Menentukan Metode Terbaik utuk Meramalkan Hasil Impor Jeruk Fresh Orange di

Indonesia pada Bulan Januari dan Februari 2006

Penyusun:

Yuyun Eka Pratiwi H11112002

Susnawati H11112006

Haryati H11112024

Mimi Kurniati H11112018

Reni Unaeni H11112064

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Tanjungpura

Pontianak

2015
 KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Allah SWT karena atas limpahan rahmat-Nya lah
laporan tugas matakuliah Metode Deret Waktu 1 ini bisa terselesaikan. Laporan ini berjudul
“Peramalan Impor Jeruk Orange Indonesia dengan Metode Moving Average dan Single
Exsponensial Smoothing”. Laporan ini bertujuan membandingkan kedua metode tersebut dalam
peramalan impor jeruk orange Indonesia dan menentukan hasil peramalan impor jeruk tersebut
untuk bulan Oktober, November, Desember 2005

Banyak pihak yang telah membantu dalam menyelesaikan laopran ini. Oleh karena itu, kami
mengucapkan terima kasih kepada:

1. Ibu Muhlasah Novitasari Mara, M. Sc. selaku dosen pengampu matakuliah Metode Deret
Waktu 1 yang telah memberikan banyak penjelasan terkait materi matakuliah tersebut.
2. Bapak Hendra Perdana, M. Sc. yang telah banyak memberikan masukan dan bimbingan
kepada kelompok kami untuk menyelesaikan laporan ini.
3. Teman-teman kelompok 10 yang tidak letih membantu mengerjakan laporan ini sehingga
dapat terselesaikan tepat waktu.

Semoga laporan yang telah dibuat dapat bermanfaat bagi penulis dan bagi pembaca. Saran
dan kritik yang membangun sangat diharapkan demi perbaikan penulisan laporan lainnya.

Pontianak, 1 Oktober 2015

Kelompok 10

i
DAFTAR ISI

ii
 PENDAHULUAN
A. Latar Belakang
Salah satu komoditas holtikultura (budidaya tanaman kebun) yang memiliki
peranan strategis dalam pembangunan nasional adalah buah-buahan. Seperti buah jeruk
yang berfungsi sebagai bahan makanan yang bergizi karena mengandung sumber vitamin
dan mineral, sumber pendapatan, meningkatkan ekspor, dan substitusi impor.
Buah jeruk mempunyai nilai ekonomis dan mengandung gizi yang cukup tinggi,
yang dapat dikonsumsi dalam bentuk segar maupun olahan. Di Indonesia, jeruk merupakan
tanaman rakyat yang sebagian besar dibudidayakan dilahan kering, baik didataran rendah
atau dataran tinggi.
Permintaan akan jeruk dari masyarakat Indonesia sangatlah tinggi dan semakin
meningkat dari tahun ke tahun. Kebutuhan akan konsumsi jeruk dapat dipenuhi dari
produksi dalam negeri maupun luar negeri.
Tingginya permintaan buah jeruk serta nilai ekonomisnya yang tinggi, membuat
pemerintah tidak hanya mengerahkan pengelolaan kepada petani jeruk yang berskala kecil
tetapi juga yang berorientasi kepada pola pengembangan industri jeruk. Dengan demikian,
pengembangan usaha tani jeruk ke arah agribisnis jeruk dapat dilakukan dengan melihat
potensi yang ada. Umumnya usaha tani jeruk di Indonesia masih dilakukan secara
tradisional pada lahan pekarangan dan kebun sekitar rumah, dan belum dikelola secara
intensif. Untuk menjadikan usaha tani jeruk berorientasi agribisnis perlu dilakukan
pengelolaan yang intensif, sehingga produksinya tinggi dan mutunya baik.

B. Perumusan Masalah
Semakin meningkatnya konsumsi jeruk dari tahun ketahun disebabkan oleh
bertambahnya penduduk serta meningkatnya pendapat yang mendorong permintaan buah
jeruk juga meningkat. Pemenuhan kebutuhan untuk permintaan yang semakin meningkat
itu mendorong meningkatnya produksi serta impor.
Di masa yang akan datang apakah impor yang ada akan terus meningkat belum bisa
dipastikan tanpa adanya bukti atau data yang mendukung, untuk itu sangatlah dibutuhkan
peramalan bagaimana pola data impor buah jeruk tersebut.

