ANALISIS PERAMALAN PENJUALAN

MINYAK SAWIT KASAR ATAU CRUDE PALM OIL (CPO)

PADA PT. KHARISMA PEMASARAN BERSAMA (KPB)
NUSANTARA
DI JAKARTA

Akhmat Tohir

PROGRAM STUDI AGRIBISNIS

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI
SYARIF HIDAYATULLAH
JAKARTA
2011 M / 1432 H
 ANALISIS PERAMALAN PENJUALAN
MINYAK SAWIT KASAR ATAU CRUDE PALM OIL (CPO)
PADA PT. KHARISMA PEMASARAN BERSAMA (KPB)
NUSANTARA
DI JAKARTA

Oleh :
Akhmat Tohir
106092003005

Skripsi
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Pertanian pada
Program Studi Agribisnis

PROGRAM STUDI AGRIBISNIS

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI
SYARIF HIDAYATULLAH
JAKARTA
2011 M / 1432 H
 ANALISIS PERAMALAN PENJUALAN
CRUDE PALM OIL (CPO) PADA
PT. KHARISMA PEMASARAN BERSAMA NUSANTARA

Oleh:
Akhmat Tohir
106092003005

Skripsi
Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Pertanian
Pada Program Agribisnis

PROGRAM STUDI AGRIBISNIS

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI
SYARIF HIDAYATULLAH
JAKARTA
2010/1431
 PENGESAHAN UJIAN

Skripsi yang berjudul “ Analisis Peramalan Penjualan Minyak Sawit Kasar

atau Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran Bersama (KPB)
Nusantara di Jakarta” yang ditulis oleh Akhmat Tohir dengan NIM 106092003005
telah diuji dan dinyatakan lulus dalam sidang Munaqosyah Fakultas Sains dan
Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta pada tanggal
25 April 2011. Skripsi ini telah diterima sebagai salah satu syarat untuk
memperoleh gelar Sarjana Strata Satu (S1) Program Studi Agribisnis.

Menyetujui,
Penguji I Penguji II

Drs. Acep Muhib, MM Rizki Adi Puspita Sari, SP, MM

NIP. 196906052001121001 NIP. 197803292008032015

Pembimbing I Pembimbing II

Dr. Ir. Elpawati, MP Eny Dwiningsih, S.TP, M.Si

NIP. 196412041992032001

Mengetahui,
Dekan Ketua Program Studi
Fakultas Sains dan Teknologi Agribisnis

Dr. Syopiansyah Jaya Putra, M.Sis Drs. Acep Muhib, MM

NIP. 196801172001121001 NIP. 196906052001121001
 PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-

BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN
SEBAGAI SKRIPSI ATAU KARYA PADA PERGURUAN TINGGI ATAU
LEMBAGA MANAPUN.

Jakarta, Mei 2011

Akhmat Tohir
106092003005
 RINGKASAN

AKHMAT TOHIR, Analisis Peramalan Penjualan Minyak Sawit Kasar atau

Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara
di Jakarta. Dibawah bimbingan ELPAWATI dan ENY DWININGSIH.

Memprediksi penjualan yang terlalu besar dan kurang akurat dapat

mengakibatkan biaya produksi meningkat sehingga seluruh investasi yang
ditanamkan menjadi kurang efisien, oleh karena itu dibutuhkan suatu ilmu dan
kegiatan yang mampu memprediksikan penjualan yang akan datang dengan
melihat data dimasa lampau. Peramalan merupakan alat bantu yang penting dalam
perencanaan yang efektif dan efisien. PT. Kharisma Pemasaran Bersama (KPB)
Nusantara merupakan unit usaha PTPN yang memasarkan produk perkebunan
yang dihasilkan oleh PTPN di seluruh Indonesia terutama minyak sawit kasar atau
Crude Palm Oil (CPO). Produk pertanian seperti CPO merupakan produk yang
sangat fluktuatif dan perkembangannya sangat rentan terhadap perubahan dari
berbagai faktor seperti musim, permintaan dan penawaran konsumen dunia, oleh
karena itu kegiatan memprediksikan penjualan CPO dimasa datang sangat
dibutuhkan perusahaan pemasar termasuk PT. Kharisma Pemasaran Bersama
(KPB) Nusantara. Metode peramalan yang digunakan dalam penelitian ini adalah
metode peramalan kuantitatif dengan metode time series atau runtun waktu.
Penentuan metode peramalan yang baik disesuaikan dengan data yang terbentuk
berdasarkan pola data, apakah stasioner, pola trend, pola musiman atau siklis.
Peramalan penjualan yang akurat berakibat pada terpenuhinya kebutuhan
konsumen dan mendatangkan laba bagi perusahaan.
Tujuan dari penelitian ini adalah: (1) Mengetahui metode peramalan
penjualan Crude Palm Oil (CPO) yang digunakan pada PT. Kharisma Pemasaran
Bersama (KPB) Nusantara di Jakarta, (2) Menentukan metode peramalan
kuantitatif terbaik yang digunakan untuk meramalkan penjualan Crude Palm Oil
(CPO) pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta, (3)
Menganalisis tingkat peramalan penjualan Crude Palm Oil (CPO) satu tahun
mendatang menggunakan metode peramalan terbaik pada PT. Kharisma
Pemasaran Bersama (KPB) Nusantara di Jakarta.
Penelitian ini dilakukan di PT. Kharisma pemasaran Bersama (KPB)
Nusantara yang beralamat di Jl. Taman Cut Mutiah No. 11 Jakarta 10330.
Pemilihan tempat penelitian ini dilakukan dengan sengaja (purposive) dengan
pertimbangan bahwa PT. Kharisma Pemasaran Bersama (KPB) Nusantara
merupakan salah satu perusahaan pemasar Crude Palm Oil (CPO) dan merupakan
perusahaan milik negara yang bergerak dalam pemasaran komoditi perkebunan
baik ke dalam maupun luar negeri. Penelitian ini dilaksanakan pada bulan Juni -
Oktober 2010.
Berdasarkan data yang diperoleh dari perusahaan diketahui bahwa
kegiatan peramalan Crude palm Oil (CPO) dilakukan dengan metode kualitatif
dengan cara berpedoman kepada perusahaan peramalan yaitu Oil World dan
Reuters. Berdasarkan data sekunder yang diperoleh yaitu data penjualan minyak
sawit kasar atau Crude Palm Oil (CPO) tujuh tahun terakhir (data bulanan)
periode Januari 2004 sampai dengan Desember 2010, teridentifikasi bahwa
terdapat pola trend (cenderung meningkat) dan pola musiman. Pola trend
diakibatkan oleh faktor kenaikan jumlah penjualan akibat semakin meningkatnya
konsumsi minyak sawit, sedangkan pola musiman diakibatkan oleh pengaruh
musim seperti iklim, ekonomi global, hari raya keagamaan, awal dan akhir tahun.
Metode peramalan kuantitatif time series (runtun waktu) yang digunakan
adalah metode Naif (Naive), metode Rata-rata Bergerak Sederhana (Moving
Average), metode Pemulusan Eksponensial Tunggal (Single Eksponential
Smoothing), metode Pemulusan Eksponensial Ganda (Double Eksponential
Smoothing), metode Indeks Musiman, metode Tren (Trend) dan metode Boks-
Jenkins. Metode peramalan yang terpilih adalah metode yang memiliki nilai Mean
Squared Error (MSE) terkecil, yaitu metode trend kuadratik (non lenier) dengan
nilai MSE sebesar 3017854357. Nilai ramalan yang dihasilkan metode trend
kuadratik (non lenier) untuk periode 85 sampai periode 96 adalah 213913 ton,
214562 ton, 215204 ton, 215836 ton, 216461 ton, 217077 ton, 217685 ton,
218284 ton, 218875 ton, 219458 ton, 220032 ton, 220598 ton. Selain itu juga
perlu adanya antisipasi terhadap unsur musiman yang terjadi berdasarkan data
yang terbentuk yaitu pada bulan-bulan tertentu seperti awal dan akhir tahun
(Januari dan Desember), pengaruh iklim yang tidak menentu serta menjelang hari
raya keagamaan seperti bulan puasa dan natal yang diperkirakan jatuh pada bulan
Agustus dan September. Sehingga metode Indeks Musiman dapat dijadikan
alternatif kedua setelah metode Trend kuadratik (non lenier).
Penerapan hasil peramalan ini adalah perlu dilakukan rekomendasi kepada
Departemen terkait oleh PT. Kharisma Pemasaran bersama (KPB) Nusantara
terhadap peningkatan efektivitas kegiatan produksi CPO oleh PTPN dengan cara
ekstensifikasi, intensifikasi dan penanganan pasca panen atau pengolahan Tandan
Buah Segar (TBS), agar produksi CPO berlangsung optimal yang berdampak pada
peningkatan penjualan CPO pada tahun 2011.

v
 KATA PENGANTAR

Bismillahirrahmanirrahiin
Assalamu’alaikum Wr. Wb.
Puji serta syukur kita panjatkan kehadirat Allah SWT atas limpahan
nikmat dan hidayah-Nya yang diberikan kepada kita semua. Begitu pula nikmat
yang telah diberikan kepada penulis, sehingga penulisan skripsi ini dapat
terselesaikan dengan baik. Shalawat serta salam penulis junjungkan kepada Nabi
Muhammad SAW beserta keluarga, sahabat dan pengikutnya yang selalu taat
mengikuti sunah dan dan istiqomah pada jalan yang lurus.
Skripsi ini berjudul “Analisis Peramalan Penjualan Minyak sawit Mentah
atau Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran Bersama (KPB)
Nusantara di Jakarta”. Maksud dari penulisan skripsi ini adalah untuk
mendapatkan gelar Sarjana Pertanian pada Program Studi Agribisnis, Fakultas
Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta.
Penulis mengucapkan terimakasih kepada segenap pihak yang telah
membantu dalam penyusunan skripsi ini, karena tanpa mereka skripsi ini tidak
akan terselesaikan dengan baik. Ucapan terimakasih yang mendalam kepada
semua pihak yang membantu dalam penyusunan skripsi ini, terutama kepada:

1. Bapak dan Ibu penulis, Bapak Supri dan ibu Kusniyah yang telah
mendidik penulis sejak kecil hingga penulis dapat menyelesaikan
pendidikan hingga Perguruan Tinggi dengan baik. Penulis tak akan
melupakan setiap jerih payah kalian, dan semoga skripsi ini menjadi
hadiah yang terindah yang dapat penulis berikan kepada Bapak dan ibu.
Serta adikku Nia Safitri dan Andri Prastyo.
2. Bapak Dr. Syopiansyah Jaya Putra, M.Sis selaku Dekan Fakultas Sains
dan Teknologi.
3. Drs. Acep Muhib, MM selaku Ketua Program Studi Agribisnis dan
Rizki Adi Puspita Sari, SP, MM selaku Sekretaris Program Studi
Agribisnis.
 4. Dr. Ir. Elpawati, MP selaku Pembimbing I dan Eny Dwiningsih, S.TP,
M.Si selaku Pembimbing II.
5. Drs. Acep Muhib, MM selaku Penguji I dan Rizki Adi Puspita Sari, SP,
MM selaku Penguji II.
6. Drs. Gatot K. Gusti, MM selaku Manajer SDM dan umum
PT. Kharisma Pemasaran Bersama (KPB) Nusantara. Bapak Subandi, Ibu
Muji, Pak Tri, Pak Endi dan seluruh Staf PT. Kharisma Pemasaran
Bersama (KPB) Nusantara.
7. Bapak dan Ibu dosen Program Studi Agribisnis serta seluruh Staf Fakultas
Sains dan Teknologi.
8. Kak Nughni Hanafi, terimakasih atas bimbingan dan ilmu metode
peramalan serta buku dan software peramalannya yang sangat membantu
penulis.
9. Kak Dewi Rahmawati, SP. Terimakasih atas bimbingan dan luangan
waktunya untuk membantu penulis dalam kegiatan-kegiatan penyusunan
skripsi.
10. Mahasiswa Agribisnis angkatan tahun 2006 yang menjadi penyemangat
dan membantu penulis: Andi Angger, Ihsan, Ali, Ari, Syarif, Mawardi,
Andi Asmara, Feriyanto, Pedri, Puguh, Purwanto, Hamzah Farihin, Reza,
Lutfi, Dzul, Heru, Ajeng, Nia, Nisa, Wiwin, Rinrin, Rifa, Gina.

Seluruh rekan dan pihak-pihak yang telah membantu penulis yang tidak
dapat disebutkan satu persatu, terimakasih atas segala bantuanya, semoga Allah
SWT memberikan balasan pahala berlipat ganda. Amin.
Wassalamu’alaikum Wr. Wb.

Jakarta, Mei 2011

Akhmat Tohir

vii
 DAFTAR ISI

Halaman
DAFTAR ISI .............................................................................................. viii
DAFTAR TABEL ..................................................................................... x
DAFTAR GAMBAR ................................................................................. xi
DAFTAR LAMPIRAN ............................................................................. xiii

BAB I. PENDAHULUAN ..................................................................... 1

1.1. Latar Belakang .................................................................... 1

1.2. Perumusan Masalah ............................................................ 4
1.3. Tujuan Penelitian ................................................................ 5
1.4. Manfaat Penelitian .............................................................. 5
1.5. Ruang Lingkup Penelitian ................................................... 6

BAB II. TINJAUAN PUSTAKA............................................................ 7

2.1. Minyak Kelapa Sawit/Crude Palm Oil (CPO) ................... 7

2.2. Permintaan Crude Palm Oil (CPO).................................... 8
2.3. Konsep Penjualan ............................................................... 10
2.4. Peramalan ........................................................................... 12
2.4.1. Kegunaan dan Peran Peramalan ............................. 14
2.4.2. Identifikasi Pola Data Time Series ......................... 14
2.4.3. Metode Peramalan.................................................. 15
2.4.4. Metode Peramalan Time Series .............................. 18
2.4.5. Pemilihan Metode Peramalan ................................ 23

2.5. Hasil Penelitian Terdahulu .................................................. 24

2.6. Kerangka Pemikiran Penelitian ........................................... 25
2.7. Definisi Operasional............................................................ 29

BAB III. METODE PENELITIAN ........................................................ 31

3.1. Lokasi dan Waktu Penelitian .............................................. 31

viii
 3.2. Jenis dan Sumber Data ........................................................ 31
3.3. Metode Pengolahan dan Analisis Data ............................... 32

3.3.1. Analisis Kualitatif ................................................... 32

3.3.2. Analisis Kuantitatif ................................................. 32
3.3.2.1. Metode Peramalan Time Series .................. 33
3.3.2.2. Ukuran Akurasi Hasil Peramalan ............... 40

BAB IV. GAMBARAN UMUM PERUSAHAAN ................................. 42

4.1. Sejarah Berdirinya PT. KPB Nusantara .............................. 42

4.2. Visi dan Misi PT. KPB Nusantara ...................................... 43
4.3. Struktur Organisasi PT. KPB Nusantara ............................. 43
4.4. Hukum dan Legalitas PT. KPB Nusantara ......................... 45
4.5. Pemasaran Crude Palm Oil (CPO) ..................................... 45
4.5.1. Bauran Pemasaran .................................................. 45
4.5.2. Segmentasi, Targeting dan Positioning .................. 50
4.5.3. Mutu Crude Palm Oil (CPO).................................. 50

BAB V. HASIL DAN PEMBAHASAN ................................................. 52

5.1. Metode Peramalan Penjualan Crude Palm Oil (CPO)

Pada PT. KPB Nusantara ..................................................... 52
5.2. Metode Peramalan Kuantitatif Terbaik untuk Meramalkan
Penjualan Crude Palm Oil (CPO) Pada PT. KPB
Nusantara ............................................................................. 53

5.2.1. Penjualan Crude Palm Oil (CPO) Pada PT. KPB

Nusantara................................................................. 53
5.2.2. Identifikasi Pola Data Penjualan Crude Palm Oil
(CPO) ...................................................................... 54
5.2.3. Metode Peramalan Kuantitatif Penjualan Crude
Palm Oil (CPO) .................................................. 62
5.2.3.1. Metode Naif (Naive) .................................. 62
5.2.3.2. Metode Rata - rata Bergerak (Moving
Average).................................................... 63
5.2.3.3. Metode Pemulusan Eksponensial Tunggal
(Single Eksponential Smoothing)............... 65
5.2.3.4. Metode Pemulusan Eksponensial Ganda
(Double Eksponential Smoothing) ........... 67
5.2.3.5. Metode Indeks Musiman ........................... 67
5.2.3.6. Metode Tren (Trend) ................................. 68
ix
 5.2.3.7. Metode Box-Jenkins (ARIMA) ................. 71

5.2.4. Pemilihan Metode Peramalan Kuantitatif Terbaik

Penjualan CPO ...................................................... 78
5.3. Analisis Tingkat Peramalan Penjualan Crude Palm Oil
(CPO) Satu Tahun Mendatang ........................................... 82

BAB VI. KESIMPULAN DAN SARAN................................................. 86

6.1. Kesimpulan ......................................................................... 86

6.2. Saran.................................................................................... 88

DAFTAR PUSTAKA ................................................................................ 89

LAMPIRAN ............................................................................................... 91

x
 DAFTAR RIWAYAT HIDUP

Data Diri

Nama lengkap : Akhmat Tohir

Alamat : JL. Kebon Kopi Rt 02/04 No. 74 Pondok Aren,

Tangerang Selatan, 15221

Telepon : 087884440345

Tempat Tanggal Lahir : Kendal, 27 Desember 1987

Agama : Islam

Email : akhmat.tohir@yahoo.co.id

Riwayat Pendidikan

1994 – 1996 : SDN Kebonsari, Kendal, Semarang

1996 – 2000 : SDN 03 Pondok Betung, Tangerang Selatan

2000 – 2003 : SLTP Perwira, Jakarta Selatan

2003 – 2006 : SMAN 87, Jakarta Selatan

2005-2011 : Agribisnis UIN Syarif Hidayatullah Jakarta

Riwayat Organisasi

2004 – 2005 : Anggota ROHIS SMAN 87, Jakarta Selatan

2004 – 2005 : Anggota PASKIBRA Kec. Pesanggrahan, Jakarta

Selatan

2006 – 2008 : Wakil Ketua IAR SMAN 87, Jakarta Selatan

2006 – 2007 : Staf LITBANG BEM Jurusan Agribisnis

2006 – 2007 : Staf Pengembangan Usaha LDK SYAHID

Kegiatan Pelatihan

2007 : Training Organization Platform Badan Eksekutif

Mahasiswa Jurusan Agribisnis

2008 : Moderator Workshop Kultur Jaringan Acara Agri’s Event

2008 BEM Jurusan Agribisnis

2009 : Pelatihan Keterampilan Kerja MONTIR MOTOR BKM

Amanah Program PNPM Mandiri 2009

2010 : Shell LiveWIRE Bright Idea Workshop

Riwayat Pekerjaan

2006 : Panitia Agri’s Event 2007

2007 : Panitia Training Organization Platform Badan Eksekutif

Mahasiswa Agribisnis

2009 : Staf Pengajar Bimbel Cendikia

2009 : Tim Monitoring BP3KTKI

2009 : Ketua Pelaksana KKN Kel. Pisangan

2010 : Tim Reseacher Lapang ETNOMARK Consulting

2011 : Staf Manajemen NALABARCA

 DAFTAR TABEL

No. Halaman

1. Konsumsi Minyak Nabati Dunia ........................................................ 3

2. Produk Turunan Minyak Sawit/CPO .................................................. 8

3. Tenaga Kerja PT. KPB Nusantara ...................................................... 44

4. Perkembangan Harga Rata-rata CPO Lokal Tahun 2007-2010 ........... 47

5. Perkembangan Harga CPO Ekspor Tahun 2007-2010 ........................ 47

6. Daftar Pembeli CPO PT. KPB Nusantara ........................................... 49

7. Standar Mutu CPO PT. KPB Nusantara.............................................. 51

8. Rata – Rata Indeks Musiman Setiap Bulan Penjualan CPO Periode

Januari 2004 sampai Desember 2010.................................................. 58

9. Hasil Uji Regresi Volume Penjualan Terhadap Periode Waktu ........... 59

10. Perbandingan Hasil Perhitungan Metode Moving Average dengan

Ordo yang Berbeda-beda .................................................................... 64

11. Perbandingan Nilai Kesalahan Metode Single Eksponential Smoothing

dengan Nilai α Berbeda-beda ............................................................. 66

12. Perbandingan Nilai MSE Model ARIMA (0,d,q)(0,D,Q)L .................. 77

13. Nilai Perhitungan Beberapa Metode Peramalan Penjualan CPO ......... 80

14. Peramalan Penjualan CPO Periode Januari 2011 - Desember 2011

Menggunakan Metode Trend Kuadratik ............................................. 83
 DAFTAR GAMBAR

No. Halaman

1. Konsep Penjualan............................................................................... 10

2. Alur Kerangka Pemikiran Penelitian .................................................. 28

3. Grafik Pergerakan Volume Penjualan CPO

PT. KPB Nusantara ............................................................................ 56

4. Plot ACF dari Data Penjualan CPO Periode Januari 2004 sampai
Desember 2010 .................................................................................. 60

5. Grafik Trend Analysis Model Regresi Lenier ..................................... 70

6. Grafik Trend Analysis Model Regresi Non Lenier (Kuadratik) ........... 71

7. Grafik ACF Pembedaan Regular Pertama........................................... 73

8. Grafik ACF Pembedaan Musiman Pertama ........................................ 74

9. Grafik ACF Pembedaan Regular Pertama dan Pembedaan Musiman

Pertama .............................................................................................. 75

10. Grafik PACF Pembedaan Regular Pertama dan Pembedaan Musiman

Pertama .............................................................................................. 75

xii
 DAFTAR LAMPIRAN

No. Halaman

1. Struktur Organisasi PT. Kharisma Pemasaran Bersama Nusantara ..... 92

2. Daftar Volume Penjualan PT. KPBN Periode Tahun 2004 - 2010

(Ekspor dan Lokal) ............................................................................ 93

3. Hasil Uji Regresi Volume Penjualan CPO Terhadap Periode Waktu

pada PT. KPB Nusantara Periode Januari 2004 - Desember 2010 ....... 94

4. Grafik Normal Probability Plot Hasil Analisis Regresi Penjualan

Crude Palm Oil (CPO) PT. KPB Nusantara Periode Januari 2004 –
Desember 2010 .................................................................................. 95

5. Perhitungan Peramalan Penjualan CPO Menggunakan Metode Naif... 96

6. Perhitungan Metode Rata - rata Bergerak (Moving Average) dengan

Ordo 12 .............................................................................................. 98

7. Hasil Perhitungan Metode Pemulusan Eksponensial Tunggal (Single

Eksponential Smoothing) untuk Volume Penjualan CPO .................... 100

8. Hasil Perhitungan Metode Pemulusan Eksponensial Ganda (Double

Eksponential Smoothing) untuk Volume Penjualan CPO .................... 102

9. Perhitungan Peramalan Penjualan CPO Metode Least Squared .......... 104

10. Perhitungan Peramalan Penjualan CPO Metode Indeks Musiman....... 106

11. Nilai Perhitungan Peramalan Metode Trend Analysis Model Regresi

Lenier Sederhana Volume Penjualan CPO ......................................... 112

12. Perhitungan Peramalan Menggunakan Metode Trend Analysis Model

Regresi Non Lenier (Kuadratik) Volume Penjualan CPO Terhadap
Waktu ................................................................................................ 113

13. Nilai Koefisien Korelasi ACF , Grafik dan Nilai Korelasi

PACF Pembedaan Pertama Data Volume Penjualan CPO
PT. KPB Nusantara ............................................................................ 114

14. Nilai Koefisien ACF dan PACF Pembedaan Regular Pertama dan
Pembedaan Musiman Pertama............................................................ 115

xiii
15. Perhitungan Metode Box - Jenkins Tentatif Model ARIMA (0,1,q)
(0,1,Q)L untuk Peramalan Penjualan CPO PT. KPB Nusantara ........... 116

16. Grafik Fitted Line Plot Uji Statistik Metode Trend Analysis Model
Regresi Kuadratik .............................................................................. 118

17. Grafik Pergerakan Hasil Peramalan Penjualan CPO Menggunakan

Metode Trend Analysis Model Kuadratik ........................................... 119

18. Hasil Wawancara Kepada Pihak Perusahaan ...................................... 120

19. Surat Keterangan Penelitian .............................................................. 124

xiv
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Dunia usaha yang terus berubah dengan cepat, mengharuskan perusahaan

untuk mampu menganalisis lingkungan usaha dan memprediksi berbagai

kemungkinan yang terjadi di masa depan. Kegiatan meramal atau forecast masa

depan merupakan salah satu usaha perusahaan sebagai dasar pengambilan

keputusan strategis kelangsungan usaha. Selain memantau perubahan lingkungan

usaha, perusahaan juga perlu mengembangkan pengetahuan khusus tentang pasar

mereka. Perusahaan pemasar yang baik menginginkan informasi untuk membantu

mereka menginterpretasikan kinerja masa lalu dan merencanakan kegiatan masa

depan (Kotler, 2007: 123).

Kemampuan perusahaan dalam manajemen mencerminkan keberhasilan

dalam memanfaatkan peluang usaha seoptimal mungkin, sehingga dapat

menghasilkan penjualan dan laba sesuai dengan yang diharapkan (Rangkuti,

2005:1). Pemanfaatan peluang usaha dilakukan dengan mengkaji situasi saat ini

maupun masa lalu dan melihat pengaruhnya pada situasi masa yang akan datang.

Tugas penting manajemen perusahaan adalah merencanakan masa depan agar

semua kemungkinan dan peluang yang diprediksi dapat terealisasi. Penjualan

merupakan kegiatan ekonomis sebuah perusahaan untuk memperoleh hasil/laba

sesuai dengan target perusahaan. Semakin meningkatnya kebutuhan perencanaan

dalam aktivitas bisnis dan ekonomi, maka kegiatan prediksi terhadap kondisi
mendatang secara akurat semakin diperlukan. Perkembangan teknologi

komputerisasi mendukung penggunaan berbagai metode dan teknik peramalan

usaha dalam memprediksi kondisi yang akan datang sehingga dapat digunakan

untuk mempermudah kebutuhan perencanaan perusahaan.

Memprediksi penjualan yang terlalu besar dan kurang akurat

mengakibatkan biaya produksi akan meningkat sehingga seluruh investasi yang

ditanamkan menjadi kurang efisien. Oleh karena itu, untuk mengantisipasi

permasalahan tersebut dilakukan prediksi kemungkinan terjadinya penurunan atau

kenaikan penjualan pada periode yang akan datang dengan diperolehnya informasi

yang akurat sehingga perusahaan dapat mempersiapkan strategi - strategi yang

harus ditempuh menghadapi suatu kondisi tertentu (Rangkuti, 2005:1).

Berdasarkan pernyataan tersebut maka terlihat betapa pentingnya fungsi

peramalan penjualan bagi sebuah perusahaan untuk mengetahui besarnya

penjualan saat ini atau yang akan datang. Diperlukan suatu sistem peramalan

untuk memproyeksikan bagaimana dengan penjualan yang akan datang, menurut

Makridakis dkk (1999 : 3) peramalan merupakan alat bantu yang penting dalam

perencanaan yang efektif dan efisien.

Menurut Sutiyono (2009, 6) produksi minyak sawit atau Crude Palm Oil

(CPO) Indonesia pada tahun 2007 melebihi 1 juta ton, hal ini menunjukkan bahwa

kelapa sawit sebagai andalan sektor perkebunan telah menjadi sumber penghasil

devisa bagi Indonesia. Pada Kuartal I tahun 2010 total volume ekspor CPO

Indonesia meningkat 241 ribu ton menjadi 3,62 juta ton, dibandingkan dengan

periode yang sama tahun 2009 sebesar 3,38 juta ton (Rahayu, 2010: 1).

2
Peningkatan konsumsi yang signifikan terutama akan terjadi pada negara yang

sedang berkembang seperti India sebesar 6,660 juta Ton, disusul China sebesar

6,580 juta ton, Uni Eropa 5,850 juta ton, Indonesia 5,100 juta ton dan Malaysia

2,310 juta ton (PT. KPBN, 2010: 2). Konsumsi minyak nabati dunia disajikan

pada Tabel 1.

Tabel 1. Konsumsi Minyak Nabati Dunia

Tahun (Ribu Ton) Peningkatan (Ribu Ton)

Negara
2007/2008 2008/2009 2009/2010 % Volume
India 4879 6564 6660 1.44 96
China 5670 5957 6580 9.47 623
Uni Eropa 4849 5594 5850 4.38 256
Indonesia 4332 4789 5100 6.1 311
Malaysia 2449 2474 2310 -7.1 -164
Pakistan 1734 1785 1810 1.38 25
Nigeria 1228 1283 1325 3.17 42
Thailand 941 1157 1280 9.61 123
Negara lainnya 11533 11512 12131 5.1 619
Jumlah 37615 41115 43046 4.49 1931
Sumber : Oil World dalam PT. KPB Nusantara (2010: 2)

PT. Kharisma Pemasaran Bersama (KPB) Nusantara merupakan anak

perusahaan dari PT. Perkebunan Nusantara I sampai XIV dan PT. Rajawali

Nusantara Indonesia (PT. RNI) yang bergerak di bidang pemasaran komoditas

agro industri produksi PTPN I sampai dengan PTPN XIV dan PT. RNI. Komoditi

utama yang dikelola dan dipasarkan oleh PT. KPB Nusantara meliputi minyak

sawit, karet, latex, teh, kopi, coklat dan gula tetes, yang dipasarkan di dalam

maupun luar negeri. Kegiatan pemasaran seperti lelang atau tender lebih sering

dilakukan terhadap produk minyak sawit kasar atau Crude Palm Oil (CPO),

3
sedangkan kegiatan pemasaran produk lainnya dilakukan sesuai pesanan, hal ini

menunjukkan bahwa permintaan konsumen terhadap CPO PT. KPB Nusantara

cukup besar. Pemasaran CPO mencakup pasar lokal dan ekspor, permintaan CPO

yang tidak menentu perlu dilakukan peramalan penjualan yang seakurat mungkin

sehingga kebutuhan konsumen dapat terpenuhi dan mendatangkan laba bagi

perusahaan. Penelitian ini terfokus kepada komoditi Crude Palm Oil (CPO)

PT. KPB Nusantara yang diproduksi oleh PTPN I , II , III , IV , V , VI , VII ,VIII,

XIII dan XIV.

