RENCANA JUDUL
Kelapa sawit merupakan salah satu tanaman perkebunan yang mempunyai peran penting
bagi subsektor perkebunan. Pengembangan kelapa sawit antara lain memberi manfaat
dalam peningkatan pendapatan petani dan masyarakat, produksi yang menjadi bahan
baku industri pengolahan yang menciptakan nilai tambah di dalam negeri, ekspor CPO
yang menghasilkan devisa, dan menyediakan kesempatan kerja bagi lebih dari 2 juta
tenaga kerja di berbagai subsistem.
Forecasting realisasi produksi kelapa sawit diperlukan untuk mendukung kebijakan
perusahaan dalam penanganan evaluasi sasaran mutu pengolahan kelapa sawit pada
perkebunan kelapa sawit. Perkebunan kelapa sawit di Indonesia dikelola dalam bentuk
perkebunan rakyat dan perkebunan besar. Dimana perkebunan besar terdiri dari
perkebunan negara seperti Perseroan Terbatas Perkebunan Nusantara (PTPN) dan
perkebunan swasta (Batubara, 2015). Pada lingkup perkebunan negara, tiap bulannya
akan diadakan evaluasi sasaran mutu pengolahan. Ini dilakukan untuk melihat kinerja
produksi pada bulan tersebut sudah mencapai target produksi atau sebaliknya. Pada PT.
Perkebunan Nusantara III (PTPN III) Sei Meranti, target produksi dilakukan secara
manual dengan melihat hasil produksi tahun-tahun sebelumnya. Namun kendala terjadi
karena hasil produksi rencana yang telah ditargetkan berbeda dengan hasil produksi
realisasi. Oleh karena itu diperlukan suatu metode prediksi yang dapat memberikan
informasi hasil produksi
perusahaan kelapa sawit ditahun berikutnya. Berdasarkan latar belakang diatas, penulis
mengajukan
proposal
penelitian
dengan
judul
IMPLEMENTASI
METODE
INPUT
Penginputan data ke
sistem
Proses Exponential
Smoothing
Hasil Peramalan dengan
MAPE dan MAD terkecil
PROSES
Tidak
Ya
Nilai hasil
Web Service
Web Server
-
PHP
Javascript
OUTPUT
Laporan Visual
Realisasi
produksi
End User PC
Berikut ini adalah penjelasan tahapan-tahapan yang dilakukan pada penelitian ini.
1. Adapun input dari proses ini adalah data historis produksi kelapa sawit. Data historis
tersebut berupa data produksi yang diambil dari 3 tahun terakhir yaitu tahun 2012
sampai dengan tahun 2014 di Perkebunan Kelapa Sawit PTPN III Sei Meranti.
Informasi yang dibutuhkan mengenai produksi meliputi data produksi dan data
sasaran mutu. Data-data inilah yang kemudian akan diproses untuk mendapatkan pola
produksi.
3
2. Pemrosesan
a) Penginputan data ke sistem
Pada tahap ini, data-data mengenai produksi dan sasaran mutu diinputkan oleh
user ke dalam sistem agar tersimpan ke database.
3. Output yang didapat dari proses ini adalah laporan visual forecasting realisasi
produksi hasil pengolahan PTPN III Sei Meranti. Laporan visual ini tersaji dalam
bentuk web dashboard report. Sehingga memudahkan user dalam penggunaannya.
1.7 Tinjauan Pustaka
1.7.1 Forecasting
Forecasting atau peramalan merupakan upaya memperkirakan apa yang akan terjadi
pada masa yang akan datang berdasarkan pada data masa lalu, berbasis pada metode
ilmiah dan kualitatif yang dilakukan secara sistematis.
Peramalan merupakan suatu proses pendugaan terhadap kejadian yang akan
terjadi pada masa depan. Peramalan dapat juga diartikan sebagai proses yang
dilakukan ketika ada kesenjangan waktu (lag) dari data aktual pada waktu tertentu
dengan data yang ingin diketahui pada waktu yang akan datang. Peramalan diperlukan
untuk mengetahui kapan atau bagaimana suatu peristiwa akan terjadi sehingga
tindakan yang tepat dapat dilakukan (Makridakis et al., 1999).
