ANALISIS VARIASI KALENDER TERHADAP DATA PENJUALAN OBLONG DEWASA
                         PADA TOKO GRANADA

              ...
Tabel 1 data tanggal lebaran dan ramalan penjualan terbesar


                               Lebaran                      ...
Gambar 2. Ploting metode dekomposisi

       gambar 2 di atas dapat dijelaskan bahwa dengan menggunakan metode dekomposisi...
Time Series Plot of diff 12


                                               1.0


                                       ...
Gambar 5 adalah gambar ACF dan PACF data differencing 12 volume penjualan oblong dewasa,
dapat dijelaskan bahwa ACF cut of...
DF            11 23 35 47
P-Value     0.858 0.085 0.110 0.267
       Setelah 3 metode di atas, ada 1 metode yang dapat di ...
signifikan, maka salat satu cara adalah di hilangkan variable tersebut. Hasil setelah variable D10
di hilangkan adalah seb...
Dekomposisi                                    37.8413                     0.1455

Winter’s                               ...
Time Series
Upcoming SlideShare
Loading in …5
×

Time Series

2,025 views
1,948 views

Published on

Motode analisis variasi kalender

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
2,025
On SlideShare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
83
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Time Series

  1. 1. ANALISIS VARIASI KALENDER TERHADAP DATA PENJUALAN OBLONG DEWASA PADA TOKO GRANADA PANDU PASA ( 1308 100 516 ) Pasa_production@yahoo.com a. Ploting Data Volume Penjualan Oblong Dewasa Pada Toko Granada Periode 2002 – 2008 Time Series Plot of y(t) 11 3.0 2.5 11 10 2.0 11 12 10 y(t) 1.5 10 1.0 7 7 10 11 9 3 5 7 6 6 8 3 6 4 12 7 3 78 9 6 8 10 3 45 8 10 3 456 3 8 12 7 12 0.5 12 9 2 9 12 9 56 9 1 2 45 1 45 8 11 1 12 2 4 1 12 11 2 0.0 Month Jan Jan Jan Jan Jan Jan Jan Year 2002 2003 2004 2005 2006 2007 2008 Gambar 1. Ploting Data Volume Penjualan Oblong Dewasa Pada Toko Granada Periode 2002 – 2008 Pada gambar 1 di atas, dijelaskan bahwa data volume penjualan oblong dewasa pada took Granada periode 2002 – 2008. Pada tahun 2002, volume meningkat pada bulan 11, hal ini di karenakan lebaran tepat pada tanggal 6 – 7 desember yang kecenderungan orang berbelanja pada hari sebelum lebaran, sehingga karena lebaran terjadi pada awal bulan desember, maka volume meningkat pada bulan sebelumnya. Hal tersebut bisa di jelaskan pada table sebagai berikut :
  2. 2. Tabel 1 data tanggal lebaran dan ramalan penjualan terbesar Lebaran Ramalan terbesar mingg tahun tanggal u bulan Bulan 2002 6 DAN 7 1 12 11, 12 2003 25 DAN 26 4 11 11 2004 14 DAN 15 3 11 11, 10 2005 3 DAN 4 1 11 10 , 11 2006 23 DAN 24 4 10 10 2007 12 DAN 13 2 10 10 , 9 2008 1 DAN 2 1 10 9 2009 21 DAN 22 4 9 9 pada tabel 1 di atas, ramalan penjualan terbesar pada tahun 2002 adalah pada bulan 11, dan 12 hal ini di karenakan lebaran tepat pada tanggal 6 dan 7 desember atau awal bulan desember sehingga orang cenderung belanja pada bulan sebelumnya. Dan