai dalam hal ini adalah analisis time series terhadap penjualan ban luar sepeda motor di Toko Putra Jaya Motor Bangkalan. 16/06/2014 6

7 Batasan Masalah data penjualan ban luar sepeda motor perminggu di Toko Putra Jaya Motor Bangkalan mulai dari Bulan Agustus 2012-Desember Jenis barang yang akan di analisis merupakan data tingkat penjualan Ban Luar Sepeda Motor Sepeda Motor 16/06/2014 7

8 STATISTIKA DESKRIPTIF Statistik deskriptif lebih berkenaan dengan pengumpulan dan peringkasan data, serta penyajian hasil peringkasan tersebut. Penyajian tabel dan grafis yang digunakan dalam statistika deskriptif dapat berupa distribusi frekuensi, presentasi grafis seperti histogram, Pie chart dan sebagainya [Riduwan, 2003] 16/06/2014 8

9 ANALYSIS TIME SERIES Analisis time series dikenal sejak tahun 1970 oleh George E. P. Box dan Gwilym M. Jenkins melalui bukunya Time Series Analysis : Forecasting and Control. Time Series adalah pengamatan sekarang (z t ) tergantung pada 1 atau beberapa pengamatan sebelumnya (z t-k ) Dalam dunia bisnis, hasil peramalan mampu memberikan gambaran tentang masa depan perusahaan yang memungkinkan manajemen membuat perencanaan, menciptakan peluang bisnis maupun mengatur pola investasi perusahaan. 16/06/2014 9

10 STASIONERITAS Suatu deret pengamatan dikatakan stasioner, apabila proses tidak berubah seiring dengan perubahan waktu. Box-Cox memberi alternatif transformasi untuk membantu menstasionerkan data dalam varians. seperti pada tabel di bawah ini Lambda ( λ) Transformasi 1 Z t 1 Z t 0.0 Ln Z t 0.5 Z t 1.0 Zt(tidak ada transformasi) 16/06/

11 AUTOKORELASI (ACF) Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu variabel. Korelasi ini terjadi antar waktu atau individu. Autokorelasi sering terjadi pada sampel dengan data bersifat time series. Uji Durbin Watson adalah cara untuk mendeteksi autokorelasi, ˆ ρ k ˆ γ n k ( Z Z k t= 1 t t 1 = = n ˆ γ 0 ( Z t= t Z ) 1 ) 16/06/

12 Autokorelasi Parsial (PACF) Autokorelasi parsial adalah kestasioneran deret pengamatan suatu deret waktu. (Iriawan dan Astuti, 2006) ˆ φ k + 1, k + 1 ˆ ρ : ρautocorrelation function (ACF) φ : Autoregresife parsial (PACF) k + 1 j= 1 = k 1 j= 1 kj untuk j=1,2,,k k ˆ φ ˆ φ kj ˆ ρ ˆ ρ k + 1 j j 16/06/

13 ARIMA Autoregressive Integrated Moving Average Model ARIMA menggunakan pendekatan iteratif dalam indentifikasi terhadap suatu model yang ada. Model yang dipilih diuji lagi dengan data masa lampau untuk melihat apakah model tersebut menggambarkan keadaan data secara akurat atau tidak. Suatu model dikatakan sesuai (tepat) jika residual antara model dengan titiktitik data historis bernilai kecil, terdistribusi secara acak dan bebas satu sama lainnya. 16/06/

14 Langkah-langkah Mencari Nilai Parameter Model Dengan cara mencoba-coba (trial and error) Perbaikan secara iterative 16/06/

15 Uji Parameter Model H 0 : parameter model tidak signifikan H 1 : parameter model signifikan Thitung= φˆ p st. dev( φˆ p ) Tolak H o : jika T hitung > Z atau jika nilai P value < α α 16/06/

16 Pemeriksaan Diagnostik Model Uji Residual White Noise H o : tidak ada korelasi antar lag atau residual, bersifat W.N H 1 : ada korelasi antar lag atau residual, tidak bersifat W.N Statistik Uji : Q = n(n+2) K n ρ k = ( k) ˆ k Keterangan : n : banyaknya pengamatan yang dilakukan ˆk 2 ρ : residual pada lag ke-k Tolak H o jika > χ atau P value < Q 2 ( 1 α ); df = k p q α 16/06/

17 Uji Asumsi Residual Normal Hipotesis: H 0 : F (e) = F 0 (e), untuk semua nilai e H 1 : F (e) Statistik Uji : D = sup S (e) F 0 (e) F 0 (e), untuk sekurang-kurangnya sebuah nilai e Tolak Ho jika D hitung > D (1-,n) atau jika nilai P value < α α 16/06/

18 Pemilihan Model Terbaik IN SAMPLE OUT SAMPLE AIC (Akaike s Information Criterion) MSE SBC (Schwartz s Bayesian Criterion) MAPE 16/06/

19 Ban Luar SEPEDA Motor Ban adalah peranti yang menutupi velg suatu roda. Ban merupakan bagian penting dari kendaraan darat, yang digunakan untuk mengurangi getaran yang disebabka ketidak teraturan permukaan jalan, melindungi roda dari aus dan kerusakan. [Akukha, 2010] 16/06/

20 Putra Jaya Motor 16/06/

21 TINJAUAN PUSTAKA 16/06/

22 Sumber Data DATA SEKUNDER PENJUALAN BAN LUAR SEPEDA MOTOR PEROODE Agustus 2012-Desember /06/

23 Variabel Penelitian Variabel yang menjelaskan karakteristik barang-barang yang di jual yaitu Ban Luar Sepeda Motor. Data tersebut digunakan dengan alasan, karena memiliki jumalah penjualan paling tinggi jika dibandingkan dengan barang lainnya yang di jual di Toko Putra Jaya Motor. 16/06/

