APLIKASI METODE PEMULUSAN EKSPONENSIAL GANDA DARI BROWN UNTUK PERAMALAN PRODUKSI KELAPA SAWIT PADAPT.PERKEBUNAN NUSANTARA III TAHUN 2010 DAN 2011

Transkripsi

1 APLIKASI METODE PEMULUSAN EKSPONENSIAL GANDA DARI BROWN UNTUK PERAMALAN PRODUKSI KELAPA SAWIT PADAPT.PERKEBUNAN NUSANTARA III TAHUN 2010 DAN 2011 TUGAS AKHIR EDYAN SYAHPUTRA LUBIS DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2009

2 APLIKASI METODE PEMULUSAN EKSPONENSIAL GANDA DARI BROWN UNTUK PERAMALAN PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA III TAHUN 2010 DAN 2011 TUGAS AKHIR Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ahli madya EDYAN SYAHPUTRA LUBIS DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2009

3 PERSETUJUAN Judul : APLIKASI METODE PEMULUSAN EKSPONENSIAL GANDA DARI BROWN UNTUK PERAMALAN PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA III TAHUN 2010 DAN Kategori : TUGAS AKHIR Nama : EDYAN SYAHPUTRA LUBIS NIM : Program Studi : DIPLOMA III STATISTIKA Departemen : MATEMATIKA Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA Diluluskan di Medan, Juni 2009 Diketahui Departemen Matematika FMIPA USU Ketua Pembimbing Dr. Saib Suwilo, M.Sc Drs. Djenda Djudjur Ginting,MS NIP NIP

4 PERNYATAAN APLIKASI METODE PEMULUSAN EKSPONENSIAL GANDA DARI BROWN UNTUK PERAMALAN PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA III TAHUN 2010 DAN 2011 TUGAS AKHIR Saya mengakui bahwa tugas akhir ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya. Medan, EDYAN SYAHPUTRA LUBIS

5 DAFTAR ISI Halaman Persetujuan Pernyataan Penghargaan Abstrak Daftar Isi Daftar Tabel Daftar Gambar ii iii iv v vi viii ix BAB 1 Pendahuluan Latar Belakang Tujuan dan Manfaat Ruang Lingkup Pembahasan Identifikasi Masalah Pembahasan Masalah Metode Penelitian Sistematika Penulisan 5 BAB 2 Landasan Teori Pengertian Peramalan Kegunaan Peramalan Metode Peramalan Pemilihan Teknik dan Metode Peramalan Analisa Deret Berkala Penentuan Pola Data Metode Penulisan (Smoothing) Metode Smoothing Yang Digunakan Metode Smoothing Eksponensial Ganda Satu Parameter Dari Brown Ketepatan Ramalan Beberapa Kriterian Yang Dingunakan Untuk Menguji 20 BAB 3 Sekilas Tentang PTPN III Struktur Organisasi P.T Perkebunan Nusantara III Kegiatan dan Jaringan Kerja P.T Perkebunan Nusantara III 24 BAB 4 Analisa dan Pengolaha Data 28

6 4.1 Analisa Data Analisa Pemulusan Eksponensial Ganda Linier Satu Parameter dari Brown Peramalan Dengan Smoothing Eksponensial Linier Satu Parameter dari Brown dengan α = 0, Peramalan Dengan Smoothing Eksponensial Linier Satu Parameter dari Brown dengan α = 0, Peramalan Dengan Smoothing Eksponensial Linier Satu Parameter dari Brown dengan α = 0, Nilai Kesalahan (Galat) 43 BAB 5 Implementasi Sistem Pengertian Implementasi Sistem Tahap-tahap Implementasi Pada Peramalan Produksi Kelapa Sawit Dengan Metode Smoothing Eksponensial Pengaktifan Excel Implementasi Pada Peramalan Produksi Kelapa Sawit Dengan Metode Smoothing Eksponensial 52 BAB 6 Kesimpulan dan Saran Kesimpulan Saran 57 Daftar Pustaka 58 Lampiran : Berkas

7 DAFTAR TABEL Halaman Tabel 4.1 Produksi Kelapa Sawit PT. Perkebunan Nusantara III Medan 29 Tabel 4.2 Peramalan Produksi Kelapa Sawit Dengan α = 0,1 34 Tabel 4.3 Peramalan Produksi Kelapa Sawit Dengan α = 0,5 37 Tabel 4.4 Peramalan Produksi Kelapa Sawit Dengan α = 0,9 40 Tabel 4.5 Perhitungan Ukuran Statistik Standar Untuk satu Set Kesalahan (α = 0,1) 44 Tabel 4.6 Perhitungan Ukuran Statistik Standar Untuk satu Set Kesalahan (α = 0,5) 45 Tabel 4.7 Perhitungan Ukuran Statistik Standar Untuk satu Set Kesalahan (α = 0,9) 46

8 DAFTAR GAMBAR Halaman Gambar 2.1 Pola Data Horizontal 14 Gambar 2.2 Pola Data Musiman 15 Gambar 2.3 Pola Data Siklis 15 Gambar 2.4 Pola Data Trend 16 Gambar 3.1 Struktur Organisasi P.T Perkebunan Nusantara III Medan 23 Gambar 4.1 Grafik Produksi Kelapa Sawit PT. Perkebunan Nusantara III Medan Januari 06 s/d Desember Gambar 4.2 Grafik Ramalan Produksi Kelapa sawit dari Jan 09 s/d Des 11 (α 0,1) 36 Gambar 4.3 Grafik Ramalan Produksi Kelapa sawit dari Jan 09 s/d Des 11 (α 0,5) 39 Gambar 4.4 Grafik Ramalan Produksi Kelapa sawit dari Jan 09 s/d Des 11 (α 0,9) 42 Gambar 5.1 Tampilan Cara Pengaktifan Excel Gambar 5.2 Tampilan Jendela Excel Gambar 5.3 Tampilan Menu Tools 53 Gambar 5.4 Tampilan Menu Data Analysis 53 Gambar 5.5 Tampilan Menu Exponential Smoothing 55 Gambar 5.6 Tampilan Jendela Chart atau Grafik 55

9 BAB 1 PENDAHULUAN 1.1 Latar Belakang Indonesia adalah negara Agraris. Selain wilayah Indonesia mempunyai tanah yang subur, penduduk Indonesia pun terbukti banyak bekerja di sector pertanian dan perkebunan. Dalam hal ini hasil perkebunan tidak berbeda jauh dengan hasil pertanian, khususnya hasil kelapa sawit. Budi daya kelapa sait masih merupakan produk unggulan yang menjadi andalan PT. Perkebunan Nusantara III (Persero), 77 % pendapatan perusahaan diperoleh dari penjualan komoditi ini beserta hasil olahannya seperti Minyak Sawit (CPO) dan Inti sawit (PK). PT. Perkebunan Nusantara III adalah perusahaan perkebunan yang berada di Indonesia. Sebagai suatu perusahaan perkebunan, PT. Perkebunan Nusantara III tidak lepas dari masalah perencanaan. Masalah produksi merupakan masalah yang sangat mendasar dari setiap perusahaan perkebunan. Dalam sektor perkebunan, tingkat kualitas sangat diperhatikan. Hal ini yang mendorong perusahaan perkebunan melakukan yang terbaik untuk menghasilkan produksi dengan kualitas yang terbaik.

