PERAMALAN PERMINTAAN DAN PERENCANAAN PRODUKSI SAYURAN ORGANIK PADA AGRIBUSINESS DEVELOPMENT STATION (ADS) IPB USWATUN HASANAH

Transkripsi

1 i PERAMALAN PERMINTAAN DAN PERENCANAAN PRODUKSI SAYURAN ORGANIK PADA AGRIBUSINESS DEVELOPMENT STATION (ADS) IPB USWATUN HASANAH DEPARTEMEN AGRIBISNIS FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2016

2

3 ii PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Peramalan Permintaan dan Perencanaan Produksi Sayuran Organik pada Agribusiness Development Station (ADS) IPB adalah benar karya saya dengan arahan dari pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, April 2016 Uswatun Hasanah NIM H

4

5 ABSTRAK USWATUN HASANAH. Peramalan Permintaan dan Perencanaan Produksi Sayuran Organik pada Agribusiness Development Station (ADS) IPB. Dibimbing oleh BURHANUDDIN. Trend back to nature menunjukkan semakin arifnya konsumen yang peduli kesehatan dengan mengkonsumsi sayuran organik. Adanya perubahan tingkat konsumsi sayur organik mengakibatkan ADS IPB sebagai pelaku usaha sayuran menghadapi risiko dalam memperkirakan waktu produksi dan jumlah sayuran yang akan dihasilkan. Hal ini merupakan poin penting yang melatar belakangi perlunya peramalan permintaan dan perencanaan produksi sayuran organik. Metode peramalan untuk menentukan permintaan sayuran organik di masa mendatang ialah metode ARIMA karena memiliki nilai MSE terkecil. Hasil peramalan permintaan bayam hijau selama lima bulan (Maret-Juli 2016) berkisar antara pack/hari, permintaan caisim berkisar antara pack/hari, dan permintaan kangkung berkisar antara pack/hari. Perencanaan produksi disusun berdasarkan karakteristik sayuran organik dan hasil ramalan permintaan. Kata kunci: organik, peramalan, perencanaan, produksi. ABSTRACT USWATUN HASANAH. Demand Forecasting and Planning of Organic Vegetable Production in Agribusiness Development Station (ADS) IPB. Supervised by BURHANUDDIN. The trend back to nature showed that more and more consumers have realized the importance of consuming organic vegetables for good health. The change at the consumption level organic vegetable had made ADS IPB as vegetable business player face the risk of projecting vegetable production time and the volume of vegetables that would be produced. This is an important consideration for demand forecasting and planning of organic vegetable production. The forecasting method used to determine the demand for organic vegetables in the future was ARIMA method because of the smallest value of MSE. The result of demand forecasting for green spinach for five months (March- July 2016) ranged from packs/day, mustard green packs/day, and leafy vegetable packs/day. The production planning was made based on the characteristics of organic vegetables and the results of demand forecasting. Keywords: organic, forecasting, production, planning.

6

7 iv PERAMALAN PERMINTAAN DAN PERENCANAAN PRODUKSI SAYURAN ORGANIK PADA AGRIBUSINESS DEVELOPMENT STATION (ADS) IPB USWATUN HASANAH Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Agribisnis DEPARTEMEN AGRIBISNIS FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2016

8

9

10

11 vi PRAKATA Puji dan syukur penulis panjatkan kepada Allah SWT atas segala nikmat dan karunia-nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Desember 2015 sampai Februari 2016 ini ialah peramalan dan perencanaan produksi, dengan judul Peramalan Permintaan dan Perencanaan Produksi Sayuran Organik pada Agribusiness Development Station (ADS) IPB. Terima kasih penulis ucapkan kepada Bapak Dr Ir Burhanuddin, MM selaku dosen pembimbing. Terima kasih penulis ucapkan juga kepada Ibu Siti Jahroh, PhD selaku penguji utama, Bapak Feryanto WK, SP Msi selaku penguji dari komisi akademik, Chatrayn Von Bora selaku pembahas seminar, serta Ibu Tintin Sarianti, SP MM, dan Dr Amzul Rifin, SP MA yang telah banyak memberikan saran. Selain itu, penghargaan penulis sampaikan kepada Ibu Farida Nur Fitriana dari Human Resource Develpment ADS IPB, serta staf dan karyawan ADS yang telah membantu selama pengumpulan data. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga, atas doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat. Bogor, April 2016 Uswatun Hasanah

12

13 vii DAFTAR ISI DAFTAR TABEL vii DAFTAR GAMBAR ix DAFTAR LAMPIRAN ix PENDAHULUAN 1 Latar Belakang 1 Perumusan Masalah 3 Tujuan Penelitian 5 Manfaat Penelitian 5 Ruang Lingkup Penelitian 5 TINJAUAN PUSTAKA 5 Peramalan Permintaan 5 Perencanaan Produksi 7 KERANGKA PEMIKIRAN 8 Kerangka Pemikiran Teoritis 8 Konsep Perencanaan Produksi 8 Konsep Organik 10 Teori Permintaan 10 Teori Penawaran 11 Teori Peramalan Permintaan 11 Jenis-Jenis Peramalan 11 Pola data Permintaan 12 Metode Peramalan Model Time Series 12 Pengukuran Galat Peramalan 15 Kerangka Pemikiran Operasional 15 METODE PENELITIAN 17 Lokasi dan Waktu Penelitian 17 Jenis dan Sumber Data 17 Metode Pengolahan dan Analisis Data 17 Identifikasi Pola Data Permintaan Sayuran Organik 17 Pemilihan Metode Peramalan 18 Penerapan Metode Peramalan Time Series 18 Pemilihan Metode Peramalan Time Series 21 Perencanaan Produksi sayuran Organik 21 Definisi Operasional 21 GAMBARAN UMUM PERUSAHAAN 22 Sejarah Singkat Agribusiness Development Station (ADS) 22 Profil Agribusiness Development Station (ADS) 22 Struktur Organisasi ADS 23 Kemitraan ADS 23 HASIL DAN PEMBAHASAN 24 Sistem Agribisnis Sayur Organik ADS IPB 24 Input Produksi 24 Budi Daya (On Farm) 24 Pascapanen 27 Pemasaran 27

14 viii Peramalan Permintaan Bayam Hijau 28 Identifikasi Pola Data Permintaan Bayam Hijau 28 Metode Peramalan Permintaan Bayam Hijau 29 Peramalan Permintaan Bayam Hijau dengan Metode ARIMA 30 Peramalan Permintaan Caisim 31 Identifikasi Pola Data Permintaan Caisim 31 Metode Peramalan Permintaan Caisim 33 Peramalan Permintaan Caisim dengan Metode ARIMA 33 Peramalan Permintaan Kangkung 34 Identifikasi Pola Data Permintaan Kangkung 34 Metode Peramalan Permintaan Kangkung 36 Peramalan Permintaan Kangkung dengan Metode ARIMA 36 Perencanaan Produksi Sayur Organik 37 Perencanaan Produksi Bayam Hijau (Maret-Juli 2016) 38 Perencanaan Produksi Caisim (Maret-Juli 2016) 39 Perencanaan Produksi Kangkung (Maret-Juli 2016) 40 SIMPULAN DAN SARAN 40 Simpulan 40 Saran 41 DAFTAR PUSTAKA 43 LAMPIRAN 45 RIWAYAT HIDUP 67 DAFTAR TABEL 1 Perbandingan kandungan mineral sayuran organik dan non-organik (setiap 100 gram berat kering) 1 2 Pertumbuhan luas lahan organik yang disertifikasi tahun Fluktuasi permintaan sayur organik di ADS IPB bulan Januari-Juni Tampilan korrelogram permintaan bayam hijau 29 5 Nilai akurasi peramalan permintaan bayam hijau berdasarkan mean square error (MSE) 30 6 Estimasi akhir dari parameter ARIMA (1,0,0)(1,1,1) Peramalan permintaan bayam hijau ADS IPB (Maret-Juli 2016) 31 8 Tampilan korrelogram permintaan caisim 32 9 Nilai akurasi peramalan caisim berdasarkan mean square error (MSE) Estimasi akhir dari parameter ARIMA (1,0,0)(1,1,1) Peramalan permintaan caisim ADS IPB (Maret-Juli 2016) Tampilan korrelogram permintaan kangkung Nilai akurasi peramalan kangkung berdasarkan mean square error (MSE) Estimasi akhir dari parameter ARIMA (1,0,0)(1,1,1) 7 36

15 ix 15 Peramalan permintaan kangkung ADS IPB (Maret-Juli 2016) 37 DAFTAR GAMBAR 1 Kerangka pemikiran peramalan dan perencanaan produksi sayuran organik pada Agribusiness Development Station (ADS) 16 2 Diagram alir metode Box Jenkins 19 3 Proses penyemaian caisim dan bibit caisim 25 4 Mesin pembajak tanah dan proses pengolahan lahan 25 5 Masa produksi caisim dan kangkung 26 6 Yellow trap dan singkong di sela-sela caisim 26 7 Proses sortasi, penimbangan dan pengemasan 27 8 Pola permintaan bayam hijau 29 9 Pola permintaan caisim Pola permintaan kangkung 35 DAFTAR LAMPIRAN 1 Struktur Organisasi ADS IPB 45 2 Hasil peramalan permintaan bayam hijau dengan metode exponential smoothing winters (multiplicative) 46 3 Hasil peramalan permintaan bayam hijau dengan metode exponential smoothing winters (additive) 46 4 Hasil peramalan permintaan bayam hijau dengan metode dekomposisi (multiplicative) 47 5 Hasil peramalan permintaan bayam hijau dengan metode dekomposisi (additive) 47 6 Hasil peramalan permintaan bayam hijau dengan ARIMA (1,0,0)(0,1,1) Hasil peramalan permintaan bayam hijau dengan ARIMA (0,0,1)(0,1,1) Hasil peramalan permintaan bayam hijau dengan ARIMA (1,0,0)(1,1,1) Tampilan korrelogram residul peramalan permintaan bayam hijau Hasil peramalan permintaan caisim dengan metode exponential smoothing winters (multiplicative) Hasil peramalan permintaan caisim dengan metode exponential smoothing winters (additive) Hasil peramalan permintaan caisim dengan metode dekomposisi (multiplicative) 51

16 x 13 Hasil peramalan permintaan caisim dengan metode dekomposisi (additive) Hasil peramalan permintaan caisim dengan ARIMA (0,0,1)(0,1,1) Hasil peramalan permintaan caisim dengan ARIMA (1,0,1)(0,1,1) Hasil peramalan permintaan caisim dengan ARIMA (1,0,0)(1,1,1) Tampilan korrelogram residul peramalan permintaan caisim Hasil peramalan permintaan kangkung dengan metode exponential smoothing winters (multiplicative) Hasil peramalan permintaan kangkung dengan metode exponential smoothing winters (additive) Hasil peramalan permintaan kangkung dengan metode dekomposisi (multiplicative) Hasil peramalan permintaan kangkung dengan metode dekomposisi (additive) Hasil peramalan permintaan kangkung dengan ARIMA (0,0,0)(1,1,1) Hasil peramalan permintaan kangkung dengan ARIMA (0,0,1)(1,1,0) Hasil peramalan permintaan kangkung dengan ARIMA (0,0,1)(0,1,1) Tampilan korrelogram residul peramalan permintaan kangkung Perencanaan produksi bayam hijau (Maret 2016) Perencanaan produksi bayam hijau (April 2016) Perencanaan produksi bayam hijau (Mei 2016) Perencanaan produksi bayam hijau (Juni 2016) Perencanaan produksi bayam hijau (Juli 2016) Perencanaan produksi caisim (Maret 2016) Perencanaan produksi caisim (April 2016) Perencanaan produksi caisim (Mei 2016) Perencanaan produksi caisim (Juni 2016) Perencanaan produksi caisim (Juli 2016) Perencanaan produksi kangkung (Maret 2016) Perencanaan produksi kangkung (April 2016) Perencanaan produksi kangkung (Mei 2016) Perencanaan produksi kangkung (Juni 2016) Perencanaan produksi kangkung (Juli 2016) 66

17 1 PENDAHULUAN Latar Belakang Pertanian khususnya dalam budi daya sayuran di Indonesia sebagian besar dikembangkan secara konvensional. Pertanian konvensional ini menjadikan produksi meningkat dengan penggunaan input berbahan kimia berupa pupuk dan pestisida kimia sintetis. Penggunaan input berbahan dasar kimia sintetis yang berlebihan berpengaruh pada semakin buruknya kualitas lingkungan dan kesehatan manusia. Adanya pemahaman masyarakat akan bahaya pengguaan bahan kimia sintetis ini akhirnya mulai dikembangkan kembali sistem pertanian alamiah yaitu pertanian organik dengan slogan back to nature yang menjadi trend baru bagi sebagian masyarakat Indonesia (Rosita 2008). Trend back to nature menunjukkan semakin arifnya konsumen yang peduli terhadap lingkungan dan kesehatan tubuh dengan mengkonsumsi sayuran organik. Sayuran organik memiliki mineral lebih tinggi jika dibandingkan dengan sayuran non-organik. Tingginya nutrisi sayuran organik dibandingkan dengan sayuran non-organik ditunjukkan oleh hasil penelitian dari Rutgers University USA pada Tabel 1. Tabel 1 Perbandingan kandungan mineral sayuran organik dan non-organik (setiap 100 gram berat kering) Buncis Jenis Sayur Kandungan Mineral (ppm) P Ca Mg B Mn Fe Cu Co Organik Non-Organik Kubis Organik Non-Organik Selada Organik Non-Organik Tomat Organik Non-Organik Bayam Organik Non-Organik Sumber: Organic Nutrition 1 1 Organic Nutrition The mineral content of organic food [diunduh pada tanggal 24 Oktober 2015] tersedia pada:

18 2 Data pada Tabel 1 menunjukkan adanya kandungan mineral yang berbeda antara sayuran organik dan non-organik, misalnya bayam organik mengandung mineral Mg sebesar ppm sedangkan bayam non-organik hanya mengandung Mg ppm. Sangat jelas bahwa dari beberapa sayuran organik dari Tabel 1 secara rata-rata memiliki kandungan mineral yang lebih besar jika dibandingkan dengan kandungan mineral pada sayuran non-organik. Hal ini dapat menjadikan sayuran organik akan semakin digemari dan menjadi alternatif pola konsumsi masyarakat. Sayuran sebagi alternatif pola konsumsi masyarakat Indonesia dapat diperkuat oleh data dari Statistik Pertanian Organik Indonesia (SPOI). Berdasarkan SPOI, pada tahun 2014 survei yang telah dilakukan di berbagai daerah di Indonesia, yaitu wilayah Jabobetabek, Jawa Barat, Jawa Tengah, Jawa Timur, Yogyakarta, Kalimantan, Sumatera, dan Bali, menunjukkan bahwa secara rata-rata masyarakat yang mengkonsumsi produk organik meningkat 40 persen dari tahun Peningkatan jumlah masyarakat yang mengkonsumsi produk organik menunjukkan semakin banyaknya orang yang percaya bahwa produk organik baik untuk mereka konsumsi. Masyarakat mengenal produk organik sebagai produk dengan bebas pupuk dan pestisida sintetis (25persen), baik bagi lingkungan (17 persen), dan nutrisi yang baik (16 persen) (Ariesusanty 2015). Meningkatnya minat masyarakat untuk mengkonsumsi produk organik ini tidak sejalan dengan pertumbuhan luas lahan pertanian organik di Indonesia yang justru mengalami penurunan yang ditunjukkan pada Tabel 2. Tabel 2 Pertumbuhan luas lahan organik yang disertifikasi tahun Sumber: SPOI 2015 Tahun Luas Lahan (Ha) pertumbuhan (%) (0.13) (0.31) (0.11) (1.00) Tabel di atas menyajikan data bahwa pertumbuhan positif terjadi pada tahun 2012, namun secara rata-rata pertumbuhan luas lahan organik yang disertifikasi di Indonesia tahun mengalami penurunan sebesar 0.27 persen. Penurunan terbesar bahkan terjadi pada tahun 2014 dengan penurunan mencapai satu persen dari tahun sebelumnya dan penurunan di tahun 2014 sebesar 35 persen jika dbandingkan dengan tanhun Menurut Ariesusanty (2015) penurunan luas lahan organik yang disertifikasi ini sejalan dengan penurunan jumlah produsen produk organik sebesar enam persen. Penurunan luas lahan pertanian organik tersebut disebabkan karena banyaknya produsen yang habis masa berlaku sertifikasinya tetapi tidak memperpanjangnya. Alasan lain diantaranya ialah banyak yang masih berlaku namun tidak melakukan pengawasan, sehingga masa berlaku sertifikasi organiknya menjadi tidak berlaku. Berdasarkan uraian diatas, konsumen produk organik meningkat 40 persen namun produsen menurun enam persen dan luas lahan bersertifikar organik tahun 2014 juga menurun 35 persen dibandingkan tahun Penurunan jumlah