1
 Apabila impor yang ada terus mengalami peningkatan dari tahun ke tahun akan
menimbulkan ketergantungan terhadap negara lain sehingga negara Indonesia akan
kehilangan daya saingnya. Oleh sebab itu, diperlukan solusi untuk menekan laju impor
buah jeruk di Indonesia.
Berdasarkan uraian diatas, maka perumusan masalahnya adalah apa metode terbaik
untuk meramalkan impor bulanan buah jeruk fresh orange di Indonesia serta bagaimana
peramalan permintaan impor bulanan buah jeruk fresh orange di Indonesia untuk bulan
Januari dan Februari, pada tahun 2006 berdasarkan metode terbaik.

C. Tujuan Penelitian
Berdasarkan perumusan masalah di atas, tujuan dari penelitian ini sebagai berikut.
1. Menentukan metode terbaik untuk meramalkan impor bulanan buah jeruk fresh orange
di Indonesia.
2. Meramalkan impor bulanan buah jeruk fresh orange di Indonesia untuk bulan Januari
dan Februari pada tahun 2006 berdasarkan metode terbaik.

D. Manfaat Penelitian
Manfaat dari penelitian ini, yaitu untuk mengetahui metode terbaik dalam
meramalkan permintaan impor buah jeruk di Indonesia dan mengethaui apakah
permintaan impor buah jeruk di Indonesia mengalami penurunan atau peningkatan.

2
 PEMBAHASAN

A. Identifikasi Pola Data

Data impor bulanan jeruk fresh orange Indonesia diperoleh dari
http://repository.ipb.ac.id. Data yang digunakan adalah data impor bulanan jeruk fresh
orange dari bulan Januari 2001 hingga Desember 2005. Data disajikan dalam tabel 1.
Selanjutnya data tersebut akan digunakan untuk meramalkan jumlah impor pada bulan
Oktober, November, dan Desember ditahun 2005.
Tabel 1. Data Impor Bulanan Jeruk Fresh Orange Indonesia (ribuan kg)

Tahun Bulan Impor Jeruk September 1,297.059

2001 Januari 2,810.570 Oktober 1,243.153
Februari 1,001.022 November 1,73.043
Maret 1,224.349 Desember 1,66.389
April 1,075.041 2003 Januari 1,708.754
Mei 700.363 Februari 1,781.730
Juni 565.479 Maret 1,052.382
Juli 766.273 April 70.384
Agustus 621.688 Mei 977.007
September 632.940 Juni 1,851.640
Oktober 385.590 Juli 1,232.073
November 1,103.455 Agustus 1,628.985
Desember 1,494.150 September 1,026.940
2002 Januari 5,182.504 Oktober 1,072.248
Februari 990.146 November 2,426.706
Maret 1,440.247 Desember 9,395.848
April 989.272 2004 Januari 7,425,215
Mei 1,059.922 Februari 4,923,523
Juni 1,483.442 Maret 7,640.595
Juli 2,641.425 April 5,703.675
Agustus 1,790.566 Mei 2,418.015

3
 Juni 1,904.511 April 1,987.890
Juli 3,012.449 Mei 1,652.783
Agustus 3,130.366 Juni 2,356.301
September 2,293.871 Juli 2,033.777
Oktober 3,180.621 Agustus 1,951.337
November 3,874.617 September 1,772.151
Desember 5,420.702 Oktober 1,027.524
2005 Januari 7,928.162 November 1,214.988
Februari 2,976.621 Desember 1,679.334
Maret 3,131.812

Data impor bulanan jeruk fresh orange Indonesia di atas selanjutnya ditentukan pola data
yang sesuai. Penentuan pola data dilakukan dengan menggunakan bantuan Microsoft Excel .
Selanjutnya, pola data impor bulanan jeruk fresh Indonesia yang telah ditentukan
digunakan untuk memilih metode peramalan yang tepat. Pemilihan metode peramalan ini
dilakukan dengan melihat pola data yang telah ditentukan sebelumnya. Terdapat 4 kategori untuk
jenis pola data, yakni:
1. Pola horizontal (H) terjadi bilamana nilai data berfluktuasi di sekitar nilai rata-rata yang konstan.
(Deret seperti itu “stasioner” terhadap nilai rata-ratanya). Suatu produk yang penjualannya tidak
meningkat atau menurun selama waktu tertentu termesuk jenis ini.