10 Pada PT. Perkebunan Nusantara III penjualan produksi kelapa sawit bukan hanya dipasar lokal tetapi sudah diekspor ke luar negeri seperti CPO yang 69 % volume produksi diekspor ke pasar luar negeri. Oleh karena berbagai alas an di atas itulah, penulis mencoba untuk meramalkan produksi kelapa sawit untuk tahun 2010 dan tahun 2011 di PT. Perkebunan Nusantara. III Dengan judul APLIKASI METODE PEMULUSAN EKSPONENSIAL GANDA DARI BROWN UNTUK PERAMALAN PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA TAHUN 2010 DAN Tujuan dan Manfaat Secara umum penelitian ini bertujuan untuk mengetahui besarnya produksi kelapa sawit di PT. Perkebunan Nusantara III untuk tahun 2010 dan tahun 2011 denga Metode Pemulusan Eksponensial Gnada Satu Parameter. 1.3 Ruang Lingkup Pembahasan Sehubungan dengan keterbatasan waktu dan kemampuan penulis serta untuk menghindari kesimpangsiuran dalam penulisan Tugas Akhir yang sesuai dengan judul dan latar belakang masalah yang telah diuraikan, penulis membatasi ruang lingkup penelitian pada peramalan produksi kelapa sawit di PT. Perkebunan Nusantara III,

11 menggunakan Metode Eksponensial Ganda Satu Parameter. Yang digunakan pada penelitian ini adalah produksi kelapa sawit dalam 3 (tiga) tahun terakhir yaitu tahun 2006 sampai dengan tahun 2008 per bulan serta meramalkannya untuk tahun 2010 dan tahun Identifikasi Masalah Adapun masalah yang dibahas dalam tugas akhir ini adalah dengan model peramalan produksi kelapa sawit di PT. Perkebunan Nusantara III, agar diketahui perubahan produksi kelapa sawit setiap tahunnya. 1.4 Pembatasan Masalah Berdasarkan identifikasi masalah diatas, dibuatlah pembatasan masalah penelitian ini yang diarahkan pada hal peramalan produksi untuk 2 (dua) tahun mendatang, tahun 2010 dan tahun 2011 yaitu bagaimana keterkaitan produksi kelapa sawit di PT. Perkebunan Nusantara III. 1. Metode Penelitian Dalam penelitian Tugas Akhir ini metode yang penulis gunakan adalah: 1. Studi Kepustakaan (Library Research)

12 Penulis membuat penulisan Tugas Akhir dengan membaca buku-buku di perpustakaan. 2. Metode Pengumpulan Data Pengumpulan data untuk penelitian ini, penulis lakukan dengan menggunakan Data Sekunder yang diperoleh dari PT. Perkebunan Nusantara III. 3. Analisis Data Dari model peramalan yang didapat, diramalkan untuk meramalkan produksi kelapa sawit di PT. Perkebunan Nusantara III untuk tahun 2010 dan tahun 2011 dengan Metode Pemulusan Eksponensial : ( α p ) 1 Ft + 1 = α p X t + 1 F Keterangan: F t+1 = ramalan satu periode ke depan X = data aktual pada periode ke t t F 1 α p = ramalan pada periode ke t = parameter pemulusan 2. Sistematika Penulisan

13 Adapun sistematika dalam Penulisan Tugas Akhir ini secara garis besarnya dibagi dalam 5 (lima) Bab. Masing-masing bab dibagi atas beberapa sub-sub bab, yaitu: BAB 1 PENDAHULUAN Bab ini bertujuan menjelaskan latar belakang masalah, tujuan dan manfaat penelitian, ruang lingkup pembahasan, identifikasi masalah, perumusan masalah, metode penelitian, lokasi penelitian dan sistematika penelitian BAB 2 TINJAUAN TEORITIS Bab ini menguraikan tentang segala sesuatu yang menyangkut terhadap penyelesaian masalah yang dihadapi, sesuai denagn judul yang diuraikan. BAB 3 SEKILAS TENTANG Bab ini menjelaskan tentang struktur PT. Perkebunan Nusantara dan Kegiatan dan Jaringan Kerja PT. Perkebunan Nusantara III. BAB 4 ANALISA DAN PEMBAHASAN Bab ini menguraikan tentang penganalisaan dan pengolahan data yang diperoleh.

14 BAB 5 IMPLEMENTASI SISTEM Bab ini menjelaskan tentang implementasi system yang digunakan yaitu penggunaan Microsoft Excel BAB 6 KESIMPULAN DAN SARAN Bab ini menguraikan tentang ringkasan dan kesimpulan dari pembahasan dalam penyelesaian Tugas Akhir, serta saran-saran.

15 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan berasal dari kata ramalan yang artinya adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Sedangkan peramalan adalah bentuk kegiatannya. Ramalan tersebutdapat didasarkan atas bermacammacamcara yaitu Metode Pemulusan Eksponensial atau Rata-Rata Bergerak, Metode Box Jenkins dan Metode Regresi. Semua itu dikenal dengan Metode Peramalan. Metode Peramalan adalah cara untuk memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar data yang relevan pada masa lalu. Dengan kata lain Metode Peramalan yang bersifat objektif. Disamping itu metode Peramalan memberikan urutan pengerjaan dan pemecahan atas pendekatan suatu masalah dalam peramalan, sehingga bila digunakan pendekatan yang sama dlam suatu permasalahan dalam suatu kegiatan peramalan, akan dapat dasar pemikiran dan pemecahan yang sama.

