DRAFT SKRIPSI

ANALISIS PERBANDINGAN MOVING AVERAGE,

EXPONENTIAL SMOOTHING, DAN TREND PROYECTION
PADA PERAMALAN PRODUKSI CRUDE PALM OIL PT.
EKADURA INDONESIA

Oleh :

DEKA PURWANTO

1502122268

JURUSAN MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS RIAU

PEKANBARU

TAHUN 2021
 LEMBARAN PENGESAHAN DRAFT SKRIPSI

Judul Skripsi : ANALISIS PERBANDINGAN MOVING

AVERAGE, EXPONENTIAL SMOOTHING, DAN
TREND PROYECTION PADA PERAMALAN
PRODUKSI CRUDE PALM OIL PT. EKADURA
INDONESIA

Nama : DEKA PURWANTO

Nomor Mahasiswa : 1502122268

Program Studi : MANAJEMEN

Konsentrasi : MANAJEMEN OPERASIONAL

Menyetujui

Pembimbing I Pembimbing II

Dr. Machasin, M. Si Anggia Paramitha, SE., M.Sc

NIP. 19620628 198903 1 002 NIP. 19880123 201404 2 001
 ABSTRAK

ANALISIS PERBANDINGAN MOVING AVERAGE, EXPONENTIAL

SMOOTHING, DAN TREND PROYECTION PADA PERAMALAN
PRODUKSI CRUDE PALM OIL PT. EKADURA INDONESIA

Oleh:

Deka Purwanto

Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan

kejadian dimasa depan dengan menggunakan data pada masa lalu. Penelitian ini
dilakukan pada PT. Ekadura Indonesia yang bertujuan untuk mengetahui cara
menghitung forecasting produksi yang benar dan efektif serta mengetahui metode
peramalan yang paling sesuai pada produksi crude palm oil PT. Ekadura
Indonesia. Penelitian ini bersifat penelitian deskriptif kuantitatif, analisis yang
digunakan pada penelitian ini diantaranya, metode Moving average, Exponential
Smoothing, dan Trend Projection dengan membandingkan tingkat kesalahan
(error) peramalan yang diukur dari mean absolute percentage error (MAPE)
terkecil. Hasil dari penelitian ini menunjukkan bahwa dari ketiga metode yang
digunakan metode trend projection lah yang memiliki nilai MAPE terkecil yaitu
2,1023%.

Kata kunci : forecasting, moving average, exponential smoothing, trend

projection, dan MAPE
 ABSTRACT

COMPARATIVE ANALYIS OF MOVING AVERAGE, EXPONENTIAL

SMOOTHING, AND TREND PROJECTION IN FORECASTING CRUDE
PALM OIL OF PT. EKADURA INDONESIA

BY

DEKA PURWANTO

Forecasting is the art and science of predicting future events using data
from the past. This research was conducted at PT. Ekadura Indonesia which aims
to find out how to calculate the correct and effective production forecasting and
to find out the most suitable forecasting method for the production of crude palm
oil PT. Ekadura Indonesia. This research is a quantitative descriptive study, the
analysis used in this study includes the method of moving average, exponential
smoothing, and trend projection by comparing the forecasting error rate
measured from the smallest mean absolute percentage error. The result of this
study indicate that of the three methods used, the projection trend methods have
the smallest mean absolute percentage error, which is 2,1023%.

Keyword : forecasting, moving average, exponential smoothing, trend

projection, and MAPE
 1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Di dalam dunia usaha yang terus berkembang dengan cepat ini, dan juga

persaingan yang begitu ketat baik dibidang industri manufaktur, industri jasa,

maupun industri pariwisata, mengharuskan perusahaan untuk mampu

menganalisis lingkungan usahanya dan memprediksi berbagai kemungkinan yang

terjadi dimasa depan. Kegiatan meramal atau forecast masa depan merupakan

salah satu usaha perusahaan sebagai dasar pengambilan keputusan strategis

kelangsungan usaha tersebut. Selain memantau perubahan lingkungan usaha,

perusahaaan yang baik menginginkan informasi untuk membantu mereka

menginterprestasikan kinerja masa lalu dan merencanakan kegiatan masa depan

( Kotler, 2007:123 ).

Perusahaan yang didirikan pada umumnya mempunyai harapan bahwa

kelak di kemudian hari akan mengalami perkembangan yang pesat di dalam

lingkup usaha dari perusahaannya. Perusahaan perlu perencanaan optimal, baik

perencanaan produksi atau perencanaan permintaan. Oleh karena itu keberadaan

suatu perusahaan yang berbentuk apapun baik dalam skala besar maupun kecil

tidak terlepas dari penerapan peramalan di perusahaan tersebut.

Ramalan pada dasarnya merupakan perkiraan mengenai sesuatu yang

belum terjadi (Rikalbi 2016). Peramalan adalah seni ilmu untuk memprediksi

kejadian masa depan pencatatan data produksi maupun penjualan pada setiap

periode berguna untuk melihat gambaran kemajuan perusahaan, apakah

mengalami kenaikan atau penurunan hasil. Hasil dari peramalan ini dapat
 2

digunakan untuk menentukan dan merencanakan biaya-biaya lain dalam

perusahaan sepeti biaya produksi, biaya promosi, dan lain-lain, (Heizer dan

Render, 2009).

Pencatatan data produksi dari waktu ke waktu berguna untuk melihat

gambaran tentang perkembangan suatu bisnis disebuah perusahaan, apakah

mengalami kenaikan atau mengalami penurunan. Dengan memprediksi yang

terlalu besar dan kurang akurat dapat mengakibatkan biaya produksi maupun

operasionalnya meningkat sehingga mengakibatkan perusahaan rugi. Untuk

mengatasi masalah peramalan perlu dilakukan prediksi kemungkinan terjadinya

penurunan atau kenaikan pada periode yang akan datang dengan menggunakan

informasi yang akurat sehingga perusahaan dapat mempersiapkan strategi-strategi

yang harus ditempuh menghadapi suatu kondisi tertentu (Rangkuti, 2005).

Peramalan produksi sangat dibutuhkan oleh pimpinan suatu perusahaan

sebagai dasar pengambilan keputusan dan untuk merencanakan langkah-langkah

selanjutnya dalam rangka meningkatkan jumlah produksinya. Salah satu yang

pastinya memerlukan penerapan peramalan produksi adalah perusahaan yang

mengolah kelapa sawit, seperti PT. Ekadura Indonesia.

PT. Ekadura Indonesia yang beralamat di Sei Manding, Kecamatan Kunto

Darussalam Kabupaten Rokan Hulu merupakan salah satu Badan Usaha yang

bergerak dibidang perkebunan pengolahan kelapa sawit yang menghasilkan

tandan buah segar (TBS) dari lahan inti yang dikelola perusahaan, lahan Plasma

yang bekerja sama dengan masyarakat setempat, dan dari supplier yang langsung

datang ke pabrik dan pada umumnya langganan perusahaan. Tandan buah segar

tersebut kemudian diolah menjadi Crude Palm Oil (CPO) dan berbagai macam
 3

produk lainnya. Dalam kegiatan operasionalnya PT. Ekadura Indonesia selalu

mengacu pada standar produksi sehingga setiap produksi yang dihasilkan harus

diseleksi terlebih dahulu.

Menurut Ditjen Perkebunan RI, Riau merupakan propinsi dengan luasan

perkebunan sawit terbesar di Sumatera. Bila dahulu Riau dikenal dengan propinsi

penghasil minyak bumi terbesar di Indonesia, namun saat ini Riau justru menjadi

penghasil minyak sawit yang lebih besar, seiring dengan merosotnya produksi

karena berkurangnya cadangan minyak bumi. Tidak mengherankan, bila devisa

yang dihasilkan oleh minyak sawit di Indonesia telah mengalahkan minyak bumi

sejak tahun 2010 (Agustian dan Wibowo, 2019). Namun demikian, produksi sawit

tidaklah konstan setiap bulannya, tetapi mengalami naik turun juga yang

dipengaruhi oleh banyak faktor, seperti iklim, curah hujan, kesuburan tanah, dan

harga jual.

Berikut tabel pencapaian produksi pada PT. Ekadura Indonesian

Kabupaten Rokan Hulu tahun 2015-2020 :

Tabel 1.1 : Data Produksi Crude Palm Oil (CPO) Pada PT. Ekadura
Indonesia Kabupaten Rokan Hulu Tahun 2015-2020

Tahun Produksi (kg)

Bulan
2015 2016 2017 2018 2019 2020

Januari 5.737.940 5.240.240 6.642.660 7.265.740 5.458.700 5.852.390

Februari 5.716.700 4.375.760 5.060.620 5.866.050 4.509.630 4.524.170

Maret 6.274.070 4.898.190 5.346.880 6.726.710 5.127.800 5.325.350

April 5.881.400 5.512.340 4.236.820 6.595.720 5.970.720 5.851.710

Mei 5.930.380 5.068.720 5.265.130 7.182.620 6.237.340 6.232.100

Juni 7.324.360 6.850.210 4.348.240 6.081.940 5.845.380 6.245.220

Juli 7.264.410 7.021.690 6.369.290 7.198.680 7.091.600 6.080.930

Agustus 8.564.850 8.253.090 6.424.760 7.032.470 7.433.110 6.125.710

 4

Tahun Produksi (kg)

Bulan
2015 2016 2017 2018 2019 2020

September 7.723.860 8.349.410 7.803.980 7.734.510 7.157.680 6.112.060

Oktober 7.251.450 7.851.200 8.808.950 7.970.470 6.923.780 7.063.090

November 4.978.410 6.904.100 7.840.860 6.211.030 5.634.780 7.110.110

Desember 7.185.780 6.883.710 8.225.280 4.843.260 4.687.730 6.875.110

Total 79.833.610 77.208.660 76.373.470 80.709.200 72.078.020 73.397.950

Sumber : PT. EKADURA INDONESIA Kabupaten Rokan Hulu, 2020

Dari tabel di atas selama tahun 2015-2020, pertumbuhan produksi

mengalami fluktuasi. Setiap tahunnya crude palm oil (CPO) yang diproduksi oleh

PT. Ekadura Indonesia mengalami naik dan turun, capaian produksi tertinggi

terjadi pada tahun 2018 yang mencapai 80.709.200 kg dalam satu tahun

produksinya. Kemudian, untuk produksi terendah terjadi pada tahun 2019

memproduksi sebesar 72.078.020 kg.