Tujuan dari peramalan adalah untuk mengurangi resiko dari pengambilan
keputusan. Peramalan biasanya salah, namun besar dari kesalahan peramalan
(forecast error) tergantung dari metode peramalan yang digunakan. Metode
peramalan akan membantu dalam mengadakan pendekatan analisa terhadap tingkah
laku atau pola dari data masa lalu, sehingga dapat memberikan cara pemikiran,
pengerjaan, dan pemecahan yang sistematis dan pragmatis, serta memberikan tingkat
keyakinan yang lebih besar atas ketepatan hasil peramalan yang dibuat.
1.7.2
Metode Forecasting
Metode peramalan dapat berdasarkan pengalaman, penilaian, opini dari ahli atau
model matematika yang menggambarkan pola data historis. Berdasarkan sifatnya, ada
dua metode atau teknik peramalan yang dapat digunakan, yaitu teknik peramalan
kualitatif dan kuantitatif (Markdakis, 1999).
a) Teknik Peramalan Kualitatif
Teknik peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif
pada masa lalu. Teknik peramalan ini lebih menitik beratkan pada pendapat
(judgment) dan intuisi manusia dalam proses peramalan, sehingga data historis
yang ada menjadi tidak begitu penting. Qualitative forecasting techniques relied
on human judgments and intuition more than manipulation of past historical
data, atau metode yang hanya didasarkan kepada penilaian dan intuisi, bukan
kepada pengolahan data historis.
Teknik peramalan kualitatif membutuhkan input yang tergantung pada metode
tertentu dan biasanya merupakan hasil dari pemikiran intuisi, pertimbangan dan
pengetahuan yang didapat. Pendekatan dengan metode ini seringkali memerlukan
input dari sejumlah orang yang telah terlatih secara khusus (Markdakis, 1999).
b) Teknik Peramalan Kuantitatif
Teknik peramalan kuantitatif memiliki sifat yang objektif berdasarkan pada
keadaan aktual yang diolah dengan menggunakan metode-metode tertentu
(Markdakis, 1999). Penggunaan suatu metode juga harus didasarkan pada
fenomena manajemen atau bisnis apa yang akan diramalkan dan tujuan yang ingin
dicapai melalui peramalan.
Peramalan dengan teknik kuantitatif ini dapat diterapkan bila terdapat tiga
kondisi berikut:
a) Tersedia informasi masa lalu
b) Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik
c) Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut di masa
yang akan datang.
Pada dua asumsi pertama merupakan syarat keharusan bagi penerapan metode
peramalan kuantitatif. Sedangkan asumsi ketiga rupakan syarat kecukupan, artinya
walaupun asumsi ketiga dilanggar, odel yang dirumuskan masih dapat digunakan.
Hal tersebut dapat diketahui dari kesalahan peramalan yang relatif besar bila
perubahan pola data maupun bentuk hubungan fungsional tersebut terjadi secara
sistematis.
Teknik peramalan kuantitatif sangat mengandalkan pada data historis yang
dimiliki. Teknik kuantitatif ini biasanya dikelompokkan menjadi dua, yaitu teknik
statistik dan teknik deterministik.
a) Teknik statistik menitikberatkan pada pola, perubahan pola, dan faktor
gangguan yang disebabkan pengaruh random. Termasuk dalam teknik ini
adalah teknik smoothing, dekomposisi, dan teknik Box-Jenkins.
b) Teknik deterministik mencakup identifikasi dan penentuan hubungan antara
variabel yang akan diperkirakan dengan variabel-variabel lain yang akan
mempengaruhinya. Termasuk dalam teknik ini adalah regresi sederhana,
regresi berganda, autoregresi, dan model input output.