2. Pola musiman (S) terjadi bilamana suatu deret dipengaruhi oleh factor musiman (misalnya kuartal
tahun tertentu, bulanan atau hari-hari pada minggu tertentu). Penjualan dari produk seperti
minuman ringan, es krim, dan bahan bakar pemanas ruang semuanya menunjukkan jenis pola ini.

4
3. Pola siklis (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti
yang berhubungan dengan siklus bisnis, penjualan produk seperti mobil, baja, dan peralatan utama
lainnya menunjukkan jenis pola ini. Pola siklis cenderung berulang pada setiap dua tahun, tiga
tahun atau lebih. Pola siklis sulit untuk dibuatkan model karena polanya yang tidak stabil.

4. Pola trend (T) terjadi bilamana terjadi kenaikan atau penurunan sekuler jangka panjang dalam data.
Penjualan banyak perusahaan, produk bruto nasional (GNP) dan berbagai indicator bisnis atau
ekonomi lainnya mengikuti pola trend selama perubahannya sepanjang waktu.

5
 Pola data impor bulanan jeruk fresh orange Indonesia ditunjukkan oleh grafik 1 berikut.

Impor Bulanan Jeruk Orange Tahun 2001-2005

10,000,000
9,000,000
8,000,000
7,000,000
6,000,000
5,000,000
4,000,000
3,000,000
2,000,000
1,000,000
0
Juli

Juli

Juli

Juli

Juli
Januari
Maret

Maret

Januari
Maret

Januari
Maret

Januari
Maret
Januari
November

November

November

November

November
Mei

September

Mei

September

Mei

September

Mei

September

Mei

September
2001 2002 2003 2004 2005

Grafik 1. Pergerakan Impor Bulanan Jeruk Orange Tahun 2001-2005

Dari Grafik 1 di atas dapat dilihat bahwa pola data yang terbentuk adalah pola data
stasioner. Hal ini dapat dilihat dari pergerakan data observasi berfluktuasi di sekitar garis rata-
rata yang konstan.

B. Pemilihan Metode Peramalan

Berdasarkan identifikasi pola data yang telah ditentukan sebelumnya, dapat diketahui
bahwa pola data impor bulanan jeruk fresh Indonesia merupakan pola stasioner, sehingga
dengan diketahuinya pola data tersebut akan mempermudah pemilihan metode peramalan yang
sesuai. Adapun metode yang sesuai untuk pola stasioner yang telah terbentuk pada data impor
bulanan jeruk fresh Indonesia adalah metode Single Moving Average dan metode Single
Exponential Smoothing. Pada metode Single Moving Average digunakan periode 2 bulan untuk
melakukan peramalan. Selanjutnya, pada metode Single Exponential Smoothing digunakan
nilai alpha (𝛼) yang akan meminimumkan Mean Square Error (MSE) dan mengoptimalkan
hasil peramalan. Nilai 𝛼 tersebut diperoleh dengan menggunakan bantuan program Solver yang
terdapat pada Microsoft Excel. Selanjutnya, pada masing-masing metode peramalan dihitung
nilai kesalahan peramalan. Kemudian, dari nilai kesalahan peramalan tersebut dihitung nilai
MSE. Dengan membandingkan nilai MSE terkecil dari masing-masing metode peramalan
maka akan diketahui metode peramalan yang terbaik yang digunakan untuk meramalkan impor
bulanan jeruk fresh Indonesia.

6
C. Metode Peramalan
Peramalan merupakan dugaan terhadap kejadian di masa yang akan datang. Secara umum
terdapat dua metode peramalan, yaitu metode peramalan kualitatif dan metode peramalan
kuantitatif.

Peramalan kualitatif didasarkan pada intuisi atau pengalaman empiris dari perencana atau
pengambil keputusan , seingga relative lebih bersifat subjektif.

Metode peramalan kuantitatif memiliki sifat yang lebih objektif berdasarkan pada keadaan
actual (data) yang diolah dengan menggunakan metode -metode tertentu. Peramalan kuantitatif
dapat diterapkan bila terdapat tiga kondisi sebagai berikut (Makridakis, 1999):

 Tersedia informasi masa lalu

 Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik
 Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut dimasa yang akan datang

