Ti me se ser i es dan Analisis Statistik Hasil Plastik: Studi Kasus di dan
Industri Finoplastika, Nigeria
1.
Pendahuluan
Studi kasus dilakukan terhadap industri plastik baik berupa injeksi maupun ekstrusi. Plastik injeksi berupa plastik dalam negeri (misalnya ember, gelas, sendok, dan lain-lain), perabotan plastik (misalnya kursi, meja, dan lain-lain) dan plastik industri (misalnya penutup toilet, cover laptop, cover televisi, dan lain-lain). Mesin injeksi digunakan untuk membuat bentuk dan ukuran dari plastik. Namun, mesin injeksi tidak digunakan dalam produksi plastik ekstrusi (yaitu pipa). Mesin ekstrusi digunakan dalam produksi ekstrusi plastik. Mesin ekstrusi dapat menghasilkan pipa yang berbeda bentuk dan ukuran. Penelitian ini menggunakan data produksi yang dikumpulkan dari perusahaan dan dianalisis untuk memahami arus pola produksi dan perilaku sistem produksi. Kemudian dilakukan pengujian untuk model data kecukupan. Tujuannya adalah untuk menguji men guji kecocokan setiap model yang dikembangkan oleh data. Untuk menghasilkan grafik histogram dilakukan pengembangan akumulasi untuk masingmasing produk. Untuk mengembangkan grafik untuk uji homogen dari data produk.
2.
ser i es Pengantar Analisis Ti me se
Metode time series adalah series adalah teknik statistik yang menggunakan data permintaan historis untuk memprediksi permintaan di masa mendatang. mendat ang. Metode time series memperhitungkan kemungkinan struktur internal dalam data time series yang series yang sering muncul ketika pemantauan proses industri atau pelacakan bisnis perusahaan metrik. Perbedaan penting antara pemodelan data melalui metode time series series dan menggunakan proses pemantauan metode yang dibahas sebelumnya dalam bab ini adalah sebagai berikut:
Jumlah analisis time series untuk kenyataannya bahwa poin data diambil dari waktu ke waktu yang memiliki struktur internal (seperti autokorelasi, tren atau variasi musiman) yang harus
dipertanggungjawabkan. Bagian ini akan
memberikan
gambaran singkat dari beberapa teknik yang digunakan lebih luas dalam pertumbuhan yang lebih cepat dan banyak menggunakan analisis dan pemodelan time series.
2.1.
Dua Tujuan Utama Analisis Ti me seri es
Ada dua tujuan utama dari analisis time series: a. Mengidentifikasi kealamian dari fenomena yang diwakili oleh urutan pengamatan b. Peramalan (memprediksi nilai-nilai yang akan datang pada variabel time series) Kedua tujuan ini mengharuskan pola data time series yang diamati diidentifikasi dan lebih atau kurang dijelaskan secara resmi. Setelah pola didirikan, dapat ditafsirkan dan diintegrasikan dengan data lain (misalnya, menggunakannya dalam
teori
tentang
penyelidikan
fenomena,
misalnya,
harga
komoditas
musiman). Terlepas dari kedalaman pemahaman dan validitas interpretasi (teori) dari fenomena tersebut, bisa diperkirakan pola yang diidentifikasi untuk memprediksi kejadian masa depan.
2.2.
Dua Aspek Umum Pola Ti me seri es
Kebanyakan pola time series dapat digambarkan dalam dua kelas dasar komponen: trend dan musiman. Itu merupakan bentuk linear umum sistematis atau komponen nonlinier yang berubah dari waktu ke waktu dan tidak ulangi atau setidaknya tidak berulang dalam rentang waktu yang dapat ditangkap oleh data. Yang terakhir ini mungkin memiliki bentuknya mirip alam (misalnya, sebuah dataran tinggi diikuti oleh pertumbuhan periode eksponensial), namun berulang atas waktu interval sistematis. Dua kelas komponen time series dapat hidup berdampingan dalam data. Sebagai contoh, penjualan perusahaan dapat berkembang pesat selama bertahun-tahun tapi mereka masih mengikuti konsisten pola musiman (misalnya,
sebanyak 25% dari penjualan tahunan masing-masing tahun yang dibuat pada bulan desember, sedangkan hanya 4% pada bulan Agustus).
2.3.