Pendekatan teknik peramalan kuantitatif terdiri atas tiga pendekatan
(Markdakis, 1999), yaitu:
1) Analisis Deret Waktu
6
Metode peramalan ini menggunakan deret waktu (time series) sebagai dasar
peramalan. Diperlukan data aktual atau data historis yang akan diramalkan
untuk mengetahui pola data yang diperlukan untuk menentukan metode
peramalan yang sesuai. Beberapa contoh metode dengan pendekatan analisis
deret waktu (time series) adalah Moving Average, ARIMA (Autoregressive
Integrated Moving Average) atau Box-Jenkins, Kalman Filter, Motede
Bayesian Smoothing Eksponensial, Regression dan sebagainya.
2) Analisa Kausal
Metode ini menggunakan pendekatan sebab-akibat, dan bertujuan untuk
meramalkan keadaan di masa yang akan datang dengan menemukan dan
mengukur beberapa variabel bebas (independent variable) yang penting
beserta pengaruhnya terhadap variabel tidak bebas (dependent variable) yang
akan diramalkan. Pada metode kausal terdapat dua metode yang sering
digunakan:
a) Metode regresi dan korelasi
Metode ini memakai teknik kuadrat terkecil (least square) dan variabel
dalam formulasi matematisnya. Metode ini sering digunakan untuk prediksi
jangka pendek.
b) Metode input output
Metode ini biasa digunakan untuk perencanaan ekonomi nasional
jangka panjang.
a) Analisis Ekonometri
Metode ekonometri berdasarkan pada persamaan regresi yang didekati
secara simultan. Metode ini sering digunakan untuk perencanaan ekonomi
nasional dalam jangka pendek maupun jangka panjang.
1.7.3
merupakan
suatu
metode
yang
Yt 1 Yt (1 )Yt
(1)
Dimana:
Yt 1
= konstanta pemulusan
Yt
Yt
= nilai pemulusan yang lama atau rata-rata pemulusan hingga periode t-1
b. Metode Double Exponential Smoothing model Brown
Metode pemulusan eksponensial ganda menggunakan nilai trend
dengan nilai konstanta yang berbeda dari konstanta yang digunakan pada pola
data. Persamaan untuk model pemulusan eksponensial ganda untuk model
Brown adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994):
At Yt (1 ) At 1
A't At (1 ) A't 1
at 2 At A't
bt
( At A't )
1
(2)
(3)
(4)
(5)
(6)
Dimana:
At
At
= konstanta pemulusan
a
t
bt
Yt
trend linier.
Bentuk umum yang digunakan untuk menghitung ramalan adalah:
At Yt (1 )( At 1 Tt 1 )
(7)
Tt ( At At 1 ) (1 )Tt 1
(8)
Persamaan yang digunakan untuk membuat peramalan pada periode p
yang akan datang adalah:
Yt p At Tt p
(9)
Dimana:
At
Yt
Tt
= estimasi trend
trend linier dan musiman.Metode ini memiliki kelebihan yaitu mudah dan cepat
dalam mengupdate ramalan ketika data baru diperoleh. Metode Winters terdiri
atas model multiplikatif (fluktuasi proporsional terhadap pola data trend) dari
aditif (fluktuasi relatif konstan). Dalam metode Winters terdapat tiga parameter
yangdigunakan yaitu , dan (Gaynor, 1994). Rumusan matematikanya
sebagai berikut :
At
1. Pemulusan eksponensial
2. Estimasi trend
3. Estimasi musiman
Yt
(1 )( At 1 Tt 1 )
StL
Tt ( At At 1 ) (1 )Tt 1
Y
S t t (1 ) S t L
At
(10)
(11)
(12)
9
Yt p ( At Tt p) S t L p
(13)
Dimana:
1.7.4
At
Yt
Tt
= estimasi trend
St
= estimasi musiman
= panjangnya musim
tepat. Data produksi kelapa sawit jika di masukkan ke dalam grafis menunjukkan pola
data trend linier yang dapat juga dilihat dari plot autokorelasi nilai-nilai autokorelasi
yang menunjukkan pola data trend linier.