Metode peramalan time series merupakan bagian dari metode peramalan dengan pendekatan
kuantitatif. Metode peramalan time series merupakan metode yang sering digunakan dalam
ekonomi dan bisnis, dimana sejumlah observasi diambil selama beberapa periode di masa
depan (Hanke,2003). Metode ini terdiri dari:

a. Moving Average Method

Moving Averages (rata-rata bergerak) adalah metode peramalan perataan nilai dengan
mengambil sekelompok nilai pengamatan yang kemudian dicari rata-ratanya, lalu
menggunakan rata-rata tersebut sebagai ramalan untuk periode berikutnya. Istilah rata-rata
bergerak digunakan, karena setiap kali data observasi baru tersedia, maka angka rata-rata yang
baru dihitung dan dipergunakan sebagai ramalan.

b. Single Moving Average Method

Metode ini menggunakan rata-rata sebagai ramalan untuk periode mendatang. Pada setiap
nilai, muncul nilai pengamatan baru, nilai rata-rata baru dapat dihitung dengan membuang nilai
observasi yang paling lama dan memasukkan nilai pengamatan yang baru. Metode Simple
Moving Average mempunyai karakteristik khusus yaitu untuk menentukan ramalan pada
periode yang akan datang memerlukan data historis selama jangka waktu tertentu. Misalnya,
dengan 3 bulan moving average, maka ramalan bulan ke 5 baru dibuat setelah bulan ke 4

7
selesai/berakhir. Jika bulan moving averages bulan ke 7 baru bisa dibuat setelah bulan ke 6
berakhir.

∑ nilai sebelumnya n periode

Simple moving average =
n
(𝑋𝑡 + 𝑋𝑡−1 + ⋯ + 𝑋𝑡−𝑛+1 )
𝐹𝑡+1 =
𝑛

c. Exponential Smoothing Method

Exponential smoothing menyediakan rata-rata bergerak tertimbang secara exponensial semua
nilai pengamatan yang lalu. Modelnya sering sekali cocok untuk data tanpa tren yang tidak
dapat diprediksi meningkat atau menurun. Sasarannya adalah untuk mengestimasi tingkat saat
ini. Tingkat estimasi ini kemudian digunakan sebagai peramalan nilai masa depan. Ketepatan
dari penggunaan metode ini terdapat pada peramalan jangka pendek.

d. Single Exponential Smoothing Method

Metode ini dapat mengatasi kesulitan nilai-nilai historis dari variabel yang harus dilakukan
pada metode rata-rata bergerak sederhana. Metode ini digunakan untuk peramalan data time
series tanpa tren atau pola stationer.

Rumus Single Exponential Smooting

𝐹𝑡+1 = 𝛼𝑋𝑡 + (1 − 𝛼)𝐹𝑡

Keterangan: 𝐹𝑡 = nilai ramalan saat ini

𝐹𝑡+1 = nilai ramalan satu periode yang akan datang

𝑋𝑡 = nilai sebenarnya satu periode sebelumnya

𝛼 = nilai parameter yang meminimumkan MSE dengan 0 < 𝛼 < 1

Beberapa rumus mencari Forecast Error

 Mean Square Error (MSE)

∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂𝑖 )2 ∑ 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑒𝑟𝑟𝑜𝑟𝑠 2
𝑀𝑆𝐸 = =
𝑛 𝑛
 Mean Absolute Deviation (MAD)

8
 ∑𝑛𝑖=1|𝑦𝑖 − 𝑦̂|
𝑖 ∑|𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡 𝑒𝑟𝑟𝑜𝑟𝑠|
𝑀𝐴𝐷 = =
𝑛 𝑛

A. Pemilihan Parameter Optimum Peramalan

Pemilihan parameter optimum pada metode single exsponensial smoothing adalah
dengan melihat 𝛼 yang meminimumkan MSE. Interval 𝛼 yang digunakan yakni:
0<𝛼<1
Pada laporan ini kami menggunakan bantuan program Solver yang terdapat pada Microsoft
Excel sehingga diperoleh 𝛼 yang meminumkan MSE. Adapun langkah untuk mencari
parameter optimum (𝛼) dengan program Solver sebagai berikut.
a. Klik Menu Data -> Solver

b. Selanjutnya, akan muncul kotak dialog berikut.