Analisis Time-Series dan Peramalan
Time series adalah urutan pengamatan yang diperoleh melalui pengukuran tercatat dalam spasi interval. Seringkali, data time series memiliki karakteristik yang memfasilitasi peramalan. Ini termasuk musiman, yang mendasari tren, dan hubungan dengan pengamatan terakhir atau variabel kausal lainnya. Analis ini dapat meningkatkan peramalan time series jika mereka memahami sifat dari komponen ini dan mengidentifikasi model yang terbaik akan pengeksploitasian karakteristik data itu. Tujuan bab ini adalah untuk memberikan sinopsis analisis time series dan peramalan. Bagian pertama dalam membahas karakteristik data time series. Ini mengkaji komponen umum yang berguna dalam menciptakan perkiraan efektif seperti trend , musiman, perilaku siklis, dan fluktuasi tidak teratur. Bab ini diakhiri dengan pengenalan peramalan time series dan gambaran peramalan proses pengembangan model.
2.4.
Karakteristik dari Data Ti me Series
Time series adalah kumpulan pengamatan yang dilakukan berurutan dalam waktu. Contohnya adalah catatan dari tingkat lokal curah hujan harian, gross produk domestik triwulanan AS, dan kekuatan personil korps marinir bulanan untuk peringkat tertentu dan MOS. Analisis time series menyediakan alat untuk memilih model yang representatif dan peramalan produksi. Ada dua jenis data time series: 1. Berkelanjutan, di mana data berisi observasi pada setiap waktu instan, misalnya, aktivitas seismik direkam pada seismogram. 2. Discrete, di mana data berisi observasi yang diambil pada interval, misalnya angka kejahatan bulanan.
Kecuali data acak yang murni, pengamatan dalam waktu seri biasanya berkorelasi dan pengamatan sebagian berturut-turut mungkin ditentukan oleh nilainilai masa lalu. Misalnya, faktor-faktor meteorologi yang mempengaruhi suhu pada setiap hari tertentu cenderung mengerahkan beberapa pengaruh pada cuaca di hari berikutnya. Dengan demikian, sejarah pengamatan suhu yang bermanfaat dalam meramalkan suhu yang akan datang. Serangkaian waktu deterministik jika tidak mengandung acak atau karakteristik probabilistik tetapi hasil dalam tetap. Contoh dari time series deterministik akan menjadi data yang dikumpulkan. Lebih berlaku untuk aplikasi ekonometrik adalah stokastik time series. Variabel stochastik memiliki aspek tak tentu atau acak. Meskipun nilai-nilai pengamatan individu tidak dapat diprediksi dengan tepat, mengukur distribusi pengamatan dapat mengikuti pola yang diprediksi. Model
statistik
dapat
menggambarkan
pola-pola
ini.
Model
ini
mengasumsikan bahwa pengamatan bervariasi secara acak tentang nilai rata-rata yang mendasari merupakan fungsi dari waktu. Data time series juga dapat dicirikan oleh satu atau lebih perilaku komponen, trend , musiman, perilaku siklis, dan acak.
2.5.
Tr end Component
Trend adalah arus umum atau kecenderungan yang diamati dalam satu set data dari waktu ke waktu. Ini adalah arah yang mendasari (ke atas atau kecenderungan ke bawah) dan
derajat
perubahan
dalam
pengamatan
dalam mengatur
kapan
pertimbangan telah dibuat untuk komponen lainnya. Grafik time series dapat menjadi metode berguna dan sederhana untuk mengidentifikasi set data tren tertentu. Hal ini menunjukkan tren yang meningkat dari produk domestik bruto AS selama rentang sepuluh tahun. Analis juga dapat membedakan tren dengan membagi kumpulan data menjadi
beberapa
rentang,
dan
menghitung
rata-rata
untuk
masing-masing
rentang. Sebuah peningkatan yang konsisten atau penurunan rata-rata untuk rentang berturut-turut menunjukkan tren. Tren bisnis atau seri ekonomi mungkin karena pertumbuhan atau proses kontraksi. Tren dalam pelayanan tingkat tenaga kerja
mungkin disebabkan oleh faktor ekonomi eksternal atau shift dalam kebijakan karena inovasi teknis, perampingan, atau peningkatan atau penurunan kebutuhan operasional spesialisasi kerja.
2.6.
