Akhmat Tohir FST
Akhmat Tohir FST
Akhmat Tohir
Oleh :
Akhmat Tohir
106092003005
Skripsi
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Pertanian pada
Program Studi Agribisnis
Oleh:
Akhmat Tohir
106092003005
Skripsi
Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Pertanian
Pada Program Agribisnis
Menyetujui,
Penguji I Penguji II
Pembimbing I Pembimbing II
Mengetahui,
Dekan Ketua Program Studi
Fakultas Sains dan Teknologi Agribisnis
Akhmat Tohir
106092003005
RINGKASAN
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.
Akhmat Tohir
vii
DAFTAR ISI
Halaman
DAFTAR ISI .............................................................................................. viii
DAFTAR TABEL ..................................................................................... x
DAFTAR GAMBAR ................................................................................. xi
DAFTAR LAMPIRAN ............................................................................. xiii
viii
3.2. Jenis dan Sumber Data ........................................................ 31
3.3. Metode Pengolahan dan Analisis Data ............................... 32
LAMPIRAN ............................................................................................... 91
x
DAFTAR RIWAYAT HIDUP
Data Diri
Telepon : 087884440345
Agama : Islam
Email : akhmat.tohir@yahoo.co.id
Riwayat Pendidikan
Riwayat Organisasi
Riwayat Pekerjaan
No. Halaman
No. Halaman
1. Konsep Penjualan............................................................................... 10
4. Plot ACF dari Data Penjualan CPO Periode Januari 2004 sampai
Desember 2010 .................................................................................. 60
xii
DAFTAR LAMPIRAN
No. Halaman
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
xiv
BAB I
PENDAHULUAN
kemungkinan yang terjadi di masa depan. Kegiatan meramal atau forecast masa
2005:1). Pemanfaatan peluang usaha dilakukan dengan mengkaji situasi saat ini
maupun masa lalu dan melihat pengaruhnya pada situasi masa yang akan datang.
dalam aktivitas bisnis dan ekonomi, maka kegiatan prediksi terhadap kondisi
mendatang secara akurat semakin diperlukan. Perkembangan teknologi
usaha dalam memprediksi kondisi yang akan datang sehingga dapat digunakan
kenaikan penjualan pada periode yang akan datang dengan diperolehnya informasi
penjualan saat ini atau yang akan datang. Diperlukan suatu sistem peramalan
Makridakis dkk (1999 : 3) peramalan merupakan alat bantu yang penting dalam
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.
perusahaan dari PT. Perkebunan Nusantara I sampai XIV dan PT. Rajawali
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
cukup besar. Pemasaran CPO mencakup pasar lokal dan ekspor, permintaan CPO
yang tidak menentu perlu dilakukan peramalan penjualan yang seakurat mungkin
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,
peramalan penjualan minyak sawit kasar atau Crude Palm Oil (CPO) yang
dilakukan oleh PT. KPB Nusantara, sebagai salah satu cara untuk
pasar. Oleh karena itu penelitian ini diberi judul “Analisis Peramalan Penjualan
Minyak Sawit Kasar atau Crude Palm Oil (CPO) Pada PT. Kharisma
Jakarta?
4
2. Metode peramalan kuantitatif terbaik apa yang digunakan untuk meramalkan
penjualan Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran Bersama
3. Berapa tingkat peramalan penjualan Crude Palm Oil (CPO) satu tahun
Jakarta.
meramalkan penjualan Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran
3. Menganalisis tingkat peramalan penjualan Crude Palm Oil (CPO) satu tahun
5
1. Perusahaan, sebagai salah satu alternatif pengambilan keputusan dalam
meramalkan penjualan Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran
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
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
6
BAB II
TINJAUAN PUSTAKA
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
tokotriol) yang sangat diperlukan dalam proses metabolisme dalam tubuh manusia
menjadi bahan makanan, bahan non makanan, bahan kosmetika dan farmasi
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
(500-700 ppm) dan vitamin E (1000 ppm). Minyak Sawit mentah atau CPO
sitosterol. Minyak sawit kasar atau Crude Palm Oil (CPO) berwarna merah-
kecoklatan menandakan kandungan karotenoid yang tinggi. Produk turunan dari
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
Indonesia diprediksikan akan terus menjadi pemain utama dalam ekspor CPO ini,
mengingat belum ada perkembangan yang signifikan dari negara pesaing lainnya.