16 Baik tidaknya suatu peramalan yang disusun selain ditentukan oleh metode yang digunakan, juga ditentukan oleh baik tidaknya informasi yang digunalan. Selama informasi yang digunakan tidak dapat menyakinkan untuk mendapat hasil yang bagus, hasil peramalan yang disusun juga akan sukar ipercaya ketepatannya. 2.2 Kegunaan Peramalan Sering terdapat senjang waktu (time lag) antara kesadaran akan peristiwa. Adanya waktu tenggang (Lead time) ini merupakan alasan uatama bagi perncanaan dan permalan. Dalam situasi itu peramalandiperlukan untuk menetapkan kapan suatu peristiwa akan terjadi atau timbul, sehingga tindakan yang tepat dapat dilakukan. Dalam perencanaan di organisasi atau perusahaan peramalam merupakan kebutuhan yang sangat penting, baik burknya peramalan dapat mempengaruhi seluruh bagian organisasi karena waktu tenggang untuk pengambilan keputusan dapat berkisar dari beberapa tahun. Peramalan merupakan alat bantu yang penting dalam perencanaan yang penting yang efekti dan efisien. Di dalam bagian organisasi terdapat kegunaan peramalan, yaitu: 1. Barguna untuk penjadwalan sumber daya yang tersedia. Penggunaan sumber dya yang efisien memerlukanpenjadwalan produksi, transportasi, kas, personalia dan sebagainya. Input yang penting untuk penjadwalan seperti itu adalah ramalan tingkat permintaan akan konsumennya atau pelanggan.

17 2. Berguna dalam penyediaan sumber daya tambahan waktu tenggan (Lead Time) untuk memperoleh bahan baku, menerima pekerja baru atau membeli mesin dan peralatan dapat berkisar antara beberapa hari sampai daya di masa mendatang. 3. Berguna untuk menentukan sumber daya yang diinginkan. Setiap organisasi harus menentukan sumber daya yang dimiliki dalam jangka panjang. Keputusan semacam itu bergantung kepada faktor-faktor lingkungan, manusia dan pengembangan sumber daya keuangan. Semua penentuan ini memerlukan ramalan yang baik dan manager yang dapat menafsirkan pendugaan serta membuat keputusan yang baik. Walaupun terdapat banyak bagian lain yang memerlukanperamaln, namun 3 (tiga) kelompok tersebut merupakan bantuk khas dari kegunaan peramalan jangka pendek, menegah dan panjang. Dari uraian yang sudah dijelaskan, dapat dikatakan Metode Peramalan sangat berguna karena akan membantu dalam mengadakan analsis terhadap data dari masa lalu, sehingga dapat memberikan cara pemikiran, pengerjaan yang teratur dan terarah, perencanaan yang sistematis serta memberikan ketepatan hasil peramalan yang dibuat atau disusun. 2.3 Metede Peramalan

18 Berdasarkan sifatnya teknikperamalan dibagi dalam 2 (dua) kategori, yaitu: 1. Metode Peramalan Kulitatif atau Teknologis Peramalan Kulitatif adalah peramalan yang didasarkan atas data kuitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, pendapat dan pengetahuan dari orang yang menyusunnya. Metode Kualitatif atau Teknologis dapat dibagi menjadi Metode Eksplanatoris dan Normatif. 2. Metode Peramalan Kuantitaif Peramalan Kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada masa yang lalu. Hasil peramalan yang dibuat sangat bergantung pada metode yang dipergunakan dalam peramalan tersebut. Dengan metode yang berbeda yang digunakan yang digunakan oleh perbedaan atau penyimpangan antara hasil ramalan dengan kenyataan yang terjadi berarti metode yang digunakan semakin baik. Metode Kuantitatif dapat dibagi dalam deret berkala (Time Series) dan Metode Kausal. Peramaln Kuantitatif dapat digunakan bila terdapat 3 (tiga)kondisi, yaitu: a. Adanya informasi tentang masa lalu. b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data. c. Informasi tersebut dapat diasumsikan bahwa bebapa aspek pola masa lalu akan terus berlanjut di masa yang akan datang. Kondisi yang terakhir ini dibuat sebagai asumsi yang berkesinambungan (Asumption of Continuity), asumsi ini merupakan modal yang mendasari semua

19 Metode Peramalan Kuantitatif dan banyak Metode Peramalan Teknologis, terlepas dari bagaimana canggihnya metode tersebut. Metode-metode peramalan dengan analisa deret waktu, yaitu: 1. Metode Pemulusan Eksponensial dan Rata-rata Bergerak, sering digunakan untuk ramalanjangka pendek dan jarang dipakai untuk peramalan jangka panjang. 2. Metode Regresi, metode ini biasa digunakan untuk ramalan jangka menengah dan panjang. 3. Metode Bo Jenkins, metode ini jarang dipakai tetapi baik untuk jangka pendek, jangka menegah dan panjang. 2.4 Pemilihan Tekni dan Metode Peramalan Dalam pemilihan teknik dan metode peramalan, pertama-tama perlu diketahui ciri-ciri penting yang perlu diperhatikan bagi pengambil keputusan dan analisa keadaan dalam mempersiapkan peramalan. Ada 6 (enam) faktor utama yang diidentifikasikan sebagi teknik dan metode peramalan, yaitu: 1. Horizon Waktu Ada 2 (dua) aspek dari HorozonWaktu yang berhubungan dengan masing-masing metode peramalan. Pertama adalah cakupan waktu di masa yang akan datang, kedua adalah jumlah periode untuk peramalan yang diinginkan.

20 2. Pola Data Dasar utama dari metode peramalan adalah anggapan bahwa macam-macam dari pola yang didapati di dalam data yang diramalkan akan berkelanjutan. 3. Jenis dari Model Model-model adalah suatu deret di mana waktu digambarkan sebagai unsur yang penting untuk menentukan perubahan-perubahan dalam pola. Model-model perlu diperhatikan karena masing-masing model mempunyai kemampuan yang berbeda dalam analisa keadaan untuk pengambilan keputusan. 4. Biaya Yang Dibutuhkan Umumnya ada 4 (empat) unsur biaya yang tercakup di dalam penggunaan suatu prosedur peramalan, yaitu biaya-biaya pengembagan, penyimpanan (Storage) data, operasi pelaksanaan dan kesempatan dalam penggunaan teknik-teknik dan metode lainnya. 5. Ketepatan Metode Peramalan Tingkat ketepatan yang dibutuhkan dangat erat kaitannya dengan tingkat perincian yang dibuttuhkan dalam suatu peramalan. 6. Kemudahan Dalam Penerapan

21 Metode-metode yang dapat dimengerti dan mudah diaplikasikan sudah merupakan sutu prinsip umum bagi pengambil keputusan. 2.5 Analisa Deret Bekala Data Berkala (Time Series) adalah data yang dikumpulkan dari waktu ke waktu untuk memberikan gambaran tentang perkembangan suatu kegiatan dari waktu ke waktu. Analisa Deret Berkala memungkinkan untuk mengetahui perkembangan suatu atau beberapa kejadian serta hubungan dengan kejadian lainnya. Metode Time Series merupakan metode peramalan kuantitatif yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu. Tujuan Time Series ini mencakup penelitian pola data yang digunakan untuk meramalkan apakah data tersebut stasioner atau tudak dan ektrapolasi ke masa yang akan datang. Stasioner itu sendiri berarti bahwa tidak terdapat pertumbuhan/penurunan pada data. Data secara kasar harus horizontal sepanjang waktu. Dengan kata lain fluktuasi data konstan setiap waktu. 2.6 Penentuan Pola Data Hal penting yang harus diperhatikan dalam metode deret berkala adalah menentukan jenis pola data historisnya, sehinggan pola data yang tepat dengan pola data historis tersebutdapat diuji, pola data umumnya dapat dibdakan sebagi berikut: 1. Pola Data Horizontal

