APLIKASI
PERENCANAAN PEMBELIAN BARANG PADA
PERUSAHAAN
MANGGALA MOTOR DENGAN MENGGUNAKAN METODE
ARIMA
Tujuan
Aplikasi
dibuat dengan menggunakan metode ARIMA (Autoregressive-Integrated-Moving
Average). Hasil dari aplikasi ini berupa informasi mengenai jumlah
penjualan yang mungkin terjadi pada periode berikutnya. Melalui peramalan
terhadap penjualan pada periode mendatang ini, diharapkan perusahaan akan mempunyai persediaan barang yang
mencukupi.
Metodologi
Penelitian
Metode ARIMA (Autoregressive-Integrated-Moving
Average)
Model-model Autoregressive/Integreated/ moving Average (ARIMA) telah dipelajari secara mendalam oleh George
Box dan Gwilym Jenkins pada tahun 1976, dan nama mereka sering disinonimkan
dengan proses ARIMA yang diterapkan untuk analisis deret berkala, peramalan dan
pengendalian.
Menurut Box dan Jenkins [3], prosedur untuk membangun
model ARIMA terdiri dari:
Identifikasi model
sementara dengan menggunakan data masa lalu untuk mendapatkan model dari
ARIMA
Penaksiran atau
estimasi parameter dari model ARIMA dengan menggunakan data masa lalu. 
Pengujian
dilakukan untuk menentukan model yang paling memenuhi untuk melakukan penerapan
peramalan. Penerapan, yaitu
peramalan nilai data deret berkala yang akan datang menggunakan model yang
telah diuji. DESAIN SISTEM
Proses-proses yang terdapat pada Gambar 1 merupakan
proses yang terdapat pada peramalan dengan menggunakan metode ARIMA.
Proses-proses tersebut terdiri dari proses Identifikasi, Penaksiran Parameter,
Pengujian Parameter, dan Penerapan Model Peramalan.
Proses identifikasi diawali dengan perhitungan Autocorrelation Function (ACF) untuk
mengetahui apakah data yang digunakan dalam peramalan bersifat stasioner. Jika
data tidak bersifat stasioner maka data tersebut akan dilakukan differencing.
Jika data sudah stasioner dilanjutkan dengan identifikasi model sementara dari
hasil perhitungan Autocorrelation Function (ACF), dan Partial Autocorrelation
Function (PACF).
|
Yulia, Aplikasi
Perencanaan Pembelian Barang pada Perusahaan Manggala Motor dengan Menggunakan Metode Arima 127
|
Hasil dari model sementara yang telah diidentifikasi
sebelumnya, proses selanjutnya adalah penaksiran parameter. Proses penaksiran parameter
yaitu menentukan model AR, MA, dan model ARMA, proses pengujian model dilakukan
dengan menghitung MSE (Mean Square Error)
dari masingmasing model. Hasil MSE
inilah dapat ditentukan model yang paling optimal.
Hasil Pengujian Model
Sementara menunjukan model tersebut jika layak digunakan dalam peramalan, maka
dilakukan proses peramalan dengan menggukan data penjualan perusahaan Manggala
Motor. Hasil dari proses peramalan akan diperoleh informasi mengenai jumlah
permintaan yang mungkin terjadi untuk periode yang akan datang.
Gambar 1.Flowchart Sistem ARIMA
Gambar 1.Flowchart Sistem ARIMA
Proses penerapan ini yaitu mengecek data tersebut intermittent atau tidak, jika data intermittent maka dilakukan proses peramalan Croston [4], jika tidak maka data peramalan menggunakan metode model ARIMA. Pada proses peramalan Croston, nilai MSE dihitung dan dibandingkan dengan model ARIMA, jika nilai MSE Croston lebih kecil dibandingkan dengan Model Croston, jika tidak maka model yang digunakan adalah model ARIMA. Proses ini dapat dilihat pada Gambar 6 (keterangan: Zl adalah model ARIMA dan P adalah rata-rata interarrival dari permintaan).
Kesimpulan
Aplikasi dapat memberikan informasi mengenai jumlah permintaan
yang mungkin akan terjadi pada periode mendatang.
Hasil pengujian yang dilakukan model yang paling
banyak digunakan untuk melakukan peramalan yaitu model Autoregressive Model
(AR), yaitu model ARIMA (2,0,0) dan ARIMA (1,0,0). Hasil ini dapat berbeda pada
kasus lain.
DAFTAR PUSTAKA
1. Rangkuti,
F., 2005, Great sales forecasting for
marketing. Jakarta: Gramedia Pustaka Utama.
2. Bowerman,
B.L. and O’Connell, R.T., 1993, Time
series and forcasting: An applied approach (3rd ed.). Boston: Duxbury
Press.
3.
Box, G.E.P. and Jenkins, G.M., 2008, Time series analysis forcasting and control
(Wiley Series in Probability and Statistic). Oakland, California.
4. Croston,
J. D., 1972, Forecasting and stock
control for intermitten demands, Operational Research Quarterly.