Komponen musiman
Dalam data time series, komponen musiman adalah elemen variasi dalam satu set data yang tergantung pada waktu tahun. Musiman adalah cukup umum dalamtime series ekonometrik. Sekarang kurang umum di bidang teknik dan ilmiah data. Ini komponen berulang setiap tahun, dengan kemungkinan variasi amplitudo. Musiman adalah disebabkan perubahan musim dan / atau waktu kejadian seperti hari libur atau awal atau penyelesaian istilah sekolah. Sebagai contoh, biaya segar memproduksi, tingkat penjualan ritel, rata-rata jumlah curah hujan harian, dan angka pengangguran semua menunjukkan variasi musiman. Memasukkan musiman di ramalan berguna ketika time series memiliki komponen musiman yang dilihat. Ketika Data mengandung efek musiman, hal ini berguna untuk memisahkan musiman dari komponen lain dalam kurun waktu tertentu. Ini memungkinkan analisis untuk memperkirakan dan memperhitungkan pola musiman.
2.7.
Komponen Siklus
Perilaku Siklus menggambarkan komponen non-musiman yang berosilasi dalam pola yang dikenali. Jika data yang termasuk dilihat pada siklus komponen, time series harus dalam rentang cukup untuk model siklus akurat dan dampaknya dapat diramalkan. Perilaku siklus dimana osilasi memperpanjang waktu yang panjang lebih sangat jangka (seperti 20 tahun) sering bisa akurat dimodelkan sebagai kecenderungan untuk prakiraan jangka pendek.
2.8.
Komponen yang Tidak Teratur
Sebuah
komponen
penting
dari
data
stochastik time series adalah
meningkat. Gangguan acak ini adalah apa yang tersisa setelah komponen lain dari seri (tren, musiman, dan perilaku siklis) diperkirakan dan dieliminasi. Ini hasil dari fluktuasi dalam seri yang tidak sistematis atau diprediksi. Sementara komponen yang tidak teratur biasanya memiliki dampak sederhana pada upaya untuk menganalisis, model dan perkiraan data time series, kadang-kadang dapat memiliki efek yang signifikan. Efek dari 1973 OPEC yaitu organisasi dari negara pengekspor minyak pada ekonomi AS adalah contoh konsekuensi substansial fluktuasi yang tidak teratur dan kadang-kadang dapat timbul pada data time series.
2.9.
Ti me-Series F orecasti ng
Model peramalan time series univariat membuat prediksi dengan ekstrapolasi perilaku masa lalu dari nilai-nilai tertentu variabel bunga tunggal. Pengamatan berturut-turut secara time series ekonometrik biasanya tidak independen dan peramalan dapat dibuat dari pengamatan sebelumnya. Sementara perkiraan yang tepat yang mungkin dengan waktu deterministic, perkiraan time series stochastik yang terbatas pada pernyataan bersyarat tentang masa depan berdasarkan asumsi tertentu. Menurut Armstrong, "dasar Asumsi adalah bahwa variabel akan berlanjut di yang akan datang seperti yang telah ada di masa lalu”. Secara khusus, permalan time series sesuai untuk data stokastik dimana penyebab variasi tren, perilaku siklis, musiman, dan fluktuasi tidak teratur, tidak berubah secara signifikan terhadap waktu. Oleh karena itu, pemodelan sering lebih tepat untuk jangka pendek daripada jangka panjang peramalan.
2.10.
Prakiraan Berdasarkan Data Time series
Menurut Stevenson, time series adalah waktu memerintahkan urutan observasi yang diambil secara berkala (Misalnya, per jam, harian, mingguan, bulanan, triwulan
dan tahunan). Data merupakan pengukuran permintaan, pendapatan, keuntungan, pengiriman, kecelakaan, output , curah hujan, produktivitas, dan indeks harga konsumen. Teknik peramalan berdasarkan data time series yang dibuat pada asumsi bahwa nilai-nilai masa depan dapat diperkirakan dari nilai-nilai masa lalu. Meskipun tidak ada upaya yang dilakukan untuk mengidentifikasi variabel yang mempengaruhi. Metode ini banyak digunakan, sering dengan hasil yang cukup memuaskan. Analisis data time series membutuhkan analisis untuk mengidentifikasi perilaku yang mendasari. Ini sering dapat dicapai hanya dengan memplot data dan memeriksa plot secara visual. Satu atau lebih pola mungkin muncul yaitu tren, variasi musiman, siklus, atau variasi. Selain itu, akan ada random dan mungkin variasi yang tidak teratur. Perilaku ini dapat digambarkan sebagai berikut. 1. Trend mengacu pada jangka panjang atas atau ke bawah gerakan dalam data. Populasi bergeser, berubah pendapatan, dan perubahan budaya menjelaskan gerakan. 2. Musiman mengacu pada jangka pendek, variasi cukup teratur umumnya terkait dengan faktor-faktor seperti kalender atau waktu. Restoran, supermarket, dan pengalaman teater mingguan dan bahkan variasi harian "musiman". 3. Siklus variasi seperti gelombang yang durasinya lebih dari satu tahun. Ini sering terkait dengan berbagai ekonomi, politik, dan bahkan kondisi pertanian. 4. Variasi yang tidak teratur adalah karena kondisi yang tidak biasa seperti kondisi cuaca buruk, pemogokan, atau besar perubahan dalam produk atau jasa. Mereka tidak mencerminkan perilaku khas dan dimasukkan ke dalam yang dapat merusak gambaran keseluruhan. Bila mungkin, ini harus diidentifikasi dan dihapus dari data. 5. Variasi acak adalah variasi residual yang tetap setelah semua perilaku lain telah diperhitungkan.