untuk data laninya bisa di lihat pada tabel 1 di atas. Karena data di atas adalah data seasonal, maka untuk mendapatkan model yang terbaik ada beberapa metode yang dapat di gunakan, antara lain adalah. Dekomposisi, Winter’s, ARIMA dan Regresi Dummy. b. METODE – METODE PERMALAN ( DEKOMPOSISI, WINTER’S, ARIMA DAN REGRESI DUMMY ) Dengan menggunakan metode Dekomposisi, maka didapatkan ploting sebagai berikut : Time Series Decomposition Plot for y(t) Multiplicative Model 3.0 Variable Accuracy Measures Actual MAPE 37.8413 Fits MAD 0.2151 2.5 Trend MSD 0.1455 Forecasts 2.0 y(t) 1.5 1.0 0.5 0.0 1 10 20 30 40 50 60 70 80 90 Index
  3. 3. Gambar 2. Ploting metode dekomposisi gambar 2 di atas dapat dijelaskan bahwa dengan menggunakan metode dekomposisi, di dapatkan nilai MAPE sebesar 37.8413, nilai MSD sebesar 0.1455. dan dapat juga di lihat hasil forecast untuk bulan pada tahun berikutnya yang di jelaskan pada garis berwarna biru atau gambar segitiga. Tetapi dengan menggunakan metode ini belum tentu yang terbaik dan dapat di gunakan modelnya, karena masih ada metode lain yaitu Winter’s. berikut akan dijelaskan dengan menggunakan metode winter’s : Winters' Method Plot for y(t) Multiplicative Method 5 4 3 2 1 y(t) 0 Variable -1 Actual Smoothing Constants A ccuracy Measures A lpha (lev el) 0.1 MA PE 55.1579 Fits -2 Gamma (trend) 0.1 MA D 0.2845 Forecasts Delta (seasonal) 0.9 MSD 0.1960 95.0% PI -3 -4 1 10 20 30 40 50 60 70 80 90 Index Gambar 3. Ploting metode Winter’s Dengan menggunakan metode winter’s, di dapatkan ploting seperti pada gambar 3 di atas. Dan dapat di jelaskan bahwa dengan menggunakan nilai alpha 0.1, gamma 0.1, delta 0.9 di dapatkan hasil MAPE sebesar 55.1579 dan MSD 0.1960. dan jika di bandingkan dengan hasil dari metode dekomposisi dengan melihat niali MAPE dan MSD maka metode dekomposisi masih lebih baik dari metode winter’s karena nilai MAPE dan MSD yang lebih kecil. Selain metode Dekomposisi dan Winter’s, ada juga metode yaitu metode ARIMA, sebelum menggunakan metode ARIMA, harus di pastikan bahwa data tersebut harus stasioner. Untuk mendapatkan data yang stasioner maka di lakukan differencing 12, karena data volume penjualan oblong dewasa terjadi seasonal 12 maka dilakukan differencing 12. Dan hasil plot dari data yang di differencing 12 adalah sebagai berikut :
  4. 4. Time Series Plot of diff 12 1.0 0.5 diff 12 0.0 -0.5 -1.0 -1.5 Month Jan Jan Jan Jan Jan Jan Jan Year 2002 2003 2004 2005 2006 2007 2008 Gambar 4 ploting data differencing 12 Pada gambar 4 di atas dapat di jelaskan bahwa data sudah stasioner, hal ini dapat di jelaskan dari gambar. Sehingga sudah dapat di gunakan untuk melakukan metode ARIMA. hal yang pertama kali di lakukan untuk melakukan metode ARIMA setelah di differencing adalah melihat plot ACF dan PACF, hasil ACF dan PACF adalah sebagai berikut : Autocorrelation Function for diff 12 Partial Autocorrelation Function for diff 12 (with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations) 1.0 1.0 0.8 0.8 0.6 0.6 Partial A utocorrelation 0.4 0.4 Autocorrelation 0.2 0.2 0.0 0.0 -0.2 -0.2 -0.4 -0.4 -0.6 -0.6 -0.8 -0.8 -1.0 -1.0 1 5 10 15 20 25 30 35 40 45 1 5 10 15 20 25 30 35 40 45 Lag Lag Gambar 5 ACF dan PACF data differencing 12 volume penjualan oblong dewasa
