H11adl PDF

ANALISIS PERAMALAN PENJUALAN TAHU KITA
PADA PT. KITAGAMA, JAKARTA
Oleh
ARLENA DINI LISJIYANTI
H24070051
DEPARTEMEN MANAJEMEN
FAKULTAS EKONOMI DAN MANAJEMEN
INSTITUT PERTANIAN BOGOR
BOGOR
2011
RINGKASAN
ARLENA DINI LISJIYANTI. H24070051. Analisis Peramalan Penjualan Tahu

Kita pada PT. Kitagama, Jakarta. Di bawah bimbingan H. MUSA HUBEIS.
Tahu merupakan salah satu makanan olahan dari kedelai yang memiliki
kandungan gizi cukup tinggi. Meningkatnya konsumsi tahu saat ini sejalan dengan
meningkatnya kesadaran masyarakat akan pentingnya makanan bergizi. Untuk itu
PT. Kitagama membuat tahu sehat alami dan tanpa pengawet yang dinamakan
Tahu Kita yang diproses dengan mesin-mesin modern dan proses pemasakan lebih
cepat dan bersih untuk menghasilkan tahu yang putih, lembut, aman, bersih dan
tahan lama.
Penelitian ini bertujuan (1) Menganalisis pola data penjualan Tahu Kita PT.
Kitagama di lima (5) outlet penjualan, (2) Mengkaji dan memperoleh metode
peramalan kuantitatif yang paling sesuai untuk melakukan peramalan penjualan
Tahu Kita PT. Kitagama di lima (5) outlet penjualan, serta (3) Mengkaji dan
memperoleh hasil peramalan produk Tahu Kita PT. Kitagama di lima (5) outlet
penjualan untuk 15 bulan mendatang dengan menggunakan metode kuantitatif
terbaik.
Informasi dan data yang dikumpulkan dalam penelitian ini meliputi data
primer dan sekunder. Data primer diperoleh dari hasil wawancara dengan pihak
manajemen dan pengamatan langsung di tempat penelitian. Data sekunder berupa
studi literatur dan data lain yang diperoleh dari perpustakaan dan data perusahaan.
Alat analisis menggunakan beberapa metode time series, yaitu metode trend
analysis, metode Single Exponential Smoothing, metode Double Exponential
Smoothing Holt, metode Decomposition Additive, metode Decomposition
Multiplicative, metode Moving Average dan metode Autoregressive Integrated
Moving Average (ARIMA) dengan bantuan Excel dan Minitab 14.
Dari hasil peramalan didapatkan bahwa metode terbaik untuk penjualan
Tahu Kita pada outlet Pastellia dan outlet Kemchicks menggunakan
Decomposition Additive, penjualan Tahu Kita pada outlet Joyo Swalayan
menggunakan Moving Average (4), penjualan Tahu Kita pada outlet Ps. Bintaro
Mas menggunakan ARIMA (2,0,2) dan penjualan Tahu Kita pada outlet Market
City menggunakan Trend Quadratic. Informasi hasil peramalan penjualan pada
penelitian ini digunakan untuk menyusun ramalan pendapatan kotor di lima (5)
outlet penjualan.
Hasil perhitungan menunjukkan total perkiraan pendapatan kotor produk
Tahu Kita selama 15 bulan, yaitu dari bulan Januari 2011 sampai Maret 2012
untuk outlet Pastellia Rp 7.560.000, outlet Kemchicks Rp 5.728.000, outlet Pasar
Bintaro Mas Rp 4.288.000, outlet Market City Rp 2.880.000, outlet Joyo
Swalayan Rp 2.160.000. Hasil tersebut dapat digunakan sebagai dasar
perencanaan pembiayaan/penganggaran dana di masa mendatang dan perencanaan
pemasaran bagi peningkatan penjualan Tahu Kita.
ANALISIS PERAMALAN PENJUALAN TAHU KITA

PADA PT. KITAGAMA, JAKARTA
SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
SARJANA EKONOMI
Departemen Manajemen
Fakultas Ekonomi dan Manajemen
Institut Pertanian Bogor
Oleh :
ARLENA DINI LISJIYANTI
H24070051
DEPARTEMEN MANAJEMEN
FAKULTAS EKONOMI DAN MANAJEMEN
INSTITUT PERTANIAN BOGOR
BOGOR
2011
Judul Skripsi
: Analisis Peramalan Penjualan Tahu Kita pada PT. Kitagama, Jakarta
Nama
: Arlena Dini Lisjiyanti
NIM
: H24070051
Menyetujui
Dosen Pembimbing,
(Prof. Dr. Ir. H, Musa hubeis, MS, Dipl. Ing, DEA)

NIP : 195506261980031002
Mengetahui :
Ketua Departemen,
(Dr. Ir. Jono M. Munandar, MSc)

NIP : 196101231986011002
Tanggal Lulus:
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta 24 Maret 1990 sebagai putri pertama dari dua
(2) bersaudara pasangan Slamet Riyadi dan Sajiyanti. Penulis menyelesaikan
pendidikan dasar di Sekolah Dasar Negeri (SDN) Pesanggrahan 03 Pagi Jakarta
dan melanjutkan ke Sekolah Lanjutan Tingkat Pertama (SLTP) Negeri 177 Jakarta
dan Sekolah Menengah Atas (SMA) Negeri 90 Jakarta. Tahun 2007 Penulis
diterima di Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk
Institut Pertanian Bogor (USMI) di Departemen Manajemen Fakultas Ekonomi
dan Manajemen (FEM).
Selama menjadi mahasiswa, penulis aktif dalam organisasi seperti menjadi
staff Produksi UKM Century IPB periode 2007/2008, staff Promotion and
Marketting UKM Century IPB periode 2008/2009 dan sebagai Direktur BEM
Corporation Badan Eksekutif Mahasiswa (BEM) Fakultas Ekonomi dan
Manajemen (FEM) periode 2009/2010. Penulis juga aktif di berbagai kegiatan
yang diadakan yaitu sebagai staff Danus acara Olimpiade Mahasiswa IPB (OMI)
2008, staff Danus acara Banking Goes to Campus 2008, koordinator PDD acara
Bogor Business Simulation Comepetition 2009, staff acara Masa Perkenalan
Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor 2009, staff Expo
acara Extravaganza 2009, staff Danus acara Sportakuler 2009, staff Sponshorship
acara IPB Art Contest (IAC) 2009, Koordinator acara Seminar Insurance Goes to
Campus (IGTC), staff acara Tax Goes to Campus 2010, Koordinator acara
Gathering Departemen Manajemen 44 dan terakhir menjadi panitia Event
Organizer (EO) acara Unilever Career Day.
Selain itu, penulis sering menjadi Master of Ceremonial (MC) dalam
acara-acara Fakultas, antara lain MC acara Greenation 3rd, Politik Ceria 2010,
Balistis (baca Tulis Gratis), SOUL (Save Our Children), Its time for us BEM
FEM IPB 2009/2010, Entrepreneurship Talkshow, FEM Ambassador 2009
Roadshow, E-Race 2010, Masa Perkenalan Departemen (MPD) Manajemen FEM
IPB 2009, FEM Ambassador 2010 dan Seminar Jamsostek Goes to Campus 2010.
iv
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Allah SWT Tuhan semesta alam, Dzat
penguasa seluruh kehidupan atas rahmat dan karunia-Nya. Limpahan rahmat serta
kemudahan dalam berpikir dan bertindak merupakan sumber kekuatan penulis dalam
melaksanakan penyelesaian skripsi ini.
Skripsi ini berjudul Analisis Peramalan Penjualan Tahu Kita pada PT.
Kitagama, Jakarta disusun sebagai tugas akhir untuk memperoleh gelar Sarjana
Ekonomi pada Departemen Manajemen, Fakultas Ekonomi dan Manajemen, Institut
Pertanian Bogor.
Skripsi ini menganalisis pola data penjualan Tahu Kita PT. Kitagama di lima
(5) outlet penjualan , mengkaji dan memperoleh metode peramalan kuantitatif yang
paling sesuai untuk melakukan peramalan penjualan Tahu Kita PT. Kitagama di lima
(5) outlet penjualan, serta mengkaji dan memperoleh hasil peramalan produk Tahu
Kita PT. Kitagama di lima (5) outlet penjualan untuk 15 bulan mendatang dengan
menggunakan metode kuantitatif terbaik. Informasi tersebut dapat menjadi masukan
bagi perusahaan, sehingga dapat digunakan untuk membuat perencanaan strategi
maupun kebijakan ytang tepat dan sesuai di masa mendatang.
Penulis menyadari bahawa skripsi ini masih jauh dari sempurna, oleh karena
itu saran dan kritik yang membangun sangat penulis harapkan untuk perbaikan skripsi
ini.
UCAPAN TERIMA KASIH
Segala puji bagi Allah SWT atas berkat rahmat dan karunia-Nya, penulis
dapat menyelesaikan penulisan skripsi berjudul Analisis Peramalan Penjualan Tahu
Kita pada PT. Kitagama Jakarta sebagai salah satu syarat memperoleh gelar Sarjana
Ekonomi pada Departemen Manajemen, Fakultas Ekonomi dan Manajemen (FEM)
Institut Pertanian Bogor (IPB).
Skripsi ini tidak akan terwujud tanpa dukungan, bantuan dan kerja sama dari
berbagai pihak. Oleh karena itu, pada kesempatan ini penulis mengucapkan terima
kasih kepada :
1. Prof. Dr. Ir. H. Musa Hubeis, MS, Dipl, Ing, DEA sebagai dosen pembimbing
yang telah membrikan bimbingan, motivasi dan arahan selama penulis melakukan
penelitian.
2. Prof. Dr. Ir. W.H Limbong MS dan Dra. Siti Rahmawati, MS selaku dosen
penguji yang telah memberikan masukan dan saran.
3. Dr. Ir. Jono Munandar, M.Sc selaku Ketua Departemen Manajemen FEM IPB.
4. Seluruh staf dan karyawan Departemen Manajemen FEM IPB.
5. Ir. Teguh Budi Pramono, MBA yang telah membantu penelitian saya selama ini.
6. Mba Yayi Nestiti yang telah membantu penelitian saya dan memberikan
dukungan serta doa.
7. Kedua orang tua, Slamet Riyadi dan Sajiyanti, serta adik saya Rizki Chandra
Riyadi atas doa, nasihat, semangat, dukungan, pengertian dan kasih sayang yang
tiada henti yang telah diberikan kepada penulis.
8. Sahabat tersayang (Dian dan Tiwi) yang selalu menghibur.
9. Teman-teman satu bimbingan (Elis, Cely, Rari, Upeh, Devi, Suci, Arif dan
Yodia) yang telah memberikan dukungan, semangat dan doanya.
10. Sahabat-sahabat tersayang di manajemen 44 (Ratih, Windi, Dea, Echa, Malay,
Izni, Tutu, Resty, Widi, Christ, Fiky, Uki, Edo dan Duta) yang telah memberikan
banyak pelajaran suka, duka dan kebersamaan selama kuliah.
vi
11. Teman sekamarku Nadia Mutiarani yang telah menghibur, berbagi cerita suka
maupun duka dan memberikan dukungan serta doa.
12. Teman-teman kosan Pondok Nuansa Sakinah (Salys, Asti, Alya, Nene, Dina,
Anies dan Cipi) yang memberikan semangat, dukungan dan doanya.
13. Semua teman-teman di Manajemen 44 yang selama ini telah berbagi suka maupun
duka.
14. Semua pihak yang tidak disebutkan namanya dalam kesempatan ini yang telah
membantu penulis dalam menyelesaikan skripsi ini.
Semoga Allah SWT membalas semua kebaikan yang telah diberikan oleh
semua pihak, baik yang disebutkan maupun yang tidak di dalam penyusunan
skripsi dan penulis menyadari masih banyak kekekurangan dan kelemahan dalam
penyusunan skripsi ini. Semoga skripsi ini dapat memberikan manfaat bagi semua
pihak yang memerlukannya.
Bogor, 13 Juni 2011
Penulis
vii
DAFTAR ISI
Halaman
RINGKASAN
RIWAYAT HIDUP ..................................................................................
iv
KATA PENGANTAR ...............................................................................
UCAPAN TERIMA KASIH ..................................................... ............
vi
DAFTAR TABEL .................................................................................
DAFTAR GAMBAR .............................................................................
xi
DAFTAR LAMPIRAN .........................................................................
xii
I.
PENDAHULUAN
1.1. Latar Belakang.............................................................................
1.2. Perumusan Masalah .....................................................................
1.3. Tujuan Penelitian .........................................................................
1.4. Ruang Lingkup Penelitian..............................................................
1
1
5
6
6
II. TINJAUAN PUSTAKA ..

2.1. Sejarah Perkembangan Kedelai dan Tahu ...................................
2.2. Definisi Peramalan.......................................................................
2.2.1 Jenis-jenis Peramalan
2.2.2 Langkah-langkah Peramalan .
2.2.3 Peramalan time series ..
2.2.4 Decomposisi time series
2.2.5 Rataan Bergerak
2.2.6 Penghalusan Eksponensial
2.2.7 Trend Analysis .
2.2.8 ARIMA .
2.2.9 Menghitung Kesalahan Peramalan ..
2.3. Penelitian Terdahulu yang Relevan ..........................................
8
8
11
13
14
15
15
15
16
17
17
18
19
III. METODE PENELITIAN ...

3.1. Kerangka Pemikiran Penelitian. .................................................
3.2. Lokasi dan Waktu Penelitian .......................................................
3.3. Pengumpulan Data.......................................................................
21
21
24
24
viii
3.4. Pengolahan dan Analisis Data .....................................................
24
IV. HASIL DAN PEMBAHASAN ..

4.1 Gambaran Umum Perusahaan
4.2 Metode Peramalan Time Series pada Outlet Pastellia .
4.2.1 Identifikasi Pola Data Penjualan Tahu Kita pada Outlet
Pastellia
4.2.2 Metode Peramalan Penjualan Tahu Kita pada Outlet
Pastellia
4.3 Metode Peramalan Time Series pada Outlet JoyoSwalayan
Joyo Swalayan
Joyo Swalayan
4.4 Metode Peramalan Time Series pada Outlet Ps. Bintaro Mas ..
Ps. Bintaro Mas
Ps. Bintaro Mas .
4.5 Metode Peramalan Time Series pada Outlet Market City ..
Market City
Market City
4.6 Metode Peramalan Time Series pada Outlet Kemchicks
Kemchicks
Kemchicks
4.7 Implikasi Manajerial ..
32
32
35
KESIMPULAN DAN SARAN

1. Kesimpulan .
2. Saran
58
58
58
DAFTAR PUSTAKA ..
60
LAMPIRAN
62
ix
35
37
39
39
40
43
43
45
47
47
49
52
52
53
55
DAFTAR TABEL
No.
Halaman
1.
2.
3.
4.
Luas tanam kedelai di Indonesia dari tahun 2003 2007 .

Produksi tanaman kedelai di Indonesia dari tahun 2005 2011 ...
Luas panen tanaman kedelai di Indonesia dari tahun 2005 -2007 ...
Produktivitas tanaman kedelai di Indonesia di Indonesia dari tahun 2003
2009
5. Kandungan gizi kedelai .
6. Nilai MSE metode peramalan time series pada outlet Pastellia
7. Ramalan penjualan Tahu Kita bulan Januari 2011 Maret 2012 dengan
metode Decomposition Additive
8. Nilai MSE metode peramalan time series pada outlet Joyo Swalayan .
metode Moving Average (4) ..
10.Nilai MSE metode peramalan time series pada outlet Pasar Bintaro Mas
11.Ramalan penjualan Tahu Kita bulan Januari 2011 Maret 2012 dengan
metode ARIMA (2,0,2) .
12.Nilai MSE metode peramalan time series pada outlet Market City .
metode trend quadratic .
14. Nilai MSE metode peramalan time series pada outlet Kemchicks ...
metode Decomposition Additive
2
2
3
3
11
37
38
41
42
45
46
50
51
53
54
DAFTAR GAMBAR
No
1.
2.
3.
4.
5.
6.
Halaman
Kerangka pemikiran penelitian...................................................................

Pola data penjualan Tahu Kita pada outlet Pastellia .
Pola data penjualan Tahu Kita pada outlet Joyo Swalayan ...
Pola data penjualan Tahu Kita pada outlet Pasar Bintaro Mas
Pola data penjualan Tahu Kita pada outlet Market City
Pola data penjualan Tahu Kita pada outlet Kemchicks ..
xi
23
36
40
44
48
52
DAFTAR LAMPIRAN
No.
Halaman
1. Data penjualan Tahu Kita bulan Juli 2008 Desember 2010 . 63

2. Data aktual penjualan Tahu Kita bulan Januari 2011 April 2011 .. 64
3. Struktur organisasi 65
4. Proses produksi Tahu Kita ..
66
5. ACF untuk outlet Pastellia 67
6. ACF untuk outlet Joyo Swalayan .. 68
7. ACF untuk outlet Pasar Bintaro Mas 69
8. ACF untuk outlet Market City .. 70
9. ACF untuk outlet Kemchicks 71
10. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada outlet
Pastellia dengan metode Decomposition Additive ..
72
Pastellia dengan metode Decomposition Multiplicative .
75
Joyo Swalayan dengan metode Moving Average (4) ..
78
Joyo Swalayan dengan metode Decomposition Additive . 80
Pasar Bintaro Mas dengan metode ARIMA (2,0,2) .. 83
Pasar Bintaro Mas dengan metode Decomposition Additive . 85
Market City dengan metode Trend quadratic... 88
Market City dengan metode Single Exponential Smoothing . 90
Kemchicks dengan metode Decomposition Additive .. 92
Kemchicks dengan metode Trend Quadratic.... 95
20. Implikasi hasil peramalan penjualan terhadap perkiraan pendapatan kotor Tahu
Kita pada outlet Pastellia untuk periode Januari 2011 Maret 2012 . 97
Kita pada outlet Joyo Swalayan untuk periode Januari 2011 Maret 2012 98
Kita pada outlet Pasar Bintaro Mas untuk periode Januari 2011 Maret 2012
... 99
Kita pada outlet Market City untuk periode Januari 2011 Maret 2012 . 100
Kita pada outlet Kemchicks untuk periode Januari 2011 Maret 2012 .. 101
xii
I. PENDAHULUAN
1.1 Latar Belakang

Pertanian merupakan bidang strategik, karena menyangkut kebutuhan
manusia. Bagi Indonesia yang merupakan negara agraris, pertanian mempunyai
makna penting dalam mendukung perekonomian nasional, terutama sebagai
penyedia bahan pangan, sandang dan papan bagi segenap penduduk, serta
penghasil komoditas ekspor nonmigas untuk menarik devisa. Pada tahun 1969,
pemerintah Indonesia meluncurkan rencana lima (5) tahun pertama dengan
pertanian sebagai titik fokus untuk mendorong pertumbuhan ekonomi tanaman
pangan terutama padi sawah, jagung, kedelai, ubi jalar dan ubi kayu. Sejak 1969,
produksi padi telah menjadi fokus utama dalam peningkatan produksi pangan,
namun selama tahun 1970an produksinya semakin menurun. Saat itu, produksi
palawijaya seperti jagung, kedelai, kacang tanah dan ubi kayu sebagian besar
diabaikan dalam kebijakan pemerintah sampai dengan tahun 1974. Menurunnya
produksi padi mendorong pemerintah untuk mempertimbangkan kebijakan
pangan palawijaya ini sebagai pengganti beras. Sebelum tahun 1974, total
produksi jagung juga menurun, tetapi keuntungan kecil telah dilakukan oleh
kedelai dan kacang tanah. (http://ideas.repec.org/, 2011)
Di kawasan Benua Asia, Indonesia menempati sebagai negara dengan luas
areal (1,4 juta ha) ketiga terbesar setelah Cina (8 juta ha) dan India (4,5 juta ha).
Selain itu, Indonesia juga dikenal sebagai negara penghasil kedelai keenam
terbesar di dunia, setelah USA, Brasil, Argentina, Cina dan India (1997)
(Adisarwanto dan Rini, 2002). Sebagai ilustrasi, pada Tabel 1 dapat dilihat luas
tanam kedelai di Indonesia tahun 2003 - 2007 mengalami peningkatan hingga
tahun 2005 dan selanjutnya mengalami penurunan. Pulau Jawa merupakan
daerah yang memiliki luas tanam paling banyak dibandingkan daerah lainnya,
meskipun mengalami penurunan dari tahun 2006 - 2007.
Tabel 1. Luas tanam Kedelai di Indonesia dari tahun 2003 - 2007

No.
Tahun (ha)
Provinsi
2003
2004
2005
2006
2007
58.199
54.397
44.043
38.502
1.
Sumatera
43.926
2.
Jawa
361.041 408.783
416.144
390.320
336.792
3.
Bali, Nusa Tenggara
74.078
96.426
104.136
93.437
78.726
4.
Kalimantan
9.565
9.624
6.880
6.925
7.309
5.
Sulawesi
24.551
29.866
29.838
27.361
28.264
6.
Maluku & Papua
40.196
4.795
9.715
6.536
6.584
Jumlah Luar Jawa
192.316 198.880
204.966
178.302
159.385
Indonesia
553.357 607.663
621.110
568.622
496.177
Sumber : www.bps.go.id, 2011

Perkembangan produksi tanaman kedelai di Indonesia (Tabel 2) sama
seperti dengan perkembangan luas panen tanaman kedelai di Indonesia tahun
2005 - 2011 (Tabel 3), produksi dan luas panen kedelai mengalami penurunan
selama tahun 2005 - 2007, tetapi di tahun 2008 hingga 2009 mengalami
peningkatan cukup tinggi dan di tahun 2010 menurun sedikit dibanding tahun
sebelumnya dan diperkirakan pada tahun 2011 mengalami peningkatan. Produksi
tanaman kedelai di Indonesia paling tinggi terdapat di daerah pulau Jawa,
sebaliknya luas panen tanaman kedelai di Indonesia terdapat di luar pulau Jawa.
Tabel 2. Produksi tanaman Kedelai di Indonesia dari tahun 2005 - 2011