Fluktuasi dalam tingkat produksi CPO disebabkan oleh beberapa faktor

seperti kurangnya pasokan bahan baku tandan buah segar baik dari kebun inti

(milik perusahaan) maupun kebun plasma (milik petani yang menjalin kerja sama

dengan perusahaan) yang juga dikarenakan berkurangnya produksi pohon sawit

karena telah melewati umur produktif sehingga sedang dilakukannya peremajaan

sawit (Replanting), dan kelangkaan bahan baku yang disebabkan oleh tingkat

persaingan yang tinggi dengan beberapa pabrik swasta lainnya dan perusahaan

perkebunan milik negara dalam menarik minat petani pribadi untuk menjual TBS

miliknya. Selain itu juga dapat disebabkan oleh terlambatnya proses produksi

karena adanya kerusakan mesin dan peralatan yang digunakan dalam proses

produksi.
 5

Seorang pemimpin sebuah perusahaan harus mampu mengambil langkah

ataupun tindakan agar tetap mampu untuk bersaing dengan pesaing-pesaing

lainnya dan juga harus mampu untuk menganalisis lingkungan usahanya dan

memprediksi kemungkinan yang terjadi dimasa yang akan datang. Untuk itu

diperlukan suatu peramalan yang dapat memberikan gambaran mengenai proses

peramalan jumlah produksi CPO tersebut, sehingga diharapkan kedepannya dapat

memberikan informasi mengenai peramalan jumlah produksi minyak sawit

mentah (CPO) kepada pemimpin sebuah perusahaan untuk mempersiapkan

operasional yang lebih baik dan menciptakan inovasi serta strategi pemasaran

yang baik. Kegiatan meramal atau forecast merupakan salah satu usaha

perusahaan sebagai dasar pengambilan keputusan strategis kelangsungan usaha

tersebut. Selain memantau perubahan lingkungan usaha, perusahaan yang baik

menginginkan informasi untuk membantu mereka menginterprestasikan kinerja

masa lalu dan merencanakan kegiatan masa depan (Kotler, 2007:123).

Pencatatan data produksi dari waktu ke waktu berguna untuk melihat

gambaran tentang perkembangan suatu bisnis disebuah perusahaan, apakah

mengalami kenaikan atau mengalami penurunan. Dengan memprediksi yang

terlalu besar dan kurang akurat dapat mengakibatkan biaya produksi maupun

operasionalnya meningkat sehingga mengakibatkan perusahaan rugi. Untuk

mengatasi masalah peramalan perlu dilakukan prediksi kemungkinan terjadinya

penurunan atau kenaikan pada periode yang akan datang dengan menggunakan

informasi yang akurat sehingga perusahaan dapat mempersiapkan strategi-strategi

yang harus ditempuh menghadapi suatu kondisi tertentu (Rangkuti, 2005).

 6

Didalam melakukan peramalan terdapat beberapa metode, misalnya

dengan menggunakan metode peramalan deret waktu. Peramalan deret waktu

merupakan metode yang dipergunakan untuk menganalisis serangkaian data yang

merupakan fungsi dari waktu. Metode penghalusan eksponensial salah satu

metode yang cukup baik untuk peramalan jangka panjang dan jangka menengah,

terutama pada tingkat operasional suatu perusahaan dan juga kelebihan metode ini

dilihat dari data dioperasikan secara efisien, membutuhkan sedikit data dari waktu

ke waktu dan dapat dimodifikasikan oleh data berisi tren atau pola musiman

(Permata dan Yani, 2015). Lain halnya dengan moving average digunakan untuk

meraih target profit panjang dan sangat efektif dalam meredam fluktuasi pada pola

permintaan untuk menghasilkan prediksi yang stabil (Heizer dan Render,

2009:174). Untuk metode proyeksi tren memiliki kelebihan untuk melakukan

peramalan jangka menengah dan jangka panjang.

Beberapa penelitian terdahulu memberikan informasi mengenai metode

yang dapat diterapkan untuk meramalkan jumlah pengunjung yaitu metode

moving average dengan exponential smoothing (Novianus et al., 2015). Hasil

penelitian menunjukkan bahwa metode peramalan yang paling efektif untuk

meramalkan jumlah pengunjung pada hotel Merpati Pontianak adalah metode

single exponential smoothing. Adapun penelitian yang telah dilakukan dengan

metode yang lainnya yaitu metode indeks musiman untuk melakukan peramalan

pada air bersih (Abdullah, 2014). Menunjukkan bahwa metode indeks musiman

yang memiliki kecenderungan meningkat data penjualan air bersih. Penelitian lain

yang menggunakan metode moving average, exponential smoothing, dan metode

naïve (Nugraha dan Suletra, 2017). Kemudian penelitian lainnya yang dilakukan
 7

oleh (Sarjono dan Zulkifli, 2013) yang meneliti tentang prediksi jumlah tamu

menginap di hotel karlita internasional, Tegal, Jawa Barat. Berdasarkan hasil

penelitian tersebut diketahui bahwa metode Additive Decomposition yang

memiliki nilai tingkat error yang lebih kecil.

(Akhmat Tohir, 2011) melakukan studi tentang “Analisis peramalan

penjualan minyak sawit kasar atau Crude Palm Oil (CPO) pada PT. Kharisma

Pemasaran Bersama (KPB) Nusantara di Jakarta”. Berdasarkan hasil studi

disimpulkan bahwa metode Trend merupakan metode yang terbaik diterapkan

untuk melakukan peramalan Crude Palm Oil (CPO) pada PT. Kharisma

Pemasaran Bersama.

Penelitian yang telah dilakukan oleh Laksana (Laksana, 2017),

perbandingan metode single moving average dan single exponential smoothing

dalam pengembangan sistem peramalan penjualan mobil baru menunjukkan

metode single moving average adalah metode terbaik karena memiliki nilai

kesalahan (error) yang lebih kecil dibandingkan dengan metode single

exponential smoothing.

Penelitian yang telah dilakukan oleh Ardhiani (Ardhiani, 2009), sistem

pendukung keputusan pengadaan suplai dengan metode single exponential

smoothing dan double moving average pada RS Siti Khodijah Sepanjang

menunjukkan bahwa metode double moving average memberikan kesalahan lebih

kecil dibandingkan metode single exponential smoothing.

Kemudian penelitian yang dilakukan (Sinaga dan Irawati, 2018), yang

meneliti tentang perbandingan double moving average dengan double exponential

smoothing pada peramalan bahan medis habis pakai, menunjukkan bahwa hasil
 8

penelitian tersebut diperolehlah bahwasanya metode moving average merupakan

metode yang terbaik untuk meramalkan bahan medis habis pakai tersebut. Maka

pada penelitian ini peneliti ingin melihat perbandingan metode peramalan moving

average, exponential smoothing, trend analysis dan regresi linier terhadap

produksi crude palm oil PT. Ekadura Indonesia.

Berdasarkan latar belakang diatas maka judul penelitian yang diambil ialah

“Analisis Perbandingan Moving Average, Exponenetial Smoothing, dan Trend

Proyection pada Peramalan Produksi Crude Palm Oil PT. Ekadura

Indonesia’’.

1.2 Rumusan Masalah

Berdasarkan uraian dari latar belakang di atas, maka rumusan masalah dari

penelitian ini adalah :

1. Metode peramalan manakah yang terbaik untuk meramalkan hasil produksi

crude palm oil untuk satu tahun mendatang ?

2. Bagaimana perbandingan metode moving average, exponential smoothing, dan

trend proyection pada hasil produksi crude palm oil PT. Ekadura Indonesia ?

1.3 Tujuan Penelitian

Tujuan dalam penelitian ini adalah :

1. Untuk mengetahui metode terbaik untuk meramalkan produksi crude palm oil

PT. Ekadura Indonesia.

2. Untuk mengetahui perbandingan dari tiga metode antara moving average,

exponential smoothing, dan trend projection.

 9

1.4 Manfaat Penelitian

1. Bagi penulis, penelitian ini diharapkan dapat memberikan pengalaman,

menambah pengetahuan dan sebagai pengaplikasian ilmu yang telah diperoleh

selama kuliah.

2. Bagi pengelola, penelitian ini diharapkan dapat menjadi sebuah alternatif untuk

mengambil sebuah keputusan dalam meramalkan pengunjung.

3. Bagi pembaca, penelitian ini diharapkan dapat memberikan informasi dan

masukan bagi penelitian selanjutnya

.BAB II

TINJAUAN PUSTAKA

2.1 Pengertian Peramalan

Untuk membantu tercapainya sesuatu yang optimal diperlukan suatu cara

yang tepat, sistematis dan dapat dipertanggung jawabkan. Salah satu alat yang

diperlukan oleh manajemen dan merupakan bagian yang integral dari proses
 10

pengambilan keputusan adalah menggunakan metode peramalan (forecasting).

Menurut kamus besar bahasa Indonesia, peramalan adalah suatu teori dimana

dapat melihat (menduga) keadaan yang akan terjadi. Beberapa ahli telah

mengemukakan definisi tentang peramalan yang kelihatannya berbeda meskipun

pada intinya sama.

Menurut Heizer dan Render (2009:162), Peramalan (forecasting) adalah

seni dan ilmu untuk memperkirakan kejadian dimasa depan. Hal ini dapat

dilakukan dengan melibatkan pengambilan data historis dan memproyeksikannya

kemasa yang akan datang dengan suatu bentuk model matematis. Selain itu, bisa

juga dengan menggunakan kombinasi model matematis yang disesuaikan dengan

pertimbangan yang baik dari seorang manajer.

Ramalan (forecasting) adalah proses aktivitas meramalkan suatu kejadian

yang mungkin terjadi dimasa mendatang dengan cara mengkaji data yang ada ( M.

Nafarin, 2018). Didalam forecasting kita selalu bertujuan agar forecast yang kita

buat bisa meminimumkan pengaruh ketidakpastian terhadap perusahaan. Dengan

kata lain, forecasting bertujuan untuk mendapatkan forecast yang bisa

meminimumkan kesalahan dalam meramal (Subagyo, 2013).

Sehingga dapat disimpulkan bahwa peramalan adalah suatu cara yang

digunakan untuk memperkirakan kejadian yang akan terjadi dimasa yang akan

datang dengan melibatkan data masa lalu.

2.2 Klasifikasi Peramalan Berdasarkan Waktu

Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa

depan yang dilingkupinya. Heizer dan Render (2009:163) mengatakan bahwa

 11

peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan yang

dilingkupinya. Horizon waktu terbagi menjadi beberapa kategori:

1. Peramalan Jangka Pendek

Peramalan ini meliputi jangka waktu hingga satu tahun, tetapi umumnya

kurang dari tiga tahun.Peramalan ini digunakan untuk merencanakan pembelian,

penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi.

2. Peramalan Jangka Menengah

Peramalan jangka menengah atau intermediate umumnya mencakup

hitungan bulanan hinga tiga tahun.Peramalan ini bermanfaat untuk merencanakan

penjualan, perencanaan dan anggaran produksi, anggaran kas, serta menganalisis

bermacam-macam rencana operasi.