19 3 produsen dan luas lahan bersertifikat organik akan berimplikasi pada penurunan produksi sayur organik, sedangkan peningkatan konsumen yang mengkonsumsi produk organik memungkinkan adanya peningkatan jumlah masyarakat yang mengkonsumsi sayuran organik. Hal ini menunjukkan adanya pola pertumbuhan yang berbeda antara produksi dengan pertumbuhan konsumsi sayuran organik di kalangan masyarakat. Adanya pertumbuhan yang berbeda antara produksi dan konsumsi sayuran organik ini memungkinkan adanya gap diantara keduanya. Potensi adanya gap antara supply dan demand ini menyebabkan pelaku usaha sayuran organik menghadapi ketidakpastian dalam memperkirakan waktu produksi dan jumlah sayuran yang akan dihasilkan. Ketika supply lebih besar dibandingkan dengan demand, maka akan terjadi excess supply yang memungkinkan adanya sayur yang tidak laku terjual dan terbuang sia-sia. Excess supply berimplikasi pada penurunan keuntungan perusahaan atau keuntungan yang kurang optimal, demikian juga sebaliknya jika supply jauh lebih kecil dari pada demand, maka akan terjadi excess demand yang menunjukkan penjualan sayur perusahaan kurang optimal. Hal ini merupakan poin penting yang melatar belakangi perlunya dilakukan peramalan permintaan dan perencanaan produksi oleh ADS sebagai pelaku usaha sayuran organik. Perencanaan produksi ini memerlukan peramalan permintaan selama beberapa waktu ke depan, sehingga perencanaan produksi sayur organik dapat sesuai dengan permintaan konsumen tepat jumlah dan tepat pada waktunya. Peramalan permintaan yang akurat nantinya dapat memperkecil gap antara supply dengan demand sayuran, sehingga dapat meningkatkan keuntungan ADS. Perumusan Masalah Agribusiness Development Station (ADS) merupakan unit bisnis yang berperan sebagai produsen sekaligus pedagang hortikultura. ADS ini berlokasi di Desa Cikarawang, Kecamatan Dramaga, Kabupaten Bogor. ADS memiliki kekuatan otonom di bawah koordinasi Pusat Kajian Hortikultura Tropika (PKHT) IPB. ADS IPB sebagai unit otonom ini dituntut untuk mandiri dalam menjalankan kegiatan operasional pengembangan produk hortikultura. Salah satu komoditas hortikultura yang dikembangkan di ADS IPB adalah sayuran organik, diantaranya ialah bayam hijau, bayam merah, caisim, kangkung, kailan dan selada keriting. ADS membangun sebuah sistem yang terintegrasi antara produksi dan pemasaran sebagai upaya dalam pengembangan produk hortikltura khususnya sayuran organik dan peningkatan pendapatan petani mitra. ADS melaksanakan kegiatan penanganan pascapanen sayuran yang diperoleh dari hasil produksi sendiri dan dari petani mitra. Langkah ADS selanjutnya mengelola kegiatan packing house seperti memberikan perlakuan berupa pembersihan, sortasi, grading, dan packing untuk meningkatkan kualitas produk sayuran yang akan dipasarkan. ADS telah memasarkan produknya ke beberapa hotel, restoran, beberapa outlet khusus, komunitas sayuran organik, pihak reseller, dan memasarkan ke berbagai wilayah Jabodetabek lebih dari 40 retail modern. Volume permintaan sayuran di ADS selama ini mengalami fluktuasi (lihat Tabel 3) terutama untuk komoditias bayam hijau, caisim, dan kangkung yang memiliki permintaan lebih besar dibandingkan sayuran lainnya. Adanya fluktuasi

20 4 permintaan tersebut mengakibatkan tidak seimbangnya antara permintaan dengan jumlah sayur yang diproduksi ADS. Jumlah permintaan dan jumlah produksi yang tidak seimbang ini menyebabkan adanya gap antara keduanya, sehingga terdapat excess demand bayam hijau, caisim, dan kangkung. Hal ini merupakan salah satu alasan yang dapat menunjukkan pentingnya peramalan permintaan dan perencanaan produksi sayuran organik dapat diterapkan oleh ADS IPB. Tabel 3 Fluktuasi permintaan sayur organik di ADS IPB bulan Januari-Juni 2015 Bayam Hijau (kg) Caisim (kg) Kangkung (kg) Bulan Excess Excess Excess Demand Supply Demand Supply Demand Supply Demand Demand Demand Januari Februari Maret April Mei Juni Perencanaan produksi sayuran di ADS selama ini hasilnya seringkali tidak sesuai dengan jumlah yang diminta oleh konsumen, sehingga penerimaan dari usaha sayuran organik kurang optimal. Perencanaan produksi yang dilaksankan oleh ADS tersebut cenderung belum dapat menentukan dengan pasti jumlah produksi sayuran karena perencanaan produksi yang dilakukan berdasarkan hasil diskusi pihak manajerial ADS secara kondisional dengan mengandalkan penalaran. Perencanaan tersebut lebih bersifat kualitatif karena proses perencanaan produksi lebih bersifat subjektif dari stakeholder. Berdasarkan alasan di atas, penelitian ini mencoba model peramalan permintaan yang bersifat kuantitatif. Peramalan permintaan ini diharapakan dapat memperkecil gap antara demand dengan supply sayuran organik di ADS IPB. Berdasarkan beberapa metode peramalan yang dilakukan, nantinya dipilih satu metode yang paling akurat. Metode terpilih tersebut harus sesuai dengan data yang memadai, kemudahan pemakaian, kesesuaian metode peramalan dengan jenis data, dan kesesuaian metode dengan tujuan peramalan atau kebutuhan. Selanjutnya penelitian ini nantinya dapat digunakan sebagai acuan untuk menyususn perencanaan produksi sayuran organik.. Jenis sayuran yang diproduksi ADS cukup beragam, sehingga peramalan yang dilakukan dalam penelitian ini hanya untuk beberapa komoditas saja. Komoditas sayuran yang dipilih untuk menjadi objek penelitian ialah sayuran organik yang unggul (permintaannya banyak dan pola datanya berfluktuasi). Berdasarkan pertimbangan tersebut, maka komoditi yang terpilih adalah bayam hijau, caisim, dan kangkung. Berdasarkan uraian diatas, maka perumusan masalah dalam penelitian ini ialah sebgai berikut: 1. Bagaimana peramalan permintaan sayuran organik (bayam hijau, caisim, dan kangkung) di ADS selama lima bulan ke depan (Maret-Juli 2016)? 2. Bagaimana perencanaan produksi (waktu tanam, waktu panen, dan jumlah produksi) sayuran organik untuk lima bulan ke depan?

21 5 Tujuan Penelitian Berdasarkan latar belakang dan perumusan masalah di atas, maka tujuan dari penelitian ini diantaranya ialah sebagai berikut : 1. Meramalkan permintaan harian sayuran organik (bayam hijau, caisim, dan kangkung) untuk periode lima bulan ke depan (bulan Maret-Juli 2016). 2. Menyusun perencanaan produksi sayuran organik terpilih berdasarkan hasil peramalan permintaan selama lima bulan ke depan yang telah dilakukan sebelumnya. Manfaat Penelitian Penelitian ini diharapkan memiliki beberapa manfaat, diantaranya ialah : 1. Hasil penelitian ini dapat menjadi pertimbangan pengambilan keputusan manajerial dalam penyusunan peramalan permintaan. 2. Sebagai pertimbangan perencanaan produksi sayuran organik sesuai dengan permintaan kosumen. 3. Sebagai bahan referensi atau acuan untuk peneliti lain yang akan melaksanakan penelitian sejenis atau penelitian lebih lanjut terkait dengan peramalan permintaan dan perencanaan produksi. Ruang Lingkup Penelitian Penelitian ini dilaksanakan dalam lingkup unit bisnis ADS IPB yang berlokasi di Desa Cikarawang, Kecamatan Dramaga, Kabupaten Bogor. Penelitian ini lebih menekankan pada peramalan permintaan sayuran organik yang unggul (permintaan banyak dan berfluktuasi) yaitu komoditas bayam hijau, caisim, dan kangkung. Peramalan permintaan dilakukan menggunakan metode kuantitatif yang didasarkan pada pola data permintaan tanpa menunjukkan faktor-faktor yang mempengaruhi permintaan sayuran. Data yang digunakan merupakan data permintaan historis tiga dua bulan, yaitu data permintaan harian sejak bulan Januari 2013 sampai Februari Peramalan permintaan lima bulan kedepan (Maret-Juli 2016) ini digunakan sebagai acuan dalam menyusun perencanaan produksi sayuran organik yang telah terpilih. Perencanaan produksi yang dilakukan meliputi perencanaan waktu tanam, waktu panen, luas tanam dan jumlah produksi sayuran organik. TINJAUAN PUSTAKA Peramalan Permintaan Peramalan permintaan yang dilaksanakan oleh pelaku usaha sayuran diharapkan dapat memberikan manfaat dalam penyediaan sayuran sesuai dengan permintaan konsumen. Kajian tentang peramalan permintaan sayuran telah

22 6 dilaksanakan oleh beberapa peneliti sebelumnya. Sebagian besar penelitian tersebut memiliki tujuan untuk menganalisis pola data permintaan beberapa komoditas pada masing-masing tempat penelitian untuk memperoleh model peramalan kuantitatif yang terbaik. Peramalan permintaan yang dihasilkan digunakan sebagai dasar untuk perencanaan produksi di setiap masing-masing tempat studi kasus. Adapun beberapa peneliti yang telah melakukan kajian peramalan permintaan sayuran diantanya ialah Ningsih (2004), Susanti (2006), Wisastri (2006), dan Rizki (2014). Ningsih (2004) telah melaksanakan penelitian tentang peramalan permintaan beberapa komoditas sayuran pada PT. Saung Mirwan, Bogor. Beberapa tahapan dalam penelitiannya yaitu mengidentifikasi pola permintaan sayuran dengan mengamati plot autokorelasinya, kemudian memilih metode peramalan yang sesuai dengan plot data masing-masing komoditi terpilih. Selain kesesuaian antara metode peramalan dengan plot data permintaan, metode peramalan terpilih juga harus memiliki akurasi tinggi, mudah dalam penggunaan, dan kesesuaian metode dengan kebutuhan atau tujuan peramalan. Pola data permintaan sayuran di PT. Saung Mirwan hasilnya tidak stasioner. Hal ini ditunjukkan oleh plot data yang memiliki unsur trend dan musiman. Berdasarkan pola data tersebut, metode peramalan kuantitatif model time series yang digunakan dalam penelitiannya ialah metode naif (naive), ratarata bergerak ganda (double moving average), metode linier satu parameter dari Brown, metode dua parameter dari Holt, metode tiga parameter dari Winters, dekomposisi, Box Jenkins (ARIMA), dan metode kausal (regresi). Metode peramalan terbaik dipilih ARIMA karena berdasarkan nilai MSE (mean square error) terkecil dibandingkan metode lainnyanya. Metode tersebut digunakan untuk meramalkan permintaan setahun kedepan pada komoditi brokoli, lettuce head, tomat ceri, dan tomat rianto. Sedangkan untuk komoditi kedelai jepang, metode terbaiknya adalah dekomposisi multiplikatif. Hasil ramalan permintaan sayuran satu tahun kedepan untuk komoditi brokoli diperkirakan menurun 9.34 persen, permintaan tomat rianto menurun 1.23 persen. Sedangkan permintaan komoditi lettuce head, kedelai jepang, dan tomat ceri, diperkirakan mengalami peningkatan masing-masing sebesar persen, 0.6 persen, dan persen (Ningsih 2004). Penelitian yang dilakukan oleh Susanti (2006) tidak jauh berbeda dengan penelitian Ningsih (2004) yaitu tentang peramalan permintaan sayuran, namun dengan komodi dan tempat yang berbeda. Susanti melakukan penelitian peramalan permintaan cabai merah studi kasus pasar induk Kramat Jati, DKI Jakarta. Hasil penelitian yang dilakukan Susanti (2006) berdasarkan identifikasi pola ACF dan PACF data permintaan cabai merah serta menganalisis autokorelasinya, pola data permintaan cabai merah tidak stasioner. Hal ini karena ada unsur trend yang menurun secara signifikan dan adanya unsur musiman. Berdasarkan pola data tersebut, peramalan kuatitatif terbaik adalah model ARIMA (1,1,1)(0,1,1) 51 dengan hasil ramalan selama empat bulan yang berfluktuasi antara ton hingga ton. Selanjutnya hasil uji regresi, harga rata-rata berpengaruh nyata dengan permintaan cabai di pasar induk Kramat Jati DKI Jakarta. Wisastri (2006) juga melakukan penelitian permintaan sayuran, tetapi yang dilakukan di PD. Pacet Segar Cianjur. Model peramalan time series yang

23 7 digunakan dalam penelitian Wisastri (2006) diantaranya ialah model rata-rata bergerak sederhana, rata-rata sederhana model dua parameter dari Holt, model Brown, model trend, model pemulusan tunggal, model Winter multiplikatif, dekomposisi (aditif dan multiplikatif), dan model ARIMA. Model regresi yang digunakan adalah regresi linier dan double log. Diantara beberapa metode peramalan tersebut, model ARIMA (2,1,2)(1,1,1) 6 merupakan model terakurat untuk meramalkan permintaan lettuce head karena nilai SE (standart error) terkecil diantara beberapa metode lain. Model terakurat untuk sawi putih dan brokoli ialah model dekomposisi aditif, sedangkan model terakurat untuk komoditi bunga kol dan wortel ialah dekomposisi multiplikatif. Penelitian yang dilakukan oleh Untari (2009), Carson (2010), serta Yang dan Hu (2013) membahas tentang peramalan dengan menggunakan data deret waktu. Untari (2009), menggunakan metode EGARCH digunakan untuk memodelkan nilai harian IHSG. Model EGARCH terbukti sangat baik dalam memodelkan IHSG harian. Carson (2010) meramalkan permintaan travel pesawat di Amerika menggunakan metode AIM. Peramalan dengan pendekatan AIM dapat digunakan untuk memprediksi permintaan travel secara agregat dengan menggunakan data panel. Selanjutnya Yang dan Hu (2013) meramalkan permintaan produk pertanian segar dengan menggunakan model ARIMA. Penelitian tersebut dilakukan untuk menyesuaikan antara supply dan demand produk pertanian segar. Berdasarkan beberapa penelitian di atas, secara umum persamaan dengan penelitian ini ialah peramalan permintaan sayuran dilakukan dengan beberapa tahap, seperti melakukan identifikasi pola data permintaan sayuran, melakukan peramalan menggunakan beberapa model, dan menentukan peramalan terakurat berdasarkan nilai MSE terkecil diantara beberapa metode lain yang telah dicoba sebelumnya. Perencanaan Produksi Berdasarkan studi empiris yang telah dilakukan, perencanaan produksi suatu komoditi tertentu dipengaruhi oleh hasil peramalan permintaan komoditas itu sendiri. Beberapa studi menunjukkan bahwa setiap komoditas yang diramalkan memiliki metode peramalan yang bervariasi sesuai dengan pola permintaannya. Kajian terkait dengan peramalan dan perencanaan produksi telah dilaksanakan oleh beberapa peneliti sebelumnya, diantaranya ialah Naibaho (2009), dan Rizki (2014). Naibaho (2009) mengkaji tentang perencanaan produksi agregat di PT. Wiska. Penelitiannya mengkaji tentang proses produksi handuk dan sistem perencanaan produksi agregat, serta mempelajari parameter yang dibutuhkan dalam formulasi sistem perencanaan produksi agregat di PT Wiska. Metode peramalan penjualan dalam penelitian tersebut menggunakan metode moving average, exponential smooting, trend projection, dan autoregresive integreted moving average (ARIMA). Berdasarkan keempat metode yang telah diuji, model ARIMA merupakan metode terakurat untuk meramalkan penjualan selama setahun, karena nilai error metode ARIMA lebih kecil dibandingakn ketiga metode yang lain. Setelah melakukan peramalan penjualan menggunakan