22 Pola ini terjadi bila nilai berfluktuasi di sekitar nilai rata-rata yang konstan. Y Gambar 2.1 Pola Data Horizontal waktu 2. Pola Data Musiman (Seasonal) Pola yang menunjukkan perubahan yang berulang-ulang secara periodik dalam deret waktu. Pola yang ini terjadi bila suatu deret dipengaruhi oleh faktor musiman misalnya kwartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu Y Gambar 2.2 Pola Data Musiman Waktu 3. Pola Data Siklus (Cyclical)

23 Pola Data yang menunjukkan gerakan naik turun dalam jangka panjang dari suatu kurva trend, yang terjadi akibat pengaruh oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Y Gambar 2.3 Pola Data Siklis Waktu 4. Pola Data Trend Pola yang menunjukkan kenaikan atau penurunan jangka panjang dalam data. Y Gambar 2.4 Pola Data Trend Waktu

24 2.7 Metode Pemulusan (Smoothing) Metode Smoothing adalah suatu metode peramalan dengan mengadakan penghalusan terhadap masa lalu, yaitudengan mengambil rata-rata dari nilai beberapa tahun untuk menaksir nilai pada beberapa tahun ke depan. Secara umum Metode Smoothing diklasifikasikan menjadi 2 (dua) bagian, yaitu: Metode Rata-Rata Metode Rata-rata dibagi atas 4 (empat) bagian, yaitu: Nilai Tengah (mean) Rata-rata bergerak tunggal (Singel Moving Average) Rata-rata bergerak ganda (Double Moving Average) Kombinasi rata-rata bergerak lainnya. Metode rata-rata tujuanya adalah untuk memanfaatkan data masa lalu untuk mengembangkan suatu sistem peramalan pada periode mendatang. Metode Pemulusan Eksponensial Bentuk umum dari Metode Pemulusan adalah: Keterangan: ( α p ) 1 Ft + 1 = α p X t + 1 F (1)

25 F t+1 = ramalan satu periode ke depan X t = data aktual pada periode ke t F 1 = ramalan pada periode ke t α p = parameter pemulusan Bentuk umum tersebut dipeluas, akan berubah menjadi: F 2 N ( 1 α p ) X t 1 + α p ( 1 α p ) X t ( α p ) Ft ( 1) α X α (2) t + 1 = p t + p 1 N Dari erluasan bentuk umum diatas dapatlah dikatakan bahwa Metode Smoothing Eksponensial merupakansekelompok metode yang menunjukkan pembobotan menurun secara eksponensial terhadap nilai observasi yang lebih tua atau dengan kata lain observasi yang baru diberikan bobot yang relative besar dengan nilai observasi yang lebih tua. Metode ini terdiri atas: Smoothing Eksponensial Tunggal a.1 Satu Parameter (one parameter) a.2 Pendekatan Aditif (ARRES) Digunakan untuk data yang bersifat stasioner dan tidak menunjukkan pola atau trend. Smoothing Eksponensial Ganda b.1 Metode Satu Paramete Dari Brown b.2 Metode Dua Parameter Dari Holt

26 Smoothing Eksponensial Triple c.1 Metode Kuadratik Satu Parameter Dari Brown c.2 Digunakan untuk pola kuadratik, kubik, atau orde yang lebih tinggi c.3 Metode Kecenderungan dan Musiman Tiga Parameter Dari Winter c.4 Dapat digunakan untuk data berbentuk trend dan musiman d. Smoothing Eksponensial menurut Klasifikasi Pegels 2.8 Metode Smoothing Yang Digunakan Untuk mendapatkan hasil yang baik, harus diketahui cara peramalan yang tepat. Data produksi kelepa sawit ke dalam grafis menunjukkan pola data trend linier yang dapat juga dilihat dari plot autokorelasi nilai-nilai autokorelasi yang menunjukkan pola data trend linier. Oleh karena itu metode peramalan analisis time series yang digunakanuntuk meramalkan nilai produlsi kelapa sawit pada penelitian ini adalah dengan menggunakan Metode Smoothing Eksponensial Ganda Satu Parameter Dari Brown Metode Smoothing Eksponensial Ganda Satu Parameter Dari Brown

27 Metode ini merupakan metode linier yang dikemukakan oleh Brown. Dasar pemikiran dari Metode Smoothing Eksponensial Linier Satu Parameter dari Brown adalah sama dengan rata-rata bergerak linier karena ke dua nilai pemulusan tunggal dan ganda ketinggalan dari data sebenarnya. Jika terdapat unsur trend, maka perbedaan nilai pemulusan tunggal dan ganda dapt ditambahkan kepada pemulusan ganda dan disesuaikan untuk trend. Persamaan yang dipaki dalam penggunaan Smoothing Eksponensial Linier Satu Parameter dari Brownadalah sebagai berikut: S S ( α ) S ` ` t = p X t + 1 p t 1 α (3) ( α ) S `` 1 `` ` t = pst + 1 p t α (4) ` `` ` `` ( S S ) = S S ` t = St + t t 2 t t 1 a (5) b t α p = 1 α p ` `` ( S S ) t t (6) F + t + m = α t b m (7) t Keterangan: ` S t = nilai pemulusan eksponensial tunggal (singel eksponensial smoothing value)

28 `` S t = nilai pemulusan eksponensial ganda (double eksponensial smoothing value) α = parameter pemulusan eksponensial yang besarnya 0 α < 1 p < p a t, b t = konstanta pemulusan F + = hasil peramalan untuk periode ke depan yang diramalkan t m Ketepatan Ramalan Beberapa Kriteria Yang Digunakan Untuk Menguji Ketepatan ramalan beberapa kriteria yang digunakan untuk menguji antara lain yaitu: 1. ME (Mean Error) atau Nilai Tengah Kesalahan ME = N t = 1 et N (8) 2. MSE (Mean Square Error) atau Nilai Tengah Kesalahan Kuadrat MSE = N t = 1 e 2 t N (9) 3. MAE (Mean Absolute Error) atau Nilai Tengah Kesalahn Absolute MAE = N t= 1 et N (10) 4. MAPE (MeanAbsolute Percentage Error) atau Nilai Tengah Kesalahan Persentase Absolute MAPE = N t= 1 PEt N (11)