3.
Metode yang Digunakan
Metode penelitian yang digunakan dalam penelitian ini adalah pendekatan penelitian kuantitatif. Data yang dikumpulkan adalah catatan harian produksi pipa plastik lebih dari satu bulan selama tiga tahun. Metode yang digunakan adalah teknik time series untuk jumlah pipa (ukuran dan bentuk) yang akan diproduksi di industri menggunakan alat prediksi yaitu: Excel dan Minitab untuk pengembangan model dan peramalan hasilnya. Model yang digunakan ini dikembangkan untuk memprediksi jumlah aktual produk pipa plastic, seharusnya industri memproduksi setiap bulan. Model yang digunakan dikembangkan untuk menguji jumlah jenis/ukuran pipa plastik, diidentifikasi dan diproduksi termasuk pipa limbah 110mm, tekanan pipa 20mm, pipa tekanan 50mm, 25mm pipa tekanan, 160mm pipa limbah, pipa tekanan 140mm, tekanan 40mm pipa dan pipa tekanan 90mm. Plot 3D dari jumlah produk P1 pipa plastik ini adalah untuk menguji homogenitas data. Hal ini untuk menunjukkan apakah Data yang dikumpulkan adalah nyata.
Gambar 1. Plot 3-D Homogenitas untuk P1
Gambar 1 adalah tampilan tiga dimensi dari produk P1, hasilnya menunjukkan bahwa banyak yang kedalam dan tidak melebihi batas Ini berarti bahwa data untuk P1 (yaitu hasil produksi dalam unit) merupakan produk data industri manufaktur.
Gambar 2. Plot 3-D Homogenitas untuk P2
Gambar 2 adalah tampilan 3-dimensi dari produk P2, hasilnya menunjukkan bahwa mereka jatuh dalam dan tidak melebihi batas. Ini berarti bahwa data untuk P2 (yaitu hasil produksi dalam unit) produk data real Industri manufaktur
Gambar 3. Plot 3-D Homogenitas untuk P3
Gambar 3 adalah tampilan tiga dimensi dari produk P3, hasilnya menunjukkan bahwa mereka mengarah ke dalam dan tidak melebihi batas. Ini berarti bahwa data untuk P3 (yaitu hasil produksi dalam unit) merupakan produk data yang nyata dalam industri manufaktur.
Gambar 4. Plot 3-D Homogenitas untuk P4
Gambar 4 adalah tampilan tiga dimensi dari produk P4, hasilnya menunjukkan bahwa arahnya jatuh ke dalam dan tidak melebihi batas. Ini berarti bahwa data untuk P4 (yaitu hasil produksi dalam unit) merupakan produk data nyata dari industri manufaktur. Begitu juga hasilnya hingga produk P8.
Gambar 5. Plot 3-D Homogenitas untuk P5
4.
Hasil Pembahasan
Hal ini didasarkan pada hasil yang ditemukan dari analisis, dan juga tabel dan grafik yang dikembangkan. Analisis time series digunakan untuk analisis dan mengamati data perilaku yang dikumpulkan Plot probabilitas normal menunjukkan bahwa data tersebut terdistribusi normal yang berarti bahwa data cukup atau cocok untuk pemodelan. Hasil penelitian menunjukkan bahwa mereka yang tidak acak di sekitar nol karena itu berarti model yang memadai dan data adalah data linear. Histogram plot uji normalitas adalah untuk menunjukkan tingkat dari diakumulasinya frekuensi produk 3D untuk pipa plastik yaitu menguji homogenitas data. Hal ini untuk menunjukkan apakah data yang dikumpulkan nyata. Hasilnya menunjukkan bahwa ketika mereka jatuh dalam dan none melebihi batas, hal ini berarti bahwa data adalah data real industri manufaktur.