24 8 perangkat lunak Minitab, tahap selanjutnya ialah melakukan perencanaan produksi menggunakan perangkat lunak LINDO untuk meminimumkan biaya produksi handuk. Adapun parameter yang mempengaruhi proses produksi dalam formulasi sistem perencanaan produksi handuk secara agregat diantaranya ialah kapasitas gudang, waktu kerja yang tersedia, kecepatan produksi, tingkat ketersediaan produk jadi, dan jumlah permintaan pelanggan. Rizki (2014) melakukan penelitian tentang peramalan permintaan sayuran seperti yang telah dilaksanakan oleh Ningsih (2004), Susanti (2006), dan Wisastri (2006), perbedaannya adalah penelitian Rizki (2014) lebih difokuskan pada komoditas sayuran hidroponik. Sama halnya dengan penelitian Naibaho (2009), Rizki (2014) juga melakukan perencanaan produksi setelah melakukan peramalan permintaan, namun untuk komoditi yang berbeda. Rizki (2014) melakukan perencanaan produksi sayuran hidroponik pada PT. Kebun Sayur Segar yang berlokasi di Bogor. Penelitiannya menggunakan peramalan kuantitatif pada model time series yang diolah menggunakan perangkat lunak Microsoft Excel dan Minitab 16. Adapun model peramalan yang diuji coba diantaranya ialah model trend, naif (naive), rataan bergerak (moving average), smooting exponential, dekomposisi (aditif dan multiplikatif), dan ARIMA. Nilai eror terkecil diantara beberapa metode tersebut digunakan untuk menyusun perencanaan produksi sayuran hidroponik. Berdasarkan hasil ramalan permintaan selama lima bulan, permintaan bayam hijau berkisar antara pack/hari. Permintaan romaine berkisar antara pack/hari, dan peramalan permintaan kangkung berkisar antara pack/hari. Berdasarkan uraian diatas, maka penelitian ini memiliki perbedaan dalam hal objek yang diteliti, tempat penelitian, dan tambahan penggunaan software yang digunakan yaitu Eviews 7. Selanjutnya persamaannya ialah perencanaan produksi disusun berdasarkan hasil peramalan permintaan. Penelitian ini lebih difokuskan pada objek sayuran organik unggulan ADS dengan memperhatikan fluktuasi permintaan, adanya gap antara supply dan demand, serta memperhatikan pola sebaran data yang mempengaruhi penentuan metode peramalan yang paling akurat. Hasil dari peramalan tersebut nantinya digunakan sebagai acuan dalam penyusunan perencanaan produksi. KERANGKA PEMIKIRAN Kerangka Pemikiran Teoritis Konsep Perencanaan Produksi Produksi adalah proses pembuatan barang dan jasa. Manajemen operasi merupakan serangkaian aktivitas yang menghasilkan nilai dalam bentuk barang dan jasa dengan mengubah input menjadi output (Heizer dan Render 2005). Produksi merupakan suatu proses mengubah bahan baku menjadi produk jadi. Sistem produksi merupakan sekumpulan aktivitas untuk pembuatan suatu produk, dimana dalam pembuatan ini melibatkan tenaga kerja, bahan baku, mesin, energi, informasi, modal, dan tindakan manajemen. Perencanaan produksi berhubungan dengan volume, ketepatan waktu penyelesaian, utilitas kapasitas, dan pemerataan

25 beban. Rencana produksi harus terkoordinasi dengan perencanaan perusahaan. Ada beberapa tipe perencanaan produksi berdasarkan periode waktu, yaitu ada perencanaan jangka panjang, perencanaan jangka menengah, dan perencanaan jangka pendek. Perencanaan agregat termasuk dalam perencanaan produksi jangka menengah dan waktu perencanaannya dapat berkisar antara 1-24 bulan atau bervariasi antara satu hingga tiga tahun. Horizon waktu tersebut tergantung pada karakteristik produk dan jangka waktu produksi. Tujuan dari perencanaan produksi itu sendiri ialah menyusun suatu rencana produksi untuk memenuhi permintaan pada waktu yang tepat dengan menggunakan sumber daya atau alternatif sumberdaya yang tersedia dengan biaya tertentu untuk keseluruhan produk. Perencanaan produksi ini merupakan langkah awal aktivitas untuk menyususn jadwal produksi (Baroto 2002). Manajemen produksi merupakan serangkaian proses dalam menciptakan barang, jasa, atau kegiatan yang mengubah bentuk dengan menciptakan atau menambah manfaat suatu barang atau jasa yang akan digunakan untuk memenuhi kebutuhan manusia (Rusdiana 2014). Menurut Baroto (2002) penyusunan jadwal induk produksi ini relatif sulit, karena order atau permintaan yang bersifat tidak pasti. Produk apa, kapan, dan berapa jumlah yang diminta atau dipesan tidak dapat dipastikan. Mungkin dalam suatu periode tertentu ada permintaan berbagai jenis produk secara bersamaan dalam jumlah besar, padahal kapasitas produksi terbatas. Perusahaan dalam mengatasi masalah tersebut dapat meningkatkan kapasitas produksi. Periode berikutnya, mengalami penurunan permintaan yang cukup drastis dalam jenis dan jumlahnya, sehingga ada supply yang berlebih. Beberapa akibat dapat terjadi jika jadwal induk produksi tidak disusun secara tepat Menurut Baroto (2002), diantaranya ialah sebagai berikut: a. Produksi yang tidak sesuai dengan permintaan. Jumlah produksi terlalu banyak akan beresiko adanya persediaan yang dapat meningkatkan biaya untuk penanganan, listrik, dan adanya risiko barang menjadi rusak. Barang produksi kurang dari permintaan akan mengakibatkan stock out yang dapat mengakibatkan konsumen kecewa, perusahaan tidak jadi mendapat keuntungan, dan bahkan konsumen dapat lari ke pesaing. b. Utilitas kapasitas yang tidak optimal. Utulitas (tingkat penggunaan) kapasitas yang baik adalah jika 80 persen kapasitas digunakan secara seragam (tidak naik turun) di setiap produksi. Utilitas rendah membuat investasi yang sudah ditanamkan sia-sia, bisa jadi sumber daya lain menjadi tidak dimanfaatkan, biaya operasi dan opportunity cost terjadi terus. Utilitas melebihi beban normal beresiko sumberdaya akan cepat rusak. c. Keterlambatan waktu penyerahan. Konsumen atau pelanggan yang kecewa karena keterlambatan penyerahan produk, bisa lari ke produk pesaing. d. Beban produksi tidak merata. Beban kerja yang tidak merata pada setiap periode akan menimbulkan banyak permasalahan, salah satunya berhubungan dengan tenaga kerja. Beban kerja yang naik turun setiap periodenya mengakibatkan jumlah tenaga kerja juga bervariasi. 9

26 10 Konsep Organik Sebuah produk dapat disebut produk organik jika dalam proses budi dayanya menggunakan pupuk, pestisida, atau bahan lain yang bersifat organik atau hayati. pupuk organik merupakan pupuk yang tersusun dari materi mahluk hidup. Sebagian besar pupuk organik berbentuk padat seperti pupuk kandang, dan kompos. Namun dengan kemajuan teknologi, pupuk organik dapat dikembangkan menjadi pupuk cair. Beberapa manfaat pupuk organik ialah memperbaiki sifat kimia tanah, meningkatkan daya serap tanah terhadap air, meningkatkan evektivitas mikro organisme tanah, ramah lingkungan, dan lebih murah (Parnata 2010). Pertanian organik didefinisikan sebagai suatu sistem produksi pertanian yang berasaskan daur-ulang hara secara hayati. Daur-ulang hara dapat melalui sarana limbah tanaman dan ternak, serta limbah lainnya yang mampu memperbaiki status kesuburan dan struktur tanah. Daur-ulang hara merupakan teknologi tradisional yang sudah cukup lama dikenal sejalan dengan perkembangan peradaban manusia (Susanto 2002). Filosofi yang melandasi pertanian organik menurut Susanto (2002) ialah mengembangkan prinsip memberi makan pada tanah yang selanjutnya tanah menyediakan makanan untuk tanaman (feeding the soil that feeds the plant), dan bukan memberikan makanan langsung pada tanaman. (Von Uexkull 1984 dalam Susanto 2002) memberikan istilah membangun kesuburan tanah. Strategi pertanian organik adalah memindahkan hara secepatnya dari sisa tanaman, kompos dan pupuk kandang menjadi biomassa tanah yang selanjutnya telah mengalami proses mineralisasi akan menjadi hara dalam larutan tanah. Unsur hara didaur ulang melalui satu atau lebih tahapan bentuk senyawa organik sebelum diserap tanaman. Hal ini berbeda dengan pertanian konvensional yang memberikan unsur hara secara cepat dan langsung dalam bentuk larutan atau butiran, sehingga dapat segera diserap dengan takaran dan waktu pemberian yang sesuai dengan kebutuhan tanaman. Teori Permintaan Permintaan merupakan gabungan atau kombinasi dari jumlah produk atau jasa yang diminta oleh perorangan. Permintaan tergantung pada semua tingkat harga dan pendapatan yang dibelanjakan masing-masing individu (Nicholson, 2001). Setiap orang bergantung pada pendapatannya sendiri karena masingmasing orang terikat dengan batasan anggaran yang menentukan berapa jumlah barang yang dapat dibelinya dengan pendapatannya (Nicholson 1995) Teori permintaan memiliki hipotesis ekonomi dasar yang menyatakan bahwa jumlah yang diminta akan dipengaruhi oleh harga komoditi tersebut, sedangkan harga komoditas lain, pendapatan konsumen, atau pun selera konsumen dianggap tetap. Hal tersebut sejalan dengan pernyataan (Lipsey et al 1995) yang menyatakan bahwa banayaknya jumlah yang akan dibeli semua rumah tangga pada periode waktu tertentu akan dipengaruhi oleh beberapa variabel, yaitu harga komoditi itu sendiri, rata-rata penghasilan rumah tangga, harga komoditi yang berkaitan, selera, distribusi pendapatan diantara rumah tangga, dan besarnya populasi penduduk. Suatu hipotesis ekonomi dasar bahwa harga suatu komoditi dan jumlah yang akan diminta memiliki hubungan yang negatif, dengan menganggap variabel lain tetap.

27 11 Teori Penawaran Penawaran menggambarkan jumlah yang akan dijual para produsen pada harga-harga alternatif komoditi tertentu. Teori mendasar yang menyatakan bahwa untuk kebanyakan komoditi, harga komoditi dan kuantitas atau jumlah yang akan ditawarkan memiliki hubungan yang positif dengan menganggap faktor lain tetap sama. Semakin tinggi harga komoditi, maka akan semakin tinggi pula jumlah yang akan ditawarkan. Begitu juga sebaliknya jika harga semakin rendah, maka semakin rendah pula jumlah yang akan ditawarkan (Lipsey et al 1995). Jumlah yang ditawarkan merupakan komoditi yang diinginkan perusahaan untuk menjualnya dalam jangka waktu tertentu. Jumlah yang ditawarkan belum tentu sama dengan jumlah yang berhasil mereka jual. Jumlah yang ditawarkan dipengaruhi oleh beberapa variabel penting, seperti harga komoditi itu sendiri, harga-harga inputnya, tujuan perusahaan, dan keadaan teknologi (Kadariah 1994). Teori Peramalan Permintaan Kegiatan penerapan model yang telah dikembangkan pada waktu yang lalu dinamakan proyeksi, sedangkan kegiatan penerapan model yang telah dikembangkan pada waktu yang akan datang dinamakan peramalan. Sehubungan dengan itu, sebelum model yang dikembangkan digunakan untuk peramalan, model itu seyogyanya diuji terlebih dahulu pada kegiatan proyeksi untuk mengetahui apakah model itu cukup tepat untuk digunakan atau tidak. Hal ini berlaku untuk metode-metode peramalan kuantitatif, yaitu metode yang didasarkan pada data yang telah ada (Aritonang 2002). Peramalan (forecasting) permintaan akan produk dan jasa diwaktu mendatang dan bagian-bagiannya sangat penting dalam perencanaan dan pengawasan produksi. Peramalan yang baik adalah esensial untuk efisisensi operasi-operasi manufacturing dan produksi jasa. Manajemen produksi atau operasi menggunakan hasil peramalan dalam pembuatan keputusan yang menyangkut pemilihan proses, perencanaan kapasitas, dan layout fasilitas, serta untuk berbagai keputusan yang bersifat terus menerus berkenaan dengan perencanaan, scheduling, dan persediaan (Handoko 1994). Menurut Baroto (2002) peramalan permintaan dapat digunakan sebagai dasar untuk menentukan kebijakan pengendalian dari sistem persediaan (inventory), membuat perencanaan produksi, menentukan kebutuhan peralatan, bahan, serta untuk menentukan tingkat tenaga kerja selama periode produksi. Jenis-Jenis Peramalan Aritonang (2002) menyatakan bahwa jenis peramalan dapat dibedakan berdasarkan ruang lingkup, metode yang digunakan, dan berdasarkan jangka waktunya. Berdasarkan ruang lingkupnya, peramalan dibedakan menjadi peramalan mikro dan makro. Peramalan kondisi perekonomian lima tahun yang akan datang (makro) dan peramalan kondisi perusahaan lima tahun yang akan datang (mikro). Berdasarkan metode peramalan yang digunakan, peramalan dibedakan menjadi peramalan kualitatif dan peramalan kuantitatif. Metode kualitatif lebih didasarkan pada intuisi dan penilaian dari orang yang melakukan peramalan daripada memanipulasinya (menganalisis dan pengolahan) data historis yang tersedia. Metode kuantitatif didasarkan pada pengolahan data yang tersedia secara memadai, dan tanpa intuisi atau penilaian subjektif dari orang yang

28 12 melakukan penelitian. Metode kuantitatif ini umumnya didasarkan pada analisis statistik. Peramalan berdasarkan jangka waktunya dibedakan menjadi peramalan jangka panjang dan jangka pendek. Peramalan jangka panjang biasanya dilakukan oleh pemimpin puncak, dan peramalan jangka pendek biasanya dilakukan oleh pimpinan tingkat menengah ataupun bawah dan lebih bersifat operasional (Aritonang 2002). Selanjutnya Menurut Baroto (2002) cakupan peramalan dapat diklasifikasikan menjadi empat, yaitu peramalan segera (kurang dari 1 bulan), peramalan jangka pendek (1-2 bulan), peramalan jangka menengah (3 bulan-3 tahun), dan peramalan jangka panjang (lebih dari 3 tahun). Pola data Permintaan Menurut Baroto (2002) pola permintaan dalam peramalan time series dapat diketahui dengan membuat scatter diagram, yaitu pemplotan data histories selama interval waktu tertentu. Hasil dari scatter diagram ini secara visual akan dapat diketahui bagaimana hubungan antara waktu dengan permintaan. Pola/ komponen permintaan adalah suatu pola pergerakan jangka panjang dari tampilan data-data scatter diagram permintaan. Menurut Handoko (1994), Makridakis et al (1995), Aritonang (2002), dan Hanke et al (2003), terdapat empat jenis pola permintaan, yaitu Trend, musiman, siklikal, dan horizontal. a. Pola trend muncul ketika pola data menaik atau menurun pada periode yang panjang. b. Pola musiman muncul apabila observasi data dipengaruhi oleh faktor musiman. Komponen musiman mengacu pada suatu pola perubahan yang berulang dengan sendirinya dari tahun ke tahun. c. Pola siklik muncul ketika observasi data memperlihatkan kenaikan dan penurunan pada periode yang tidak tetap. Komponen siklik mirip fluktuasi gelombang di sekitar trend yang sering dipengaruhi oleh kondisi ekonomi. d. Pola horisontal muncul ketika data observari berfluktuasi disekitar mean atau tingkatan yang konstan. Jenis pola horisontal ini sering disebut pola stasioner terhadap mean. Metode Peramalan Model Time Series Model time series adalah metode peramalan secara kuantitatif dengan menggunakan waktu sebagai dasar peramalan. Secara umum, permintaan pada masa yang akan datang dipengaruhi oleh waktu. Diperlukan data historis untuk membuat suatu peramalan permintaan. Data historis tersebut dianalisis dengan menggunakan parameter waktu sebagai dasar analisis (Hanke et al 2003). a. Model peramalan sederhana (naive) Model naive digunakan untuk mengembangkan model sederhana yang mengasumsikan bahwa periode yang baru berlalu adalah prediktor terbaik masa depan. Peramalan naive terkadang disebut sebagai peramalan yang paling sederhana dan peramalan tanpa perubahan (Hanke et al 2003). b. Model Trend Trend merupakan pergerakan jangka panjang di dalam deret waktu, seringkali dijelaskan sebagai garis lurus atau kurva halus. (Hanke et al 2003) mengkalisifikasikan model trend menjadi tiga bagian, diantaranya ialah sebagai berikut:

29 1. Trend linier muncul sebagai garis linier kasar. Kenaikan dan penurunannya seperti garis lurus. Model linier mengasumsikan bahwa suatu menaik atau menurun sebesar suatu konstanta tertentu disetiap periode tertentu. 2. Trend kuadratik membentuk kurva yang berbeda dengan garis lurus, dan membutuhkan permodelan trend disepanjang daur hidup suatu produk tertentu. 3. Trend eksponensial dapat digunakan ketika deret waktu mulai secara lambat dan kemudian meningkat dengan laju cepat diamana persentase perbedaan dari setiap observasi konstan. c. Model peramalan berbasis rata-rata Menurut Hanke et al (2003) model peramalan berbasis rata-rata terbagi menjadi tiga macam, yaitu: 1. Model rata-rata sederhana (simple average) Metode rata-rata sederhana adalah teknik yang tepat apabila gejolak yang membentuk deret waktu telah distabilkan dan lingkungan dimana deret data berada secara umum tidak berubah atau stasioner. 2. Model rata-rata bergerak sederhana (simple moving average) Metode rata-rata bergerak sederhana menggunakan mean semua data untuk meramal. Model ini cocok digunakan unuk data yang stasioner. 3. Model rata-rata bergerak ganda (double moving average) Suatu cara peramalan data deret waktu dengan trend linier adalah menggunakan rata-rata bergerak ganda. Model ini menghitung suatu kelompok rata-rata bergerak, dan kemudian kelompok ke dua dihitung rata-rata bergerak hasil kelompok pertama. d. Model pemulusan eksponensial (exponential smoothing) Menurut Makridakis et al (1995) pembobotan menurun secara eksponensial terhadap nilai observasi dari observasi sebelumnya. Pemulusan eksponensial merupakan prosedur yang secara berkesinambungan merevisi ramalan dalam pengalaman yang lebih terkini. Hanke et al (2003) mengkalsifikasikan metode pemulusan eksponensial menjadi tiga macam, yaitu: 1. Model pemulusan eksponensial tunggal (single exponential smoothing). Pemulusan eksponensial sederhana menyediakan rata-rata bergerak setimbang secara eksponensial semua nilai pengamalan yang lalu, model ini cocok untuk tanpa trend. 2. Model pemulusan eksponensial ganda (double exponential smoothing) atau metode Holt dua parameter. Data amatan pada beberapa kondisi akan mengandung trend dan berisi informasi yang memungkinkan antisipasi pergerakan naik di masa depan. Teknik Holt memuluskan tingkatan dan slope secara langsung dengan menggunakan konstanta pemulusan yang masing-masing berbeda. 3. Model pemulusan eksponensial disesuaikan untuk trend dan variasi musiman (metode Winters). 13

30 14 Model Winters merupakan pengembangan dari model Holt yang dapat mengurangi galat ramalan. Satu tambahan persamaan digunakan untuk estimasi musiman. Ada empat persamaan yang digunakan model winters berupa deretan pemulusan eksponensial, estimasi trend, estimasi musiman, dan ramalan untuk periode ke depan. e. Model Dekomposisi Ada dua macam model dekomposisi, yaitu : 1. Model komponen aditif Model aditif merupakan model yang memperlakukan nilai-nilai deret waktu sebagai jumlah dari komponen trend, siklis, musiman, dan ketidak beraturan. Model komponen aditif kerjanya sangat baik untuk deret waktu yang keragamannya kurang lebih sama sepanjang deret. Semua deret berada pada lebar yang konstan berpusat pada trend (Hanke et al 2003). 2. Model komponen multiplikatif Model multiplikatif memperlakukan nilai-nilaia deret waktu sebagai hasil perkalian dari komponen trend, siklis, musiman, dan ketidak beraturan. Model komponen multiplikatif cocok untuk deret waktu yang keragamannya menaik dengan tingkat tertentu, sehingga nilai deret tersebar sebagaimana trend yang meningkat (Hanke et al, 2003). f. Model Box Jenkins (ARIMA) Menurut Hanke et al (2003), model Box-Jenkins berbeda dengan kebanyakan metode yang lainnya, karena model ini tidak mengasumsikan pola tertentu pada data historis deret waktu yang diramalkan. Metodologi Box-Jenkins mengacu pada himpunan prosedur untuk mengidentifikasi, mencocokkan, dan memeriksa model ARIMA dengan data deret waktu. Model ini terdiri dari tiga model, yaitu : 1. Model Autoregressive (AR) Model autoregresif mengekspresikan suatu fungsi nilai terdahulu dari deret waktu. Koefisien autokorelasi mengarah pada nol, sedangkan koefisien autokorelasi parsial turun ke nol setelah waktu ke dua. Pola jenis ini umumnya benar untuk setiap model AR (p) (Hanke et al 2003). 2. Model Moving Average (MA) Model rata-rata bergerak (MA) ini dinotasikan sebagai (q). Menurut Makridakis et al (1995) model MA secara eskplisit terdapat suatu hubungan ketergantungan antara nilai-nilai kesalahan yang berurutan dan persamaanya. Pemakaian ungkapan rata-rata bergerak (MA) pada terminologi deret berkala ini berbeda ungkapannya dengan bagian pemulusan. MA disini hanya sebagai referensi untuk serangkaian istilah yang menyangkut kesalahankesalahan pada periode yang berbeda. 3. Model Integrasi (ARIMA) Model autoregresif (AR) dapat secara efektif digabungkan dengan model moving average (MA) untuk membentuk kelas model yang sangat umum dan berguna dalam model berkala yang biasanya disebut ARMA atau ARIMA. Model ARIMA merupakan kombinasi dari autoregressive integrated moving average. Kata

31 15 integrated menunjukkan adanya differencing yang dinotasikan dengan (d), sehingga ARIMA dapat dinotasikan sebagai (p,d,q) (Makridakis et al 1995). ARIMA juga dapat digunakan untuk meramalkan permintaan yang berpola musiman, sehingga menjadi SARIMA (seasonal autoregressive integrated moving average). ARIMA atau SARIMA secara keseluruhan dapat juga dinotasikan sebagai (p,d,q)(p,d,q) L. Pengukuran Galat Peramalan Menurut Hanke et al (2003) pemilihan model terbaik atau model terakurat dapat didasarkan pada tingkat galat yang kecil (kesalahan terkecil dalam memprediksi). Beberapa alat ukur yang dapat digunakan untuk menghitung galat peramalan diantaranya ialah sebagai berikut: a. Suatu pengukuran galat peramlan menggunakan penjumlahan galat absolut. Mean Absolut Deviasi (MAD) mengukur keakuratan ramalan melalui rata-rata keadaan galat ramalan (nilai absolut setiap galat). b. Mean Square Error (MSE) adalah metode lain untuk mengevaluasi teknik peramalan. Setiap galat dikuadratkan kemudian dijumlahkan dan dibagi dengan jumlah pengamatan. MSE dapat digunakan untuk membandingkan dengan MSE dari bebrapa metode peramalan. c. Mean Absolute Percentage Error (MAPE) digunakan untuk meghitung galat peramalan dalam bentuk persentase. MAPE dihitung dengan mencari galat absolut setiap periode, dan membaginya dengan pengamatan aktual. Nilai MAPE merupakan indikasi seberapa besar galat ramalan dibandingkan dengan nilai aktualnya. Kerangka Pemikiran Operasional Agribusiness Development Station (ADS) merupakan salah satu produsen sayuran organik di Jawa Barat. Beberapa sayuran yang diproduksi ADS memperoleh sertifikat organik diantaranya ialah bayam hijau, bayam merah, caisim, kangkung, kailan, dan selada keriting. ADS juga melakukan kemitraan dengan petani untuk meningkatkan pendapatan para petani hortikultura terutama sayuran dengan membangun sistem yang terintegrasi antara produksi dan pemasaran. Maanfaat kemitraan antara petani dengan ADS ialah memberikan pasar yang jelas bagi petani dan petani juga memperoleh pendampingan dari ADS dalam memproduksi sayuran organik yang dapat diakui kualitasnya. Peran lain dari ADS adalah sebagai unit kerja yang mengelola packing house untuk mendukung kegiatan pemasaran sayuran organik yang diproduksi ADS dan petani mitra. Perencanaan produksi sayuran di ADS IPB ditentukan oleh manajer produksi. Perencanaan produksi tersebut diperoleh berdasarkan prediksi permintaan yang dilakukan oleh manajer pemasaran. Bagian pemasaran memperoleh prediksi permintaan sayuran berdasarkan permintaan bulan-bulan sebelumnya. Prediksi permintaan yang dilakukan masih bersifat subjektif dari manajer yang menentukan keputusan. Perencanaan dengan cara yang subjektif memungkinkan ADS seringkali dihadapkan pada kondisi peramalan permintaan

32 16 yang tidak tepat atau kurang akurat. Peramalan yang tidak akurat ini berimplikasi pada perbedaan antara hasil jumlah produksi dan jumlah permintaan sayuran organik, sehingga terdapat gap antara supply dan demand. Gap antara supply dan demand ini juga disebabkan oleh komponen waktu (waktu tanam hingga panen) dan fluktuasi dari permintaan sayuran organik yang selalu berubah. Permintaan dan penawaran sayuran yang tidak sesuai dapat berpengaruh pada profitabilitas ADS dan mempengaruhi besarnya penerimaan petani mitra. Oleh karena itu, ADS memerlukan perencanaan produksi yang lebih akurat dengan melakukan peramalan permintaan secara kuantitatif untuk memperkecil gap anatar supply dan demand sayur organik. Peramalan dengan metode kuantitatif dapat menghasilkan peramalan yang lebih akurat. peramalan yang bersifat kuantitatif tersebut dilakukan berdasarkan pola data dan beberapa metode time series. Hasil dari beberapa metode time series tersebut dipilih satu metode yang paling akurat dengan melihat nilai MSE (error) terkecil diantara beberapa metode peramalan yang telah dicoba sebelumnya. Berdasarkan hasil ramalan yang telah dipilih, selanjutnya dapat disusun perencanaan produksi berupa estimasi waktu tanam, waktu panen, dan jumlah sayur organik yang akan diprodusi. Adapun alur kerangka pemikiran dari penelitian ini dapat dilihat pada Gambar 1. Agribusiness Development Station (ADS) IPB hanya menerapkan peramalan permintaan sayuran organik secara subjektif Fluktuasi permintaan produksi dipengaruhi komponen waktu Gap permintaan dan produksi Peramalan permintaan secara kuantitatif Hasil peramalan permintaan Perencanaan Produksi Gambar 1 Kerangka pemikiran peramalan dan perencanaan produksi sayuran organik pada Agribusiness Development Station (ADS)

33 17 METODE PENELITIAN Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan di Agribusiness Development Station (ADS) IPB yang berlokasi di Desa Cikarawang, Kecamatan Dramaga, Kabupaten Bogor, Jawa Barat. Lokasi penelitian ini dipilih secara sengaja (purposive) karena mempertimbangkan peran ADS sebagai produsen sekaligus pedagang sayuran organik. Alasan lain pemilihan lokasi ini yaitu adanya gap antara supply dan demand sayuran organik dan ketersediaan data yang memadai. Proses pengambilan data dalam penelitian ini dilaksanakan selama dua bulan, mulai dari pertengahan bulan Desember 2015 sampai Februari Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data primer dan data sekunder. Data primer diperoleh dari hasil wawancara dengan pihak manajer dan karyawan ADS. Wawancara dilakukan untuk mengetahui profil dan sejarah perkembangan ADS, serta serangkaian kegiatan agribisnis sayuran organik dari hulu hingga hilir. Data sekunder yang digunakan adalah data perkembangan permintaan konsumen dan pelanggan sayuran organik di ADS selama tiga tahun dua bulan (permintaan sayur organik pada bulan Januari 2013 hingga Februari 2016). Data permintaan sayuran organik diperoleh dari dokumen ADS. Data sekunder lain yang digunakan dalam penelitian ini, diperoleh dari beberapa studi literatur berupa skripsi, jurnal, dan buku-buku yang relevan dengan topik penelitian. Metode Pengolahan dan Analisis Data Data kuantitatif yang digunakan merupakan data perkembangan permintaan dari beberapa sayuran unggulan ADS, diolah menggunakan program Microsoft excel, Eviews, dan Minitab. Ketiga software tersebut dipilih karena telah banyak yang mengenal dan mudah digunakan, sehingga hasil penelitian ini dapat diterapkan oleh manajer di ADS. Data kuantitatif yang sudah diolah dengan Microsoft excel, Eviews, dan Minitab, disajikan dalam bentuk tabel dan grafik. Berbeda halnya dengan data kuantitatif, data kualitatif dianalisis dengan menguraikan dan mendeskripsikan tabel dan grafik yang telah dihasilkan, dan disajikan dalam bentuk narasi. Identifikasi Pola Data Permintaan Sayuran Organik Pola data permintaan sayuran organik di ADS dapat diidentifikasi melalui plot data permintaan dan plot autokorelasinya. Beberapa data permintan sayuran organik seperti bayam hijau, caisim, dan kangkung selama beberapa tahun dibuat dalam bentuk tabel menggunakan Microsoft Excel untuk mengidentifikasi pola datanya apakah memiliki unsur trand, musiman, siklus, atau stasioner. Tahap

34 18 setelah identifikasi pola data dilakukan adalah mengidentifikasi plot autokorelasi (ACF) dan plot autokorelasi parsial (PACF) dari deret data permintaan sayuran dengan menggunakan Eviews. Eksplorasi pola data permintaan dengan analisis autokorelasi dilakukan juga untuk mengidentifikasi apakah data permintaan sayuran organik di ADS terdiri dari komponen seperti trend, musiman, atau stasioner. Identifikasi pola data berdasarkan nilai koefisien autokorelasi memiliki pedoman sebagai berikut : a. Apabila nilai koefisien autokorelasi pada beberapa time lag pertama secara berurutan berbeda nyata dengan nol, atau koefisien autokorelasi biasanya lebih besar untuk beberapa selang waktu pertama, kemudian secara bertahap turun menjadi nol ketika periode waktunya semakin meningkat, maka data tersebut merupakan data trand. b. Apabila nilai koefisien autokorelasi pada time lag dua periode atau tiga periode tidak berbeda nyata dari nol, maka data tersebut merupakan data stasioner. Koefisien autokorelasi untuk data stasioner ini turun dengan cepat ke angka nol setelah selang ke dua atau ke tiga selang waktu. c. Apabila nilai dari koefisien autokorelasi pada beberapa time lag secara berurutan berbeda nyata dengan nol, maka data tersebut memiliki unsur musiman. Pemilihan Metode Peramalan Faktor utama yang mempengaruhi pemilihan metode peramalan permintaan dalam penelitian ini adalah identifikasi pola data permintaan. Jika pola data permintaan sayuran organik memiliki unsur trend, siklik, musiman, atau stasioner, maka teknik yang mampu secara efektif mengeksplorasi pola tersebut dapat dipilih. Adapun teknik peramalan yang dapat dieksplorasi berdasarkan pola permintaan sayuran organik diantaranya ialah sebagai berikut : a. Apabila data permintaan berpola trend (T), maka teknik peramalan yang sesuai adalah rata-rata bergerak, pemulusan eksponensial linier Holt, regresi linier sederhana, model eksponensial, dan model rata-rata bergerak integrasi autoregresif (ARIMA) atau model Box-Jenkins. b. Apabila data permintaan berpola musiman atau seasional (S), maka teknik peramalan yang sesuai adalah, dekomposisi, pemulusan eksponensial Winters, dan model ARIMA (metode Box-Jenkins). c. Apabila data permintaan berpola siklikal (C), maka teknik peramalan yang sesuai adalah metode rata-rata bergerak, pemulusan eksponensial, dekomposisi klasik, dan ARIMA (metode Box-Jenkins). d. Apabila data permintaan berpola stasioner, maka teknik peramalan yang sesuai adalah metode naif, metode rata-rata sederhana, rata-rata bergerak, pemulusan eksponensial linier Holt sederhana, dan ARIMA. Penerapan Metode Peramalan Time Series Pola data permintaan sayuran organik setelah diidentifikasi, tahap selanjutnya adalah melakukan peramalan permintaan dengan menggunakan teknik peramalan yang telah ditetapkan berdasarkan pola datanya. Metode peramalan time series yang digunakan dalam penelitian ini didasarkan pada pola data tanpa menunjukkan faktor-faktor yang mempengaruhinya. Beberapa metode time series tersebut diantaranya ialah model pemulusan eksponensial Winters, model

35 19 dekomposisi (aditif dan multiplikatif), dan model Box Jenkins (SARIMA). Formula dari masing-masing model tersebut menurut Hanke et al (2003) ialah sebagai berikut: a. Metode pemulusan eksponensial (Exponential Smoothing) Model pemulusan eksponensial disesuaikan untuk trend dan variasi musiman dari Winters. Ada empat persamaan yang digunakan model winters, ialah sebagai berikut : Deretan pemulusan eksponensial Lt = α Y t /S t-s + (1 α) (L t-1 +T t-1 ) Estimasi trend T t = β (L t L t-1 ) + (1 β) T t-1 Estimasi musiman S t = ɤ Y t /L t + (1- ɤ) S t-s Ramalan p periode ke depan Ŷ t+p = (L t + pt t ) S t - s + p Keterangan : ɤ = konstanta pemulusan estimasi musiman (0 ɤ 1). S t = estimasi musiman S = panjangnya musiman. b. Metode Dekomposisi Ada dua macam model dekomposisi, yaitu : 1. Model komponen aditif Ŷ t = T t + S t + C t + I t 2. Model komponen multiplikatif Ŷ t = T t x S t x C t x I t Keterangan : Ŷ t = ramalan untuk periode ke t T t = komponen tren pada waktu ke t S t = komponen musiman pada waktu ke t C t = komponen siklis pada waktu ke t I t = komponen random pada waktu ke t. c. Metode Box Jenkins (ARIMA) Adapun diagram alir metode Box Jenkins ialah sebagai berikut: Perumusan model-model secara umum Identifikasi model sementara Pengestimasian perameter dari model sementara Uji diagnostik: Apakah model memadai? Ya Tidak Penggunaan model untuk peramalan Gambar 2 Diagram alir metode Box Jenkins