29 5. MPE ( Mean Percentage Error) atau Nilai Tengah Kesalahan Persentase MPE = N t= 1 PEt N (12) keterangan: e = X F (kesalahan pada periode ke t) t t t X = data actual pada periode ke t t X t Ft PE = t 100 (kesalahan persentase pada periode ke t) X t Ft = nilai ramalan pada periode ke t N = banyaknya periode waktu BAB 3 SEKILAS TENTANG PTPN III

30 3.1 Struktur Organisasi PT. Perkebunan Nusantara III 3.2 Kegiatan dan Jaringan Kerja PT. Perkebunan Nusantara III Kegiatan yang dilakukan di PT. Perkebunan Nusantara III terbagi atas tugas dan wewenang setiap bagian yang ada. Adapun tugas dan fungsinya sebagai berikut: 1. Direktur Utama Mangarahkan dan memberdayakan seluruh sumber daya perusahaan secara optimal untuk mewujudkan Visi dan Misi perusahaan. 2. Direktur Produksi Mengelolah dan memberdayakan sumber daya produksi, sarana dan prasarana sehinggan tercapainya kinerja bidang produksi secara optimal. 3. Direktur Keuangan Mengelolah dan memberdayakan sumber daya keuangan secara tepat guna, sehingga tercapai Cash Flow, dan biaya operasional perusahaan yang efektif dan efesien. 4. Direktur Pemasaran Mengelolah dan memberdayakan sumber daya pemasaran dan pengadaan secara optimal, sehingga tercapai kepuasan pelanggan dan pemasok.

31 5. Direktur SDN dan Umum Mengelolah dan memberdayakan sumber daya manusia dan darana pendukung lainnya sehingga tercapai kinerja bidang SDM/Umum yang optimal. 6. Kepala Bagian Sekretaris Korporat Melakukan fungsi manajemen dengan memberadayakan sumber daya yang berhubungan dengan Aspk Legal dan Kepatuhan, Aspek Manajemen Hubungan dengan Invebtor sehingga terwujudnya Corporte Image yang positif dan standar. 7. Kepala Bagian Satuan Pengawasan Intern Melaksanakan pemberdayaan sumber daya dalam melaksanakan pengawasan analisa dan evaluasi untuk mencapai kinerja yang optimal. 8. Kepala Bagian Teknologi Informasi Melaksanakan rancangan, pemeliharaan,montoring, analisa, dan evaluasi serta pengembangan dan memberdayakan sumber daya informasi untuk menghasilkan kinerja informasi secara lengkap (Full Performance Information). 9. Kepala Bagian Tanaman

32 Melaksanakan montoring, analisa dan evaluasi dalam pemberdayaan sumber daya untuk meningkatkan kinerja bidang tanaman. 10. Kepala Bagian Teknik Melaksanakan fungsi-fungsi manajemen dan pemberdayaan sumber daya teknik sehingga terwujudnya Best Practices di Bidang Teknik. 11. Kepala Bagian Teknologi Melaksanakan fungsi-fungsi manajemen dengan memberdayakan sumber daya teknologi dan mengefektifkan sistem untuk mengoptimalkan kinerja bidang teknologi, sistem manajeman mutu dan lingkungan. 12. Kepala Bagian Pembiayaan Melaksanakan monitoring, analisa dan evaluasi serta memberdayakan sumber daya keuangan dan akutansi secara optimal untuk mewujudkan kondisi keuangan yang sehat. 13. Kepala Bagian Pengadaan Barang Melaksanakan pengadaan barang, monitoring, analisa dan evaluasi serta memberdayakan sumber daya secara optimal. 14. Kepala Bagian Pemasaran Melaksanakan fungsi manajemen pemasaran dengan menggunakan sumber daya pemasaran secara maksimal sehingga tercapai kepuasaan pelanggan, peningkatan

33 arus kas masuk. Pengoptimalan harga, peminimuman sock dan penangihan pembayaran yang efektif. 15. Kepala Bagian Bagian Sumber Daya Manusia Melaksanakan monitoring, analiosa dan evaluasi dalam memberdayakan sumber daya manusia perusahaan secara optimal, sehingga terwujudnya karyawan yang berilmu pengetahuan (Know Ledgeable Worker). 16. Kepala Bagian Umum Melaksanakan monitoring, analisa dan evaluasi memberdayakan sumber daya dilingkungan perusahaan secara optimal sehingga terwujudnya Zero Accident, Zero Cinfict, dan Zero Management. 17. Distrik Manager Melaksanakan monitoring, analisa, evaluasi, memberi keputusan terobosanterobosan serta memberdayakan sumber daya perusahaan yang ada di distriknya untuk mencapai kinerja yang optimal. 18. General Manager Rumah Sakit Melaksanakan monoring, analisa, evaluasi erta memberdayakan seluruh sumber daya perusahaan untuk mencapai kinerja optimal. 19. Manager Kebun

34 Melaksanakan fungsi-fungsi manajemen serta memberdayakan pengalokasian seluruh sumber dayan perusahaan secara optimal untuk mencapai sasaran unit kebun. 20. Manager Pabrik Kelapa Sawit Memberdayakan sumber daya prusahaan diunitnya, sehingga terwujudnya kinerja pabrik yang optimal. 21. Manager Rumak sakit Melaksanakan fungsi-fungsi manajeman untuk memberdayakan seluruh sumber daya unit kerja secara optimal untuk mewujudkan operasional excellence. BAB 4

35 ANALISA DAN PENGOLAHAN DATA 4.1 Analisa Data Analisa diartikan sebagai penjabaran atas pengukuran data kuantitatif menjadi suatu penyajian yang lebih mudah ditafsirkan dan menguraikan masalah secara parsial atauoun keseluruhan. Analisa data dilakukan agar diperoleh hasil sesuai dengan yang diinginkan. Dalam bab ini dilakukan analisa terhadap data yang diperoleh sebelumnya sesuai dengan metode peramalan yang telah ditentukan sebelumnya. Adapun data yang digunakan dalam penganalisaan data adalah data produksi karet setiap bulan dari tahun 2006 s/d 2008 PT. Perkebunan Nusantara III (Persero) Medan. Analisa yang dipakai dalam peramalan ini adalah Metode Pemulusan Ganda (Linier), dimana datanya adalah sebagai berikut:

36 Tabel 4.1 Produksi Kelapa Sawit PT. Perkebunan Nusantara III (Persero) Medan Tahun 2006 s/d 2008 No. Bulan-Tahun Produksi (TON) 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Sumber : Bagian Tanaman PT. Perkebunan Nusantara III (Persero) Medan