Produksi (ton)
Provinsi
2005
2006
2007
2008
2009
2010
2011
Jawa
563.225
518.425
424.986
518.997
573.231
633.212
636.675*
Luar Jawa
245.128
229.186
167.548
256.713
351.280
274.899
297.328*
Indonesia
808.353
747.611
592.534
775.710
924.511
908.111
934.003*
* Angka Ramalan I
Tabel 3. Luas panen tanaman Kedelai di Indonesia dari tahun 2005 - 2011
Produksi (ton)
Provinsi
2005
2006
2007
2008
2009
2010
2011
Jawa
423.874
390.568
325.689
389.780
428.130
493.594
436.315*
Luar Jawa
197.667
189.966
133.427
201.176
273.262
168.117
230.387*
Indonesia
621.541
580.534
459.116
590.956
701.392
661.711
666.702*
* Angka Ramalan I
Tabel 4 menunjukkan perkembangan produktivitas tanaman kedelai di
Indonesia dari tahun 2003 - 2009 yang berfluktuasi. Dapat dilihat pada tahun
2003 - 2005 Indonesia mengalami peningkatan produktivitas kedelai, lalu di
tahun 2006 mengalami penurunan dan mengalami peningkatan lagi mulai tahun
2007 - 2009. Tingkat produktivitas paling tinggi terjadi di daerah Jawa.
Tabel 4. Produktivitas tanaman Kedelai di Indonesia dar tahun 2003 - 2009

Produktivitas (kuintal/Ha)
Provinsi
2003
2004
2005
2006
2007
2008
2009
Jawa
13,04
13,06
13,29
13,27
13,05
13,32
13,39
Luar Jawa
12,03
12,25
12,40
12,06
12,56
12,76
12,86
Indonesia
12,75
12,80
13,01
12,88
12,91
13,13
13,18

Kedelai merupakan salah satu bahan pangan penting setelah beras karena
hampir 90% digunakan sebagai pangan. Kedelai juga kaya akan protein yang
memiliki arti penting sebagai sumber protein nabati untuk peningkatan gizi dan
mengatasi penyakit kurang gizi seperti busung lapar. Kedelai juga bermanfaat
menurunkan kolesterol darah yang dapat mencegah penyakit jantung. Selain itu,
kedelai dapat berfungsi sebagai antioksidan dan dapat mencegah penyakit
kanker. Oleh karena itu, ke depan kebutuhan kedelai akan meningkat seiring
dengan meningkatnya kesadaran masyarakat akan pangan sehat. Kedelai juga

berpotensi dan berperan penting dalam menumbuhkembangkan industri kecil
menengah (IKM), bahkan sebagai komoditas ekspor (Adisarwanto dan Rini,
2002).
Tahu merupakan salah satu makanan olahan dari kedelai yang memiliki
kandungan gizi cukup tinggi. Meningkatnya konsumsi tahu saat ini sejalan
dengan meningkatnya kesadaran masyarakat akan pentingnya makanan bergizi.
Tahu adalah makanan yang dibuat dari kacang kedelai yang difermentasikan dan
diambil sarinya. Berbeda dengan tempe yang asli dari Indonesia, tahu berasal
dari Cina, seperti halnya kecap, tauco, bakpao dan bakso. Sebagaimana tempe,
tahu dikenal sebagai makanan rakyat. Beraneka ragam jenis tahu yang ada di
Indonesia umumnya dikenal dengan tempat pembutannya, misalnya tahu
Sumedang dan tahu Kediri. (http://id.wikipedia.org/wiki/Tahu, 2011).
Beberapa waktu terakhir di tahun 2006 sempat marak berita tentang
formalin yang sering ditemukan pada produk tahu segar sebagai bahan pengawet.
Adanya berita tahu berformalin yang ditemukan di pasaran, telah membuat
masyarakat Indonesia menjadi sangat waswas untuk mengkonsumsi tahu.
Padahal tahu adalah bahan makanan murah, sehat dan disukai oleh semua usia
mulai dari bayi hingga lansia. Tahu juga mengandung protein nabati penting bagi
pemenuhan gizi, terutama dalam masa pertumbuhan. Selain itu tahu merupakan
alternatif lauk pauk yang lezat yang mudah diolah menjadi penganan apapun. Di
Indonesia, saat ini banyak sekali munculnya produsen tahu di pasaran, salah
satunya yaitu PT. Kitagama merupakan salah satu industri tahu yang sistem
pengolahannya berbeda dengan perusahaan tahu lainnya. Tahu hasil produksi
PT. Kitagama merupakan produk dari hasil penelitian dari dosen Fakultas Teknik
Pertanian Universitas Gajah Mada (FTP UGM) yang sebelumnya diproduksi
dalam skala laboratorium. Selanjutnya produksi tersebut kemudian di
kembangkan menjadi skala industri. PT. Kitagama merupakan industri yang
didirikan dari hasil kerjasama dosen FTP UGM.
PT. Kitagama muncul untuk mencoba memberikan solusi atas

permasalahan tahu berformalin di pasaran. Teknologi pengolahan tahu yang
benar dan tepat perlu diterapkan dalam proses pembuatan tahu. PT. Kitagama
berfokus membuat tahu sehat alami dan tanpa pengawet untuk menghapus
kekhawatiran
masyarakat
akan
tahu
yang
dikonsumsi.
Untuk
itu
dimunculkanlah tahu sehat hasil dari produk PT. Kitagama yang dinamakan
Tahu Kita. Tahu Kita di proses dengan menggunakan mesin-mesin modern
berbahan dasar stainless steel, sehingga menjadikannya aman, bersih, putih dan
higienis. Dengan proses pemasakan yang lebih cepat dan bersih, maka
menghasilkan tahu yang putih dan lembut, karena proses pemasakannya tidak
menghasilkan kerak pada dasar tangki masak yang dapat membuat tahu berbau
sangit dan berwarna putih kekuningan.
Meningkatnya jumlah produsen tahu saat ini telah menyebabkan PT.
Kitagama harus mampu mempertahankan pelanggannya, bahkan meningkatkan
jumlah konsumennya agar dapat bertahan sebagai produsen yang bergerak di
industri tahu. Salah satu cara yang dapat dilakukan oleh PT. Kitagama adalah
melakukan peramalan penjualan, untuk membuat perencanaan produksi dan
strategi pemasaran lebih tepat dan sesuai dengan kondisi lingkungan perusahaan
saat ini. Untuk itu dilakukan penelitian berjudul Analisis Peramalan Penjualan
Tahu Kita pada PT. Kitagama Jakarta.
1.2. Perumusan Masalah
Munculnya para pesaing produsen tahu saat ini yang membuat pilihan
jumlah produk ataupun merek tahu di Indonesia semakin bervariatif telah
membuat PT. Kitagama sebagai salah satu produsen yang menghasilkan
produk berbahan dasar kedelai ini harus memikirkan bagaimana cara
mempertahankan pelanggannya, bahkan meningkatkan konsumen. Oleh
karena itu, PT. Kitagama perlu melakukan peramalan penjualan untuk
menetapkan target penjualan perusahaan melalui penyusunan strategi.
Perumusan masalah dari penelitian ini adalah :
1. Bagaimana pola data penjualan Tahu Kita PT. Kitagama di lima (5) outlet
penjualan selama ini ?
2. Bentuk metode peramalan kuantitatif apakah yang paling sesuai untuk
meramalkan jumlah penjualan Tahu Kita PT. Kitagama di lima (5) outlet
penjualan ?
3. Bagaimana peramalan penjualan Tahu Kita PT. Kitagama di lima (5)
outlet penjualan untuk 15 bulan mendatang dengan menggunakan metode
kuantitatif terbaik ?
1.3.Tujuan Penelitian
Tujuan penelitian ini adalah :
1. Menganalisis pola data penjualan Tahu Kita PT. Kitagama di lima (5)
outlet penjualan
2. Mengkaji metode peramalan kuantitatif yang paling sesuai untuk
melakukan peramalan penjualan Tahu Kita PT. Kitagama di Lima (5)
outlet penjualan
3. Mengkaji hasil peramalan produk Tahu Kita PT. Kitagama di lima (5)
outlet penjualan untuk 15 bulan mendatang dengan menggunakan metode
kuantitatif terbaik
1.4 Ruang Lingkup Penelitian
Penelitian ini menggunakan metode time series dan data penjualan
tahu di lima (5) outlet dari bulan Juli 2008 sampai Desember 2010, maka
peramalan dilakukan selama 15 bulan ke depan yaitu, bulan Januari 2011
sampai Maret 2012 dan kemudian dibandingkan dengan data aktual selama 3
(tiga) bulan yang didapatkan dari bulan Januari sampai Maret 2011. Data
penjualan yang didapat dari perusahaan adalah penjualan harian yang
kemudian diakumulasikan menjadi data bulanan.
Peramalan dilakukan pada lima (5) outlet Tahu Kita PT. Kitagama.
Kelima outlet tersebut adalah Pastellia, Joyo Swalayan, Pasar Bintaro Mas,
Kemchick dan Market City. Penelitian ini terbatas hanya kepada pemilihan
metode peramalan akurat untuk meramalkan penjualan Tahu Kita yang dapat
digunakan
oleh
perusahaan
dalam merencanakan
produksi.
meramalkan volume penjualan Tahu Kita di masa mendatang.
Untuk
II. TINJAUAN PUSTAKA

2.1 Sejarah Perkembangan Kedelai dan Tahu
Menurut Winarto, Achmad dan Kuncoro (2005), tanaman kedelai (Glycine
max (L) Merrill) telah dibudidayakan sejak 1500 tahun sebelum Masehi. Asal
tanaman ini dipekirakan dari dataran Cina, karena di sanalah mula mula kedelai
ditanam, dan juga di Cina banyak dijumpai jenis kedelai liar. Tanaman ini dari
Cina kedelai menyebar ke Jepang, Korea, Asia Tenggara dan ke Indonesia.
Di Indonesia, terutama di Jawa dan Bali, kedelai sudah ditanam sejak
tahun 1750. Amerika serikat, negara produsen kedelai terbesar di dunia, baru
mulai menanam kedelai tahun 1920 dan Brasil negara produsen kedelai nomor
dua, baru mulai menanam kedelai tahun 1950.
Tanaman kedelai merupakan tanaman cash crop yang dibudidayakan di
lahan sawah (60%) dan di lahan kering (40%). Luas areal tanam mencapai
punaknya pada tahun 1992, yaitu 1,67 juta hektar. Sejak tahun 2000-2003, areal
tanam terus menurun menjadi 0,53 juta hektar pada tahun 2003. Kebutuhan
kedelai pada tahun 2004 sebesar 2,02 juta ton, sedangkan produksi dalam negeri
baru mencapai 0,71 juta ton, sehingga kekurangannya 1,31 juta ton harus
diimpor. Hanya sekitar 35% dari total kebutuhan kedelai dapat dipenuhi dari
produksi dalam negeri. Penurunan areal tanaman berkaitan erat dengan banjirnya
kedelai impor, sehingga nilai kompetitif dan komparatifnya merosot. Mengingat
posisi lahan di Indonesia cukup luas dan jumlah penduduk cukup besar,
sementara industri pangan berbahan baku kedelai berkembang pesat, maka
kedelai perlu mendapat prioritas untuk dikembangkan untuk menekan laju
impor.
Upaya untuk menekan laju impor dapat ditempuh melalui peningkatan
produktivitas, perluasan areal tanam, peningkatan efisiensi produksi, penguatan
kelembagaan petani, peningkatan mutu produk, peningkatan nilai tambah,
perbaikan
akses
pasar,
perbaikan
sistem
permodalan,
pengembangan
infrastruktur, serta pengaturan tataniaga dan insentif usaha. Guna mendukung
pengembangan kedelai di Indonesia, maka fokus penelitian adalah melestarikan

dan mendayagunakan plasma nutfah tanaman kedelai guna menopang kegiatan
pemuliaan berkelanjutan dan produktif menghasilkan varietas unggul baru
(VUB). Untuk meningkatkan potensi komoditas kedelai lahan sawah irigasi dan
lahan kering dapat ditempuh melalui sintesis teknik produksi yang terdiri dari
VUB kedelai adaptif, hasil tinggi (2,5-3,0 ton/ha), berbiji besar, toleran
kekeringan dan tahan hama dan penyakit disertai komponen teknologi
pengelolaan lahan, tanaman dan organisme pengganggu yang efisien, baik untuk
lahan sawah irigasi, sawah tadah hujan, maupun lahan kering. Diseminasi hasil
penelitian untuk meningkatkan akses bagi pengguna teknologi dan mempercepat
adopsi petani antara lain di lahan melalui Program Rintisan dan Akselerasi
Inovasi Teknologi Pertanian (PRIMA TANI) (Winarto, Achmad dan Kuncoro,
2005)
Tanaman kedelai (Glyicne max Merr.) bukan tanaman asli Indonesia,
namun pembudidayaan tanaman ini telah dilakukan di pulau jawa sejak abad
XVI. Rumphius (1750) mendokumentasikan bahwa pada masa itu kedelai telah
menyebar di Jawa dan Bali, yang berarti bahwa introduksi kedelai ke Indonesia
terjadi jauh sebelum tahun tersebut. Pemasukan kedelai ke Indonesia
kemungkinan dilakukan oleh imigran China, mengingat China telah menanam
dan menggunakan kedelai sebagai bahan makanan sejak awal abad Masehi.
Keberlanjutan usahatani kedelai di Indonesia ditunjang oleh adanya teknik
pengolahan kedelai menjadi bahan lauk, yang diperlukan masyarakat setiap hari,
dalam bentuk tempe, tahu, kecap dan tauco. Teknik pengolahan ini ternyata tidak
ditemukan di negara tetangga yang pada zaman dulu erat berhubungan dengan
Indonesia seperti India, Birma, Thailand, Srilanka atau Vietnam.
Sebagai tanaman bahan lauk yang tidak dibutuhkan dalam jumlah banyak,
secara tradisional historis kedelai memang tidak pernah ditanam secara luas
sebagaimana tanaman pokok seperti padi, jagung atau ubi kayu. Hal ini juga
berkaitan dengan ciri pertanian Indonesia hingga awal Pelita I (1968-1973)
masih bersifat subsisten yang lebih mengutamakan penyediaan kebutuhan bagi
10
keluarga tani sendiri. Sebagai akibatnya, kedelai tidak pernah diusahakan sebagai
tanaman utama, hanya sebagai tanaman sisipan (catch crop) atau petani
menyebut sebagai tanaman polowijo, yang berarti tanaman sisipan di musim
kemarau pada saat lahan tidak dimanfaatkan untuk usahatani tanaman utama. Hal
ini sangat berbeda dengan cara pengusahaan kedelai di negara USA, Brasilia dan
Argentina, yang walaupun baru mulai menanam kedelai pada pertengahan abad
XX, memperlakukan kedelai sebagai cash crop yang diusahakan sebagai
tanaman utama secara besar-besaran (BPP Teknologi, 1993)
Tahu
adalah
makanan
yang
dibuat
dari
kacang
kedelai
yang
difermentasikan dan diambil sarinya. Berbeda dengan tempe yang asli dari
Indonesia, tahu berasal dari Cina, seperti halnya kecap, tauco, bakpao dan bakso.
Tahu pertama kali muncul di Tiongkok sejak zaman Dinasti Han, sekitar 2200
tahun lalu. Di Jepang dikenal dengan nama tofu. Makanan ini dibawa para
perantau China, makanan ini menyebar ke Asia Timur dan Asia Tenggara, lalu
juga akhirnya ke seluruh dunia. Sebagaimana tempe, tahu dikenal sebagai
makanan rakyat. Beraneka ragam jenis tahu yang ada di Indonesia umumnya
dikenal dengan tempat pembuatannya, misalnya tahu Sumedang dan tahu Kediri.
(http://id.wikipedia.org/wiki/Tahu, 2011).
Berdasarkan Tabel 5, kandungan gizi kedelai paling tinggi terdapat pada
makanan olahan seperti tahu. Meningkatnya konsumsi tahu saat ini sejalan
dengan meningkatnya kesadaran masyarakat akan pentingnya makanan bergizi.
Tahu adalah makanan yang dibuat dari kacang kedele yang difermentasikan dan
diambil sarinya. Berbeda dengan tempe yang asli dari Indonesia, tahu berasal
dari Cina, seperti halnya kecap, tauco, bakpao dan bakso. Tahu pertama kali
muncul di Tiongkok sejak zaman Dinasti Han, sekitar 2200 tahun lalu. Di Jepang
dikenal dengan nama tofu. Dibawa para perantau China, makanan ini menyebar
ke Asia Timur dan Asia Tenggara, lalu akhirnya ke seluruh dunia. Sebagaimana
tempe, tahu dikenal sebagai makanan rakyat. Beraneka ragam jenis tahu yang
ada di Indonesia umumnya dikenal dengan tempat pembutannya, misalnya tahu
Sumedang dan tahu Kediri. (http://id.wikipedia.org/wiki/Tahu, 2011).
11
Tabel 5. Kandungan Gizi Kedelai

Jenis Produk
Protein
CHO
Lemak
14,3
8,5
7,7
127
11,1
10,0
5,8
Tempe
165
15,8
14,1
6,4
Tahu
183
17,0
14,1
9,3
Tepung kedelai,
82
11,8
9,6
0,3
100
7,0
8,0
4,0
Tanaman
Kalori
Kedelai 149
(kuning), dimasak
Kedelai, hijau
(edamame)
Dihilangkan lemaknya
Susu kedelai
Sumber : http://www.nsrl.uiuc.edu/aboutsoy/soynutrition.html, 2011
2.2 Definisi Peramalan

Menurut Heizer dan Render (2006), peramalan adalah seni, ilmu untuk
memperkirakan kejadian di masa depan. Hal ini dilakukan dengan melibatkan
pengambilan data masa lalu dan menempatkannya ke masa mendatang dengan
suatu bentuk model matematik atau
menggunakan
kombinasi
model
prediksi intuisi bersifat subyektif, atau

matematik
yang
disesuaikan
dengan
pertimbangan yang baik dari seorang manajer. Forecasting berkaitan dengan

upaya memperkirakan apa yang terjadi di masa depan, berbasis pada metode
ilmiah (ilmu dan teknologi) serta dilakukan secara matematis. Walaupun
demikian, kegiatan forecasting tidaklah semata-mata berdasarkan prosedur
ilmiah atau terorganisir, karena ada kegiatan forecasting yang menggunakan
intuisi (perasaan) atau lewat diskusi informal dalam sebuah grup (Santoso,
2009).
Menurut Sugiarto dan Harihono (2000), peramalan merupakan
studi
terhadap data historis untuk menemukan hubungan, kecenderungan dan pola

sistematis. Dalam dunia bisnis, hasil peramalan mampu memberikan gambaran
tentang masa depan perusahaan yang memungkinkan manajemen membuat
12
perencanaan, menciptakan peluang bisnis maupun mengatur pola investasi.