3. Peramalan Jangka Panjang

Umumnya untuk perencanaan masa tiga tahun atau lebih.Peramalan jangka

panjang digunakan untuk merencanakan produk baru, pembelanjaan modal, lokasi

atau pengembangan fasilitas, serta penelitian dan pengembangan (litbang).

2.3 Jenis-jenis Peramalan

Organisasi pada umumnya menggunakan tiga tipe peramalan yang utama

dalam perencanaan operasi dimasa depan, Heizer dan Render (2009:164).

a. Peramalan ekonomi (economic forecast)

Peramalan ekonomi menjelaskan siklus bisnis dengan memprediksi tingkat

inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan

dan indikator perencanaan lainnya.

b. Peramalan teknologi (technological forecast)

 12

Peramalan teknologi memperhatikan tingkat kemajuan teknologi yang

dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan

peralatan yang baru.

c. Peramalan permintaan (demand forecast)

Peramalan permintaan adalah proyeksi permintaan untuk produk atau

layanan perusahaan. Proyeksi permintaan untuk produk atau layanan suatu

perusahaan. Peramalan ini juga disebut peramalan penjualan yang mengendalikan

produksi, kapasitas, serta sistem penjadwalan dan menjadi input bagi perencanaan

keuangan, pemasaran, dan sumber daya manusia.

2.4 Peramalan Permintaan

Peramalan yang baik sangatlah penting dalam aspek bisnis.Permalan

merupakan satu-satunya prediksi mengenai permintaan hingga permintaan

sebelumnya diketahui.Peramlan ekonomi dan teknologi adalah teknik khusus

yang mungkin bukan termasuk bagian dari tugas manajer operasi, Heizer dan

Render (2009:164).

Peramalan permintaan mengendalikan keputusan dibanyak bidang. Berikut

ini akan dibahas dampak peramalan produk pada tiga aktivitas: sumber daya

manusoa, kapasitas dan manajemen rantai pasokan.

1. Sumber Daya Manusia

Memperkerjakan, melatih, dan memberhentikan pekerja bergantung pada

permintaan.Jika departemen sumber daya manusia harus mempekerjakan pekerja

tambhan tanpa adanya persiapan, akibatnya kualitas pelatihan menurun dan

kualitas pekerja menurun.

 13

2. Kapasitas

Saat kapasitas tidak mencukupi, kekurangan yang diakibatkannnya bisa

berarti tidak terjaminnya pengiriman, kehilangan konsumen dan kehilangan

pangsa pasar.

3. Manajemen Rantai Pasok

Hubungan yang baik dengan pemasok, serta harga barang dan komponen

yang bersaing bergantung pada peramalan yang akurat.

2.5 Tujuh Langkah Sistem Peramalan

1. Menetapkan tujuan peramalan

2. Memilih unsur yang akan diramalkan

3. Menentukan horizon waktu peramalan

4. Memilih jenis model peramalan

5. Mengumpulkan data yang diperlukan untuk melakukan peramalan

6. Membuat peramalan

7. Memvalidasi dan menerapkan hasil peramalan

Tujuh langkah ini menyajikan jalan yang sistematis untuk memulai,

merancang dan menerapkan sistem peramalan.Apabila sistem tersebut digunakan

untuk menghasilkan ramala berkala, maka data harus dikumpulkan secara

rutin.Kemudian, perhitungan aktualnya dibuat dengan bantuan komputer.

2.6 Pendekatan Dalam Peramalan

Heizer dan Render (2009:167), terdapat dua pendekatan umum peramalan, yaitu:

1. Peramalan kuantitatif (quantative forecast), adalah peramalan yang

menggunakan model matematis yang beragam dengan data masa lalu dan

variable sebab akibat untuk meramalkan permintaan.

 14

2. Peramalan subjektif atau kualitatif (qualitative forecast), adalah peramalan

yang menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi,

dan sistem nilai pengambil keputusan untuk meramal.

2.7 Gambaran Umum Metode Kuantitatif

Metode kuantitatif yaitu metode yang menggunakan model matematis

yang beragam dengan berdasarkan data masa lalu untuk meramalkan permintaan

dimasa yang akan datang. Ada tiga kondisi yang diterapkan pada metode ini,

yaitu:

1. Informasi mengenai keadaan pada waktu yang tersedia.

2. Informasi tersebut dapat di kuantitatifkan dalam bentuk data

numberic (angka).

3. Waktu yang akan datang (disebut asumsi kontinuitas).

Metode peramalan secara kuantitatif menurut Heizer dan Render (2009:168)

meliputi:

1. Model deret waktu

Model deret waktu membuat prediksi dengan asumsi bahwa masa depan

merupakan fungsi dari masa lalu. Denagan kata lain, mereka melihat apa yang

terjadi selama kurun waktu tertentu dan menggunakan data masa lalu tersebut

umtuk melakukan peramalan.

2. Model Asosiatif

Model asosiatif (atau hubungan sebab akibat), seperti regresi linier,

menggabungkan banyak variable atau faktor yang mungkin mempengaruhi

kuantitasa yang sedang diramalkan.

2.8 Gambaran Umum Metode Kualitatif

 15

Heizer dan Render (2009:167), ada empat teknik kualitatif yang berbeda,

diantaranya:

1. Juri dari opini eksekutif (jury of executive opinions).

Dalam metode ini, pendapat sekumpulan kecil manajer atau pakar tingkat

tinggi umumnya digabungkan dengan model statistic, dikumpulkan untuk

mendapatkan prediksi permintaan kelompok.

2. Metode Delphi (Delphi method).

Ada tiga jenis partisipan dalam metode Delphi : pengambilan keputusan,

karyawan, dan responden. Pengambilan keputusan biasanya terdiri atas 5 hingga

10 orang pakar yang akan melakukan peramalan. Karyawan membantu

pengambilan keputusan dengan menyiapkan, menyebarkan, mengumpulkan, serta

meringkas sejumlah kuisioner dan hasil survei.Responden adalah sekelompok

orang yang biasanya ditempatkan di tempat yang berbeda dimana penilaian

dilakukan. Kelompok ini memberikan input pada pengambilan keputusan sbelum

peramalan di buat.

3. Komposit tenaga penjualan (sales force composite)

Dalam pendekatan ini, setiap tenaga penjualan mempekirakan berapa

penjualan yang dapat ia capai dalam wilayahnya. Kemudian, peramalan ini dikaji

untuk memastikan apakah peramalan cukup relistis.Kemudian,peramalan tersebut

digabungkan pada tingkat wilayah dan nasional untuk mendapatkan peramalan

secara keseluruhan.

4. Survei pasar konsumen (consumer market survey)

 16

Metode ini meminta input dari konsumen mengenai rencana pembelian

mereka di masa depan. Hal ini tidak hanya membantu dalam menyiapkan

permalan, tetapi juga memperbaiki desain produk dan perencanaan produk baru.

2.9 Peramalan Deret Waktu

Deret waktu didasarkan pada urutan dari titik-titik data yang berjarak sama

dalam waktu (mingguan, bulanan, kuartalan, dan lain-lain).

a. Dekomposisi Deret Waktu

Menganalisis deret waktu berarti membagi data masa lalu menjadi

komponen-komponen, kemudian memproyeksikannya ke masa depan. Deret

waktu mempunyai empat komponen Heizer dan Render (2009;169):

1. Tren

Merupakan pergerakan data sedikit demi sedikit meningkat atau

menurun.Perubahan pendapatn, populasi, penyebaran umum, atau pandangan

budaya dapat mempengaruhi pergeakan tren.

2. Musim

Merupakan pola data yang berulang pada kurun waktu tertentu, seperti

hari, minggu, bulan atau kuartal.Ada enam pola musiman yang biasa terjadi.

3. Siklus

Merupakan pola dalam data yang terjdi setiap bebrapa tahun.Siklus ini

biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis

dan perencanaan bisnis jangka pendek.

4. Variasi Acak
 17

Merupakan satu titik khusus dalam data yang disebabkan oleh peluang dan

dak lazim.Variasi acak tidak mempunyai pola khusus sehingga tidak dapat

diprediksi.

b. Pendekatan Naif

Cara paling sederhana untuk meramala adalah berasumsi bahwa

permintaan di periode mendatang akan sama dengan permintaan pada periode

terakhir (Heizer dan Render, 2009:170).

1. Rata-rata Bergerak (moving average)

Merupakan metode yang menggunakan sejumlah data aktual masa lalu

untuk menghasilkan peramalan. Rata-rata bergerak berguna jika kita dapat

mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita

ramalkan. Secara matematis, rata-rata bergerak sederhana ( merupakan prediksi

permintaan periode mendatang ) dinyatakan sebagai berikut:

∑ permintaan pada periode n sebelumnya

Ft =
n

Keterangan :

n = jumlah periode dalam rata-rata bergerak

2. Penghalusan Eksponensial (exponential smoothing)

Merupakan metode peramalan rata-rata bergerak dengan pembobotan

yang canggih tetapi masih mudah digunakan. Metode ini menggunakan

pencatatan data masa lalu yang sangat sedikit. Rumus penghalusan eksponensial

dasar dapat ditunjukkan sebagai berikut :

Peramalan baru = peramalan periode lalu + α ( permintaan sebenarnya periode

terakhir – peramalan periode terakhir ).

 18

Dimana α adalah sebuah bobot atau konstanta penghalusan yang dipilih oleh

peramal yang mempunyai nilai antara 0 sampai 1. Persamaan tersebut dapat juga

ditulis dengan :

Ft = Ft-1 + α ( At-1 – Ft-1 )

Keterangan:

Ft = Peramalan baru

Ft-1 = Peramalan sebelumnya

α =Konstanta penghalusan ( 0 ≤ α ≤ 1 )

At-1 = Permintaan aktual periode lalu

3. Penghalusan Eksponensial dengan Penyesuaian Tren

Penghalusan eksponensial yang sederhana gagal memberikan respons

terhadap tren yang terjadi.Inilah alasan penghalusan eksponensial harus di ubah

saat ada tren.Untuk memperbaiki peramalan, maka digunakan model penghalusan

eksponensial yang lebih rumit dan dapat menyesuaikan diri pada tren yang

ada.Idenya adalah menghitung rata-rata data penghalusan eksponensial, kemudian

menyesuaikan untuk kelambatan (lag) positif atau negatif pada tren.Dengan

penghalusan eksponensial dengan penyesuaian tren, estimasi rata-rata dan tren

dihaluskan.Prosedur ini membutuhkan dua konstanta penghalusan, α untuk rata-

rata dan β untuk tren.Kemudian, dihitung rata-rata dan tren untuk setiap periode.