37 Grafik Produksi Kelapa Sawit PT. Perkebunan Nusantara III Medan Tahun Jumlah Produksi (Ton) January February Maret April Mei Juni Juli Agustus September Oktober November Desember January February Maret April Mei Juni Juli Agustus September Oktober November Desember January February Maret April Mei Juni Juli Agustus September Oktober November Desember Bulan dan Tahun Gambar 4.1 Grafik Produksi Kelapa Sawit PT. Perkebunan Nusantara III (Persero) Medan Jan- 06 s/d Des 08 Bentuk Grafik diatas merupakan bentuk data musiman dimana data seperti ini terjadi bila seriesnya dipengaruhi oleh faktor musiman, contohnya bulanan, mingguan, tahunan. Dalam hal ini musiman yang mempengaruhi series dari data produksi karet PT. Perkebunan Nusantara III (Persero) Medan adalah seperti, curah hujan, lama penyinaran matahari, kecepatan angin, dan lain sebagainya seperti yang telah dijelaskan dalam.

38 4.2 Analisa Pemulusan Eksponensial Ganda (Linier Satu Parameter dari Brown) Pada pemulusan Eksponensial Tunggal dilakukan peramalan dengan satu kali penghalusan saja. Sedangkan pada metode Brown ini dilakukan dua kali penghalusan dan kemudian dilakukan peramalan. Sehingga metode ini sering disebut Metode Penghalusan Eksponensial Berganda (Double Exponential Smoothing). Dasar pemikiran dari Pemulusan Eksponensial Linier dari Brown ini hampir sama dengan Rata-rata bergerak Linier karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data yang sebenarnya bilamana terdapat unsur trend. Perbedaan antara nilai pemulusan tunggal dan ganda ditambahkan kepada nilai pemulusan tunggal dan disesuaikan dengan trend. Persamaan yang dipakai dalam implementasi pemulusan eksponensial linier satu parameter dari Brown yaitu: S t = αx t + (1-α)S t-1 S t = α S t + (1-α) S t-1 a t = S t + (S t - S t ) = 2S t - S t b t = α 1-α (S t - S t ) F t+m = a t + b t m, dimana m = 1,2,3. dimana m adalah jumlah periode ke muka yang diramalkan. Pada t=1 nilai S t dan S t tidak tersedia jadi harus ditentukan pada periode awal yaitu dengan menetapkan S t dan S t sama dengan X t atau dengan menggunakan suatu nilai rata-rata dari beberapa nilai pertama sebagai titik awal.

39 Jenis masalah inisialisasi ini muncul dalam setiap metode pemulusan (smoothing) eksponensial. Jika parameter pemulusan α tidak mendekati nol, pengaruh dari proses inisialisasi ini dengan cepat menjadi kurang berarti dengan berlalunya waktu. Tetapi, jika α mendekati nol proses inisialisasi tersebut dapat memainkan peranan yang nyata selama periode waktu ke muka yang panjang. Berikut ini akan digunakan peramalan dengan metode pemulusan (smoothing) eksponensial dengan α=0.1, α=0.5, α=0.9, dimana nilai parameter α besarnya antara 0<α<1 dengan trial dan error (sesuai dengan langkah yang ditempuh dalam pemecahan Metode Linier Satu Parameter dari Brown) Peramalan dengan Smoothing Eksponensial Linier Satu Parameter dari Brown dengan α=0.1 Bulan Ke-2 (Feb-06), X 2 = Perhitungan Eksponensial Tunggal S t = αx t + (1-α)S t-1 S 2 = 0.1(86927) + 0.9(78036,00) = 78925,10 a. Perhitungan Eksponensial Ganda S t = α S t + (1-α) S t-1 S 2 = 0.1( ) + 0.9(78036,00) = 78124,91

40 b. Perhitungan Nilai a a t = 2S t - S t a 2 = 2( ) 78124,91 = 79725,29 c. Perhitungan Nilai b b t = α 1-α (S t - S t ) b 2 = 0.1 ( ,91) 0.9 = 88,91 d. Peramalan Untuk Bulan Ke-3 (Mar-06), m=1 F t+m = a t + b t m F 2+1 = 84938,46+ (88,91)(1) F Mar-06 = 79814,20 Peramalan untuk bulan ke-38 atau periode ke-2 (m=2), F 38 = a 36 + b 36 (2) F Feb-09 = , ,71(2) = ,23 Demikian seterusnya untuk periode-periode selajutnya dan dapat dilihat pada tabel berikut ini:

41 Tabel 4.2 Peramalan Produksi Kelapa Sawit dengan α = 0.1 No. Bulan Prod. Kelapa Sawit S't S"t a b Nilai Ramalan a+b(m) 1 Jan , Feb , , ,29 88,91-3 Mar , , ,46 358, ,2 4 Apr , , ,68 629, ,07 5 May , , , , ,26 6 Jun , , , , ,80 7 Jul , , , , ,02 8 Aug , , , , ,28 9 Sep , , , , ,69 10 Oct , , , , ,34 11 Nov , , , , ,75 12 Dec , , , , ,70 13 Jan , , , , ,96 14 Feb , , , , ,72 15 Mar , , ,94 947, ,47 16 Apr , , ,14 927, ,41 17 May , , ,40 959, ,60 18 Jun , , ,45 935, ,53 19 Jul , , , , ,15 20 Aug , , , , ,42 21 Sep , , , , ,92 22 Oct , , , , ,82 23 Nov , , , , ,89 24 Dec , , , , ,03 25 Jan , , ,67 922, ,70 26 Feb , , ,93 566, ,18 27 Mar , , ,03 465, ,84 28 Apr , , ,52 548, ,59 29 May , , ,24 629, ,22 30 Jun , , ,61 872, ,68 31 Jul , , , , ,79 32 Aug , , , , ,21 33 Sep , , , , ,56

42 34 Oct , , , , ,54 35 Nov , , , , ,04 36 Dec , , , , ,19 37 Jan ,51 m=1 38 Feb ,23 m=2 39 Mar ,94 m=3 40 Apr ,66 m=4 41 May ,37 m=5 42 Jun ,09 m=6 43 Jul ,80 m=7 44 Aug ,51 m=8 45 Sep ,23 m=9 46 Oct ,94 m=10 47 Nov ,66 m=11 48 Dec ,37 m=12 49 Jan ,09 m=13 50 Feb ,80 m=14 51 Mar ,51 m=15 52 Apr ,23 m=16 53 May ,94 m=17 54 Jun ,66 m=18 55 Jul ,37 m=19 56 Aug ,08 m=20 57 Sep ,80 m=21 58 Oct ,51 m=22 59 Nov ,23 m=23 60 Dec ,94 m=24 61 Jan ,66 m=25 62 Feb ,37 m=26 63 Mar ,08 m=27 64 Apr ,80 m=28 65 May ,51 m=29 66 Jun ,23 m=30 67 Jul ,94 m=31 68 Aug ,66 m=32 69 Sep ,37 m=33 70 Oct ,08 m=34 71 Nov ,80 m=35 72 Dec ,51 m=36