Berdasarkan hal diatas, penulis akan melakukan penelitian mengenai

peramalan penjualan minyak sawit kasar atau Crude Palm Oil (CPO) yang

dilakukan oleh PT. KPB Nusantara, sebagai salah satu cara untuk

memprediksikan penjualan satu tahun mendatang agar terpenuhinya permintaan

pasar. Oleh karena itu penelitian ini diberi judul “Analisis Peramalan Penjualan

Minyak Sawit Kasar atau Crude Palm Oil (CPO) Pada PT. Kharisma

Pemasaran Bersama (KPB) Nusantara Di Jakarta”.

1.2. Perumusan Masalah

Berdasarkan uraian diatas, maka permasalahan yang akan dibahas dalam

penelitian ini sebagai berikut:

1. Bagaimana metode peramalan penjualan Crude Palm Oil (CPO) yang

digunakan pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di

Jakarta?

4
2. Metode peramalan kuantitatif terbaik apa yang digunakan untuk meramalkan

penjualan Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran Bersama

(KPB) Nusantara di Jakarta?

3. Berapa tingkat peramalan penjualan Crude Palm Oil (CPO) satu tahun

mendatang dengan metode peramalan kuantitatif terbaik pada PT. Kharisma

Pemasaran Bersama (KPB) Nusantara di Jakarta?

1.3. Tujuan Penelitian

Berdasarkan perumusan masalah diatas maka penulis memiliki tujuan

yang hendak dicapai yaitu, sebagai berikut:

1. Mengetahui metode peramalan penjualan Crude Palm Oil (CPO) yang

digunakan pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di

Jakarta.

2. Menentukan metode peramalan kuantitatif terbaik yang digunakan untuk

meramalkan penjualan Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran

Bersama (KPB) Nusantara di Jakarta.

3. Menganalisis tingkat peramalan penjualan Crude Palm Oil (CPO) satu tahun

mendatang menggunakan metode peramalan kuantitatif terbaik pada

PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta.

1.4. Manfaat Penelitian

Berdasarkan perumusan masalah dan tujuan penelitian diatas maka

manfaat yang diharapkan penulis adalah sebagai berikut:

5
1. Perusahaan, sebagai salah satu alternatif pengambilan keputusan dalam

meramalkan penjualan Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran

Bersama (KPB) Nusantara di Jakarta.

2. Pembaca, sebagai bahan informasi dan masukan bagi penelitian selanjutnya

terutama yang sesuai dengan penelitian yaitu peramalan penjualan.

3. Peneliti, menerapkan ilmu peramalan (forecasting) yang telah dipelajari

sewaktu kuliah Manajemen Produksi dan Operasi serta memenuhi persyaratan

untuk mendapatkan gelar Strata Satu (S1).

1.5. Ruang Lingkup Penelitian

Ruang lingkup penelitian adalah mengamati kegiatan peramalan

penjualan Crude Palm Oil (CPO) pada PT. KPB Nusantara dan melakukan

pengambilan data penjualan CPO tujuh tahun terakhir yaitu dimulai Januari 2004

sampai dengan Desember 2010. Data tersebut akan digunakan untuk mengetahui

besarnya penjualan CPO satu tahun mendatang yang dilakukan oleh PT. KPB

Nusantara. Pengamatan peramalan penjualan CPO dilihat melalui nilai kesalahan

yang terbentuk yaitu nilai Mean Squared Error (MSE), nilai Mean Absolute Error

(MAE) dan nilai Mean Absolute Percentage Error (MAPE), sedangkan untuk

mengetahui keakuratan hasil peramalan dilihat dari nilai MSE yang dihasilkan

metode peramalan time series yang digunakan. Karena semakin kecil nilai MSE

maka metode peramalan semakin akurat.

6
 BAB II
TINJAUAN PUSTAKA

2.1. Minyak Kelapa Sawit/Crude Palm Oil (CPO)

Crude Palm Oil (CPO) atau minyak kelapa sawit kasar berasal dari daging

buah (mesocarp) kelapa sawit yang berwarna merah. Keunggulan minyak sawit

selain tersusun dari asam lemak tidak jenuh dan asam lemak jenuh, juga

mengandung beta karoten atau pro-vitamin A dan pro-vitamin E (tokoferol dan

tokotriol) yang sangat diperlukan dalam proses metabolisme dalam tubuh manusia

dan sebagai antioksidan. Hasil pengolahan kelapa sawit dapat dikelompokkan

menjadi bahan makanan, bahan non makanan, bahan kosmetika dan farmasi

(Mangoensoekarjo dan Haryono, 2003: 67).

Menurut Pardamean (2008: 231), minyak kelapa sawit dapat diolah

menjadi bahan makanan seperti mentega, lemak untuk masakan (shortening),

bahan tambahan coklat, bahan baku es krim, pembuatan asam lemak, vanaspati,

bahan baku berbagai industri dan bahan makanan ternak. Selain itu kegunaan

minyak sawit juga digunakan sebagai bahan kosmetik dan obat-obatan yaitu

sebagai krim, shampo, lotion, dan vitamin-A. Selain dikembangkan sebagai

minyak goreng, minyak sawit dapat diaplikasikan untuk mensintesis berbagai

produk pangan karena kandungan mikronutrien yang tinggi seperti karotenoid

(500-700 ppm) dan vitamin E (1000 ppm). Minyak Sawit mentah atau CPO

dikenal kaya akan mikronutrien, terutama karotenoid (provitamin A) dan

sitosterol. Minyak sawit kasar atau Crude Palm Oil (CPO) berwarna merah-
kecoklatan menandakan kandungan karotenoid yang tinggi. Produk turunan dari

minyak sawit disajikan pada Tabel 2.

Tabel 2. Produk Turunan Minyak Sawit /CPO

Minyak sawit /CPO

Pangan Oleokimia( non-pangan)

1. Minyak goreng (olein) 1. Stearin
2. Margarin 2. Sabun
3. Lemak kue 3. Asam lemak
4. Vanaspati 4. Gliserin
5. Cocoa 5. Detergen
6. Butter substitute 6. Pelumas
7. Plasticizer
8. Kosmetika
9. BBM
10. Pro-vitamin A
11. Pro-vitamin E
Sumber : Mangoensoekarjo dan Haryono Diolah (2003: 71)

2.2. Permintaan Crude Palm Oil (CPO)

Permintaan CPO dunia dalam 5 (lima) tahun terakhir ( tahun 2001-2005),

rata-rata tumbuh sebesar 9,92% (Tryfino, 2006: 1). China dengan Indonesia

merupakan negara yang paling banyak menyerap CPO dunia. Selain itu negara

Uni Eropa juga termasuk konsumen besar pengkomsumsi CPO di dunia. Faktor

yang mendukung terjadinya permintaan CPO seperti pertumbuhan penduduk,

pertumbuhan industri hilir, perkembangan energi alternatif. Malaysia dan

Indonesia diprediksikan akan terus menjadi pemain utama dalam ekspor CPO ini,

mengingat belum ada perkembangan yang signifikan dari negara pesaing lainnya.

Bahkan Indonesia diprediksikan akan menyalip Malaysia baik dalam produksi

maupun ekspor CPO, karena didukung oleh luas lahan yang tersedia dimana

8
Malaysia sudah mulai terbatas. Sutiyono (2009: 3) menyatakan total produksi

CPO dunia pada tahun 2008 adalah 43.1 juta ton yang sebagian besar berasal dari

Indonesia dan Malaysia.

Menurut Rawendra (2009: 1), data Oil World menunjukkan produksi CPO

Indonesia dan Malaysia untuk 2010 diprediksikan mencapai masing-masing 22,50

juta ton dan 18 juta ton dengan produktivitas sebesar 3,91 ton/ha dan 4,47 ton/ha,

sedangkan produksi CPO dunia untuk periode 2010 diprediksikan akan meningkat

sebesar 5,3% menjadi 47,52 juta ton. Hal ini sejalan dengan bertambahnya lahan

menghasilkan yang meningkat 5,4% dari 12,8 juta ha menjadi 12,83 juta ha. Di

tahun 2010, diperkirakan harga CPO akan naik terutama di semester 1 karena

faktor ketatnya persediaan edible oil di dunia dan kemungkinan naiknya harga

minyak mentah. Diperkirakan pada semester 2 pergerakan harga CPO akan flat

hingga akhir tahun.

Peningkatan permintaan CPO sejalan dengan pertumbuhan ekonomi dan

jumlah penduduk, permintaan terhadap CPO akan terus meningkat terutama dari

China dan India (Sutiyono. 2009: 7). Sampai dengan bulan Juni 2009 impor China

dan India masing-masing mengalami peningkatan sebesar 4.8% dan 36.2%

dibandingkan periode yang sama tahun lalu. Menurut Susila (2010: 5-6) konsumsi

CPO tahun 2010 diperkirakan akan berkisar antara 31.73 – 32.97 juta ton.

Selanjutnya, sampai dengan akhir fase kedua (2017), konsumsi akan berkisar

antara 36.80 – 39.28 juta ton. Pada akhir fase ketiga, konsumsi CPO dunia

diperkirakan akan berkisar antara 41.45 – 44.45 juta ton.

9
 Departemen Pertanian Amerika dalam Sutiyono (2009: 7) memperkirakan

konsumsi CPO dari China dan India akan tumbuh masing-masing sebesar 9,1%

dan 7.0 % di tahun 2010. Dengan demikian konsumsi domestik kedua negara

tersebut diperkirakan sekitar 11.4 juta ton atau sebesar 25.7 % dari jumlah total

konsumsi.

2.3. Konsep Penjualan

Konsep penjualan menyatakan bahwa konsumen tidak akan membeli suatu

produk organisasi dalam jumlah cukup kecuali jika organisasi tesebut melakukan

usaha penjualan dan promosi berskala besar ( Kotler dan Amstrong, 2004: 21).

Konsep itu biasanya dilakukan pada barang yang tidak dicari (unsought goods)

barang yang oleh pembeli biasanya tidak terpikir untuk dibeli, seperti ensiklopedia

atau asuransi.industri tersebut harus mahir melacak calon pelanggan dan menjual

manfaat produk tersebut kepada mereka. Konsep penjualan ditampilkan pada

Gambar 1.

Titik awal Fokus Sarana Sasaran akhir

Pabrik Produk Pejualan Laba melalui
Yang ada dan promosi volume penjualan

Gambar 1. Konsep Penjualan

Sumber : Kotler dan Amstrong (2004 :21)

Menurut Siegel dan Shim dalam Kurdi (1999: 404), penjualan adalah

penerimaan yang diperoleh dari pengiriman barang dagangan atau dari

penyerahan pelayanan dalam bursa sebagai barang pertimbangan. Pertimbangan

ini dapat dalam bentuk tunai peralatan kas atau harta lainnya. Pendapatan dapat

10
diperoleh pada saat penjualan, karena terjadi pertukaran, harga jual dapat

ditetapkan dan bebannya diketahui. Penjualan adalah usaha yang dilakukan

manusia untuk menyampaikan barang yang telah dihasilkannya kepada mereka

yang membutuhkannya dengan imbalan uang menurut harga yang ditentukan, atas

persetujuan bersama (Sutamto dalam Rokhah, 2004: 8). Perusahaan pada

umumnya mempunyai tiga tujuan dalam penjualan yaitu mencapai volume

penjualan, mendapatkan laba tertentu, dan menunjukan pertumbuhan perusahaan.

Untuk meningkatkan penjualan ada bermacam jenis kegiatan efektif yang

dilakukan termasuk didalamnya adalah promosi.

Promosi penjualan yang dilakukan oleh penjual dapat dikelompokkan

berdasarkan tujuan yang ingin dicapai (Kotler dan Keller, 2007: 98-100).

Pengelompokkan tersebut sebagai berikut:

1. Customer promotion, yaitu promosi yang bertujuan untuk mendorong atau

merangsang pelanggan untuk membeli.

2. Trade promotion, yaitu promosi penjualan yang bertujuan untuk merangsang

atau mendorong pedagang grosir, pengecer, eksportir dan importir untuk

memperdagangkan barang/jasa dari sponsor.

3. Sales-force promotion, yaitu promosi penjualan yang bertujuan untuk

memotivasi armada penjualan.

4. Business promotion, yaitu promosi penjualan yang bertujuan untuk

memperoleh pelanggan baru, mempertahankan kontrak hubungan dengan

pelanggan, memperkenalkan produk baru, menjual lebih banyak kepada

pelanggan lama dan mendidik pelanggan.

11
 Menurut Stewart (1995: 10), perencanaan penjualan merupakan suatu

sikap, pikiran dan juga merupakan proses yang dirancang untuk:

1. Meramal kecenderungan-kecenderungan masa depan yang mempengaruhi

usaha.

2. Mempengaruhi tujuan yang seharusnya dicapai.

3. Menjelaskan bagaimana kita merencanakan pencapaian sasaran-sasaran

perusahaan.

4. Memberi umpan balik bagaimana kita akan melakukan usaha-usaha

dibandingkan dengan rencana.

5. Bertindak bukan bereaksi.

6. Memusatkan pada kegiatan-kegiatan untuk mencapai hasil.

2.4. Peramalan

Peramalan adalah proses untuk memperkirakan berapa kebutuhan di masa

datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan

lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa

(Nasution. 2006: 235). Render dan Heizer (2001: 136), menyatakan peramalan

adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan. Salah satu

jenis peramalan adalah peramalan permintaan/penjualan. Peramalan permintaan

merupakan tingkat permintaan produk – produk yang diharapkan akan terealisasi

untuk jangka waktu tertentu pada masa yang akan datang. Ramalan penjualan

merupakan proses aktivitas memperkirakan produk yang akan dijual dimasa

12
mendatang dalam keadaan tertentu dibuat berdasarkan data-data yang pernah

terjadi atau mungkin terjadi (Nafarin, 2007: 96).

Peramalan adalah suatu proses memperkirakan secara sistematik tentang

apa yang terjadi dimasa depan berdasar informasi masa lalu dan sekarang yang

dimiliki agar kesalahannya (selisih antara apa yang terjadi dengan hasil perkiraan)

dapat diperkecil (Mulyono, 2000: 1). Handoko (2000: 260), menyatakan esensi

peramalan adalah memperkirakan peristiwa-peristiwa diwaktu yang akan datang

atas dasar pola-pola waktu yang lalu dan penggunaan kebijakan terhadap

proyeksi-proyeksi dengan pola-pola di waktu yang lalu.

Menurut Render dan Heizer (2001: 46), jika dilihat dari jangka waktu

ramalan yang telah disusun, maka peramalan dapat dibedakan menjadi 3 macam,

yaitu:

1. Peramalan jangka pendek, yaitu peramalan yang memiliki rentang waktu satu

tahun tetapi umumnya kurang dari tiga bulan. Peramalan jangka pendek

digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga

kerja, penugasan dan tingkat produksi.

2. Peramalan jangka menengah, biasanya berjangka tiga bulan hingga tiga tahun.

Peramalan ini sangat bermanfaat dalam perencanaan penjualan, perencanaan

dan penganggaran produksi, penganggaran kas, dan menganalisis berbagai

rencana operasi.

3. Peramalan jangka panjang, yaitu peramalan yang memiliki rentang waktu

biasanya tiga tahun atau lebih, digunakan dalam merencanakan produk baru,

13
 pengeluaran modal, lokasi fasilitas, atau ekspansi dan penelitian serta

pengembangan.

2.4.1. Kegunaan dan Peran Peramalan

Permintaan suatu produk pada suatu perusahaan sangat dipengaruhi oleh

berbagai faktor lingkungan yang saling berinteraksi dalam pasar yang berada di

luar kendali perusahaan. Dimana faktor – faktor lingkungan tersebut juga akan

mempengaruhi peramalan. Berikut ini merupakan beberapa faktor lingkungan

yang mempengaruhi peramalan (Yamit, 2005: 48), yaitu:

1. Kondisi umum bisnis dan ekonomi

2. Reaksi dan tindakan pesaing

3. Tindakan pemerintah

4. Kecenderungan pasar

5. Siklus hidup produk

6. Gaya dan mode

7. Perubahan permintaan konsumen

2.4.2. Identifikasi Pola Data Time Series

Menurut Firdaus (2006: 2), salah satu instrumen yang digunakan untuk

mengekplorasi pola data adalah koefisien autokarelasi (rk), yaitu korelasi antara

nilai peubah yt dengan nilai beda kalanya (lag) yaitu yt-1. Kumpulan rk untuk

berbagai tingkatan beda kala disebut Autocorrelation Function (ACF). ACF dapat

digunakan untuk mengidentifikasi apakah data itu trend, stasioner, variasi

14
musiman, siklus. Trend adalah komponen data deret waktu yang menunjukkan

peningkatan atau penurunan dalam jangka panjang selama periode waktu yang

diamati, variasi musiman adalah fluktasi data yang berulang setiap beberapa hari,

minggu atau bulan karena faktor cuaca, hari raya dan lainnya. Siklus adalah

fluktuasi seperti gelombang disekitar trend, dengan kata lain pola musiman dalam

jangka lebih panjang yang berulang biasanya setiap lima sampai sepuluh tahun.

Unsur stasioner adalah fluktuasi data dimana relatif konstan walaupun ada

kenaikan atau penurunan, jika dirata-ratakan masih berada pada titik rata-rata.

Cara selanjutnya adalah identifikasi terhadap pola atau perilaku

Autocorrelatinal Function (ACF) dan Parsial Autocorrelation Function (PACF).

Suatu deret data non musiman dikatakan stasioner jika koefisien autokorelasinya

nol untuk semua tingkatan beda kala. Series juga dapat dikatakan stasioner bila

koefesien autokorelasinya berbeda nyata dengan nol hanya pada beberapa kala

pertama (k≤5) (Firdaus, 2006: 23).

2.4.3. Metode Peramalan

Menurut Nasution (2006: 242) secara umum, peramalan diklasifikasikan

menjadi 2 macam, yaitu:

1. Peramalan yang bersifat subjektif. Peramalan subjektif lebih menekankan pada

keputusan-keputusan hasil diskusi, pendapat pribadi seseorang dan intuisi

yang meskipun kelihatanya kurang ilmiah tetapi dapat memberikan hasil yang

baik, peramalan subjektif ini akan diwakili oleh metode Delphi dan metode

penelitian pasar.

15
2. Peramalan yang bersifat objektif, merupakan prosedur peramalan yang

mengikuti aturan-aturan matematis dan statistik dalam menunjukkan

hubungan antara permintaan dengan satu atau lebih variabel yang

mempengaruhinya. Peramalan objektif terdiri dari dua metode yaitu, metode

intrinsik dan ekstrinsik.

Metode peramalan dapat diklasifikasikan menjadi dua metode kualitatif

dan metode kuantitatif (Firdaus. 2006: 1). Peramalan kualitatif didalam

prosedurnya melibatkan pengalaman, judgements maupun opini dari sekelompok

orang yang pakar dibidangnya. Teknik kualitatif terdiri dari teknik sales-force

composite (agregasi ramalan dari setiap individu dalam suatu organisasi) dan

teknik delphi (untuk mengumpulkan individu dalam suatu organisasi). Metode ini

cocok untuk peramalan dalam jangka panjang lebih dari 5 tahun.

Menurut Makridakis dkk (1999: 10) menyatakan bahwa pendekatan

kualitatif dibagi menjadi dua bagian, yaitu metode eksploratoris dan normatif.

Metode ekploratoris seperti delphi, kurva-s analogi dan penelitian morfologis,

metode normatif seperti matriks keputusan, pohon relevansi, dan analisis sistem,

dimulai dengan menetapkan sasaran dan tujuan yang akan datang, kemudian

bekerja mundur untuk melihat apakah hal ini dapat dicapai, berdasarkan kendala,

sumberdaya, dan teknologi yang tersedia. Kelemahanya adalah tidak ada prosedur

yang sistematis untuk mengukur dan memperbaiki keakuratan hasil peramalan

serta kemungkinan tingginya subjektivitas pendapat.

Peramalan kuantitatif melibatkan analisis statistik terhadap data-data yang

lalu (Firdaus. 2006: 1). Metode peramalan kuantitatif terbagi atas dua golongan

16
yaitu model deret waktu satu ragam dan metode kausal. Model deret waktu satu

ragam fokus pada observasi terhadap urutan pola data secara kronologis suatu

peubah tertentu, sebagai contoh teknik naif, perataan, pemulusan, dekomposisi,

trend, metodologi Box-Jenkins (ARIMA-SARIMA) dan ARCH-GARCH. Model

kausal fokus pada identifikasi dan determinasi hubungan antar variabel yang akan

diramalkan, yang tergolong dalam metode ini antara lain teknik regresi, model

ekonometrika dan input output. Model deret berkala (time series), pendugaan

masa depan dilakukan berdasarkan masa lalu dari suatu variabel dan/atau

kesalahan masa lalu. Tujuan metode peramalan deret berkala (time series) adalah

menemukan pola dalam deret data historis dan mengekstrapolasikan pola tersebut

ke masa depan. Makridakis dkk (1999: 9), model kausal mengasumsikan bahwa

faktor yang diramalkan menunjukkan suatu hubungan sebab-akibat dengan satu

atau lebih variabel bebas. Maksud dari metode kausal adalah menemukan bentuk

hubungan tersebut dan menggunakannya untuk meramalkan nilai mendatang dari

variabel tak bebas.

Terdapat dua hal yang harus diperhatikan untuk mendapatkan peramalan

yang akurat yaitu pertama pengumpulan data secara baik, dan kedua peramalan

dengan teknik yang tepat. Oleh karena itu perlu dilakukan langkah-langkah secara

berurutan (Firdaus, 2006: 1- 2), yaitu:

1. Menentukan tujuan peramalan dan peubah yang dianalisis

2. Mengumpulkan data

3. Membuat dan menentukan pola data

4. Estimasi model dan menghitung nilai yang akan diramalkan

17
5. Evaluasi hasil estimasi

Metode yang akan dibahas dalam penelitian ini adalah menggunakan

peramalan yang akan terjadi pada masa mendatang secara kuantitatif yaitu dengan

menggunakan metode time series (runtun waktu).

2.4.4. Metode Peramalan Time Series

Menurut Firdaus (2006: 2), metode peramalah kuantitatif terdiri dari dua

golongan, model deret waktu satu rangam dan model kausal. Model deret waktu

satu ragam (time series) fokus pada observasi terhadap urutan pola data secara

kronologis suatu peubah tertentu sebagai contoh teknik Naif, Perataan,

Pemulusan, Dekomposisi, Trend, Metodologi Box-Jenkins (ARIMA-SARIMA)

dan ARCH-GARCH. Mulyono (2000: 91), metode peramalan time series

didasarkan atas penggunaan analisa pola hubungan variabel yang akan

diperkirakan dengan variabel waktu yang merupakan data deret waktu (time

series). Tujuan metode time series ialah menemukan pola dalam deret waktu dan

mengekstrapolasikan data tersebut ke masa depan. Metode-metode yang

digunakan dalam peramalan time series terdiri dari beberapa metode, yaitu:

a. Metode Naif (Naive)

Menurut Firdaus (2006: 5) metode naif berdasarkan asumsi bahwa periode

saat ini merupakan prediktor terbaik dari masa mendatang. Metode ini merupakan

metode sederhana karena perhitungannya dengan menggunakan data yang lewat

(past data) yang dijadikan sebagai ramalan waktu mendatang. Metode naif cocok

pada pola data stasioner. Menurut Mulyono (2000: 126) metode naif ini dianggap

18
bahwa dimasa datang suatu sistem cenderung mempertahankan momentum

(enggan berubah dari) masa silam.

b. Metode Rata-rata Bergerak (Moving Average)

Menurut Firdaus (2006: 6), menyatakan metode perataan digunakan bila

peramalan dilakukan secara berulang-ulang untuk data yang tidak terlalu besar.

Teknik ini digunakan untuk memasukkan informasi terbaru, setiap ada informasi

terbaru akan diperoleh dengan menghilangkan informasi terlama dengan

memasukkan informasi terbaru, pada teknik ini semua informasi dibobot sama.

Teknik ini baik untuk data stasioner. Kelebihan metode ini adalah jumlah data

yang dimasukkan ke dalam nilai rataan fleksibel sehingga dapat divariasikan

sesuai dengan pola datanya. Selain itu metode ini mudah dipahami.

Kelemahannya, metode ini hanya baik untuk data stasioner yang cenderung

bergerak tidak menaik atau menurun.

c. Metode Pemulusan Eksponensial Tunggal (Single Eksponensial Smoothing)

Metode ini baik diterapkan pada serial data yang memiliki pola stasioner

dan kemungkinan tidak efektif dalam menangani peramalan dengan

kecenderungan data yang memiliki komponen trend dan pola musiman. Hal ini

dikarenakan jika diterapkan pada serial data yang memiliki trend yang konsisten,

ramalan yang dibuat akan selalu berada dibelakang trend. Selain itu, metode

eksponensial ini juga memberikan bobot yang relatif lebih tinggi pada nilai

pengamatan terbaru dibanding nilai-nilai periode sebelumnya. Metode ini

menggunakan nilai α. Firdaus (2006: 10) menyatakan hasil peramalan tergantung

pada besarna α. Nilai α yang besar biasanya cocok untuk ramalan yang

19
menghendaki respon yang cepat. Mencari nilai α yang tepat umumnya dapat

ditentukan dengan pengujian trial and error (coba-coba) terhadap α yang berbeda-

beda untuk menemukan nilai α yang menghasilkan nilai kesalahan terkecil.

d. Metode Pemulusan Ekponensial Ganda (Double Eksponensial Smoothing)

Metode double eksponential smoothing memiliki dasar pemikiran yang

sama dengan rata-rata bergerak linier. Terkait dengan itu, penerapan metode

double eksponential smoothing ini cukup baik untuk deret data yang memiliki

unsur trend. Metode double eksponential smoothing memproses time series yakni

dengan mengekstrapolasi data atas dasar trend terakhir yang terbentuk, sehingga

ramalan yang akan terlihat nantinya cenderung ke satu arah yakni sesuai dengan

arah trend terakhir.

e. Metode Perhitungan Indeks Musiman

Menurut Handoko (2000: 278), perhitungan indeks musiman dapat

dihitung dengan mencari nilai rata-rata berbagai rasio penjualan kuartal nyata

terhadap nilai garis trend untuk setiap periode. Menurut Rangkuti (2005: 13)

indeks musiman perlu dilakukan untuk mengetahui secara jelas apakah data time

series yang dimiliki mengandung unsur musiman atau tidak.

f. Metode Tren (Trend)

Peramalan menggunakan metode trend sudah sangat umum dilakukan

dalam perusahaan bisnis, hal ini dikarenakan banyaknya data ekonomi dan bisnis

yang mengandung unsur trend yang meningkat atau menurun.

Menurut Firdaus (2006: 14), model regresi merupakan teknik yang paling

banyak digunakan dalam pemodelan trend lenier, sedangkan model regresi lenier

20
kubik dan kuadratik menggunakan model regresi berganda. Proses meregresikan

peubah dependen terhadap waktu akan memperoleh koefisien regresi dari model

trend. Menurut Iriawan dan Septian (2006: 199) model regresi memiliki variabel

respons (variabel dependen) dan variabel prediktor (variabel independen).

Variabel respon adalah variabel yang dipengaruhi suatu variabel prediktor dan

peneliti tidak bebas mengendalikannya, variabel prediktor digunakan untuk

memprediksi nilai variabel respons dan peneliti bebas mengendalikannya.

g. Metode Box-Jenkins (ARIMA)

Menurut Firdaus (2006: 19), ARIMA merupakan bagian dari analisis deret

waktu satu ragam (time series), ARIMA atau autoregressive integrated moving

average. Mulyono (2000: 147), menyatakan metode Box-Jenkins merupakan

suatu prosedur interatif memilih model terbaik untuk series yang stasioner dari

suatu kelompok model time series lenier. Metode ARIMA adalah metode yang

tepat untuk mengatasi terlalu rumitnya deret waktu (terdapat variasi dari pola

data) dan situasi peramalan lainnya.

Menurut Firdaus (2006: 19) prosedur Box-Jenkins terdiri dari beberapa

tahapan, yaitu:

1. Identifikasi. Pada tahap ini dilakukan identifikasi terhadap tiga hal, yaitu

terhadap pola data, apakah terdapat unsur musiman atau tidak. Kedua,

identifikasi terhadap kestasioneran data. Ketiga, identifikasi terhadap pola atau

perilaku ACF dan PACF. ACF (Autocorrelation Function) adalah hubungan

antara nilai suatu variabel dengan nilai lampaunya, dapat dengan masa

tenggang (lag) satu atau lebih. Koefisien autocorrelation berkisar antara -1

21
 dan +1, dimana 0 menunjukkan tidak ada hubungan. PACF (Partial

Autocorrelation Function) adalah hubungan antara nilai suatu variabel dengan

nilai yang lebih awal daari varabel itu, jika pengaruh nilai-nilai diantaranya

(lainnya) dihilangkan. Sebagai contohnya jika ingin diketahui hubungan pada

variabel di periode ke satu dengan periode ke empat, maka pengaruh dari

periode kedua dan ketiga dihilangkan.

2. Estimasi model. Pada tahap estimasi, pertama-tama dihitung nilai estimasi

awal untuk parameter-parameter dari model tentatif. Untuk menghitung nilai

estimasi awal, biasanya digunakan nilai 0 atau 1 sebagai koefisien estimasi

untuk masing-masing parameter.

3. Evaluasi model. Setelah diperoleh persamaan untuk model tentatif, dilakukan

uji diagnostik untuk menguji kedekatan model dengan signifikansi dan

hubungan-hubungan parameter. Jika ada hasil yang tidak dapat diterima atau

tidak memenuhi syarat, maka model harus diperbaiki dan langkah-langkah

sebelumnya diulangi kembali. Uji diagnostik untuk evaluasi model terdapat 6

kriteria, yaitu residual peramalan bersifat acak, model parsimonius

(sederhana), parameter yang diperoleh berbeda nyata dengan nol, proses

iterasi harus convergence dan memiliki nilai MSE (Mean Squared Error)

terkecil.