Pada Set Objective: isi dengan nilai MSE

9
 To: Min selanjutnya By Changing Variable Cells diisi dengan nilai 𝛼. Definisikan nilai 𝛼
pada interval 0 < 𝛼 < 1 dengan meng-klik Add. Selanjutnya, klik Solve dan akan muncul
otomatis nilai 𝛼 yang meminimumkan MSE.

c.
Sedangkan pada metode Single Moving Average dapat dilihat dari nilai MSE.
B. Metode Terbaik Peramalan
Pemilihan metode peramalan selain dilihat dari pola data juga dilihat dari nilai
MSE. Pada laporan ini dibahas 2 metode yakni metode Single Moving Average dan Single
Exponensial Smoothing. Masing-masing metode tersebut memberikan hasil MSE yang
berbeda. Sehingga dapat dipilih nilai MSE yang terkecil dari kedua metode tersebut.
Adapun nilai MSE yang terkecil untuk kedua metode tersebut dapat dilihat pada tabel 2
berikut.
Tabel 2. Nilai MSE untuk Single Moving Average dan Single Exponensial Smoothing
Metode Nilai MSE
Single Moving Average 697680.7663
Single Exponensial Smoothing 2596462.324
Dari tabel 2 di atas dapat dilihat bahwa yang memiliki MSE terkecil adalah metode
Single Moving Average. Dengan demikian, metode terbaik untuk peramalan pada data
impor jeruk fresh orange di Indonesia adalah metode Single Moving Average.
C. Peramalan dengan Metode Single Moving Average
Metode ini menggunakan rata-rata sebagai ramalan untuk periode mendatang. Pada
setiap nilai, muncul nilai pengamatan baru, nilai rata-rata baru dapat dihitung dengan
membuang nilai observasi yang paling lama dan memasukkan nilai pengamatan yang baru.
Metode Simple Moving Average mempunyai karakteristik khusus yaitu untuk menentukan
ramalan pada periode yang akan datang memerlukan data historis selama jangka waktu
tertentu.
Hasil peramalan dengan metode Single Moving Average dapat dilihat pada tabel 3
berikut.
Tabel 3. Hasil Peramalan Data Impor Jeruk Fresh Orange pada Bulan Januari dan
Februari 2006

10
 Bulan Peramalan
Januari 1447,161
Februari 1563,2475

11
 APLIKASI NUMERIK

A. Single Exsponensial Smoothing

Perhitungan peramalan dengan metode Single Exsponensial Smoothing dilakukan dengan

program Solver yang terdapat pada Microsoft Excel. Sehingga diperoleh 𝛼 = 0.699773166
yang meminimumkan MSE dan mengoptimalkan peramalan.

Dari perhitungan di atas diperoleh parameter (𝛼) yang meminimumkan MSE adalah 𝛼 = 0.69

Tabel 3. Peramalan Data Impor Jeruk Fresh Orange dengan Metode Single Exsponensial
Smoothing

𝛼 0.699773166
No Bulan Data Aktual Forecast Error Error Kuadrat
1 Januari 2,811
2 Februari 1,001 2,811 -1,810 3,274,464
3 Maret 1,224 1,544 -320 102,367
4 April 1,075 1,320 -245 60,204
5 Mei 700 1,149 -448 201,012
6 Juni 565 835 -269 72,624
7 Juli 766 646 120 14,373
8 Agustus 622 730 -109 11,792
9 September 633 654 -21 456
10 Oktober 386 639 -254 64,394
11 November 1,103 462 642 411,753
12 Desember 1,494 911 583 340,291
13 Januari 5,183 1,319 3,863 14,926,552
14 Februari 990 4,023 -3,032 9,195,660
15 Maret 1,440 1,901 -460 211,892
16 April 989 1,578 -589 347,127
17 Mei 1,060 1,166 -106 11,286
18 Juni 1,483 1,092 392 153,370
19 Juli 2,641 1,366 1,276 1,627,052
20 Agustus 1,791 2,258 -468 218,932
21 September 1,297 1,931 -634 401,935
22 Oktober 1,243 1,487 -244 59,656
23 November 1,735 1,316 419 175,193