Ketepatan hasil peramalan bisnis akan meningkatkan peluang tercapainya
investasi yang menguntungkan. Semakin tinggi akurasi yang dicapai peramalan,
maka semakin meningkat pula peran peramalan dalam perusahaan, karena hasil
dari suatu peramalan dapat memberikan arah bagi perencanaan perusahaan,
perencanaan produk dan pasar, perencanaan penjualan, perencanaan produksi
dan keuangan.
Dikaitkan dengan perencanaan perusahaan, hasil peramalan lingkungan
ekonomi dan pasar memungkinkan perencana perusahaan mengarahkan
kebijakan perusahaan ke sektor-sektor yang memberikan peluang keuntungan
tertinggi. pemanfaatan hasil peramalan dalam perencanaan produk dan pasar
pada umumnya digunakan dalam menyusun sasaran perusahaan maupun untuk
penyusunan anggaran promosi, serta anggaran penjualan yang diperlukan untuk
mencapai sasaran tersebut. Hasil peramalan produk dan pasar dapat
dimanfaatkan perusahaan untuk memasuki pasar baru ataupun menarik diri dari
pasar yang semakin tidak menguntungkan. Sebagai contoh, hasil peramalan
terhadap peluang suatu produk akan memungkinkan dibuatnya perencanaan
terperinci bagi setiap sektor yang mendukung produk tersebut.
Salah satu aspek yang paling sering disalahpahami dalam peramalan adalah
ketidakpastian. Umumnya manajer perusahaan percaya bahwa semakin banyak
sumber daya dan waktu yang diberikan kepada peramalan, semakin rendah
derajat ketidakpastian yang didapat. Tetapi dalam banyak situasi, semata mata
menggunakan lebih banyak waktu dan tenaga dalam peramalan justru akan
memberikan hasil berlawanan. Proses peramalan masa depan itu sendiri justru
membuka kemungkinan-kemungkinan baru dan hal ini sering berarti semakin
banyaknya ketidakpastian yang harus dipertimbangkan. Dalam kasus seperti ini,
tujuan utama peramalan adalah menjadikan para pengambil keputusan dan
pembuat kebijakan memahami ketidakpastian di masa mendatang, sehingga
ketidakpastian dan risiko yang mungkin muncul dapat dipertimbangkan pada
waktu membuat perencanaan atau keputusan-keputusan yang berorientasi ke
13
masa depan. Dengan melakukan peramalan, para perencana dan pengambil

keputusan akan dapat mempertimbangkan alternatif-alternatif strategi yang lebih
luas daripada tanpa peramalan. Dengan demikian, berbagai rencana strategi dan
aksi dapat dikembangkan untuk menghadapi berbagai kemungkinan yang dapat
terjadi di masa mendatang (Sugiarto dan Hariono, 2000).
Menurut Heizer dan Render (2006), peramalan biasanya berdasarkan
horizon waktu masa depan yang dicakupnya. Horizon waktu terbagi atas
beberapa kategori :
1. Peramalan jangka pendek. Peramalan ini mencakup jangka waktu hingga satu
(1) tahun tetapi umumnya kurang dari tiga (3) bulan. Peramalan ini digunakan
untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja,
penugasan keja dan tingkat populasi.
2. Peramalan jangka menengah. Peramalan jangka menengah, atau intermediate
umumnya mencakup hitungan bulanan hingga tiga (3) tahun. Peramalan ini
berguna untuk merencanakan penjualan, perencanaan dan anggaran produksi,
anggaran kas dan menganalisis bermacam-macam rencana operasi.
3. Peramalan jangka panjang. Umumnya untuk perencanaan masa tiga (3) tahun
atau lebih. Peramalan jangka panjang digunakan untuk merencanakan produk
baru, pembelanjaan modal, lokasi atau pengembangan fasilitas, serta
penelitian dan pengembangan (litbang).
2.2.1 Jenis-jenis Peramalan
Peramalan adalah upaya memperkirakan nilai-nilai respon yang
menjadi perhatian di masa depan. Secara garis besarnya, peramalan
dibedakan menjadi peramalan kuantitatif dan kualitatif. Hasil peramalan
kualitatif didasarkan pada pengamatan kejadian-kejadian di masa
sebelumnya yang digabungkan dengan intuisi maupun ketajaman perasaan
si peramal dalam menghasilkan suatu informasi yang diperkirakan bakal
terjadi di masa mendatang. Pada umumnya hasil peramalan kualitatif
berbentuk
informasi
kualitatif,
walaupun
tidak
selalu
demikian.
14
Sebaliknya, peramalan kuantitatif mempergunakan data kuantitatif yang

diperoleh dari pengamatan nilai-nilai sebelumnya dengan ditunjang
beberapa informasi kuantitatif maupun kualitatif. Hasil peramalan
kuantitatif secara relatif lebih disukai, karena memberikan pandangan yang
lebih nyata dan lebih obyektif dalam besaran nilai hasil peramalannya.
2.2.2 Langkah-langkah Peramalan
Menurut Sugiarto dan Harihono (2000), hampir semua metode
peramalan formal dilakukan dengan cara mengekstrapolasi kondisi masa
lalu untuk kondisi masa mendatang. Hal ini didasarkan pada asumsi bahwa
kondisi masa lalu sama dengan kondisi masa mendatang. Atas dasar logik
ini, maka langkah-langkah dalam metode peramalan adalah :
Langkah 1 : Mengumpulkan data
Langkah 2 : Menyeleksi dan memilih data
Langkah 3 : Memilih model peramalan
Langkah 4 : Menggunakan metode terpilih untuk peramalan
Menurut Heizer dan Render (2006), Peramalan (forecasting) adalah
istilah yang sangat populer di dunia bisnis, yang pada dasarnya adalah
kegiatan yang berhubungan dengan meramalkan atau memproyeksikan halhal yang terjadi di masa lampau ke masa depan. Ramalan permintaan
(demand forecasting) menyangkut peramalan permintaan mendatang
berdasarkan permintaan yang lalu atau berdasarkan perhitungan tertentu.
Ramalan permintaan mencakup dua kegiatan (Indrajit dan Djokopranoto,
2003), yaitu :
1. Mengidentifikasikan peubah-peubah yang mempengaruhi permintaan
2. Mengembangkan persamaan-persamaan yang menyatakan hubungan
antara peubah-peubah tersebut dalam bentuk perhitungan matematik.
15
2.2.3 Peramalan Time Series

Time series didasarkan pada waktu berurutan atau berjarak sama
(mingguan, bulanan, kuartalan, dan lainnya). Meramalkan data time series
berarti nilai masa depan diperkirakan hanya dari nilai masa lalu dan bahwa
peubah lain diabaikan, walaupun peubah-peubah tersebut mungkin sangat
bermanfaat.
2.2.4 Dekomposisi Time Series
Menganalisis Time Series berarti membagi data masa lalu menjadi
komponen-komponen dan kemudian memproyeksikannya ke masa depan.
Time series mempunyai empat (4) komponen : tren, musim, siklus dan
variasi acak (random variation). Rinciannya sebagai berikut :
a.
Tren merupakan pergerakan data sedikit demi sedikit meningkat atau

menurun. Perubahan pendapatan, populasi, penyebaran umur, atau
pandangan budaya dapat mempengaruhi pergerakan tren.
b.
Musim adalah pola data yang berulang pada kurun waktu tertentu
seperti hari, minggu, bulan, atau kuartal.
c.
Siklus adalah pola dalam data yang terjadi setiap beberapa tahun.
Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal
penting dalam analisis dan perencanaan bisnis jangka pendek.
Memprediksi siklus bisnis sulit, karena dapat dipengaruhi oleh
kejadian politik ataupun kerusuhan internasional.
d.
Variasi acak merupakan satu titik khusus dalam data, yang disebabkan
oleh peluang dan situasi yang tidak biasa. Variasi acak tidak
mempunyai pola khusus, jadi tidak dapat diprediksi.
2.2.4 Rataan Bergerak

Peramalan rataan bergerak (moving average) menggunakan sejumlah
data aktual masa lalu untuk menghasilkan peramalan. Rataan bergerak
berguna, jika diasumsikan permintaan pasar akan stabil sepanjang masa
yang diramalkan.
16
Secara matematik, rataan bergerak sederhana (merupakan prediksi

permintaan periode mendatang) dinyatakan sebagai :
Rataan bergerak = permintaan n periode sebelumnya ... (1)
n
dimana n adalah jumlah periode dalam rataan bergerak.
Rataan bergerak dengan pembobotan dapat dijabarkan berikut :
Rataan bergerak dengan pembobotan =
(bobot pada periode n) (permintaan pada periode n) ... (2)
bobot
2.2.5 Penghalusan Eksponensial
Penghalusan
Eksponensial
(exponential
smoothing)
merupakan
metode peramalan rataan bergerak dengan pembobotan canggih, namun

masih mudah digunakan. Metode ini menggunakan sangat sedikit
pencatatan data masa lalu. Rumus penghalusan eksponensial dasar dapat
ditunjukkan sebagai berikut :
Peramalan baru = peramalan periode lalu + (permintaan
aktual periode lalu peramalan periode lalu)
dimana adalah sebuah bobot, atau konstanta penghalusan (smoothing
constant), yang dipilih oleh peramal, yang mempunyai nilai antara 0 dan 1.
Persamaan secara matematik ditulis sebagai berikut :
Ft = Ft-1 + (At-1 Ft-1) ....... (3)
dimana
Ft
= peramalan baru
Ft-1 = peramalan sebelumnya
= konstanta penghalus
At-1 = permintaan aktual periode lalu
17
2.2.6 Trend Analysis

Ada beberapa metode forecasting yang memperhatikan adanya trend,
seperti metode Holt (pada Exponential Smoothing) atai Time Series
Decomposition; metode regresi pada prinsipnya sebuah persamaan trend,
dengan tanda positif atau negatif sebagai petunjuk trend data yang menaik
atau menurun. Namun metode-metode tersebut berasumsi bahwa trend
yang terjadi adalah linear, dengan ciri akan ada sebuah garis lurus dan
peubah berpangkat satu. Dalam paktek, banyak data yang memang
mempunyai komponen trend, namun tidak selalu membentuk garis lurus.
Banyak data trend yang berbentuk kurva (kuadratik), berbentuk kurva S
(curve).
2.2.7 ARIMA
Berbeda dengan metode forecasting sebelumnya, metode ARIMA
adalah metode forecasting yang tidak menggunakan teori atau pengaruh
antar variabel seperti pada model regresi; dengan demikian, metode
ARIMA tidak memerlukan penjelasan mana variabel dependen atau mana
variabel independen. Metode ini juga tidak melihat pola-pola dat seperti
pada time series decomposition; data yang akan diprediksi tidak perlu
dipecah menjadi komponen trend, seasonal, siklis atau iregular seperti
perlakuan pada data time series pada umumnya. Metode ini secara murni
melakukan prediksi hanya sebesar data-data historis yang ada. Selain
dikenal dengan nama ARIMA, metode ini populer pula dengan sebutan
metode Box-Jenkins, karena dikembangkan oleh dua statistikawan
Amerika Serikat, yakni G.E.P Box dan G.M Jenkins pada tahun 1970.
Proses ARIMA dapat dinyatakan sebagai :
ARIMA (p, d, q) (4)
Dimana :
p = angka untuk autoregressive (AR)
d = angka untuk order differencing
18
q= angka untuk moving average (MA)

2.2.8 Menghitung Kesalahan Peramalan
Keakuratan keseluruhan dari setiap model peramalan dapat dijelaskan
dengan membandingkan nilai yang diramal dengan nilai aktual atau nilai
yang sedang diamati. Jika Ft melambangkan peramalan pada periode t, dan
At melambangkan permintaan aktual pada periode t, maka kesalahaan
peramalan (deviasi) adalah :
Kesalahan peramalan
= permintaan aktual nilai peramalan .. (5)

= At Ft
Ada beberapa perhitungan yang biasa digunakan untuk menghitung

kesalahan peramalan (forecast error) total. Perhitungan ini dapat
digunakan untuk membandingkan model peramalan yang berbeda, juga
untuk mengawasi peramalan, untuk memastikan peramalan berjalan dengan
baik. Tiga (3) dari perhitungan yang paling terkenal adalah simpangan
rataan absolut (mean absolute deviation atau MAD), kesalahan rataan
kuadrat (mean squared error atau MSE) dan kesalahan persen rataan
absolut (mean absolut percentage error atau MAPE).
a. MAD
Ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model
adalah MAD. Nilai ini dihitung dengan mengambil jumlah nilai absolut
dari tiap kesalahan peramalan dibagi dengan jumlah periode data (n),
yaitu :
MAD = aktual-peramalan .. (6)
n
b. MSE
Hal ini merupakan cara kedua untuk mengukur kesalahan peramalan
keseluruhan. MSE merupakan rataan selisih kuadrat antara nilai yang
19
diramalkan dan yang diamati. Rumusnya adalah :

MSE = (kesalahan peramalan)2. (7)
n
Kekurangan
penggunaan
MSE
adalah
cenderung
menonjolkan
simpangan yang besar, karena adanya pengkuadratan. Oleh karena itu,

menggunakan MSE sebagai perhitungan kesalahan peramalan, biasanya
menunjukkan hal lebih baik mempunyai beberapa simpangan kecil
daripada satu simpangan besar.
c. MAPE
Masalah yang terjadi dengan MAD dan MSE adalah bahwa nilainya
tergantung pada besarnya unsur yang diramal. Jika unsur tersebut
dihitung dalam satuan ribuan, maka nilai MAD dan MSE menjadi
sangat besar. Untuk menghindari masalah ini, dapat menggunakan
MAPE. MAPE dihitung sebagai rataan diferensiasi absolut antara nilai
yang diramal dan aktual, dinyatakan sebagai persentase nilai aktual. Jika
memiliki nilai yang diramal dan aktual untuk n periode, MAPE dihitung
sebagai :
MAPE = 100 aktuali ramalani /aktuali (8)

n
2.3 Penelitian Terdahulu yang Relevan
Yossi Dwi Putri (2007) melakukan Analisis Peramalan Penjualan Roti
Pada PT. Edam Burger, dengan tujuan mengetahui metode peramalan terbaik
yang dapat diterapkan bagi keempat produk PT. Edam Burger. Metode
peramalan yang digunakan adalah metode kuantitatif time series. Setelah
melakukan peramalan, pemilihan metode terbaik adalah dengan menggunakan
ukuran akurasi, yaitu Mean Squared Error (MSE). Metode peramalan yang
dipilih sebagai metode terbaik adalah yang menghasilkan MSE terendah.
Berdasarkan hasil peramalan terhadap penjualan keempat (4) produk roti PT.
20
Edam Burger, diketahui perkiraan pendapatan kotor dan biaya produksi. Dengan
demikian
perusahaan
dapat
merencanakan
penganggaran
dana
dan
mengantisipasi biaya produksi yang akan terjadi menurut prediksi yang telah
diperoleh.
Moh. Zaenal Muttaqin (2010) melakukan Peramalan Penjualan dan Harga
Ayam Broiler pada Perusahaan Tunas Mekar Farm (TMF) Bogor. Tujuan
penelitian ini adalah untuk mengidentifikasi pola data penjualan dan harga ayam
hidup perusahaan TMF, memilih metode yang paling baik untuk meramalkan
penjualan dan harga ayam hidup perusahaan TMF, serta memperoleh ramalan
penjualan dan harga ayam hidup perusahaan TMF dengan menggunakan metode
paling baik. Hasil penelitian adalah pola data penjualan ayam broiler TMF tidak
stasioner, memiliki unsur trend dan musiman. Unsur musiman lebih disebabkan
oleh kondisi-kondisi tertentu terutama Tahun Baru, Puasa, Idul Fitri dan Idul
Adha. Pada kondisi seperti itu, penjualan ayam broiler cenderung meningkat.
Oleh karena itu, untuk mengantisipasi permintaan yang meningkat, perusahaan
perlu perencaan yang lebih baik dalam budidaya ayam broiler.
Asri Aldina (2008) melakukan analisis mengenai Peramalan Penjualan
Matriks Blackberry PT. Indosat, Tbk Dalam Rangka Perencanaan Strategi
Pemasaran, dengan tujuan mengetahui pencapaian penjualan Matriks Blackberry
PT. Indosat, Tbk di Indonesia melalui analisis peramalan sebagai landasan
perencanaan pemasaran, mengetahui apakah program dan paket Matriks
Blackberry yang ditawarkan mampu menjadi faktor keunggulan kompetitif
dalam memasarkan Matriks Blackberry ke target sasaran, serta merencanakan
alternatif strategi pemasaran yang tepat bagi perusahaan dari hasil peramalan
penjualan.
21
III. METODE PENELITIAN
3.1 Kerangka Pemikiran Penelitian

Semakin tingginya tingkat persaingan dalam dunia bisnis saat ini, menuntut
para pelaku bisnis untuk mampu memahami dan meramalkan keadaan produk di
masa mendatang dalam mengambil keputusan. Peramalan penjualan perusahaan
tidak hanya untuk jangka pendek, tetapi jangka panjang. Peramalan penjualan
jangka panjang salah satunya sangat dibutuhkan perusahaan dalam membuat
perencanaan produksi optimal.
PT. Kitagama merupakan perusahaan yang bergerak di bidang industri tahu,
yang berfokus untuk menghasilkan Tahu Sehat Alami Tanpa Pengawet untuk
menghapus kekhawatiran masyarakat terhadap kontaminasi formalin pada tahu
yang dikonsumsi. Produk tahu hasil produksi PT. Kitagama tersebut dinamakan
Tahu Kita. Perusahaan ini belum lama berdiri, maka untuk mencapai tingkat
penjualan maksimal, perlu membuat suatu perencanaan penjualan yang dapat
dijadikan dasar dalam pengambilan keputusan. Salah satu dasar untuk
perencanaan penjualan adalah penentuan penjualan Tahu Kita untuk beberapa
periode mendatang dengan melakukan peramalan. Dengan melakukan analisis
peramalan penjualan, perusahaan dapat meramalkan penjualan produk atau target
di masa mendatang, sehingga target tersebut dapat dijadikan acuan perusahaan
dalam menyusun perencanaan produksi dan kebijakan perusahaan yang tepat dan
sesuai.
Peramalan penjualan memiliki metode peramalan yang cukup banyak,
sehingga perlu dilakukan pemilihan terhadap metode yang sesuai dan tepat dalam
menilai seberapa jauh model menghasilkan sebuah ramalan yang tidak berbeda
jauh dengan realisasi. Salah satu kriteria yang digunakan untuk pemilihan metode
terbaik adalah melihat kesalahan peramalan paling kecil. Metode terbaik adalah
metode yang memenuhi kriteria ketepatan peramalan berupa MAD, MSE dan
MAPE. Hal yang perlu dipertimbangkan adalah faktor ketersediaan data dan pola
data historis penjualan yang dimiliki perusahaan.
22
Metode yang digunakan dalam penelitian ini adalah metode peramalan

kuantitatif, dengan cara memperkirakan yang mungkin akan terjadi pada masa
mendatang berdasarkan data kuantitatif masa lalu. Ada beberapa metode
peramalan kuantitatif yang dapat digunakan untuk memperkirakan penjualan
masa depan. Metode yang digunakan adalah metode yang sesuai dengan
kebutuhan dan kemampuan pengguna. Metode kuantitatif yang dipilih adalah
metode time series, yaitu metode dengan cara memanfaatkan pola permintaan
masa lalu dan memproyeksikannya ke dalam perkiraan permintaan masa datang.
Metode time series digunakan secara luas dalam melakukan peramalan dan yang
digunakan dalam penelitian ini terdiri dari beberapa metode, yaitu metode trend
analysis, metode Single Exponential Smoothing, metode Double Exponential
Smoothing Holt, metode Decomposition Additive, metode Decomposition
Multiplicative, metode Moving Average dan metode ARIMA.
Sebelum menentukan beberapa metode time series, dilakukan identifikasi
pola data pada lima (5) outlet penjualan produk Tahu Kita secara visual dari
pemetaan data dan diperkuat dengan aturan pemetaan autokorelasinya. Untuk
memilih metode peramalan time series yang paling baik adalah melihat tingkat
kesalahan paling kecil. Untuk itu dihitung nilai MSE dan dibandingkan dengan
melihat MSE terendah untuk mendapatkan metode peramalan kuantitatif
terakurat secara keseluruhan. Semakin kecil nilai MSE, maka akan semakin baik
metodenya, karena hasil peramalan semakin mendekati nilai aktualnya.
Selanjutnya metode terpilih digunakan untuk meramalkan penjualan produk di
masa mendatang dan dapat digunakan sebagai acuan untuk menyusun
perencanaan produksi produk Tahu Kita pada lima (5) outlet, seperti dimuat pada
Bab I.
23
Isu formalin pada tahu yang beredar di pasaran
Produk Tahu Kita yang Sehat Alami dan

Tanpa Pengawet
Penggunaan peramalan Time Series

dalam Perencanaan Produksi
Metode Kuantitatif
Metode peramalan Time Series

1. Trend Analysis
2. Moving Average
3. Single Exponential Smoothing
4. Double Exponential Smoothing Holt
5. Dekomposisi Aditif
6. Dekomposisi Multiplikatif
7. ARIMA
Pemilihan Metode Terakurat/Terpilih
Rekomendasi berupa :
Analisis pola data penjualan Tahu Kita
Model atau teknik peramalan terakurat
Hasil ramalan untuk 15 bulan mendatang
Gambar 1. Kerangka pemikiran penelitian
24
3.2 Lokasi dan Waktu Penelitian

Penelitian ini dilaksanakan di Perusahaan beralamat di Jl. Ciater Raya
BSD No. 98 Rt. 004 Rw. 009, Ciater, SerpongTangerang, Banten. Penelitian
ini dilaksanakan pada bulan Maret-Mei 2011.
3.3 Pengumpulan Data
Data yang digunakan adalah data historis penjualan produk Tahu Kita
dari masing-masing lima (5) outlet yang terpilih dan data lain yang relevan.
Data penjualan yang digunakan adalah penjualan produk Tahu Kita di lima
(5) outlet dengan penyebaran dari tahun 2008 - 2010.
Informasi dan pengumpulan data yang dikumpulkan meliputi data
primer dan sekunder, serta jenis data kualitatif dan kuantitatif. Data primer
merupakan data yang didapat dari sumber utama, individu atau
perseorangan, seperti dari hasil analisa dan pengamatan langsung di
lapangan, serta wawancara langsung dengan pihak manajemen perusahaan
sebagai narasumber. Sedangkan data sekunder merupakan data primer yang
diperoleh pihak lain atau telah diolah dan disajikan baik oleh pengumpul
data primer maupun oleh pihak lain, atau data pelengkap dari data primer
yang dikumpulkan dari literatur-literatur, studi pustaka atau laporan internal
perusahaan (data penjualan Tahu Kita dari tahun 2008 2010), kebijakan
dan peraturan perusahaan (sejarah umum perusahaan, visi dan misi
perusahaan) baik itu berupa laporan bulanan dan tahunan manajemen
perusahaan ataupun tulisan yang berkaitan dengan penjualan, produksi dan
pemasaran Tahu Kita.
3.4 Pengolahan dan Analisis Data
Pengolahan dan analisis data yang digunakan dalam penelitian
dilakukan
secara
kualitatif
dan
kuantitatif.
Analisis
kualitatif
menggabungkan faktor-faktor seperti intuisi pengambil keputusan, emosi,

pengalaman pribadi dan sistem nilai. Analisis kualitatif menggambarkan
keadaan umum perusahaan dan mengetahui permasalahan yang terjadi
25
dalam usaha tersebut. Sedangkan analisis kuantitatif menggunakan model

matematik yang beragam dengan data masa lalu dan peubah sebab akibat
untuk meramalkan permintaan.
Analisis kuantitatif yang dilakukan untuk analisis peramalan penjualan
produk Tahu Kita selama 15 periode mendatang di lima (5) outlet
menggunakan beberapa metode peramalan time series dengan pertimbangan
data penjualan adalah deret waktu, artinya disajikan berdasarkan waktu
kejadian tanpa menunjukkan faktor-faktor yang mempengaruhinya, yaitu
metode trend analysis, metode Single Exponential Smoothing, metode
Double Exponential Smoothing Holt, metode Decomposition Additive,
metode Decomposition Multiplicative, metode Moving Average dan metode
ARIMA. Hasil peramalan tersebut digunakan untuk menetapkan target
penjualan produk Tahu Kita di PT. Kitagama dan dapat dijadikan acuan
perusahaan untuk menyususun perencanaan produksi terbaik di masa
mendatang. Data kuantitatif tersebut diolah dengan menggunakan Microsoft
Excel dan Minitab 14.
Peramalan penjualan produk Tahu Kita di lima (5) outlet dapat
diidentifikasi melalui pemetaan data dan pemetaan autokorelasi, yang
kemudian ditabulasikan dalam bentuk tabel dan kurva dengan menggunakan
Minitab 14. Dengan melakukan plot data tersebut dapat diketahui pemetaan
data penjualan sementara, sehingga diketahui apakah data tersebut memiliki
unsur trend, siklus atau musiman, karena berguna untuk menduga sementara
metode peramalan yang digunakan.
Menurut Heizer dan Render (2006), time series mempunyai empat (4)
komponen, yaitu tren, musim, siklus dan variasi acak (random variation).
1. Tren merupakan pergerakan data sedikit demi sedikit meningkat atau
menurun. Perubahan pendapatan, populasi, penyebaran umur, atau
pandangan budaya dapat mempengaruhi pergerakan tren.
2. Musim adalah pola data yang berulang pada kurun waktu tertentu seperti
hari, minggu, bulan, atau kuartal.
26
3. Siklus adalah pola dalam data yang terjadi setiap beberapa tahun. Siklus
ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting
dalam analisis dan perencanaan bisnis jangka pendek. Memprediksi
siklus bisnis sulit, karena dipengaruhi oleh kejadian politik ataupun
kerusuhan internasional.
4. Variasi acak merupakan satu titik khusus dalam data yang disebabkan
oleh peluang dan situasi yang tidak biasa. Variasi acak tidak mempunyai
pola khusus, jadi tidak dapat diprediksi.
Menurut Handoko (1984), metode time series merupakan metode
peramalan runtut waktu mencoba untuk meramalkan kejadian-kejadian di
waktu mendatang atas dasar serangkaian masa lalu. Serangkaian data ini
merupakan serangkaian observasi sebagai peubah menurut waktu dan
biasanya ditabulasi, serta digambarkan dalam bentuk grafik yang
menunjukkan peubah subyek. Komponen-komponen time series pada
umumnya diklasifikasikan sebagai Trend (T), Musiman atau seasional (M),
Siklikal atau cyclical (S) dan residu atau eratic (E). Dalam model klasik time
series, nilai ramalan (Y) merupakan fungsi perkalian dari komponenkomponen tersebut :
Y= T X S X C X E (9)
Pemilihan metode peramalan time series dilakukan pada masingmasing wilayah sesuai dengan data penjualannya. Metode yang dipilih
adalah metode yang sesuai dan tepat, yaitu dalam menilai seberapa jauh
model menghasilkan sebuah ramalan yang tak jauh berbeda dengan keadaan
aktual.
Keakuratan keseluruhan peramalan dapat dilihat dari membandingkan
nilai yang diramal dengan nilai aktual. Ada beberapa perhitungan yang
digunakan untuk menghitung kesalahan peramalan total, yaitu simpangan
rataan absolut (MAD), kesalahan rataan kuadrat (MSE) dan kesalahan
27
persen rataan absolut (MAPE).