  5. 5. Gambar 5 adalah gambar ACF dan PACF data differencing 12 volume penjualan oblong dewasa, dapat dijelaskan bahwa ACF cut off pada lag 1 dan PACF cut off pada lag 1 juga sehingga metode ARIMA yang dapat di gunakan adalah AR 1 seasonal 12 atau MA 1 seasonal 12. Dan hasil dari AR 1 seasonal 12 adalah sebagai berikut : tabel 3 hasil AR 1 ( 1 0 0 ) ( 0 1 0 )12 Final Estimates of Parameters Type Coef SE Coef T P AR 1 -0.3726 0.1208 -3.08 0.003 Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 72, after differencing 60 Residuals: SS = 6.57968 (backforecasts excluded) MS = 0.11152 DF = 59 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 9.8 36.5 49.9 56.5 DF 11 23 35 47 P-Value 0.546 0.037 0.049 0.161 Pada AR 1 seasonal 12 didapatkan hasil bahwa AR 1 signifikan karena nilai P_value < 0.05, dan white noise yang dapat di lihat dari nilai p_value > 0.05 dengan nilai MSE 0.11152 . untuk model MA 1 di dapatkan hasil yang signifikan dengan nilai P_value 0.003 berarti nilai P_Value < 0.05, dan white noise dengan nilai P_value > 0.05 dan nilai MSE sebesar 0.11061. hasil dari MA 1 dapat di lihat dari tabel 3 di wah. sehingga dapat di simpulkan bahwa yang terbaik adalah model MA 1 atau ( 0 0 1 ) ( 0 1 0 ) 12 karena nilai MSE yang lebih kecil dari MSE AR 1. tabel 3 hasil MA 1 ( 0 0 1 ) ( 0 1 0 )12 Final Estimates of Parameters Type Coef SE Coef T P MA 1 0.3807 0.1208 3.15 0.003 Differencing: 0 regular, 1 seasonal of order 12 Number of observations: Original series 72, after differencing 60 Residuals: SS = 6.52627 (backforecasts excluded) MS = 0.11061 DF = 59 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 6.2 32.8 45.5 52.6
  6. 6. DF 11 23 35 47 P-Value 0.858 0.085 0.110 0.267 Setelah 3 metode di atas, ada 1 metode yang dapat di gunakan dalam permasalahan ini, yaitu metode regresi Dummy, hasilnya adalah sebagai berikut : Regression Analysis: y(t) versus M1, M2, ... The regression equation is y(t) = 0.845 M1 + 1.25 M2 + 1.85 M3 + 2.28 M4 + 1.44 SM1 + 0.529 SM2 + 0.716 SM3 + 0.280 SM4 + 0.327 D1 + 0.311 D2 + 0.580 D3 + 0.437 D4 + 0.459 D5 + 0.576 D6 + 0.681 D7 + 0.495 D8 + 0.371 D9 + 0.130 D10 + 0.343 D11 + 0.487 D12 Predictor Coef SE Coef T P Noconstant M1 0.8453 0.1253 6.75 0.000 M2 1.2535 0.1890 6.63 0.000 M3 1.8525 0.1801 10.29 0.000 M4 2.2835 0.1367 16.71 0.000 SM1 1.4365 0.1367 10.51 0.000 SM2 0.5286 0.1731 3.05 0.004 SM3 0.7155 0.1890 3.78 0.000 SM4 0.2801 0.1306 2.14 0.037 D1 0.32717 0.06378 5.13 0.000 D2 0.31133 0.06378 4.88 0.000 D3 0.57967 0.06378 9.09 0.000 D4 0.43733 0.06378 6.86 0.000 D5 0.45933 0.06378 7.20 0.000 D6 0.57583 0.06378 9.03 0.000 D7 0.68067 0.06378 10.67 0.000 D8 0.49533 0.06378 7.77 0.000 