Ft = α (At-1) + (1-α) (Ft-1 + Tt-1)

Tt = β (Ft – Ft-1) + (1 – β) Tt-1

Keterangan :
 19

Ft = peramalan denga eksponensial yang dihaluskan dari data berseri pada periode

Tt = tren dengan eksponensial yang dihaluskan pada periode t

At = permintaan aktual pada periode t

α = konstanta penghalusan untuk rata-rata (0≤ α ≤ 1)

β = konstanta penghalusan untuk tren (0 ≤ β ≤ 1)

Jadi, terdapat tiga langkah menghitung peramalan dengan yang disesuaikan

dengan tren adalah sebagai berikut :

1. Menghitung Ft, peramalan eksponensial yang dihaluskan untuk periode t,

menggunakan persamaan Ft.

2. Menghitung tren yang dihaluskan, Tt.

3. Menghitung peramalan dengan tren, FITt, dengan rumus FITt = Ft + Tt.

4. Proyeksi Tren (trend projection)

Proyeksi tren merupakan suatu metode permalan yang mencocokan garis

tren pada serangkaian data masa lalu, kemudian memproyeksikannya garis pada

masa mendatang untuk peramalan jangka menengah atau jangka panjang.Jika kita

memutuskan umtuk membuat garis tren lurus dengan metode statistik, kita dapat

menerapkan metode kuadrat terkecil.Pendekatann ini menghasilkan sebuah garis

lurus yang meminimalkan jumlah kuadrat dari deviasi vertical garis pada setiap

hasil pengamatan aktual.

Garis kuadrat terkecil dijelaskan dengan titik potong sumbu y (di mana

grafik bersilangan dengan sumbu y ) dan kemiringannya (sudut garisnya). Jika

kita dapat menghitung titik potong sumbu y dan kemiringannya, maka kita dapat

menyatakan garisnya dengan persamaan berikut.

 20

ŷ= α+bx
Dimana :

ŷ = nilai terhitung dari variable yang akan di prediksi

α = persilangan sumbu Y

b = kemiringan garis regresi (atau tingkat perubahan pada y untuk perubahan

yang terjadi di x )

x = variable bebas ( dalam kasus ini adalah waktu ).

Kemiringan garis regresi (b) dapat ditemukan dengan persamaan berikut:

∑xy-n
b=
∑ x 2 -n 2

Dimana :

b = kemiringan garis regresi

∑ = tanda penjumlahan total

X = nilai variable bebas yang diketahui

Y = nilai variable terkait yang diketahui

a= y -b x
dimana :

y = rata-rata nilai y

x = rata-rata nilai x

2.10 Menghitung Kesalahan Peramalan

 21

Terdapat beberapa cara perhitungan yang digunakan untuk menghitung

kesalahan peramalan total. Menurut Heizer dan Render yang di terjemahkan oleh

Sungkono (2009:177), perhitungan ini dapat digunakan untuk membandingkan

model-model peramalan yang berbeda, mengawasi peramalan, dan untuk

memastikan peramalan berjalan dengan baik. Tiga dari perhitungan yang paling

terkenal menurut Heizer dan Render yang diterjemahkan oleh Sungkono

(2009:177), yaitu:

a. Deviasi Mutlak Rerata ( Mean Absolute Deviation- MAD)

Ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model

adalah MAD.Nilai ini dihitung dengan mengambil jumlah nilai absolut dari setiap

kesalahan peramalan dibagi dengan jumlah periode data (n).

(Aktual - Peramalan)
MAD ¿
n

Keterangan:

MAD = Mean Absolute Deviation

N = Jumlah Periode

b. Kesalahan Kuadrat Rerata (Mean Squered Error-MSE)

Kesalahan kuadrat rerata adalah rata-rata selisih kuadrat anatar nilai yang

diramalkan dan nilai yang diamati.Kekurangan MSE adalah MSE cenderung

menonjolkan deviasi yang besar karena adanya penguadratan.

MSE = ∑ ¿ ¿

Keterangan:
 22

MSE = Mean Squered Error

N = Jumlah Periode

c. Mean Absolute Percentage Error (MAPE)

Masalah yang terjadi dengan MAD dan MSE adalah nilai mereka

tergantung pada besarnya hal yang diramalkan. Jika unsur tersebut dihitung dalam

satuan ribuan, maka nilai MAD dan MSE dapat menjadi sangat besar.Untuk

menghindari masalah ini, kita dapat menggunakan mean absolute percent error

(MAPE).Dihitung dengan menggunakan kesalahan absolut pada tiap periode

dibagi dengan nilai observasi yang nyata untuk periode itu.Kemudian, merata-rata

kesalahan persentase absolut tersebut.Pendekatan ini berguna ketika ukuran atau

besar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan.MAPE

mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan

dengan nilai nyata. MAPE dihitung sebagai berikut:

MAPE =

N = jumlah periode

Tabel 2.1: Penelitian Terdahulu

 23

No Judul Penelitian Variabel Hasil Penelitiam

. Pengarang
Nama Jurnal
1. Forecasting Airpline Forecastin
Technologies
Ann-marie lamb, Tugrul
U. daim and Timothy R.
Anderson (2010)
Journal Foresight Vol 12
 Hasilnya memberikan
g model yang valid untuk regresi
berganda dan regresi linier pada
kisaran terbaik dan persentase
material komposit untuk
digunakan dalam peramalan
pesawat komersial.
 Namun, analisis kurva
pertumbuhan, secara komparatif,
tampaknya memberikan
perkiraan perkiraan yang paling
menarik dan fleksibel sejalan
dengan dinamika industri.

2. Expertise, Credibility of Demand  Keahliandan sistem

system forecast and Forecastin memperkirakan tingkat
integration methods in g kredibilitas didistribusikan
judgmental demand secara merata di seluruh 31
forecasting peserta yang ada. Selain itu,
distribusi metode integrasi
Jorge Alvarado Valencia, bahkan juga, tetapi ada empat
Lope H. barrero, Dilek kali lebih banyak poin dalam
onkal, and Jack T. perawatan "koreksi tidak
Dennerelien (2016) diperlukan", karena sifat dari
penelitian, di mana kebutuhan
untuk koreksi tidak diketahui
International journal of sampai satu bulan setelah data
forecasting dikumpulkan.

No Judul Penelitian Variabel Hasil Penelitian

Pengarang
Nama Jurnal
 24

3. . A conceptual model for Forecastin  Penulistelahmempresen

demand forecasting and g tasikan model konseptual untuk
service positioning in the peramalan permintaan melalui
airline industry penggunaan pendapatan zonal.

S. Srinindhi and Ajay K.  Sebagai pengakuan

Manrai (2013) atas nilai tambah yang diterima
perusahaan dengan
Journal of modeling in mengidentifikasi
management Vol. 8 No. 1
 Sifat layanan dan
tingkat kepuasan pelanggan yang
dialami,
penulis telah mempresentasikan
kerangka kerja untuk membantu
penyedia layanan untuk
memposisikan diri pada salah
satu dari empat negara yang
ditetapkan.

4. International Tourists Forecastin  Berdasarkan berbagai

Arrival to Thailand : g model peramalan non-linier
Forecasting by Non untuk jumlah kedatangan turis
Linear Model internasional ke thailand
disimpulkan bahwa dalam
Prasert Chaitip, Chukiat periode musiman yang tinggi
Chaiboonsri (2014) dapat menggunakan semua
model peramalan yang telah
Procedia Economics and ditunjukkan.
Finance  Namun, dalam
periode musiman rendah
hanya AR Maximum
Entropy Booststrap yang
dapat digunakan untuk
memprediksi jumlah.

Hasil Penelitian

No Variabel
. Judul Penelitian
Pengarang
Nama Jurnal

5. A Comparison of Various Forecastin  Metode SVM

Forecasting Method For g lebih memiliki kualitas
Autocorrelated Time peramalan yang lebih
 25

Series baik (dari segi MAPE)

dari pada metode
Kandananond, (2012) ARIMA dan semua
kategori produk.
International Journal of
Engineering Bussiness
Management

6. Analisis metode Demand  Hasil ramalan permintaan

peramalan permintaan Forecastin untuk empat bulan
terbaik produk oxycan g mendatang metode yang
pada PT. Samator Gresik terpilih yaitu metode
double exponential
Eucharistia Yacoba smoothing.
Nugraha dan I Wayan
Suletra ( 2017 )

Seminar dan Konferensi

Nasional IDEC 2017
ISSN: 2579-6429

7. Analisis Peramalan Peramalan  Metode peramalan

Penjualan dan Penjualan yang paling tepat untuk
Penggunaan Metode digunakan adalah metode regresi
Linear Programming dan linear nilai MAD dan MSE
Decision Tree Guna terkecil.

8. Mengoptimalkan  Dengan perhitungan

Keuntungan pada PT. menggunakan metode
Primajaya Pantes Garment linier programming , laba
maksimal yang dapat
Inti Sariani Jianta Djie dicapai perusahaan pada
(2013) periode berikutnya
adalah sebesar Rp.
Journal The Winners 157.089.900,00
Vol.14 No.2

No Judul Penelitian Variabel Hasil Penelitian

. Pengarang
Nama Jurnal
 26

9. Peramalan Jumlah Tamu Peramalan  Peramalan

Hotel di Kabupaten terhadap data training
Demak Menggunakan dan data testing jumlah
Metode Support Vector tamu hotel di Kabupaten
Regression Demak memberikan
akurasi yang bagus.
Desy Adiningtyas, Diah
Safitri, dan Moch. Abdul
hamid (2015)
Jurnal Gaussian Vol.4
8. Peramalan Penjualan Air Peramalan  Metode yang
Bersih dan Formulasi Penjualan terbaik untuk penjualan
Strategi Perusahaan air bersih adalah metode
Daerah Air Minum indeks musiman

Wahyu Abdullah (2014)

Jurnal Ekonomi dan Studi

Pembangunan Vol.15

10. Perbandingan doublePeramalan  Metode double

moving average dengan (double moving average dengan
double exponential
moving nilai terbaik untuk
smoothing padaaverage meramalkan bahan medis
peramalan bahan medis dan double habis pakai. Karena
habis pakai exponentia memiliki nilai error
l terkecil.
Hommy D. E. Sinaga dan smoothing)
Novica Irawati (2018)

JURTEKSI (jurnal
teknologi da sistem
informasi) Vol. IV No. 2
11. Prediksi Jumlah Tamu Peramalan  Dari sebelas
Menginap di Hotel Karlita metode yang di uji,
Internasional, Tegal, Jawa didapat MAD dan MSE
Tengah nya yang terkecil yaitu
dengan metode additive
Haryadi Sarjono dan decomposition average
Irwan Zukfkifli (2013) all.