MAD
= [ (Yt Yt) ] / n (10)
MSE
= [ (Yt Yt)2 ] / n (11)
MAPE
= [ (Yt Yt) / Yt )] / n ... (12)
dimana :
Yt
= nilai aktual
Yt
= nilai ramalan
(Yt Yt)
= kesalahan ramalan (galat)
= banyaknya data
Prosedur peramalan dengan metode time series (Baroto, 2002)

adalah :
a. Tentukan pola data penjualan, dengan memetakan data secara grafis dan
menyimpulkan apakah data itu berpola trend, musiman, siklikal, atau
eratik/acak.
b. Mencoba beberapa metode time series yang sesuai dengan pola
penjualan tersebut untuk melakukan peramalan. Metode yang dicoba
semakin banyak, maka semakin baik. Pada setiap metode, sebaiknya
dilakukan peramalan dengan parameter berbeda.
c. Mengevalusi tingkat kesalahan masing-masing metode yang telah
dicoba. Tingkat kesalahan diukur dengan kriteria MAD, MSE, MAPE,
atau lainnya. Sebaiknya nilai tingkat kesalahan (MAD, MSE, atau
MAPE) ditentukan dulu. Dalam hal ini, tidak ada ketentuan mengenai
berapa tingkat kesalahan maksimal dalam peramalan.
d. Memilih metode terbaik diantara metode yang dicoba. Metode terbaik
adalah metode yang memberikan tingkat kesalahan terkecil dibandingkan
metode lainnya dan tingkat kesalahan tersebut di bawah batas tingkat
kesalahan yang ditetapkan.
e. Melakukan peramalan dengan metode terbaik yang telah dipilih.
28
Pemetaan autokorelasi
dilakukan dengan
menunjukkan
keeratan
hubungan antara nilai peubah yang sama pada periode waktu berbeda.
1) Apabila nilai koefisien autokorelasi pada time lag dua atau tiga
periode tidak berbeda nyata dari nol, maka data tersebut adalah data
stasioner.
2) Apabila nilai koefisien autokorelasi pada beberapa time lag pertama
secara berurutan berbeda nyata dari nol, maka data tersebut adalah
data yang menunjukkan pola trend.
3) Apabila nilai koefisien pada beberapa time lag yang mempunyai jarak
sistematis berbeda nyata dari nol, maka data tersebut adalah data
komponen musiman.
a. Metode Trend
Metode ini menggambarkan pergerakan data sedikit demi sedikit
meningkat atau menurun. Dalam hal ini, perubahan pendapatan,
populasi,
penyebaran
umur,
atau
pandangan
budaya
dapat
mempengaruhi pergerakan tren.

Persamaan peramalan dengan metode Trend Linear adalah :
t = b0 + b1t . (13)
dimana :
b0 = intersept = potongan
b1 = slope
t = periode (peubah bebas)
Persamaan peramalan dengan metode Trend Quadratic adalah :
t = b0 + b1t + b2t2 . (14)
b. Metode Dekomposisi
Metode ini digunakan untuk memisahkan komponen-komponen pola
data yang menunjukkan karakteristik seperti pola trend, musiman dan
siklikal. Metode dekomposisi dibagi menjadi dua (2) model, yaitu
model dekomposisi aditif dan dekomposisi multiplikatif.
29
1. Model Dekomposisi Aditif

t = Tt + Ct + St + Et . (15)
dimana :
Tt = komponen trend pada periode t
Ct = komponen siklis pada periode t
St = komponen musiman pada periode t
Et = komponen kesalahan atau random pada periode t
2. Model Dekomposisi Multiplikatif
t = Tt + Ct + St + Et . (16)
c. Metode Pemulusan Eksponensial
Penghalusan Eksponensial (exponential smoothing) merupakan metode
peramalan rataan bergerak dengan pembobotan canggih, namun masih
mudah digunakan. Metode ini menggunakan sangat sedikit pencatatan
data masa lalu. Rumus penghalusan eksponensial dibagi menjadi :
1) Metode penghalusan eksponensial tunggal
Metode yang menyediakan rataan bergerak tertimbang secara
eksponensial semua nilai pengamatan yang lalu (Hanke, et al.,
2003).
t+1 = Yt + (1 ) t d ...... (17)
dimana :
t+1
= nilai ramalan untuk periode berikutnya
= konstanta pemulusan (0 < < 1)
Yt
= data batu atau nilai Y yang sebenarnya pada periode t
=nilai pemulusan yang lama atau rataan yang di

muluskan hingga periode berikutnya
2) Metode penghalusan eksponensial ganda

Hal ini merupakan metode linear satu (1) parameter dari Brown
(double exponential smoothing).
t+p = at + bt P .. (18)
30
dimana :
at = 2 At At
bt = /1- (At At)
At = Yt + (1-) At-1
At = At + (1-) At-1
P = jumlah periode yang akan diramalkan
d. Metode Rataan
Metode rataan terdiri dari :
1) Metode rataan sederhana (simple average)
t+1 = (Y1 + Y2 + ... + Yt) / t ... (19)
Metode rataan sederhana menggunakan semua data tersedia dan
cocok meramalkan data time series dengan data stasioner.
2) Metode rataan bergerak sederhana (simple moving average)
t+1 = (Yt + Yt-1 + Yt-2 + ... + Yt-k+1) / k (20)
Metode ini seperti halnya simple average dan cocok untuk
meramalkan data time series dengan data stasioner.
3) Metode rataan bergerak berganda (double moving average)
Mt = t+1 = (Yt + Yt-1 + Yt-2 + ... + Yt-k+1) / k .. (21)
Mt = Mt + Mt-1 + Mt-2 + ... + Mt-k+1) / k (22)
at = Mt + (Mt Mt) 2Mt t ... (23)
bt = (Mt Mt) 2 / k-1 ... (24)
t+1= at + btp (25)
dimana :
k
= nilai periode moving average
Mt = moving average pertama

Mt= moving average kedua
p
= peramalan periode kedua
31
e. ARIMA
Metode ini secara murni melakukan prediksi hanya sebesar
data-data historis yang ada. Selain dikenal dengan nama ARIMA,
metode ini populer pula dengan sebutan metode Box-Jenkins, karena
dikembangkan oleh dua statistikawan Amerika Serikat, yakni G.E.P
Box dan G.M Jenkins pada tahun 1970.
Proses ARIMA dapat dinyatakan sebagai :
ARIMA (p, d, q) .. (26)
Dimana :
p = angka untuk autoregressive (AR)
d = angka untuk order differencing
q= angka untuk moving average (MA)
32
IV. HASIL DAN PEMBAHASAN
4.1 Gambaran Umum Perusahaan

PT. Kitagama merupakan salah satu industri tahu dengan sistem
pengolahan berbeda dengan perusahaan tahu lainnya yang berdiri pada tahun
2007. Tahu hasil produksi PT. Kitagama merupakan produk dari hasil penelitian
dari dosen Fakultas Teknologi Pertanian (FTP) Universitas Gajah Mada (UGM)
yang sebelumnya diproduksi dalam skala laboratorium. Selanjutnya produksi
tersebut kemudian dikembangkan menjadi skala industri. Dengan mengusung
nama Ikatan Alumni FTP UGM, Kitagama Jakarta bersepakat untuk concern
membuat Tahu Sehat Alami Tanpa Pengawet untuk menghapus kekhawatiran
masyarakat terhadap kontaminasi formalin pada tahu yang dikonsumsi dan
notabene telah menjadi pilihan masyarakat Indonesia untk makanan sehari-hari.
Maka produk tahu sehat yang diluncurkan adalah Tahu Kita. Seperti yang telah
disebutkan di atas, Tahu Kita adalah hasil penelitian yang dilakukan dosen-dosen
Fakultas Teknologi Pertanian Universitas Gajah Mada Yogyakarta. Muai dari
formula pembuatannya, mesin-mesin dan peralatan yang digunakan, proses
pembuatannya dan pengolahan limbah yang aman bagi lingkungan.
Tahu Kita diproses dengan menggunakan mesin-mesin modern berbahan
dasar stainless steel, sehingga menjadikannya aman, bersih, putih dan higienis.
Proses pemasakan tahu menggunakan uap panas steril bersuhu di atas 100C yang
dihasilkan oleh steam boiler, tidak mempergunakan tungku api secara langsung
seperti pada pembuatan tahu pada umumnya. Dengan proses ini pemasakan
menjadi lebih cepat, bersih, dan menghasilkan tahu yang putih dan lembut karena
proses pemasakannya tidak menghasilkan kerak pada dasar tangki masak yang
dapat membuat tahu berbau sangit dan berwarna putih kekuningan. Tahu yang
telah jadi kemudian dipotong-potong, dikemas dan di seal rapat agar tidak
terkontaminasi oleh udara luar, sehingga terjaga kesegarannya. Tahu yang telah
dikemas ini siap untuk menjalani proses pasteurisasi untuk menjaga
keawetannya. Itulah sebabnya Tahu Kita dapat tahan lama selama 7 (tujuh) hari
33
dalam lemari pendingin karena menggunakan proses pasteurisasi dan tidak

menggunakan bahan pengawet apapun apalagi formalin.
Beberapa alasan mengapa memilih Tahu Kita, yaitu :
1. Bahan baku dari kedelai murni pilihan
2. Bahan penggumpal dalam proses pembuatan menggunakan cuka beras (rice
vinnegar)
3. Peralatan yang modern, efisien, bersih dan terjamin higienitasnya
4. Bebas pengawet/formalin, karena setelah proses pengawetan tahu dilakukan
dengan proses pasteurisas,i yaitu pemasakan dengan uap panas steril bersuhu
di atas 100C
5. Tahan lama dan dapat disimpan dalam lemari pendingin sampai dengan 7
(tujuh) hari
6. Pabrik yang ramah lingkungan dan sistem pengolahan limbah dengan
teknologi pengolahan limbah yang tertutup kedap air dan kedap udara,
sehingga tidak mencemari lingkungan sekitar
Pada proses pembuatan Tahu Kita, diperlukan beberapa bahan yang
mempunyai syarat tertentu, yaitu :
1. Kacang kedelai
Kacang kedelai yang digunakan diperoleh dari pemasok dalam negeri, dengan
karakteristik bahan mempunyai ukuran yang seragam, cemaran biji rusak
maksimal 5% dan cemaran benda asing maksimal 5%
2. Air
Air yang digunakan untuk produksi harus bersih dan bebas dari kotoran, tidak
bau, tingkat kesadahan rendah, dan bebas dari kandungan logam-logam berat
seperti Pb (timbal), merkuri, dll.
3. Whey
Whey tahu yang digunakan berasal dari proses produksi sebelumnya.
4. Asam laktat hasil fermentasi L. plantarum koagulan (pengental)
34
Alat-alat yang digunakan selama produksi, antara lain penggiling kedelai,

ekstraktor kedelai, perebus sari kedelai dengan steam, panci stainless steel untuk
koagulasi, pencetak tahu, hand sealer dan dandang untuk pasteurisasi tahu.
Semua peralatan yang digunakan juga harus memenuhi kriteria, antara lain
peralatan yang digunakan tidak berkarat, bersih dari kotoran maupun benda
asing/hewan. Tata letak mesin dan peralatan PT. Kitagama berdasarkan pada tipe
product layout, yaitu fasilitas produksi ditempatkan sesuai dengan jalur produksi
atau urutan-urutan proses produksi dalam membuat suatu barang atau produk.
Tujuan pemilihan product layout, yaitu untuk efisiensi proses produksi dan
ruangan, sehingga kelihatan lebih tertata dan rapi.
Tahu Kita mempunyai kelebihan-kelebihan dari tahu lain yang ada di
pasaran, antara lain tekstur yang dihasilkan lebih kenyal dan masa simpan yang
lebih lama dibandingkan tahu lain, selain itu rasanya tidak terlalu asam bila
dibandingkan dengan tahu lain. Yang tidak kalah penting, dengan proses yang
dilakukan, PT. Kitagama tetap menjaga kandungan gizi yang terdapat pada
kedelai tidak banyak terbuang, sehingga kandungan gizi tahu yang dihasilkanpun
masih tetap tinggi.
Selama ini, Tahu Kita tidak mempunyai masalah dalam hal produk. Hanya
saja dalam hal harga, Tahu Kita tergolong mahal, sehingga pasar yang dapat
dijangkau masih terbatas, yaitu kalangan menengah ke atas, sehingga PT.
Kitagama hanya melakukan produksi tahu dalam jumlah yang tidak begitu banyak
setiap harinya. Selain itu dikarenakan harganya yang cukup mahal, sehingga tidak
dapat dijangkau oleh kalangan menengah ke bawah, padahal asupan gizi yang
baik tidak hanya dibutuhkan oleh kalangan menengah ke atas akan tetapi juga
kalangan menengah ke bawah. Selain itu, masih lemahnya dalam hal pemasaran,
misalnya dalam pengenalan produk yang mengakibatkan produk kurang dikenal
masyarakat luas. Untuk proses pemasaran, PT. Kitagama biasanya menjual
produknya dengan sasaran tingkat konsumen menengah ke atas, yaitu meliputi
supermarket, restaurant, rumah sakit dan rekan dosen yang biasanya berupa
35
pesanan.
Dengan melihat dari kondisi gaya hidup konsumen sekarang yang telah
menyadari pentingnya kesehatan, maka kelebihan-kelebihan yang dimiliki oleh
Tahu Kita sangat berpotensi untuk dipilih konsumen sebagai makanan yang layak
untuk dikonsumsi. Oleh karena itu, bila dilakukan pemasaran yang lebih baik lagi,
maka kemungkinan besar dapat meningkatkan jumlah produksi tahu. Namun
apabila di bagian marketing tidak diperbaiki, juga tidak menutup kemungkinan
lama kelamaan pabrik akan mengalami kemerosotan produksi. Selain itu, karena
harga yang terlalu mahal seharusnya PT. Kitagama dapat menekan harga
produksi, misalnya dengan mencari bahan baku dengan harga yang lebih murah,
sehingga harga jualnya lebih murah dan dapat dikonsumsi oleh semua kalangan.
4.2 Metode Peramalan Time Series pada Outlet Pastellia

4.2.1 Identifikasi Pola Data Penjualan Tahu Kita pada Outlet Pastellia
Pastellia adalah salah satu toko kue yang berlokasi di Pasar Modern
BSD. Toko kue ini berada tak jauh dari pintu selatan Pasmo (Pasar
Modern). Di sini surganya para pencinta jajanan pasar karna tersedia
bermacam-macam makanan seperti, lemper ayam, kue cucur, kue lapis,
pastel, risol isi ragout, martabak, combro, bakwan udang, tahu isi, siomay
goreng, hingga amris yang lezat.
Berdasarkan perhitungan dengan Minitab 14 menunjukkan bahwa data
penjualan Tahu Kita pada outlet Pastellia tidak stasioner, hal ini ditunjukkan
dengan adanya trend pada data tersebut. Penjualan Tahu Kita pada outlet
Pastellia terlihat sangat berfluktuasi, mulai dari penjualan pertama di bulan
Juli 2008 yang jumlahnya masih cukup sedikit, yaitu 37 pack (1 pack = 10
potong) penjualannya semakin meningkat hingga bulan Januari 2010 yang
mencapai penjualan hingga 140 pack, walaupun selama penjualan di bulan
Juli 2008 hingga Januari 2010 tersebut penjualan produk Tahu Kita tidak
jarang mengalami penurunan seperti terlihat di bulan Agustus 2009 dan
November 2009.
36
140
120
Pastellia
100
80
60
40
20
0
3
12
15
Index
18
21
24
27
30
Gambar 2. Pola data penjualan tahu Kita pada Outlet Pastellia
Penjualan produk Tahu Kita terjadi penurunan sangat drastis pada

bulan Januari 2010 hingga Mei 2010. Pada bulan Mei 2010 tidak terdapat
penjualan sama sekali pada produk Tahu Kita, dikarenakan pada bulan itu
PT. Kitagama tidak memproduksi Tahu Kita akibat masalah faktor internal.
Walaupun pada bulan Mei 2010 tidak berproduksi, PT. Kitagama tetap
tidak kehilangan pelanggannya, terbukti masih adanya peningkatan
penjualan di outlet Pastellia dari bulan Juni 2010 sebanyak 19 pack dan
November 2010 sebanyak 87 pack.
Fungsi autokorelasi untuk penjualan Tahu Kita pada outlet Pastellia
menunjukkan bahwa pada lag satu berada di atas garis kritis berbeda nyata
dari nol dan perlahan sedikit menurun. Hal ini menunjukkan bahwa
penjualan Tahu Kita pada outlet Pastellia merupakan data dengan unsur
trend didalamnya dan memiliki autokorelasi. Oleh karena itu dilakukan
proses differencing untuk menghilangkan trend pada data tersebut sehingga
menjadi data stasioner. Plot ACF untuk penjualan Tahu Kita pada outlet
Pastellia dapat dilihat pada Lampiran 5.
37
4.2.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Pastellia