Oleh karena itu metode peramalan analisis time series yang digunakan untuk
meramalkan nilai produksi kelapa sawit pada penelitian ini adalah dengan
menggunakan Metode Single Exponential Smoothing dan Exponential Smoothing
Brown. Dimana dari kedua metode tersebut akan dicari metode yang paling tepat
dalam meramalkan nilai produksi kelapa sawit.
1.7.5
Keakuratan Peramalan
Ketepatan peramalan adalah suatu hal yang mendasar dalam peramalan,
yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu
kumpulan data time series yang diberikan. Ketepatan dipandang sebagai kriteria
penolakan untuk memilih suatu metode peramalan. Dalam permodelan time series
dari data masa lalu dapat diramalkan situasi yang akan terjadi pada masa yang akan
datang dan ketepatan peramalan digunakan untuk menguji kebenaran peramalan
tersebut. Metode peramalan yang dipilih adalah metode peramalan yang memberikan
tingkat kesalahan terkecil.
10
(14)
(15)
( y t t )2
t =1
n
MAD=
(16)
( y t t )
t =1
n
MAD=
(17)
11
Yt
t 1
(18)
MPE
n
Yt
t 1
MAPE
n
(19)
Berdasarkan MSE kedua model, didapat model terbaik yaitu metode smoothing untuk
meramalkan penjualan periode ke depan.
(Sidik, 2010) meramalkan produksi tanaman pangan, tanaman perkebunan rakyat
kabupaten Magelang dengan metode ES berbantu Minitab. Berdasarkan hasil penelitian,
nilai
Peneliti
Judul
Tahun
Novita, Diana.
2005
Sidik, N.
2010
13
Suwanvijit, W.,
Lumley, L.,
Choonpradub,
C., McNeil, N.
Jalil, N. A. A.,
Ahmad, H., M.,
Mohamed, N
Exponential
2011
2013
14
Daftar Pustaka
Batubara, E.A. 2015. Implementasi algoritma learning vector quantization pada prediksi
produksi kelapa sawit di PT. Perkebunan Nusantara I Pulau Tiga. Skripsi.
Universitas Sumatera Utara.
Gaynor, P. E. Dan Kirkpatrick R. C. 1994. Introduction to Time Series Modelling and
Forecasting ini Business and Economic. Singapura : Mc. Graw Hill.
Hanke, J. E dan Wichern, D. W. 2005. Business Forecasting, 8th Edition. New Jersey:
Prentice Hall.
Jalil, N. A. A., Ahmad, H., M., Mohamed, N. 2013. Electricity Load Demand Forecasting
Using Exponential Smoothing Methods. World Applied Sciences Journal 22
(11):ISSN 1818-4952.
Makridakis, S., Wheelwright, S.C. & McGee, V.E. 1999. Metode dan Aplikasi Peramalan.
Erlangga : Jakarta.
Novita, Diana. 2005. Analisis penjualan sepeda motor korea di PT.Maju Bersama Surya
Indah Motor dengan menggunakan metode exponential smoothing dengan
menggunakan 3 variabel yaitu sepeda motor super x, shadow r, dan morin, Tugas
Akhir, Statistika FMIPA ITS. Surabaya.
Saputra, A.H. 2012. Analisis data runtun waktu dengan metode adaptive neuro-fuzzy
inference system (ANFIS). Skripsi. Universitas Diponegoro.
Sidik, N. 2010. Forecasting Volume Produksi Tanaman Pangan, Tanaman Perkebunan Rakyat
Kab.Magelang Dengan Menggunakan Metode Exponential Smoothing Berbantu
Minitab. Skripsi. FMIPA Universitas Negeri Semarang.
Suwanvijit, W., Lumley, L., Choonpradub, C., McNeil, N. 2011. Long Term Sales
Forecasting Using Lee-Carter And Holt-Winter Methods. Journal of Applied
Business Research Vol.27 No.1.
15