Menurut Firdaus (2006: 45), untuk data yang secara nyata mengandung

unsur musiman dapat diterapkan metodologi serupa yang dikembangkan Box-

Jenkins. Dalam penerapanya model ini disebut season ARIMA (SARIMA).

Perbedaan dengan ARIMA adalah pada proses pembedaan serta identifikasi

22
perilaku ACF dan PACF data deret waktu yang dalam hal ini mengandung unsur

musiman. Suatu deret waktu musiman (seasonal time series) juga harus stasioner

terlebih dahulu sebelum diestimasi dalam suatu model peramalan. Pembedaan

musiman merupakan pengurangan dari dua pengamatan yang berbeda sejauh L

peiode. Dalam hal ini L didefinisikan sebagai jumlah periode musiman dalam satu

tahun.

2.4.5. Pemilihan Metode Peramalan

Metode peramalan terdiri dari bermacam-macam dan memiliki kelebihan

dan kekuranganya masing-masing. Pada pemilihan teknik peramalan terbaik,

peramal harus mempertimbangkan beberapa faktor. Menurut Firdaus (2006: 4),

penilaian terhadap akurasi hasil peramalan dapat dilakukan degan mengamati

besarnya selisih aktual pengamatan dengan nilai estimasi dari peramalan. Selain

indikator tersebut, terdapat beberapa hal lain yang harus dipertimbangkan oleh

peramal, yaitu:

1. Sederhana tidaknya model (parsimonious)

2. Mudah tidaknya diterapkan

3. Ketersediaan biaya peramalan

Pemilihan metode yang tepat dapat dilakukan dengan mengamati besarnya

selisih nilai aktual pengamatan dengan nilai estimasi dari peramalan, secara umum

bila residual besarnya merata sepanjang pengamatan maka MSE (Mean Squared

Error) yang sebaiknya digunakan. Namun bila hanya ada satu atau dua residual

yang besar maka MAE (Mean Absolute Error) yang sebaiknya digunakan dan

23
untuk melihat bias tidaknya peramalan maka MPE (Mean Percentage Error)

dapat digunakan. Hasil peramalan dikatakan tidak bias bila nilai MPE ≈ 0.

2.5. Hasil Penelitian Terdahulu

Laduni (2008) dalam penelitianya yang berjudul Uji Metode Peramalan

Produksi di Usaha Dagang Safari Donat. Penelitian ini bertujuan untuk

mengetahui pola data produksi donat Usaha Dagang Safari Donat. Kemudian

memilih metode peramalan kuantitatif yang sesuai dan ramalan untuk produksi

donat, sehingga dapat diketahui pemilihan metode peramalan yang sesuai dan

meramalkan jumlah produksi donat satu tahun mendatang.

Berdasarkan hasil penelitian menunjukkan bahwa data produksi donat

Usaha Dagang Safari Donat yang dieksplorasi memiliki unsur trend menurun,

unsur musiman tertentu, dan tidak memiliki kestasioneran dalam pola datanya.

Berdasarkan pengujian dan perhitungan nilai akurasi yang terkecil, metode

peramalan time series yang terbaik dan sesuai untuk peramalan produksi Usaha

Dagang Safari Donat adalah metode Box-Jenkins dengan model ARIMA (0,1,0)

(0, 1,1)52. Nilai MSE yang terkecil dihasilkan peramalan terbaik yaitu metode

Box-Jenkins dengan model ARIMA.

Khaerunnisah (2008) dalam penelitiannya yang berjudul Analisis

Peramalan Penjualan untuk Perencanaan Pengendalian Persediaan Kecap Manis

Sate PT. Korma Jaya Utama (KJU). Penelitian ini bertujuan untuk mengetahui

pola data penjualan dan metode peramalan penjualan sehingga dapat diketahui

pemilihan metode peramalan penjualan terakurat untuk memprediksi tingkat

24
penjualan kecap manis sate PT. Korma Jaya Utama (KJU) satu tahun mendatang.

Untuk meramalkan penjualan kecap manis sate dilakukan dengan menghitung

tingkat penjualan menggunakan metode time series dan regresi lenier.

Berdasarkan data penjualan kecap teridentifikasi pola data stasioner dan pola

musiman. Grafik plot data tersebut didapatkan nilai penjualan kecap manis sate

yang relatif konstan berada pada sekitar rata-rata. Pola musiman yang disebabkan

oleh perilaku sales (agen). Metode peramalan yang digunakan terdiri atas metode

naif, metode eksponential smoothing, metode Box-Jenkins. Metode peramalan

time series dipilih karena memiliki nilai MSE (Mean Squared Error) terkecil

yaitu 153086792. Sedangkan metode musiman dipilih karena metode ini dapat

mencari rata-rata penjualan pada bulan yang sama pada periode yang berbeda.

2.6. Kerangka Pemikiran Penelitian

Dunia usaha yang terus menerus berubah dengan cepat, mengharuskan

perusahaan harus mampu menganalisis lingkungan yang terus berubah tersebut

dan memprediksi berbagai kemungkinan di masa depan. Kemampuan untuk

meramal atau forecast masa depan merupakan usaha perusahaan sebagai dasar

pengambilan keputusan strategis untuk kelangsungan perusahaan.

Crude Palm Oil (CPO) atau minyak sawit merupakan salah satu komoditi

sektor perkebunan yang memiliki prospek usaha yang cukup besar dan menjadi

salah satu penyumbang devisa non migas. Dari segi ekspor, sektor ini telah

memberikan kontribusi sebesar US $ 12,04 miliar di tahun 2006 dan merupakan

sektor yang menyerap tenaga kerja terbanyak (Sutiyono, 2009: 6). PT. KPB

25
Nusantara merupakan anak dari perusahaan perkebunan PTPN I sampai dengan

PTPN XIV dan PT RNI. PT. KPB Nusantara merupakan perusahaan yang

bergerak dalam pemasaran hasil komoditi meliputi minyak sawit, karet, latex, teh,

kopi, coklat dan gula tetes yang dipasarkan di dalam maupun luar negeri. Namun

dalam penelitian ini akan lebih terfokus kepada penjualan komoditi Crude Palm

Oil (CPO) atau minyak sawit kasar, yang dihasilkan oleh PTPN penghasil CPO

(PTPN I , II , III , IV , V , VI , VII , VIII , XIII dan XIV).

PT. KPB Nusantara memiliki pelanggan yang berada di dalam maupun

luar negeri, didalam negeri pelanggannya berupa perusahaan pengolahan CPO

maupun eksportir. Sedangkan konsumen luar negeri, PT. KPB Nusantara

memiliki konsumen tetap yang menjadi langganannya seperti negara China, India,

dan Uni Eropa. Dari segi pesaing, PT. KPB Nusantara memiliki pesaing dari

perusahaan swasta dan negara penghasil CPO seperti Malaysia, Nigeria, Pantai

Gading, Thailand, Equador dan masih banyak lagi (Malaysian Palm Oil Board

dalam Sutiyono, 2009: 3).

Salah satu cara yang diperlukan untuk mengantisipasi penjualan CPO yang

tidak menentu maka dibutuhkan peramalan penjualan. Peramalan penjualan

diperlukan untuk memprediksi permintaan pasar CPO yang tidak menentu, karena

dengan menggunakan peramalan penjualan maka akan terjadi peningkatan

keuntungan dari penjualan CPO. Sebaliknya, bila kebutuhan konsumen atau

pelanggan CPO perusahaan tidak terpenuhi maka ada kemungkinan pelanggan

CPO perusahaan akan berpindah ke perusahaan pesaing yang mengakibatkan

hilangnya kesempatan perusahaan untuk memperoleh laba. Selain itu kegiatan

26
peramalan penjualan dapat digunakan perusahaan untuk mempersiapkan strategi-

strategi penjualan untuk menghadapi segala kemungkinan akan terjadi.

Peramalan penjualan CPO dilakukan dengan menggunakan metode

peramalan kuantitatif, yaitu metode time series yang terdiri dari metode naif,

metode moving average, metode single eksponential smoothing, metode double

eksponential smoothing, metode indeks musiman, metode trend dan metode Box-

Jenkins (ARIMA). Berdasarkan beberapa metode peramalan yang digunakan,

selanjutnya dapat diketahui nilai kesalahan yang terbentuk yaitu nilai Mean

Squared Error (MSE), nilai Mean Absolute Error (MAE) dan nilai Mean Absolute

Percentage Error (MAPE), sedangkan untuk mengetahui keakuratan hasil

peramalan dilihat dari nilai MSE yang dihasilkan karena semakin kecil nilai error

maka semakin akurat peramalan yang digunakan, atau dengan kata lain metode

peramalan yang digunakan mendekati aktual.

Berdasarkan hasil perhitungan menggunakan peramalan kuantitatif akan

dilakukan analisis tingkat peramalan penjualan CPO, sehingga perusahaan dapat

mengambil keputusan yang terbaik terhadap penjualan CPO tahun 2011. Secara

garis besar, maksud uraian kerangka pemikiran penelitian disajikaan pada

Gambar 2.

27
 PT. Kharisma Pemasaran
Bersama Nusantara

Manajemen Penjualan CPO

Volume penjualan CPO

Peramalan Penjualan Kuantitatif

1. Metode Naif (Naive)
2. Metode Rata-rata Bergerak (Moving
Average)
3. Metode Pemulusan Eksponensial
Tunggal (Single Eksponential
Smoothing)
4. Metode Pemulusan Eksponensial Ganda
(Double Eksponential Smoothing)
5. Metode Indeks Musiman
6. Metode Tren (Trend)
7. Metode Box-Jenkins (ARIMA)

Mean Squared
Error (MSE)
Pemilihan Metode Peramalan
Kuantitatif Terbaik

Analisis Tingkat Peramalan Penjualan

CPO Terbaik Satu Tahun Mendatang

Gambar 2. Alur Kerangka Pemikiran Penelitian

Keterangan :
= Alat penelitian
= Arah aktifitas penelitian
= Sasaran penelitian
= Aktifitas penelitian

28
2.7. Definisi Operasional

1. Crude Palm Oil (CPO) adalah minyak kelapa sawit kasar berasal dari

daging buah (mesocarp) kelapa sawit yang berwarna merah.

2. Data time series (deret waktu) adalah data yang dikumpulkan dan diamati

atas rentang waktu tertentu. Eksplorasi data menekankan pada bagaimana

perilaku data sepanjang periode pengamatan (Firdaus, 2006:2).

3. Ramalan penjualan merupakan proses aktivitas memperkirakan produk

yang akan dijual dimasa mendatang dalam keadaan tertentu dibuat

berdasarkan data-data yang pernah terjadi atau mungkin terjadi (Nafarin,

2007: 96).

4. Mean Squared Error (MSE) digunakan bila nilai residual (error) besarnya

merata sepanjang pengamatan yaitu penilaian akurasi hasil peramalan

dengan mengamati besarnya selisih nilai aktual dengan nilai estimasi dari

peramalan (Firdaus, 2006:4).

5. Autocorrelation function (ACF) adalah hubungan antara nilai suatu

variabel dengan nilai lampaunya, dapat dengan masa tenggang satu atau

lebih, dimana koefisien berkisar antara -1 dan +1, dimana 0 menunjukkan

tidak ada korelasi (Mulyono, 2000: 151).

6. Parsial Autocorrelasi function (PACF) adalah hubungan antara nilai suatu

variabel dengan nilai yang lebih awal dari variabel itu, jika pengaruh nilai-

nilai diantara keduanya (lainnya) dihilangkan (Mulyono, 2000: 153).

29
7. Stasioneritas

Suatu deret dikatakan stasioneritas apabila proses tidak berubah seiring

dengan perubahan waktu. Maksudnya, rata-rata deret pengamatan di

sepanjang waktu konstan.

8. Eksplorasi data

Merupakan penjelajahan data penjualan dengan tujuan memperoleh

pengetahuan lebih banyak mangenai pola data penjualan Crude Palm Oil

(CPO).

9. Residual (error) adalah perbedaan antara nilai aktual dengan hasil

peramalan.

30
 BAB III
METODE PENELITIAN

3.1. Lokasi dan Waktu Penelitian

Penelitian ini dilakukan di PT. Kharisma Pemasaran Bersama (KPB)

Nusantara Jl. Taman Cut Mutiah No. 11 Jakarta 10330. Pemilihan tempat

penelitian ini dilakukan dengan sengaja (purposive) dengan pertimbangan bahwa

PT. KPB Nusantara merupakan salah satu perusahaan pemasar Crude Palm Oil

(CPO) dan merupakan perusahaan milik negara yang bergerak dalam pemasaran

komoditi perkebunan baik dalam maupun luar negeri. Penelitian ini dilaksanakan

pada bulan Juni - Oktober 2010.

3.2. Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data primer dan data

sekunder. Data primer diperoleh dari wawancara menggunakan daftar pertanyaan

yang ditujukan kepada Manajer Analisa Pasar dan Analisa Usaha. Data sekunder

diperoleh dari data pola penjualan CPO yang telah dilakukan PT KPB Nusantara

selama tujuh tahun yaitu pada periode Januari 2004 sampai Desember 2010.

Berdasarkan sumber data, data primer diperoleh langsung dari perusahaan

sedangkan untuk melengkapi data primer diperlukan data sekunder yang diperoleh

dari berbagai kepustakaan yang relevan dengan penelitian. Tinjauan pustaka yang

digunakan berasal dari berbagai pustaka diantaranya data statistik dan gambaran

umum terhadap penelitian yang berkaitan dengan tujuan penelitian dan metode

31
peramalan yang digunakan dalam penelitian ini. Penerapan studi pustaka dalam

penelitian ini yaitu berasal dari perpustakaan dan internet.

3.3. Metode Pengolahan dan Analisis Data

3.3.1. Analisis Kualitatif

Analisis kualitatif dijelaskan secara deskriptif yang berkaitan dengan

gambaran umum perusahaan meliputi lokasi perusahaan, visi misi, kegiatan usaha

perusahaan, sejarah berdirinya perusahaan, struktur organisasi, ketenagakerjaan,

produk CPO yang dipasarkan perusahaan, bauran pemasaran dan kegiatan

peramalan penjualan CPO yang dilakukan oleh PT. KPB Nusantara di Jakarta.

3.3.2. Analisis Kuantitatif

Analisis kuantitatif digunakan untuk mengetahui besarnya penjualan yang

harus disiapkan satu tahun mendatang dengan melihat pola data penjualan periode

Januari 2004 sampai Desember 2010. Kemudian berdasarkan pola data penjualan

tersebut, data diolah dengan menggunakan metode peramalan kuantitatif

peramalan time series, dengan melihat nilai kesalahan yang terbentuk yaitu nilai

Mean Squared Error (MSE), nilai Mean Absolute Error (MAE) dan nilai Mean

Absolute Percentage Error (MAPE), sedangkan untuk mengetahui keakuratan

hasil peramalan dilihat dari nilai MSE yang dihasilkan. Karena semakin kecil nilai

MSE maka metode peramalan semakin akurat. Peramalan penjualan satu tahun

mendatang dapat diketahui dengan menggunakan metode peramalan time series

yang memiliki nilai MSE terkecil. Kegiatan menganalisis data kuantitatif

32
peramalan penjualan CPO dilakukan dengan menggunakan program Microsoft

Excel dan Minitab 15.

3.3.2.1. Metode Peramalan Time Series

Penelitian ini menggunakan metode peramalan time series. Metode

peramalan time series terdiri dari beberapa metode, yaitu metode naif, metode

rata-rata bergerak, metode pemulusan eksponensial tunggal, metode pemulusan

eksponensial ganda, metode indeks musiman, metode tren, metode Box-Jenkins

(ARIMA). Berdasarkan semua metode yang digunakan tersebut akan dipilih

metode yang paling sesuai dengan pola data yang terdapat pada perusahaan

berdasarkan nilai MSE terkecil.

1. Metode Naif (Naive)

Menurut Firdaus (2006: 5) metode naif dapat dirumuskan sebagai berikut:

ŷt+1 = уt

Dimana :

ŷt+1 = nilai ramalan penjualan CPO periode mendatang

уt = nilai aktual penjualan CPO periode ke-t

2. Metode Rata-Rata Bergerak (Moving Average)

Metode ini menggunakan urutan kerja sebagai berikut:

a. Menentukan ordo dan bobot rata-rata bergerak

Ordo dan rata-rata bergerak adalah jumlah data masa lalu yang dimasukkan ke

dalam rataan yang disimbolkan dengan n (ordo). Dasar penentuan ordo ini

33
 adalah dengan mengambil rata-rata dari dua data maka diharapkan pelicinan

akan jelas. Sebagai contoh moving average (MA) ordo 1, berarti peramalan

hanya menggunakan satu observasi sebelumnya untuk meramalkan satu nilai

yang akan datang (Firdaus, 2006: 6).

b. Formula untuk teknik ini adalah:

ŷt+1 = MA (n)t = ( yt + yt-1 + yt-2+ …+yt-n+1)

n
Dimana :

ŷt+1 = nilai ramalan penjualan CPO untuk satu periode ke depan

yt = nilai aktual penjualan CPO pada waktu ke-t

n = ordo dari rata-rata bergerak

3. Metode Pemulusan Eksponensial Tunggal (Single Ekponential Smoothing)

Menurut Firdaus (2006:10), formula untuk teknik ini adalah:

St = αyt + (1- α) St-1

Nilai awal St = (S1 + S2 + Sn-1 + Sn)/n

Dimana :
St-1 = nilai aktual penjualan CPO untuk satu periode ke depan
yt = nilai aktual penjualan CPO periode ke-t
St = nilai ramalan penjualan CPO periode sebelumnya = a
α = koefisien pemulusan(0≤ α <1)

34
4. Metode Pemulusan Eksponensial Ganda (Double Eksponential
Smoothing)

Metode Double Eksponential Smoothing menggunakan dua koefisien

pemulusan diantaranya adalah koefisien pemulusan α dan γ. Koefisien pemulusan

α menunjukkan nilai koefisien terhadap pemulusan metode double eksponential

smoothing dan koefisien γ menunjukkan nilai koefisien terhadap trend. nilai

konstanta pemulusan tersebut bernilai antara 0 dan 1. Persamaan dalam metode

double eksponential smoothing adalah:

At = αYt + (1-α)(At-1 + T t-1)

Tt = β (At-At-1) + (1-β) Tt-1

Dimana :
α, β = koefisien pemulusan
Yt = nilai periode ke-t
At-1 = nilai periode sebelumnya
Tt-1 = nilai tren periode sebelumnya

5. Metode Indeks Musiman

Persamaan dalam metode indeks musiman adalah:

Y = a + bX
a = ΣY
n

b = ΣXY
n
ѓ = Yt
Y

ѓ (rata-rata) = Σѓ
n

35
 Ŷt+1 = (Y)(ѓ rata-rata)

Dimana:

a, b = konstanta

n = banyaknya data

Y = penjualan aktual

X = pengkodean dari titik tengah periode

ѓ = rasio penjualan

Yt = nilai garis trend

Ŷt+1 = penjualan periode ke depan

6. Metode Tren (Trend)

Menurut Firdaus (2006:14), bentuk umum persamaan trend adalah

Yt= a1+b1 (T) + εt
Dimana:
Yt = Penjualan CPO (Variabel dependen)
T = Waktu atau periode ( variabel independen)
a1 dan b1 = Parameter model

εt = Residual model
Bentuk lain dari persamaan trend adalah Model trend kuadratik dengan

persamaan sebagai berikut:

Yt = at +blt (T) + εt

7. Metode Box-Jenkins

Prosedur Box-Jenkins terdiri dari beberapa tahapan, yaitu identifikasi,

estimasi, evaluasi model dan peramalan (Firdaus, 2006: 19). Pada tahap
36
identifikasi dilakukan ekplorasi terhadap pola data untuk mengetahui unsur

musiman, kestasioneran data, identifikasi terhadap pola ACF dan PACF. Pada

tahap estimasi model dilakukan perhitungan awal untuk parameter-parameter dari

model tentatif. Tahap evaluasi model, dilakukan uji diagnostik untuk menguji

kedekatan model dengan data. Pada tahap peramalan, dilakukan penerapan

terhadap model dengan parameter yang paling efisien.

Menurut Firdaus (2006: 24-28), setelah data dipastikan stasioner,

selanjutnya adalah identifikasi untuk menentukan model ARIMA tentatif. Hal in

dilakukan dengan menganalisis perilaku atau pola ACF dan PACF. Koefisien

autokorelasi (ACF) dapat bernilai antara -1 sampai +1. Suatu deret waktu non

musiman dikatakan stasioner jika koefisien autokorelasinya nol untuk dapat

stasioner bila koefisiennya berbeda nyata dari nol hanya pada beberapa beda kala

pertama (k ≤ 5). Parsial autokorelasi (PACF) digunakan untuk mengetahui ukuran

hubungan antara dua deret waktu yang berbeda ketika pengaruh dari variabel

lainnya dihilangkan. Untuk mendapatkan plot ACF dan PACF dapat dilakukan

menggunakan software Minitab 15 karena perhitungan secara manual sangat

rumit. Untuk data yang tidak mengandung unsur musiman beberapa alternatif

model tentatif adalah sebagai berikut:

a. Model Autoregresif-autoregressive (AR)

Model AR dipilih bila ACF menunjukkan pola dying down dan PACF

menunjukkan pola yang cut off. jumlah observasi masa lalu yang digunakan dalam

model AR dikenal dengan orde p. Berikut persamaan model AR.

Zt = δ +Ф1Zt-1 + Ф2Zt-2 + …+ εt
37
Dimana :

Zt = observasi deret stasioner saat ini

Z-1, Zt-2 = observasi sebelumnya

δ, Ф1, Ф2 = parameter-parameter yaitu konstan dan koefisien

εt = residual parameter acak untuk periode saat ini yang diharapkan

nilainya sama dengan nol

b. Model Rataan Bergerak- Moving Average (MA)

Model MA ini dipilih bila ACF menunjukkan pola yang cut off dan PACF

menunjukkan pola dying down. Jumlah residual masa lalu yang digunakan dalam

model MA dikenal sebagai orde q. Berikut peramaan model MA.

Zt = µ + εt –Θtεt-1 – Θ2εt-2 - …- Θqεt-q

Dimana :

Zt = observasi deret stasioner saat ini

εt = residual peramalan yang white noise

εt-1, εt-2 = residual peramalan periode sebelumnya

µ, Θ1, Θ2 = konstanta dan koefisien rataan bergerak

c. Model Gabungan- Autoregressive Moving Average (ARMA)

Model gabungan ini dipilih bila ACF dan PACF kedua-duanya

menunjukkan pola dying down. Model ini adalah kombinasi model autoregresif

dan model rataan bergerak. Orde dari model gabungan ini adalah p dan q.

Persamaan dalam model ini sebagai berikut:

Zt = δ + Ф1Zt-1 + Ф2Zt-2+ … + εt – Θ1εt-1-Θ2εt-2

38
Dimana :

Zt = observasi deret stasioner saat ini

Zt-1, Zt-2,…, εt-1, εt-2 = observasi danresidual peramalan periode sebelumnya

dari deret stasioner

εt = residual peramalan acak untuk periode saat ini

δ, Ф1, Ф2,…, Θ1, Θ2,.. = konstanta dan koefisien-koefisien model

mengestimasi model ARIMA

Menurut Firdaus (2006: 29) dalam tahap estimasi model, penentuan ordo p

dan q secara lebih terperinci dapat dilakukan berdasarkan identifikasi ACF dan

PACF. Sebagai contoh, bila koefisien ACF signifikan hanya pada beda kala 1 dan

2 serta PACF mempunyai pola damped eksponensial, maka model tentatif adalah

ARIMA (0,d,2).

Setelah dilakukan estimasi parameter model, selanjutnya dilakukan

evaluasi untuk memastikan apakah model yang diestimasi sudah baik atau belum.

Terdapat enam kriteria dalam evaluasi model Box-Jenkins, yaitu,

1. Residual peramalan bersifat acak. Untuk memastikan apakah model sudah

memenuhi syarat ini, dapat digunakan indikator Box-Ljung statistic. Dari

session diketahui bahwa model nilai P-value untuk uji statistik ini lebih besar

dari 0,05 yang menunjukkan bahwa residual sudah acak. Selain itu grafik ACF

dan PACF dari residual menunjukkan pola cut off, yang berarti bahwa residual

memang sudah acak.

39
2. Model parsimonious. Dengan model yang diperoleh yang ditulis sebagai

contoh ARIMA (0,1,1) menunjukkan bahwa model relatif sudah dalam bentuk

yang paling sederhana.

3. Parameter yang diestimasi berbeda nyata dengan nol. Ini dapat dilihat dari

nilai P-value koefisien kurang dari 0,05.

4. Kondisi invertibilitas ataupun stasioneritas harus terpenuhi. Hal ini

ditunjukkan oleh jumlah koefisien MA dan AR dimana masing-masingnya

harus kurang dari 1.

5. Proses iterasi harus convergence. Bila ini terpenuhi maka session terdapat

pernyataan relative change in each estimate less than 0,0010.

6. Model harus memiliki MSE terkecil.

3.3.2.2. Ukuran Akurasi Hasil Peramalan

Menurut Firdaus (2006: 4) penilaian terhadap akurasi hasil peramalan

dapat dilakukan dengan mengamati besarnya selisih nilai aktual pengamatan

dengan nilai estimasi dari peramalan. Nilai residual atau error (et) adalah

perbedaan antara nilai aktual dengan nilai hasil peramalan, yaitu:

et = yt – ŷt

Dimana :

et = residual (error)/ nilai kesalahan peramalan pada periode ke-t

yt = nilai aktual

ŷt = nilai hasil peramalan

40
 Sedangkan nilai residual tersebut diperoleh beberapa ukuran akurasi hasil

peramalan sebagai berikut.

1. MAE ( Mean Absolute Error)

n
Σ(et)
MAE = t=1_
n

2. MSE (Mean Squared Error) atau MSD (Mean Squared Deviation)

n
Σ(et)2
MSE = t=1___
n

3. MAPE ( Mean Absolute Percentage Error)

n
Σ (et)
MAPE = t=1yt__
n

Secara umum bila residual besarnya merata sepanjang pengamatan maka

MSE yang sebaiknya digunakan. Tapi bila satu atau dua residual yang besar,

maka MAE yang sebaiknya digunakan. Untuk melihat bias tidaknya peramalan

maka digunakan MPE/MAPE, peramalan dikatakan tidak bias bila MPE ≈ 0.

41
 BAB IV
GAMBARAN UMUM PERUSAHAAN

4.1. Sejarah Berdirinya PT. KPB Nusantara

PT. KPB Nusantara yang beralamat di Jl. Taman Cut Mutiah No. 11

Menteng, Jakarta 10330. Awalnya merupakan kesepakatan bersama Dewan

Direksi dari sejumlah PT. Perkebunan Nusantara (PTPN) pada tahun 1968.

Kesepakatan tersebut memutuskan untuk membentuk sebuah lembaga gabungan

yang mewadahi kepentingan bersama seluruh PTPN yang ada di Indonesia,

khususnya dibidang pemasaran. Kemudian lembaga tersebut dinamai Kantor

Pemasaran Bersama Nusantara (KPB-PTPN). Sampai akhir tahun 2005, KPB-

PTPN yang berkantor pusat di Jakarta memiliki tenaga kerja sebanyak 233 orang.

Seiring dengan perkembangan waktu KPB-PTPN yang pada awalnya

merupakan organisasi non-perseroan, berubah menjadi perseroan terbatas yaitu

bernama PT. Kharisma Pemasaran Bersama Nusantara (PT. KPBN) pada awal

tahun 2010. Hal ini dimaksudkan agar perkembangan usaha dapat berlangsung

optimal dan memberikan kesempatan bagi pemodal untuk menanamkan sahamnya

pada perusahaan ini. Perkembangan pasar produk perkebunan membuat PT. KPB

Nusantara membuka sejumlah kantor cabang yang berada di Medan dan Surabaya

serta memiliki kantor perwakilan di Dubai.

4.2. Visi dan Misi PT. KPB Nusantara

Visi PT. KPB Nusanatara adalah menjadikan PT. KPB Nusantara sebagai

Trading House perkebunan Indonesia yang unggul dan terpercaya. Sedangkan

misi perusahaan adalah menyelenggarankan pemasaran komoditas perkebunan

Indonesia dengan berpegang pada prinsip-prinsip ekonomi untuk memberikan

manfaat yang sebesar-besarnya bagi produsen dan pembeli. Sedangkan untuk

mencapai visi dan misi tersebut perusahaan melakukan sejumlah kegiatan

dibidang pemasaran produk perkebunan yaitu:

1. Menyajikan data, informasi, dan analisis pasar yang lengkap dan akurat.

2. Menghimpun para produsen dan menyelenggarakan tender atau lelang yang

diakui secara internasional.

3. Memberikan pelayanan terpadu.

4. Melakukan konsolidasi kargo.

5. Mengurus dokumen ekspor yang efesien.

6. Menangani dan menengahi klaim.

7. Mengembangkan jaringan di luar negeri secara terkoordinasi dan efesien.

4.3. Struktur Organisasi PT. KPB Nusantara

Struktur organisasi perusahaan disusun berdasarkan tugas dan aktivitas

dari masing-masing bagian. Jabatan tertinggi manajemen di pegang oleh

Pemegang Saham yang membawahi Dewan Komisaris dan Direktur yang

tergabung dalam BOD (Board of Director). BOD terdiri dari Direktur Utama yang

membawahi biro Satuan Pengawasan Intern, Direktur Operasional dan Direktur

43
Keuangan, SDM dan Umum, setiap Direktur memiliki tugasnya masing-masing.

Direktur Operasional membawahi Manajer Pemasaran CPO, Manajer Pemasaran

Teh, Kopi dan Kakao, Manajer Pemasaran Gula, Karet dan Tetes, Manajer

Analisa dan Pengembangan Usaha, Direktur Keuangan, SDM dan Umum

membawahi Manajer Keuangan dan Manajer SDM dan Umum. Sedangkan kantor

cabang Medan dan Surabaya, serta kantor perwakilan Dubai dibawahi oleh BOD.