36 20 Metode Box Jenkins (ARIMA) terdiri dari tiga model, yaitu : 1. Model Autoregressive (AR) Model auto-regresif mengekspresikan suatu funsi nilai terdahulu dari deret waktu. Y t = ϕ 0 + ϕ 1 Y t-1 + ϕ 2 Y t ϕ p Y t-p + ɛ t Keterangan : Y t = AR yang diprediksi = variabel respon (terikat) pada waktu ke t ϕ 0, ϕ 1, ϕ 2,..., ϕ p = koefisien yang diestimasikan ɛ t = komponen galat ϕ 0 = µ (1- ϕ 1 - ϕ 2,...- ϕ p ) 2. Model Moving Average (MA) Y t = µ + ɛ t ω 1 ɛ t-1 ω 2 ɛ t ω q ɛ t- q Keterangan : Y t = variabel respon (terikat) pada saat t µ = konstanta model ɛ t = komponen galat ω 1, ω 2,..., ω q = koefisien yang diestimasikan ɛ t-1, ɛ t-2,..., ɛ t- q = galat pada periode waktu sebelumnyayang pada saat t, nilainya menyatu dengan nilai respon Y t. 3. Model integrasi (ARMA) Y t = ϕ 0 + ϕ 1 Y t-1 + ϕ 2 Y t ϕ p Y t-p + ɛ t ω 1 ɛ t-1 ω 2 ɛ t ω q ɛ t- q Model autoregresif dikombinasikan dengan model rata-rata bergerak untuk mendapatkan model bauran autoregresif rata-rata bergerak. Model ditampilkan dengan notasi ARIMA (p,d,q), Selanjutnya model ARIMA untuk musiman dinotasikan sebagai (p,d,q)(p,d,q) L. Keterangan: p = ordo nonseasional autoregressive d = ordo nonseasional moving average q = nonseasonal differencing P = ordo seasional autoregressive Q = ordo seasional moving average D = seasonal differencing L = banyaknya periode dalam satu putaran musim Adapun model ARIMA (p,d,q)(p,d,q) L yang dinotasikan dalam variabel asal (Y t ) ialah sebagai berikut: (1- ϕ 1 B- ϕ 2 B ϕ P B P )( 1-Ф 1L B 1L -Ф 2L B 2L Ф PL B PL )(1-B) d (1- B L ) D (Y t ) = µ+(1- ω 1 B- ω 2 B ω q B q )(1-Ω 1L B 1L - Ω 2L B 2L Ω QL B QL )(ɛ t ) Keterangan: Y t = variabel respon (terikat) pada saat t µ = konstanta model ɛ t = error ke-t (1-ϕ 1 B- ϕ 2 B ϕ P B P ) = merupakan nonseasonal AR (1- ω 1 B- ω 2 B ω q B q ) = merupakan nonseasonal MA ( 1-Ф 1L B 1L -Ф 2L B 2L Ф PL B PL = merupakan seasonal AR (1-Ω 1L B 1L - Ω 2L B 2L Ω QL B QL ) = merupakan seasonal MA.

37 21 Pemilihan Metode Peramalan Time Series Identifikasi pola data dan pemilihan metode peramalan yang sesuai jika telah dilakukan, langkah selanjutnya adalah melakukan pengukuran galat peramalan utnuk menunjukkan apakah model peramalan yang dipilih akurat atau tidak. Pemilihan model terbaik atau model terakurat dapat didasarkan pada tingkat galat yang kecil (kesalahan terkecil dalam memprediksi). Alat ukur yang digunakan untuk menghitung galat peramalan permintaan dalam penelitian ini adalah Mean Square Error (MSE). Menurut Hanke (2003) Mean Square Error (MSE) merupakan metode untuk mengevaluasi teknik peramalan. Setiap galat dikuadratkan kemudian dijumlahkan dan dibagi dengan jumlah pengamatan. MSE dapat digunakan untuk membandingkan dengan MSE dari beberapa metode peramalan. Keterangan : n = banyaknya data/ observasi Y t = nilai aktual Ŷ t = nilai ramalan (Y t Ŷ t ) = galat peramalan (error) Perencanaan Produksi sayuran Organik Peramalan permintaan menggunakan metode paling akurat setelah dilakukan, tahap selanjutnya ialah menyusun perencanaan produksi sayuran organik berdasarkan peramalan permintaan selama lima bulan ke depan (Maret- Juli 2016). Faktor lain yang perlu diperhatikan dalam perencanaan produksi sayuran organik adalah karakteristik dari setiap komoditi, misalnya waktu budi daya dan luas lahan yang dibutuhkan. Perencanaan produksi disusun dengan menghitung mundur waktu panen dari setiap komoditi sayur organik yang diteliti. Definisi Operasional Definisi operasional yang digunakan dalam penelitian ini diantaranya ialah: 1. Permintaan sayuran organik dalam penelitian ini ialah volume sayur organik bayam hijau, caisim, dan kangkung yang diorder oleh konsumen dengan satuan kg. 2. Penawaran sayuran organik ialah sayuran yang diproduksi oleh ADS dan petani mitra ADS dengan satuan kg. 3. Data time series adalah data deret waktu yang digunakan untuk peramalan permintaan sayuran organik dalam data harian. 4. Autokorelasi adalah hubungan antara suatu variabel permintaan sayur organik dengan nilai lampaunya, lag satu ataupun lebih. Koefisien dari lag bernilai antara -1 dan 1. Lag bernilai 0 menunjukkan tidak adanya autokorelasi. 5. Pola musiman adalah gerakan naik turun dari sekumpulan data permintaan (time series) sayuran organik secara teratur dalam kurun waktu kurang dari satu tahun.

38 22 GAMBARAN UMUM PERUSAHAAN Sejarah Singkat Agribusiness Development Station (ADS) Institut Pertanian Bogor (IPB) pada tahun 2007 bekerja sama dengan Taiwan International Cooperation Development Fund (ICDF) dan Taiwan Technical Mission (Misi Teknik Taiwan) untuk membangun sebuah proyek agribisnis hortikultura bernama Agribusiness Development Center (ADC). Pembangunan ADC pada tahun 2007 memiliki luas lahan kurang lebih enam hektar, lahan tersebut merupakan lahan milik IPB dibawah pengelolaan Univercity Farm IPB. Misi Teknik Taiwan menugaskan empat orang tenaga ahli dalam bidang budi daya sayur organik, budi daya sayur konvensional, budi daya jambu kristal, dan pemasaran untuk menjalankan kegiatan ADC. Sedangkan IPB menunjuk kepala University Farm (UF) untuk membantu mendampingi kegiatan di ADC. IPB menugaskan empat orang sebagai tim khusus untuk belajar tentang proses pengembangan agribisnis hortikultura di ADS pada tahun Hal ini dilaksanakan IPB untuk meningkatkan kapasitas sumberdaya manusia dan alih kontrol ADC ke IPB. Tahun 2014 proyek ADC diserahkan sepenuhnya kepada IPB. Sejak diserahkannya ADC kepada IPB, ADC dikelola oleh empat orang dan tim khusus yang telah dibentuk sebelumnya oleh kepala UF. Misi Teknik Taiwan yang awalnya sebagai tenaga ahli mengelola ADC kini beralih fungsi menjadi tim konsultan. Sehingga sejak itu seluruh proyek ADC menjadi tanggung jawab wakil rektor bidang riset dan kerjasama IPB. IPB mentransformasikan proyek ADC menjadi institusi baru bernama Agribusiness Development Station (ADS) IPB pada tahun ADS bersifat otonom dibawah naungan koordinasi Pusat Kajian Hortikultura Tropika (PKHT) IPB. ADS memiliki beberapa fungsi, diantaranya ialah sebagai unit kerja yang melayani kegiatan packing house untuk mendukung kegiatan pemasaran. ADS sebagai unit kerja yang melaksanakan pelayanan agribisnis hortikultura kepada masyarakat umum, dan ADS sebagai unit kerja yang memberikan informasi serta pendampingan masayarakat dalam pengembangan hortikultura 2. Profil Agribusiness Development Station (ADS) Agribusiness Development Station (ADS) IPB merupakan unit usaha yang berkecimpung dalam bisnis pertanian dibidang hortikultura. ADS secara administratif terletak di Desa Cikarawang, Kecamatan Dramaga, Kabupaten Bogor, Provinsi Jawa Barat. Secara keseluruhan fasilitas yang dimiliki ADS ialah area pembibitan, lahan produksi buah-buahan, lahan produksi sayur organik dan konvensional, packing house, ruang pertemuan, kantor, dan areal parkir. ADS memiliki visi menjadi extension service station yang mandiri dan mampu mendukung diseminasi hasil penelitian perguruan tinggi berbasis riset bertaraf 2 [ADS] Agribusiness Development Station Sejarah ADS dan visi misi ADS [diunduh pada tanggal 15 Januari 2016]. Tersedia pada

39 23 internasional dan penggerak prima pengarus utamaan pertanian. Selanjutnya misi ADS diantaranya ialah menyelenggarakan diseminasi inovasi IPTEK melalui pendampingan masyarakat yang komprehensif dalam rangka meningkatkan daya saing bangsa, mengembangkan model pendampingan masyarakat yang sesuai dengan spesifik lokal, memfasilitasi kegiatan pendidikan dan penelitian dalam bidang hortikultura, dan membangun sistem manajemen unit yang bersumber kewirausahaan, efektif, efisien, transparan, dan akuntabel. Struktur Organisasi ADS ADS dipimpin oleh seorang direktur yaitu Profesor Anas D Susila yang sekaligus berprofesi sebagai dosen di Institut Pertanian Bogor. Pimpinan ADS dalam menjalankan tugasnya dibantu oleh dua manajer, yaitu manajer produksi serta manajer program dan pendampingan. Manajer produksi dibagi menjadi empat bagian, yaitu kepala bagian pembukuan, pemasaran, produksi dan pembibitan, serta bagian packing house dan quality control. Manajer program dan pendampingan dibagi menjadi tiga bagian, diantaranya ialah kepala bagian pengelola sumberdaya manusia, bagian pendampingan petani, serta bagian perlengkapan dan umum 3. Manajer ADS yang telah dibagi menjadi beberapa bagian ini dalam menjalankan tugasnya dibantu oleh 46 karyawan. Adapun struktur organisasi ADS IPB dapat dilihat pada Lampiran 1. Kemitraan ADS ADS memiliki keterbatasan luas lahan dalam memproduksi sayuran organik, sehingga kuantitas sayur yang diproduksi belum mencukupi untuk mencapai target dan kontinuitas produksi tidak sesuai dengan permintaan konsumen. ADS selanjutnya bermitra dengan petani berdasarkan kontrak yang telah disepakati bersama. Adanya kemitraan bisnis antara ADS IPB dengan petani sayuan organik ini diharapkan kontinuitas produksi sayuran organik dapat terpenuhi. ADS sampai saat ini memiliki petani mitra sebanyak 16 petani sayur organik dengan total luas lahan yang dimiliki petani mitra sekitar dua hektar. Petani mintra ADS diantaranya berada di wilayah Ciampea, Cibungbulang, Leuwiliang, dan di daerah Ciaruten. Kemitraan ADS lainnya untuk mendukung keberhasilan dalam pemasaran sayuran organik dikalangan masyarakat, ADS selanjutnya menjalin kemitraan dengan berbagai pihak reseller, restoran, dan berbagai retail modern di Jabodetabek. 3 [ADS] Agribusiness Development Station Struktur organisasi ADS dan visi misi ADS [diunduh pada tanggal 15 Januari 2016]. Tersedia pada

40 24 HASIL DAN PEMBAHASAN Sistem Agribisnis Sayur Organik ADS IPB Input Produksi Input produksi yang digunakan dalam penyemaian sayuran organik khususnya caisim diantaranya ialah tray semai, arang sekam, pupuk kandang dan kotoran cacing. Lahan yang digunakan untuk budi daya sayur organik di ADS berada di dalam dua green house dengan luas lahan produktif setiap green house adalah 192 m 2. Setiap green house terdapat enam bedengan dan setiap bedengan memiliki luas lahan 32 m 2. Lahan dalam green house dialokasikan untuk penanaman caisim, kangkung, bayam merah, selada keriting, dan kailan. Beberapa saprodi yang digunakan untuk produksi sayur organik diantaranya ialah mesin pembajak tanah, cangkul, tugal, gembor, garu, dan tali rafia. Pupuk yang digunakan merupakan pupuk cair dari hasil fermentasi pupuk kandang dan asap cair. Obat-obatan untuk membasmi hama dan penyakit diantaranya ialah minyak ganda pura, dan minyak sereh. Selanjutnya perangkap yang digunakan untuk membasmi hama ialah yellow trap dan untuk mengalihkan serangga agar tidak menyerang sayuran dapat menggunakan singkong. Budi Daya (On Farm) Budi daya atau proses produksi sayuran organik di ADS memiliki jangka waktu yang bervariasi sesuai dengan karakteristik komoditas sayur yang ditanam. Bayam hijau memiliki waktu budi daya sekitar 30 hari mulai dari waktu penanaman hingga memasuki masa panen. Caisim memiliki karakteristik yang sedikit berbeda dengan bayam hijau, Waktu yang dibutuhkan untuk budi daya caisim sekitar 44 hari mulai dari penanaman benih hingga memasuki masa panen. Rinciannya ialah 14 hari awal merupakan masa penyemaian dan 30 hari berikutnya merupakan masa produksi bibit sampai memasuki masa panen. Kangkung cenderung memiliki karakteristik yang sama dengan bayam hijau yaitu benih dapat langsung ditanam di lahan tanpa adanya penyemaian. Kangkung memerlukan masa produksi sekitar 30 hari mulai dari penanaman benih hingga memasuki masa panen. Tahapan proses produksi sayuran organik pada Agribisnis Development Station (ADS) IPB terdiri dari proses penyemaian, proses pengolahan lahan, proses penanaman, proses penyiangan gulma, proses penanggulangan hama dan penyakit, serta proses pemanenan. Adapun tahapan proses produksi sayuran organik ADS IPB diantaranya ialah sebagai berikut : a. Proses penyemaian Penyemaian sayur organik dibutuhkan untuk proses produksi caisim, sedangkan komoditas kangkung dan bayam hijau tidak membutuhkan penyemaian kerena langsung ditanam di lahan. Penyemaian caisim menggunakan tray semai, kotoran cacing, kotoran kambing yang telah difermentasi dan arang sekam sebagai media tanamnya. Penyemaian caisim membutuhkan waktu 14 hari sebelum penanaman dipindahkan ke lahan tanam di green house. Adapun proses penyemaian caisim di ADS IPB ditunjukkan pada Gambar 3.

