ANALISIS PENJUALAN PRODUK PENINGGI BADAN DI JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA MENGGUNAKAN METODE ARIMA

Abstract

Analisis data runtun waktu bertujuan untuk memprediksi data runtun waktu beberapa periode ke depan berdasarkan data di masa lalu. Adapun tujuan utama dari penelitian ini adalah untuk memprediksi penjualan produk peninggi badan TIENS di provinsi Jawa Tengah dan Daerah Istimewa Yogyakarta dengan menggunakan model ARIMA(p,d,q). Data yang digunakan berupa data bulanan dari bulan Januari 2013 sampai dengan bulan Agustus 2017. Penelitian ini membahas tentang langkah-langkah analisis runtun waktu dengan menggunakan metode Box-Jenkins. Metode ini terdiri dari beberapa tahap, yaitu identifikasi model dilakukan dengan pengidentifikasian model yang dianggap paling sesuai dengan melihat plot ACF dan PACF dari correlogram. Tahap estimasi parameter dilakukan dengan penaksiran diagnostik untuk menguji kesesuaian dari parameter-parameter yang didapat pada tahap sebelumnya. Setelah model yang sesuai teridentifikasi maka langkah selanjutnya adalah menggunakan model tersebut untuk peramalan. Hasil dari penelitian ini menunjukkan bahwa model ARIMA(0,1,1) memberikan hasil nilai peramalan yang baik dengan nilai AIC dan SIC terkecil. Hal ini terbukti pada data peramalan penjualan peninggi badan TIENS di provinsi Jawa Tengah dan Daerah Istimewa Yogyakarta.

Time series data analysis aims to predict the next periods of data based on past data. The main purpose of this research is to predict the sales of TIENS supplement improve bone density in the provinces of Central Java and Special Region of Yogyakarta by using models of ARIMA(p, d, q). The data used in the form of monthly data from January 2013 until August 2017. This study discusses the steps of time series using Box-Jenkins method. This method consists of several voids, that’s the model identification is done by identifying the model that’s considered the most appropriate to see the ACF and PACF plots of the correlogram. Estimated parameter stage is performed by diagnostic assessment to test the conformity of the parameters obtained in the previous stage. Once the appropriate model is identified then the next step is to use the model for forecasting. Results of this study indicate that the ARIMA model (0,1,1) gives a good forecasting result with the smallest AIC and SIC value. This is evident in the data forecasting sales of TIENS suplement improve bone density in the provinces of Central Java and the Special Region of Yogyakarta.