Bagan struktur organisasi dapat dilihat pada Lampiran 1. Sedangkan

ketenagakerjaan PT. KPB Nusantara disajikan pada Tabel 3.

Tabel 3. Tenaga Kerja PT. KPB Nusantara

No Bagian Jumlah
1 Dewan komisaris 3
2 Direksi 3
3 Corporate secretary 4
4 Biro Satuan pengawasan Intern 4
5 Bagian Pemasaran Sawit 9
6 Bagian Pemasaran Teh, Kopi, dan Kakao 31
7 Bagian Pemasaran Karet, Gula, dan Tetes 14
8 Bagian Analisa Pasar dan Pengembangan Usaha 11
9 Bagian Keuangan 12
10 Bagian SDM dan Umum 45
11 Cabang Medan 48
12 Cabang Surabaya 23
13 Perwakilan Dubai 2
Jumlah 209
Sumber : PT. KPB Nusantara (2010)

Kegiatan pemasaran harus dikerjakan oleh Sumber Daya Manusia yang

berkualitas sehingga menghasilkan produktivitas yang optimal. Berdasarkan

Tabel 3, tenaga kerja yang terdapat pada PT. KPB Nusantara per September 2010

adalah 209 orang yang terdiri dari karyawan Kantor Pusat Jakarta 136 orang,

44
Kantor Cabang Medan 48 orang, Kantor Cabang Surabaya 23 orang dan Kantor

Dubai 2 orang tenaga kerja.

4.4. Hukum dan Legalitas PT. KPB Nusantara

PT. KPB Nusantara didirikan di Jakarta berdasarkan Akta Notaris N. M.

Dipo Nusantara Pua Upa, S.H. No. 4 tanggal 16 Nopember 2009, dan disahkan

oleh Menteri Hukum dan HAM melalui Surat Keputusan No. AHU-

60488.AH.01.01. Tahun 2009 pada tanggal 11 Desember 2009. Pendirian

Perusahaan ini dilakukan menurut ketentuan-ketentuan dan keputusan-keputusan

yang tercantum dalam Undang-Undang No. 40 tahun 2007 tentang Perseroan

Terbatas, Keputusan Badan Musyawarah Direksi tanggal 14 Agustus 2009, Surat

Dewan Komisaris PTPN I sampai dengan PTPN XIV dan PT RNI, dan Surat

Persetujuan Menteri Negara Badan Usaha Milik Negara (BUMN) tanggal

30 September 2009 Nomor: S-674/MBU/2009.

4.5. Pemasaran Crude Palm Oil (CPO)

4.5.1. Bauran Pemasaran

Kegiatan pemasaran yang dilakukan PT. KPB Nusantara adalah dengan

memastikan berbagai pemasaran berjalan dengan baik. Kepuasan pelanggan dan

pemasaran CPO yang optimal tak lepas dari kinerja perusahaan dalam

menerapkan bauran pemasaran yang meliputi produk, harga, promosi, dan

pendistribusian CPO, sehingga kegiatan pemasaran berlangsung optimal.

45
a. Produk

Produk sawit yang dipasarkan dalam hal ini Crude Palm Oil (CPO)

melalui PT. KPB Nusantara berasal dari perkebunan Negara yang memproduksi

CPO yaitu PTPN I , II , III , IV , V , VI , VII , VIII , XIII dan XIV. Produk CPO

yang dihasilkan dan dipasarkan tersebut memiliki kualitas yang baik dan sudah

memenuhi standar mutu yang ditentukan oleh Direktur Jenderal Perkebunan yaitu

kadar mutu Asam Lemak Bebas (ALB) 5%. Produk kelapa sawit yang dipasarkan

oleh perusahaan sebagian besar dalam bentuk CPO, sisanya dalam bentuk Crude

Stearin, Refinied Bleaching Degumming (RDB) Olein, Refinied Bleaching

Deguming (RDB) Stearin, Palm Kernel Oil (PKO), Palm Kernel Fatty Acid, dan

sebagainya. Penjualan produk dilakukan melalui tender atau lelang, dengan

mengacu harga pasar yang dimonitor dari London, Rotterdam, Kuala Lumpur,

Singapura, Tokyo, New York.

b. Harga

Penetapan harga CPO oleh PT. KPB Nusantara berada pada tingkat yang

sesuai dengan harga perdagangan CPO Internasional yaitu mengacu pada pasar

Rotterdam dan Malaysian Derifative Exchange (MDEX). Faktor yang

mempengaruhi perkembangan harga CPO dunia yaitu permintaan dan penawaran

CPO. Perkembangan harga rata-rata tender CPO lokal minyak sawit tahun 2006

tercatat sebesar Rp. 4.138/kg dan meningkat menjadi Rp.6.802/kg pada tahun

2007. Peningkatan terus berlangsung hingga tahun 2008 tercatat sebesar Rp.

7.875/kg. Sementara harga tahun 2009 tercatat sebesar Rp. 7.167/kg lebih rendah

dari tahun 2008. Harga penutupan terakhir CPO lokal PT. KPB Nusantara dalam
46
periode Januari sampai Agustus 2010 sudah termasuk PPn dan pajak ekspor

meningkat 2,15% atau sebesar Rp. 7.321/kg (PT. KPBN, 2010: 6). Perkembangan

harga rata-rata CPO tender lokal disajikan pada Tabel 4.

Tabel 4. Perkembangan Harga Rata-rata CPO Lokal Tahun 2007-2010

No Tahun Harga Rata-rata (Dalam Rp/Kg)

1 2007 6802
2 2008 7875
3 2009 7167
4 2010 * 7321
Keterangan = *Januari - Agustus 2010
Sumber: PT. KPB Nusantara (2010: 5)

Perkembangan harga CPO ekspor dipengaruhi oleh krisis moneter yang

terjadi pada tahun 2008 yang berdampak pada penurunan harga minyak nabati

dunia sampai titik terendah pada November- Desember 2008 menyentuh harga

$400/ton. Seiring dengan pemulihan ekonomi dunia, harga minyak nabati kembali

meningkat dan sampai bulan Agustus 2010 mencapai level $900/ton.

Perkembangan harga CPO ekspor PT. KPBN mengacu kepada pasar fisik

Rotterdam dan MDEX Malaysia disajikan pada Tabel 5.

Tabel 5. Perkembangan Harga CPO Ekspor Tahun 2007-2010

No Komoditi Tahun
2007 2008 2009 2010*
1 CPO CIF Rotterdam 779 945 680 822
2 CPO FOB Kuala lumpur 720 864 633 772
Keterangan = * Januari sampai Agustus 2010 (Dalam US$/ton)
Sumber: Reuters dalam PT. KPB Nusantara ( 2010: 6)

47
c. Promosi

Kegiatan promosi merupakan hal yang terpenting bagi perusahaan

pemasar agar mendapatkan penjualan yang ditargetkan sehingga produk dapat

diketahui oleh konsumen. Promosi yang dilakukan oleh PT. KPB Nusantara

dalam mempromosikan produk yaitu melalui mengikuti pameran-pameran yang

diadakan di dalam negeri maupun di luar negeri, memasang media iklan di situs

perusahaan (www.kpbn.co.id) dan seminar nasional.

Pemanfaatan media promosi yang dilakukan oleh PT. KPB Nusantara

masih sangat minim, hal ini dikarenakan sebagian besar pelanggan berasal dari

perusahaan pengolah minyak sawit mentah/CPO, baik dari dalam maupun luar

negeri yang membutuhkan CPO untuk kelangsungan usaha, sehingga penggunaan

media promosi kurang diperhatikan, namun dalam setiap tender yang dilakukan

PT. KPB Nusantara terjual habis.

Kegiatan penjualan CPO dilakukan melalui jadwal tender secara berkala,

jadwal tender Sawit Lokal dilakukan oleh kantor pusat PT. KPB Nusantara di

Jakarta, pada hari Senin sampai Jum’at pada pukul 15.00 WIB. Sedangkan jadwal

tender sawit ekspor dilakukan sebulan sekali pada minggu pertama.

Semua Informasi mengenai penjualan produk PT. KPB Nusantara

terutama CPO terdapat dalam situs Internet sehingga pembeli dapat melakukan

transaksi atau mengetahui segala informasi dari situs perusahaan

(www.kpbn.co.id). Daftar pembeli CPO lokal dan ekspor yang terdata sampai

tahun 2010 disajikan pada Tabel 6.

48
Tabel 6. Daftar Pembeli CPO PT. KPB Nusantara

Daftar Pembeli CPO

Volume Volume
NO Pembeli ekspor pembelian NO Pembeli Lokal pembelian
(%) (%)
PT. Multimas Nabati
1 Shanghai 20.04 1 21.3
Asahan
2 Fortune Global 13.71 2 PT. Musim Mas 17.6
PT. Wilmar Nabati
3 Allmax Oils 12.42 3 14.5
Indonesia
4 Sindopalm 10.28 4 PT. Palm Mas Asri 9.4
5 Golden Oil 8.57 5 PT. Intibenua Perkasatama 8.2
PT. Nagamas Palm Oil
6 Wilmar 8.35 6 7.1
Lestari
7 Kuok Oils 7.71 7 PT. Bukit Kapur Reksa 6.6
8 Protea 7.71 8 PT. Pelita Agung Industri 6.4
9 Safic Alcan 3.50 9 PT. Bina Karya Prima 6.0
10 Indogreen 3.43 10 PT. Sinar Alam Permai 2.8
11 Transworld 2.57
12 Virgoz Oil 1.71
Sumber: PT. KPB Nusantara (2010: 8)

d. Distribusi

PT. KPB Nusantara melakukan dua sistem pendistribusian CPO yaitu

melalui CIF dan FOB, baik pendistribusian lokal maupun ekspor. FOB (Free On

Board) artinya pihak eksportir hanya bertanggung jawab sampai barang berada

diatas kapal (vessel), sedangkan CIF (Cost, Insurance, Freight) artinya asuransi

ditanggung oleh eksportir.

Pendistribusian CPO Ekspor yang dilakukan oleh PT. KPB Nusantara

dilakukan dengan sistem FOB Belawan/Dumai. Sedangkan sistem/cara

pendistribusian CPO Lokal dilakukan sesuai kesepakatan bersama antara pembeli

lokal dan PT. KPB Nusantara. Harga yang di tawarkan sudah termasuk pajak

ekspor untuk CPO Ekspor dan PPn 10% untuk pembelian CPO Lokal.

49
4.5.2. Segmentasi, Targeting dan Positioning

Penjualan Crude Palm Oil (CPO) yang dilakukan PT. KPB Nusantara

tidak memiliki segmen khusus dalam penjualan produknya, terutama CPO, hal ini

dikarenakan CPO merupakan produk yang sangat dibutuhkan oleh masyarakat,

baik masyarakat dalam maupun luar negeri. Pembeli CPO berasal dari dalam

dengan pelanggan utama seperti PT. Bukit Kapur Reksa, Multimas Nabati

Asahan, Musim Mas, Astra Agro Lestari, Permata Hijau Sawit, dan lain-lain,

sedangkan sisanya diekspor ke Negara pelanggan utama perusahaan seperti Eropa

(Wilmar, ISISA, Safic Alcan), India (protea), China (Wilmar), Malaysia,

Singapura (Gladale, Ltd, Wilmar) dan lain-lain.

Target penjualan PT. KPB Nusantara adalah semua perusahaan

pengolahan CPO yang berada di dalam maupun diluar negeri dan trader

(eksportir), sedangkan positioning produk CPO PT. KPB Nusantara memiliki

kualitas mutu yang sesuai standar mutu dan harga yang bersaing dengan

perusahaan swasta, sehingga pelanggan tetap setia membeli CPO dari PT. KPB

Nusantara.

4.5.3. Mutu Crude Palm Oil (CPO)

Mutu CPO yang dipasarkan oleh PT. KPB Nusantara sudah sesuai dengan

standar mutu Nasional yang ditentukan oleh Direktorat Jenderal Perkebunan

Indonesia, PT. KPB Nusantara hanya memasarkan hasil CPO sedangkan kadar

mutu yang dipasarkan berasal dari pabrik pengolahan yang tersebar di setiap

PTPN yang memproduksi CPO dan telah memiliki pedoman standar mutu

50
Nasional, Standar mutu yang diperjual belikan tidak boleh melebihi batas toleransi

yaitu kadar Asam Lemak Bebas (ALB) sebesar 5%, hal ini dikarenakan mutu

standar yang ditetapkan pemerintah terhadap kadar ALB maksimal 3,5%. Standar

mutu CPO yang menjadi pedoman PTPN disajikan pada Tabel 7 berikut.

Tabel 7. Standar Mutu CPO PT. KPB Nusantara

No Parameter Satuan Persyaratan

1 ALB % 2.5-3.5 maks
2 Air % 0.15 maks
3 Kotoran % 0.02 maks
4 Bilangan peroksida % 5.0 maks
5 Bilangan antisida % 5.0 maks
6 DOBI % 2.5 min
7 Bilangan iod % 51 min
8 Fe ( besi) Ppm 5 maks
9 Cu (tembaga) Ppm 0.3 maks
o
10 Titik cair C 39-41
Sumber: Direktorat Jendral Perkebunan (1997:132)

51
 BAB V
HASIL DAN PEMBAHASAN

5.1. Metode Peramalan Penjualan Crude Palm Oil (CPO) Pada PT. KPB
Nusantara

Penjualan Crude Palm Oil (CPO) yang dilakukan PT. KPB Nusantara

sejak Januari 2004 hingga Desember 2010 mengalami pergerakan yang fluktuatif

namun cenderung menunjukkan peningkatan. Penurunan yang terjadi pada bulan-

bulan tertentu diakibatkan oleh adanya anomali cuaca yang mempengaruhi

pemetikan tandan buah segar sawit, namun permintaan pasar terhadap CPO terus

meningkat dari tahun ke tahun, hal ini dikarenakan semakin meningkatnya

konsumsi negara konsumen minyak sawit dunia seperti India, China, Uni Eropa,

Indonesia dan Malaysia (PT. KPBN, 2010: 2).

Permintaan yang terus berubah mengakibatkan prediksi/peramalan

terhadap permintaan CPO dunia sangat penting bagi negara produsen maupun

konsumen CPO termasuk PT. KPB Nusantara. Kegiatan peramalan yang

dilakukan yaitu menggunakan metode kualitatif dengan cara berpedoman dan

mengacu kepada perusahaan peramalan yaitu Oil World, Reuters dan Pasar

Komoditas Internasional (Rotterdam dan MDEX Malaysia) yang meliputi

besarnya produksi, konsumsi, harga dan persediaan negara-negara penghasil dan

konsumen CPO. Secara teknis peramalan yang dilakukan oleh perusahaan yaitu

peramalan harga komoditas yang dilakukan pada bulan September oleh internal

perusahaan, sedangkan peramalan penjualan CPO belum dilakukan. Menurut

Firdaus (2006: 1), kelemahan dari metode kualitatif adalah tidak adanya prosedur

52
yang sistematis untuk mengukur dan memperbaiki keakuratan hasil peramalan

serta tingginya unsur subjektivitas pendapat. Sedangkan untuk mengetahui

perkembangan harga yang terus berubah tiap waktu dilakukan dengan memonitor

langsung melalui situs resmi perdagangan CPO Internasional yang terhubung

langsung ke Rotterdam, Singapura, MDEX Malaysia, Tokyo, Newyork, sehingga

PT. KPB Nusantara dapat memprediksikan jumlah permintaan dan penawaran

yang sesuai dengan kondisi CPO dunia.

5.2. Metode Peramalan Kuantitatif Terbaik untuk Meramalkan Penjualan

Crude Palm Oil (CPO) Pada PT. KPB Nusantara

5.2.1. Penjualan Crude Palm Oil (CPO) Pada PT. KPB Nusantara

PT. KPB Nusantara memasarkan produk CPO yang dihasilkan oleh

Perkebunan Negara (PTPN) mulai dari PTPN I , II , III , IV , V , VI , VII, VIII,

XIII dan XIV. Produk olahan kelapa sawit yang diperjualbelikan sebagian besar

dalam bentuk Crude Palm Oil (CPO) dan sisanya dalam bentuk Palm Kernel

Meal (PKM), Palm Kernel Oil (PKO), Palm Kernel (PK), Refinied Bleaching

Degumming (RBD) Olein dan Crude Stearin. Pembelian CPO lokal/dalam negeri

sebesar 50% dibeli oleh PT. Multimas Nabati Asahan, Musim Mas, Wilmar

Nabati Indonesia dan sisanya dibeli oleh perusahaan yang terlampir pada Tabel 6,

sedangkan penjualan CPO ekspor sebesar 50% dibeli oleh perusahaan seperti

Shanghai, Fortune Global, Allmax Oils dan Sindopalm, sedangkan sisanya

terlampir pada Tabel 6.

Penjualan CPO selama 7 tahun, sejak Januari 2004 sampai dengan

Desember 2010 menunjukkan pergerakan naik dan turun, namun cenderung

53
meningkat dari tahun ke tahun. Berdasarkan data penjualan CPO pada PT. KPB

Nusantara (Lampiran 2), diketahui bahwa pada tahun 2004 penjualan CPO pada

bulan Januari 2004 hingga Desember 2004, perusahaan dapat menjual CPO untuk

penjualan lokal dan ekspor sebesar 1,899,753 ton. Pada tahun 2005 terjadi

penurunan penjualan CPO sebesar 405,502 ton, menjadi 1,494,252 ton, hal ini

dikarenakan anomali cuaca yang menghambat pemetikan tandan buah segar sawit

dan permintaan pasar terhadap CPO yang belum stabil dikarenakan harga minyak

bumi masih terjangkau. Kenaikan penjualan terjadi kembali pada tahun 2006

sebesar 550,714 ton menjadi 2,044,966 ton. Namun kembali terjadi penurunan

penjualan pada tahun 2007 menjadi 2,021,475 ton, dan mencapai puncak

penjualan pada tahun 2008 sebesar 2,494,062 ton, namun kembali menurun pada

tahun 2009 sebesar 13,129 ton, menjadi 2,480,933 ton, hal ini diakibatkan oleh

pergolakan krisis moneter dunia yang mempengaruhi penjualan CPO dunia

termasuk mempengaruhi penjualan CPO PT. KPB Nusantara. Pada tahun 2010

terjadi penurunan kembali sebesar 120,346 ton menjadi 2,360,587 ton.

5.2.2. Identifikasi Pola Data Penjualan Crude Palm Oil (CPO)

Peramalan penjualan CPO yang dilakukan pada PT. KPB Nusantara

diawali dengan mengambil data dalam rentang waktu 7 tahun. Data series yang

diperoleh selanjutnya digunakan untuk meramalkan penjualan di masa mendatang

yang mendekati data aktualnya. Data penjualan yang digunakan adalah data time

series dalam kurun waktu 7 tahun terakhir yang dimulai dari Januari 2004 sampai

Desember 2010. Data yang digunakan merupakan data penjualan CPO dalam

54
satuan ton dan merupakan data bulanan perusahaan. Dari data deret waktu

penjualan CPO tersebut akan menggambarkan pola data yang membantu

menentukan pola data yang terbentuk dari data penjualan CPO PT. KPB

Nusantara. Penentuan pola data yang terbentuk tersebut akan membantu

menentukan pemilihan metode peramalan yang tepat. Sedangkan panjang deret

waktu yang digunakan sebanyak 84 bulan atau 7 tahun, yang digunakan untuk

meramalkan penjualan jangka panjang, hal ini sesuai dengan pendapat Render dan

Heizer (2001: 46) peramalan jangka panjang yaitu peramalan yang memiliki

rentang waktu biasanya tiga tahun atau lebih. Hasil dari perhitungan data

penjualan akan membantu perusahaan sebagai acuan pada bulan-bulan berikutnya

untuk memperkirakan besarnya volume penjualan CPO.

Pola data penjualan yang diperoleh akan dilakukan pengolahan

menggunakan program Microsoft Excel dan Minitab 15 untuk mengetahui

Autocorrelation Function (ACF) dan plot data penjualan CPO, yang digunakan

untuk mengetahui unsur-unsur yang terdapat pada data penjualan, sehingga dapat

ditentukan apakah terdapat data stasioner atau tidak, memiliki unsur musiman atau

tidak, unsur trend dan siklus atau tidak, hal ini sesuai dengan Firdaus (2006: 2)

yang menyatakan ACF dapat digunakan untuk mengidentifikasi apakah data itu

trend, stasioner, variasi musiman dan siklus. Grafik Plot time series pergerakan

volume penjualan CPO PT. KPB Nusantara disajikan pada Gambar 3.

55
 Time Series Plot of vol. Penj CPO, rata-rata
350000 Variable
v ol. Penj CPO
rata-rata
300000

250000
penjualan

200000

150000

100000

1 8 16 24 32 40 48 56 64 72 80
periode

Gambar 3. Grafik Pergerakan Volume Penjualan CPO PT. KPB Nusantara

Sumber : Data Primer Diolah (2011)

Berdasarkan grafik diatas pergerakan volume penjualan sebanyak 84

periode data (periode Januari 2004 sampai Desember 2010) menunjukkan tidak

ada unsur stasioner. Hal ini dapat dilihat dari pergerakan data yang tidak berada

diantara garis rata-rata atau konstan, namun lebih cenderung menunjukkan unsur

trend. Unsur trend ini dapat terlihat dari awal periode sampai akhir periode

menunjukkan pergerakan yang terus meningkat tiap periode tahun. Volume

penjualan tertinggi terjadi pada data ke 82 sebesar 332.742 ton, yaitu pada bulan

Oktober 2010, hal ini dikarenakan kebutuhan negara konsumen seperti India dan

China meningkat akibat membaiknya perekonomian dunia yang berdampak pada

perekonomian negara tersebut. Volume penjualan terendah terjadi pada data ke 84

sebesar 72.000 ton, yaitu pada bulan Desember 2010, hal ini dikarenakan

penjualan CPO pada bulan Desember 2010 tersebut dilakukan pada bulan

56
sebelumnya yaitu bulan November dan Oktober 2010. Pergerakan fluktuatif pola

data penjualan (Lampiran 2) terlihat jumlah penjualan yang terjadi tiap bulan

mulai Januari 2004 sampai Desember 2010. Pergerakan meningkat terlihat pada

awal tahun yaitu bulan Januari ke Februari naik sebesar 253,029 ton, namun

kembali menurun sebesar 28,184 ton pada bulan Maret, penurunan terendah

terjadi pada bulan November sebesar 340,182 ton dari bulan sebelumnya yaitu

Oktober sebesar 1,506,899 ton menjadi 1,166,717 ton pada bulan November, hal

ini dikarenakan krisis moneter dunia yang berdampak terhadap permintaan CPO

pada PT. KPB Nusantara. Sedangkan kenaikan penjualan terbesar terjadi pada

bulan Juni yaitu sebesar 299,072 ton dari bulan sebelumnya 1,013,200 ton pada

bulan Mei menjadi 1,312,272 ton pada bulan Juni.

Unsur musiman dipengaruhi oleh anomali cuaca yang mempengaruhi

pemetikan tandan buah segar buah kelapa sawit yang berakibat kepada produksi

CPO, selain itu juga pengaruh awal tahun dan hari raya keagamaan, seperti

lebaran dan natal. Hal ini dapat dilihat dari rata-rata perhitungan menggunakan

Indeks musiman yang ditampilkan pada Tabel 8 berikut.

57
Tabel 8. Rata-Rata Indeks Musiman Setiap Bulan Penjualan CPO Periode Januari
2004 sampai Desember 2010

Tahun Jan Feb Mar Apr Mei Jun Jul Agu Sep Okt Nov Des

2004 0.63 1.36 1.02 1.04 0.66 1.34 1.18 1.90 1.13 1.40 0.99 0.92
2005 0.66 0.87 1.03 0.53 0.70 0.88 1.03 1.34 1.02 0.54 0.73 0.52
2006 0.61 0.97 0.86 0.65 1.06 1.13 1.38 1.16 1.02 0.93 1.60 0.67

2007 0.69 0.74 0.95 1.02 0.60 0.71 0.71 0.74 1.75 1.17 1.11 1.25

2008 0.91 0.99 0.75 0.98 0.94 1.23 1.25 1.27 1.31 1.40 1.59 0.62
2009 0.73 0.96 0.87 1.15 0.86 1.25 1.60 1.17 0.92 1.26 0.65 0.96
2010 0.71 0.69 0.83 1.21 0.92 0.96 1.50 1.01 0.88 1.54 0.52 0.33

Total 4.95 6.57 6.31 6.58 5.73 7.49 8.66 8.59 8.03 8.23 7.19 5.27
Rata-
rata 0.71 0.94 0.90 0.94 0.82 1.07 1.24 1.23 1.15 1.18 1.03 0.75
Sumber : Data Primer Diolah (2011)

Berdasarkan perhitungan rata-rata Indeks Musiman, diketahui bahwa

terjadi persamaan perilaku musiman data penjualan CPO, yaitu terlihat pada awal

tahun yaitu bulan Januari (0.71), Februari (0.94), Maret (0.90), April (0.94), Mei

(0.82) dan akhir tahun yaitu bulan Desember (0.75) berada dibawah nilai normal

trend yaitu 1.00. Sedangkan pada pertengahan tahun yaitu bulan Juni (1.07), Juli

(1.24), Agustus (1.23), September (1.15), Oktober (1.18), November (1.03) secara

normal berada diatas nilai trend (1.00), hal ini membuktikan bahwa musim

mempengaruhi penjualan CPO PT. KPB Nusantara. Peningkatan penjualan yang

terus terjadi juga merupakan tanda keberhasilan perusahaan dalam memasarkan

CPO kepada negara-negara yang konsumen seperti India, China, Uni Eropa, dan

negara lain seperti Pakistan, Nigeria, dan Thailand.

Kegiatan promosi yang dilakukan perusahaan seperti pemasangan iklan

melalui situs internet, seminar nasional, pameran didalam dan di luar negeri dan

58
konferensi. Selain itu, kegiatan tender dan lelang yang dilakukan perusahaan

terhadap penjualan CPO semakin sering dilakukan, seperti jadwal tender

penjualan CPO lokal setiap hari Senin sampai Jumat, dan tender CPO ekspor yang

diadakan pada pekan pertama setiap bulannya di kantor PT. KPB Nusantara.

Cara lain untuk mengidentifikasi pola data penjualan CPO yang

mengandung unsur trend adalah menggunakan cara statistik untuk

menggambarkan pola pergerakan penjualan CPO, metode statistik yang biasa

diterapkan adalah uji regresi, dengan membandingkan jumlah penjualan CPO

(variabel dependen) terhadap periode waktu penjualan (variabel independen). Uji

regresi ini menggunakan program Minitab 15 dan hasilnya disajikan pada

Lampiran 3, sedangkan uji regresi secara ringkas ditampilkan pada Tabel 9.

Tabel 9. Hasil Uji Regresi Volume Penjualan Terhadap Periode Waktu

The regression equation is

vol. Penj CPO = 133291 + 1008.3 periode
Predictor Coef SE Coef T P
Constant 133291 12252 10.88 0.000
Periode 1008.3 250.4 4.03 0.000
S = 55645.2 R-Sq = 16.5% R-Sq(adj) = 15.5%
Sumber : Data Primer Diolah (2011)

Berdasarkan hasil uji regresi volume penjualan CPO terhadap waktu pada

Tabel 9 menghasilkan persamaan regresi sederhana yaitu volume penjualan

CPO = 133291 + 1008.3 periode, dengan menggunakan tingkat kepercayaan 95

persen. Dari persamaan tersebut diketahui nilai konstanta variabel respon sebesar

133291 dan taksiran parameter variabel prediktor sebesar 1008.3. Hal ini

mengindikasikan bahwa deret data penjualan CPO memiliki trend yang signifikan

59
dengan melihat nilai konstanta variabel respon dan nilai parameter variabel

prediktor. Koefisien konstanta sebesar 133291 menunjukkan nilai perubahan

konstan sebesar 133.291 ton CPO. Koefisien regresi sebesar 1008.3 berarti bahwa

diduga setiap bulannya terjadi penambahan penjualan CPO sebesar 1.008,3 ton.

Sehingga dapat diketahui bahwa deret data penjualan CPO PT. KPB Nusantara

memiliki unsur trend meningkat.

Selain melihat grafik pergerakan plot data volume penjualan dan uji

statistik, dapat juga dilakukan dengan mengamati plot Autocorrelation Function

(ACF) dari deret volume penjualan CPO periode Januari 2004 - Desember 2010.

Plot autokorelasi menunjukkan keeratan hubungan nilai variabel yang sama,

namun variabel pada waktu yang berbeda. Gambar 4 menunjukkan plot ACF data

aktual volume penjualan CPO.

Autocorrelation Function for vol.penj. CPO

(with 5% significance limits for the autocorrelations)

1.0
0.8
0.6
0.4
Autocorrelation

0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

2 4 6 8 10 12 14 16 18 20
Lag

Gambar 4. Plot ACF dari Data Penjualan CPO Periode Januari 2004
sampai Desember 2010
Sumber : Data Primer Diolah (2011)

60
 Berdasarkan plot autokorelasi (ACF), yang terbentuk bersifat eksponensial

yaitu dilihat dari pergerakannya yang tidak secara cepat mendekati nol yang

menunjukkan unsur trend sesuai dengan Firdaus (2006: 2) yaitu unsur trend

diketahui dengan adanya beda kala pertama tinggi dan berbeda dengan nol secara

signifikan, lalu turun mendekati nol saat series meningkat. Plot ACF juga

memperlihatkan adanya pola gelombang secara bergantian antara positif dan

negatif yang menunjukkan adanya unsur musiman. Pergerakan unsur musiman

yang terjadi diakibatkan oleh pengaruh cuaca yang mengakibatkan pemetikan

Tandan Buah Segar (TBS) di kebun pengolahan CPO terganggu, yang

mengakibatkan penurunan produksi CPO, faktor lain yang mempengaruhi adalah

hari raya, natal dan tahun baru. Sehingga dapat diidentifikasikan bahwa data

penjualan CPO mengandung unsur trend (cenderung meningkat) dan unsur

musiman.