Binus Business Review

 27

2.11 Kerangka Penelitian

Berdasarkan teori yang dikembangkan di atas, maka pengembangan

kerangka penelitian dapat dilihat seperti berikut ini :

Produksi pada tahun Produksi yang

sebelumnya akan datang
 28

BAB III

METODE PENELITIAN

3.1 Lokasi Penelitian

Guna menyesuaikan penelitian ini, terutama untuk memperoleh data-data

yang diperlukan, penulis dalam hal ini berusaha untuk mendapatkan data yang

akurat langsung dari lokasi penelitian. Yaitu pada objek PT. Ekadura Indonesia

3.2 Jenis dan Sumber Data

Data dan sumber data yang digunakan dalam penelitian ini adalah terdiri

dari dua data, yaitu data primer dan sekunder yang dikumpulkan untuk mencapai

tujuan penelitian.

a. Data Primer

Data primer adalah data yang dikumpulkan melalui pihak pertama,

biasanya dapat melalui wawancara, observasi dan lain lain (Arikunto, 2013). Data

primer adalah data dimana diperoleh secara langsung dari objek penelitian

(Sugiyono, 2010). Data primer dalam penelitian ini diperoleh dengan wawancara

dengan mengajukan beberapa pertanyaan mengenai produksi tandan buah segar di

PT. Ekadura Indonesia.

b. Data Sekunder

Data sekunder adalah data yang diperoleh dalam bentuk jadi, sudah

dikumpulkan dan diolah oleh pihak lain (Sugiyono, 2010). Data sekunder adalah

data yang diperoleh secara tidak langsung dan melalui media perantara atau

digunakan oleh lembaga lainnya yang bukan merupakan pengolahannya, tetapi

dapat dimanfaatkan dalam suatu penelitian tertentu (Ruslan, 2013). Data sekunder
 29

dalam penelitian ini diperoleh dari data yang diberikan oleh PT. Ekadura

Indonesia seperti jumlah produksi tahun sebelumnya.

3.3 Teknik Pengumpulan Data

Metode penelitian yang digunakan dalam penelitian ini adalah diskriptif

analisis, yaitu dengan mengumpulkan, menjelaskan kemudian menganalisiskan

data yang diperoleh dari lokasi penelitian untuk ditarik kesimpulan. Teknik

pengumpulan data yang digunakan dalam penelitian ini adalah :

1. Penelitian Lapangan (Field Research)

Penelitian dilakukan dengan cara mengumpulkan data-data dengan turun langsung

untuk meninjau dan meminta keterangan terhadap pihak yang terkait di lapangan,

sehingga nantinya data yang diperoleh lebih akurat.

2. Penelitian Kepustakaan (Library Research)

Data dikumpulkan dengan cara penelitian literatur yaitu dengan cara

memepelajari, meneliti, mengkaji, serta menelaah literatur yang ada kaitannya

dengan masalah dalam penelitian.

3.4 Definisi Operasional

Variabel Definisi Operasional Indikator Skala

Peramalan Peramalan adalah seni 1. Rata-rata Bergerak Rasio
Produksi dan ilmu untuk (Moving Average)
memperkirakan kejadian
dimasa depan. Hal ini 2. Penghalusan
dapat dilakukan dengan Eksponensial (Exponential
melibatkan pengambilan Smoothing)
data historis dan
memproyeksikannya 3.Trend Proyection
kemasa yang akan
datang dengan suatu 4. Mean Absolute
bentuk model matematis. percentage Error (MAPE)
(Heizer dan Render,
2009).
 30

3.5 Metode Analisis Data

Analisis data yang di gunakan dalam penelitian ini adalah metode

peramalan kuantitatif diantaranya Rata-rata bergerak (Moving Average),

Penghalusan eksponensial (Exponential Smoothing), proyeksi dengan trend dan

Regresi linier. Dari beberapa metode peramalan, dengan membandingkan metode

tersebut kemudian dipilih metode peramalan yang paling mempunyai tingkat error

yang paling kecil yang selanjutnya digunakan untuk meramalkan jumlah produksi

Crude Palm Oil PT. Ekadura Indonesia.

Untuk menghitung tingkat kesalahan menggunakan cara perhitungan yang

terkenal menurut Heizer dan Render yang diterjemahkan oleh Sungkono

(2009:177), yaitu Mean Absolute Percentage Error (MAPE).

3.5.1 Metode Peramalan Yang Digunakan

1. Rata-rata Bergerak (Moving Average)

Merupakan metode yang menggunakan sejumlah data aktual masa lalu

untuk menghasilkan peramalan. Rata-rata bergerak berguna jika kita dapat

mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita

ramalkan. Secara matematis, rata-rata bergerak sederhana ( merupakan prediksi

permintaan periode mendatang ) dinyatakan sebagai berikut:

∑ permintaan pada periode nsebelumnya

Ft =
n

Keterangan :

n = jumlah periode dalam rata-rata bergerak

 31

2. Penghalusan Eksponensial (exponential smoothing)

Metode penghalusan eksponensial merupakan metode peramalan rata-

rata bergerak dengan pembobotan yang canggih tetapi masih mudah digunakan.

Metode ini menggunakan pencatatan data masa lalu yang sangat sedikit. Rumus

penghalusan eksponensial dasar dapat ditunjukkan sebagai berikut :

Peramalan baru = peramalan periode lalu + α ( permintaan sebenarnya periode

terakhir – peramalan periode terakhir ).

Dimana α adalah sebuah bobot atau konstanta penghalusan yang dipilih oleh

peramal yang mempunyai nilai antara 0 sampai 1. Persamaan tersebut dapat juga

ditulis dengan :

∑ permintaan pada periode nsebelumnya

Ft =
n

Keterangan:

Ft = Peramalan baru

Ft-1 = Peramalan sebelumnya

α =Konstanta penghalusan ( 0 ≤ α ≤ 1 )

At-1 = Permintaan aktual periode lalu

3. Proyeksi Tren (trend projection)

Proyeksi tren merupakan suatu metode permalan yang mencocokan garis

tren pada serangkaian data masa lalu, kemudian memproyeksikannya garis pada

masa mendatang untuk peramalan jangka menengah atau jangka panjang.Jika kita

memutuskan umtuk membuat garis tren lurus dengan metode statistik, kita dapat

menerapkan metode kuadrat terkecil.Pendekatann ini menghasilkan sebuah garis

 32

lurus yang meminimalkan jumlah kuadrat dari deviasi vertical garis pada setiap

hasil pengamatan aktual.

Garis kuadrat terkecil dijelaskan dengan titik potong sumbu y (di mana

grafik bersilangan dengan sumbu y ) dan kemiringannya (sudut garisnya). Jika

kita dapat menghitung titik potong sumbu y dan kemiringannya, maka kita dapat

menyatakan garisnya dengan persamaan berikut:

ŷ= α+bx

Dimana :

ŷ = nilai terhitung dari variable yang akan di prediksi

α = persilangan sumbu Y

b = kemiringan garis regresi (atau tingkat perubahan pada y untuk perubahan

yang terjadi di x )

x = variable bebas ( dalam kasus ini adalah waktu ).

Kemiringan garis regresi (b) dapat ditemukan dengan persamaan berikut:

∑xy-n
b=
∑ x 2 -n 2

Dimana :

b = kemiringan garis regresi

∑ = tanda penjumlahan total

X = nilai variable bebas yang diketahui

Y = nilai variable terkait yang diketahui

a= y -b x
 33

dimana :

y = rata-rata nilai y

x = rata-rata nilai x

3.5.2 Menghitung Kesalahan Peramalan

Terdapat beberapa cara perhitungan yang digunakan untuk menghitung

kesalahan peramalan total. Menurut Heizer dan Render yang di terjemahkan oleh

Sungkono (2009:177), perhitungan ini dapat digunakan untuk membandingkan

model-model peramalan yang berbeda, mengawasi peramalan, dan untuk

memastikan peramalan berjalan dengan baik. Salah satu perhitungan kesalahan

tersebut yaitu :

1. Mean Absolute Percentage Error (MAPE)

Masalah yang terjadi dengan MAD dan MSE adalah nilai mereka

tergantung pada besarnya hal yang diramalkan. Jika unsur tersebut dihitung dalam

satuan ribuan, maka nilai MAD dan MSE dapat menjadi sangat besar.Untuk

menghindari masalah ini, kita dapat menggunakan mean absolute percent error

(MAPE).Dihitung dengan menggunakan kesalahan absolut pada tiap periode

dibagi dengan nilai observasi yang nyata untuk periode itu.Kemudian, merata-rata

kesalahan persentase absolut tersebut. Pendekatan ini berguna ketika ukuran atau

besar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan.MAPE

mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan

dengan nilai nyata. MAPE dihitung sebagai berikut:

MAPE =

N = jumlah periode
 34

BAB IV

GAMBARAN UMUM LOKASI PENELITIAN

4.1 Gambaran Umum PT. Ekadura Indonesia

PT. Ekadura Indonesia merupakan perusahaan perkebunan yang bergerak

dibidang pengelolaan kelapa sawit yang berdiri pada tahun 1988. Yang

beralamatkan di Sei Manding, Kelurahana Kotalama, Kec. Kunto Darussalam,

Kab. Rokan Hulu. PT. Ekadura Indonesia adalah anak perusahaan dari PT. Astra

Agroindustri yang berada di Jakarta.

PT. Ekadura Indonesia memiliki luas areal perkebunan kelapa sawit

sendiri ± 10.019 Ha dengan luas kebun tertanam seluas 9701 Ha yang terletak di

Kecamatan Kunto Darussalam. Selain memiliki areal perkebunan kelapa sawit,

PT. Ekadura Indonesia juga memiliki PKS untuk mendukung kegiatan produksi

TBS yang diterima baik dari areal perkebunan sendiri maupun dari petani peserta

plasma.

4.1.1 Identitas Perusahaan

1. Nama Perusahaan : PT. Ekadura Indonesia (EDI)

2. Jenis Badan Hukum : Perseroan Terbatas

3. Alamat Perusahaan : Sei Manding, Kelurahan Kotalama, Kecamatan

Kunto Darussalam, Kabupaten Rokan Hulu, Riau

4. Bidang Usaha : Industri Perkebunan Kelapa Sawit

5. Hak Guna Usaha (HGU) : No. 1 tahun 1988

Hak Pelepasan Kawasan Hutan : Kep. MenHutBun No. 778/Kpts-II/1999

6. Izin Usaha Tetap : SK Menteri Negara Penggerak

7. SK UKL – UPL yang disetujui : No. 007/RKL-RPL/BA/VI/95

 35

Tanggal 7 Juni 1995

8. Izin Gangguan (HO): No. 180/HK/77/2003

9. Penanggung Jawab : Maryono

10. Izin yang terkait dengan UKL-UPL :

a. Izin Pemanfaatan Limbah air ke Lahan (Izin Land Aplikasi) dari

Badan Lingkungan Hidup Kabupaten Rokan Hulu No.

