blog.ub.ac.idblog.ub.ac.id/anggitashinhwa/files/2013/03/...mpo.docxweb viewdata dari ms.word lalu ....
TRANSCRIPT
Resume Hasil Praktikum MPO
Peramalan sebuah data diperlukan dalam sebuah perusahaan, hal ini
berguna untuk memperkirakan masa depan usahanya, sehingga hasil dari
peramalan setiap orang tentulah berbeda-beda. Peramalan adalah seni dan ilmu
untuk dilakukan dengan melibatkan pengambilan data historis dan
memproyeksikannya ke masa yang akan dating. Peramalan ini menggunakan data
time series dimana data ini berdasarkan runtutan waktu dengan data (responden)
yang tetap, sehingga peramalan ini lebih menekankan pada ramalan waktu yang
akan datang.
Metode peramalan menggunakan model ARIMA (Auto Regressive
Integrate Moving Average), yang merupakan gabungan dari AR (Auto
Regressive) + MA (Moving average).
Cara peramalan memperhatikan tiga aspek yaitu simple, moving, dan average.
Dimana cara dan metode tersebut dapat secara mudah diaplikasikan dalam
program minitab. Program ini berguna untuk mempermudah pengerjaan dalam
peramalan sebuah data. Berikut langkah-langkah dari:
A. Grafik Time Series Plot
1. Copy data dari Ms.Word lalu paste kedalam program Minitab
2. Klik stat => time series => time series plot (untuk melihat grafik)
3. Pilih grafik sample => klik ok
4. Isi kolom time series plot dengan data “kebutuhan kedelai”, seperti
dibawah ini:
5. Klik ok
6. Akan muncul grafik time serie plot dari kebutuhan kedelai (kg)
Dari grafik tersebut terlihat bahwa jelas adanya peningkatan dan
penurunan dalam kebutuhan kedelai pada jangka waktu 52 minggu. Pada
grafik ditunjukkan bahwa adanya peningkatan kebutuhan kedelai yang
tinggi hampir 3200 Kg kedelai namun ada pula tingkat kebutuhan kedelai
terendah sebesar kurang dari 1800 Kg.
B. Grafik Moving Average Plot
Keterangan:
Pada kolom varible:
- Actual: menunjukkan data grafik yang asli
- Fits: menunjukkan data grafik yang layak/pas
- Forecasts: menunjukkan data peramalan
Pada kolom Accurancy
- MAPE: menunjukkan tingkat kesalahan
Maka dapat disimpulkan pada gambar grafik diatas bahwa tingkat dalam
peningkatan kebutuhan kedelai untuk menghasilkan produksi yang optimal
terdapat pada daerah grafik antara grafik peramalan ke atas hingga garis biru
tersebut. Peramalan yang ditunjukkan pada garis hijau cenderung normal
dikarenakan siklus naik-turun garis atau grafik forecasts cenderung stabil.
C. Pengukuran Data Melalui Grafik Smoothing (Single Exponential Method)
Dari grafik diatas menjelaskan bahwa untuk mencukupi kebutuhan kedelai (Kg) sekitar 2500-2600 (Kg) untuk hasil yang lebih optimal lagi, maka besarnya kebutuhan kedelai harus diatas garis peramalan yakni sekitar 2800 Kg kedelai.
D. Pengukuran Data Melalui Grafik Smoothing (Double Exponential Method)
Pada grafik ini, sedikit berbeda dengan sebelumnya, dimana sebelumnya
adalah grafik yang menggunkan single exponential method dan pada grafik
diatas menggunakan double exponential method. Letak perbedaannya adalah
pada kolom smoothing constant dan accurancy meansures. Pada grafik single
exponential method hanya memiliki alpha pada kolom smoothing constant
sedangkan pada grafik double exponential method selain alpha juga terdapat
nilai gamma. Untuk kolom accurancy meansures terdapat perbedaan nilai pada
MAPE, jika pada grafik single sebesar 4,8 sedangkan pada grafik double
memiliki nilai tingkat kesalahan lebih besar yaitu sebesar 5,2.