43 Gambar 4.2 Grafik Ramalan Produksi Kelap Sawit dari Jan-09 s/d Des-11 Ramalan Produksi Kelapa Sawit PT. Perkebunan Nusantara III dengan Alpa , , , , , , , , , ,00 0,00 Jan-09 Mar-09 May-09 Jul-09 Sep-09 Nov-09 Jan-10 Mar-10 May-10 Jul-10 Sep-10 Nov-10 Jan-11 Mar-11 May-11 Jul-11 Sep-11 Nov-11 Jumlah (TON) Bulan dan Tahun Data di atas menunjukkan suatu pola data yang linier. Kenaikan produksi terjadi pada periode ini. Hal ini merupakan suatu hal yang sangat diharapkan oleh perusahaan yang bersangkutan. Tidak terdapat suatu penyimpangan data pada suatu periode tertentu. Kenaikan yang seperti inilah yang diharapkan dapat memberikan bagi pihak yang terkait dalam hal laba (keuntungan) Peramalan dengan Smoothing Eksponensial Linier Satu Parameter dari Brown dengan α=0.5

44 Perhitungan dalam peramalan dengan α=0.5, pada prinsipnya sama dengan perhitungan pada peramalan dengan α=0.1, hanya saja pada bagian ini tidak dituliskan kembali bagaiman rumus dan cara perhitungannya secara manual. Mengingat juga telah digunakan implementasi yang digunakan dalam memudahkan proses perhitungan peramalan. Untuk lebih jelasnya dapat diamati dalam tabel berikut ini. Tabel 4.3 Peramalan Produksi Kelapa Sawit dengan α = 0.5 No. Bulan Prod. Kelapa Sawit S't S"t a b Nilai Ramalan a+b(m) 1 Jan Feb , , , ,75-3 Mar , , ,8 7187, ,00 4 Apr , , ,9 8034, ,75 5 May , , , , ,00 6 Jun , , ,3 7979, ,06 7 Jul , , ,8 4525, ,31 8 Aug , , , , ,05 9 Sep , , ,3 6882, ,22 10 Oct , , ,7 166, ,71 11 Nov , , ,9-1718, ,40 12 Dec , , ,2-4836, ,73 13 Jan , , , ,88 14 Feb , , , , ,69 15 Mar , , , , , Apr , , ,6 2294, ,30 17 May , , ,2 4445, ,00 18 Jun , , ,9 2884, ,42 19 Jul , , , ,17 20 Aug , , , , ,32 21 Sep , , ,8 2449, ,27 22 Oct , , ,3 3791, ,19 23 Nov , , ,8-439, ,38 24 Dec , , ,8-1176, ,08 25 Jan , , , , ,23 26 Feb , , , ,46 27 Mar , , ,7-2582, , Apr , , ,9 4245, ,54 29 May , , ,7 5363, ,88

45 30 Jun , , ,7 8892, ,99 31 Jul , , ,8 8479, ,27 32 Aug , , ,6 4217, ,52 33 Sep , , ,2 1489, ,71 34 Oct , , ,8 1241, ,08 35 Nov , , ,5 868, ,90 36 Dec , , ,5-887, ,13 37 Jan ,66 m=1 38 Feb ,78 m=2 39 Mar ,90 m=3 40 Apr ,02 m=4 41 May ,15 m=5 42 Jun ,27 m=6 43 Jul ,39 m=7 44 Aug ,51 m=8 45 Sep ,64 m=9 46 Oct ,76 m=10 47 Nov ,88 m=11 48 Dec ,01 m=12 49 Jan ,13 m=13 50 Feb ,25 m=14 51 Mar ,37 m=15 52 Apr ,50 m=16 53 May ,62 m=17 54 Jun ,74 m=18 55 Jul ,86 m=19 56 Aug ,99 m=20 57 Sep ,11 m=21 58 Oct ,23 m=22 59 Nov ,35 m=23 60 Dec ,48 m=24 61 Jan ,60 m=25 62 Feb ,72 m=26 63 Mar ,85 m=27 64 Apr ,97 m=28 65 May ,09 m=29 66 Jun ,21 m=30 67 Jul ,34 m=31 68 Aug ,46 m=32 69 Sep ,58 m=33 70 Oct ,70 m=34 71 Nov ,83 m=35 72 Dec ,95 m=36

46 Gambar 4.3 Grafik Ramalan Produksi Kelapa Sawit dari Jan-09 s/d Des-11 Ramalan Produksi Kelapa Sawit PT. Pekebunan Nusantara III dengan Alpha 0.5 Jumlah Produksi (TON) , , , , , , , ,00 0,00 Jan-09 Mar-09 May-09 Jul-09 Sep-09 Nov-09 Jan-10 Mar-10 May-10 Jul-10 Sep-10 Nov-10 Jan-11 Mar-11 May-11 Jul-11 Sep-11 Nov-11 Bulan dan Tahun Data di atas menunjukkan suatu pola data yang linier. Penurunan produksi terjadi pada periode ini. Hal ini merupakan suatu hal yang sangat tidak diharapkan oleh perusahaan yang bersangkutan. Tidak terdapat suatu penyimpangan data pada suatu periode tertentu.

47 4.2.3 Peramalan dengan Smoothing Eksponensial Linier Satu Parameter dari Brown dengan α=0.9 Perhitungan dalam peramalan dengan α=0.5, sama dengan perhitungan pada peramalan dengan α=0.1 dan α=0.5 namun sama dengan poin sebelumnya tidak dicantumkannya perhitungan secara manual dan tidak dituliskan kembali bagaiman rumus dan cara perhitungannya. Mengingat juga telah digunakan implementasi yang digunakan dalam memudahkan proses perhitungan peramalan. Untuk lebih jelasnya dapat diamati dalam tabel berikut ini: Tabel 4.4 Peramalan Produksi Kelapa Sawit dengan α = 0.9 No. Bulan Prod. Kelapa Sawit S't S"t a b Nilai Ramalan a+b(m) 1 Jan , , Feb , , , ,71-3 Mar , , , , ,80 4 Apr , , , , ,07 5 May , , , , ,66 6 Jun , , , , ,27 7 Jul , , , , ,10 8 Aug , , , , ,62 9 Sep , , , , ,14 10 Oct , , , , ,95 11 Nov , , , , ,53 12 Dec , , , , ,54 13 Jan , , , , ,68 14 Feb , , , , ,00 15 Mar , , , , ,62 16 Apr , , , , ,93 17 May , , , , ,94 18 Jun , , , , ,32 19 Jul , , , , ,42 20 Aug , , , , ,02 21 Sep , , , , ,20 22 Oct , , , , ,17