Metode Time Series yang digunakan untuk menentukan metode
peramalan produk Tahu Kita pada Outlet Pastellia adalah Trend Linear,
Trend Quadratic, Moving Average, Single Exponential Smoothing, Double
Exponential Smoothing Holt, Decomposition Additive, Decompotition
Multiplicative dan ARIMA. Berdasarkan hasil perhitungan, pada Tabel 6
disajikan susunan metode peramalan yang didapat berdasarkan besaran nilai
MSE.
Tabel 6. Nilai MSE metode peramalan time series pada Outlet Pastellia
No.
Metode Peramalan
MSE
Decomposition Additive
642,832
Decompositon Multiplicative
659,549
Single Exponential Smoothing
0,883
Double Exponential Smoothing
0,945
ARIMA (1,1,0)
819,6
Moving Average (2)
921,286
Trend Quadratic
944,485
Trend Linear
1033,15
737,331
0,068
796,233
Berdasarkan Tabel 6, penjualan produk Tahu Kita pada outlet Pastellia

yang dianalisis dengan Minitab 14 dengan metode peramalan Decomposition
Aditif memiliki nilai MSE terkecil (642,832) dibandingkan dengan metode
peramalan lainnya. Sedangkan untuk metode peramalan terbaik kedua adalah
metode Decompotition Multiplicative dengan memiliki nilai MSE 659,549.
Hasil metode Decompotition Aditif terdapat pada Lampiran 10 dan hasil
output komputer metode Decomposition Multiplicative terdapat pada
Lampiran 11.
38
Tabel 7. Ramalan penjualan Tahu Kita bulan Januari 2011 Maret 2012
dengan metode Decompotision Additive
Peramalan Penjualan
Periode
Bulan
(pack)
31
Januari 2011
107,383
32
Februari 2011
88,512
33
Maret 2011
49,849
34
April 2011
49,540
35
Mei 2011
21,085
36
Juni 2011
22,214
37
Juli 2011
42,530
38
Agustus 2011
9,012
39
September 2011
63,037
40
Oktober 2011
96,728
41
November 2011
57,502
42
Desember 2011
104,068
43
Januari 2012
104,176
44
Februari 2012
85,305
45
Maret 2012
46,641
Dari tabel di atas, ternyata hasil peramalan yang diperoleh dari jumlah
penjualan setiap bulannya sangat berfluktuasi tidak beraturan. Mulai dari hasil
peramalan bulan Januari 2011 yang sangat tinggi bila dibandingkan dengan penjualan
sebelumnya, tetapi menurun sangat drastis hingga bulan Juni 2011. Mulai bulan Juli
2011 hingga Maret 2012, hasil peramalan yang dihasilkan sangat berfluktuasi, tetapi
menunjukkan hasil penjualan cukup baik, karena masih ada
penjualan. Hasil
penjualan di outlet Pastellia terbilang sangat baik, disebabkan faktor tempat Pastellia
yang sangat dekat dengan pabrik Tahu Kita, sehingga cukup mudah dan cepat untuk
memperoleh maupun memesan, serta Pastellia terletak di Pasar Modern yang setiap
harinya cukup banyak didatangi oleh masyarakat sekitar. Dari metode ini diperoleh
39
persamaan t = 69,0443 0,267288*t. Persamaan tersebut menunjukkan arah

negatif, yang berarti setiap periode (bulan) ada penurunan penjualan 0,267288 unit.
Misalnya saat periode 31 (t=31) t = 69,0443 0,267288*31 = 60,758, saat periode
32 (t=32) t = 69,0443 0,267288*32 = 60,491. Hasil penjualan Tahu Kita pada
periode 31 dan 32 mengalami penurunan penjualan 0,267 unit, sesuai dengan
persamaan di atas. Sebagai altenatif lain dipilih metode Decomposition Multiplicative
sebagai metode terbaik kedua yang memiliki nilai MSE terkecil setelah metode
Decomposition Additive. Dari metode ini diperoleh persamaan t = 79,7356
0,765873*t. Persamaan tersebut menunjukkan arah negatif, yang berarti setiap
periode (bulan) ada penurunan penjualan 0,765873 unit. Misalnya saat periode 31
(t=31) t = 79,7356 0,765873*31 = 55,993, saat periode 32 (t=32) t = 79,7356
0,765873*32 = 55,228. Hasil penjualan Tahu Kita pasa periode 31 dan 32 mengalami
penurunan penjualan 0,765 unit, sesuai dengan persamaan di atas. Dari dua metode
terbaik, didapatkan hasil yang sama yaitu terjadi sedikit penurunan penjualan Tahu
Kita pada outlet Pastellia.
4.3 Metode Peramalan Time Series pada Outlet Joyo Swalayan
4.3.1 Identifikasi Pola Data Penjualan Tahu Kita Pada Outlet Joyo Swalayan
Joyo Swalayan menyediakan berbagai macam kebutuhan rumah
tangga dengan harga murah dan melayani pesan antar, dengan alamat di
jalan Ciputat Raya 254, Kebayoran Lama. Sebagai ilustrasi, data Penjualan
Tahu Kita pada outlet Joyo Swalayan dengan menggunakan bantuan
program Minitab 14 menunjukkan bahwa data stasioner. Penjualan produk
Tahu Kita pada outlet Joyo Swalayan cukup baik karena pada awal
penjualan saja yaitu bulan Oktober 2008 meningkat sangat drastis (78 pack)
yang merupakan penjualan tertinggi di outlet Joyo Swalayan, walaupun
setelah itu penjualannya mengalami fluktuasi yang tidak beraturan.
40
80
70
60
Joyo
50
40
30
20
10
0
3
12
15
Index
18
21
24
27
30
Gambar 3. Pola data penjualan Tahu Kita pada Outlet Joyo Swalayan
Dapat dilihat mulai bulan Juni 2009, penjualannya mengalami

penurunan yang berlangsung cukup lama hingga bulan Mei 2010 yang
memang pada bulan tersebut, PT. Kitagama sedang tidak melakukan
produksi. Tetapi mengalami peningkatan kembali hingga bulan Desember
2010.
Fungsi autokorelasi untuk outlet Joyo Swalayan menunjukkan
kesemua lag berada dibawah gratis kritis yang berarti tidak adanya trend
dan tidak ada autokorelasi. Plot ACF untuk outlet Joyo Swalayan dapat
dilihat pada Lampiran 6.
4.3.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Joyo Swalayan
peramalan produk Tahu Kita pada Outlet Joyo Swalayan adalah Trend
Linear, Trend Quadratic, Moving Average, Single Exponential Smoothing,
Double
Exponential
Smoothing
Holt,
Decomposition
Additive,
Decompotition Multiplicative dan ARIMA. Hasil perhitungan berikut ini
41
adalah susunan metode peramalan yang didapatkan berdasarkan besaran

nilai MSE.
Tabel 8. Nilai MSE metode peramalan time series pada Outlet Joyo
Swalayan
No.
Metode Peramalan
MSE
Moving Average (4)
232,579
Decompositon Additive
287,047
Decompotition Multiplicative
290,021
Trend Quadratic
319,085
Trend Linear
324,868
ARIMA (0,0,1)
0,303
345,607
352,868
0,427
0,072
441,367
Untuk outlet Joyo Swalayan, dengan Minitab 14 diperoleh metode

peramalan terbaik adalah Moving Average (4), karena menghasilkan MSE
paling
kecil
(232,579).
Metode
peramalan
terbaik
kedua
adalah
Decompotition Additive yaitu menghasilkan MSE 287,047. Hasil output

komputer metode Moving Average (4) terdapat pada Lampiran 12 dan untuk
metode Decomposition Additive terdapat pada Lampiran 13.
42
Tabel 9. Ramalan penjualan Tahu Kita bulan Januari 2011 Maret 2012
dengan Metode Moving Average (4)
Periode
Bulan
Peramalan Penjualan
(pack)
31
Januari 2011
18,5
32
Februari 2011
18,5
33
Maret 2011
18,5
34
April 2011
18,5
35
Mei 2011
18,5
36
Juni 2011
18,5
37
Juli 2011
18,5
38
Agustus 2011
18,5
39
September 2011
18,5
40
Oktober 2011
18,5
41
November 2011
18,5
42
Desember 2011
18,5
43
Januari 2012
18,5
44
Februari 2012
18,5
45
Maret 2012
18,5
Dari tabel di atas ternyata hasil peramalan yang diperoleh dari jumlah
penjualan setiap bulannya stabil (18,5 pack). Hasil penjualan di outlet Joyo
Swalayan cukup baik karena mungkin disebabkan oleh faktor salah satunya
outlet Joyo Swalayan berafiliasi dengan PT. Kitagama, sehingga harga yang
didapatkan lebih murah dibandingkan outlet lain, selain itu outlet Joyo
Swalayan juga memiliki tempat yang sangat strategis yang berada di pinggir
jalan Kebayoran Lama yang cukup ramai dilewati orang. Sebagai alternatif lain,
dipilih metode Decomposition Additive, karena merupakan metode terbaik
kedua yang memiliki nilai MSE terkecil setelah metode Moving Average (4).
43
Dari metode ini diperoleh persaman t = 38,1280 0,657341*t. Persamaan

tersebut menunjukkan arah negatif, maka setiap periode (bulan) ada penurunan
penjualan 0,657341 unit. Misalnya saat periode 31 (t=31) t = 38,1280
0,657341*31 = 17,750, saat periode 32 (t=32) t = 38,1280 0,657341*32 =
17,093. Hasil peramalan penjualan Tahu Kita periode 31 dan 32 mengalami
penurunan penjualan 0,657, sesuai dengan persamaan di atas.
4.4 Metode Peramalan Time Series pada Outlet Pasar Bintaro Mas
4.4.1 Identifikasi Pola Data Penjualan Tahu Kita Pada Outlet Pasar Bintaro
Mas
Outlet milik Pak Sutahar ini terletak di Pasar tradisional Bintaro yang
beralamat di jalan Burung Gereja Raya Perumahan Bintaro Jaya Sektor 2
telah menjadi pasar tradisonal yang megah dan modern, namun tetap tidak
meninggalkan ketradisonalannya, dengan nama Pasar Tradisional Bintaro
Mas Sektor 2 yang kini memiliki bangunan dengan dua (2) lantai, lantai
dasar untuk los/lapaknya dibagi menjadi dua (2) blok yang diisi oleh sayur
mayur, daging, ayam, ikan, sembako dan makanan. Sementara dilantai 1
terdapat lobi yang luasnya 12 x 10 m2, juga ada food court dan kios yang
berjumlah 83 unit. Sedangkan di lantai paling atas atau daak dibuat sarana
olahraga berupa 2 (dua) buah lapangan futsal yang sudah memenuhi standar
nasional dan tentunya akan menambah ramainya aktifitas lokasi ini. Pasar
tradisional ini mempunyai satu pintu utama, dua buah pintu di kanan kiri
gedung, tiga buah tangga yang akan memudahkan keluar masuk pengunjung
dan dibuka 24jam nonstop.
Disamping itu Pasar Tradisional Bintaro Mas Sektor 2 telah berhasil
memperbaiki kembali citra pasar tradisional yang dikenal becek dan
kotor, serta dilain pihak para pedagang-pedagang bermodal cekak yang
biasa didapati dalam ekonomi kerakyatan, telah mendapatkan prioritas
dalam proses penataan tersebut. Perubahan baru di pasar Bintaro sektor 2,
berbagai keuntungan didapat dengan berinvestasi di pasar Bintaro Mas, dan
44
tentunya menawarkan konsep berdagang dan berbelanja, food court, kafe,

dengan suasana bersih, aman dan nyaman. Kios dan los yang tertata rapi
modern dengan sistem drainase teratur, lokasi sangat strategik di tengah
pemukiman elit Bintaro Mas dengan keamanan terjamin 24 jam ditunjang
oleh keberadaan pospol tepat dilokasi membuat pengunjung tidak perlu
khawatir.
90
80
Ps. Bintaro Mas
70
60
50
40
30
20
10
0
3
12
15
Index
18
21
24
27
30
Gambar 4. Pola data penjualan Tahu Kita pada Outlet Ps. Bintaro Mas
Berdasarkan pengamatan terhadap data penjualan Tahu Kita pada

outlet Pasar Bintaro Mas yang telah diolah dengan bantuan program Minitab
14 menunjukkan bahwa pola datanya adalah data yang tidak stasioner,
karena terlihat adanya unsur trend. Penjualan produk Tahu Kita pada outlet
Pasar Bintaro Mas menunjukkan pola data penjualan berfluktuasi tidak
beraturan. Hal dimaksud ditunjukkan oleh peningkatan cukup drastis pada
bulan Desember 2009 dan Januari 2010, dengan penjualan tertinggi (94
pack), tetapi mengalami penurunan hingga Mei 2010 karena, PT. Kitagawa
tidak memproduksi produk Tahu Kita.
45
Fungsi Autokorelasi menunjukkan bahwa pada lag satu berada di atas

garis kritis dan lag empat tepat mendekati garis kritis. Hal ini menunjukkan
bahwa memang adanya trend dan adanya autokorelasi pada data tersebut,
sehingga perlu dilakukan proses differencing. Plot ACF untuk outlet Pasar
Bintaro Mas dapat dilihat pada Lampiran 7.
4.4.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Pasar Bintaro
Mas
peramalan produk Tahu Kita pada Outlet Pasar Bintaro Mas adalah Trend
Linear, Trend Quadratic, Moving Average, Single Exponential Smoothing,
Double
Exponential
Smoothing
Holt,
Decomposition
Additive,
Decompotition Multiplicative dan ARIMA. Hasil perhitungandari metode

peramalan yang dimaksud didasarkan pada besaran nilai MSE, seperti
dimuat pada Tabel 10.
Tabel 10. Nilai MSE metode peramalan time series pada Outlet Pasar
Bintaro Mas
No.
Metode Peramalan
MSE
ARIMA (2,0,2)
253,53
Decompositon Additive
288,900
Decompotition Multiplicative
297,907
Trend Quadratic
358,510
0,858
0,942
Trend Linear
402,329
Moving Average (2)
434,893
360,235
0,022
373,507
46
Berdasarkan Tabel 10, penjualan produk Tahu Kita pada outlet Pasar
Bintaro Mas dengan Minitab 14 diperoleh metode peramalan terbaik adalah
metode ARIMA (2,0,2), karena memiliki nilai MSE terkecil (243,53)
dibandingkan dengan metode peramalan lainnya. Sedangkan untuk metode
peramalan terbaik kedua adalah metode Decompotition Additive dengan nilai
MSE 288,900. Hasil output komputer metode ARIMA (2,0,2) terdapat pada
Lampiran 14 dan untuk metode Decompotition Additive terdapat pada
Lampiran 15.
Tabel 11. Ramalan penjualan Tahu Kita bulan Januari 2011 Maret
2012 dengan Metode ARIMA (2,0,2)
Periode
Bulan
Peramalan Penjualan
(pack)
31
Januari 2011
49,9956
32
Februari 2011
51,2863
33
Maret 2011
47,4859
34
April 2011
40,6139
35
Mei 2011
33,1089
36
Juni 2011
27,0964
37
Juli 2011
23,8835
38
Agustus 2011
23,7730
39
September 2011
26,1808
40
Oktober 2011
29,9674
41
November 2011
33,8509
42
Desember 2011
36,7773
43
Januari 2012
38,1559
44
Februari 2012
37,9253
45
Maret 2012
36,4652
47
Dari tabel di atas ternyata hasil peramalan yang diperoleh dari jumlah
penjualan setiap bulannya cukup berfluktuasi (peningkatan ataupun penurunan),
yaitu hasil peramalan bulan Januari 2011 meningkat pada bulan Februari 2011
(51 pack) dan juga merupakan peramalan penjualan tertinggi selama 15 periode
tersebut. Hal lainnya terjadi penurunan penjualan hingga bulan September 2011,
dimana penjualan terendah terjadi pada bulan Juli dan Agustus 2011 (23 pack),
tetapi penjualan meningkat kembali dan cukup stabil hingga bulan Maret 2011.
Hasil penjualan di outlet Pasar Bintaro Mas Pak Sutahar termasuk biasa saja
(standar), hal ini mungkin dikarenakan outlet milik Pak Sutahar ini berada di
Pasar Bintaro Mas yang merupakan pasar tradisional meskipun saat ini sudah
lebih modern, sehingga sangat banyak pesaing produk tahu di pasar tersebut
yang lebih menawarkan produk tahunya dengan harga yang sangat terjangkau
dibandingkan dengan produk Tahu Kita yang harganya cukup mahal. Sebagai
altenatif lain, dipilih metode Decomposition Additive sebagai metode terbaik
kedua, dengan nilai MSE terkecil setelah metode ARIMA (2,0,2). Dari metode
ini diperoleh persamaan t = 30,7091 + 0,0700222*t, dengan arah positif, yang
berarti setiap periode (bulan) ada kenaikan penjualan 0,0700222 unit. Misalnya
saat periode 31 (t=31) t = 30,7091 + 0,0700222*31 = 32,8798, saat periode 32
(t=32) t = 30,7091 + 0,0700222*32 = 32,9498. Hasil peramaln penjualan
Tahu Kita periode 31 dan 32 mengalami peningkatan 0,07, sesuai dengan
persamaan di atas.
4.5 Metode Peramalan Time Series pada Outlet Market City

4.5.1 Identifikasi Pola Data Penjualan Tahu Kita pada Outlet Market City
Market City merupakan supermarket yang berlokasi di Pantai Indah
Kapuk ini adalah supermarket yang memiliki konsep pemenuhan gaya
hidup para profesional kota yang sibuk dalam satu tempat perbelanjaan.
Market City menjadi salah satu gaya hidup baru para konsumennya, karena
menyediakan semua kebutuhan sehari-hari dan menawarkan kegiatan
berbelanja yang menyenangkan. Sebagai supermarket dengan pelayanan
48
jasa lengkap, Market City menawarkan produk bertaraf Internasional untuk

memenuhi kebutuhan sehari-hari pelanggan dalam suasana berbelanja yang
menyenangkan.
Supermarket bertaraf Internasional ini menawarkan produk makanan
yang segar dan didatangkan dari seluruh penjuru dunia. Market City
memilih mutu terbaik untuk buah-buahan, sayuran, daging sapi, daging
babi, daging ayam, telur, ikan, hasil laut, susu, produk makanan beku,
makanan ringan, bumbu dan produk kebutuhan sehari-hari lainnya. Market
City juga menyediakan produk organik untuk memenuhi kebutuhan
konsumen yang sangat memperhatikan kesehatan. Dengan pengendalian
terhadap mutu produk dan pemenuhan standar produk secara Internasional,
maka Market City menjamin kepuasan konsumen terhadap produk-produk
yang ditawarkan, karena semua produk ditampilkan di tempat yang
menarik, bersih dan aman, secara keseluruhan merupakan mutu produk
terbaik.
70
60
Market City
50
40
30
20
10
0
3
12
15
Index
18
21
24
27
30
Gambar 5. Pola data penjualan Tahu Kita pada outlet Market City
49

outlet Market City yang telah diolah dengan bantuan program Minitab 14
didapatkan pola data yang tidak stasioner, karena terlihat adanya unsur trend
pada data tersebut. Penjualan produk Tahu Kita pada outlet Market City
menunjukkan pola data penjualan berfluktuasi tidak beraturan, yaitu
mengalami peningkatan hingga bulan Maret 2010, diantaranya penjualan
tertinggi berada di bulan Oktober 2009 (65 pack). Selanjutnya pada bulan
Mei sampai Desember 2010, penjualan Tahu Kita sangat berfluktuasi dan
menghasilkan
penjualan
cukup
sedikit
dibandingkan
bulan-bulan
sebelumnya. Hal ini dikarenakan PT. Kitagama pada bulan Mei 2010 tidak
melakukan produksi akibat adanya masalah internal sehingga, berdampak
menurunkan penjualan Tahu Kita pada bulan selanjutnya.
Fungsi Autokorelasi menunjukkan bahwa pada lag satu berada di atas
garis kritis dan lag dua yang tepat mendekati garis kritis, namun perlahan
menurun mendekati nol. Hal ini menunjukkan bahwa memang adanya trend
dan adanya autokorelasi pada data tersebut, sehingga perlu dilakukan proses
differencing. Plot ACF untuk outlet Market City dapat dilihat pada
Lampiran 8.
4.5.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Market City
peramalan produk Tahu Kita pada Outlet Market City berupa Trend Linear,
Multiplicative dan ARIMA. Berikut ini disajikan susunan metode peramalan
yang didapat berdasarkan besaran nilai MSE.
Berdasarkan Tabel 12, untuk penjualan produk Tahu Kita pada outlet
Market City dengan menggunakan Minitab 14 diperoleh metode peramalan
terbaik adalah metode Trend Quadratic. Metode ini memiliki nilai MSE
terkecil dibandingkan dengan metode peramalan lainnya, yaitu 155,679.
50
Sedangkan untuk metode peramalan terbaik kedua adalah metode Single

Exponential Smoothing dengan memiliki nilai MSE 191,045. Hasil output
komputer metode Trend Quadratic terdapat pada Lampiran 16 dan hasil
output komputer metode Single Exponential Smoothing terdapat pada
Lampiran 17.
Tabel 12. Nilai MSE Metode Peramalan Time Series pada Outlet
Market City
No.
Metode Peramalan
MSE
Trend Quadratic
155,678
Moving Average (3)
ARIMA (0,1,1)
208,83
226,668
DecompositionMultiplicative
227,430
Trend Linear
245,180
0,514
191,045
199,802
0,482
0,075
199,994
Dari hasil ramalan dengan menggunakan metode Trend Quadratic

(Lampiran 16) terlihat bahwa hasil peramalan yang diperoleh dari jumlah
penjualan setiap bulannya menunjukkan penurunan cukup tinggi, sehingga
menyebabkan kerugian pada perusahaan. Hal ini mungkin dikarenakan
kesalahan error. Seperti dapat dilihat, bahwa hasil peramalan penjualan dari
bulan Februari 2011 hingga Maret 2012 menunjukkan angka negatif, yang
berarti perusahaan mengalami kerugian atau defisit. Sebagai altenatif yang
lain dipilih metode Single Exponential Smoothing dengan menggunakan =
0,514, karena merupakan metode terbaik kedua dengan nilai MSE terkecil
setelah metode Trend Quadratic. Dari hasil metode ini peramalan penjualan
yang diperoleh stabil dan sangat jauh berbeda dengan hasil peramalan dengan
51
metode Trend Quadratic. Dengan menggunakan metode ini juga jauh lebih
mendekati data aktual sebelumnya dibandingkan dengan menggunakan
metode Trend Quadratic. Hasil ramalan penjualan Tahu Kita di outlet Market
City masih sangat kurang, dikarenakan faktor tempat outlet ini yang terletak
sangat jauh dengan pabriknya, sehingga sering kesulitan saat mengantar
barang.
Tabel 13. Ramalan Penjualan Tahu Kita Bulan Januari 2011 Maret
2012 dengan Metode Single Exponential Smoothing
Periode
Bulan
Peramalan Penjualan
(pack)
31
Januari 2011
24
32
Februari 2011
24
33
Maret 2011
24
34
April 2011
24
35
Mei 2011
24
36
Juni 2011
24
37
Juli 2011
24
38
Agustus 2011
24
39
September 2011
24
40
Oktober 2011
24
41
November 2011
24
42
Desember 2011
24
43
Januari 2012
24
44
Februari 2012
24
45
Maret 2012
24
52
4.6 Metode Peramalan Time Series pada Outlet Kemchicks

4.6.1 Identifikasi Pola Data Penjualan Tahu Kita Pada Outlet Kemchicks
Kemchicks Supermarket memberikan pelayanan tinggi dan berbagai
pilihan barang. Supermarket ini adalah spesialis dalam memenuhi
kebutuhan makanan tertentu masyarakat asing pengiriman makanan ke
daerah-daerah terpencil dan menyediakan bahan makanan untuk warga
jakarta. Menyediakan stok sayuran segar dari Australia, buah-buahan tropis
lokal, keju dari seluruh dunia, daging segar dan potongan dingin, roti segar
yang lezat dan makanan yang dipanggang.
90
80
70
Kemchicks
60
50
40
30
20
10
0
3
12
15
Index
18
21
24
27
30
Gambar 6. Plot Data Penjualan Tahu Kita pada Outlet Kemchicks

outlet Kemchicks yang telah diolah dengan bantuan program Minitab 14
menunjukkan bahwa pola datanya adalah data stasioner. Penjualan Tahu
Kita mengalami peningkatan hingga bulan Februari 2009. Selanjutnya
mengalami penurunan yang cukup drastis pada hingga bulan Mei 2009,
yaitu 3 (tiga) pack. Tetapi meningkat lagi seperti terjadi pada bulan
53
Desember 2009 dan penjualan paling tinggi terjadi pada bulan Juli 2010.
Fungsi Autokorelasi menunjukkan bahwa kesemua lag berada di
bawah garis kritis, meskipun pada lag kelima (5) hampir mendekati garis
kritis. Hal ini menunjukkan bahwa tidak adanya autokorelasi pada data
tersebut. Plot ACF untuk outlet Market City dapat dilihat pada Lampiran 9.
4.6.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Kemchicks

peramalan produk Tahu Kita pada Outlet Kemchicks adalah Trend Linear,
Multiplicative dan ARIMA. Berdasarkan hasil perhitungan, Tabel 14
menyajikan susunan metode peramalan yang didapat berdasarkan besaran
nilai MSE.
Tabel 14. Nilai MSE metode peramalan Time Series pada Outlet
Kemchicks
No.
Metode Peramalan
MSE
311,813
Trend Quadratic
366,661
ARIMA (0,0,1)
399,8
Trend Linear
403,488
Decompotision Multiplicative
Moving Average (2)
0,037
435,296
490,880
0,577
0,094
543,606
641,670
Berdasarkan Tabel 14, untuk penjualan produk Tahu Kita pada outlet
Kemchicks dengan menggunakan Minitab 14 diperoleh metode peramalan
terbaik adalah metode Decomposition Additive. Metode ini memiliki nilai
54
MSE terkecil (311,813) dibandingkan dengan metode peramalan lainnya.