24 Langkah Penelitian IDENTIFIKASI dengan transformasi Identifikasi arima dan diagnostic model FORECASTING 16/06/

25 ANALISIS DAN PEMBAHASAN 16/06/

26 Statistika Deskriptif Merk Mean Variance Min Median Max Skewness FDR 32,15 135, ,5 61 0,04 IRC 21,66 57, ,18 16/06/

27 Analisis Time Series Pada Penjualan Ban Luar Merk FDR 16/06/

28 Identifikasi Time Series Plot of Penjualan Ban Luar FDR in sample Box-Cox Plot of Penjualan Ban Luar FDR Lower CL Upper CL Lambda (using 95.0% confidence) Index Estimate 0.58 Lower CL 0.04 Upper CL 1.20 Rounded Value 0.50 StDev Limit Lambda 16/06/

29 Autocorrelation Function for Penjualan Ban Luar Merk FDR (with 5% significance limits for the autocorrelations) Autocorrelation Partial Autocorrelation Function for Penjualan Ban Luar Merk FDR (with 5% significance limits for the partial autocorrelations) Lag Partial Autocorrelation Lag 16/06/

30 Estimasi Parameter Model Parameter Estimasi Standar Error t P value ARIMA ([4],0,2) MA1,1-0,6188 0, ,15 0,0001 MA1,2-0,4608 0, ,92 0,0002 AR1,1 0,3832 0, ,98 0,0042 signifikan ARIMA (1,0,2) MA1,1-1,0798 0,1154-9,35 0,0001 MA1,2-0,7566 0, ,6 0,0001 AR1,1-0,4498 0, ,74 0, /06/

31 Diagnostic Checking Model ARIMA ([4],0,2) ARIMA (1,0,2) Hingga Lag Chike- Square df P value 6 2,61 3 0, ,40 9 0, , , , , ,84 3 0, ,19 9 0, , , , ,5326 White noise Model Statistik (D) P value ARIMA ([4],0,2) 0, ,1500 ARIMA (1,0,2) 0, ,1500 Distribusi Normal 16/06/

32 Pemilihan Model Terbaik Model In sample Out sample AIC MSE MAPE ARIMA ([4],0,2) 469, , ,71404 ARIMA (1,0,2) 471, , , /06/

33 Pengujian Ketepatan Peramalan 60 Variable actual forecasting Data Variable actual forecasting Index Actual Forecasting Data Index /06/

34 forecasting Periode Ramalan kedepan FDR Januari minggu 1 (69) 31,6621 Januari minggu 2 (70) 35,7415 Januari minggu 3 (71) 27,8409 Januari minggu 4 (72) 30, /06/

35 Analisis Time Series Pada Penjualan Ban Luar Merk IRC 16/06/

36 Identifikasi irc Index /06/

37 15.0 Lower CL Upper CL Lambda (using 95.0% confidence) Estimate Lower CL Upper CL 0.52 Rounded Value 0.00 StDev Limit Lambda Lower CL Upper CL Lambda (using 95.0% confidence) Estimate Lower CL Upper CL 2.79 Rounded Value StDev Limit Lambda /06/

38 Autocorrelation Lag ln Index /06/

39 16/06/ Lag Autocorrelation Lag Partial Autocorrelation

40 Estimasi Parameter Model Parameter Estimasi ARIMA (1,0,0) Standar Error t Pvalue AR1, , ,26 0,0018 ARIMA ([1,17],0,0) AR1,1 0, , ,32 0,0015 AR1, , , /06/

41 Diagnostic Checking Model hingga Chisquare lag kedf P value ARIMA (1,0,0) 6 2,93 5 0, , , , , , ,1353 ARIMA ([1,17],0,0) 6 4,10 4 0, , , , , , ,3708 Model Statistik (D) P-value ARIMA (1,0,0) 0, ,1500 ARIMA ([1,17],0,0) 0, , /06/

42 Pemilihan Model Terbaik Model Insample Outsample AIC MSE MAPE ARIMA (1,0,0) -117, ,959 34,09 ARIMA ([1,17],0,0) 177,9 268,642 41,71 16/06/

43 Pengujian Ketepatan Peramalan Variable insample forecasting Data Variable actual forecasting Index actual forecasting Data Index /06/

44 forecasting Bulan Ramalan IRC Januari minggu 1 (69) 18,24845 Januari minggu 2 (70) 22,17554 Januari minggu 3 (71) Januari minggu 4 (72) 15, /06/

45 Kesimpulan Dan Saran 16/06/

46 Kesimpulan Merk Mean Variance Min Median Max Skewness FDR 32,15 135, ,5 61 0,04 IRC 21,66 57, ,18 Periode Ramalan Penjualan FDR Januari minggu 1 (69) 32 Januari minggu 2 (70) 36 Januari minggu 3 (71) 28 Januari minggu 4 (72) 31 Bulan Ramalan IRC Januari minggu 1 (69) 18 Januari minggu 2 (70) 22 Januari minggu 3 (71) 20 Januari minggu 4 (72) 16 16/06/

47 Saran Model pada analisis time series untuk data tingkat penjualan ban luar sepeda motor merk FDR dan IRC hanya digunakan untuk 4 periode mendatang Sedangkan untuk minggu-minggu berikutnya perlu dilakukan analisis time series ulang untuk mendapatkan model terbaik sehingga pengolahan yang dilakukan dapat memprediksi tingkat penjualan ban luar merk FDR dan IRC untuk mingguminggu berikutnya. 16/06/

48 16/06/