NOTE:Perbedaan penggunaan analisis Smoot Vs analisis Moving
- Analisis moving menggunakan indicator waktu yang digunakan, sedangkan smoot menggunakan optima ARIMA
- Lebih bagus menggunakan analisis smoot dari pada analisis moving
E. Grafik Peramalan yang Dipengaruhi Musim
Grafik diatas menunjukkan kebutuhan kedelai per Kg yang dipengaruhi
oleh musim. Grafik peramalan menunjukkan bahwa kebutuhan kedelai yang
harus dipenuhi pada kisaran 1800 Kg-2600 Kg. Selain itu terdapat perbedaan
pula pada grafik sebelumnya, dimana pada kolom smoothing constant terdapat
indeks “delta”
Setelah mengetahui grafik-grafik peramalan, maka selanjutnya adalah mencari
data yang akan dimasukkan kedalam perhitungan ARIMA. Tujuan model ini
adalah untuk menentukan hubungan statistik yang baik antar variabel yang diramal
dengan nilai historis variabel tersebut sehingga peramalan dapat dilakukan dengan
model tersebut. Dimana pada dasarnya bentuk dari ARIMA adalah (p, d, q). P adalah
partial, d adalah different, dan q adalah auto
Berikut langkah-langkanya:
A. Perhitungan Auto1. Masih menggunakan data yang sama dari awal2. Klik Stat => Time series => Autocorrelation
3. Isi kolom Series dengan data C2 (Kebutuhan Kedelai (Kg))
4. Klik Ok5. Muncul Grafik Autocorellation Function of Kebutuhan Kedelai (Kg)
Pada grafik tersebut bahwa terdapat 2 garis (garis berwarna biru) yang
menempel pada garis maksimal (garis berwarna merah). Inilah yang
menunjukkan banyaknya auto yang berada pada data tersebut.
B. Partial1. Masih data yang sama2. Klik Stat => Time series => Partial Autocorellation
3. Isi kolom series dengan data C2 (kebutuhan kedelai (Kg))
4. Klik Ok5. Akan muncul grafik Partial Autocorellation Function for Kebutuhan
Kedelai (Kg)
Pada grafik ini dapat dijelaskan bahwa terdapat 4 garis (warna biru) yang
hampir dan mendeketi garis mak-min (warna merah). Sehingga dapat dikatan
pula bahwa terdapat 4 partial.
C. Different1. Masih menggunakan data yang sama2. Klik Stat => Time series => Different
3. Masukkan data C2 (kebutuhan kedelai (Kg)) pada kolom series4. Isi kolom store of different dengan cell yang akan digunakan untuk
menempatkan data baru
5. Klik OK6. Akan muncul data baru sebagai berikut:
Data baru inilah yang nantinya digunakan dalam memasukkan data ARIMA.
Berikut langkah-langkah analisis ARIMA
A. Auto1. Menggunakan data yang baru2. Langkah-langkah sama
Data baru
3. Penentuan Auto Terdapat 2 autoB. Partial
1. Menggunakan data yang baru2. Langkah-langkah sama
3. Penentuan partial Terdapat 3 partial
C. ARIMA1. Klik Stat => Time series => ARIMA
2. Isi kolom series dengan data C2 (kebutuhan kedelai)
3. Klik forecast4. Isi kolom ARIMA-Forecast. Kolom lead isi nilai sebesar 13. Nilai ini
menunjukkan jumlah data yang kira-kira pasti. Kolom origin isi nilai sebesar 51. Nilai ini menujukkan nilai pembanding satu untuk 52 jumlah data yang ada.
5. Klik Ok6. Maka akan tampil hasil seperti ini:
Pengujian metode ARIMA dilakukan berkali-kali hingga mendapatkan (p, d,
q) yang signifikan. Hasil yang signifakan dilihat dari hasil tabel probability (prob)
pada hasil uji ARIMA. Hasil signifikan jika nilai prob < 0,05, maka dengan hal ini
dapat dihasilkan bahwa peramalan memiliki dugaan yang tepat dan sangat
signifikan.