Sedangkan untuk metode peramalan terbaik kedua adalah metode Trend
Quadratic dengan memiliki nilai MSE 366,661. Hasil metode Decompotition
Aditif terdapat pada Lampiran 18 dan hasil output komputer metode Trend
Quadratic terdapat pada Lampiran 19.
Tabel 15. Ramalan penjualan Tahu Kita Bulan Januari 2011 Maret
2012 dengan Metode Decompotiton Additive
Periode
Bulan
Peramalan Penjualan
(pack)
31
Januari 2011
60,0693
32
Februari 2011
50,0915
33
Maret 2011
47,6553
34
April 2011
32,2400
35
Mei 2011
10,7831
36
Juni 2011
29,5970
37
Juli 2011
43,9942
38
Agustus 2011
37,8497
39
September 2011
48,7469
40
Oktober 2011
37,9358
41
November 2011
48,8747
42
Desember 2011
94,4386
43
Januari 2012
65,3358
44
Februari 2012
55,3580
45
Maret 2012
52,9219
55
Dari tabel di atas, ternyata hasil peramalan yang diperoleh dari jumlah
penjualan setiap bulannya cukup berfluktuasi. Mulai dari hasil peramalan bulan
Januari 2011 hingga Mei 2011 mengalami penurunan, tetapi kemudian terus
meningkat dari bulan Juni 2011 sampai dengan Maret 2012 meskipun kadang
mengalami penurunan. Dan peramalan penjualan tertinggi terjadi pada bulan
Desember 2011 (94 pack). Hasil ramalan penjualan Tahu Kita di outlet
Kemchicks terbilang cukup baik, karena outlet ini merupakan supermarket
berskala internasional yang terdiri dari konsumen menengah ke atas, sehingga
target konsumen untuk produk Tahu Kita cukup sesuai. Selain itu, letak outlet
ini juga sangat strategis yaitu berada di daerah Kemang. Dari metode
Decomposition Additive diperoleh persamaan t = 29,1707 + 0,438877*t.
Persamaan tersebut menunjukkan arah positif, yang berarti setiap periode
(bulan) ada kenaikan penjualan 0,438877 unit. Misalnya saat periode 31 (t=31)
t = 29,1707 + 0,438877*31 = 42,775887, saat periode 32 (t=32) t = 29,1707
+ 0,438877*32 = 43,214764. Hasil peramalan penjualan Tahu Kita pada periode
31 dan 32 mengalami peningkatan 0,438877, sesuai dengan persamaan di atas.
Sebagai altenatif lain dipilih metode Trend Quadaratic karena merupakan
metode terbaik kedua yang memiliki nilai MSE terkecil setelah metode
Decompotition Additive. Dari metode ini diperoleh persaman t = 44,6581
2,33433*t + 0,0907159*t**2.
4.7 Implikasi Manajerial
Semakin tingginya tingkat persaingan bisnis saat ini, terutama dalam bidang
industri makanan, membuat para pelaku usaha harus mampu membaca dan
memahami peluang maupun situasi yang ada saat ini sehingga dapat terus
bertahan di pasar. Dalam dunia bisnis, pastinya para pelaku bisnis dihadapi oleh
lingkungan usaha yang dinamis dan sering berubah dengan cepat, sehingga sering
adanya ketidakpastian yang dihadapi oleh para pelaku bisnis dalam memproduksi
maupun memasarkan produknya. Untuk itu, cara yang tepat dilakukan salah
satunya adalah dengan melakukan peramalan penjualan (forecasting). Perusahaan
56
yang melakukan kegiatan forecasting dapat digunakan untuk mengambil

keputusan jangka pendek, jangka menengah maupun jangka panjang sesuai
dengan kebutuhan perusahaan tersebut, salah satunya dapat membuat perencanaan
produksi, perencanaan pemasaran, perencanaan keuangan, dan sebagainya.
Untuk mencapai tingkat penjualan yang maksimal, PT. Kitagama perlu
membuat suatu perencanaan penjualan yang dapat dijadikan dasar dalam
mengambil keputusan. Salah satu dasar untuk perencanaan penjualan adalah
penentuan penjualan Tahu Kita untuk beberapa periode mendatang dengan
melakukan peramalan. Dengan melakukan analisis peramalan penjualan,
perusahaan dapat meramalkan produk atau target di masa mendatang, sehingga
target tersebut dapat dijadikan acuan perusahaan dalam menyusun perencanaan
produksi dan kebijakan perusahaan yang tepat dan sesuai.
Berdasarkan hasil penelitian yang telah dilakukan, peramalan penjualan
dapat digunakan perusahaan sebagai informasi dalam mempersiapkan dan
mengetahui perencanaan penjualan di kelima outlet tersebut di masa mendatang,
juga menyusun strategi pemasaran yang lebih baik. Pola data penjualan dan hasil
peramalan penjualan dapat bersifat sangat berfluktuasi tidak beraturan, bahkan
jarang menunjukkan adanya penjualan yang terus meningkat. Hal ini mungkin
dikarenakan dari segi harga dan pemasaran produk Tahu Kita tersebut. Harga
produk Tahu Kita yang terbilang cukup mahal dibandingkan dengan tahu yang
ada di pasaran, sehingga membuat sangat sedikit masyarakat Indonesia yang
melirik Tahu Kita untuk dikonsumsi, meskipun produk tahu ini sangat sehat alami
dan tanpa bahan pengawet. Banyaknya produsen tahu di pasaran yang
menawarkan harga yang sangat terjangkau membuat para konsumen tahu tertarik
tanpa berpikir panjang untuk membeli tanpa memeriksa adanya bahan pengawet
pada tahu tersebut.
Untuk pemasaran Tahu Kita masih sangat kurang, karena masih banyak
masyarakat yang belum mengenal produk Tahu Kita ini, sehingga penjualannya
masih sedikit. Perusahaan harus merencanakan strategi pemasaran yang lebih
tepat agar dapat meningkatkan penjualan Tahu Kita, disamping itu perusahaan
57
juga harus merubah harga jual Tahu Kita agar konsumen tertarik untuk membeli
dan bisa dijadikan alternatif pilihan saat membeli produk tahu. Cara untuk
mengatasi mengurangi harga jual dari produk Tahu Kita salah satunya dengan
mengurangi biaya produksi produk tahu tersebut seperti membeli bahan baku
yang murah tetapi tetap bermutu. Dengan kata lain, berkurangnya biaya produksi
juga berdampak pada kurangnya harga jual produk Tahu Kita dan berharap dapat
membantu meningkatkan penjualan produk Tahu Kita.
Informasi hasil peramalan penjualan pada penelitian ini juga digunakan
untuk menyusun ramalan pendapatan kotor di lima outlet penjualan. Hasil
perkiraan pendapatan kotor penjualan Tahu Kita di kelima outlet untuk 15 periode
yaitu bulan Januari 2011 sampai Maret 2012 dapat digunakan perusahaan sebagai
dasar dalam perencanaan pembiayaan. Dengan demikian, perusahaan dapat
merencanakan penganggaran dana yang terjadi di masa mendatang. Hal ini dapat
memberikan efisiensi bagi kelangsungan kegiatan perusahaan, mendukung
perencanaan proses pengambilan keputusan, serta mengurangi ketidakpastian
biaya disamping menyusun perencanaan pemasaran yang lebih baik.
58
KESIMPULAN DAN SARAN
1. Kesimpulan
a. Hasil pola data penjualan Tahu Kita di kelima outlet penjualan
menunjukkan bahwa outlet Pastellia, outlet Pasar Bintaro Mas, outlet
Market City menunjukkan data tidak stasioner. Sednagkan outlet Joyo
Swalayan dan outlet Kemchicks menunjukkan data stasioner.
b. Hasil peramalan penjualan Tahu Kita di kelima outlet penjualan
menunjukkan bahwa metode terbaik metode terbaik pada outlet Pastellia
dan Kemchicks dengan Decomposition Additive, outlet Joyo Swalayan
dengan metode Moving Average, outlet Pasar Bintaro Mas menggunakan
metode ARIMA, outlet Market City dengan metode Trend Quadratic.
c. Ramalan penjualan Tahu Kita di kelima outlet selama 15 periode
mendatang (Januari 2011 sampai Maret 2012) sangat bervariasi, misal
ramalan penjualan pada outlet pastellia dan outlet Kemchicks terlihat
sangat berfluktuasi tidak beraturan (107 pack menjadi 46 pack), outlet
Joyo Swalayan sangat stabil dengan penjualan 18 pack tiap bulannya,
outlet Pasar Bintaro Mas cenderung merata tiap bulannya (50 pack
menjadi 51 pack), dan outlet Market City mengalami penurunan yang
tajam sekali.
2. Saran
a. Perusahaan sebaiknya melakukan peramalan secara berkala (misalnya 3
atau 6 bulan sekali), agar peramalan memudahkan menetapkan target
penjualan, maupun target lainnya untuk meningkatkan keuntungan
perusahaan.
b. Perusahaan sebaiknya memilih metode terbaik yang tingkat keakuratannya
paling tinggi (misalnya metode Decomposition Additive sebagai metode
terbaik dari outlet Pastellia dan outlet Kemchicks), sehingga hasil
peramalan tidak berbeda jauh dengan realisasi dan dapat mengurangi
ketidakpastian yang terjadi pada masa mendatang.
59
c. Perusahaan harus teliti dan cermat dalam melakukan peramalan penjualan

(misalnya melihat output pada computer), karena hasil peramalan yang
dilakukan akan digunakan sebagai dasar penyusunan strategi produksi,
pemasaran maupun keuangan di masa mendatang.
60
DAFTAR PUSTAKA
Aldina, A. 2008. Analisis Peramalan Penjualan Matrix Blackberry PT. Indosat, TBK
Dalam Rangka Perencanaan Strategi Pemasaran. Skripsi pada Departemen
Manajemen, Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor,
Bogor.
Adisarwanto, T dan R, Wudianto. 2002. Meningkatkan Hasil Panen Kedelai di lahan
Sawah-Kering-Pasang Surut. PT. Penebar Swadaya, Jakarta.
Baroto, T. 2002. Perencanaan dan Pengendalian Produksi. Ghalia Indonesia,
Jakarta.
Handoko, H. 1984. Dasar-Dasar Manajemen Produksi dan Operasi. BPFE,
Yogyakarta.
Hanke et al. 2003. Peramalan Bisnis. (Terjemahan). Prenhallindo, Jakarta.
Heizer, J. dan B. Render. 2006. Manajemen Operasi (Terjemahan). Salemba Empat,
Jakarta.
Indrajit, E. R dan Djokopranoto. 2003. Manajemen Persediaan. PT. Gramedia
Widiasarana Indonesia, Jakarta.
Kastyanto, W. FL. 1999. Membuat Tahu. Penebar Swadaya, Jakarta.
Muttaqin, Z.M. 2010. Peramalan Penjualan Dan Harga Ayam Broiler pada
Perusahaan Tunas Mekar Farm (TMF) Bogor. Skripsi pada Program
Sarjana Ekstensi Manajemen Agribisnis, Fakultas Pertanian, Institut
Pertanian Bogor, Bogor.
Putri, D. Y. 2007. Analisis Peramalan Penjualan Roti Pada PT. Edam Burger.
Skripsi pada Program Sarjana Ekstensi Manajemen Agribisnis, Fakultas
Pertanian, Institut Pertanian Bogor, Bogor.
Santoso, S. 2009. Business Forecasting Metode Peramalan Bisnis Masa Kini dengan
Minitab dan SPSS. PT. Elex Media Komputindo, Jakarta.
Sugiarto dan Harihono. 2000. Peramalan Bisnis. PT. Gramedia Pustaka Utama,
Jakarta.
Syarief, R, dkk. 1993. Aneka Ragam Pangan Produk Kedelai. Pusat Penelitian dan
Pengembangan Teknologi Pangan. Lembaga Penelitian Institut Pertanian
Bogor.
61
Winarto, A. dan S,B. Kuncoro. 2005. Prosiding Lokakarya Pengembangan Kedelai

di Lahan Sub-Optimal. Pusat Penelitian dan Pengembagan Tanaman Pangan,
Jakarta.
www.bps.go.id. 2011. Badan Pusat Statistik. [22 April 2011].
http://ideas.repec.org/p/ags/midagr/11041.html. [21 April 2011].
http://id.wikipedia.org/wiki/Tahu. 2011. Sejarah Tahu. [1 Maret 2011].
http://www.nsrl.uiuc.edu/aboutsoy/soynutrition.html. [22 April].
62
LAMPIRAN
\
63
Lampiran 1. Data penjualan Tahu Kita bulan Juli 2008 Desember 2010 (dalam
pack)
Bulan
Jul-08
Aug-08
Sep-08
Oct-08
Nov-08
Dec-08
Jan-09
Feb-09
Mar-09
Apr-09
May-09
Jun-09
Jul-09
Aug-09
Sep-09
Oct-09
Nov-09
Dec-09
Jan-10
Feb-10
Mar-10
Apr-10
May-10
Jun-10
Jul-10
Aug-10
Sep-10
Oct-10
Nov-10
Dec-10
Pastellia
Joyo
37
42
46
61
78
49
92
94
77
88
63
48
69
38
91
121
77
120
140
100
40
30
0
19
25
35
48
85
87
69
6
9
12
78
22
46
34
50
58
47
39
55
29
26
19
22
18
24
24
12
24
6
0
4
27
57
16
8
13
37
Ps. Bintaro
Mas
10
15
18
20
25
50
20
20
45
35
59
38
31
20
10
20
28
72
94
47
54
20
0
12
10
20
25
31
20
44
Market
City
20
38
35
51
43
25
40
47
55
60
49
56
52
46
40
65
43
60
60
45
60
31
0
26
15
5
28
19
34
22
Kemchicks
27
30
32
47
36
55
53
65
30
15
3
20
29
20
29
19
30
75
45
15
45
30
0
20
85
40
40
80
46
51
64
Lampiran 2. Data aktual penjualan Tahu Kita bulan Januari 2011 - April 2011
(dalam pack)
Ps. Bintaro
Market
Mas
City
11
39
44
30
64
11
26
52
28
Maret 2011
36
17
42
36
48
April 2011
41
12
23
31
33
Bulan
Pastellia
Joyo
Januari 2011
78
Februari 2011
Kemchicks
65
Lampiran 3. Struktur organisasi
Direktur Utama
Manager Operasional
Kepala Pemasaran
Accounting & Adm
Kepala Pabrik /
Produksi
Kurir
Tenaga Kerja Produksi
66
Lampiran 4. Proses produksi Tahu Kita
Kedelai
Digiling
Disaring
Pemasakan
Uap ( kompor)
Penggumpalan
Pencetakan
Pembungkusan
Pasteurisasi (10-15)
Tahu Kitagama
Pemasaran
67
Lampiran 5. ACF untuk outlet Pastellia

Uji Autokorelasi Pastellia
1.0
0.8
Autocorrelation
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
5
Lag
Autocorrelation Function: Pastellia

Lag
1
2
3
4
5
6
7
8
ACF
0.626962
0.322764
0.117626
-0.257442
-0.422779
-0.454227
-0.423786
-0.135900
T
3.43
1.32
0.46
-0.99
-1.58
-1.57
-1.36
-0.41
LBQ
13.01
16.58
17.08
19.52
26.39
34.64
42.14
42.94
68
Lampiran 6. ACF untuk outlet Joyo Swalayan

Uji Autokorelasi Joyo
1.0
0.8
Autocorrelation
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
5
Lag
Autocorrelation Function: Joyo

Lag
1
2
3
4
5
6
7
8
ACF
0.305889
0.203480
0.023388
0.241822
0.189285
0.046418
-0.079630
-0.034133
T
1.68
1.02
0.11
1.17
0.88
0.21
-0.36
-0.15
LBQ
3.10
4.52
4.54
6.70
8.07
8.16
8.42
8.47
69
Lampiran 7. ACF untuk outlet Ps. Bintaro Mas

Uji Autokorelasi Ps. Bintaro Mas
1.0
0.8
Autocorrelation
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
5
Lag
Autocorrelation Function: Ps. Bintaro Mas

Lag
1
2
3
4
5
6
7
8
ACF
0.521197
0.193951
-0.138819
-0.478992
-0.382757
-0.214447
-0.010172
0.102084
T
2.85
0.86
-0.60
-2.04
-1.44
-0.76
-0.04
0.35
LBQ
8.99
10.28
10.97
19.44
25.06
26.90
26.91
27.36
70
Lampiran 8. ACF untuk outlet Market City

Uji Autokorelasi Market City
1.0
0.8
Autocorrelation
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
5
Lag
Autocorrelation Function: Market City

Lag
1
2
3
4
5
6
7
8
ACF
0.541411
0.480415
0.424493
0.153728
0.151251
0.038580
-0.119632
-0.055569
T
2.97
2.09
1.62
0.54
0.53
0.13
-0.41
-0.19
LBQ
9.70
17.62
24.02
24.90
25.77
25.83
26.43
26.57
71
Lampiran 9. ACF untuk outlet Kemchicks

Uji Autokorelasi Kemchicks
1.0
0.8
Autocorrelation
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
5
Lag
Autocorrelation Function: Kemchicks

Lag
1
2
3
4
5
6
7
8
ACF
0.255362
-0.074160
0.163323
-0.065015
-0.363312
-0.151359
0.016017
-0.150303
T
1.40
-0.38
0.84
-0.33
-1.81
-0.68
0.07
-0.67
LBQ
2.16
2.35
3.30
3.45
8.52
9.44
9.45
10.43
72
Lampiran 10. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita
pada outlet Pastellia dengan metode Decomposition Additive
Time Series Decomposition for Pastellia
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Additive Model
Data
Length
NMissing
Pastellia
30
0
Fitted Trend Equation

Yt = 69.0443 - 0.267288*t
Seasonal Indices
Period
1
2
3
4
5
6
7
8
9
10
11
12
Index
-16.6250
-49.8750
4.4167
38.3750
-0.5833
46.2500
46.6250
28.0208
-10.3750
-10.4167
-38.6042
-37.2083
Accuracy Measures
MAPE
MAD
MSD
Time
Jul-08
Aug-08
Sep-08
Oct-08
Nov-08
Dec-08
Jan-09
Feb-09
Mar-09
Apr-09
May-09
Jun-09
Jul-09
40.423
22.219
642.832
Pastellia
37
42
46
61
78
49
92
94
77
88
63
48
69
Trend
68.7771
68.5098
68.2425
67.9752
67.7079
67.4406
67.1733
66.9060
66.6388
66.3715
66.1042
65.8369
65.5696
Seasonal
-16.6250
-49.8750
4.4167
38.3750
-0.5833
46.2500
46.6250
28.0208
-10.3750
-10.4167
-38.6042
-37.2083
-16.6250
Detrend
-31.7771
-26.5098
-22.2425
-6.9752
10.2921
-18.4406
24.8267
27.0940
10.3612
21.6285
-3.1042
-17.8369
3.4304
Deseason
53.625
91.875
41.583
22.625
78.583
2.750
45.375
65.979
87.375
98.417
101.604
85.208
85.625
Predict
52.152
18.635
72.659
106.350
67.125
113.691
113.798
94.927
56.264
55.955
27.500
28.629
48.945
Error
-15.1521
23.3652
-26.6592
-45.3502
10.8754
-64.6906
-21.7983
-0.9269
20.7362
32.0452
35.5000
19.3714
20.0554
73
Lanjutan Lampiran 10.