41 25 (a) (b) (c) Gambar 3 Proses penyemaian caisim (a,b) dan bibit caisim (c) b. Proses pengolahan lahan Proses pengolahan lahan dapat dilakukan dengan menggunakan lotary dan cangkul untuk menggemburkan tanah dan membentuk bedengan dengan ukuran panjang 40 m dan lebar 0.8 m. Pengolahan lahan dalam satu green house dapat diselesaikan oleh tiga orang dalam waktu sehari untuk membentuk enam bedengan. Adapun proses pengolahan lahan untuk penanaman sayur organik dapat dilihat pada Gambar 4. (a) (b) (c) Gambar 4 Mesin pembajak tanah (a) dan proses pengolahan lahan (b,c) c. Proses penanaman Proses penanaman sayur organik memiliki jarak tanam dan masa produksi yang bervariasi tergantung dari karakteristik komoditasnya. Bayam hijau ditanam langsung di lahan dengan cara benih ditabur di atas bedengan secara merata dan membutuhkan waktu 30 hari agar bayam hijau dapat dipanen. Bibit caisim ditanam di lahan dengan jarak tanam 20 cm x 20 cm, dan membutuhkan waktu 30 hari mulai dari penanaman bibit hingga caisim dapat dipanen. Berbeda dengan caisim, benih kangkung justru dapat ditanam langsung di lahan dengan larikan dan jarak tanam antar larik ialah 20 cm. Proses produksi kangkung membutuhkan waktu 30 hari mulai

42 26 dari penanaman hingga kangkung siap untuk dipanen. Adapun masa produksi sayur organik di ADS IPB dapat dilihat pada Gambar 5. (a) (b) (c) Gambar 5 Masa produksi caisim (a, b) dan kangkung (c) d. Proses penyiangan gulma Proses penyiangan gulma dilaksanakan pada masa produksi bayam hijau, caisim, dan kangkung. Penyiangan gulma dapat dilakukan setiap seminggu sekali atau jika ada gulma yang tumbuh di sela-sela lahan tempat sayur organik ditanam. Penyemaian dapat menggunakan kored dan sesekali lahan disiram jika lahan mulai kekurangan air. e. Proses penanggulangan hama dan penyakit Proses penanggulangan hama dan penyakit dalam proses produksi sayuran organik menggunkan bahan-bahan yang ramah lingkungan. Bahan yang digunakan untuk menanggulangi hama dan penyakit adalah minyak gandapura, yellow trap, dan singkong yang khusus digunakan untuk caisim. Penanggulangan hama pada caisim menggunakan yellow trap dan singkong dapat dilihat pada Gambar 6. (a) (b) (c) Gambar 6 Yellow trap (a,b) dan singkong di sela-sela caisim (c)

43 27 f. Proses pemanenan Pemanenan bayam hijau dan kangung dilakukan dengan mencabut batang sayur secara perlahan agar akarnya juga ikut terangkat, sedangkan caisim dipanen dengan dipotong bagian pangkal batangnya. Pemanenan dilaksanakan pada saat sayur sudah siap untuk dipanen. Apabila terdapat permintaan sayur yang sangat tinggi, sedangkan produksi sayur organik sedang mengalami kekurangan, maka tanaman yang lain dapat dipanen dengan umur tanaman kurang dari dua hari umur panen. Apabila sayur dipanen kurang dari dua hari sebelum panen atau dipanen pada waktu yang melebihi waktu panen, maka akan mempengaruhi kuantitas dan kualitas sayur setiap pack-nya. Lahan yang digunakan di ADS IPB setiap satu meter persegi akan menghasilkan 1.5 kg bayam hijau, 2 kg/m 2 caisim, dan 1.5 kg/m 2 kangkung. Pascapanen Kegiatan pascapanen yang dilaksanakan di ADS IPB lebih difokuskan pada proses sortasi, grading, dan packing. Proses sortasi dan grading dilakukan secara manual melalui visual, yaitu dengan memilah sayur berdasarkan ukuran, warna, dan bentuk sayuran. proses grading, tahap selanjutnya sayur ditimbang dan dikemas. Khusus untuk bayam hijau dan kangkung diikat menggunakan isolasi berlabel terlebih dahulu sebelum dikemas. Setiap satu kemasan atau satu pack sayur organik memiliki bobot 200 gram. Sayur yang telah dikemas, disimpan dalam keranjang dan dimasukkan dalam ruangan pendingin dengan suhu stabil C sebelum didistibusikan atau dipasarkan. Proses sortasi, penimbangan, dan pengemasan dapat dilihat pada Gambar 7. (a) (b) (c) Gambar 7 Proses sortasi (a), penimbangan (b) dan pengemasan (c) Pemasaran Kegiatan pemasaran yang dilaksanakan oleh ADS IPB sangat memperhatikan penerapan marketing mix (product, price, place, dan promotion) agar pemasaran dapat berjalan dengan lancar. Produk sayur organik yang dipasarkan ADS IPB terdiri dari komoditas bayam hijau, bayam merah, caisim, kangkung, kailan, dan selada keriting. Beberapa sayur organik tersebut memiliki keunggulan bebas dari penggunaan pestisida yang mengandung kimia sintetis

44 28 sehingga aman untuk dikonsumsi. Sayur organik yang dikemas plastik khusus diberi brand Taiwan ICDF, proses selanjutnya dilakukan pengepakan dalam kardus dengan berat maksimal delapan kg/kardus. Beberapa harga sayuran organik di ADS IPB cukup bervariasi, diantaranya ialah harga kangkung organik Rp5 000, harga caisim Rp5 500, dan harga bayam hijau Rp Sayur organik yang siap jual didistribusikan menggunakan mobil box dengan pendingin untuk menjaga kesegaran sayur. Selanjutnya ADS mendistribusikan atau memasarkan produknya ke beberapa hotel, restoran, beberapa outlet khusus, komunitas sayuran organik, pihak reseller, dan memasarkan ke berbagai wilayah Jabodetabek lebih dari 40 retail modern. Agar pemasaran sayur organik lebih banyak dan lebih luas lagi, maka ADS IPB terus melakukan promosi melalui internet dan mengikuti berbagai pameran yang ada di Jabodetabek. Peramalan Permintaan Bayam Hijau Identifikasi Pola Data Permintaan Bayam Hijau Tahap awal sebelum melakukan peramalan permintaan bayam hijau ialah harus mengetahui terlebih dahulu apakah data time series yang digunakan sudah stasioner atau tidak. Gambar 8 menunjukkan pola data permintaan harian bayam hijau di ADS IPB dimulai dari Januari 2013 sampai Februari Pola permintaan harian tersebut terlihat tidak stasioner karena ada fluktuasi permintaan. Hal ini diperkuat dengan tampilan output dari Eviews pada Tebel 4 yang menunjukkan pola data tidak stasioner karena adanya kecenderungan pola musiman. Data yag tidak stasioner ini dapat dilihat dari beberapa indikator, diantaranya ialah: (1) Grafik autokorelasi pada lag pertama berada pada garis barlett dan meneurun pada lag selanjutnya, namun pada lag ke-7 dan kelipatannya lebih tinggi dibandingkan dengan lag lainnya. Garis barlett merupakan garis yang terputus-putus di kanan dan di kiri garis tengah pada grafik autokorelasi atau grafik autokorelasi parsial. (2) Nilai koefisien autokorelasi (lihat kolom AC) besar, yaitu pada lag 1 dan kelipatan lag 7 yang lebih besar jika dibandingkan dengan lag lain. (3) Nilai statistik Q (lihat kolom Q-stat) sampai lag ke-21 yang nilainya besar. (4) Nilai probabilitas dari lag 1 sampai lag 21 sama dengan nol dan kurang dari α = 5 persen. Berdasarkan uraian diatas, dapat disimpulkan bahwa data tidak stasioner karena cenderung berpola musiman, dan terdapat tujuh periode setiap musimnya. Pola musiman ini disebabkan karena permintaan yang cenderung memuncak ketika menjelang akhir pekan.

45 Time Series Plot of Order Bayam Order Bayam Index Gambar 8 Pola permintaan bayam hijau Tabel 4 Tampilan korrelogram permintaan bayam hijau Metode Peramalan Permintaan Bayam Hijau Berdasarkan hasil identifikasi pola data permintaan bayam hijau, menunjukkan bahwa pola data permintaan bayam hijau tidak stasioner. Menurut Hanke at all (2003) metode peramalan yang sesuai untuk data yang memiliki pola musiman diantaranya ialah model pemulusan eksponensial Winters, model dekomposisi, dan model ARIMA atau SARIMA. Setiap model peramalan tersebut dapat mengukur seberapa jauh data hasil peramalan berbeda dengan data

46 30 aktualnya. Menghitung kesalahan peramalan atau menghitung ketepatan pengukuran, dapat diketahui melalui nilai akurasi peramalan berdasarkan nilai mean square error (MSE) terkecil. Adapun nilai akurasi mean square error (MSE) dari setiap model peramlan untuk permintaan bayam hijau dapat dilihat pada Tabel 5. Tabel 5 Nilai akurasi peramalan permintaan bayam hijau berdasarkan mean square error (MSE) No Metode Peramalan Nilai MSE Urutan Metode Terakurat 1. Exponential Smoothing Winters (multiplikatif) Exponential Smoothing Winters (aditif) Dekomposisi (multiplikatif) Dekomposisi (aditif) ARIMA (1,0,0)(0,1,1) ARIMA (0,0,1)(0,1,1) ARIMA (1,0,0)(1,1,1) Perbandingan nilai MSE dari setiap metode peramalan pada Tabel 5, terlihat bahwa beberapa metode peramalan permintaan bayam hijau menghasilkan nilai akurasi peramalan yang bervariasi. ARIMA (1,0,0)(1,1,1) 7 memiliki nilai MSE paling kecil dibandingkan dengan metode lainnya, dengan nilai MSE sebesar Jika tingkat kesalahan peramalan lebih kecil, dapat diasumsikan prediksi peramalan akan semakin akurat. Metode peramalan ARIMA (1,0,0)(1,1,1) 7 dengan nilai MSE terkecil dipilih sebagai prioritas utama sebagai acuan prediksi permintaan bayam hijau di ADS IPB. Peramalan Permintaan Bayam Hijau dengan Metode ARIMA Model peramalan permintaan bayam hijau yang terakurat berdasarkan MSE terkecil adalah ARIMA (1,0,0)(1,1,1) 7. Adapun output Minitab dari model ARIMA (1,0,0)(1,1,1) 7 ialah sebagai berikut: Tabel 6 Estimasi akhir dari parameter ARIMA (1,0,0)(1,1,1) 7 Tipe Koefisien P-value AR SAR SMA Konstanta (0.035) Berdasarkan Tabel 6 di atas, terlihat angka ρ-value untuk koefisien regresi yang signifikan. Terdapat komponen AR, SAR, dan SMA, semua signifikan karena dibawah angka Hal ini menunjukkan model diatas dapat digunakan untuk peramalan. Berdasarkan output selanjutnya dari Eviews pada Lampiran 9, menununjukkan bahwa plot dari residual tidak signifikan atau sudah bersifat acak. Hal ini menunjukkan ARIMA (1,0,0)(1,1,1) 7 sudah memadai untuk meramalkan permintaan bayam hijau beberapa bulan ke depan.

47 31 Hasil peramalan permintaan bayam hijau selama beberapa bulan (Maret- Juli 2016) dengan menggunakan model ARIMA (1,0,0)(1,1,1) 7 dapat dilihat pada Lampiran 8. Berdasarkan dari hasil peramlan tersebut, dapat dilihat bahwa permintaan harian bayam hijau berfluktuasi karena adanya penurunan dan kenaikan permintaan secara bergantian setiap harinya. Permintaan cenderung memuncak menjelang weekend karena saat itulah pengunjung retail modern lebih banyak, sehingga permintaan bayam hijau meningkat dibandingkan hari-hari lainnya. Fluktuasi permintaan harian bayam hijau ADS IPB berkisar antara 100 pack sampai 270 pack/hari. Permintaan harian yang berfluktuasi juga berimplikasi pada pertumbuhan permintaan bayam hijau ADS setiap bulannya yang dapat dilihat pada Tabel 7. Tabel 7 Peramalan permintaan bayam hijau ADS IPB (Maret-Juli 2016) No Bulan Jumlah Kg Pack Pertumbuhan (%) 1 Maret April (0.07) 3 Mei Juni Juli (0.09) Berdasarkan hasil peramalan permintaan pada Tabel 7, terlihat bahwa permintaan yang menurun diperkirakan terjadi pada bulan April dan bulan Juli dengan penurunan masing-masing sebesar 0.07 persen dan 0.09 persen. Penurunan permintaan bulan April terjadi karena permintaan di bulan Maret lebih banyak, hal ini dipengaruhi oleh adanya pameran yang diikuti ADS. Salah satu pameran yang diikuti ADS ialah agrinex untuk memasarkan sayuran, sehingga permintaan bayam hijau di bulan Maret cukup besar. Hasil peramalan permintaan bayam hijau terendah terjadi pada bulan Juli 2016 karena pada bulan tersebut produksi sayur organik sering rendah. Produksi yang rendah dipengaruhi cuaca dan adanya serangan hama, karena rendahnya produksi ini menyebabkan retail modern menurunkan permintaan bayam hijau ke ADS. Berbeda halnya dengan bulan April dan Juli 2016, pertumbuhan permintaan positif diperkirakan terjadi pada bulan Mei dan bulan Juni Pertumbuhan permintaan yang paling besar terjadi pada bulan Juni dengan nilai pertumbuhan sebesar 0.07 persen. Peningkatan permintaan bayam hijau pada bulan Juni 2016 diperkirakan karena bertepatan dengan bulan Ramadhan. Jadi pada saat bulan Ramadhan diasumsikan konsumsi bayam hijau per kapita meningkat, sehingga permintaan bayam hijau juga meningkat. Peramalan Permintaan Caisim Identifikasi Pola Data Permintaan Caisim Gambar 9 memperlihatkan pola data permintaan harian caisim di ADS IPB dimulai dari Januari 2013 sampai Februari 2016 tidak stasioner karena cenderung berfluktuasi yang ditandai dengan kenaikan dan penurunan permintaan secara bergantian. Hal ini juga diperkuat dengan output dari Eviews pada Tebel 8 yang

48 32 menunjukkan pola data tidak stasioner. Data tidak stasioner ini dapat dilihat dari beberapa indikator, diantaranya ialah: (1) Grafik autokorelasi pada lag 1 berada pada garis barlett dan meneurun pada lag berikutnya, namun pada lag ke-7 nilainya lebih tinggi jika dibandingkan dengan lag lainnya. (2) Nilai koefisien autokorelasi (lihat kolom AC) besar, yaitu pada lag 1 dan kelipatan lag 7 yang lebih besar jika dibandingkan dengan lag lainnya. (3) Nilai statistik Q (lihat kolom Q-stat) sampai lag ke-21 yang nilainya besar. (4) Nilai probabilitas dari lag 1 hingga lag 21 mendekati nol atau sama dengan nol dan kurang dari α = 5 persen. Time Series Plot of Order Caisim Order Caisim Index Gambar 9 Pola permintaan caisim Tabel 8 Tampilan korrelogram permintaan caisim

49 33 Metode Peramalan Permintaan Caisim Berdasarkan hasil identifikasi pola data permintaan harian komoditi caisim, dapat dilihat bahwa pola data permintaan caisim tidak stasioner karena berpola musiman. Teknik peramalan untuk data permintaan berpola musiman diantaranya ialah model pemulusan eksponensial Winters, model dekomposisi, dan model ARIMA atau SARIMA. Adapun nilai akurasi mean square error dari setiap model peramlan untuk permintaan caisim dapat dilihat pada Tabel 9. Tabel 9 Nilai akurasi peramalan caisim berdasarkan mean square error (MSE) No Metode peramalan Nilai MSE Urutan Metode Terakurat 1. Exponential Smoothing Winters (multiplikatif) Exponential Smoothing winters (aditif) Dekomposisi multiplikatif Dekomposisi aditif ARIMA (1,0,0)(1,1,1) ARIMA (0,0,1)(0,1,1) ARIMA (1,0,1)(0,1,1) Berdasarkan perbandingan nilai MSE dari setiap metode peramalan pada Tabel 9, dapat dilihat bahwa beberapa metode peramalan untuk komoditi caisim memiliki nilai akurasi peramalan yang bervariasi. ARIMA (1,0,0)(1,1,1) 7 memiliki nilai MSE paling kecil dibandingkan dengan metode lainnya, dengan nilai MSE sebesar Jika tingkat kesalahan peramalan lebih kecil, dapat diasumsikan prediksi peramalan akan semakin akurat. Metode peramalan ARIMA (1,0,0)(1,1,1) 7 dengan nilai MSE terkecil dijadikan prioritas utama sebagai acuan prediksi permintaan caisim di ADS IPB untuk beberapa bulam ke depan. Peramalan Permintaan Caisim dengan Metode ARIMA Model peramalan permintaan caisim yang terakurat berdasarkan MSE terkecil adalah ARIMA (1,0,0)(1,1,1) 7. Adapun output Minitab dari model ARIMA (1,0,0)(1,1,1) 7 ditunjukkan pada Tabel 10. Tabel 10 Estimasi akhir dari parameter ARIMA (1,0,0)(1,1,1) 7 Tipe Koefisien p-value AR SAR SMA Konstanta (0.012) Berdasarkan output model ARIMA (1,0,0)(1,1,1) 7 pada Tabel 10, terlihat bahwa angka ρ-value untuk koefisien regresi sudah signifikan. Terdapat komponen AR, SAR, dan SMA yang semuanya signifikan karena dibawah angka Hal ini menunjukkan model diatas dapat digunakan untuk peramalan. Selanjutnya berdasarkan output dari Eviews pada Lampiran 17, dapat dilihat bahwa plot dari residual tidak signifikan atau sudah bersifat acak. Hal ini