48 23 Nov , , , , ,25 24 Dec , , , , ,19 25 Jan , , , , ,89 26 Feb , , , , ,10 27 Mar , , , , ,27 28 Apr , , , , ,45 29 May , , , , ,28 30 Jun , , , , ,87 31 Jul , , , , ,96 32 Aug , , , , ,27 33 Sep , , , , ,18 34 Oct , , , , ,57 35 Nov , , ,74 438, ,85 36 Dec , , , , ,66 37 Jan ,99 m=1 38 Feb ,55 m=2 39 Mar ,11 m=3 40 Apr ,67 m=4 41 May ,23 m=5 42 Jun ,78 m=6 43 Jul ,34 m=7 44 Aug ,90 m=8 45 Sep ,46 m=9 46 Oct ,01 m=10 47 Nov ,57 m=11 48 Dec ,13 m=12 49 Jan ,69 m=13 50 Feb ,25 m=14 51 Mar ,80 m=15 52 Apr ,36 m=16 53 May ,92 m=17 54 Jun ,48 m=18 55 Jul ,03 m=19 56 Aug ,59 m=20 57 Sep ,15 m=21 58 Oct ,71 m=22 59 Nov ,27 m=23 60 Dec ,82 m=24 61 Jan ,38 m=25 62 Feb ,94 m=26 63 Mar ,50 m=27 64 Apr ,05 m=28 65 May ,61 m=29 66 Jun ,83 m=30 67 Jul ,27 m=31 68 Aug ,71 m=32 69 Sep ,16 m=33 70 Oct ,60 m=34

49 71 Nov ,04 m=35 72 Dec ,48 m=36 Gambar 4.4 Grafik Ramalan Produksi Kelapa Sawit dari Jan-09 s/d Des-11 Ramalan Produksi Kelapa Sawit PT. Perkebunan Nusantara III dengan Alpha ,00 Jumlah (TON) , ,00 0, ,00 Jan-09 Mar-09 May-09 Jul-09 Sep-09 Nov-09 Jan-10 Mar-10 May-10 Jul-10 Sep-10 Nov-10 Jan-11 Mar-11 May-11 Jul-11 Sep-11 Nov-11 Bulan dan Tahun Data di atas menunjukkan suatu pola data yang linier. Penurunan produksi terjadi pada periode ini. Hal ini merupakan suatu hal yang sangat tidak diharapkan oleh perusahaan yang bersangkutan. Tidak terdapat suatu penyimpangan data pada suatu periode tertentu.

50 4.2.4 Nilai Kesalahan (Galat) a) Mean Error (Nilai Tengah Kesalahan) ME = n i=1 n e i b) Mean Absolute Error (Nilai Tengah Kesalahan Absolut) MAE = n i=1 n e i c) Sum of Squared Error (Jumlah Kuadrat Kesalahan) SSE = n 2 e i i= 1 d) Mean Squared Error (Nilai Tengah Kesalahan Kuadrat) n e i i= 1 MSE = 2 /n

51 Disajikan dalam bentuk tabel sebagai berikut: Nilai Kesalahan ME 3420, ,96-429,19 MAE 17542, , ,46 SE , , ,73 MSE , , ,99 dimana untuk mendapatkan nilai-nilai di atas, dipakai n=34 Berdasarkan teori-teori sebelumnya, ramalan yang baik adalah ramalan yang mempunyai nilai galat (kesalahan) yamg paling rendah. Dimana hal itu dilakukan dengan adanya pencocokan suatu model ramalan dengan parameter tertentu dengan data historis yang ada. Sedangkan tujuan optimalisasi statistik pada bagian sebelumnya adalah untuk memilih suatu model agar MSE ataupun SSE minimal. Ketepatan dalam ramalan adalah hal yang sangat diharapkan dalam peramalan. Hal ini dilakukan untuk mengukur kesesuaian suatu metode peramalan tertentuuntuk suatu kumpulan data yang diberikan. Tabel 4.5 Perhitungan Ukuran Statistik Standar Untuk Satu Set Kesalahan (α=0.1) Bln/ Thun Produksi Ramalan Galat Galat Absolut Galat Kuadrat Mar , , , ,04 Apr , , , ,28

52 May , , , ,11 Jun , , , ,92 Jul , , , ,64 Aug , , , ,87 Sep , , , ,28 Oct , , , ,59 Nov , , , ,01 Dec , , , ,76 Jan , , , ,86 Feb , , , ,00 Mar , , , ,81 Apr , , , ,73 May , , , ,56 Jun , , , ,39 Jul , , , ,38 Aug , , , ,06 Sep , , , ,78 Oct , , , ,08 Nov , , , ,63 Dec , , , ,53 Jan , , , ,75 Feb , , , ,44 Mar , , , ,51 Apr , , , ,82 May , , , ,63 Jun , , , ,18 Jul , , , ,84 Aug , , , ,58 Sep , , , ,84 Oct , , , ,61 Nov , , , ,37 Dec , , , ,91 Jumlah , , ,81 Tabel 4.6 Perhitungan Ukuran Statistik Standar Untuk Satu Set Kesalahan (α=0.5) Bln/ Thun Produksi Ramalan Galat Galat Absolut Galat Kuadrat Mar , , ,00 Apr , , , ,06 May , , , ,00 Jun , , , ,13 Jul , , , ,47 Aug , , , ,19

53 Sep , , , ,99 Oct , , , ,05 Nov , , , ,70 Dec , , , ,54 Jan , , , ,52 Feb , , , ,61 Mar , , , ,20 Apr , , , ,28 May , , , ,91 Jun , , , ,75 Jul , , , ,37 Aug , , , ,19 Sep , , , ,81 Oct , , , ,35 Nov , , , ,35 Dec , , , ,18 Jan , , , ,26 Feb , , , ,38 Mar , , , ,89 Apr , , , ,19 May , , , ,44 Jun , , , ,58 Jul , , , ,89 Aug , , , ,16 Sep , , , ,29 Oct ,08-995,08 995, ,59 Nov , , , ,88 Dec , , , ,27 Jumlah , , ,46 Tabel 4.7 Perhitungan Ukuran Statistik Standar Untuk Satu Set Kesalahan (α=0.9) Bln/ Thun Produksi Ramalan Galat Galat Absolut Galat Kuadrat Mar , , , ,64 Apr , , , ,04 May , , , ,07 Jun , , , ,17 Jul , , , ,81 Aug , , , ,92