Sedangkan untuk mengetahui ada tidaknya distribusi yang sesuai dengan

distribusi data yang ada digunakan grafik Distributional Analysis Probability Plot,

yaitu berdasarkan diagram plot penjualan CPO periode Januari 2004 sampai

Desember 2010. Dari diagram yang terbentuk dapat diketahui bahwa data time

series penjualan CPO PT. KPB Nusantara menunjukkan data yang berada di

sekitar garis lurus, hal ini berarti data penjualan CPO PT. KPB Nusantara periode

Januari 2004 sampai Desember 2010 bersifat normal. Grafik normal probability

plot penjualan CPO PT. KPB Nusantara periode Januari 2004 sampai Desember

2010 disajikan pada Lampiran 4.

61
5.2.3. Metode Peramalan Kuantitatif Penjualan Crude Palm Oil (CPO)

Berdasarkan pola data penjualan CPO yang telah diketahui dengan

mengidentifikasi pola data, maka diketahui bahwa terdapat pola data yang

memiliki unsur trend (cenderung meningkat) dan unsur musiman, dengan

mengetahui pola data tersebut maka mempermudah pemilihan metode time series

yang sesuai dengan pola data penjualan CPO PT. KPB Nusantara. Berdasarkan

identifikasi pola data tersebut maka metode peramalan time series yang sesuai

dengan pola data penjualan adalah Metode Double Eksponential Smoothing,

Metode trend, indeks musiman, dan Metode Box–Jenkins (ARIMA). Namun

sebagai perbandingan maka metode peramalan lainnya tetap digunakan yaitu

Metode Single Eksponential Smoothing, metode naif dan metode rata-rata

bergerak (moving average). Setelah diketahui nilai kesalahan (error) terkecil

dengan melihat nilai MSE (Mean Squared Error) maka akan diketahui metode

peramalan yang terbaik untuk meramalkan volume penjualan CPO pada PT. KPB

Nusantara satu tahun mendatang, yaitu tahun 2011. Berikut merupakan metode

peramalan time series yang digunakan dalam penelitian ini.

5.2.3.1. Metode Naif (Naive)

Metode naif menganggap bahwa periode saat ini merupakan prediktor

terbaik dari masa depan. Metode ini merupakan metode sederhana karena

perhitungannya dengan menggunakan data yang lewat (past data) yang dijadikan

sebagai ramalan waktu mendatang. Metode ini menyatakan bahwa dimasa datang

suatu sistem cenderung mempertahankan momentum (enggan berubah) dari masa

62
silam. Dari pernyataan tersebut dirumuskan dalam bentuk formula sederhana

ŷt+1= уt. Dimana ŷt+1 merupakan nilai ramalan periode mendatang penjualan

CPO, sedangkan уt merupakan nilai aktual penjualan CPO periode ke-t. Metode

naif sesuai untuk meramalkan pola data yang memiliki unsur stasioner

disepanjang masa peramalan.

Berdasarkan hasil perhitungan dengan metode naif diketahui peramalan

pada periode selanjutnya yaitu sebesar 72.000 ton penjualan CPO, hal tersebut

merupakan angka peramalan yang diperkirakan terjadi pada bulan Januari 2011.

Sedangkan nilai MSE (Mean Squared Error) sebesar 4588377111, yang

menunjukkan bahwa penyimpangan yang terjadi dalam metode naif adalah

sebesar 4588377111. Nilai MAE yang dihasilkan sebesar 50806.98916 yang

menunjukkan penyimpangan absolut sebesar 50806.98916, dan nilai MAPE yang

dihasilkan sebesar 31.34057417, yang menunjukkan besarnya penyimpangan

ramalan metode naif sebesar 31.34057417%. Hasil perhitungan metode peramalan

time series metode naif disajikan pada Lampiran 5.

5.2.3.2. Metode Rata-rata Bergerak (Moving Average)

Metode rata-rata bergerak (moving average) diterapkan dengan cara

meratakan sejumlah data untuk diikutsertakan dalam perhitungan. Dengan

menetapkan bahwa ramalan periode mendatang merupakan nilai rataan data

penjualan CPO dengan mengeluarkan nilai dari periode yang terlama dan

memasukkan nilai dari periode terbaru dari sekelompok data yang jumlahnya

konstan. Banyaknya data yang digunakan disebut ordo, sedangkan penentuan ordo

63
dapat dilakukan dengan coba-coba (trial and error), hal ini dimaksudkan untuk

menentukan nilai kesalahan yang terkecil. Ordo yang digunakan dalam penelitian

ini adalah ordo 2 untuk data dua bulanan, ordo 3 untuk data triwulan (tiga bulan),

ordo 4 untuk data kuartal (empat bulan), ordo 6 untuk data setengah tahun, dan

ordo 12 untuk data tahunan.

Metode ini digunakan untuk memasukkan informasi terbaru, setiap ada

informasi terbaru akan diperoleh dengan menghilangkan informasi terlama

dengan memasukkan informasi terbaru, pada teknik ini semua informasi dibobot

sama. Dalam penelitian ini menggunakan ordo 12 (MA=12) hal ini dikarenakan

ordo 12 memiliki nilai kesalahan (error) terkecil. Perbandingan hasil perhitungan

menggunakan metode Moving Average (MA) dengan berbagai macam ordo

ditampilkan pada Tabel 10.

Tabel 10. Perbandingan Hasil Perhitungan Metode Moving Average dengan Ordo
yang Berbeda-beda

MA Nilai
Ordo MSE MAE MAPE
2 3809504208 47177 30
3 3567488868 45896 30
4 3791598690 47470 31
6 3958455289 50233 32
12 3281015249 45415 29
Sumber : Data Primer Diolah (2011)

Berdasarkan hasil perhitungan metode moving average berordo 12,

diketahui nilai kesalahan (error) diantaranya adalah nilai MSE sebesar

3281015249, yang menunjukkan bahwa penyimpangan yang terjadi dalam metode

64
ini adalah sebesar 3281015249, nilai MAE sebesar 45415, yang berarti

penyimpangan yang terjadi 45415 dan nilai MAPE sebesar 29 yang menunjukkan

besarnya persentase penyimpangan sebesar 29%. Melalui penerapan metode

moving average dengan ordo 12 menghasilkan peramalan untuk satu periode

kedepan yaitu periode ke 85 yaitu pada bulan Januari 2011 sebesar 196715.588

ton penjualan CPO. Grafik pergerakan ramalan menggunakan metode moving

average (MA=12) disajikan pada Lampiran 6.

5.2.3.3. Metode Pemulusan Eksponensial Tunggal (Single Eksponential

Smoothing)

Metode ini membutuhkan nilai alfa (α) sebagai nilai parameter pemulusan.

Bobot nilai α lebih tinggi diberikan kepada data yang lebih baru, sehingga nilai

parameter α yang sesuai akan memberikan ramalan yang optimal dengan nilai

kesalahan (error) terkecil. Untuk mendapatkan nilai α yang tepat pada umumnya

dilakukan dengan trial and error (coba-coba) untuk menentukan nilai kesalahan

terendah. Nilai α dilakukan dengan membandingkan menggunakan interval

pemulusan antara 0<α<1, yaitu α (0,1 sampai dengan 0,9). Metode ini hanya

mampu memberikan ramalan satu periode ke depan dan cocok untuk data yang

mengandung unsur stasioner. Karena jika diterapkan pada serial data yang

memiliki trend yang konsisten, ramalan yang dibuat akan selalu berada

dibelakang trend. Selain itu, metode eksponensial ini juga memberikan bobot

yang relatif lebih tinggi pada nilai pengamatan terbaru dibanding nilai-nilai

periode sebelumnya.

65
 Hasil perhitungan dan pergerakan metode pelicinan eksponensial tunggal

disajikan pada Lampiran 7. Berdasarkan hasil perhitungan dengan

membandingkan nilai α maka di dapat koefisien α sebesar 0,1 yang memiliki nilai

MSE terkecil yaitu sebesar 3241386465, nilai MAE 44434 dan nilai MAPE

sebesar 28. Dari nilai yang didapat maka dapat diketahui nilai penyimpangan

metode pemulusan eksponensial tunggal adalah 3241386465, besarnya

penyimpangan absolut sebesar 44434 dan besarnya persentase penyimpangan

adalah sebesar 28%. Persamaan yang terbentuk adalahSt = 0,1yt + (1- 0,1) St-1.

Dari persamaan tersebut maka dapat ditentukan nilai peramalan satu periode pada

Januari 2011 yaitu sebesar 197,237 ton penjualan CPO. Perbandingan nilai

kesalahan hasil penggunaan metode Single Eksponential Smoothing dengan nilai α

berbeda-beda disajikan pada Tabel 11 berikut.

Tabel 11. Perbandingan Nilai Kesalahan Metode Single Eksponential Smoothing

dengan Nilai α Berbeda-beda

Konstanta Nilai
Pemulusan
MSE MAE MAPE
(α)
0.1 3241386465 44434 28
0.2 3292149364 44439 29
0.3 3355968228 44154 29
0.4 3415279722 43958 28
0.5 3490506145 44576 29
0.6 3599660590 45271 29
0.7 3754060826 46107 29
0.8 3961304847 47395 30
0.9 4228934173 48904 31
Sumber : Data Primer Diolah (2011)

66
5.2.3.4. Metode Pemulusan Eksponensial Ganda (Double Eksponential
Smoothing)

Metode double eksponential smoothing memproses time series yakni

dengan mengekstrapolasi data atas dasar trend terakhir yang terbentuk, sehingga

ramalan yang akan terlihat nantinya cenderung ke satu arah yakni sesuai dengan

arah trend terakhir penjualan CPO. Metode ini sesuai untuk data yang memiliki

unsur trend. Metode double eksponential smoothing menggunakan dua koefisien

pemulusan yaitu koefisien alfa (α) dan gamma (γ). Koefisien pemulusan α

menunjukkan nilai koefisien pemulusan metode double eksponential smoothing,

sedangkan koefisien pemulusan γ menunjukkan nilai koefisein terhadap trend.

Nilai konstanta pemulusan tersebut berkisar antara 0 sampai 1.

Berdasarkan pengolahan data volume panjualan CPO pada PT. KPB

nusantara menunjukkan bahwa nilai kesalahan (error) terkecil dari beberapa

percobaan maka diketahui penerapan nilai α sebesar 0, 1 dan nilai γ sebesar 0,01

menghasilkan nilai MSE sebesar 3216539234, nilai MAE sebesar 44680 dan nilai

MAPE sebesar 29. Berdasarkan nilai kesalahan tersebut menunjukkan bahwa nilai

penyimpangan sebesar 3216539234, nilai penyimpangan absolut sebesar 44680

dan nilai persentase penyimpangan sebesar 29%. Hasil perhitunganmenggunakan

metode double eksponential smoothing dapat dilihat pada Lampiran 8.

5.2.3.5. Metode Indeks Musiman

Perhitungan indeks musiman dapat dihitung dengan mencari nilai rata-rata

berbagai rasio penjualan nyata terhadap nilai garis trend untuk setiap periode.

Perhitungan menggunakan metode indeks musiman ini dilakukan pada bulan yang
67
sama namun pada tahun yang berbeda yaitu selama kurun waktu 7 tahun (2004 -

2010). Perhitungan menggunakan metode ini diawali dengan mencari persamaan

indeks musiman menggunakan metode least square (Lampiran 9), selanjutnya

diketahui persamaan Y'= 176143.23 + 504.15X. Setelah mendapatkan persamaan,

langkah selanjutnya adalah mencari rasio penjualan terhadap trend untuk setiap

bulan selama tahun pengamatan. Dari hasil rasio tersebut dirata-ratakan dengan

data yang diikutsertakan, sehingga diketahui nilai kesalahan untuk tiap bulan pada

tahun pengamatan. Berdasarkan perhitungan indeks musiman, didapat nilai MSE

sebesar 3059227222.28, sedangkan nilai MAE adalah sebesar 42460.74 dan nilai

MAPE sebesar 27.80. Dari perhitungan tersebut diketahui bahwa besarnya

penyimpangan menggunakan metode ini adalah sebesar 3059227222.28, besarnya

penyimpangan absolut sebesar 42460.74, dan besarnya persentase penyimpangan

27.80%. Perhitungan menggunakan metode indeks musiman ditampilkan pada

Lampiran 10.

5.2.3.6. Metode Tren (Trend)

Peramalan menggunakan metode trend sudah sangat banyak digunakan

dalam perusahaan bisnis, karena data ekonomi yang terbentuk umumnya banyak

terdapat unsur trend baik trend meningkat atau menurun. Penggunaan metode

trend dalam penelitian ini adalah dengan metode trend analysis yang terdapat

pada program Minitab 15, sehingga mudah untuk menganalisis dan menampilkan

data yang mengandung unsur trend.

Perhitungan menggunakan metode trend dilakukan langkah awal agar

pemodelan regresi dapat mewakili sifat data yaitu dengan memeriksa model
68
hubungan antara variabel prediktor dan variabel respon, secara umum terdapat dua

model hubungan yaitu hubungan lenier dan hubungan nonlenier. Variabel data

penelitian, yaitu penjualan CPO sebagai variabel dependen (respon) dan periode

waktu sebagai variabel independen (prediktor). Pemakaian kedua variabel tersebut

dimaksudkan untuk mengetahui besarnya hubungan antara penjualan terhadap

waktu dengan menggunakan trend analysis. Dalam penelitian ini model yang

digunakan yaitu model regresi lenier sederhana dan model regresi non-lenier

(kuadratik).

Berdasarkan pola hubungan lenier antara penjualan CPO sebagai variabel

dependen dan periode waktu sebagai variabel independen, terlihat bahwa

hubungan variabel tersebut berada di antara garis lurus, berarti residual

berdistribusi normal dengan rata-rata mendekati nol (0). Berdasarkan perhitungan

model regresi lenier sederhana menggunakan metode trend analysis menghasilkan

persamaan Yt = 133291 + 1008.29t. Dengan nilai MSE sebesar 3022665154, nilai

MAE sebesar 43010, dan nilai MAPE sebesar 28. Hal ini menunjukkan bahwa

nilai penyimpangan pada metode ini sebesar 3022665154, nilai penyimpangan

absolut sebesar 43010, dan besarnya persentase penyimpangan 28%. Pergerakan

grafik peramalan menggunakan metode trend analysis dengan model regresi

lenier sederhana dengan volume penjualan CPO sebagai dependent variable dan

periode waktu sebagai independent variable disajikan pada Gambar 5. Sedangkan

nilai perhitungannya ditampilkan pada Lampiran 11.

69
 Trend Analysis Plot for vol.penj.CPO
Linear Trend Model
Yt = 133291 + 1008.29*t
350000 Variable
A ctual
Fits
300000
Accuracy Measures
MA PE 28
250000 MA D 43010
vol.penj.CPO

MSD 3022665154

200000

150000

100000

1 8 16 24 32 40 48 56 64 72 80
periode waktu

Gambar 5. Grafik Trend Analysis Model Regresi Lenier

Sumber : Data Primer Diolah (2011)

Perhitungan menggunakan trend analysis model regresi nonlenier

digunakan untuk mencari model terbaik terhadap pola hubungan antar variabel,

penggunaan metode ini ditandai dengan pola hubungan yang berbentuk garis tidak

lurus antara variabel dependen (penjualan CPO) terhadap variabel independen

(periode waktu). Garis tidak lurus tersebut merupakan garis yang mendekati titik-

titik pergerakan dari data historis jumlah penjualan CPO. Berdasarkan

perhitungan trend analysis menggunakan model non lenier sederhana diketahui

persamaan yaitu Yt = 128208 + 1362.91t - 4.17196t2. Sedangkan nilai kesalahan

menggunakan trend analysis model regresi non lenier (kuadratik) yaitu nilai MSE

sebesar 3017854357, nilai MAE sebesar 43083 dan nilai MAPE sebesar 28. Hal

ini menunjukkan adanya penyimpangan menggunakan metode ini sebesar

3017854357, besarnya penyimpangan absolut 43083, dan besarnya persentase

70
penyimpangan 28%. Pergerakan grafik metode trend analysis model regresi non

lenier dapat dilihat pada Gambar 6 berikut. Perhitungan peramalan menggunakan

metode trend analysis model regresi non lenier (kuadratik) disajikan pada

Lampiran 12.

Trend Analysis Plot for vol.penj.CPO

Quadratic Trend Model
Yt = 128208 + 1362.91*t - 4.17196*t**2
350000 Variable
A ctual
Fits
300000
A ccuracy Measures
MA PE 28
250000 MA D 43083
vol.penj.CPO

MSD 3017854357

200000

150000

100000

1 8 16 24 32 40 48 56 64 72 80
Periode waktu

Gambar 6. Grafik Trend Analysis Model Regresi Non Lenier (Kuadratik)

Sumber : Data Primer Diolah (2011)

5.2.3.7. Metode Box-Jenkins (ARIMA)

Metode Box-Jenkins merupakan suatu prosedur interatif memilih model

terbaik untuk series yang stasioner dari suatu kelompok model time series lenier.

Metode ARIMA (autoregressive integrated moving average) adalah metode yang

tepat untuk mengatasi terlalu rumitnya deret waktu (terdapat variasi dari pola

data) dan situasi peramalan lainnya. Berdasarkan pola data penjualan CPO PT.

KPB Nusantara yang mengandung unsur trend dan musiman tertentu maka model

yang diterapkan adalah model Seasonal ARIMA (SARIMA). Penggunaan metode

tersebut dikarenakan pola data mengandung unsur musiman, perbedaanya hanya

71
terletak pada saat identifikasi perilaku Autocorrelation Function (ACF) dan

Partial Autocorrelation Function (PACF) data deret waktu yang mengandung

unsur musiman.

Penggunaan metode ARIMA merupakan metode yang digunakan pada

data yang memiliki unsur stasioner atau dengan kata lain tidak mengandung unsur

trend maupun musiman. Data dengan unsur yang belum stasioner harus stasioner

terlebih dahulu sebelum diestimasi dalam suatu model peramalan yaitu dengan

melakukan proses pembedaan (differencing). Pembedaan dilakukan baik terhadap

data level yang disebut pembedaan regular (regular differencing), maupun

pembedaan terhadap deret waktu yang sudah mengalami pembedaan musiman

(seasonal differencing). Berdasarkan pengamatan plot ACF dan PACF terhadap

pola data aktual penjualan CPO PT. KPB Nusantara maka diketahui terdapat

unsur trend dan unsur musiman. Unsur trend diketahui karena terjadinya

penurunan secara lambat dari nilai koefisien korelasi pada lag-lag awal plot ACF.

Pergerakan data trend juga dapat diketahui dengan beda kala (lag) pertama tinggi

dan berbeda dengan nol secara signifikan, lalu turun mendekati nol saat series

meningkat. Sedangkan pergerakan adanya unsur musiman diketahui dengan

perilaku ACF yang bergerak bergelombang antara korelasi positif dan negatif

yang bergantian.

Langkah awal melakukan peramalan dengan metode ARIMA yang

terdapat unsur musiman yaitu dengan melakukan pembedaan pertama (first

differencing) pola ACF data aktual penjualan CPO. Pembedaan regular pertama

72
ditampilkan pada Gambar 7, dan nilai korelasi ACF dan grafik PACF pembedaan

pertama disajikan pada Lampiran 13.

Autocorrelation Function for diff reg

(with 5% significance limits for the autocorrelations)

1.0
0.8
0.6
0.4
Autocorrelation

0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

2 4 6 8 10 12 14 16 18 20
Lag

Gambar 7. Grafik ACF Pembedaan Regular Pertama

Sumber : Data Primer Diolah (2011)

Berdasarkan grafik ACF pada Gambar 7, diketahui pada awal lag bagian

non musiman telah melewati garis signifikan, hal ini menandakan data tersebut

berpola ACF yang cut off, namun koefisien korelasi untuk data musiman masih

cukup signifikan, yang menandakan bahwa data belum stasioner pada bagian

musiman, oleh karena itu perlu dilakukan pembedaan musiman pertama. Plot

ACF untuk pembedaan musiman pertama ditampilkan pada Gambar 8.

Berdasarkan grafik plot ACF pembedaan musiman pertama diketahui bahwa

bagian musiman yaitu pada lag 12 sudah menunjukkan pola cut off yaitu melewati

73
garis signifikan. Hal ini menandakan bahwa data pembedaan musiman pertama

sudah menunjukkan pola stasioner.

Autocorrelation Function for diff mus

(with 5% significance limits for the autocorrelations)

1.0
0.8
0.6
0.4
Autocorrelation

0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

2 4 6 8 10 12 14 16 18
Lag

Gambar 8. Grafik ACF Pembedaan Musiman Pertama

Sumber : Data Primer Diolah (2011)

Langkah akhir untuk mengamati pembedaan pertama yaitu dengan

melakukan pembedaan terhadap data yang telah dilakukan pembedaan regular

pertama maupun data yang telah dilakukan pembedaan musiman pertama.

Berdasarkan pergerakan ACF pembedaan regular pertama dan pembedaan

musiman pertama (Gambar 9 dan 10) dan nilai koefisien korelasi ACF dan PACF

disajikan pada Lampiran 14, diketahui perilaku ACF pada pembedaan regular

pertama dan pembedaan musiman pertama menunjukkan pola data yang cut off,

hal ini menunjukkan bahwa data tersebut sudah stasioner dimana koefisien

korelasi pada semua beda kala non musiman tidak ada yang signifikan. Sedangkan

grafik PACF menunjukkan pola dying down.

74
 Autocorrelation Function for diffreg diffmus
(with 5% significance limits for the autocorrelations)

1.0
0.8
0.6
0.4
Autocorrelation

0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

2 4 6 8 10 12 14 16 18
Lag

Gambar 9. Grafik ACF Pembedaan Regular Pertama dan

Pembedaan Musiman Pertama
Sumbar : Data Primer Diolah (2011)

Partial Autocorrelation Function for diffreg diffmus

(with 5% significance limits for the partial autocorrelations)

1.0
0.8
0.6
Partial Autocorrelation

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

2 4 6 8 10 12 14 16 18
Lag

Gambar 10. Grafik PACF Pembedaan Regular Pertama dan

Pembedaan Musiman Pertama
Sumber : Data Primer Diolah (2010)

75
 Setelah data penjualan CPO telah stasioner maka tahap selanjutnya adalah

melakukan identifikasi terhadap penentuan model ARIMA, dengan mengamati

perilaku ACF dan PACF yang terbentuk. Berdasarkan pola ACF yang bersifat cut

off dan plot PACF yang bersifat dying down, maka model ARIMA tentatif

Seasonal ARIMA untuk Penjualan CPO PT. KPB Nusantara adalah Seasonal

Moving Average (SMA) dengan model ARIMA (0,d,q)(0,D,Q)L. Dikarenakan

terjadi pembedaan regular pertama dan pembedaan musiman pertama maka nilai

d=1 dan D=1, sehingga model yang sesuai adalah ARIMA (0,1,q)(0,1,Q)L.

Sedangkan panjangnya deret data musiman untuk bulanan adalah 12 maka

besarnya L=12. Pemakaian nilai L (panjang musiman) sebesar 12 adalah ada

kecenderungan terjadi berulangnya data musiman setiap tahunnya yaitu terjadi

sepanjang 12 bulan. Sehingga bentuk model ARIMA yang digunakan adalah

ARIMA (0,1,q)(0,1,Q)12. Sedangkan model estimasi untuk moving Average

adalah ARIMA (0,1,1)(0,1,1)12.

Penggunaan model tentatif ARIMA (0,1,1)(0,1,1)12, menunjukkan bahwa

pola data penjualan CPO telah delakukan proses differencing sebanyak 1 kali agar

data menjadi stasioner, hal ini ditunjukkan dengan nilai d=1 dan D=1. Untuk

mengetahui model terbaik maka perlu dilakukan perbandingan dengan model

ARIMA lainya. Model alternatifnya adalah model ARIMA (0,1,1)(0,1,2)12, model

alternatif tersebut merupakan model terbaik dalam pengamatan ACF dan PACF

yang terbentuk setelah data stasioner.

Berdasarkan perhitungan metode Box-Jenkins terhadap model tentatif

ARIMA(0,d,q)(0,D,Q)12, diketahui hasil dari kedua model tersebut (Lampiran 15),

76
maka dapat disimpulkan bahwa model ARIMA (0,1,1)(0,1,1)12 merupakan model

yang memiliki nilai MSE terkecil. Perbandingan nilai MSE dari kedua model

ARIMA tersebut disajikan pada Tabel 12.

Tabel 12. Perbandingan Nilai MSE Model ARIMA (0,d,q)(0,D,Q)L

Model ARIMA Nilai MSE

(0,1,1)(0,1,1)12 3188681887
(0,1,1)(0,1,2)12 3218064262
Sumber : Data Primer Diolah (2011)

Tahap selanjutnya adalah mengevaluasi model tersebut dengan uji

diagnostik, yang dilakukan untuk memastikan apakah model ARIMA

(0,1,1)(0,1,1)12 sudah baik atau belum, yaitu:

1. Residual bersifat acak, diketahui melalui indicator box-Ljung statistic dari

session bahwa nilai P-value untuk uji model ARIMA (0,1,1)(0,1,1)12 sudah

lebih besar dari 0,05 yaitu (0.401 ,0.562 , 0.374 , 0.542 ) pada lag 12, 24, 36,

48 yang menunjukkan model ini sudah acak.

2. Model parsimonius. Model tentatif yang diperoleh yaitu ARIMA

(0,1,1)(0,1,1)12 sudah menunjukkan bentuk yang paling sederhana.

3. Parameter yang diestimasi berbeda nyata dengan nol. Pernyataan ini dapat

dilihat dari nilai P-value koefisien yang kurang dari 0,05. Dan terlihat P-value

koefisien model sebesar 0.000.

4. Kondisi invertebilitas ataupun stasioneritas harus terpenuhi, hal ini dapat

dilihat dari jumlah koefisien MA = 0.8276, dan tidak ada nilai koefisien AR,

berarti invertebilitas sudah terpenuhi.

77
5. Proses iterasi harus convergence. Hal ini dapat dilihat dari session yang

menunjukkan pernyataan Relative change in each estimate less than 0.0010.

6. Model harus memiliki nilai MSE terkecil, hal ini menunjukkan model ARIMA

(0,1,1)(0,1,1)12 memiliki nilai MSE terkecil yaitu 3188681887 dibandingkan

nilai MSE model ARIMA (0,1,1)(0,1,2)12 yaitu sebesar 3218064262.

Peramalan penjualan CPO PT. KPB Nusantara menggunakan metode Box-

Jenkins dengan model ARIMA (0,d,q)(0,D,Q)L dengan model ARIMA tentatif

yaitu model ARIMA (0,1,1)(0,1,1)12 dan model ARIMA (0,1,1)(0,1,2)12, dapat

disimpulkan bahwa model ARIMA (0,1,1)(0,1,1)12 lebih baik daripada model

ARIMA (0,1,1)(0,1,2)12.

5.2.4. Pemilihan Metode Peramalan Kuantitatif Terbaik Penjualan CPO

Pemilihan metode peramalan terhadap penjualan CPO PT. KPB Nusantara

yaitu dengan melakukan perhitungan dan pengamatan terhadap perilaku data

series penjualan CPO selama 7 tahun selama periode Januari 2004 sampai

Desember 2010. Peramalan yang dilakukan dengan menggunakan metode time

series seperti Metode Naif (Naïve), Metode Rata-rata Bergerak (Moving

Average), Metode Pemulusan Eksponensial Tunggal (Single Eksponential

Smoothing), Metode Pemulusan Eksponensial Ganda (Double Eksponential

Smoothing), Metode Indeks Musiman, Metode trend dan Metode Box-Jenkins

(ARIMA). Tujuan dari penggunaan beberapa metode peramalan tersebut adalah

untuk mengetahui metode mana yang paling sesuai dengan pola data penjualan

CPO pada PT. KPB Nusantara sehingga sesuai untuk meramalkan tingkat

78
penjualan satu tahun mendatang. Sedangkan beberapa kriteria pemilihan metode

peramalan yaitu akurasi, jangkauan ramalan, biaya dan kemudahan penerapan.

Pemilihan metode terbaik dengan melihat nilai MSE (Mean Squared

error), dimana nilai MSE ini diperoleh melalui selisih antara nilai aktual dengan

nilai peramalan yang dikuadratkan dibagi dengan banyaknya deret waktu

peramalan. Sedangkan MAE (Mean Absolute Error) digunakan bila hanya satu

atau dua residual yang besar dalam data pengamatan, nilai MAPE (Mean Absolute

Percentage Error) digunakan untuk melihat sejauh mana bias metode peramalan

yang digunakan. Karena besarnya residual yang terjadi rata-rata memiliki besaran

sama sepanjang pengamatan maka menggunakan MSE sebagai ukuran akurasi

untuk menentukan metode peramalan terbaik untuk satu tahun mendatang, sesuai

dengan teori Firdaus (2006:4) bila residual besarnya merata sepanjang

pengamatan maka MSE yang sebaiknya digunakan.

Berdasarkan hasil penerapan metode peramalan kuantitatif peramalan yang

terbaik menunjukkan bahwa metode trend kuadratik (non lenier) merupakan

metode peramalan terbaik, karena metode tersebut menghasilkan nilai MSE

terkecil dibandingkan dengan metode lainnya. Hal ini dikarenakan semakin kecil

nilai MSE suatu peramalan maka semakin mendekati nilai aktualnya. Tabel 13

menunjukkan hasil perhitungan beberapa metode peramalan penjualan CPO

PT. KPB Nusantara.