660/BLH/AMDAL/2004/33 tanggal 25 Agustus 2004.

b. Izin Penyimpanan Limbah Bahan Berbahaya dan Beracun (Izin

LB3) dari Kementerian Lingkungan Hidup Republik Indonesia No.

320 Tahun 2008 tanggal 12 Juni 2008.

4.1.2 Lokasi Usaha dan atau Kegiatan

PT. Ekadura Indonesia berlokasi di Sei Manding, Kelurahan Kotalama,

Kecamatan Kunto Darussalam, Kabupaten Rokan Hulu, Propinsi Riau.

Sebelumnya wilayah ini termasuk ke dalam Kabupaten Kampar, namun semenjak

dilakukannya pemekaran wilayah maka lokasi kegiatan PT Ekadura Indonesia

masuk dalam wilayah Rokan Hulu. PT. Ekadura Indonesia bergerak dibidang

industri perkebunan kelapa sawit yang mengelola kebun seluas 10.019 Ha denga

luas kebun tertanam seluas 9.701 Ha. Secara geografis, PT. Ekadura Indonesia

berada dalam koordinat 0֯ 57’ LU 100֯ 30’ LT - 0֯ 50’ LU 100֯ 38 LT, dan

berbatasan langsung denga Desa Kota Intan, Kotalama, Muara Dilam dan Kota

Baru.

Selain kebun inti, PT. Ekadura Indonesia juga memiliki areal pencadangan

seluas 14. 050, 40 Ha (Kep. MenHutBun No. 778/Kpts-II/1999 tentang pelepasan

hutan kepada PT. Ekadura Indonesia tangal 27 September 1999). Sebagian areal
 36

ini diperuntukkan untuk pengembangan program KKPA untuk masyarakat sekitar

PT. Ekadura Indonesia, antara lain masyarakat Kotalama, Kota Intan, Muara

Dilam, Pagaran Tapah, dan Lubuk Bendahara dengan total luas areal 5.400 Ha.

4.1.3 Deskripsi kegiatan

Sebagai mana telah disampaikan sebelumnya, PT. Eka Dura Indonesia

merupakan sebuah perusahaan yang bergerak di bidang industri perkebunan

kelapa sawit dimana produk akhirnya berupa Crude Palm Oil (CPO) dan inti

sawit (kernel). Dengan luas kebun tertanam seluas 9.701 Ha, perkebunan PT.

Ekadura Indonesia dibagi menjadi 3 rayon.

1. Kebun Sei Manding, dengan luas 3.494,3 Ha, terdiri dari 5 Afdeling : OA,

OB, OC, OD, dan OF

2. Kebun Sei Kuning, dengan luas 2756,6 Ha terdiri dari 4 Afdeling : OI, OJ,

ON, OE

3. Kebun Sei Rokan, dengan luas 3.450,3 Ha, terdiri dari 5 Afdeling : OK,

OL, OM, OH, dan OG.

Hasil dari kebun berupa tanda buah segar (TBS) kelapa sawit dengan rata-

rata produksi mencapai 600-800 ton. TBS inilah yang kemudian menjadi bahan

utama perharinya yang diolah dalam pabrik pengolahan kelapa sawit berkapasitas

60 ton TBS/jam.

Saat ini tidak ada lagi kegiatan pembukaan lahan di areal PT. Ekadura

Indonesia. Kegiatan utama yang berlangsung sekarang meliputi bidang

perkebunan (perawatan tanaman dan pemanenan TBS). Sedangkan pohon-pohon

sawit tua yang ditanam tahun 1988 sudah ada yang memasuki tahapan peremajaan
 37

kembali (replanting), sehingga kegiatan pengolahan tanah, pembibitan belum

berlangsung.

Dalam pelaksanaan kegiatan pengelolaan lingkungan hidup, PT. Ekadura

Indonesia telah menerapkan sistem manajemen lingkungan ISO 14001 dan Astra

Green Company (Green Strategy, Green Process, Green Product Product dan

Green Employee) dimana hal ini menjadi panduan dari perusahaan induk PT.

Astra Internasional Tbk., yang dijalankan dalam seluruh kegiatan operasionalnya.

Sebagai pemantau dalam pelaksanaan sistem manajemen ini ialah Divisi Safety

Health Environment PT. Astra Agro Lestari Tbk., dan dari PT. Astra Internasional

Tbk., sebagai perusahaan induknya.

Secara singkat berikut ini gambaran kegiatan-kegiatan operasional yang

berlangsung di PT. Ekadura Indonesia :

4.2 Bidang Perkebunan

Kegiatan di bidang perkebunan yang berlangsung di PT. Ekadura

Indonesia secara umum meliputi kegiatan perawatan, panen, serta pengakutan

hasil ke proses berikutnya (pengolahan di pabrik). Saat ini PT. Ekadura Indonesia

sudah tidak lagi melakukan kegiatan pembukaan lahan baru, sehingga tidak ada

lagi kegiatan persiapan lahan (land clearing), pembibitan maupun penanaman

bibit kelapa sawit. Dengan kata lain PT. Ekadura Indonesia saat ini berada dalam

tahap operasional, dimana semua kegiatan perkebunan utamanya didominasi oleh

kegiatan perawatan tanaman, pemanenan TBS, serta kegiatan pengangkutan TBS

dari areal kebun menuju ke pabrik pengolahan.

Secara umum, kegiatan bidang perkebunan yang berlangsung di PT.

Ekadura Indonesia meliputi:

 38

a. Perawatan

Perawatan tanaman dibutuhkan untuk mengoptimalkan pertumbuhan

kelapa sawit. Proses perawatan ini meliputi pemupukan, pelaksaan kultur teknis,

pembersihan gulma, perawatan pokok sakit maupun terserang hama, serta

pemangkasan pelepahan sawit.

Untuk pemupukan, tanaman kelapa sawit yang dikelola diberikan pupuk

bervariasi untuk setiap tahun tanam kelapa sawit yang jumlahnya diperoleh

setelah sebelumnya dilakukan penelitian terhadap daun tanaman sawit (analisa

daun). Analisa daun ini dilakukan setiap semester secara regular dan menjadi

dasar utama untuk rekomendasi pemupukan tanaman sawit.

b. Pemanenan

Panen adalah kegiatan pengambilan tandan buah sawit matang dari pokok

sawit untuk dilakukan pengolahan lebih lanjut. TBS yang dipanen disesuaikan

dengan kriteria kematangan buah optimal agar menghasilkan buah dengan

kandungan minyak yang tinggi (rendement) serta kualitas CPO yang tinggi.

c. Pengangkutan

Kegiatan pengangkutan ialah membawa buah sawit yang telah dipanen

(TBS) dari lokasi panen (kebun) menuju ke pabrik untuk dioalah lebih lanjut.

Pengangkutan TBS selain menggunakan truk TBS milik perusahaan, juga

melibatkan truk-truk angkut TBS milik kontraktor lokal/masyarakat setempat.

Dalam hal ini kemitraan antara perusahaan dengan kontraktor lokal berjalan

dengan baik, dimana terjalin kerjasama saling menguntungkan antara perusahaan

dan masyarakat setempat. Selain itu, kegiatan pengangkutan TBS juga menyerap
 39

tenaga kerja cukup banyak mengingat tiap truk angkut TBS membutuhkan 2

orang tenaga bongkar muat.

4.3 Bidang Pengolahan (Pabrik)

Tandan Buah Segar (TBS) matang yang telah dipanen dikebun diangkut ke

pabrik untuk selanjutnya diolah. Proses pengolahan yang dilakukan di pabrik

secara umum ialah mengolah TBS sebagai bahan mentah menjadi CPO dan inti

sawit/kernel sebagai hasil akhir. Dengan kapasitas pabrik sebesar 60 ton TBS/jam,

dapat diolah TBS sebanyak 1200 ton TBS/harinya (selama 20 jam olah), namun

pada kenyataannya hanya pabrik mengolah 80% nya saja karena supply TBS

belum dapat memenuhi kapasitas terpasangnya. Selain mengolah TBS yang

dihasilkan kebun sendiri, pabrik pengolahan kelapa sawit PT. Ekadura Indonesia

juga mengolah TBS dari kebun masyarakat sekitar perusahaan dalam jumlah yang

cukup banyak (hingga 170 ton/hari).

Proses yang berlangsung dalam pengolahan TBS menjadi CPO meliputi :

a. Perebusan Buah

b. Pelumatan dan Pemerasan

c. Pemisahan minyak

d. Penampungan dan pemasaran hasil

Pada tahun 2004 lalu, pabrik kelapa sawit PT. Ekadura Indonesia

menambah 1 unit pengolahan inti sawit (Kernel Crushing Plant) berkapasitas

terpasang 100 ton inti sawit/hari dengan produk yang dihasilkan berupa Palm

Kernel Oil (PKO) dan Palm Kernel Meal (PKM). Stasiun pengolahan inti sawit

kemudian mulai beroperasi normal sejak tahun 2008 lalu inti sawit (kernel) yang

dihasilkan dengan memecah inti sawit menggunakan mesin press untuk diperoleh
 40

minyaknya Palm Kernel Oil (PKO). Dalam proses pengolahannya tidak

menggunakan air sehingga tidak dihasilkan limbah cair dari proses pengolahan

inti sawit ini.

4.4 Bidang Lainnya (Pendukung)

Selain kedua bidang kegiatan utama tadi, terdapat pula kegiatan lain yang

mendukung operasional di perkebunan PT. Ekadura Indonesia. Bidang

Administrasi, yaitu kegiatan kantor yang mengurus administrasi keuangan,

logistic, dan pengadaan barang, kepersonalian, asset dan lainnya. Kegiatan utama

bidang ini berlangsung dikantor besar yang berjarak 100 meter dari lokasi pabrik

pengolahan serta gudang sentral yang mengurusi pengadaan barang. Bidang

infrastruktur, yaitu kegiatan yang bertugas menyiapkan sarana dan prasarana

pendukung seperti perumahan karyawan, pemeliharaan jalan, pengadaan listrik

(sumber tenaga), serta bangunan pendukung lainnya. Terkait dengan stakeholder

lainnya, terdapat bidang lingkungan, keselamatan dan kesehatan kerja, serta

bidang Community Development (pemberdayaan masyarakat), dimana keduanya

terkait dengan karyawan, lingkungan hidup serta masyarakat sekitar dimana

perusahaan beroperasi.