Aug-09
Sep-09
Oct-09
Nov-09
Dec-09
Jan-10
Feb-10
Mar-10
Apr-10
May-10
Jun-10
Jul-10
Aug-10
Sep-10
Oct-10
Nov-10
Dec-10
38
91
121
77
120
140
100
40
30
0
19
25
35
48
85
87
69
Forecasts
Period
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Forecast
107.383
88.512
49.849
49.540
21.085
22.214
42.530
9.012
63.037
96.728
57.502
104.068
104.176
85.305
46.641
65.3023
65.0350
64.7677
64.5005
64.2332
63.9659
63.6986
63.4313
63.1640
62.8967
62.6294
62.3622
62.0949
61.8276
61.5603
61.2930
61.0257
-49.8750
4.4167
38.3750
-0.5833
46.2500
46.6250
28.0208
-10.3750
-10.4167
-38.6042
-37.2083
-16.6250
-49.8750
4.4167
38.3750
-0.5833
46.2500
-27.3023
25.9650
56.2323
12.4995
55.7668
76.0341
36.3014
-23.4313
-33.1640
-62.8967
-43.6294
-37.3622
-27.0949
-13.8276
23.4397
25.7070
7.9743
87.875
86.583
82.625
77.583
73.750
93.375
71.979
50.375
40.417
38.604
56.208
41.625
84.875
43.583
46.625
87.583
22.750
15.427
69.452
103.143
63.917
110.483
110.591
91.719
53.056
52.747
24.293
25.421
45.737
12.220
66.244
99.935
60.710
107.276
22.5727
21.5483
17.8573
13.0829
9.5168
29.4091
8.2806
-13.0563
-22.7474
-24.2926
-6.4211
-20.7372
22.7801
-18.2442
-14.9353
26.2903
-38.2757
74

Dekomposisi Aditif Pastellia
Additive Model
Variable
A ctual
F its
Trend
F o recasts
140
120
Pastellia
100
A ccuracy Measures
MA PE
40.423
MA D
22.219
MSD
642.832
80
60
40
20
0
08
09
09
09
10
10
10
tttbnbnc
c
c
e
u
e
u
O
J
O
J
O
F
F
Bulan
Component Analysis for Pastellia

Additive Model
Original Data
Detrended Data
Detr. Data
150
Data
100
50
0
-50
0
Jun-09 Dec-09
Bulan
Jun-10
Dec-10
Seasonally Adjusted Data

150
100
50
0
Jul-08 Dec-08
Jun-09 Dec-09
Bulan
Jun-10
Dec-10
Jul-08 Dec-08
Seas. A dj. and Detr. Data
Jul-08 Dec-08
Seas. A dj. Data
50
Jun-09 Dec-09
Bulan
Jun-10
Dec-10
Seasonally Adj. and Detrended Data

50
0
-50
Jul-08 Dec-08
Jun-09 Dec-09
Bulan
Jun-10
Dec-10
75
pada outlet Pastellia dengan metode Decomposition Multiplicative
Time Series Decomposition for Pastellia
Multiplicative Model
Data
Length
NMissing
Pastellia
30
0

Yt = 79.7356 - 0.765873*t
Seasonal Indices
Period
1
2
3
4
5
6
7
8
9
10
11
12
Index
0.80528
0.43185
1.04998
1.46478
0.99441
1.63268
1.67469
1.41409
0.84659
0.82404
0.40591
0.45569
Accuracy Measures
MAPE
MAD
MSD
Time
Jul-08
Aug-08
Sep-08
Oct-08
Nov-08
Dec-08
Jan-09
Feb-09
Mar-09
Apr-09
May-09
Jun-09
37.946
21.002
659.549
Pastellia
37
42
46
61
78
49
92
94
77
88
63
48
Trend
78.9697
78.2038
77.4379
76.6721
75.9062
75.1403
74.3744
73.6086
72.8427
72.0768
71.3110
70.5451
Seasonal
0.80528
0.43185
1.04998
1.46478
0.99441
1.63268
1.67469
1.41409
0.84659
0.82404
0.40591
0.45569
Detrend
0.46853
0.53706
0.59402
0.79560
1.02758
0.65211
1.23698
1.27703
1.05707
1.22092
0.88345
0.68042
Deseason
45.947
97.256
43.810
41.644
78.438
30.012
54.936
66.474
90.953
106.791
155.207
105.334
Predict
63.593
33.772
81.309
112.308
75.482
122.680
124.554
104.089
61.668
59.394
28.946
32.147
Error
-26.5926
8.2277
-35.3085
-51.3078
2.5179
-73.6798
-32.5542
-10.0893
15.3321
28.6058
34.0542
15.8530
76

Jul-09
Aug-09
Sep-09
Oct-09
Nov-09
Dec-09
Jan-10
Feb-10
Mar-10
Apr-10
May-10
Jun-10
Jul-10
Aug-10
Sep-10
Oct-10
Nov-10
Dec-10
69
38
91
121
77
120
140
100
40
30
0
19
25
35
48
85
87
69
Forecasts
Period
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Forecast
93.7718
78.0970
46.1068
44.2476
21.4848
23.7709
41.3899
21.8656
52.3590
71.9217
48.0647
77.6646
78.3806
65.1008
38.3262
69.7792
69.0133
68.2475
67.4816
66.7157
65.9498
65.1840
64.4181
63.6522
62.8864
62.1205
61.3546
60.5887
59.8229
59.0570
58.2911
57.5252
56.7594
0.80528
0.43185
1.04998
1.46478
0.99441
1.63268
1.67469
1.41409
0.84659
0.82404
0.40591
0.45569
0.80528
0.43185
1.04998
1.46478
0.99441
1.63268
0.98883
0.55062
1.33338
1.79308
1.15415
1.81956
2.14777
1.55236
0.62841
0.47705
0.00000
0.30968
0.41262
0.58506
0.81277
1.45820
1.51238
1.21566
85.685
87.994
86.668
82.606
77.433
73.499
83.598
70.717
47.248
36.406
0.000
41.695
31.045
81.047
45.715
58.029
87.489
42.262
56.192
29.803
71.659
98.846
66.343
107.675
109.163
91.093
53.887
51.821
25.215
27.959
48.791
25.834
62.009
85.384
57.204
92.670
12.8083
8.1966
19.3413
22.1542
10.6570
12.3253
30.8370
8.9069
-13.8873
-21.8209
-25.2153
-8.9590
-23.7908
9.1655
-14.0088
-0.3838
29.7961
-23.6697
77
Dekomposisi Data Pastellia

Variable
A ctual
Fits
Trend
Forecasts
140
120
Pastellia
100
A ccuracy Measures
MA PE
37.946
MA D
21.002
MSD
659.549
80
60
40
20
0
08 - 09
09 - 09 -10
10 - 10
tt
t
b
nb
nOc
Ju
Oc
Ju
Oc
Fe
Fe
Bulan
Component Analysis for Pastellia

Original Data
Detrended Data
40
Detr. Data
Data
150
100
50
0
Jun-09 Dec-09
Bulan
Jun-10
Seas. A dj. Data

150
100
50
0
Jul-08 Dec-08
Jun-09 Dec-09
Bulan
Jun-10
Dec-10
-40
-80
Jul-08 Dec-08
Dec-10
Jul-08 Dec-08
Jun-09 Dec-09
Bulan
Jun-10
Dec-10

40
0
-40
-80
Jul-08 Dec-08
Jun-09 Dec-09
Bulan
Jun-10
Dec-10
78
pada Outlet Joyo Swalayan dengan metode Moving Average (4)
Moving Average for Joyo
Data
Length
NMissing
Joyo
30
0
Moving Average
Length
Accuracy Measures
MAPE
MAD
MSD
62.269
12.048
232.579
Time
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Joyo
6
9
12
78
22
46
34
50
58
47
39
55
29
26
19
22
18
24
24
12
24
6
0
4
27
57
16
8
13
37
Forecasts
MA
*
*
*
26.25
30.25
39.50
45.00
38.00
47.00
47.25
48.50
49.75
42.50
37.25
32.25
24.00
21.25
20.75
22.00
19.50
21.00
16.50
10.50
8.50
9.25
22.00
26.00
27.00
23.50
18.50
Predict
*
*
*
*
26.25
30.25
39.50
45.00
38.00
47.00
47.25
48.50
49.75
42.50
37.25
32.25
24.00
21.25
20.75
22.00
19.50
21.00
16.50
10.50
8.50
9.25
22.00
26.00
27.00
23.50
Error
*
*
*
*
-4.25
15.75
-5.50
5.00
20.00
0.00
-8.25
6.50
-20.75
-16.50
-18.25
-10.25
-6.00
2.75
3.25
-10.00
4.50
-15.00
-16.50
-6.50
18.50
47.75
-6.00
-18.00
-14.00
13.50
79

Period
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Forecast
18.5
18.5
18.5
18.5
18.5
18.5
18.5
18.5
18.5
18.5
18.5
18.5
18.5
18.5
18.5
Lower
-11.3905
-11.3905
-11.3905
-11.3905
-11.3905
-11.3905
-11.3905
-11.3905
-11.3905
-11.3905
-11.3905
-11.3905
-11.3905
-11.3905
-11.3905
Upper
48.3905
48.3905
48.3905
48.3905
48.3905
48.3905
48.3905
48.3905
48.3905
48.3905
48.3905
48.3905
48.3905
48.3905
48.3905
Moving Average Joyo

80
Variable
Actual
Fits
Forecasts
95.0% PI
60
Joyo
Moving Average
Length 4
40
Accuracy Measures
MAPE
62.269
MAD
12.048
MSD
232.579
20
12
16
20 24
Index
28
32
36
40
44
80
pada Outlet Joyo Swalayan dengan metode Decomposition
Additive
Time Series Decomposition for Joyo
Additive Model
Data
Length
NMissing
Joyo
30
0

Yt = 38.1280 - 0.657341*t
Seasonal Indices
Period
1
2
3
4
5
6
7
8
9
10
11
12
Index
-3.6615
-4.6615
-8.6615
-2.5365
-3.2031
6.5469
2.9010
3.4635
12.3802
-0.7448
-6.0990
4.2760
Accuracy Measures
MAPE
MAD
MSD
Time
Jul-08
Aug-08
Sep-08
Oct-08
Nov-08
Dec-08
Jan-09
Feb-09
Mar-09
Apr-09
May-09
Jun-09
89.278
13.266
287.047
Joyo
6
9
12
78
22
46
34
50
58
47
39
55
Trend
37.4707
36.8133
36.1560
35.4987
34.8413
34.1840
33.5266
32.8693
32.2120
31.5546
30.8973
30.2399
Seasonal
-3.6615
-4.6615
-8.6615
-2.5365
-3.2031
6.5469
2.9010
3.4635
12.3802
-0.7448
-6.0990
4.2760
Detrend
-31.4707
-27.8133
-24.1560
42.5013
-12.8413
11.8160
0.4734
17.1307
25.7880
15.4454
8.1027
24.7601
Deseason
9.6615
13.6615
20.6615
80.5365
25.2031
39.4531
31.0990
46.5365
45.6198
47.7448
45.0990
50.7240
Predict
33.8092
32.1519
27.4945
32.9622
31.6382
40.7309
36.4277
36.3328
44.5922
30.8098
24.7983
34.5160
Error
-27.8092
-23.1519
-15.4945
45.0378
-9.6382
5.2691
-2.4277
13.6672
13.4078
16.1902
14.2017
20.4840
81

Jul-09
Aug-09
Sep-09
Oct-09
Nov-09
Dec-09
Jan-10
Feb-10
Mar-10
Apr-10
May-10
Jun-10
Jul-10
Aug-10
Sep-10
Oct-10
Nov-10
Dec-10
29
26
19
22
18
24
24
12
24
6
0
4
27
57
16
8
13
37
29.5826
28.9252
28.2679
27.6106
26.9532
26.2959
25.6385
24.9812
24.3239
23.6665
23.0092
22.3518
21.6945
21.0372
20.3798
19.7225
19.0651
18.4078
Forecasts
Period
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Forecast
20.6515
20.5566
28.8160
15.0336
9.0221
18.7398
10.1449
8.4876
3.8303
9.2979
7.9739
17.0666
12.7634
12.6685
20.9279
-3.6615
-4.6615
-8.6615
-2.5365
-3.2031
6.5469
2.9010
3.4635
12.3802
-0.7448
-6.0990
4.2760
-3.6615
-4.6615
-8.6615
-2.5365
-3.2031
6.5469
-0.5826
-2.9252
-9.2679
-5.6106
-8.9532
-2.2959
-1.6385
-12.9812
-0.3239
-17.6665
-23.0092
-18.3518
5.3055
35.9628
-4.3798
-11.7225
-6.0651
18.5922
32.6615
30.6615
27.6615
24.5365
21.2031
17.4531
21.0990
8.5365
11.6198
6.7448
6.0990
-0.2760
30.6615
61.6615
24.6615
10.5365
16.2031
30.4531
25.9211
24.2638
19.6064
25.0741
23.7501
32.8428
28.5396
28.4447
36.7041
22.9217
16.9102
26.6279
18.0330
16.3757
11.7184
17.1860
15.8620
24.9547
3.0789
1.7362
-0.6064
-3.0741
-5.7501
-8.8428
-4.5396
-16.4447
-12.7041
-16.9217
-16.9102
-22.6279
8.9670
40.6243
4.2816
-9.1860
-2.8620
12.0453
82
Dekomposisi Data Joyo

80
Variable
Actual
Fits
Trend
Forecasts
70
60
A ccuracy Measures
MA PE
85.043
MA D
13.294
MSD
290.021
Joyo
50
40
30
20
10
0
08
09
09
09
10
10 - 10
ttt
bnbnc
c
e
u
e
u
O
J
O
J
Oc
F
F
Bulan
Component Analysis for Joyo

Original Data
Detrended Data
40
Detr. Data
Data
75
50
25
20
0
-20
0
Jun-09 Dec-09
Bulan
Jun-10
Dec-10
Seas. A dj. Data

75
50
25
0
Jul-08 Dec-08
Jun-09 Dec-09
Bulan
Jun-10
Dec-10
Jul-08 Dec-08
Jul-08 Dec-08
Jun-09 Dec-09
Bulan
Jun-10
Dec-10

40
20
0
-20
Jul-08 Dec-08
Jun-09 Dec-09
Bulan
Jun-10
Dec-10
83
pada Outlet Pasar Bintaro Mas dengan metode ARIMA (2,0,2)
ARIMA Model: Ps. Bintaro Mas
Estimates at each iteration
Iteration
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
SSE
12119.7
9746.3
9692.1
9639.7
9562.3
9421.7
8886.1
8398.2
7935.7
7490.3
7055.2
6719.8
6640.0
6617.6
6606.5
6606.4
6604.8
6602.4
6602.1
0.100
0.250
0.400
0.550
0.700
0.850
0.976
1.102
1.229
1.354
1.474
1.532
1.530
1.531
1.534
1.534
1.534
1.536
1.536
0.100
0.030
0.061
0.089
0.107
0.088
-0.062
-0.212
-0.362
-0.512
-0.662
-0.753
-0.772
-0.785
-0.794
-0.797
-0.800
-0.802
-0.802
Parameters
0.100
0.100
-0.049
0.170
0.098
0.245
0.246
0.318
0.392
0.382
0.530
0.416
0.613
0.330
0.704
0.232
0.807
0.123
0.921
0.005
1.039 -0.113
1.100 -0.158
1.094 -0.144
1.095 -0.146
1.101 -0.150
1.098 -0.146
1.100 -0.147
1.103 -0.150
1.103 -0.150
24.427
22.060
16.520
11.064
5.925
1.898
2.601
3.337
4.079
4.889
5.947
7.187
7.950
8.383
8.597
8.721
8.790
8.821
8.832
Unable to reduce sum of squares any further
Final Estimates of Parameters

Type
AR
1
AR
2
MA
1
MA
2
Constant
Mean
Coef
1.5358
-0.8023
1.1028
-0.1498
8.8321
33.1406
SE Coef
0.1863
0.1827
0.2684
0.2666
0.1825
0.6849
T
8.24
-4.39
4.11
-0.56
48.39
P
0.000
0.000
0.000
0.579
0.000
Number of observations: 30
Residuals:
SS = 6338.37 (backforecasts excluded)
MS = 253.53 DF = 25
Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag
Chi-Square
DF
P-Value
12
13.0
7
0.073
24
21.6
19
0.306
36
*
*
*
48
*
*
*
84

Forecasts from period 30
Period
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Forecast
49.9956
51.2863
47.4859
40.6139
33.1089
27.0964
23.8835
23.7730
26.1808
29.9674
33.8509
36.7773
38.1559
37.9253
36.4652
95 Percent Limits
Lower
Upper
18.7807 81.2106
17.2707 85.3020
13.4681 81.5038
5.0872 76.1405
-5.8730 72.0909
-15.2040 69.3968
-20.1830 67.9500
-20.6724 68.2183
-18.2761 70.6377
-14.9204 74.8551
-11.8749 79.5768
-9.7147 83.2693
-8.7112 85.0230
-9.0004 84.8510
-10.4746 83.4049
Actual
A C F of R e s idual s for P s . B inta r o M a s

(w ith 5% significa nce lim its fo r the a uto corr e la tions)
1.0
0.8
Autocorrelation
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
4
La g
PACF of Residuals for Ps. Bintaro Mas

(with 5% significance limits for the partial autocorrelations)
1.0
Partial Autocorrelation
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1
4
Lag
85
Lampiran 15. Hasil peramalan 15 Periode ke depan untuk penjualan Tahu Kita
pada Outlet Pasar Bintaro Mas dengan metode Decomposition Additive
Time Series Decomposition for Ps. Bintaro Mas
Additive Model
Data
Length
NMissing
Ps. Bintaro Mas

30
0

Yt = 30.7091 + 0.0700222*t
Seasonal Indices
Period
1
2
3
4
5
6
7
8
9
10
11
12
Index
-3.2083
-18.4167
-29.9167
-19.6667
-8.5833
38.9583
27.2500
3.6458
19.3958
-2.9792
-1.1042
-5.3750
Accuracy Measures
MAPE
MAD
MSD
Time
Jul-08
Aug-08
Sep-08
Oct-08
Nov-08
Dec-08
Jan-09
Feb-09
Mar-09
56.201
13.562
288.900
Ps.
Bintaro
Mas
10
15
18
20
25
50
20
20
45
Trend
30.7791
30.8491
30.9192
30.9892
31.0592
31.1292
31.1993
31.2693
31.3393
Seasonal
-3.2083
-18.4167
-29.9167
-19.6667
-8.5833
38.9583
27.2500
3.6458
19.3958
Detrend
-20.7791
-15.8491
-12.9192
-10.9892
-6.0592
18.8708
-11.1993
-11.2693
13.6607
Deseason
13.2083
33.4167
47.9167
39.6667
33.5833
11.0417
-7.2500
16.3542
25.6042
Predict
27.5708
12.4325
1.0025
11.3225
22.4759
70.0876
58.4493
34.9151
50.7351
Error
-17.5708
2.5675
16.9975
8.6775
2.5241
-20.0876
-38.4493
-14.9151
-5.7351
86
Apr-09
May-09
Jun-09
Jul-09
Aug-09
Sep-09
Oct-09
Nov-09
Dec-09
Jan-10
Feb-10
Mar-10
Apr-10
May-10
Jun-10
Jul-10
Aug-10
Sep-10
Oct-10
Nov-10
Dec-10
35
59
38
31
20
10
20
28
72
94
47
54
20
0
12
10
20
25
31
20
44
Forecasts
Period
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Forecast
60.1298
36.5956
52.4157
30.1107
32.0557
27.8549
30.0916
14.9533
3.5233
13.8433
24.9967
72.6084
60.9701
37.4359
53.2559
31.4093
31.4793
31.5494
31.6194
31.6894
31.7594
31.8295
31.8995
31.9695
32.0395
32.1095
32.1796
32.2496
32.3196
32.3896
32.4597
32.5297
32.5997
32.6697
32.7397
32.8098
-2.9792
-1.1042
-5.3750
-3.2083
-18.4167
-29.9167
-19.6667
-8.5833
38.9583
27.2500
3.6458
19.3958
-2.9792
-1.1042
-5.3750
-3.2083
-18.4167
-29.9167
-19.6667
-8.5833
38.9583
3.5907
27.5207
6.4506
-0.6194
-11.6894
-21.7594
-11.8295
-3.8995
40.0305
61.9605
14.8905
21.8204
-12.2496
-32.3196
-20.3896
-22.4597
-12.5297
-7.5997
-1.6697
-12.7397
11.1902
37.9792
60.1042
43.3750
34.2083
38.4167
39.9167
39.6667
36.5833
33.0417
66.7500
43.3542
34.6042
22.9792
1.1042
17.3750
13.2083
38.4167
54.9167
50.6667
28.5833
5.0417
28.4302
30.3752
26.1744
28.4111
13.2727
1.8428
12.1628
23.3161
70.9278
59.2895
35.7554
51.5754
29.2704
31.2154
27.0146
29.2513
14.1130
2.6830
13.0031
24.1564
71.7681
6.5698
28.6248
11.8256
2.5889
6.7273
8.1572
7.8372
4.6839
1.0722
34.7105
11.2446
2.4246
-9.2704
-31.2154
-15.0146
-19.2513
5.8870
22.3170
17.9969
-4.1564
-27.7681
87

Time Series Decomposition Plot for Ps. Bintaro Mas
Additive Model
Variable
Actual
Fits
Trend
Forecasts
90
Ps. Bintaro Mas
80
70
A ccuracy Measures
MA PE
56.201
MA D
13.562
MSD
288.900
60
50
40
30
20
10
0
08
09
09
09
10
10 - 10
ttt
bnbnc
c
e
u
e
u
O
J
O
J
Oc
F
F
Bulan
Component Analysis for Ps. Bintaro Mas