12
24 Desember 1,661 1,609 52 2,705
25 Januari 1,709 1,646 63 3,966
26 Februari 1,782 1,690 92 8,443
27 Maret 1,052 1,754 -702 492,470
28 April 70 1,263 -1,193 1,422,499
29 Mei 977 428 549 300,904
30 Juni 1,852 812 1,039 1,080,189
31 Juli 1,232 1,540 -308 94,578
32 Agustus 1,629 1,324 305 92,770
33 September 1,027 1,538 -511 260,714
34 Oktober 1,072 1,180 -108 11,661
35 November 2,427 1,105 1,322 1,747,782
36 Desember 9,396 2,030 7,366 54,258,737
37 Januari 7,425 7,184 241 58,011
38 Februari 4,924 7,353 -2,429 5,901,893
39 Maret 7,641 5,653 1,988 3,950,977
40 April 5,704 7,044 -1,340 1,796,021
41 Mei 2,418 6,106 -3,688 13,601,426
42 Juni 1,905 3,525 -1,621 2,626,811
43 Juli 3,012 2,391 621 386,072
44 Agustus 3,130 2,826 304 92,697
45 September 2,294 3,039 -745 555,155
46 Oktober 3,181 2,518 663 439,642
47 November 3,875 2,982 893 797,561
48 Desember 5,421 3,606 1,814 3,291,345
49 Januari 7,928 4,876 3,052 9,315,519
50 Februari 2,977 7,012 -4,035 16,282,909
51 Maret 3,132 4,188 -1,056 1,115,742
52 April 1,988 3,449 -1,461 2,134,660
53 Mei 1,653 2,427 -774 598,693
54 Juni 2,356 1,885 471 222,045
55 Juli 2,034 2,215 -181 32,780
56 Agustus 1,951 2,088 -137 18,713
57 September 1,772 1,992 -220 48,513
58 Oktober 1,028 1,838 -811 657,322
59 November 1,215 1,271 -56 3,130
60 Desember 1,679 1,232 448 200,301
61 Januari 1,545 1,545 MSE 2596462.324

62 Februari 1,545

13
Plot 1. Fluktuasi Data Impor Jeruk Fresh Indonesia dengan Metode Single Exsponensial
Smoothing

Smoothing Plot for Data Aktual

Single Exponential Method
10000 Variable
Actual
Fits
8000 Forecasts
95.0% PI

Smoothing Constant
6000 Alpha 0.69
Data Aktual

Accuracy Measures
MAPE 72
4000
MAD 999
MSD 2610790

2000

1 6 12 18 24 30 36 42 48 54 60
Waktu (bulan)

Dari plot 1 di atas dapat dilihat bahwa peramalan untuk jumlah impor jeruk fresh orange di
Indonesia pada bulan Januari dan Februari 2006 adalah sama yakni 1,545 kg.

14
B. Single Moving Average

Perhitungan peramalan dengan metode Single Moving Average dilakukan dengan bantuan
Microsoft Excel. Sehingga diperoleh MSE yang minimum.

Tabel 4. Hasil Peramalan Data Impor Jeruk Fresh di Indonesia

Jumlah Orange Ramalan Kesalahan

No
Xt Ft X t  Ft X t  Ft ( X t  Ft ) 2

1 2810,57
2 1001,022 1905,796 -904,774 904,774 818615,9911
3 1224,349 1112,6855 111,6635 111,6635 12468,73723
4 1075,041 1149,695 -74,654 74,654 5573,219716
5 700,363 887,702 -187,339 187,339 35095,90092
6 565,479 632,921 -67,442 67,442 4548,423364
7 766,273 665,876 100,397 100,397 10079,55761
8 621,688 693,9805 -72,2925 72,2925 5226,205556
9 632,94 627,314 5,626 5,626 31,651876
10 385,59 509,265 -123,675 123,675 15295,50563
11 1103,455 744,5225 358,9325 358,9325 128832,5396
12 1494,15 1298,8025 195,3475 195,3475 38160,64576
13 5182,504 3338,327 1844,177 1844,177 3400988,807
14 990,146 3086,325 -2096,179 2096,179 4393966,4
15 1440,247 1215,1965 225,0505 225,0505 50647,72755
16 989,272 1214,7595 -225,4875 225,4875 50844,61266
17 1059,922 1024,597 35,325 35,325 1247,855625
18 1483,442 1271,682 211,76 211,76 44842,2976
19 2641,425 2062,4335 578,9915 578,9915 335231,1571
20 1790,566 2215,9955 -425,4295 425,4295 180990,2595
21 1297,059 1543,8125 -246,7535 246,7535 60887,28976
22 1243,153 1270,106 -26,953 26,953 726,464209
23 1735,043 1489,098 245,945 245,945 60488,94303
24 1661,389 1698,216 -36,827 36,827 1356,227929
25 1708,754 1685,0715 23,6825 23,6825 560,8608062
26 1781,73 1745,242 36,488 36,488 1331,374144
27 1052,382 1417,056 -364,674 364,674 132987,1263
28 70,384 561,383 -490,999 490,999 241080,018
29 977,007 523,6955 453,3115 453,3115 205491,316
30 1851,64 1414,3235 437,3165 437,3165 191245,7212
31 1232,073 1541,8565 -309,7835 309,7835 95965,81687