79
 Tabel 13. Nilai Perhitungan Beberapa Metode Peramalan Penjualan CPO

No Metode peramalan Nilai Nilai Nilai

Ket
MSE MAE MAPE
Trend kuadratik (non
1 3017854357 43083 28
lenier)
2 Indeks Musiman 3059227222 42460.28 27.80
3 ARIMA (0,1,1)(0,1,1)12 3188681887 L=12
Pemulusan
Eksponensial Ganda α= 0.1
4 3216539234 44680 29
(Double Eksponential γ= 0.01
Smoothing)
Pemulusan
Eksponensial Tunggal
5 3241386465 44434 28 α = 0,1
(Single Eksponential
Smoothing)
Rata-rata bergerak
6 3281015249 45415 29 T= 12
(Moving Average)
7 Naif (Naive) 4588377111 50806.9 31.34
Keterangan: L =Panjang Musiman, α = Parameter Pemulusan, γ = Parameter Trend, T = Ordo
(Sumber : Data Primer Diolah , 2011)

Berdasarkan perhitungan pada Tabel 13 tersebut, diketahui nilai MSE

terkecil dihasilkan oleh perhitungan menggunakan metode trend kuadratik (non

lenier). Kemudian diikuti oleh metode Indeks Musiman, Box-Jenkins model

ARIMA (0,1,1)(0,1,1)12, Pemulusan Eksponensial Ganda (Double Eksponential

Smoothing), Pemulusan Eksponensial Tunggal (Single Eksponential Smoothing),

Rata-rata bergerak (Moving Average) dan Naif (Naive). Penggunaan metode

tersebut sudah mengikuti prosedur yang berlaku. deret waktu yang digunakan

dalam peramalan CPO selama 7 tahun yaitu Januari 2004 sampai Desember 2010

dengan jumlah data observasi sebanyak 84 data, penelitian dilakukan dengan

mengambil data bulanan perusahaan. Pengambilan data bulanan dimaksudkan

untuk mengamati perilaku penjualan CPO yang terjadi selama satu bulan kegiatan

80
usaha. Sedangkan jangkauan peramalan dilakukan untuk meramalkan tingkat

penjualan satu tahun mendatang.

Pemilihan metode peramalan yang terbaik menurut Firdaus (2006:4)

dilakukan dengan penilaian akurasi hasil peramalan yaitu dengan mengamati

selisih nilai aktual pengamatan dengan estimasi dari peramalan, yaitu

menggunakan nilai MSE. Metode trend kuadratik (non lenier) merupakan metode

yang memiliki nilai MSE yang terkecil yaitu sebesar 3017854357, kemudian

diikuti oleh metode Indeks musiman sebesar 3059227222 dan metode Box-

Jenkins (ARIMA) yaitu sebesar 3188681887, ketiga metode tersebut

menunjukkan urutan nilai MSE terkecil.

Penggunaan metode metode trend sudah banyak digunakan dalam

kegiatan perusahaan bisnis, dalam penelitian ini memilih metode trend kuadratik

(non lenier) dengan persamaan Yt = 128208 + 1362.91t - 4.17196t2 sudah

sesederhana mungkin (parsimonious). Berdasarkan persamaan tersebut maka

diketahui koefisies konstanta 128208 menunjukkan penjualan rata-rata 128208 ton

CPO, koefisien regresi 1362.91t - 4.17196t2 menunjukkan bahwa kenaikan

penjualan CPO setiap bulannya.

Berdasarkan uji statistik metode trend kuadratik (Lampiran 16)

menunjukkan bahwa nilai R-Square sebesar 16.6%, yang menunjukkan bahwa

pengaruh waktu terhadap penjualan CPO sebesar 16.6 persen, sedangkan 83.4

persen dipengaruhi faktor lain. Level toleransi yang digunakan adalah 5%

berdasarkan perhitungan trend kuadratik diketahui nilai v1= 2 dan v2= 82,

sedangkan nilai F tabel untuk F(0.05;2.82) adalah 3.11, dalam hal ini nilai F tabel

81
lebih rendah dari nilai statistik F uji yaitu 8.09. Sedangkan besarnya uji p-value

menunjukkan angka 0.001. Hal ini menunjukkan bahwa semua atau salah satu

parameter model regresi statistik tidak bernilai 0. Berdasarkan grafik fited line

plot (Lampiran 16) model kuadratik menunjukkan bahwa distribusi data menyebar

merata sepanjang garis rata-rata. Artinya model regresi kuadratik ini dapat

digunakan dan mewakili data peramalan.

Biaya yang dikeluarkan dalam menggunakan metode trend kuadratik tidak

terlalu mahal dan kebutuhan waktu peramalan tidak terlalu lama, yaitu dengan

mengambil data historis penjualan CPO 7 tahun, hal ini sesuai dengan pernyataan

Render dan Heizer (2001: 46) peramalan jangka panjang, yaitu peramalan yang

memiliki rentang waktu biasanya tiga tahun atau lebih. Selain itu juga perangkat

lunak (Software) yang digunakan sederhana dan mudah digunakan yaitu Microsoft

Excel dan Minitab 15, penggunaan program komputer tersebut bertujuan untuk

mengurangi kesalahan dan meningkatkan keakuratan data peramalan, sehingga

peramalan penjualan mudah digunakan dan diimplementasikan dalam kegiatan

penjualan CPO perusahaan.

5.3. Analisis Tingkat Peramalan Penjualan Crude Palm Oil (CPO) Satu
Tahun Mendatang

Setelah melakukan perhitungan menggunakan metode-metode peramalan

time series (runtun waktu) untuk melakukan peramalan penjualan CPO pada PT.

KPB Nusantara diketahui bahwa metode trend kuadratik (non lenier) memiliki

nilai kesalahan terkecil dengan melihat nilai MSE. Kemudian metode tersebut

dapat dijadikan perencanaan atau acuan perusahaan dalam meramalkan penjualan

82
CPO satu tahun mendatang yaitu periode Januari 2011 sampai Desember 2011.

Hasil peramalan untuk 12 bulan mendatang menggunakan metode trend kuadratik

(non lenier) ditampilkan pada Tabel 14. Sedangkan grafik pergerakan hasil

peramalan penjualan menggunakan metode trend analysis model kuadratik (non

lenier) disajikan pada Lampiran 17.

Tabel 14. Peramalan Penjualan CPO Periode Januari 2011 – Desember 2011
Menggunakan Metode Trend Kuadratik

Periode Bulan Peramalan (Dalam ton)

85 Januari 213.913
86 Februari 214.562
87 Maret 215.204
88 April 215.836
89 Mei 216.461
90 Juni 217.077
91 Juli 217.685
92 Agustus 218.284
93 September 218.875
94 Oktober 219.458
95 November 220.032
96 Desember 220.598
Jumlah 2.607.985
Sumber : Data Primer Diolah (2011)

Berdasarkan hasil perhitungan metode trend kuadratik, diketahui terjadi

peningkatan penjualan CPO yang dimulai dari awal tahun 2011 yaitu periode 85

sampai akhir tahun 2011 yaitu periode 96, sedangkan persentase kenaikan volume

penjualan CPO pada PT. KPB Nusantara rata-rata setiap bulannya adalah sebesar

6% per bulan, kenaikan ini diprediksikan karena jumlah permintaan terhadap CPO

semakin meningkat setiap bulannya akibat dari kebutuhan produk olahan dan

83
turunan CPO bertambah, serta semakin membaiknya perekonomian dunia.

Sehingga pihak perusahaan memiliki acuan atau gambaran besarnya persediaan

(stock) CPO sebagai perencanaan mengantisipasi besarnya permintaan pada

bulan-bulan tersebut tahun 2011.

Pola data aktual penjualan CPO PT. KPB Nusantara selain mengandung

unsur trend juga memiliki unsur musiman. Secara teori unsur trend kuadratik

terpilih sebagai metode peramalan kuantitatif terbaik karena memiliki nilai MSE

terkecil, namun dalam kenyataanya unsur musiman juga mempengaruhi penjualan

CPO, sehingga metode Trend kuadratik (non lenier) dan metode Indeks Musiman

dapat dijadikan alternatif peramalan penjualan CPO. Berdasarkan volume

penjualan CPO pada Lampiran 2, bulan-bulan tertentu menunjukkan kenaikan dan

penurunan penjualan yang menandakan adanya pengaruh musim, seperti pengaruh

awal dan akhir tahun yang menunjukkan penurunan jumlah penjualan, sehingga

penjualan dilakukan pada bulan sebelumnya yaitu bulan September dan bulan

Oktober. Hari raya keagamaan seperti bulan Ramadhan/puasa yang terjadi antara

bulan Agustus, September dan natal pada bulan Desember juga dapat

mempengaruhi penjualan, mengakibatkan penjualan difokuskan pada bulan

sebelumnya yaitu Juni, Juli dan September. Musim penghujan yang tidak menentu

akibat perubahan iklim/global warming mempengaruhi pemetikan tandan buah

segar karena termasuk produk pertanian rentan terhadap perubahan iklim sehingga

mengakibatkan produksi CPO menurun yang berdampak pada penjualan CPO.

Melalui kegiatan peramalan penjualan CPO pada PT. KPB Nusantara

dapat dijadikan rekomendasi kepada Departemen terkait (Kementerian BUMN

84
dan Kementerian Pertanian) sebagai pihak pengambil kebijakan yang membawahi

PTPN, seperti kegiatan mengoptimalisasikan produksi CPO atau produk

perkebunan lainnya. Kegiatan tersebut dimulai dari industri hulu seperti kegiatan

produksi dan pengolahan, sampai industri hilir seperti pemasaran dan

pendistribusian hasil perkebunan. Dengan mengetahui peramalan penjualan ini

juga dapat dijadikan langkah PTPN selaku produsen CPO untuk meningkatkan

produksinya dengan cara ekstensifikasi, intensifikasi dan penanganan pasca panen

atau pengolahan yang optimal, sehingga hasil produksi CPO dapat memenuhi

permintaan konsumen. Melalui perencanaan penjualan dapat diketahui kebutuhan

perusahaan terhadap bahan baku, tenaga kerja, keuangan, peralatan pendukung

dan sumber daya lainnya yang dibutuhkan untuk memenuhi permintaan CPO,

sesuai dengan jumlah peramalan penjualan yang dilakukan untuk periode Januari

2011 sampai Desember 2011 yaitu sebesar 2.607.985 ton menggunakan metode

Trend kuadratik.

85
 BAB VI
KESIMPULAN DAN SARAN

6.1. Kesimpulan

Berdasarkan hasil pembahasan terhadap penelitian yang telah dilakukan,

maka dapat diambil kesimpulan sebagai berikut:

1. Metode peramalan penjualan yang dilakukan oleh PT. Kharisma Pemasaran

Bersama (KPB) Nusantara melalui metode kualitatif yaitu dengan rapat

internal perusahaan, namun tetap berpedoman kepada perusahaan peramalan

komoditas internasional seperti Oil World dan Reuters. Melalui bagian

Analisa Pasar dan Pengembangan Usaha, perusahaan mengamati dan

menganalisis secara langsung perkembangan harga, penawaran dan

permintaan CPO dunia yang mengacu pada pasar minyak sawit internasional

berpusat di Rotterdam dan MDEX Malaysia.

2. Berdasarkan data aktual penjualan CPO pada PT. KPB Nusantara selama 7

tahun periode Januari 2004 sampai Desember 2010, diketahui memiliki unsur

trend (cenderung meningkat) dan unsur musiman. Unsur trend yang

meningkat terjadi karena permintaan terhadap CPO baik perusahaan di dalam

dan luar negeri mengalami peningkatan, akibat meningkatnya konsumsi

produk olahan CPO. Unsur musiman diakibatkan oleh perilaku cuaca yang

mempengaruhi pemetikan tandan buah segar di pabrik pengolahan CPO yaitu

PTPN I , II , III , IV , V , VI , VII , VIII , XIII dan XIV. Selain itu juga adanya

faktor hari besar seperti lebaran, natal dan tahun baru. Sedangkan metode

peramalan yang digunakan dalam penelitian ini adalah Metode Naif (Naive),
86
 Metode Rata-rata Bergerak (Moving Average), Metode Pemulusan

Eksponensial Tunggal (Single Eksponential Smoothing), Metode Pemulusan

Eksponensial Ganda (Double Eksponential Smoothing), Metode Tren (Trend),

Indeks Musiman, dan Metode Box–Jenkins (ARIMA), sedangkan metode

Trend kuadratik (non lenier) terpilih menjadi metode peramalan terbaik karena

metode tersebut memiliki nilai MSE (Mean Squared Error) terkecil.

3. Berdasarkan perhitungan metode peramalan menggunakan metode trend

kuadratik (non lenier) dengan nilai MSE sebesar 3017854357. Diketahui

bahwa nilai peramalan untuk satu tahun mendatang (tahun 2011) yaitu periode

85 sampai periode 96 adalah 213913 ton, 214562 ton, 215204 ton, 215836 ton,

216461 ton, 217077 ton, 217685 ton, 218284 ton, 218875 ton, 219458 ton,

220032 ton, 220598 ton. Dengan jumlah total penjualan untuk tahun 2011

adalah sebesar 2.607.985 ton CPO. Selain itu juga perlu adanya antisipasi

terhadap unsur musiman yang terjadi berdasarkan data yang terbentuk yaitu

pada bulan-bulan tertentu seperti awal dan akhir tahun (Januari dan

Desember), pengaruh iklim yang tidak menentu serta menjelang hari raya

keagamaan seperti bulan puasa dan natal yang diperkirakan jatuh pada bulan

Agustus dan September. Sehingga metode Indeks Musiman dapat dijadikan

alternatif kedua setelah metode Trend kuadratik (non lenier). Peningkatan

efektivitas PTPN diperlukan seperti kegiatan ekstensifikasi, intensifikasi dan

penanganan pasca panen atau pengolahan Tandan Buah Segar (TBS), agar

produksi CPO berlangsung optimal yang berakibat meningkatnya penjualan

CPO perusahaan.

87
6.2. Saran

1. Perencanaan penjualan CPO menggunakan metode kuantitatif yaitu time

series (runtun waktu) dengan metode trend kuadratik dapat digunakan oleh

pihak perusahaan, hal ini dikarenakan dapat membantu perusahaan dalam

merencanakan kegiatan penjualan CPO. Karena dengan metode peramalan

kualitatif yang dilakukan perusahaan saat ini memiliki kelemahan yaitu tidak

adanya prosedur yang sistematis untuk mengukur dan memperbaiki

keakuratan hasil peramalan serta mengantisipasi tingginya subjektivitas

pendapat.

2. Untuk mempermudah peramalan penjualan disarankan agar perusahaan

menggunakan perangkat lunak (software) seperti Microsoft Excel dan Minitab

15 serta bagian khusus yang menangani peramalan penjualan, sehingga

hasilnya dapat meningkatkan kesempatan perusahaan memperoleh laba dan

mengurangi ketergantungan terhadap peramalan dari perusahaan lain.

3. Hasil dari peramalan dalam penelitian ini dapat dijadikan dasar dalam

pengambilan keputusan strategis sebagai dasar perencanaan penjualan CPO

perusahaan untuk tahun 2011. Sedangkan untuk melengkapi penelitian ini ada

baiknya dilakukan penelitian lanjutan mengenai manajemen persediaan CPO.

88
 DAFTAR PUSTAKA

Firdaus, M. Analisis Deret Waktu Satu Ragam. (Jakarta: IPB Press, 2006).

Handoko, T. Hani. Dasar-Dasar Manajemen Produksi dan Operasi Edisi

Pertama, (Yogyakarta: BPFE-Yogyakarta, 2000).

Iriawan, Nur dan Septian Puji.A. Mengolah Data Statistik dengan Mudah
Menggunakan Minitab 14 Edisi I. (Yogyakarta: ANDI, 2006).

Khaerunnisah, Fitria. Analisis Peramalan Penjualan untuk Perencanaan

Pengendalian Persediaan Kecap Manis Sate PT. Korma Jaya Utama
(KJU) [skripsi]. (Jakarta: Program Studi Sosial Ekonomi
Pertanian/Agribisnis Fakultas Sains dan Teknologi Universitas Islam
Negeri Syarif Hidayatullah Jakarta. 2008).

Kotler, P dan Amstrong. Dasar-dasar Pemasaran, Edisi 9 Jilid 1. (Jakarta.

PT. Indeks, 2004).

Kotler, P dan keller Kevin Lane. Manajemen Pemasaran. Edisi 12 Jilid I.

(Jakarta: Indeks, 2007).

Laduni, A. Ilham. Uji Metode Peramalan Produksi di Usaha Dagang Safari

Donat [skripsi]. (Jakarta: Jurusan Sosial Ekonomi Pertanian/Agribisnis,
Fakultas Sains dan Teknologi, Universitas Islam Negeri Syarif
Hidayatullah Jakarta. 2008).

Makridakis, S., Wheelwright, S.C. dan McGee. V.E. Metode dan Aplikasi
Peramalan. Edisi 2 Jilid 1. Terj. Untung Sus Adriyanto dan Abdul Basith.
(Jakarta: Erlangga, 1999).

Mangoensoekarjo, Soepadiyo. dan Haryono S. Manajemen Agrobisnis Kelapa

Sawit. (Yogyakarta: Gadjah Mada University Press., 2003).
Mulyono, Sri. Peramalan Bisnis dan Ekonometrika. Edisi 1. (Yogyakarta: BPFE-
Yogyakarta, 2000).

Nafarin, M. Penganggaran Perusahaan. (Jakarta: Salemba Empat, 2007).

Nasution, Arman H, Manajemen Industri. (Yogyakarta: Penerbit Andi, 2006).

Pardamean, Maruli. Panduan Lengkap Pengelolaan Kebun dan Pabrik Kelapa

Sawit. (Jakarta: PT Agromedia Pustaka, 2008).

89
PT. Kharisma Pemasaran Bersama Nusantara. Profil PT. KPB Nusantara.
http://www.kpbptpn.co.id, 2 hlm. 19 Juli 2010. Pkl 13.00 wib.

______Harga Ancar-Ancar Komoditi PTPN Tahun 2011. RKAP PTPN tahun

2011. (Jakarta: PT. KPBN, 2010).

Rahayu, Eva Martha. Kuartal I Ekspor CPO Indonesia Capai 3,62 Juta Ton. 24
April, 2010. http://swa.co.id, 2 hlm. 30 Juli 2010. Pkl 15.57 wib.

Rangkuti, F. Manajemen Persediaan (Jakarta: PT. Gramedia Pustaka Utama.

2005).

Rawendra, Deo. CPO Outlook 2010. 17 Desember 2009, 5 hlm. http/www.CPO

outlook 2010.pdf. 28 Juli 2010. pkl.14.00 wib.

Render, B dan Jay H. Prinsip-prinsip Manajemen Operasi. (Jakarta : Penerbit

Salemba Empat, 2001).

Rokhah, Limif. Peramalan (forecasting) Volume Penjualan Pupuk Urea dengan

Metode Exponential Smoothing Pada PT Pusri Semarang [Skripsi].
(Semarang: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Negeri Semarang. 2004).

Siegel, Joel G dan Joe K. Shim (diterjemahkan oleh Moh. Kurdi), Kamus Istilah
Akuntansi, (Jakarta : PT. Elex Media Komputindo, 1999).

Stewart. Manajemen Penjualan. (Jakarta: Penerbit Erlangga, 1995).

Susila, Wayan. Peluang Pengembangan Kelapa Sawit di Indonesia: Perspektif

Jangka Panjang 2025. (Bogor: Lembaga Riset Perkebunan Indonesia,
2004).

Sutiyono, Arga P. Outlook Industry Perkebunan 2009. 9 hlm. 30 November 2009.

http://www.asiasecurities.co.id, 30 Juli 2010. Pkl.15.35 wib.

Tryfino. Economic Review: Potensi dan Prospek Industri Kelapa Sawit

http//www.economic review. 30 Desember 2006.7 hlm. 28 Juli 2010. Pkl
14.30 wib.

Yamit, Zulian, Manajemen Persediaan, (Yogyakarta: Ekonisia, 2005).

90
Lampiran 1. Struktur Organisasi PT. Kharisma Pemasaran Bersama (KPB)
Nusantara

92
Lampiran 2. Daftar Volume Penjualan CPO pada PT. KPBN Periode Tahun 2004-2010 (Ekspor dan Lokal)

Tahun
Bulan Jumlah
2004 2005 2006 2007 2008 2009 2010
Januari 85,000 96,348 97,018 118,200 166,200 142,650 146,734 852,150
Februari 183,582 127,642 154,500 127,000 181,361 187,719 143,376 1,105,179
Maret 138,656 152,288 138,032 164,000 138,862 171,595 173,563 1,076,995
April 142,650 78,990 169,750 177,250 181,186 227,000 254,441 1,231,267
Mei 90,650 105,497 172,670 105,225 174,717 170,221 194,219 1,013,200
Juni 187,150 133,564 184,400 124,200 230,520 248,816 203,623 1,312,272
Juli 165,966 157,546 227,757 126,000 235,144 322,323 319,335 1,554,071
Agustus 268,350 205,487 191,500 131,200 240,889 236,527 216,704 1,490,657
September 160,379 157,221 170,589 312,500 249,015 187,086 190,200 1,426,990
Oktober 200,859 83,449 155,750 209,500 268,450 256,150 332,742 1,506,899
November 143,080 113,812 269,500 200,000 306,675 134,000 113,650 1,166,717
Desember 133,431 82,411 113,500 226,400 121,043 196,846 72,000 945,631
Total 1,899,753 1,494,252 2,044,966 2,021,475 2,494,062 2,366,933 2,360,587 14,682,028
Sumber: PT. KPBN, 2010

93
Lampiran 3. Hasil Uji Regresi Volume Penjualan CPO Terhadap Periode Waktu
Pada PT. KPB Nusantara Periode Januari 2004 sampai Desember
2010

Regression Analysis: vol.penj.CPO versus periode

The regression equation is

vol.penj.CPO = 133291 + 1008.3 periode

Predictor Coef SE Coef T P

Constant 133291 12252 10.88 0.000
periode 1008.3 250.4 4.03 0.000

S = 55645.2 R-Sq = 16.5% R-Sq(adj) = 15.5%

Analysis of Variance

Source DF SS MS F P
Regression 1 50207531690 50207531690 16.21 0.000
Residual Error 82 2.53904E+11 3096388694
Total 83 3.04111E+11

Unusual Observations

Obs periode vol.penj.CPO Fit SE Fit Residual St Resid

8 8.0 268350 141357 10559 126993 2.32R
45 45.0 312500 178664 6104 133836 2.42R
59 59.0 306675 192780 7344 113895 2.06R
67 67.0 322323 200846 8631 121477 2.21R
82 82.0 332742 215971 11606 116771 2.15R
84 84.0 72000 217987 12035 -145987 -2.69R

R denotes an observation with a large standardized residual.

Durbin-Watson statistic = 1.50035

94
Lampiran 4. Grafik Normal Probability Plot Hasil Analisis Regresi Penjualan
Crude Palm Oil (CPO) PT. KPB Nusantara Periode Januari 2004 -
Desember 2010

Normal Probability Plot

(response is vol. Penj CPO)
99.9

99

95
90
80
70
Percent

60
50
40
30
20
10
5

0.1
-200000 -100000 0 100000 200000
Residual

95
Lampiran 5. Perhitungan Peramalan Penjualan CPO Menggunakan Metode Naif

Periode Tahun Penjualan Ramalan Error Squared Absolut

Data CPO Error Error
(ton)
2
et (et) IetI
1 2004 85,000
2 2004 183,582 85,000 98,582 9,718,410,724 98,582
3 2004 138,656 183,582 -44,926 2,018,345,476 44,926
4 2004 142,650 138,656 3,994 15,952,036 3,994
5 2004 90,650 142,650 -52,000 2,704,000,000 52,000
6 2004 187,150 90,650 96,500 9,312,250,000 96,500
7 2004 165,966 187,150 -21,184 448,761,856 21,184
8 2004 268,350 165,966 102,384 10,482,483,456 102,384
9 2004 160,379 268,350 -107,971 11,657,736,841 107,971
10 2004 200,859 160,379 40,480 1,638,630,400 40,480
11 2004 143,080 200,859 -57,779 3,338,412,841 57,779
12 2004 133,431 143,080 -9,649 93,103,201 9,649
13 2005 96,348 133,431 -37,084 1,375,185,972 37,084
14 2005 127,642 96,348 31,294 979,314,436 31,294
15 2005 152,288 127,642 24,647 607,449,962 24,647
16 2005 78,990 152,288 -73,299 5,372,670,102 73,299
17 2005 105,497 78,990 26,508 702,647,556 26,508
18 2005 133,564 105,497 28,067 787,756,489 28,067
19 2005 157,546 133,564 23,982 575,112,342 23,982
20 2005 205,487 157,546 47,941 2,298,339,481 47,941
21 2005 157,221 205,487 -48,266 2,329,558,490 48,266
22 2005 83,449 157,221 -73,773 5,442,381,756 73,773
23 2005 113,812 83,449 30,363 921,911,769 30,363
24 2005 82,411 113,812 -31,401 985,991,400 31,401
25 2006 97,018 82,411 14,607 213,366,085 14,607
26 2006 154,500 97,018 57,482 3,304,173,886 57,482
27 2006 138,032 154,500 -16,468 271,204,213 16,468
28 2006 169,750 138,032 31,718 1,006,049,223 31,718
29 2006 172,670 169,750 2,920 8,528,263 2,920
30 2006 184,400 172,670 11,730 137,585,416 11,730
31 2006 227,757 184,400 43,357 1,879,799,186 43,357
32 2006 191,500 227,757 -36,257 1,314,544,742 36,257
33 2006 170,589 191,500 -20,911 437,278,285 20,911
34 2006 155,750 170,589 -14,839 220,189,985 14,839
35 2006 269,500 155,750 113,750 12,939,062,500 113,750
36 2006 113,500 269,500 -156,000 24,336,000,000 156,000
37 2007 118,200 113,500 4,700 22,090,000 4,700
38 2007 127,000 118,200 8,800 77,440,000 8,800
39 2007 164,000 127,000 37,000 1,369,000,000 37,000
40 2007 177,250 164,000 13,250 175,562,500 13,250
41 2007 105,225 177,250 -72,025 5,187,600,625 72,025
42 2007 124,200 105,225 18,975 360,050,625 18,975
43 2007 126,000 124,200 1,800 3,240,000 1,800
44 2007 131,200 126,000 5,200 27,040,000 5,200
45 2007 312,500 131,200 181,300 32,869,690,000 181,300
46 2007 209,500 312,500 -103,000 10,609,000,000 103,000
47 2007 200,000 209,500 -9,500 90,250,000 9,500
48 2007 226,400 200,000 26,400 696,960,000 26,400
49 2008 166,200 226,400 -60,200 3,624,040,000 60,200

96
Lanjutan
Lampiran 5

50 2008 181,361 166,200 15,161 229,849,705 15,161

51 2008 138,862 181,361 -42,499 1,806,136,442 42,499
52 2008 181,186 138,862 42,324 1,791,305,401 42,324
53 2008 174,717 181,186 -6,469 41,848,621 6,469
54 2008 230,520 174,717 55,803 3,113,968,894 55,803
55 2008 235,144 230,520 4,625 21,387,193 4,625
56 2008 240,889 235,144 5,745 33,000,062 5,745
57 2008 249,015 240,889 8,126 66,032,039 8,126
58 2008 268,450 249,015 19,435 377,703,677 19,435
59 2008 306,675 268,450 38,226 1,461,211,021 38,226
60 2008 121,043 306,675 -185,633 34,459,436,194 185,633
61 2009 142,650 121,043 21,608 466,884,488 21,608
62 2009 187,719 142,650 45,069 2,031,201,240 45,069
63 2009 171,595 187,719 -16,125 260,007,563 16,125
64 2009 227,000 171,595 55,405 3,069,767,214 55,405
65 2009 170,221 227,000 -56,779 3,223,809,418 56,779
66 2009 248,816 170,221 78,594 6,177,085,999 78,594
67 2009 322,323 248,816 73,507 5,403,295,221 73,507
68 2009 236,527 322,323 -85,796 7,360,950,184 85,796
69 2009 187,086 236,527 -49,441 2,444,387,167 49,441
70 2009 256,150 187,086 69,063 4,769,746,589 69,063
71 2009 134,000 256,150 -122,150 14,920,519,406 122,150
72 2009 196,846 134,000 62,846 3,949,651,265 62,846
73 2010 146,734 196,846 -50,113 2,511,282,300 50,113
74 2010 143,376 146,734 -3,358 11,273,773 3,358
75 2010 173,563 143,376 30,187 911,243,921 30,187
76 2010 254,441 173,563 80,878 6,541,318,175 80,878
77 2010 194,219 254,441 -60,222 3,626,701,931 60,222
78 2010 203,623 194,219 9,404 88,429,969 9,404
79 2010 319,335 203,623 115,713 13,389,428,941 115,713
80 2010 216,704 319,335 -102,631 10,533,118,056 102,631
81 2010 190,200 216,704 -26,505 702,509,724 26,505
82 2010 332,742 190,200 142,543 20,318,454,963 142,543
83 2010 113,650 332,742 -219,092 48,001,478,861 219,092
84 2010 72,000 113,650 -41,650 1,734,722,500 41,650
85 72,000

Total Error -13,000 380,835,300,239 4,216,980

MSE 4588377111
MAE 50806.98916
MAPE

96
f

Absolute
Percentage
Error
(IetI/yt)(100)

53.699
32.401
2.800
57.363
51.563
12.764
38.153
67.322
20.153
40.382
7.231
38.489
24.517
16.184
92.795
25.126
21.014
15.222
23.330
30.699
88.405
26.678
38.102
15.056
37.205
11.931
18.685
1.691
6.361
19.036
18.933
12.258
9.527
42.208
137.445
3.976
6.929
22.561
7.475
68.449
15.278
1.429
3.963
58.016
49.165
4.750
11.661
36.221

96
 8.359
30.605
23.359
3.703
24.207
1.967
2.385
3.263
7.240
12.465
153.361
15.147
24.009
9.397
24.408
33.356
31.587
22.805
36.273
26.427
26.962
91.156
31.927
34.152
2.342
17.392
31.787
31.007
4.618
36.235
47.360
13.935
42.839
192.778
57.847