Untuk mendukung kegiatan utama dalam bisnis perkebunan sawit, maka

untuk diperlakukan bagian khusus untuk memantau kesehatan tanaman serta

pengembangan budidayanya agar dapat menghasilkan tandan buah segar

sesuai/diatas potensinya. Oleh karena itu terdapat bidang hama dan penyakit

tanaman (HPT) yang memantau berbagai penyakit dan hama tanaman sawit serta

melakukan upaya pencegahan meluasnya penyakit dan hama tanaman melalui

upaya yang ramah lingkungan. Terdapat pula bagian riset (Research and
 41

Development) untuk menerapkan hasil-hasil penelitian sawit sekaligus

mengupayakan berbagai aplikasi inovasi baru dalam perkebunan sawit yang

berpotensi meningkatkan produksi tandan buah segar kelapa sawit.

 42

BAB V

HASIL PENELITIAN DAN PEMBAHASAN

5.1 Hasil Penelitian

Penelitian ini bertujuan untuk menganalisis data historis dengan cara

mendeskripsikan data dalam bentuk frekuensi dan lainnya. Menarik kesimpulan

tentang bagaimana untuk melakukan pendugaan terhadap produksi ataupun

permintaan minyak sawit mentah untuk masa yang akan datang. Maka, harus

mengetahui bagaimana data produksi minyak sawit mentah pada periode

sebelumnya.

Analisa yang digunakan dalam peramalan adalah metode moving average,

exponential smoothing, dan trend projection. Adapun data yang digunakan dalam

penelitian ini adalah data produksi minyak sawit mentah pada PT. Ekadura

Indonesia.

Berikut adalah data produksi minyak sawit mentah (crude palm oil) PT.

Ekadura Indonesia tahun 2015 – 2020 :

Tabel 5.1 Data Produksi crude palm oil (CPO) per Bulan pada Tahun
2015 – 2020 :
Tahun Produksi
Bulan
2015 2016 2017 2018 2019 2020

Januari 5.737.940 5.240.240 6.642.660 7.265.740 5.458.700 5.852.390

Februari 5.716.700 4.375.760 5.060.620 5.866.050 4.509.630 4.524.170

Maret 6.274.070 4.898.190 5.346.880 6.726.710 5.127.800 5.325.350

April 5.881.400 5.512.340 4.236.820 6.595.720 5.970.720 5.851.710

Mei 5.930.380 5.068.720 5.265.130 7.182.620 6.237.340 6.232.100

Juni 7.324.360 6.850.210 4.348.240 6.081.940 5.845.380 6.245.220

Juli 7.264.410 7.021.690 6.369.290 7.198.680 7.091.600 6.080.930

Agustus 8.564.850 8.253.090 6.424.760 7.032.470 7.433.110 6.125.710

 43

Tahun Produksi
Bulan
2015 2016 2017 2018 2019 2020

September 7.723.860 8.349.410 7.803.980 7.734.510 7.157.680 6.112.060

Oktober 7.251.450 7.851.200 8.808.950 7.970.470 6.923.780 7.063.090

November 4.978.410 6.904.100 7.840.860 6.211.030 5.634.780 7.110.110

Desember 7.185.780 6.883.710 8.225.280 4.843.260 4.687.730 6.875.110

Total 79.833.610 77.208.660 76.373.470 80.709.200 72.078.020 73.397.950

Sumber : PT. Ekadura Indonesia Kabupaten Rokan Hulu 2021

5.2 Analisis Peramalan

5.2.1 Metode Moving Average (rata – rata bergerak)

Pada moving average, metode peramalan ini menggunakan n rata-rata

periode terakhir data untuk meramalkan periode berikutnya. Pada metode ini

peneliti menganalisis data dengan periode satu tahunan. Menggunakan data

historis selama 6 tahun untuk meramalkan permintaan pada awal periode tahun

2021.

Peramalan menggunakan metode moving average ini bertujuan untuk

mendapatkan peramalan yang akurat dalam meraih target profit jangka panjang,

dan untuk mengurangi acakan dalam deret waktu.

Tabel 5.2 : Hasil Forecasting Metode Moving Average untuk periode 2021
Permintaan

(Produksi) Pembahasan Peramalan MAPE

Tahun (Ton)

∑PermintaanDalam
(Kesalahan/Aktual) x
(At) Periode n (Ft)
100
Sebelumnya

2015 79.833,61 - - -
 44

2016 77.208,66 - - -

2017 76.373,47 = (79.833,61 + 78.521,135 (2.147,665/76.373,47) x

77.208,66)/2 100

= 157.042,27/2 = 0,0281 x 100

=78.521,135 = 2,81

2018 80.709,02 = (77.208,66 + 76.791,065 (3.917,955/80.709,02) x

76.373,47)/2 100

=153.582,13/2 = 0,0485 x 100

=76.791,065 = 4,85

2019 72.078,02 = (76.373,47 + 78.541,245 ( 6.463,225/72.078,02) x

80.709,02)/2 100

= 157.082,47/2 = 0,0896 x 100

= 78.541,245 = 8,96

2020 73.397,95 = (80.709,02 + 77.393,52 ( 3.995,57/73.397,95) x

72.078,02)/2 100

= 154.787,04/2 = 0,0544 x 100

= 77.393,52 = 5,44

2021 - = (72.078,02 + 72.737,985 -

73.397,96)/2

= 72.737,985

Jumlah 22,06

Sumber :Hasil Data Olahan 2021

22,06
MAPE ¿ = 5,515
4

Berdasarkan tabel 5.2 diatas hasil diperoleh perkiraan atau peramalan

produksi dengan menggunakan metode moving average dapat diketahui bahwa

padal periode tahun 2021 diramalkan jumlah produksi yang akan di hasilkan

adalah sebesar 72.737,985 ton. Kemudian, dapat dilihat kembali pada tabel 5.2

bahwa hasil peramalan untuk periode 2021 mengalami sedikit penurunan

 45

dibandingkan pada periode sebelumnya yaitu dari 77.393,52 menjadi 72.737,985

dengan selisih 4.655,535 ton.

Dapat dilihat kembali pada tabel 5.2 bahwa hasil peramalan yang dihitung

dan dilakukan tidak sesuai dengan permintaan aktual yang telah didata secara

berturut-turut menurut data historis dari perusahaan selama 6 tahun. Sehingga,

perlulah dilakukan perhitungan kesalahan pada hasil peramalan.

Dapat dilihat pada tabel 5.2 diatas setelah dilakukan perhitungan tingkat

kesalahan (error) dalam peramalan, terdapat hasil perhitungan dengan Mean

Absolute Percentage Error (MAPE), yaitu sebesar 22,06 dengan rata-ratanya

5,515 persen.

5.2.2 Metode Exponential Smoothing (Penghalusan Eksponensial)

Metode analisis data yang kedua yang digunakan pada penelitian ini

adalah metode Exponential Smoothing.Metode exponential smoothing merupakan

metode peramalan rata-rata bergerak dengan menggunakan pembobotan serta

terdapat persyaratan yang harus diketahui bahwa untuk melakukan metode ini

harus tersedianya data aktual (nyata) dari periode sebelumnya yang akan diramal.

Metode exponential smoothing ini memakai perhitungan 1 periode dengan data 6

tahun.
 46

Tabel 5.3 : Hasil Forecasting Metode Exponential Smoothing dengan α = 0,05

Permintaan

Produksi Pembahasan Peramalan MAPE

Tahun T (ton)

Ft= Ft-1 + α(At-1 - (Kesalahan/Aktua

(At) (Ft)
Ft-1) l)x100

2015 1 79.833,61 - - -

F2= 79.833,61 (2.624,95/77.208,6

6) x 100
+0,05(79.833,6
1 – 79.833,61) = 0,0339 x 100
2016 2 77.208,66 79.833,61

= 79.833,61 = 3,39

F3= 79.833,61
+0,05(77.208,6 (3.328,9/76.373,47
6 – 79.833,61) ) x 100

= 79.833,61 + = 0,0435 x 100

2017 3 76.373,47 79.702,37
(-131,24)

= 4,35
= 79.702,37

F4= 79.702,37
+0,05(76.373,4 (1.173,27/80.709,2
7 – 79.702, 37) ) x 100
79.535,93
= 79.702,37 + = 0,0145 x 100
2018 4 80.709,2
(-166,44)

= 1,45
= 79.535,93

F5= 79.535,93
+ 0,05(80.709,2 (7.516,57/72.078,0
– 79.535,93) 2) x 100

= 79.535,93 + = 0,1042 x 100

72.078,02 79.594,59
2019 5 58,66

= 10,42
= 79.594,59
 47

Permintaan

Produksi Pembahasan Peramalan MAPE

Tahun T (ton)

Ft= Ft-1 + α(At-1 - (Kesalahan/Aktua

(At) (Ft)
Ft-1) l)x100

F6= 79.594,59
+0,05(72.078,0
(5.820,82/73.397,9
2 – 79.594,59)
5) x 100
= 79.594,59 +(-
375,82) = 0,0793 x 100
2020 6 73.397,95 79.218,77

= 79.218,77 = 7,93

F7= 79.218,77
+0,05(73.397,9
5 – 79.218,77)

= 79.218,77 +
2021 7 - (-291,41) 78.927,729 -

= 78.927,729

Jumlah (∑) 27,54

Sumber : Hasil Data Olahan 2021

27,54
MAPE = = 5,508
5

Dari hasil perhitungan menggunakan metode yang kedua ini untuk

meramalkan produksi crude palm oil (CPO) yaitu menggunakan metode exponential

smoothing diketahui bahwa hasil peramalan untuk periode pada tahun 2021 sebesar

78.927,729 ton. Kemudian, dari tabel 5.2.2 terlihat produksi di periode 2021
 48

mengalami penurunan dari periode sebelumnya yaitu dari 79.218,77 menjadi

78.927,729 dengan selisih 291,041.

Sama halnya dengan metode moving average, metode exponential smoothing

juga menggunakan perhitungan kesalahan pada hasil peramalan yaitu dengan

perhitungan mean absolute percentage error (MAPE). Diperoleh hasil sebesar 27,54

dengan rata-ratanya yaitu 5,508.

5.2.3 Metode Trend Projection (proyeksi tren)

Teknik ini mencocokkan garis tren pada serangkaian data masa lalu,

kemudian memproyeksikannya garis pada masa yang dating untuk peramalan jangka

menengah atau jangka panjang (Heizerdan Render, 2009). Dalam melakukan

peramalan dengan metode trend projection periode waktu yang didapat di forecast

tidak dapat dilakukan terlalu jauh dari data yang ada.