15
32 1628,985 1430,529 198,456 198,456 39384,78394
33 1026,94 1327,9625 -301,0225 301,0225 90614,54551
34 1072,248 1049,594 22,654 22,654 513,203716
35 2426,706 1749,477 677,229 677,229 458639,1184
36 9395,848 5911,277 3484,571 3484,571 12142235,05
37 7425,215 8410,5315 -985,3165 985,3165 970848,6052
38 4923,523 6174,369 -1250,846 1250,846 1564615,716
39 7640,595 6282,059 1358,536 1358,536 1845620,063
40 5703,675 6672,135 -968,46 968,46 937914,7716
41 2418,015 4060,845 -1642,83 1642,83 2698890,409
42 1904,511 2161,263 -256,752 256,752 65921,5895
43 3012,449 2458,48 553,969 553,969 306881,653
44 3130,366 3071,4075 58,9585 58,9585 3476,104722
45 2293,871 2712,1185 -418,2475 418,2475 174930,9713
46 3180,621 2737,246 443,375 443,375 196581,3906
47 3874,617 3527,619 346,998 346,998 120407,612
48 5420,702 4647,6595 773,0425 773,0425 597594,7068
49 7928,162 6674,432 1253,73 1253,73 1571838,913
50 2976,621 5452,3915 -2475,7705 2475,7705 6129439,569
51 3131,812 3054,2165 77,5955 77,5955 6021,06162
52 1987,89 2559,851 -571,961 571,961 327139,3855
53 1652,783 1820,3365 -167,5535 167,5535 28074,17536
54 2356,301 2004,542 351,759 351,759 123734,3941
55 2033,777 2195,039 -161,262 161,262 26005,43264
56 1951,337 1992,557 -41,22 41,22 1699,0884
57 1772,151 1861,744 -89,593 89,593 8026,905649
58 1027,524 1399,8375 -372,3135 372,3135 138617,3423
59 1214,988 1121,256 93,732 93,732 8785,687824
60 1679,334 1447,161 232,173 232,173 53904,30193
61 1447,161 510,969542 697680,7663
62 FORECASTING 1563,2475 MAD MSE

16
Plot 2. Fluktuasi Data Impor Jeruk Fresh Indonesia dengan Metode Single Exsponensial
Smoothing

Moving Average Plot for Data Aktual

10000 Variable
Actual
Fits
8000 Forecasts
95.0% PI

Moving Average
6000
Length 2
Data Aktual

Accuracy Measures
4000 MAPE 78
MAD 1078
MSD 2985198
2000

-2000

1 6 12 18 24 30 36 42 48 54 60
Waktu (bulan)

Dari plot 2 di atas dapat dilihat bahwa peramalan untuk jumlah impor jeruk fresh orange di
Indonesia pada bulan Januari dan Februari 2006 masing-masing sebesar 1447, 161 kg dan
1563,2475 kg.

17
 KESIMPULAN

a. Metode terbaik untuk meramalkan impor bulanan buah jeruk fresh orange di Indonesia
adalah metode Single Moving Average.
b. Ramalan hasil impor jeruk fresh orange di Indonesia dengan menggunakan metode terbaik
yaitu metode Single Moving Average pada bulan Januari 2006 sebesar 1447, 161 kg. Hal
ini menunjukkan tidak adanya peningkatan impor jeruk fresh orange di Indonesia jika
dillihat dari bulan Desember 2005. Sedangkan pada bulan Februari 2006 sebesar
1563,2475 kg. Hal ini menunjukkan adanya peningkatan impor jeruk fresh orange di
Indonesia.

18
 DAFTAR PUSTAKA

Makridakis, S, Wheelwright, S.C., V.E. 1999. Metode dan Aplikasi Peramalan Jilid 1.
(Ir. Untung Sus Ardiyanto, M.Sc & Ir. Abdul Basith, M.Sc. Terjemahan). Edisi Kedua. Jakarta
Erlangga.
Permadi, Alaya Eka.2007. “Analisis Peramalan dan Faktor-Faktor yang Mempengaruhi Impor
Jeruk di Indonesia.” (online).( http://repository.ipb.ac.id). (diakses tanggal 22 September 2015)

19
20