2601.268

31.34057417

96
Lampiran 6. Perhitungan Metode Rata-rata Bergerak (Moving Average) dengan Ordo 12

Periode Tahun Penjualan Jumlah Ramalan Error Squared Absolut

Data CPO MA (12) Error Error
(ton) (tahunan)
et (et)2 IetI
1 2004 85,000
2 2004 183,582
3 2004 138,656
4 2004 142,650
5 2004 90,650
6 2004 187,150
7 2004 165,966
8 2004 268,350
9 2004 160,379
10 2004 200,859
11 2004 143,080
12 2004 133,431 1,899,753
13 2005 96,348 1,911,101 158312.75 -61,965 3,839,692,208 61,965
14 2005 127,642 1,855,160 159258.375 -31,617 999,626,785 31,617
15 2005 152,288 1,868,792 154596.667 -2,309 5,329,942 2,309
16 2005 78,990 1,805,132 155732.667 -76,743 5,889,513,630 76,743
17 2005 105,497 1,819,979 150427.625 -44,931 2,018,761,063 44,931
18 2005 133,564 1,766,393 151664.875 -18,101 327,641,676 18,101
19 2005 157,546 1,757,972 147199.375 10,346 107,042,303 10,346
20 2005 205,487 1,695,109 146497.667 58,989 3,479,682,458 58,989
21 2005 157,221 1,691,951 141259.042 15,962 254,784,114 15,962
22 2005 83,449 1,574,540 140995.875 -57,547 3,311,700,369 57,547
23 2005 113,812 1,545,272 131211.667 -17,400 302,765,800 17,400
24 2005 82,411 1,494,252 128772.625 -46,362 2,149,400,273 46,362
25 2006 97,018 1,494,922 124520.958 -27,503 756,409,637 27,503
26 2006 154,500 1,521,781 124576.838 29,923 895,395,624 29,923
27 2006 138,032 1,507,524 126815.046 11,217 125,813,791 11,217
28 2006 169,750 1,598,285 125627.023 44,123 1,946,837,092 44,123
29 2006 172,670 1,665,458 133190.398 39,480 1,558,664,156 39,480
30 2006 184,400 1,716,294 138788.175 45,612 2,080,438,610 45,612
31 2006 227,757 1,786,505 143024.508 84,732 7,179,536,057 84,732
32 2006 191,500 1,772,519 148875.437 42,625 1,816,853,350 42,625
33 2006 170,589 1,785,887 147709.896 22,879 523,444,267 22,879
34 2006 155,750 1,858,188 148823.879 6,926 47,971,153 6,926
35 2006 269,500 2,013,877 154849.004 114,651 13,144,850,903 114,651
36 2006 113,500 2,044,966 167823.046 -54,323 2,950,993,281 54,323
37 2007 118,200 2,066,147 170413.796 -52,214 2,726,280,449 52,214
38 2007 127,000 2,038,647 172178.958 -45,179 2,041,138,208 45,179
39 2007 164,000 2,064,616 169887.291 -5,887 34,660,194 5,887
40 2007 177,250 2,072,116 172051.314 5,199 27,026,334 5,199
41 2007 105,225 2,004,670 172676.314 -67,451 4,549,679,783 67,451
42 2007 124,200 1,944,470 167055.871 -42,856 1,836,625,672 42,856
43 2007 126,000 1,842,714 162039.204 -36,039 1,298,824,243 36,039
44 2007 131,200 1,782,414 153559.483 -22,359 499,946,495 22,359
45 2007 312,500 1,924,325 148534.483 163,966 26,884,690,656 163,966

98
Lanjutan
Lampiran 6

46 2007 209,500 1,978,075 160360.417 49,140 2,414,698,650 49,140

47 2007 200,000 1,908,575 164839.583 35,160 1,236,254,900 35,160
48 2007 226,400 2,021,475 159047.917 67,352 4,536,303,129 67,352
49 2008 166,200 2,069,475 168456.25 -2,256 5,090,664 2,256
50 2008 181,361 2,123,836 172456.25 8,905 79,290,922 8,905
51 2008 138,862 2,098,698 176986.316 -38,124 1,453,453,501 38,124
52 2008 181,186 2,102,634 174891.494 6,294 39,620,141 6,294
53 2008 174,717 2,172,126 175219.489 -503 252,600 -503
54 2008 230,520 2,278,446 181010.481 49,509 2,451,176,950 49,509
55 2008 235,144 2,387,590 189870.468 45,274 2,049,735,468 45,274
56 2008 240,889 2,497,279 198965.84 41,923 1,757,554,670 41,923
57 2008 249,015 2,433,794 208106.594 40,908 1,673,501,800 40,908
58 2008 268,450 2,492,744 202816.181 65,633 4,307,752,231 65,633
59 2008 306,675 2,599,419 207728.652 98,947 9,790,466,856 98,947
60 2008 121,043 2,494,062 216618.272 -95,575 9,134,649,821 95,575
61 2009 142,650 2,470,513 207838.515 -65,188 4,249,487,665 65,188
62 2009 187,719 2,476,871 205876.05 -18,157 329,668,642 18,157
63 2009 171,595 2,509,603 206405.922 -34,811 1,211,833,738 34,811
64 2009 227,000 2,555,418 209133.622 17,866 319,207,481 17,866
65 2009 170,221 2,550,922 212951.459 -42,730 1,825,857,964 42,730
66 2009 248,816 2,569,218 212576.835 36,239 1,313,265,514 36,239
67 2009 322,323 2,656,396 214101.501 108,221 11,711,882,024 108,221
68 2009 236,527 2,652,034 221366.374 15,161 229,843,666 15,161
69 2009 187,086 2,590,106 221002.868 -33,917 1,150,338,627 33,917
70 2009 256,150 2,577,806 215842.133 40,307 1,624,690,122 40,307
71 2009 134,000 2,405,130 214817.127 -80,817 6,531,408,017 80,817
72 2009 196,846 2,480,933 200427.507 -3,581 12,825,395 3,581
73 2010 146,734 2,485,017 206744.452 -60,011 3,601,307,769 60,011
74 2010 143,376 2,440,673 207084.713 -63,709 4,058,811,495 63,709
75 2010 173,563 2,442,641 203389.433 -29,827 889,632,356 29,827
76 2010 254,441 2,470,083 203553.451 50,888 2,589,557,324 50,888
77 2010 194,219 2,494,080 205840.213 -11,621 135,051,679 11,621
78 2010 203,623 2,448,887 207840.016 -4,217 17,785,248 4,217
79 2010 319,335 2,445,900 204073.926 115,262 13,285,221,220 115,262
80 2010 216,704 2,426,077 203824.969 12,880 165,881,816 12,880
81 2010 190,200 2,429,190 202173.094 -11,974 143,365,045 11,974
82 2010 332,742 2,505,783 202432.541 130,310 16,980,658,962 130,310
83 2010 113,650 2,485,433 208815.276 -95,165 9,056,429,661 95,165
84 2010 72,000 2,360,587 207119.442 -135,119 18,257,263,651 135,119
85 196715.588

Total error 194,719 236233097959 3269892

MSE 3281015249
MAE 45415
MAPE

98
 Absolute
Percentage
Error
(IetI/yt)(100)

64.314
24.770
1.516
97.156
42.589
13.552
6.567
28.707
10.153
68.962
15.289
56.257
28.348
19.368
8.126
25.993
22.864
24.735
37.203
22.258
13.412
4.447
42.542
47.862
44.174
35.574
3.590
2.933
64.102
34.506
28.603
17.042
52.469

98
 23.456
17.580
29.749
1.358
4.910
27.455
3.474
-0.288
21.477
19.254
17.404
16.428
24.449
32.264
78.960
45.698
9.672
20.287
7.871
25.103
14.565
33.575
6.410
18.129
15.736
60.311
1.819
40.898
44.435
17.185
20.000
5.984
2.071
36.094
5.943
6.295
39.162
83.735
187.666

2077

29

98
Lampiran 7. Hasil Perhitungan Metode Pemulusan Eksponensial Tunggal (Single Exponential
Smoothing) untuk Volume Penjualan CPO
Data vol. Penj CPO
Length 84

Smoothing Constant

Accuracy Measures
Alpha 0.1

MAPE 28
MAD 44434
MSD 3241386465

Smoothing Plot for vol. Penj CPO

Single Exponential Method
350000 Variable
A ctual
Fits
300000
Smoothing C onstant
A lpha 0.1

250000
vol. Penj CPO

A ccuracy Measures
MA PE 28
MA D 44434
200000 MSD 3241386465

150000

100000

1 8 16 24 32 40 48 56 64 72 80
Index

vol.
Time Penj CPO Smooth Predict Error
1 85000 132653 137948 -52948
2 183582 137746 132653 50929
3 138656 137837 137746 910
4 142650 138318 137837 4813
5 90650 133552 138318 -47668
6 187150 138911 133552 53598
7 165966 141617 138911 27055
8 268350 154290 141617 126733
9 160379 154899 154290 6089
10 200859 159495 154899 45960
11 143080 157854 159495 -16415
12 133431 155411 157854 -24423
13 96348 149505 155411 -59063
14 127642 147319 149505 -21863
15 152288 147816 147319 4969
16 78990 140933 147816 -68826
17 105497 137389 140933 -35436
18 133564 137007 137389 -3825
19 157546 139061 137007 20539
20 205487 145703 139061 66426

1
Lanjutan
Lampiran 7.
21 157221 146855 145703 11518
22 83449 140515 146855 -63406
23 113812 137844 140515 -26703
24 82411 132301 137844 -55433
25 97018 128773 132301 -35283
26 154500 131345 128773 25727
27 138032 132014 131345 6687
28 169750 135788 132014 37736
29 172670 139476 135788 36882
30 184400 143968 139476 44924
31 227757 152347 143968 83789
32 191500 156262 152347 39153
33 170589 157695 156262 14327
34 155750 157501 157695 -1945
35 269500 168701 157501 111999
36 113500 163180 168701 -55201
37 118200 158682 163180 -44980
38 127000 155514 158682 -31682
39 164000 156363 155514 8486
40 177250 158451 156363 20887
41 105225 153129 158451 -53226
42 124200 150236 153129 -28929
43 126000 147812 150236 -24236
44 131200 146151 147812 -16612
45 312500 162786 146151 166349
46 209500 167457 162786 46714
47 200000 170712 167457 32543
48 226400 176281 170712 55688
49 166200 175272 176281 -10081
50 181361 175881 175272 6089
51 138862 172179 175881 -37019
52 181186 173080 172179 9007
53 174717 173244 173080 1637
54 230520 178971 173244 57276
55 235144 184589 178971 56173
56 240889 190219 184589 56300
57 249015 196098 190219 58796
58 268450 203333 196098 72352
59 306675 213668 203333 103342
60 121043 204405 213668 -92625
61 142650 198230 204405 -61755
62 187719 197179 198230 -10511
63 171595 194620 197179 -25584
64 227000 197858 194620 32380
65 170221 195094 197858 -27637
66 248816 200467 195094 53722
67 322323 212652 200467 121856
68 236527 215040 212652 23875
69 187086 212244 215040 -27954
70 256150 216635 212244 43906
71 134000 208371 216635 -82635
72 196846 207219 208371 -11525
73 146734 201170 207219 -60485
74 143376 195391 201170 -57794
75 173563 193208 195391 -21828
76 254441 199331 193208 61233
77 194219 198820 199331 -5112
78 203623 199300 198820 4803
79 319335 211304 199300 120035
80 216704 211844 211304 5400
81 190200 209680 211844 -21644
82 332742 221986 209680 123062
83 113650 211152 221986 -108336
84 72000 197237 211152 -139152
2
 Lampiran 8. Hasil Perhitungan Metode Pemulusan Eksponensial Ganda (Double
Exponential Smoothing) untuk Volume Penjualan CPO

Data vol.penj cpo

Length 84
Smoothing Constants
Alpha (level) 0.10
Gamma (trend) 0.01
Accuracy Measures
MAPE 29
MAD 44680
MSD 3216539234

Double Exponential Smoothing Plot for vol.penj cpo

350000 Variable
A ctual
Fits
300000 Smoothing C onstants
A lpha (lev el) 0.10
Gamma (trend) 0.01
250000
vol.penj cpo

A ccuracy Measures
MA PE 29
MA D 44680
200000 MSD 3216539234

150000

100000

1 8 16 24 32 40 48 56 64 72 80
Index

vol.penj 24 82411 140245 146671 -64260

Time cpo Smooth Predict Error 25 97018 136669 141075 -44057
1 85000 129369 134299 -49299 26 154500 139160 137455 17045
2 183582 135654 130328 53254 27 138032 139770 139963 -1931
3 138656 136865 136666 1990 28 169750 143489 140571 29179
4 142650 138356 137879 4771 29 172670 147154 144319 28351
5 90650 134503 139375 -48725 30 184400 151651 148012 36388
6 187150 140641 135473 51677 31 227757 160067 152546 75211
7 165966 144093 141663 24303 32 191500 164084 161037 30463
8 268350 157460 145139 123211 33 170589 165635 165084 5505
9 160379 158805 158630 1749 34 155750 165552 166641 -10891
10 200859 164064 159976 40883 35 269500 176842 166547 102953
11 143080 163057 165276 -22196 36 113500 171496 177940 -64440
12 133431 161165 164247 -30816 37 118200 167097 172530 -54330
13 96348 155727 162324 -65976 38 127000 163969 168076 -41076
14 127642 153902 156820 -29178 39 164000 164816 164907 -907
15 152288 154698 154966 -2678 40 177250 166903 165754 11496
16 78990 148082 155759 -76769 41 105225 161589 167852 -62627
17 105497 144710 149067 -43570 42 124200 158648 162476 -38276
18 133564 144442 145651 -12087 43 126000 156147 159496 -33496
19 157546 146588 145371 12175 44 131200 154385 156961 -25761
20 205487 153325 147529 57958 45 312500 170906 155174 157326
21 157221 154614 154324 2897 46 209500 175617 171852 37648
22 83449 148399 155616 -72167 47 200000 178941 176601 23399
23 113812 145777 149329 -35517 48 226400 184593 179948 46452

102
Lanjutan
Lampiran 8.
49 166200 183702 185647 -19447
50 181361 184399 184736 -3375
51 138862 180773 185429 -46567
52 181186 181700 181757 -571
53 174717 181887 182683 -7966
54 230520 187628 182862 47658
55 235144 193301 188651 46493
56 240889 199022 194370 46519
57 249015 205026 200138 48877
58 268450 212417 206191 62259
59 306675 222948 213645 93030
60 121043 213946 224268 -103225
61 142650 207912 215163 -72513
62 187719 206923 209056 -21337
63 171595 204401 208046 -36451
64 227000 207639 205488 21512
65 170221 204895 208747 -38526
66 248816 210250 205965 42851
67 322323 222459 211363 110960
68 236527 224967 223682 12845
69 187086 222292 226203 -39117
70 256150 226755 223489 32661
71 134000 218587 227985 -93985
72 196846 217435 219723 -22877
73 146734 211367 218548 -71814
74 143376 205505 212408 -69032
75 173563 203186 206478 -32915
76 254441 209157 204126 50315
77 194219 208554 210147 -15928
78 203623 208938 209528 -5905
79 319335 220849 209906 109429
80 216704 221404 221926 -5222
81 190200 219248 222476 -32276
82 332742 231534 220288 112454
83 113650 220782 232686 -119036
84 72000 206834 221816 -149816

103
104
Lampiran 9. Perhitungan Peramalan Penjualan Metode Least Squared

Periode Penjualan Periode

Tahun XY X2 Y'= 176143.23 + 504.15 X
Data (Y) waktu (X)
1 2004 85000 -83 -7055000 6889 134298.78
2 2004 183582 -81 -14870142 6561 135307.08
3 2004 138656 -79 -10953824 6241 136315.38
4 2004 142650 -77 -10984050 5929 137323.68
5 2004 90650 -75 -6798750 5625 138331.98
6 2004 187150 -73 -13661950 5329 139340.28
7 2004 165966 -71 -11783586 5041 140348.58
8 2004 268350 -69 -18516150 4761 141356.88
9 2004 160379 -67 -10745393 4489 142365.18
10 2004 200859 -65 -13055835 4225 143373.48
11 2004 143080 -63 -9014040 3969 144381.78
12 2004 133431 -61 -8139291 3721 145390.08
13 2005 96348 -59 -5684532 3481 146398.38
14 2005 127642 -57 -7275594 3249 147406.68
15 2005 152288 -55 -8375840 3025 148414.98
16 2005 78990 -53 -4186470 2809 149423.28
17 2005 105497 -51 -5380347 2601 150431.58
18 2005 133564 -49 -6544636 2401 151439.88
19 2005 157546 -47 -7404662 2209 152448.18
20 2005 205487 -45 -9246915 2025 153456.48
21 2005 157221 -43 -6760503 1849 154464.78
22 2005 83449 -41 -3421409 1681 155473.08
23 2005 113812 -39 -4438668 1521 156481.38
24 2005 82411 -37 -3049207 1369 157489.68
25 2006 97018 -35 -3395630 1225 158497.98
26 2006 154500 -33 -5098500 1089 159506.28
27 2006 138032 -31 -4278992 961 160514.58
28 2006 169750 -29 -4922750 841 161522.88
29 2006 172670 -27 -4662090 729 162531.18
30 2006 184400 -25 -4610000 625 163539.48
31 2006 227757 -23 -5238411 529 164547.78
32 2006 191500 -21 -4021500 441 165556.08
33 2006 170589 -19 -3241191 361 166564.38
34 2006 155750 -17 -2647750 289 167572.68
35 2006 269500 -15 -4042500 225 168580.98
36 2006 113500 -13 -1475500 169 169589.28
37 2007 118200 -11 -1300200 121 170597.58
38 2007 127000 -9 -1143000 81 171605.88
39 2007 164000 -7 -1148000 49 172614.18
40 2007 177250 -5 -886250 25 173622.48
41 2007 105225 -3 -315675 9 174630.78
42 2007 124200 -1 -124200 1 175639.08
43 2007 126000 1 126000 1 176647.38
44 2007 131200 3 393600 9 177655.68
45 2007 312500 5 1562500 25 178663.98
46 2007 209500 7 1466500 49 179672.28
47 2007 200000 9 1800000 81 180680.58
48 2007 226400 11 2490400 121 181688.88
49 2008 166200 13 2160600 169 182697.18
50 2008 181361 15 2720415 225 183705.48
51 2008 138862 17 2360654 289 184713.78

105
Lanjutan
Lampiran 9.

52 2008 181186 19 3442534 361 185722.08

53 2008 174717 21 3669057 441 186730.38
54 2008 230520 23 5301960 529 187738.68
55 2008 235144 25 5878600 625 188746.98
56 2008 240889 27 6504003 729 189755.28
57 2008 249015 29 7221435 841 190763.58
58 2008 268450 31 8321950 961 191771.88
59 2008 306675 33 10120275 1089 192780.18
60 2008 121043 35 4236505 1225 193788.48
61 2009 142650 37 5278050 1369 194796.78
62 2009 187719 39 7321041 1521 195805.08
63 2009 171595 41 7035395 1681 196813.38
64 2009 227000 43 9761000 1849 197821.68
65 2009 170221 45 7659945 2025 198829.98
66 2009 248816 47 11694352 2209 199838.28
67 2009 322323 49 15793827 2401 200846.58
68 2009 236527 51 12062877 2601 201854.88
69 2009 187086 53 9915558 2809 202863.18
70 2009 256150 55 14088250 3025 203871.48
71 2009 134000 57 7638000 3249 204879.78
72 2009 196846 59 11613914 3481 205888.08
73 2010 146734 61 8950774 3721 206896.38
74 2010 143376 63 9032688 3969 207904.68
75 2010 173563 65 11281595 4225 208912.98
76 2010 254441 67 17047547 4489 209921.28
77 2010 194219 69 13401111 4761 210929.58
78 2010 203623 71 14457233 5041 211937.88
79 2010 319335 73 23311455 5329 212946.18
80 2010 216704 75 16252800 5625 213954.48
81 2010 190200 77 14645400 5929 214962.78
82 2010 332742 79 26286618 6241 215971.08
83 2010 113650 81 9205650 6561 216979.38
84 2010 72000 83 5976000 6889 217987.68
Jumlah 14796031 0 99589135 197540 176143.23

∑Y 14796031 Dimana
Nilai a 176143.23 a = ∑Y/n
∑XY 99589135 b = ∑XY/X2
Nilai b 504.15

Persamaan ( Y = a + bx)
Y'= 176143.23 + 504.15 X

105
Lampiran 10. Perhitungan Peramalan Penjualan CPO Metode Indeks Musiman
Bulan Januari
Tahun Bulan Penjualan Periode Y'= 176143.23 + 504.15 X Rasio Penjualan e=Y-Y' e2 IeI Percentage
(Y) (X) Terhadap Trend error
2004 Januari 85000 -83 134298.78 0.63 -49299 2430369709.49 49299 57.99882353
2005 Januari 96348 -59 146398.38 0.66 -50050 2505040538.14 50050 51.9471084
2006 Januari 97018 -35 158497.98 0.61 -61480 3779787940.80 61480 63.36968398
2007 Januari 118,200 -11 170597.58 0.69 -52398 2745506389.86 52398 44.32994924
2008 Januari 166,200 13 182697.18 0.91 -16497 272156947.95 16497 9.92599278
2009 Januari 142,650 37 194796.78 0.73 -52147 2719286664.37 52147 36.55590606
2010 Januari 146,734 61 206896.38 0.71 -60162 3619511967.26 60162 41.0007224
total 4.95
Rata-rata 0.71
Ket: 1-0.71 = 0.29 hal ini mengindikasikan 29% penjualan berada di bawah nilai trend tiap tahun
Peramalan bulan januari 2011
Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 0.71
2011 Januari 85 218995.98 154,774.63

Bulan Februari
Tahun Bulan Penjualan Periode Y'= 176143.23 + 504.15 X Rasio Penjualan e=Y-Y' e2 IeI Percentage
(Y) (X) Terhadap Trend error
2004 Februari 183,582 -81 135307.08 1.36 48275 2330467901.01 48275 26.29615104
2005 Februari 127,642 -57 147406.68 0.87 -19765 390642575.50 19765 15.48471506
2006 Februari 154,500 -33 159506.28 0.97 -5006 25062839.44 5006 3.24012945
2007 Februari 127,000 -9 171605.88 0.74 -44606 1989684530.57 44606 35.12283465
2008 Februari 181,361 15 183705.48 0.99 -2344 5496586.47 2344 1.292449865
2009 Februari 187,719 39 195805.08 0.96 -8086 65384689.77 8086 4.307502171
2010 Februari 143,376 63 207904.68 0.69 -64529 4163950542.54 64529 45.00683517
total 6.57
rata-rata 0.94
Ket: 1-0.94 = 0.06 hal ini mengindikasikan 6% penjualan berada dibawah tren tiap tahun
Peramalan Bulan Februari 2011
Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 0.94
2011 Februari 86 219500.13 205,920.74

111
Bulan Maret
Tahun Bulan Penjualan Periode Y'= 176143.23 + 504.15 X Rasio Penjualan e=Y-Y' e2 IeI Percentage
(Y) (X) Terhadap Trend error
2004 Maret 138,656 -79 136315.38 1.02 2,341 5478501.98 2,341 1.688076967
2005 Maret 152,288 -55 148414.98 1.03 3,873 15000283.92 3,873 2.54322074
2006 Maret 138,032 -31 160514.58 0.86 -22,483 505466403.46 22,483 16.288252
2007 Maret 164,000 -7 172614.18 0.95 -8,614 74204097.07 8,614 5.252439024
2008 Maret 138,862 17 184713.78 0.75 -45,852 2102385729.17 45,852 33.01983264
2009 Maret 171,595 41 196813.38 0.87 -25,218 635966689.82 25,218 14.69623241
2010 Maret 173,563 65 208912.98 0.83 -35,350 1249621086.00 35,350 20.36724417
total 6.31
rata-rata 0.90
Ket : 1-0.90= 0.10 hal ini mengindikasikan 1% Penjualan berada di bawah tren tiap tahun
Peramalan Bulan Maret 2011
Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 0.90
2011 Maret 87 220004.28 198,246.56

Bulan April
Tahun Bulan Penjualan Periode Y'= 176143.23 + 504.15 X Rasio Penjualan e=Y-Y' e2 IeI Percentage
(Y) (X) Terhadap Trend error
2004 April 142,650 -77 137323.68 1.04 5,326 28369684.74 5,326 3.733838065
2005 April 78,990 -53 149423.28 0.53 -70,433 4960846931.56 70,433 89.16698316
2006 April 105,497 -29 161522.88 0.65 -56,026 3138899229.77 56,026 53.10672341
2007 April 177,250 -5 173622.48 1.02 3,628 13158901.35 3,628 2.046555712
2008 April 181,186 19 185722.08 0.98 -4,536 20576021.77 4,536 2.503504686
2009 April 227,000 43 197821.68 1.15 29,178 851374358.02 29,178 12.85388546
2010 April 254,441 67 209921.28 1.21 44,520 1982005468.88 44,520 17.49707005
Total 6.58
Rata-rata 0.94
Ket: 1-0.94 = 0.06 hal ini mengindikasikan 6% penjualan berada di bawah Trend tiap tahun
Peramalan Bulan April 2011
Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 0.94
2011 April 88 220508.43 207,170.95

111
Bulan Mei
Tahun Bulan Penjualan Periode Y'= 176143.23 + 504.15 X Rasio Penjualan e=Y-Y' e2 IeI Percentage
(Y) (X) Terhadap Trend error
2004 Mei 90,650 -75 138331.98 0.66 -47681.98 2273571216.72 47681.98 52.60008825
2005 Mei 105,497 -51 150431.58 0.70 -44934.58 2019116479.78 44934.58 42.59323014
2006 Mei 172,670 -27 162531.18 1.06 10138.82 102795670.99 10138.82 5.87179012
2007 Mei 105,225 -3 174630.78 0.60 -69405.78 4817162297.41 69405.78 65.95940128
2008 Mei 174,717 21 186730.38 0.94 -12013.38 144321299.02 12013.38 6.875907897
2009 Mei 170,221 45 198829.98 0.86 -28608.98 818473736.64 28608.98 16.80696271
2010 Mei 194,219 69 210929.58 0.92 -16710.58 279243483.94 16710.58 8.603988281
Total 5.73
Rata-rata 0.82
Ket : 1-0.82 = 0.18, Hal ini mngindikasikan 18% Penjualan berada di bawah Tren tiap tahun
Peramalan Bulan Mei 2011
Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 0.82
2011 Mei 89 221012.58 181,043.89

Bulan Juni
Tahun Bulan Penjualan Periode Y'= 176143.23 + 504.15 X Rasio Penjualan e=Y-Y' e2 IeI Percentage
(Y) (X) Terhadap Trend error
2004 Juni 187,150 -73 139340.28 1.34 47,810 2285769326.48 47,810 25.54620358
2005 Juni 133,564 -49 151439.88 0.88 -17,876 319547085.77 17,876 13.38384595
2006 Juni 184,400 -25 163539.48 1.13 20,861 435161294.67 20,861 11.31264642
2007 Juni 124,200 -1 175639.08 0.71 -51,439 2645978951.25 50,439 40.61111111
2008 Juni 230,520 23 187738.68 1.23 42,781 1830241340.94 42,781 18.5586153
2009 Juni 248,816 47 199838.28 1.25 48,978 2398817056.40 48,978 19.68431291
2010 Juni 203,623 71 211937.88 0.96 -8,315 69137229.41 8,315 4.08352691
Total 7.49
Rata-rata 1.07
Ket : 1-1.07 =-0.07 , hal ini mengindikasikan bahwa 7% Penjualan secara normal berada diatas Tren bulan tersebut
Peramalan Bulan Mei 2011
Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 1.07
2011 juni 90 221516.73 237,133.50

111
Bulan Juli
Tahun Bulan Penjualan Periode Y'= 176143.23 + 504.15 X Rasio Penjualan e=Y-Y' e2 IeI Percentage
(Y) (X) Terhadap Trend error
2004 Juli 165,966 -71 140348.58 1.18 25,617 656252207.46 25,617 15.43534218
2005 Juli 157,546 -47 152448.18 1.03 5,098 25987768.75 5,098 3.235766062
2006 Juli 227,757 -23 164547.78 1.38 63,209 3995405493.01 63,209 27.75292088
2007 Juli 126,000 1 176647.38 0.71 -50,647 2565157100.86 50,647 40.19603175
2008 Juli 235,144 25 188746.98 1.25 46,397 2152683464.88 46,397 19.73132208
2009 Juli 322,323 49 200846.58 1.60 121,476 14756520616.02 121,476 37.68779144
2010 Juli 319,335 73 212946.18 1.50 106,389 11318581020.99 106,389 33.31574052
Total 8.66
Rata-rata 1.24
Ket : 1-1.24 = -0.24 , Hal ini mengindikasikan bahwa 24% Penjualan secara normal berada diatas tren bulan tersebut
Peramalan Bulan Juli 2011
Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 1.24
2011 Juli 91 222020.88 274,786.79

Bulan Agustus
Tahun Bulan Penjualan Periode Y'= 176143.23 + 504.15 X Rasio Penjualan e=Y-Y' e2 IeI Percentage
(Y) (X) Terhadap Trend error
2004 Agustus 268,350 -69 141356.88 1.90 126,993 16127252527.33 126,993 47.32368921
2005 Agustus 205,487 -45 153456.48 1.34 52,031 2707175011.47 52,031 25.32058962
2006 Agustus 191,500 -21 165556.08 1.16 25,944 673086984.97 25,944 13.5477389
2007 Agustus 131,200 3 177655.68 0.74 -46,456 2158130204.26 -46,456 -35.40829268
2008 Agustus 240,889 27 189755.28 1.27 51,134 2614657321.04 51,134 21.22708799
2009 Agustus 236,527 51 201854.88 1.17 34,672 1202155905.29 34,672 14.65884233
2010 Agustus 216,704 75 213954.48 1.01 2,750 7559860.23 2,750 1.268790608
Total 8.59
Rata-rata 1.23
Ket : 1-1.23 = -0.23 , Hal ini mengindikasikan bahwa 23% Penjualan berada diatas normal Tren bulan tersebut
Peramalan Bulan Agustus 2011
Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 1.23
2011 Agustus 92 222525.03 272,966.66