Additive Model
Original Data
Detrended Data
60
Detr. Data
Data
100
50
0
-30
0
Jun-09 Dec-09
Bulan
Jun-10
Dec-10

100
50
0
Jul-08 Dec-08
Jun-09 Dec-09
Bulan
Jun-10
Dec-10
Jul-08 Dec-08
Jul-08 Dec-08
Seas. A dj. Data
30
Jun-09 Dec-09
Bulan
Jun-10
Dec-10

60
30
0
-30
Jul-08 Dec-08
Jun-09 Dec-09
Bulan
Jun-10
Dec-10
88
pada Outlet Market City dengan metode Trend Quadratic
Trend Analysis for Market City
Data
Length
NMissing
Market City
30
0

Yt = 26.5631 + 3.67796*t - 0.141422*t**2
Accuracy Measures
MAPE
MAD
MSD
Time
Jul-08
Aug-08
Sep-08
Oct-08
Nov-08
Dec-08
Jan-09
Feb-09
Mar-09
Apr-09
May-09
Jun-09
Jul-09
Aug-09
Sep-09
Oct-09
Nov-09
Dec-09
Jan-10
Feb-10
Mar-10
Apr-10
May-10
Jun-10
Jul-10
Aug-10
Sep-10
Oct-10
Nov-10
Dec-10
37.900
9.612
155.678
Market
City
20
38
35
51
43
25
40
47
55
60
49
56
52
46
40
65
43
60
60
45
60
31
0
26
15
5
28
19
34
22
Trend
30.0996
33.3533
36.3241
39.0122
41.4173
43.5396
45.3791
46.9358
48.2096
49.2005
49.9086
50.3339
50.4763
50.3358
49.9126
49.2065
48.2175
46.9457
45.3910
43.5535
41.4332
39.0300
36.3440
33.3751
30.1234
26.5889
22.7714
18.6712
14.2881
9.6222
Detrend
-10.0996
4.6467
-1.3241
11.9878
1.5827
-18.5396
-5.3791
0.0642
6.7904
10.7995
-0.9086
5.6661
1.5237
-4.3358
-9.9126
15.7935
-5.2175
13.0543
14.6090
1.4465
18.5668
-8.0300
-36.3440
-7.3751
-15.1234
-21.5889
5.2286
0.3288
19.7119
12.3778
89

Forecasts
Period
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Forecast
4.6734
-0.5582
-6.0727
-11.8700
-17.9502
-24.3132
-30.9590
-37.8877
-45.0992
-52.5936
-60.3708
-68.4309
-76.7738
-85.3995
-94.3081
Trend Analysis Plot for Market City

Quadratic Trend Model
Yt = 26.5631 + 3.67796*t - 0.141422*t**2
Variable
Actual
Fits
Forecasts
50
Market City
25
Accuracy Measures
MAPE
37.900
MAD
9.612
MSD
155.678
0
-25
-50
-75
-100
08 -09 -09 -09 -10 -10 -10
tt
t
b un
b un
c
O
J
Oc Fe
J
Oc
Fe
Bulan
90
pada Outlet Market City dengan metode Single Exponential
Smoothing
Single Exponential Smoothing for Market City
Data
Length
Market City
30
Smoothing Constant
Alpha
0.513675
Accuracy Measures
MAPE
MAD
MSD
35.752
11.119
191.045
Time
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Market
City
20
38
35
51
43
25
40
47
55
60
49
56
52
46
40
65
43
60
60
45
60
31
0
26
15
5
28
19
34
22
Smooth
24.4824
31.4261
33.2619
42.3735
42.6953
33.6057
36.8903
42.0834
48.7183
54.5134
51.6813
53.8997
52.9239
49.3673
44.5555
55.0573
48.8638
54.5842
57.3661
51.0140
55.6299
42.9781
20.9013
23.5204
19.1437
11.8784
20.1597
19.5640
26.9794
24.4216
Predict
29.2169
24.4824
31.4261
33.2619
42.3735
42.6953
33.6057
36.8903
42.0834
48.7183
54.5134
51.6813
53.8997
52.9239
49.3673
44.5555
55.0573
48.8638
54.5842
57.3661
51.0140
55.6299
42.9781
20.9013
23.5204
19.1437
11.8784
20.1597
19.5640
26.9794
Error
-9.2169
13.5176
3.5739
17.7381
0.6265
-17.6953
6.3943
10.1097
12.9166
11.2817
-5.5134
4.3187
-1.8997
-6.9239
-9.3673
20.4445
-12.0573
11.1362
5.4158
-12.3661
8.9860
-24.6299
-42.9781
5.0987
-8.5204
-14.1437
16.1216
-1.1597
14.4360
-4.9794
91

Forecasts
Period
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Forecast
24.4216
24.4216
24.4216
24.4216
24.4216
24.4216
24.4216
24.4216
24.4216
24.4216
24.4216
24.4216
24.4216
24.4216
24.4216
Lower
-2.81920
-2.81920
-2.81920
-2.81920
-2.81920
-2.81920
-2.81920
-2.81920
-2.81920
-2.81920
-2.81920
-2.81920
-2.81920
-2.81920
-2.81920
Upper
51.6624
51.6624
51.6624
51.6624
51.6624
51.6624
51.6624
51.6624
51.6624
51.6624
51.6624
51.6624
51.6624
51.6624
51.6624
Single Exponenting Smoothing Market City

70
Variable
A ctual
Fits
60
Smoothing C onstant
A lpha
0.513675
Market City
50
Accuracy Measures
MAPE
35.752
MAD
11.119
MSD
191.045
40
30
20
10
0
3
12
15
18
Index
21
24
27
30
Residual Plots for Market City

Normal Probabilit y Plot of t he Residuals
Residuals Versus t he Fit t ed Values
99
Residual
Percent
90
50
-25
10
-50
1
-40
-20
0
Residual
20
40
20
Hist ogram of t he Residuals
40
Fitted Value
60
Residuals Versus t he Order of t he Dat a
7.5
Residual
Frequency
10.0
5.0
-25
2.5
-50
0.0
-40
-30
-20
-10
0
Residual
10
20
10 12 14 16 18 20 22 24 26 28 30
Observation Order
92
pada Outlet Kemchicks dengan metode Decompotition Additive
Time Series Decomposition for Kemchicks
Additive Model
Data
Length
NMissing
Kemchicks
30
0

Yt = 29.1707 + 0.438877*t
Seasonal Indices
Period
1
2
3
4
5
6
7
8
9
10
11
12
Index
-1.4149
-7.9983
2.4601
-8.7899
1.7101
46.8351
17.2934
6.8767
4.0017
-11.8524
-33.7483
-15.3733
Accuracy Measures
MAPE
MAD
MSD
Time
Jul-08
Aug-08
Sep-08
Oct-08
Nov-08
Dec-08
Jan-09
Feb-09
Mar-09
Apr-09
May-09
Jun-09
Jul-09
34.312
11.825
311.813
Kemchicks
27
30
32
47
36
55
53
65
30
15
3
20
29
Trend
29.6096
30.0484
30.4873
30.9262
31.3651
31.8039
32.2428
32.6817
33.1206
33.5594
33.9983
34.4372
34.8761
Seasonal
-1.4149
-7.9983
2.4601
-8.7899
1.7101
46.8351
17.2934
6.8767
4.0017
-11.8524
-33.7483
-15.3733
-1.4149
Detrend
-2.6096
-0.0484
1.5127
16.0738
4.6349
23.1961
20.7572
32.3183
-3.1206
-18.5594
-30.9983
-14.4372
-5.8761
Deseason
28.4149
37.9983
29.5399
55.7899
34.2899
8.1649
35.7066
58.1233
25.9983
26.8524
36.7483
35.3733
30.4149
Predict
28.1946
22.0502
32.9474
22.1363
33.0751
78.6390
49.5362
39.5584
37.1223
21.7070
0.2501
19.0639
33.4611
Error
-1.1946
7.9498
-0.9474
24.8637
2.9249
-23.6390
3.4638
25.4416
-7.1223
-6.7070
2.7499
0.9361
-4.4611
93

Aug-09
Sep-09
Oct-09
Nov-09
Dec-09
Jan-10
Feb-10
Mar-10
Apr-10
May-10
Jun-10
Jul-10
Aug-10
Sep-10
Oct-10
Nov-10
Dec-10
20
29
19
30
75
45
15
45
30
0
20
85
40
40
80
46
51
Forecasts
Period
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Forecast
60.0693
50.0915
47.6553
32.2400
10.7831
29.5970
43.9942
37.8497
48.7469
37.9358
48.8747
94.4386
65.3358
55.3580
52.9219
35.3149
35.7538
36.1927
36.6316
37.0705
37.5093
37.9482
38.3871
38.8260
39.2648
39.7037
40.1426
40.5815
41.0203
41.4592
41.8981
42.3370
-7.9983
2.4601
-8.7899
1.7101
46.8351
17.2934
6.8767
4.0017
-11.8524
-33.7483
-15.3733
-1.4149
-7.9983
2.4601
-8.7899
1.7101
46.8351
-15.3149
-6.7538
-17.1927
-6.6316
37.9295
7.4907
-22.9482
6.6129
-8.8260
-39.2648
-19.7037
44.8574
-0.5815
-1.0203
38.5408
4.1019
8.6630
27.9983
26.5399
27.7899
28.2899
28.1649
27.7066
8.1233
40.9983
41.8524
33.7483
35.3733
86.4149
47.9983
37.5399
88.7899
44.2899
4.1649
27.3167
38.2139
27.4028
38.3416
83.9055
54.8027
44.8249
42.3888
26.9735
5.5166
24.3305
38.7277
32.5832
43.4804
32.6693
43.6082
89.1720
-7.3167
-9.2139
-8.4028
-8.3416
-8.9055
-9.8027
-29.8249
2.6112
3.0265
-5.5166
-4.3305
46.2723
7.4168
-3.4804
47.3307
2.3918
-38.1720
94

Time Series Decomposition Plot for Kemchicks
Additive Model
100
Variable
A ctual
F its
Trend
F o recasts
Kemchicks
80
A ccu racy M easures

M A PE
34.312
MA D
11.825
M SD
311.813
60
40
20
0
Oc
0
t-
8
Fe
b-
09
Ju
09
n-
t
Oc
-0
9
Fe
10
10
10
tbnJu
Oc
Bulan
Component Analysis for Kemchicks

Additive Model
Original Data
Detrended Data
40
Detr. Data
Data
75
50
25
0
-40
Jun-09
Dec-09
Bulan
Jun-10
Dec-10

75
50
25
0
Jul-08 Dec-08
Jun-09
Dec-09
Bulan
Jun-10
Dec-10
Jul-08 Dec-08
Jul-08 Dec-08
Seas. A dj. Data
Jun-09 Dec-09
Bulan
Jun-10
Dec-10
Seasonally Adj. and Det rended Data

40
-40
Jul-08 Dec-08
Jun-09 Dec-09
Bulan
Jun-10
Dec-10
95
Lampiran 19. Hasil peramalan 15 Periode ke depan untuk penjualan Tahu Kita
pada Outlet Kemchicks dengan Metode Trend Quadratic
Trend Analysis for Kemchicks
Data
Length
NMissing
Kemchicks
30
0

Yt = 44.6581 - 2.33433*t + 0.0907159*t**2
Accuracy Measures
MAPE
MAD
MSD
66.972
14.757
366.661
Time
Jul-08
Aug-08
Sep-08
Oct-08
Nov-08
Dec-08
Jan-09
Feb-09
Mar-09
Apr-09
May-09
Jun-09
Jul-09
Aug-09
Sep-09
Oct-09
Nov-09
Dec-09
Jan-10
Feb-10
Mar-10
Apr-10
May-10
Jun-10
Jul-10
Aug-10
Sep-10
Oct-10
Nov-10
Dec-10
Kemchicks
27
30
32
47
36
55
53
65
30
15
3
20
29
20
29
19
30
75
45
15
45
30
0
20
85
40
40
80
46
51
Trend
42.4145
40.3523
38.4716
36.7723
35.2544
33.9179
32.7629
31.7893
30.9972
30.3864
29.9571
29.7093
29.6428
29.7578
30.0543
30.5321
31.1914
32.0322
33.0543
34.2579
35.6429
37.2094
38.9573
40.8866
42.9974
45.2895
47.7631
50.4182
53.2547
56.2726
Detrend
-15.4145
-10.3523
-6.4716
10.2277
0.7456
21.0821
20.2371
33.2107
-0.9972
-15.3864
-26.9571
-9.7093
-0.6428
-9.7578
-1.0543
-11.5321
-1.1914
42.9678
11.9457
-19.2579
9.3571
-7.2094
-38.9573
-20.8866
42.0026
-5.2895
-7.7631
29.5818
-7.2547
-5.2726
96

Forecasts
Period
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
Forecast
59.472
62.853
66.415
70.159
74.084
78.190
82.478
86.947
91.598
96.430
101.444
106.639
112.016
117.574
123.313
Trend Analysis Plot for Kemchicks

Quadratic Trend Model
Yt = 44.6581 - 2.33433*t + 0.0907159*t**2
140
Variable
Actual
Fits
Forecasts
120
Kemchicks
100
Accuracy Measures
MAPE
66.972
MAD
14.757
MSD
366.661
80
60
40
20
0
08 -09 -09 - 09 -10 -10 -10
tt
t
b
n
b
n
c
O
Ju
Oc Fe
Ju
Oc
Fe
Bulan
97
Lampiran 20. Implikasi hasil peramalan terhadap perkiraan pendapatan kotor

Tahu Kita pada Outlet Pastellia untuk periode Januari 2011 Maret 2012
Ramalan
Harga Tahu Kita
Pendapatan Kotor
Penjualan (pack)
(Rp/pack)
(Rp)
Januari 2011
107
8.000
856.000
Februari 2011
88
8.000
704.000
Maret 2011
50
8.000
400.000
April 2011
49
8.000
392.000
Mei 2011
21
8.000
168.000
Juni 2011
22
8.000
176.000
Juli 2011
42
8.000
336.000
Agustus 2011
8.000
72.000
September 2011
63
8.000
504.000
Oktober 2011
97
8.000
776.000
November 2011
57
8.000
456.000
Desember 2011
104
8.000
832.000
Januari 2012
104
8.000
832.000
Februari 2012
85
8.000
680.000
Maret 2012
47
8.000
376.000
Periode (Bulan)
Total
7.560.000
98

Tahu Kita pada Outlet Joyo Swalayan untuk periode Januari
2011 - Maret 2012
Ramalan
Harga Tahu Kita
Pendapatan Kotor
Penjualan (pack)
(Rp/pack)
(Rp)
Januari 2011
18
8.000
144.000
Februari 2011
18
8.000
144.000
Maret 2011
18
8.000
144.000
April 2011
18
8.000
144.000
Mei 2011
18
8.000
144.000
Juni 2011
18
8.000
144.000
Juli 2011
18
8.000
144.000
Agustus 2011
18
8.000
144.000
September 2011
18
8.000
144.000
Oktober 2011
18
8.000
144.000
November 2011
18
8.000
144.000
Desember 2011
18
8.000
144.000
Januari 2012
18
8.000
144.000
Februari 2012
18
8.000
144.000
Maret 2012
18
8.000
144.000
Periode (Bulan)
Total
2.160.000
99

Tahu Kita pada Outlet Ps. Bintaro Mas untuk periode Januari
2011 - Maret 2012
Ramalan
Harga Tahu Kita
Pendapatan Kotor
Penjualan (pack)
(Rp/pack)
(Rp)
Januari 2011
50
8.000
400.000
Februari 2011
51
8.000
408.000
Maret 2011
47
8.000
376.000
April 2011
41
8.000
328.000
Mei 2011
33
8.000
264.000
Juni 2011
27
8.000
216.000
Juli 2011
24
8.000
192.000
Agustus 2011
24
8.000
192.000
September 2011
26
8.000
208.000
Oktober 2011
30
8.000
240.000
November 2011
34
8.000
272.000
Desember 2011
37
8.000
296.000
Januari 2012
38
8.000
304.000
Februari 2012
38
8.000
304.000
Maret 2012
36
8.000
288.000
Periode (Bulan)
Total
4.288.000
100

Tahu Kita pada Outlet Market City untuk periode Januari 2011 Maret 2012
Ramalan
Harga Tahu Kita
Penjualan (pack)
(Rp/pack)
Januari 2011
24
8.000
192.000
Februari 2011
24
8.000
192.000
Maret 2011
24
8.000
192.000
April 2011
24
8.000
192.000
Mei 2011
24
8.000
192.000
Juni 2011
24
8.000
192.000
Juli 2011
24
8.000
192.000
Agustus 2011
24
8.000
192.000
September 2011
24
8.000
192.000
Oktober 2011
24
8.000
192.000
November 2011
24
8.000
192.000
Desember 2011
24
8.000
192.000
Januari 2012
24
8.000
192.000
Februari 2012
24
8.000
192.000
Maret 2012
24
8.000
192.000
Periode (Bulan)
Total
Pendapatan Kotor
(Rp)
2.880.000
101

Tahu Kita pada Outlet Kemchicks untuk periode Januari 2011 Maret 2012
Ramalan
Harga Tahu Kita
Pendapatan Kotor
Penjualan (pack)
(Rp/pack)
(Rp)
Januari 2011
60
8.000
480.000
Februari 2011
50
8.000
400.000
Maret 2011
48
8.000
384.000
April 2011
32
8.000
256.000
Mei 2011
11
8.000
88.000
Juni 2011
30
8.000
240.000
Juli 2011
44
8.000
352.000
Agustus 2011
38
8.000
304.000
September 2011
49
8.000
392.000
Oktober 2011
38
8.000
304.000
November 2011
49
8.000
392.000
Desember 2011
94
8.000
752.000
Januari 2012
65
8.000
520.000
Februari 2012
55
8.000
440.000
Maret 2012
53
8.000
424.000
Periode (Bulan)
Total
5.728.000

H11adl PDF

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

H11adl PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS PERAMALAN PENJUALAN TAHU KITA

PADA PT. KITAGAMA, JAKARTA

ARLENA DINI LISJIYANTI. H24070051. Analisis Peramalan Penjualan Tahu

ANALISIS PERAMALAN PENJUALAN TAHU KITA

: Analisis Peramalan Penjualan Tahu Kita pada PT. Kitagama, Jakarta

: Arlena Dini Lisjiyanti

(Prof. Dr. Ir. H, Musa hubeis, MS, Dipl. Ing, DEA)

(Dr. Ir. Jono M. Munandar, MSc)

UCAPAN TERIMA KASIH

Bogor, 13 Juni 2011

KATA PENGANTAR ...............................................................................

UCAPAN TERIMA KASIH ..................................................... ............

DAFTAR TABEL .................................................................................

DAFTAR GAMBAR .............................................................................

DAFTAR LAMPIRAN .........................................................................

II. TINJAUAN PUSTAKA ..

III. METODE PENELITIAN ...

3.4. Pengolahan dan Analisis Data .....................................................

IV. HASIL DAN PEMBAHASAN ..

KESIMPULAN DAN SARAN

Luas tanam kedelai di Indonesia dari tahun 2003 2007 .

Kerangka pemikiran penelitian...................................................................

1. Data penjualan Tahu Kita bulan Juli 2008 Desember 2010 . 63

1.1 Latar Belakang

Tabel 1. Luas tanam Kedelai di Indonesia dari tahun 2003 - 2007

Bali, Nusa Tenggara

Maluku & Papua

Jumlah Luar Jawa

Sumber : www.bps.go.id, 2011

Tabel 2. Produksi tanaman Kedelai di Indonesia dari tahun 2005 - 2011

Tabel 4. Produktivitas tanaman Kedelai di Indonesia dar tahun 2003 - 2009

Sumber : www.bps.go.id, 2011

dengan meningkatnya kesadaran masyarakat akan pangan sehat. Kedelai juga

PT. Kitagama muncul untuk mencoba memberikan solusi atas

meramalkan volume penjualan Tahu Kita di masa mendatang.

II. TINJAUAN PUSTAKA

infrastruktur, serta pengaturan tataniaga dan insentif usaha. Guna mendukung

pengembangan kedelai di Indonesia, maka fokus penelitian adalah melestarikan

Tabel 5. Kandungan Gizi Kedelai

Sumber : http://www.nsrl.uiuc.edu/aboutsoy/soynutrition.html, 2011

2.2 Definisi Peramalan

prediksi intuisi bersifat subyektif, atau

pertimbangan yang baik dari seorang manajer. Forecasting berkaitan dengan

terhadap data historis untuk menemukan hubungan, kecenderungan dan pola

perencanaan, menciptakan peluang bisnis maupun mengatur pola investasi.

masa depan. Dengan melakukan peramalan, para perencana dan pengambil

Sebaliknya, peramalan kuantitatif mempergunakan data kuantitatif yang

2.2.3 Peramalan Time Series

Tren merupakan pergerakan data sedikit demi sedikit meningkat atau

2.2.4 Rataan Bergerak

Secara matematik, rataan bergerak sederhana (merupakan prediksi

metode peramalan rataan bergerak dengan pembobotan canggih, namun

Ft-1 = peramalan sebelumnya

At-1 = permintaan aktual periode lalu

2.2.6 Trend Analysis

q= angka untuk moving average (MA)

= permintaan aktual nilai peramalan .. (5)

Ada beberapa perhitungan yang biasa digunakan untuk menghitung

diramalkan dan yang diamati. Rumusnya adalah :

simpangan yang besar, karena adanya pengkuadratan. Oleh karena itu,

MAPE = 100 aktuali ramalani /aktuali (8)

III. METODE PENELITIAN