Metode trend projection digunakan hanya untuk mengetahui peningkatan atau

penurunan produksi pada crude palm oil (CPO) ditahun atau periode yang akan

datang.
 49

Tabel 5.4 : Hasil Forecasting Metode Trend Projection

Bulan X Produksi (y) X2 Xy

2015 1 79.833,61 1 79.833,61

2016 2 77.208,66 4 154.417,32

2017 3 76.373,47 9 229.120,41

2018 4 80,709,2 16 322.836,8

2019 5 72.078,02 25 360.390,1

2020 6 73.397,95 36 440.387,7

Jumlah
∑x = 21 ∑y = 459.600,91 ∑x2 = 91 ∑xy = 1.586.985,94
(∑)

Sumber : Hasil Data Olahan 2021

x rata-rata = ∑x / n

= 21/6

= 3,5

Y rata-rata = ∑y / n

= 459.600,91/6

= 76.600,15

b = ∑xy – n x y

∑x2 – n ( x )2

= 1.586.985,94 - (6) (3,5) (76.600,1517)

91 – (6) (3,5)2

= 1.586.985,94 – 1.608.603,19

91 – 73,5
 50

−21.617,25
¿
17,5

b = -1.235,27

a= y -b x = 76.600,15 – (-1.235,26) (3,5)

= 76.600,15 – (-4.323,445)

= 80.923,595

Y = 80.923,595 + (-1.235,27)x

Berikut hasil perhitungan tingkat kesalahan dengan menggunakan perhitungan

mean absolute percentage error (MAPE) untuk metode trend projection.

Tabel 5.5 : Hasil perhitungan tingkat kesalahan (error) MAPE

MAPE
Produksi
Tahun X X2 Forecast (kesalahan/aktual)
(y)
x 100

2015 1 79.833,61 1 79.688,32 0,1820

2016 2 77.208,66 4 78.453,05 1,6117

2017 3 76.373,47 9 77.217,78 1,1054

2018 4 80.709,2 16 75.982,51 5,8564

2019 5 72.078,02 25 74.747,24 3,7032

2020 6 73.397,95 36 73.512,97 0,1553

2021 7 72.274,64

Jumlah 12,614

Sumber : Hasil Data Olahan 2021

12,614
MAPE = = 2,1023
6
 51

Berdasarkan perhitungan tingkat kesalahan ( error ) diatas diperoleh hasil

MAPE mya yaitu sebesar 2,1023 persen.

Tabel 5.6 : Tabel Proyeksi Produksi Crude Palm Oil Untuk 1 Tahun yang Akan
Datang Melalui Kecenderungan Kuadrat Terkecil
Tahun (n) X 80.923,595 -1.235,27x Y

2021 7 80.923,595 -8.646,89 72.276,70

Sumber : Hasil Data Olahan 2021

Kecenderungan kuadrat terkecil adalah Y = 80.923,595 + (-1.235,27)x, untuk

memproyeksikan produksi crude palm oil atau minyak sawit mentah untuk 1 tahun

yang bisa dilihat pada tabel 5.5 diatas menunjukkan pada periode tahun 2021

proyeksi produksi sebesar 72.274,70 ton.

5.3 Pembahasan

Setelah melakukan analisis terhadap forecasting produksi crude palm oil

(CPO) atau minyak sawit mentah pada PT. Ekadura Indonesia Rokan hulu dengan

menggunakan 4 metode peramalan yaitu, moving average, exponential smoothing,

dan trend proyection. Dapat dijelaskan kembali masing-masing kelebihan maupun

keunggulan dari 4 metode ini.

Metode yang pertama yaitu moving average dengan perhitungan satu tahunan

menggunakan data historis selama 6 tahun berturut-turut yang bertujuan untuk

mendapatkan peramalan yang akurat dalam meraih profit jamgka panjang, selain itu

metode ini juga bertujuan untuk mengurangi acakan dalam deret waktu. Kemudian

metode exponential smoothing metode ini cukuip baik untuk peramalan jangka
 52

panjang dan jangka menengah terutama pada tingkat operasional suatu perusahaan

dan juga kelebihan metode ini dilihat dari data dioperasikan secara efisien.

Selanjutnya metode trend proyection digunakan hanya untuk mengetahui

peningkatan atau penurunan produksi minyak sawit mentah pada PT. Ekadura

Indonesia untuk tahun atau periode yang mendatang, pada penelitian ini akan

dilakukan peramalan untuk satu tahun mendatang dengan menggunakan data historis

selama 6 tahun berturut-turut. Dan metode regresi linier metode ini sama halnya

dengan metode trend proyection hanya untuk mengetahui peningkatan atau

penurunan produksi minyak sawit mentah.

Pada perhitungan peramalan ini juga perlu dilakukan perhitungan tingkat error

atau kesalahan pada hasil peramalannya. Dikarenakan dapat dilihat kembali pada

perhitungan 4 metode pada hasil analisis yaitu perhitungan metode moving average,

exponential smoothing, dan trend proyection untuk setiap periodenya tidak sesuai

dengan produksi aktual yang telah didata secara berturut-turut data historis

perusahaan. Perhitungan untuk mengetahui tingkat error dengan menggunakan mean

absolute percentage error (MAPE).

Masalah yang terjadi dengan MAD dan MSE adalah nilai mereka tergantung

pada besarnya hal yang diramalkan. Jika unsur tersebut dihitung dalam satuan ribuan,

maka nilai MAD dan MSE dapat menjadi sangat besar. Untuk menghindari masalah

ini, kita dapat menggunakan mean absolute percent error (MAPE). Dihitung dengan

menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang

nyata untuk periode itu. Kemudian, merata-rata kesalahan persentase absolut tersebut.
 53

Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu penting dalam

mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar kesalahan

dalam meramal yang dibandingkan dengan nilai nyata. Setelah menghitung tingkat

kesalahan (error) dalam permalan, maka berikut perbandingan dan pembahasan untuk

hasil dari analisis :

Tabel 5.10 : Perbandingan Hasil forecasting untuk tahun 2021

Metode Hasil forecasting MAPE

Produksi CPO
Moving Average 72.737,985 5,515%

Exponential Smoothing 78.927,729 5,508%

Trend Projection 72.274,64 2,1023%

Sumber : Hasil Data Olahan 2021

Berdasarkan tabel diatas dapat dilihat bahwa metode trend projection dan

regresi linier merupakan metode yang memiliki kesalahan (error) yang paling kecil

dibandingankan standar kesalahan metode yang lainnya. Kemudian metode trend

projection merupakan metode yang cocok untuk meramalkan produksi pada PT.

Ekadura untuk satu tahun mendatang.

Hasil dari tiga penelitian ini yaitu peramalan pada produksi crude palm oil

sejalan dengan penelitian yang dilakukan oleh penelititi seperti Akhmat Tohir (2011),

yang menyatakan metode trend projection yang cocok dan mendekati akurat untuk

digunakan meramalkan minyak sawit mentah (crude palm oil).

BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan
 54

Berdasarkan hasil penelitian yang dilakukan di PT. Ekadura Indonesia, maka

dapat ditarik kesimpulan penelitian ini sebagai berikut :

1. Hasil dengan menggunakan pendekatan moving average adalah sebesar 72.737,985

ton dengan tingkat kesalahan 5,515%.

2. Hasil dengan menggunakan pendekatan exponential smoothing adalah sebesar

78.927,729 ton dengan tingkat kesalahan 5,508%.

3. Hasil dengan menggunakan pendekatan trend projection adalah sebesar 72.274,70

ton dengan tingkat kesalahan 2,1023%.

4. Metode trend projection merupakan metode yang paling tepat dalam menghitung

peramalan produksi crude palm oil pada tahun 2021 yaitu 72.274,70 ton dan metode

yang memiliki tingkat kesalahan yang paling kecil.

6.2 Saran

Berdasarkan hasil pembahasan dari kesimpulan diatas, maka penulis

memberikan saran sebagai berikut :

1. Bagi perusahaan PT. Ekadura Indonesia untuk melakukan dan menerapkan

peramalan produksi setiap periodenya.

2. Bagi perusahaan sebaiknya mencoba metode forecast yang lain serta

membandingkan dengan metode yang telah penulis lakukan pada penelitian ini, untuk

mendapatkan kesalahan forecast yang lebih kecil.

 55

DAFTAR PUSTAKA

Abdullah,Wahyu. 2014. Peramalan Penjualan Air Bersih dan Formulasi Strategi

Perusahaan Daerah Air Minum. Jurnal Ekonomi dan Studi Pembangunan.

15(1): 78-96.
 56

Ananda, Dwi Ingrid dan Sidiq Siti Sofro. 2018. Persepsi Pengunjung Terhadap

Kualitas Pelayanan Di Objek Wisata Taman Rekreasi Alam Mayang Kota

Pekanbaru. Skripsi. Pekanbaru: Universitas Riau

Heizer, Jay dan Render, Barry. 2009. Manajemen Operasi Buku I Edisi 9. Jakarta:

Salemba Empat.

https://riauberbagi.blogspot.com/2016/02/wisata-alam-mayang-pekanbaru.html.

Diakses pada tanggal 10 maret 2019.

Luthans. F. 2005. Organizational Behavior. New York:McGraw-hill.

Mangkunegara. Anwar Prabu. 2002. Manajemen Sumber Daya Manusia. Bandung:

Remaja Rodaskarya.

Nugraha, Eucharista Yacoba dan I Wayan Suletra. 2017. Analisis Metode Peramalan

Permintaan Terbaik Produk Oxycan pada PT. Samator Gresik. Jurnal

Seminar dan Konferensi Nasional IDEC.

Permata, Ekie Gilang dan Nela Fitri Yani. 2015. Analisis Perbandingan Metode

Exponential Smoothing dan Metode Trend Analysis Terhadap Parameter

Tingkat Error pada Peramalan Permintaan Produk Ready Mix Concrete.

(Studi Kasus: PT. Iga Bina Mix Pekanbaru).

Prawirosentono. Suryadi. 1999. Kebijakan kinerja karyawan. Yogyakarta: BPFE.

Robbins. Stephen P. 2006. Perilaku organisasi, PT Indeks, Kelompok Gramedia,

Jakarta.
 57

Rikalbi, Sandi. 2018. Analisis Forecasting Penjualan Scuter Matic pada PT. Mitra

Pinastikha Mustika (PT. MPM Motor Pekanbaru). Skripsi. Pekanbaru:

Universitas Riau

Sarjono, Haryadi dan Irwan Zulkifli. 2013. Prediksi Jumlah Tamu Menginap di Hotel

Karlita Internasional. Jurnal Binus Business Review. 4(2): 661-675.

Shantika, Marta, Novianus dan Helmi. 2015. Perbandingan Keefektifitas Metode

Moving Average dan Exponential Smoothing Untuk Peramalan Jumlah

Pengunjung Hotel Merpati. Skripsi. Pontianak: Universitas Tanjungpura.