111
Bulan September
Tahun Bulan Penjualan Periode Y'= 176143.23 + 504.15 X Rasio Penjualan e=Y-Y' e2 IeI Percentage
(Y) (X) Terhadap Trend error
2004 September 160,379 -67 142365.18 1.13 18,014 324497710.99 18,014 11.23203163
2005 September 157,221 -43 154464.78 1.02 2,756 7596748.69 2,756 1.75308642
2006 September 170,589 -19 166564.38 1.02 4,025 16197566.14 4,025 2.359249424
2007 September 312,500 5 178663.98 1.75 133,836 17912080249.44 133,836 42.8275264
2008 September 249,015 29 190763.58 1.31 58,251 3393227932.02 58,251 23.39273538
2009 September 187,086 53 202863.18 0.92 -15,777 248919408.75 15777 8.433020108
2010 September 190,200 77 214962.78 0.88 -24,763 613195273.33 24763 13.01945321
Total 8.03
Rata-rata 1.15
Ket : 1-1.15 = -0.15 , hal Ini mengndikasikan bahwa 15% Penjualan secara normal berada di atas Tren bulan tersebut
Peramalan Bulan September 2011
Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 1.15
2011 September 93 223029.18 255,847.07

Bulan Oktober
Tahun Bulan Penjualan Periode Y'= 176143.23 + 504.15 X Rasio Penjualan e=Y-Y' e2 IeI Percentage
(Y) (X) Terhadap Trend error
2004 Oktober 200,859 -65 143373.48 1.40 57,486 3304585009.67 57,486 28.6198378
2005 Oktober 83,449 -41 155473.08 0.54 -72,024 5187468099.85 72,024 86.3090031
2006 Oktober 155,750 -17 167572.68 0.93 -11,823 139775762.38 11,823 7.591011236
2007 Oktober 209,500 7 179672.28 1.17 29,828 889692880.40 29,828 14.23757518
2008 Oktober 268,450 31 191771.88 1.40 76,678 5879534086.73 76,678 28.56327808
2009 Oktober 256,150 55 203871.48 1.26 52,279 2733043653.39 52,279 20.40933828
2010 Oktober 332,742 79 215971.08 1.54 116,771 13635447757.65 116,771 35.09353193
Total 8.23
Rata-rata 1.18
Ket : 1-1.18 = -0.18 , Hal ini mengindikasikan bahwa 18% Penjualan secara normal berada diatas tren bulan tersebut
Peramalan Bulan Oktober 2011
Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 1.18
2011 Oktober 94 223533.33 262,814.48

111
Bulan November
Tahun Bulan Penjualan Periode Y'= 176143.23 + 504.15 X Rasio Penjualan e=Y-Y' e2 IeI Percentage
(Y) (X) Terhadap Trend error
2004 November 143,080 -63 144381.78 0.99 -1,302 1694631.17 1,302 0.909980431
2005 November 113,812 -39 156481.38 0.73 -42,669 1820675989.58 42,669 37.49077426
2006 November 269,500 -15 168580.98 1.60 100,919 10184648597.76 100,919 37.44676067
2007 November 200,000 9 180680.58 1.11 19,319 373239989.14 19,319 9.65971
2008 November 306,675 33 192780.18 1.59 113,895 12972030022.83 113,895 37.13860602
2009 November 134,000 57 204879.78 0.65 -70,880 5023943212.85 70,880 52.89552239
2010 November 113,650 81 216979.38 0.52 -103,329 10676960771.18 103,329 90.91860977
Total 7.19
Rata-rata 1.03
Ket: 1-1.03 = -0.03 , Hal ini mengindikasikan bahwa 3% Penjualan secara normal berada di atas tren pada bulan ini
Peramalan Bulan November 2011
Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 1.03
2011 November 95 224037.48 230,198.31

Bulan Desember
Tahun Bulan Penjualan Periode Y'= 176143.23 + 504.15 X Rasio Penjualan e=Y-Y' e2 IeI Percentage
(Y) (X) Terhadap Trend error
2004 Desember 133,431 -61 145390.08 0.92 -11,959 143019594.45 11,959 8.962684833
2005 Desember 82,411 -37 157489.68 0.52 -75,079 5636808190.54 75,079 91.10312944
2006 Desember 113,500 -13 169589.28 0.67 -56,089 3146007330.92 56,079 49.40881057
2007 Desember 226,400 11 181688.88 1.25 44,711 1999084251.65 44,711 19.74872792
2008 Desember 121,043 35 193788.48 0.62 -72,745 5291904860.43 72,745 60.0984774
2009 Desember 196,846 59 205888.08 0.96 -9,042 81759210.73 9,042 4.593438526
2010 Desember 72,000 83 217987.68 0.33 -145,988 21312402711.78 145,988 202.7611111
Total 5.27
Rata-rata 0.75
Ket: 1-0.75= 0.25 , Hal ini mengindikasikan bahwa 25% Penjualan berada di bawah tren bulan tersebut
Peramalan Bulan Desember 2011
Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 0.75
2011 Desember 96 224541.63 168,963.22
e IeI % error
Jumlah -64253.32 3566702.14 2335.404676
Jumlah e2 256975086671.13
Nilai MSE 3059227222.28
nilai MAE 42460.74 111
nilai MAPE 27.80
 peramalan
periode IM jumlah penjualan trend kuadratik selisih
85 jan 154,774.63 213913 59,138.37
86 feb 205,920.74 214562 8,641.26
87 mar 198,246.56 215204 16,957.44
88 apr 207,170.95 215836 8,665.05
89 mei 181,043.89 216461 35,417.11
90 jun 237,133.50 217077 -20,056.50
91 jul 274,786.79 217685 -57,101.79
92 ags 272,966.66 218284 -54,682.66
93 sept 255,847.07 218875 -36,972.07
94 okt 262,814.48 219458 -43,356.48
95 nov 230,198.31 220032 -10,166.31
96 des 168,963.22 220598 51,634.78
Lampiran 11. Nilai Perhitungan Peramalan Metode Trend Analysis Model
Regresi Lenier Sederhana Volume Penjualan CPO

Trend Analysis for vol.penj.CPO

Data vol.penj.CPO
Length 84
NMissing 0

Fitted Trend Equation

Yt = 133291 + 1008.29*t

Accuracy Measures
MAPE 28
MAD 43010
MSD 3022665154

Time vol.penj.CPO Trend Detrend 51 138862 184714 -45852

1 85000 134299 -49299 52 181186 185722 -4536
2 183582 135307 48275 53 174717 186730 -12013
3 138656 136316 2340 54 230520 187739 42781
4 142650 137324 5326 55 235144 188747 46397
5 90650 138332 -47682 56 240889 189755 51134
6 187150 139341 47809 57 249015 190763 58252
7 165966 140349 25617 58 268450 191772 76678
8 268350 141357 126993 59 306675 192780 113895
9 160379 142365 18014 60 121043 193788 -72745
10 200859 143374 57485 61 142650 194797 -52147
11 143080 144382 -1302 62 187719 195805 -8086
12 133431 145390 -11959 63 171595 196813 -25218
13 96348 146399 -50051 64 227000 197822 29178
14 127642 147407 -19765 65 170221 198830 -28609
15 152288 148415 3873 66 248816 199838 48978
16 78990 149423 -70433 67 322323 200846 121477
17 105497 150432 -44935 68 236527 201855 34672
18 133564 151440 -17876 69 187086 202863 -15777
19 157546 152448 5098 70 256150 203871 52279
20 205487 153457 52030 71 134000 204880 -70880
21 157221 154465 2756 72 196846 205888 -9042
22 83449 155473 -72024 73 146734 206896 -60162
23 113812 156482 -42670 74 143376 207904 -64528
24 82411 157490 -75079 75 173563 208913 -35350
25 97018 158498 -61480 76 254441 209921 44520
26 154500 159506 -5006 77 194219 210929 -16710
27 138032 160515 -22483 78 203623 211938 -8315
28 169750 161523 8227 79 319335 212946 106389
29 172670 162531 10139 80 216704 213954 2750
30 184400 163540 20860 81 190200 214963 -24763
31 227757 164548 63209 82 332742 215971 116771
32 191500 165556 25944 83 113650 216979 -103329
33 170589 166564 4025 84 72000 217987 -145987
34 155750 167573 -11823
35 269500 168581 100919
36 113500 169589 -56089
37 118200 170598 -52398
38 127000 171606 -44606
39 164000 172614 -8614
40 177250 173622 3628
41 105225 174631 -69406
42 124200 175639 -51439
43 126000 176647 -50647
44 131200 177656 -46456
45 312500 178664 133836
46 209500 179672 29828
47 200000 180681 19319
48 226400 181689 44711
49 166200 182697 -16497
50 181361 183705 -2344
112
117
118
Lampiran 12. Perhitungan Peramalan Menggunakan Metode Trend Analysis
Model Regresi Non Lenier (Kuadratik) Volume Penjualan CPO
Terhadap Waktu

Trend Analysis for vol.penj.CPO

Data vol.penj.CPO
Length 84
NMissing 0
Fitted Trend Equation

Yt = 128208 + 1362.91*t - 4.17196*t**2

Accuracy Measures
MAPE 28
MAD 43083
MSD 3017854357

vol. 47 200000 183049 16951

Time penj.CPO Trend Detrend 48 226400 184015 42385
1 85000 129567 -44567 49 166200 184974 -18774
2 183582 130917 52665 50 181361 185924 -4563
3 138656 132259 6397 51 138862 186865 -48003
4 142650 133593 9057 52 181186 187798 -6612
5 90650 134918 -44268 53 174717 188723 -14006
6 187150 136235 50915 54 230520 189640 40880
7 165966 137544 28422 55 235144 190548 44596
8 268350 138844 129506 56 240889 191448 49441
9 160379 140136 20243 57 249015 192339 56676
10 200859 141420 59439 58 268450 193222 75228
11 143080 142695 385 59 306675 194097 112578
12 133431 143962 -10531 60 121043 194963 -73920
13 96348 145221 -48873 61 142650 195822 -53172
14 127642 146471 -18829 62 187719 196671 -8952
15 152288 147713 4575 63 171595 197513 -25918
16 78990 148946 -69956 64 227000 198346 28654
17 105497 150172 -44675 65 170221 199171 -28950
18 133564 151389 -17825 66 248816 199987 48829
19 157546 152597 4949 67 322323 200795 121528
20 205487 153797 51690 68 236527 201595 34932
21 157221 154989 2232 69 187086 202386 -15300
22 83449 156173 -72724 70 256150 203169 52981
23 113812 157348 -43536 71 134000 203944 -69944
24 82411 158515 -76104 72 196846 204710 -7864
25 97018 159673 -62655 73 146734 205468 -58734
26 154500 160823 -6323 74 143376 206218 -62842
27 138032 161965 -23933 75 173563 206959 -33396
28 169750 163099 6651 76 254441 207692 46749
29 172670 164224 8446 77 194219 208416 -14197
30 184400 165340 19060 78 203623 209133 -5510
31 227757 166449 61308 79 319335 209841 109494
32 191500 167549 23951 80 216704 210540 6164
33 170589 168641 1948 81 190200 211231 -21031
34 155750 169724 -13974 82 332742 211914 120828
35 269500 170799 98701 83 113650 212589 -98939
36 113500 171866 -58366 84 72000 213255 -141255
37 118200 172924 -54724
38 127000 173974 -46974
39 164000 175016 -11016
40 177250 176049 1201
41 105225 177074 -71849
42 124200 178091 -53891
43 126000 179099 -53099
44 131200 180099 -48899
45 312500 181091 131409
46 209500 182074 27426

113
118
119
Lampiran 13. Nilai Koefisien Korelasi ACF, Grafik dan Nilai Korelasi PACF Pembedaan
Pertama Data Volume Penjualan CPO PT. KPB Nusantara

Autocorrelation Function: diff reg Partial Autocorrelation Function: diff reg

Lag ACF T LBQ Lag PACF T
1 -0.403125 -3.67 13.98 1 -0.403125 -3.67
2 -0.039421 -0.31 14.12 2 -0.241114 -2.20
3 0.113196 0.89 15.25 3 -0.004724 -0.04
4 -0.098892 -0.77 16.12 4 -0.067992 -0.62
5 -0.031853 -0.25 16.21 5 -0.103142 -0.94
6 0.041104 0.32 16.37 6 -0.051601 -0.47
7 -0.128976 -1.00 17.91 7 -0.173073 -1.58
8 -0.024141 -0.19 17.97 8 -0.202593 -1.85
9 0.048533 0.37 18.19 9 -0.133183 -1.21
10 0.042814 0.33 18.37 10 -0.008022 -0.07
11 -0.061302 -0.47 18.74 11 -0.078377 -0.71
12 0.145674 1.11 20.84 12 0.075780 0.69
13 -0.021174 -0.16 20.89 13 0.066222 0.60
14 0.019689 0.15 20.93 14 0.087499 0.80
15 0.002245 0.02 20.93 15 0.035938 0.33
16 -0.104055 -0.78 22.07 16 -0.090968 -0.83
17 0.015654 0.12 22.10 17 -0.057913 -0.53
18 -0.029088 -0.22 22.19 18 -0.078528 -0.72
19 -0.009967 -0.07 22.20 19 -0.022672 -0.21
20 0.077620 0.58 22.87 20 0.103114 0.94
21 -0.069395 -0.51 23.42 21 0.028607 0.26

Partial Autocorrelation Function for diff reg

(with 5% significance limits for the partial autocorrelations)

1.0
0.8
0.6
Partial Autocorrelation

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0

2 4 6 8 10 12 14 16 18 20
Lag

114
Lampiran 14. Nilai Koefisien ACF dan PACF Pembedaan Regular Pertama dan
Pembedaan Musiman Pertama

Autocorrelation Function: Partial Autocorrelation Function:

dif reg diff mus dif reg diff mus

Lag ACF T LBQ Lag PACF T

1 -0.419022 -3.53 13.00 1 -0.419022 -3.53
2 -0.095111 -0.69 13.68 2 -0.328339 -2.77
3 0.071766 0.52 14.07 3 -0.161451 -1.36
4 -0.071785 -0.51 14.47 4 -0.189095 -1.59
5 0.089959 0.64 15.11 5 -0.037437 -0.32
6 0.047245 0.34 15.28 6 0.078680 0.66
7 -0.202426 -1.44 18.60 7 -0.146874 -1.24
8 0.042837 0.30 18.75 8 -0.163298 -1.38
9 0.041251 0.28 18.90 9 -0.132261 -1.11
10 0.081213 0.56 19.46 10 0.039795 0.34
11 0.162258 1.11 21.73 11 0.341104 2.87
12 -0.425105 -2.86 37.61 12 -0.176031 -1.48
13 0.076709 0.47 38.13 13 -0.269487 -2.27
14 0.285123 1.73 45.52 14 0.093266 0.79
15 -0.247279 -1.44 51.18 15 -0.099196 -0.84
16 0.018904 0.11 51.22 16 -0.200351 -1.69
17 -0.005796 -0.03 51.22 17 -0.145212 -1.22
18 0.020970 0.12 51.26 18 0.107403 0.90

115
Lampiran 15. Perhitungan Metode Box - Jenkins Tentatif Model ARIMA
(0,1,q)(0,1,Q)L untuk Peramalan Penjualan CPO PT. KPB Nusantara

Model ARIMA (0,1,1)(0,1,1)12

Estimates at each iteration

Iteration SSE Parameters
0 4.17529E+11 0.100 0.100 -1918.125
1 3.45435E+11 0.250 0.226 -1231.368
2 2.97408E+11 0.400 0.336 -823.868
3 2.63640E+11 0.550 0.440 -521.742
4 2.38846E+11 0.700 0.557 -255.983
5 2.26381E+11 0.820 0.683 -36.403
6 2.26187E+11 0.823 0.674 -196.359
7 2.26174E+11 0.828 0.675 -174.008
8 2.26172E+11 0.827 0.674 -190.657
9 2.26171E+11 0.828 0.674 -182.448
10 2.26171E+11 0.828 0.674 -184.402
11 2.26171E+11 0.828 0.674 -184.628
12 2.26171E+11 0.828 0.674 -184.763

Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P

MA 1 0.8276 0.0801 10.33 0.000
SMA 12 0.6737 0.1429 4.71 0.000
Constant -184.8 586.4 -0.32 0.754

Differencing: 1 regular, 1 seasonal of order 12

Number of observations: Original series 84, after differencing 71
Residuals: SS = 216830368343 (backforecasts excluded)
MS = 3188681887 DF = 68

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 9.4 19.4 35.0 43.3
DF 9 21 33 45
P-Value 0.401 0.562 0.374 0.542

Forecasts from period 84

95 Percent
Limits
Period Forecast Lower Upper Actual
85 128621 17921 239321
86 151846 39512 264181
87 152853 38908 266797
88 197543 82010 313076
89 154918 37819 272017
90 193440 74795 312085
91 252034 131864 372205
92 205146 83469 326824
93 195186 72021 318352
94 245571 120935 370208
95 158031 31941 284120
96 116350 -11177 243876
116
Lanjutan
Lampiran 15.

Model ARIMA (0,1,0)(0,1,2)12

Estimates at each iteration
Iteration SSE Parameters
0 4.33086E+11 0.100 0.100 0.100 -1918.125
1 3.50417E+11 0.250 0.236 0.083 -1197.378
2 2.97180E+11 0.400 0.352 0.058 -805.419
3 2.61745E+11 0.550 0.462 0.035 -526.984
4 2.37885E+11 0.700 0.574 0.020 -297.141
5 2.27442E+11 0.820 0.675 0.000 -173.495
6 2.26649E+11 0.833 0.700 -0.041 -179.532
7 2.26533E+11 0.841 0.708 -0.052 -183.621
8 2.26513E+11 0.843 0.712 -0.058 -183.943
9 2.26510E+11 0.845 0.714 -0.060 -184.214
10 2.26509E+11 0.845 0.715 -0.061 -184.346
11 2.26509E+11 0.845 0.715 -0.062 -184.410
12 2.26509E+11 0.845 0.715 -0.062 -184.415

Relative change in each estimate less than 0.0010

Final Estimates of Parameters

Type Coef SE Coef T P

MA 1 0.8452 0.0749 11.29 0.000
SMA 12 0.7151 0.1454 4.92 0.000
SMA 24 -0.0615 0.1618 -0.38 0.705
Constant -184.4 416.8 -0.44 0.660

Differencing: 1 regular, 1 seasonal of order 12

Number of observations: Original series 84, after differencing 71
Residuals: SS = 215610305579 (backforecasts excluded)
MS = 3218064262 DF = 67

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 8.8 18.6 32.6 42.7
DF 8 20 32 44
P-Value 0.359 0.550 0.435 0.529

Forecasts from period 84

95 Percent
Limits
Period Forecast Lower Upper Actual
85 135699 24489 246908
86 159328 46795 271862
87 158024 44182 271866
88 203021 87885 318157
89 160756 44340 277171
90 201753 84072 319434
91 258288 139355 377221
92 211055 90883 331227
93 203396 81998 324795
94 250613 128000 373225
95 168626 44811 292441
96 130845 5839 255850

117
Lampiran 16. Grafik Fitted Line Plot Uji Statistik Metode Trend Analysis Model
Regresi Kuadratik

Polynomial Regression Analysis: vol.penj.CPO versus periode

The regression equation is

vol.penj.CPO = 128208 + 1363 periode - 4.17 periode**2

S = 55943.1 R-Sq = 16.6% R-Sq(adj) = 14.6%

Analysis of Variance

Source DF SS MS F P
Regression 2 5.06116E+10 2.53058E+10 8.09 0.001
Error 81 2.53500E+11 3.12963E+09
Total 83 3.04111E+11

Fitted Line Plot

vol.penj.CPO = 128208 + 1363 periode
- 4.17 periode**2
350000 S 55943.1
R-Sq 16.6%
R-Sq(adj) 14.6%
300000

250000
vol.penj.CPO

200000

150000

100000

0 10 20 30 40 50 60 70 80 90
periode

118
Lampiran 17. Grafik Pergerakan Hasil Peramalan Penjualan CPO Menggunakan
Metode Trend Analysis Model Kuadratik

Trend Analysis for vol.penj.CPO

Data vol.penj.CPO
Length 84
NMissing 0
Fitted Trend Equation
Yt = 128208 + 1362.91*t - 4.17196*t**2

Accuracy Measures
MAPE 28
MAD 43083
MSD 3017854357

Forecasts
Period Forecast
85 213913
86 214562
87 215204
88 215836
89 216461
90 217077
91 217685
92 218284
93 218875
94 219458
95 220032
96 220598

Trend Analysis Plot for vol.penj.CPO

Quadratic Trend Model
Yt = 128208 + 1362.91*t - 4.17196*t**2
350000 Variable
Actual
Fits
300000 Forecasts

Accuracy Measures
250000 MAPE 28
vol.penj.CPO

MAD 43083
MSD 3017854357
200000

150000

100000

1 10 20 30 40 50 60 70 80 90
Index

119
Lampiran 18. Hasil Wawancara kepada Pihak PT. KPB Nusantara

Nama : Pak Subandi,

Jabatan : Manajer Analisis Pasar dan Pengembangan Usaha PT. KPB
Nusantara
Akhmat Tohir (AT)
Pak Subandi (S)

Pembicara Hasil wawancara

AT sebelumnya bisa di ceritakan pak perkembangan PT. KPB
Nusantara ini dalam penjualan CPO?
S awalnya perusahaan ini berbentuk unit kerja dibawah PTPN I
sampai PTPN XIV, yaitu berawal dari tahun 1968, waktu itu
penjualanya masih sedikit, karena memang kondisi pabrik dan
kebun PTPN itu masih sedikit, waktu itu juga masih berbentuk
KPB-PTPN, dan pemasarannya belum luas seperti
sekarang.walaupun sudah ekspor tapi jumlahnya tidak sebanyak
penjualan untuk pasar domestik. Mulai awal tahun 2010
berubah nama menjadi PT.KPBN, maksudnya agar lebih
mandiri dalam kegiatan usaha.
AT memang pembagian penjualanya bagaimana pak?antara
penjualan untuk domestik dan penjualan ekspor?
S kalo untuk CPO kita memang paling banyak ke pasar domestik
yaitu bisa sampai 80%, sisanya sekitar 20% diekspor. Karena ini
merupakan perusahaan dibawah pemerintah maka kebijakanya
ya tergantung oleh kebijakan pemerintah.
AT lalu apa saja produk yang saat itu di pasarkan melalui KPBN?
S produk yang di pasarkan ya semua produk perkebunan yang
dihasilkan oleh PTPN. Seperti minyak sawit mentah (CPO),
karet, lateks, kopi, teh, kakao, tetes/gula,
AT kalo mengenai pembeli CPO, siapa saja pak yang menjadi
pembeli PT. KPB Nusantara, baik pembeli local maupun
pembeli ekspor?
S kalo yang menjadi pembeli lokal di sini ya seperti perusahaan
pengolahan CPO seperti PT Bukit Kapur Reksa, Multimas
Nabati Asahan, Musim Mas, Astra Agro Lestari, Permata Hijau
Sawit, selain itu juga ada trader yang menjual kembali. kalo
pembeli ekspor seperti Eropa (Wilmar, ISISA, Safic Alcan),
India (protea), China (Wilmar), Malaysia, Singapura (Gladale,

120
 Ltd, Wilmar).
AT kalo dari segi kualitas CPO yang di pasarkan bagaimana pak?
S kalo produk CPO yang dipasarkan tentunya sudah mengikuti
standar nasional yang mengacu kepada Dirjen Perkebunan RI
seperti kadar ALB antara maks 3,5%, atau sesuai dengan
keinginan konsumen.
AT kalo dari system pejualan CPO yang dilakukan bagaimana?
S biasanya kami membuka jadwal tender, atau lelang yang
dilakukan disini (dikantor pusat Jakarta) dan kita ada jadwal
khusus, untuk tender penjualan CPO lokal kita laksanakan
setiap hari senin sampai jumat jam 15.00 wib.kalo penjualan
CPO ekspor kita lakukan setiap minggu pertama awal bulan.
AT kalo dari segi harga yang ditawarkan terhadap produk CPO
bagaimana pak?
S kalau harga, kita memantaunya dari harga pasar derifatif MDEX
Malaysia , Rotterdam, Singapura, Tokyo, dan new York, karena
kita dekat dengan Malaysia kita mengacu juga ke sana. Jadi
harganya bisa kompetitif, selain itu juga dalam menentukan
harga kita biasanya melakukan rapat dengan bagian Analisa
pasar dan pengembangan usaha, dan bagian terkait, untuk
menentukan harga penutupan CPO harian. Sedangkan kalo
untuk jangka panjangnya kita selalu membuat harga ancar-ancar
CPO untuk tahunan, yang mengacu kepada harga sebelumnya.
AT kalo dari harga apa dibedakan pak, antara penjualan CPO lokal
dan CPO ekspor?
S kalo dari segi harga kita sama saja antara lokal dan ekspor,
hanya saja kalo ekspor harganya belumtermasuk pajak
ekspor.sedangkan CPO lokal harganya sudah termasuk pajak
PPn 10%
AT dari segi promosi CPO dari perusahaan, apa saja yang dilakukan
pak?
S karena CPO itu merupakan produk yang memiliki
permintaanyang tinggi dibandingkan penawaranya, maka kita
tidak terlalu membuat promosi untuk CPO, tapi untuk
memperkenalkan CPO produk Indonesia, kami biasanya
mengikuti pameran baik didalam maupun luar negeri, seminar
nasional, dan juga membuat situs perusahaan (www.kpbn.co.id).
Dari sana saja kita selalu kehabisan stok.untuk memenuhi
kebutuhan lokal saja kita masih kurang,karena produk dari
PTPN itu masih sedikit menghasilkan CPO akibat dari tanaman
121
 sawit yang sudah berumur tua. Akibatnya ya produksinya
kurang optimal.
AT apa ada ketentuan khusus untuk menjadi pembeli CPO?
S ada semuanya ada di situs kami,disana juga ada jadwal tender,
dan penawaran harga CPO.
AT dari segi pendistribusiannya, bagaimana proses pendistribusian
CPO kepada pembeli?
S kalo proses pendistribusiannya ya disesuaikan dengan
permintaan pembeli, ada system FOB (free on board) dan
system CIF (Cost, Insurance, Freight), tapi untuk
pendistribusian CPO lokal biasanya FOB belawan/ dumai, dan
untuk CPO ekspor bisanya kita CIF.
AT segentasi, target dan posisi CPO PT. KPBN bagaimana pak?
S kalo dari segmentasinya lebih ke perusahaan lokal yang
mengolah CPO, dan untuk ekspor paling ke Negara pelanggan
CPO yang memiliki permintaan cukup tinggi seperti India, cina,
uni eropa. Target dari penjualan CPO selain perusahaan dan
Negara pelanggan juga para trader/eksportir , juga terkadang
ada yang membeli dari kami.
AT bagaimana cara peramalan yang dilakukan untuk mengantisipasi
permintaan CPO?
S yang kita lakukan adalah memonitor langsung melalui website
pasar CPO internasional mengenai harga yang terjadi dan juga
perkembangan perekonomian global, karena CPO itu sangat
terpengaruh oleh perkembangan kondisi perekonomian
global,selain melalui website kita juga berlangganan buku
prediksi/peramalan yang dikeluarkan oleh Oil world dan
Reuters setiap tahunya, yang berisi mengenai, produk-produk
yang dihasilkan berbagai Negara, sekaligus jumlah stok,
permintaan, perkembangan harga CPO.
AT lalu faktor apa saja yang mempengaruhi penjualan CPO pada
PT. KPBN?
S sebenernya ada banyak faktor penting seperti harga, iklim, terus
perkembangan perekonomian global, permintaan dan penawaran
perusahaan atau negara konsumen.
AT bagaimana dengan kebijakan dari pemerintah, apakah juga
mempengaruhi penjualan CPO?
S ya tentu saja, tidak dapat dipungkiri bahwa kita juga masih
berada dibawah pemerintah, termasuk juga untuk

122
 mengendalikan kebutuhan CPO domestik. Dan memang kita
ditargetkan dalam kegiatan usaha,
AT lalu menurut bapak bagaimana perkembangan usaha CPO yang
dilakukan PT. KPB Nusantara kedepannya?
S berdasarkan kegiatan usaha selama ini, usaha CPO akan terus
berkembang dan permintaan akan CPO terus meningkat,
sedangkan penawaran atau persediaan terhadap CPO masih
kurang, oleh karena itu perusahaan ini akan terus
mengembangkan usaha, terutama penjualan CPO, dan akan
terus mengembangkan pasar CPO,

123
_..EE[R pT.KHARISMA NUSANTARA
BERSAMA
PEMASARAN
-€
|n4,9,:'*:::y:lTllT],,.
10330'ND'NE''A - 3907554
(021)3106685 (Hunting)
Telephone:
Fax:(021) 31935091(Sekret),31903910 (P.Sawit),31931883
(P.Teh),31936919 (P'Karet)
(P.Gula),3143989
E-mail: kanpusqkpbn.co.id

KETERANGAN
SURAT
No :$z/KPBN/X/21-sDM/xtt/ 20L0

Yangbertandatangandibawahini :

Nama : Drs.GatotK.Gusti,MM

Jabatan : M a n a j eSr D M& U m u m

P T .K P BN u s a n t a r a
J l .T a m a nC u tM u t i a hN o .L L- J a k a r t aP u s a t

M e n e r a n g k abna h w a:

Nama : AkhmatTohir
N o m o rP o k o k : 106092003005
Mahasifwa : Program S t u dA i g r i b i s n -i sF a k u l t aSsa i n s& T e k n o l o g i
U n i v e r s i t al ssl a r nN e g e r(i U l N )S y a r iH f i d a y a t u l l aJha k a r t a

Pne n e l i t i a/nR i s edt i P T .K P BN u s a n t a rpaa d at a n g g a2l 8 J u n i s . d2 8 J u l i2 0 1 0

t e l a hm e l a k s a n a k a
d a l a mr a n g k ap e n y e l e s a i at ung a ss k r i p s i .

n u r a tK e t e r a n g ai n i d i b u a tu n t u kd i p e r g u n a k asne b a g a i m a nmae s t i n y a .
D e m i k i aS

14Desember20LO
Jakarta,
PT,KPBNUSANTARA

#*s
*ffiKPBlf
'
w r D M& U m u m
M a n a j eS