50 34 menunjukkan ARIMA (1,0,0)(1,1,1) 7 sudah memadai untuk meramalkan permintaan bayam hijau beberapa bulan ke depan. Hasil peramalan permintaan dengan model ARIMA (1,0,0)(1,1,1) 7 dapat dilihat pada Lampiran 16. Berdasarkan hasil peramalan tersebut, dapat dilihat bahwa permintaan harian caisim bervariasi setiap harinya. Permintaan cenderung memuncak menjelang akhir pekan karena saat weekend pengunjung retail modern lebih banyak, sehingga permintaan caisim juga akan meningkat. Permintaan harian mulai dari bulan Maret 2016 sampai Juli 2016 bervariasi berkisar antara 45 pack sampai 175 pack/hari. Fluktuasi permintaan harian caisim juga berimplikasi pada permintaan caisim per bulan yang dapat dilihat pada Tabel 11. Tabel 11 Peramalan permintaan caisim ADS IPB (Maret-Juli 2016) No Bulan Jumlah Kg Pack Pertumbuhan (%) 1 Maret April (0.05) 3 Mei Juni Juli (0.06) Tabel 11 menunjukkan bahwa hasil peramalan permintaan caisim bervariasi setiap bulannya. Permintaan diperkirakan menurun pada bulan April dan Juli 2016 dengan nilai penurunan masing-masing 0.05 persen dan 0.06 persen. Permintaan caisim diramalkan menurun pada bulan April karena permintaan di bulan Maret lebih besar. Hal tersebut terjadi karena pada bulan Maret ADS sering mengikuti pameran untuk memasarkan sayuran organik. karena pengunjung banyak saat pameran, maka permintaan sayur organik juga cukup banyak. Selanjutnya permintaan yang menurun pada bulan Juli 2016 diperkirakan karena kurangnya kontinuitas produksi di bulan tersebut, sehingga retail modern mengurangi permintaan caisim ke ADS. Berbeda halnya dengan permintaan yang menurun di bulan April dan Juli, permintaan caisim di bulan Juni justru meningkat dengan pertumbuhan mencapai 0.05 persen. Peningkatan permintaan caisim pada bulan Juni 2016 ini terjadi karena bertepatan dengan bulan Ramadhan. Jadi pada saat bulan Ramadhan diasumsikan konsumsi caisim per kapita meningkat, sehingga permintaan caisim juga meningkat. Peramalan Permintaan Kangkung Identifikasi Pola Data Permintaan Kangkung Gambar 10 menunjukkan pola data permintaan harian kangkung tidak stasioner. Hal ini juga didukung dengan output dari Eviews pada Tebel 12 yang menunjukkan pola data tidak stasioner karena adanya kecenderungan pola musiman. Data tidak stasioner tersebut dapat dilihat dari beberapa indikator, diantaranya ialah: (1) Grafik autokorelasi pada lag pertama berada pada garis barlett dan meneurun pada lag berikutnya, namun pada lag ke-7 dan kelipatannya lebih tinggi dibandingkan dengan lag sebelumnya. (2) Nilai koefisien autokorelasi (lihat kolom AC) bernilai besar, yaitu pada lag 1 dan kelipatan lag 7 yang

51 35 lebih besar jika dibandingkan dengan lag lain. (3) nilai statistik Q (lihat kolom Q- stat) dari lag 1 sampai lag ke-21 yang nilainya besar. (4) Nilai probabilitas dari lag 1 sampai lag ke-21 sama dengan nol atau kurang dari α = 5 persen. Berdasarkan kriteria tersebut, dapat disimpulkan bahwa data tidak stasioner karena cenderung berpola musiman, dan terdapat tujuh periode disetiap musimnya. 200 Time Series Plot of Order Kangkung 150 Order Kangkung Index Gambar 10 Pola permintaan kangkung Tabel 12 Tampilan korrelogram permintaan kangkung

52 36 Metode Peramalan Permintaan Kangkung Berdasarkan hasil identifikasi pola data permintaan harian komoditi kangkung, terlihat bahwa pola data permintaan kangkung tidak stasioner karena bersifat musiman. Teknik peramalan untuk data berpola musiman diantaranya ialah model pemulusan eksponensial Winters, model dekomposisi, dan model ARIMA. Adapun nilai akurasi mean square error dari setiap model peramlan untuk permintaan kangkung dapat dilihat pada Tabel 13. Tabel 13 Nilai akurasi peramalan kangkung berdasarkan mean square error (MSE) No Metode Peramalan Nilai MSE Urutan Metode Terakurat 1. Exponential Smoothing Winters (multiplikatif) Exponential Smoothing Winters (aditif) Dekomposisi multiplikatif Dekomposisi aditif ARIMA (0,0,0)(1,1,1) ARIMA (0,0,1)(1,1,0) ARIMA (0,0,1)(0,1,1) Berdasarkan perbandingan nilai MSE dari setiap metode peramalan pada Tabel 13, dapat dilihat bahwa beberapa metode peramalan untuk komoditas kangkung memiliki nilai akurasi peramalan yang bervariasi. ARIMA (0,0,1)(0,1,1) 7 memiliki nilai MSE paling kecil dibandingkan dengan metode lainnya, dengan nilai MSE sebesar Jika tingkat kesalahan peramalan lebih kecil, dapat diasumsikan prediksi peramalan akan semakin akurat. Metode peramalan ARIMA (0,0,1)(0,1,1) 7 dengan nilai MSE terkecil dijadikan prioritas utama sebagai acuan prediksi permintaan kangkung di ADS IPB untuk beberapa bulan ke depan. Peramalan Permintaan Kangkung dengan Metode ARIMA Model peramalan permintaan kangkung yang terakurat berdasarkan MSE terkecil adalah ARIMA (0,0,1)(0,1,1) 7. Adapun output Minitab dari model ARIMA (0,0,1)(0,1,1) 7 disajikan pada Tabel 14. Tabel 14 Estimasi akhir dari parameter ARIMA (1,0,0)(1,1,1) 7 Tipe Koefisien p-value MA 1 (0.197) SMA Konstanta (0.047) Berdasarkan Tabel 14, Terlihat angka ρ-velue pada model ARIMA (0.0.1)(0.1.1) 7 komponen MA, dan SMA bernilai signifikan karena mempunyai angka ρ-value dibawah Hal ini menunjukan model ARIMA (0,0,1)(0,1,1) 7 dapat digunakan untuk meramalkan permintaan kangkung. Selanjutnta berdasarkan output dari Eviews pada Lampiran 25, dapat dilihat bahwa plot dari

53 37 residual tidak signifikan atau bersifat acak. Residual yang sudah bersifat acak menunjukkan model ARIMA (0,0,1)(0,1,1) 7 sudah memadai untuk meramalkan permintaan kangkung beberapa bulan ke depan. Hasil peramalan permintaan menggunakan model ARIMA (0,0,1)(0,1,1) 7 dapat dilihat pada Lampiran 24. Berdasarkan hasil peramlan tersebut, terlihat bahwa permintaan harian kangkung berfluktuasi karena adanya penurunan dan kenaikan permintaan secara bergantian setiap harinya. Permintan cenderung memuncak menjelang akhir pekan karena saat weekend pengunjung retail modern meningkat. Fluktuasi permintaan harian kangkung ADS IPB pada bulan Maret 2016 sampai Juli 2016 berkisar antara pack/hari. Permintaan harian yang berfluktuasi juga berimplikasi pada pertumbuhan permintaan kangkung disetiap bulannya, hal ini dapat dilihat pada Tabel 15. Tabel 15 Peramalan permintaan kangkung ADS IPB (Maret-Juli 2016) No Bulan Jumlah Kg Pack Pertumbuhan (%) 1 Maret April (0.05) 3 Mei Juni Juli (0.08) Tabel 15 memperlihatkan bahwa hasil peramalan permintaan kangkung menurun pada bulan April dan bulan Juli 2016 dengan penurunan masing-masing 0.05 persen dan 0.08 persen. Penurunan permintaan diperkirakan terjadi pada bulan April 2016 karena di bulan Maret ADS mengikuti pameran penjualam sayur organik, sehingga permintaan menjadi lebih besar karena pengaruh banyaknya pengunjung yang membeli. Selanjutnya hasil peramalan permintaan terendah terjadi di bulan Juli karena kemungkinan disebabkan oleh kurangnya kontinuitas produksi di bulan tersebut, sehingga retail modern mengurangi permintaan kangkung ke ADS. Berbeda halnya dengan penurunan permintaan pada bulan April dan Juli 2016, hasil peramalan permintaan kangkung justru meningkat pada bulan Mei dan Juni Peningkatan permintaan terbesar terjadi pada bulan Juni dengan pertumbuhan permintaan 0.05 persen. Peningkatan permintaan kangkung pada bulan Juni 2016 ini diperkirakan terjadi karena bertepatan dengan bulan Ramadhan. Jadi pada saat bulan Ramadhan diasumsikan tingkat konsumsi kangkung di kalangan masyarakat meningkat, sehingga permintaan kangkung juga meningkat. Perencanaan Produksi Sayur Organik Perencanaan produksi sayuran organik dalam penelitian ini merupakan langkah yang digunakan untuk menyesuaikan antara kemampuan produksi dengan jumlah permintaan yang sudah diramalkan sebelumnya. Peramalan permintaan dijadikan sebagai acuan untuk perencanaan produksi harian selama lima bulan. Perencanaan produksi yang dimaksud ialah menentukan luas lahan yang dibutuhkan, waktu tanam dan waktu panen yang tepat, serta jumlah hasil panen

54 38 sayur (bayam hijau, caisim, dan kangkung) yang dapat dipasarkan ADS. Proses peramalan dan perencanaan produksi juga berpengaruh pada manajemen pemasaran. Adanya perencanaan produksi sayur organik menjadikan manajer pemasaran mengetahui jumlah produk yang akan dipasarkan selama satu bulan. Perencanaan produksi ini juga dapat mengurangi jumlah persedian sayuran dalam gudang dan manajer pemasaran dapat membuat perencanaan pemasaran berikutnya sesuai dengan hasil peramalan. Berdasarkan hasil peramalan permintaan sayuran organik (bayam hijau, caisim, dan kangkung) di ADS selama lima bulan, dapat dilihat bahwa permintaan cenderung berfluktuasi. Permintaan tiga komoditas tersebut mengalami penurunan pada bulan April dan bulan Juli Namun Permintaan bayam hijau, caisim, dan kangkung kembali meningkat pada bulan Juni Permintaan terbesar diantara tiga komoditas sayur organik pada bulan juni 2016 adalah komoditas bayam hijau dengan total permintaan pack dengan pertumbuhan mencapai 0.07 persen dari permintaan bulan sebelumnya. Perencanaan Produksi Bayam Hijau (Maret-Juli 2016) Perencanaan produksi bayam hijau bulan Maret-Juli 2016 dalam penelitian ini disusun berdasarkan hasil ramalan permintaan bayam hijau yang disajikan pada Lampiran Berdasarkan hasil peramalan permintaan harian bayam hijau pada bulan Maret-Juli 2016, permintaan cenderung berfluktuasi. Permintaan harian bayam hijau dari beberapa bulan tersebut diperkirakan berkisar antara 20 kg sampai 54 kg atau setara dengan 100 pack dan 270 pack. Peramalan permintaan bayam hijau di bulan Maret 2016 memuncak pada tanggal 22 Maret Peramalan permintaan bayam hijau pada bulan April 2016 memuncak pada tanggal 7, 14, 21, dan tanggal 28 April Peramalan permintaan bayam hijau bulan Mei 2016 memuncak pada tanggal 5, 12, dan 19 Mei Peramalan permintaan bayam hijau bulan Juni 2016 cenderung memuncak pada tanggal 2, 9, 16, dan tanggal 23 Juni Selanjutnta hasil peramlan permintaan bulan Juli 2016 diperkirakan memuncak pada tanggal 7, 14, 21, dan tanggal 28 Juli Berdasarkan beberapa tanggal diatas, permintaan bayam hijau diramalkan memuncak saat menjelang weekend. Proses produksi bayam hijau dilakukan dengan cara penanaman benih langsung pada lahan karena tidak ada proses penyemaian sebelumnya. Proses produksi bayam hijau membutuhkan waktu 30 hari mulai dari penyebaran benih bayam hingga bayam siap untuk dipanen. Informasi tersebut digunakan untuk menyusun perencanaan waktu tanam dan waktu panen bayam hijau. Lahan untuk penanaman bayam hijau belum tersedia di ADS, sehingga seluruh hasil produksi bayam hijau diperoleh dari petani mitra ADS. Informasi tersebut digunakan untuk mengetahui luas lahan milik petani mitra yang digunakan untuk budi daya bayam hijau. Jadi seluruh bayam hijau yang dipasarkan ADS merupakan hasil produksi dari petani mitra. Besarnya peran petani mitra untuk menjaga kontinuitas produksi bayam hijau ini menjadikan ADS harus tetap menjaga hubungan kerjasama dengan baik, sehingga keberlangsungan usaha bayam hijau organik di ADS tetap terjaga. Perencanaan produksi bayam hijau disusun berdasarkan karakteristik budi daya bayam hijau dan disesuaikan dengan hasil ramalan untuk memenuhi permintaan konsumen. Misalnya permintaan bayam hijau tanggal 24 Maret 2016

55 39 mencapai 39 kg. Jika ditarik mundur dari waktu tersebut maka waktu tanam bayam hijau dilaksanakan pada tanggal 22 Februari 2016 dan bayam hijau dapat dipanen pada tanggal 23 Maret Luas lahan yang dibutuhkan dalam memproduksi bayam hijau untuk memenuhi permintaan pada tanggal 24 Maret 2016 ialah 26 m 2. Karena di ADS belum tersedia lahan untuk budi daya bayam hijau, maka dibutuhkan lahan petani mitra seluas 26 m 2. Selain itu, karena hasil peramalan permintaan bayam pada tanggal 24 Maret 2016 ialah 39 kg, sehingga diperkirakan pada tanggal tersebut penjualan bayam hijau ADS dapat mencapai 195 pack. Selain itu, perencanaan produksi bayam hijau untuk memenuhi permintaan hari Minggu dan Senin, bayam hijau dipanen pada hari Sabtu. Berikutnya perencanaan produksi bayam hijau bulan April-Juli 2016 disusun dengan cara sama dengan perencanaan produksi bayam hijau pada bulan Maret Selanjutnya untuk lebih jelasnya perencanaan produksi bayam hijau bulan Maret-Juli 2016 dapat dilihat pada Lampiran Perencanaan Produksi Caisim (Maret-Juli 2016) Perencanaan produksi caisim pada bulan Maret-Juli 2016 dalam penelitian ini disusun berdasarkan hasil ramalan yang disajikan pada Lampiran 16. Berdasarkan beberapa lampiran tersebut, terlihat bahwa permintaan caisim diramalkan memuncak pada hari Jumat pada bulan Maret-Juli Hal tersebut terjadi karena saat weekend pengunjung retail modern lebih banyak dan permintaan caisim juga akan semakin tinggi jika dibandingkan dengan hari-hari yang lainnya. Proses produksi caisim di ADS membutuhkan waktu produksi 44 hari, dengan rincian 14 hari merupakan waktu untuk penyemaian, sedangkan 30 hari berikutnya merupakan waktu penanaman bibit di lahan hingga caisim dapat dipanen. Informasi tersebut dibutuhkan untuk menyusun perencanaan waktu semai, waktu tanam, waktu panen, dan jumlah caisim yang dapat dijual ADS IPB. Luas lahan maksimum ADS untuk memperoduksi caisim ialah 32 m 2 setiap bulannya. Informasi tersebut digunakan untuk mengetahui luas lahan lahan milik petani mitra yang digunakan untuk budi daya caisim. Misalnya penggunaan lahan di green house maksimum 32m 2 digunakan ADS untuk caisim hanya tersedia pada tanggal 1 Maret 2016, 31 Maret 2016, 30 April 2016, 30 Mei 2016, 29 Juni 2016, dan tanggal 29 Juli Jadi selain beberapa tanggal tersebut, lahan di ADS tidak tersedia untuk memproduksi caisim karena lahan yang ada di green house dialokasikan untuk produksi sayur organik yang lainnya seperti bayam hijau, kailan atau selada keriting. Jika pada saat tidak tersedianya lahan di ADS untuk produksi caisim maka petani mitra sangat berperan untuk memproduksi caisim, sehingga kontinuitas penjualan sayuran organik ADS tetap terjaga. Perencanaan produksi caisim didasarkan pada karakteristik budi daya caisim dan disesuaikan dengan hasil ramalan untuk memenuhi permintaan konsumen. Misalnya Perencanaan produksi caisim untuk memenuhi permintaan tanggal 25 Maret 2016, jika ditarik mundur dari waktu tersebut maka waktu semai caisim ialah tanggal 10 Februari Waktu tanam bibit tanggal 23 Februari 2016 diatas lahan 17 m 2 untuk memproduksi 33 kg caisim. Karena lahan di ADS belum tesedia pada tanggal tersebut, sehingga dibutuhkan lahan petani mitra seluas 17 m 2. Caisim diperkirakan dapat dipanen pada tanggal 24 Maret 2016, sehingga pada tanggal 24 Maret 2016 diperkirakan ADS dapat menjual