D9 0.37139 0.07459 4.98 0.000 D10 0.1305 0.1064 1.23 0.226 D11 0.34254 0.08953 3.83 0.000 D12 0.48678 0.06711 7.25 0.000 S = 0.156234 Analysis of Variance Source DF SS MS F P Regression 20 44.2644 2.2132 90.67 0.000 Residual Error 52 1.2693 0.0244 Total 72 45.5336 Hasil regresi Dummy di atas untuk uji individu, terdapat parameter yang tidak signifikan yaitu pada variable D10 ( warna tebal ), tetapi untuk uji parameter overall hasilnya adalah signifikan, karena nilai P_value < 0.05 dengan nilai MSE sebesar 0.0244. karena ada yang tidak
  7. 7. signifikan, maka salat satu cara adalah di hilangkan variable tersebut. Hasil setelah variable D10 di hilangkan adalah sebagai berikut : Regression Analysis: y(t) versus M1, M2, ... The regression equation is y(t) = 0.866 M1 + 1.38 M2 + 1.89 M3 + 2.37 M4 + 1.52 SM1 + 0.543 SM2 + 0.846 SM3 + 0.353 SM4 + 0.327 D1 + 0.311 D2 + 0.580 D3 + 0.437 D4 + 0.459 D5 + 0.576 D6 + 0.681 D7 + 0.495 D8 + 0.357 D9 + 0.305 D11 + 0.483 D12 Predictor Coef SE Coef T P Noconstant M1 0.8659 0.1248 6.94 0.000 M2 1.3840 0.1570 8.82 0.000 M3 1.8902 0.1783 10.60 0.000 M4 2.3676 0.1188 19.94 0.000 SM1 1.5206 0.1188 12.80 0.000 SM2 0.5431 0.1735 3.13 0.003 SM3 0.8460 0.1570 5.39 0.000 SM4 0.3526 0.1170 3.01 0.004 D1 0.32717 0.06408 5.11 0.000 D2 0.31133 0.06408 4.86 0.000 D3 0.57967 0.06408 9.05 0.000 D4 0.43733 0.06408 6.82 0.000 D5 0.45933 0.06408 7.17 0.000 D6 0.57583 0.06408 8.99 0.000 D7 0.68067 0.06408 10.62 0.000 D8 0.49533 0.06408 7.73 0.000 D9 0.35689 0.07400 4.82 0.000 D11 0.30476 0.08446 3.61 0.001 D12 0.48334 0.06737 7.17 0.000 S = 0.156974 Analysis of Variance Source DF SS MS F P Regression 19 44.2277 2.3278 94.47 0.000 Residual Error 53 1.3060 0.0246 Total 72 45.5336 Dan setelah di hilangkan, maka untuk uji individunya mendapatkan hasil yang signifikan semua karena nilai P_value < 0.05, begitu juga untuk uji overall di dapatkan hasil yang signifikan karena nilai P_value < 0.05. dengan nilai MSE sebesar 0.0246. Setelah di lakukan pengujian dari ke empat metode di atas, maka di dapatkan hasil perbandingan sebagai berikut : NAMA METODE NILAI MAPE NILAI MSE / MSD
  8. 8. Dekomposisi 37.8413 0.1455 Winter’s 55.1579 0.1960 ARIMA ( 0 0 1 ) ( 0 1 0 )12 - 0.11061 Regresi Dummy - 0.0246 Dari tabel di atas dapat diketahui bahwa dari ke – 4 metode yang sudah di lakukan pengujiannya dan di dapatkan hasil MSE / MSD serta MAPE nya di simpulkan bahwa menggunakan regresi dummy adalah metode yang terbaik karena nilai MSE yang terkecil di anatara ke – 4 metode yaitu sebesar 0.0246. adapun jika di bandingkan dengan hasil dari grafik adalah sebagai berikut : Time Series Plot of y1(t), FORE dek, FORE win, fore arima 1.4 Variable y 1(t) FORE dek 1.2 FORE win fore arima 1.0 Data 0.8 0.6 0.4 0.2 1 2 3 4 5 6 7 8 9 10 11 12 Index Berikut adalah gambar grafik perbandingan 3 metode yaitu metode dekomposisi, winter’s dan ARIMA. Setelah di bandingkan ke – 4 metode, maka yang terbaik adalah metode regresi Dummy.

×