56 40 bayam hijau sebanyak 165 pack. Selanjutnya perencanaan produksi untuk memenuhi permintaan caisim pada hari Minggu dan Senin, caisim dipanen pada hari Sabtu. Berikutnya untuk perencanaan produksi caisim pada bulan April-Juli 2016 cara penyusunannya tidak jauh berbeda dengan perancanaan produksi caisim pada bulan Maret Perencanaan produksi caisim bulan Maret-Juli 2016 untuk lebih jelasnya dapat dilihat pada Lampiran Perencanaan Produksi Kangkung (Maret-Juli 2016) Perencanaan produksi kangkung pada bulan Maret-Juli 2016 disusun berdasarkan hasil ramalan permintaan kangkung selama lima bulan. Berdasarkan hasil ramalannya, dapat dilihat bahwa permintaan kangkung sangat bervariasi setiap harinya yang ditandai dengan kenaikan dan penurunan permintaan secara bergantian. Permintaan harian kangkung pada lima bulan ini diperkirakan berkisar antara 16 kg sampai 36 kg atau setara dengan 80 pack sampai 180 pack. Permintaan cenderung menigkat pada hari Jumat karena saat weekend pengunjung retail modern diperkirakan lebih banyak, sehingga permintaan terhadap kangkung organik menjadi lebih tinggi dibandingkan dengan hari yang lainnya. Proses produksi kangkung dilakukan dengan cara penanaman benih langsung pada lahan karena tidak ada proses penyemaian sebelumnya. Proses produksi kangkung membutuhkan waktu 30 hari mulai dari sebar benih kangkung hingga kangkung siap untuk dipanen. Informasi tersebut digunakan untuk menyusun perencanaan waktu tanam dan waktu panen kangkung. Luas lahan maksimum untuk penanaman kangkung di ADS ialah 32 m 2 setiap bulannya. Informasi tersebut digunakan untuk mengetahui luas lahan petani mitra yang digunakan untuk produksi kangkung. Selanjutnya untuk memenuhi permintaan kangkung pada hari Minggu dan Senin, kangkung dipanen setiap hari Sabtu. Permintaan kangkung pada tanggal 24 Maret 2016 diperkirakan 35 kg. Jika ditarik mundur dari tanggal 24 Maret 2016, penanaman kangkung dapat dilaksanakan pada tanggal 22 Februari Luas lahan yang dibutuhkan untuk produksi kangkung 35 kg ialah 23 m 2. Tanggal 22 Februari 2016 di ADS belum tersedia lahan untuk produksi kangkung, maka dibutuhkan lahan petani mitra seluas 23 m 2. Selanjutnya waktu panen diperkirakan dapat dilaksanakan pada tanggal 23 Maret 2016, sehingga diramalkan pada tanggal 24 Maret 2016 ADS dapat memasarkan kangkung 175 pack sesuai dengan permintaan konsumen. Selanjutnya perencanaan produksi kangkung untuk bulan April-Juli 2016 sama dengan cara penyusunan perencanaan produksi kangkung pada bulan Maret 2016 yang dapat dilihat pada Lampiran SIMPULAN DAN SARAN Simpulan Berdasarkan uraian dari hasil penelitian yang telah disajikan sebelumnya, maka dapat disimpulkan bahwa: 1. Berdasarkan hasil analisis terhadap permintaan sayur organik pada ADS IPB dengan menggunakan beberapa metode peramalan deret waktu, maka

57 41 metode peramalan yang paling sesuai untuk menentukan permintaan di masa mendatang ialah metode ARIMA atau SARIMA karena memiliki nilai MSE terkecil. Model ARIMA untuk meramalkan permintaan bayam hijau ialah ARIMA (1,0,0)(1,1,1) 7 dengan nilai MSE sebesar 151. Model ARIMA untuk meramalkan permintaan caisim ialah ARIMA (1,0,0)(1,1,1) 7 dengan nilai MSE sebesar 70,4. Model ARIMA untuk meramalkan permintaan kangkung dapat menggunakan ARIMA (0,0,1)(0,1,1) 7 dengan nilai MSE sebesar Hasil peramalan permintaan harian bayam hijau bula Maret-Juli 2016 di ADS IPB berkisar antara pack/hari, permintaan caisim pack/hari, dan permintaan kangkung pack/hari. Permintaan harian cenderung memuncak pada hari menjelang weekend, sedangkan permintaan bulanan cenderung memuncak pada bulan Maret dan bulan Juni. Permintaan sayuran organik memuncak di bulan Maret karena ADS banyak mengikuti pameran, dan permintaan memuncak di bulan Juni karena pada bulan tersebut bertepatan dengan bulan Ramadhan. 3. Perencanaan produksi sayuran organik disusun berdasarkan hasil ramalan permintaan serta karakteristik dari bayam hijau, caisim, dan kangkung. Perencanaan produksi bayam hijau dan kangkung memuncak pada bulan Maret yaitu 24 Maret Permintaan pada tanggal tersebut sekitar 39 kg bayam hijau dan 35 kg kangkung. Waktu tanam dilakukan tanggal 22 Februari 2016 dan waktu panen tanggal 23 Maret 2016, sehingga tanggal 24 Maret 2016 diperkirakan penjualan bayam hijau mencapai 195 pack dan kangngkung 175 pack. Selanjutnya perencanaan produksi caisim yang memuncak di bulan Maret terjadi pada tanggal 25 Maret Permintaan caisim di tanggal tersebut ialah 33 kg, sehingga luas lahan yang dibutuhkan sekitar 17 m 2. Waktu semai caisim dilakukan pada tanggal 10 Februari 2016, waktu tanam bibit tanggal 23 Februari 2016, dan waktu panen tanggal 24 Maret Akhirnya penjualan caisim tanggal 25 Maret diperkirakan mencapai 165 pack. Saran Berdasarkan hasil penelitian yang telah dilakukan di Agribusiness Development Station (ADS) IPB, maka saran yang dapat diberikan penulis diantaranya ialah sebagai berikut : 1. Penulis menganjurkan perlu adanya pelatihan peramalan kuantitatif untuk manajer ADS, sehingga peramalan yang dilakukan di ADS tidak hanya peramalan yang bersifaf subjektif namun juga dapat bersifat objektif. Hal ini berpengaruh pada hasil ramalan yang diperoleh akan semakin akurat. Hasil peramalan permintaan yang semakin akurat ini dapat memperkecil gap antara permintaan dan penawaran sayur organik. Semakin kecilnya gap tersebut akan berimplikasi pada semakin optimalnya keuntungan yang akan diperoleh ADS IPB. 2. Penulis merekomendasikan model ARIMA sebagai metode peramalan permintaan sayuran organik di ADS, karena metode ARIMA memiliki nilai eror paling kecil dibandingkan metode lain yang telah diuji coba.

58 42 Model ARIMA yang diperoleh sebaiknya perlu diperbaharui (up date) secara berkala dengan memasukkan data permintaan paling akhir atau terbaru. Hal ini perlu dilakukan agar keakuratan dari peramalan tetap terjaga untuk meramalkan permintaan pada periode berikutnya. 3. Pihak ADS IPB sebaiknya menjaga kerja sama tetap terjalin dengan petani mitra, khususnya dengan petani mitra yang memproduksi bayam hijau, caisim, dan kangkung karena lahan yang dimiliki ADS masih sangat terbatas. Hal ini bertujuan untuk menjaga keberlagsungan usaha produksi dan pemasaran sayur organik di ADS yang sebagian besar produksinya diperoleh dari petani mitra. 4. Penelitian ini hanya terbatas pada tiga komoditas sayuran organik (bayam hijau, caisim, dan kangkung), sehingga dibutuhkan penelitian lebih lanjut untuk komoditas lain yang juga diusahakan ADS. Agar proses produksi sayuran organik di ADS lebih optimal, maka diperlukan penelitian lebih lanjut tentang perencanaan optimalisasi produksi. Perencanaan produksi secara agregat, tidak hanya memperhatikan permintaan sayur dari konsumen saja, melainkan juga memperhatikan sumber daya yang dimiliki ADS. Akhirnya sumberdaya yang dimiliki ADS dapat dimanfaatkan secara optimal.

59 43 DAFTAR PUSTAKA [ADS] Agribusiness Development Station Sejarah ADS. [diunduh pada tanggal 15 Januari 2016]. Tersedia pada [ADS] Agribusiness Development Station Struktur organisasi ADS. [diunduh pada tanggal 15 Januari 2016]. Tersedia pada [ADS] Agribusiness Development Station Visi misi ADS. [diunduh pada tanggal 15 Januari 2016]. Tersedia pada Ariesusanty L Statistik Pertanin Organik Indonesia. Bogor (ID): Aliansi Organis Indonesia. Aritonang R, Lerbin R Peramalan Bisnis. Jakarta (ID): Ghalia Indonesia. Baroto T Perencanaan dan Pengendalian Produksi. Jakarta (ID): Ghalia Indonesia. Carson RT, Cenesizoglu T, Parker R Forecasting (Aggregate) Demand for US Commercial Air Travel. International Journal of Forecasting. Handoko TH Dasar-dasar Manajemen Produksi dan Operasi. Yogyakarta (ID): BPFE Yogyakarta. Hanke JE, Wichern DW, Reitsch AG Peramalan Bisnis. Jakarta (ID): PT. Prehanllindo Jakarta. Heizer J dan Render B Operations Management. Jakarta (ID): Salemba Empat. Kadariah Teori Ekonomi Mikro. Jakarta (ID): Fakultas Ekonomi Universitas Indonesia. Lipsey RG, Courant PN, Purvis DD, Steiner PO Pengantar Mikroekonomi. Jakarta (ID): Bina Rupa Aksara. Makridakis S, Wheelwright SC, McGEE VE Metode dan Aplikasi Peramalan. Jakarta (ID): Erlangga. Naibaho P Kajian Perencanaan Produksi Agregat di PT. Wiska. [Skripsi]. Bogor: Fakultas Ekonomi dan Manajemen. Institut Pertanian Bogor. Nicholson W Teori Ekonomi Mikro Peinsip Dasar dan Pengembangannya. Jakarta (ID): PT. RajaGrafindo Persada. Nicholson W Teori Mikroekonomi (Prinsip Dasar dan Perluasan). Jakarta (ID): Binarupa Aksara. Ningsih AR Peramalan Permintaan beberapa Komoditi Sayuran pada PT. Saung Mirwan, Bogor. [Skripsi]. Bogor: Fakultas Pertanian. Institut Pertanian Bogor. Organic Nutrition The mineral content of organic food- Rutgers University USA [Internet]. [diunduh 2015 Oktober 24]. Tersedia pada Parnata AS Meningkatkan Hasil Panen dengan Pupuk Organik. Jakarta (ID) : PT Agromedia Pustaka.

60 44 Rizki Perencanaan Produksi Sayuran Hidriponik pada PT. Kebun Sayur Segar (Parung Farm), Bogor, Jawa Barat. [Skripsi]. Bogor: Fakultas Ekonomi dan Manajemen. Institut Pertanian Bogor. Rosita S Strategi Pengembangan Usaha Sayuran Organik di PT. Anugerah Bumi Persada RR Organic Farm, Kabupaten Cianjur [Skripsi]. Bogor: Fakultas Pertanian. Institut Pertanian Bogor. Rusdiana Manajemen Operasi. Bandung (ID): CV Pustaka Setia. Saragih SE Pertanian Organik. Jakarta (ID): Penebar Swadaya. Susanti N Peramalan Permintaan Cabai Merah: Studi Kasus Pasar Induk Kramat Jati, DKI Jakarta. [Skripsi]. Bogor: Fakultas Pertanian. Institut Pertanian Bogor. Susanto R Penerapan Pertanian Organik. Yogyakarta (ID): Kanisius. Untari N, Mattjik A, dan Saefuddin A. (2009). Analisis deret waktu dengan ragam galat heterogen dan asimetrik studi indeks harga saham gabungan (IHSG) periode Jurnal statistika dan komputasi. Vol 14 No 1. Wisastri B Peramalan Permintaan Sayuran pada PD. Pacet Segar, Cianjur. [Skripsi]. Bogor : Fakultas Pertanian. Institut Pertanian Bogor. Yang H dan Hu Jing Forecasting of fresh agricultural product demand based on the ARIMA model. Journal of food science and technology. 5 (7):

61 45 LAMPIRAN Lampiran 1 Struktur Organisasi ADS IPB

62 46 Lampiran 2 Hasil peramalan permintaan bayam hijau dengan metode exponential smoothing winters (multiplicative) Exponential Smoothing Winters Multiplicative Method Order Bayam Variable Actual Fits Forecasts 95,0% PI Smoothing Constants Alpha (level) 0,2 Gamma (trend) 0,2 Delta (seasonal) 0,2 Accuracy Measures MAPE 56,039 MAD 11,641 MSD 271, Index Lampiran 3 Hasil peramalan permintaan bayam hijau dengan metode exponential smoothing winters (additive) Exponential Smoothing Winters Additive Method Order Bayam Variable Actual Fits Forecasts 95,0% PI Smoothing Constants Alpha (level) 0,2 Gamma (trend) 0,2 Delta (seasonal) 0,2 Accuracy Measures MAPE 53,908 MAD 11,167 MSD 245, Index

63 47 Lampiran 4 Hasil peramalan permintaan bayam hijau dengan metode dekomposisi (multiplicative) Dekomposisi Order Bayam Multiplicative Model Order Bayam Variable Actual Fits Trend Forecasts Accuracy Measures MAPE 46,064 MAD 9,515 MSD 186, Index Lampiran 5 Hasil peramalan permintaan bayam hijau dengan metode dekomposisi (additive) Dekomposisi Order Bayam Additive Model Order Bayam Variable Actual Fits Trend Forecasts Accuracy Measures MAPE 47,051 MAD 9,795 MSD 192, Index

64 48 Lampiran 6 Hasil peramalan permintaan bayam hijau dengan ARIMA (1,0,0)(0,1,1) 7 Final Estimates of Parameters Type Coef SE Coef T P AR 1 0,2236 0,0290 7,72 0,000 SMA 7 0,8431 0, ,03 0,000 Constant -0, , ,62 0,537 Differencing: 0 regular, 1 seasonal of order 7 Number of observations: Original series 1147, after differencing 1140 Residuals: SS = (backforecasts excluded) MS = 153 DF = 1137 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square 21,4 40,9 61,8 69,4 DF P-Value 0,011 0,006 0,002 0,011 Lampiran 7 Hasil peramalan permintaan bayam hijau dengan ARIMA (0,0,1)(0,1,1) 7 Final Estimates of Parameters Type Coef SE Coef T P MA 1-0,1962 0,0291-6,75 0,000 SMA 7 0,8438 0, ,19 0,000 Constant -0, , ,68 0,496 Differencing: 0 regular, 1 seasonal of order 7 Number of observations: Original series 1147, after differencing 1140 Residuals: SS = (backforecasts excluded) MS = 154 DF = 1137 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square 27,8 47,2 68,2 75,5 DF P-Value 0,001 0,001 0,000 0,003

65 49 Lampiran 8 Hasil peramalan permintaan bayam hijau dengan ARIMA (1,0,0)(1,1,1) 7 ARIMA Model: Order Bayam Estimates at each iteration Iteration SSE Parameters ,100 0,100 0,100 0, ,162-0,050 0,250 0, ,169 0,051 0,400 0, ,177 0,137 0,550 0, ,187 0,196 0,700 0, ,205 0,197 0,850-0, ,213 0,141 0,888-0, ,211 0,142 0,899-0, ,210 0,148 0,905-0, ,209 0,152 0,909-0, ,208 0,155 0,911-0, ,208 0,157 0,913-0,035 Final Estimates of Parameters Type Coef SE Coef T P AR 1 0,2076 0,0292 7,12 0,000 SAR 7 0,1567 0,0327 4,79 0,000 SMA 7 0,9131 0, ,82 0,000 Constant -0, , ,07 0,286 Differencing: 0 regular, 1 seasonal of order 7 Number of observations: Original series 1147, after differencing 1140 Residuals: SS = (backforecasts excluded) MS = 151 DF = 1136 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square 12,8 39,4 56,1 63,1 DF P-Value 0,121 0,006 0,005 0,031 Forecasts from period % Limits Period Forecast Lower Upper , , , ,0128 8, , ,2777 4, , , , , , , , ,0016-3, , ,3059-2, , ,2895 5, , ,5534 6, , ,1781 3, , , , , ,4376 8, , ,0541-3, , ,8989-4, , ,7304 5, , ,2805 5, , ,1184 3, , , , , ,0988 7, , ,1749-3, , ,6342-4, , ,5987 4, , ,1936 5, , ,0649 3, , , , , ,0016 7, , ,1497-3, , ,5486-5, , ,5339 4, , ,1359 5, , ,0124 3, , , , , ,9422 7, , ,1016-3, , ,4910-5, , ,4796 4, , ,0827 5, , ,9600 3, ,8565

66 50 Lampiran 9 Tampilan korrelogram residul peramalan permintaan bayam hijau Lampiran 10 Hasil peramalan permintaan caisim dengan metode exponential smoothing winters (multiplicative) EXPONENTIAL SMOOTHING WINTERS Multiplicative Method Order Caisim Variable Actual Fits Forecasts 95,0% PI Smoothing Constants Alpha (level) 0,2 Gamma (trend) 0,2 Delta (seasonal) 0,2 Accuracy Measures MAPE 55,462 MAD 8,499 MSD 133, Index