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
Menurut Rawendra (2009: 1), data Oil World menunjukkan produksi CPO
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
jumlah penduduk, permintaan terhadap CPO akan terus meningkat terutama dari
China dan India (Sutiyono. 2009: 7). Sampai dengan bulan Juni 2009 impor China
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
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.
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
Gambar 1.
Menurut Siegel dan Shim dalam Kurdi (1999: 404), penjualan adalah
ini dapat dalam bentuk tunai peralatan kas atau harta lainnya. Pendapatan dapat
10
diperoleh pada saat penjualan, karena terjadi pertukaran, harga jual dapat
yang membutuhkannya dengan imbalan uang menurut harga yang ditentukan, atas
berdasarkan tujuan yang ingin dicapai (Kotler dan Keller, 2007: 98-100).
11
Menurut Stewart (1995: 10), perencanaan penjualan merupakan suatu
usaha.
perusahaan.
2.4. Peramalan
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
untuk jangka waktu tertentu pada masa yang akan datang. Ramalan penjualan
12
mendatang dalam keadaan tertentu dibuat berdasarkan data-data yang pernah
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
atas dasar pola-pola waktu yang lalu dan penggunaan kebijakan terhadap
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
2. Peramalan jangka menengah, biasanya berjangka tiga bulan hingga tiga tahun.
rencana operasi.
biasanya tiga tahun atau lebih, digunakan dalam merencanakan produk baru,
13
pengeluaran modal, lokasi fasilitas, atau ekspansi dan penelitian serta
pengembangan.
berbagai faktor lingkungan yang saling berinteraksi dalam pasar yang berada di
luar kendali perusahaan. Dimana faktor – faktor lingkungan tersebut juga akan
3. Tindakan pemerintah
4. Kecenderungan pasar
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
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.
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
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
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
kualitatif dibagi menjadi dua bagian, yaitu metode eksploratoris dan normatif.
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
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
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
atau lebih variabel bebas. Maksud dari metode kausal adalah menemukan bentuk
yang akurat yaitu pertama pengumpulan data secara baik, dan kedua peramalan
dengan teknik yang tepat. Oleh karena itu perlu dilakukan langkah-langkah secara
2. Mengumpulkan data
17
5. Evaluasi hasil estimasi
peramalan yang akan terjadi pada masa mendatang secara kuantitatif yaitu dengan
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
diperkirakan dengan variabel waktu yang merupakan data deret waktu (time
series). Tujuan metode time series ialah menemukan pola dalam deret waktu dan
digunakan dalam peramalan time series terdiri dari beberapa metode, yaitu:
saat ini merupakan prediktor terbaik dari masa mendatang. Metode ini merupakan
(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
peramalan dilakukan secara berulang-ulang untuk data yang tidak terlalu besar.
Teknik ini digunakan untuk memasukkan informasi terbaru, setiap ada informasi
memasukkan informasi terbaru, pada teknik ini semua informasi dibobot sama.
Teknik ini baik untuk data stasioner. Kelebihan metode ini adalah jumlah data
sesuai dengan pola datanya. Selain itu metode ini mudah dipahami.
Kelemahannya, metode ini hanya baik untuk data stasioner yang cenderung
Metode ini baik diterapkan pada serial data yang memiliki pola stasioner
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
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-
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
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
dalam perusahaan bisnis, hal ini dikarenakan banyaknya data ekonomi dan bisnis
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
Variabel respon adalah variabel yang dipengaruhi suatu variabel prediktor dan
Menurut Firdaus (2006: 19), ARIMA merupakan bagian dari analisis deret
waktu satu ragam (time series), ARIMA atau autoregressive integrated moving
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
tahapan, yaitu:
1. Identifikasi. Pada tahap ini dilakukan identifikasi terhadap tiga hal, yaitu
terhadap pola data, apakah terdapat unsur musiman atau tidak. Kedua,
antara nilai suatu variabel dengan nilai lampaunya, dapat dengan masa
21
dan +1, dimana 0 menunjukkan tidak ada hubungan. PACF (Partial
nilai yang lebih awal daari varabel itu, jika pengaruh nilai-nilai diantaranya
hubungan-hubungan parameter. Jika ada hasil yang tidak dapat diterima atau
iterasi harus convergence dan memiliki nilai MSE (Mean Squared Error)
terkecil.
Menurut Firdaus (2006: 45), untuk data yang secara nyata mengandung
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
peiode. Dalam hal ini L didefinisikan sebagai jumlah periode musiman dalam satu
tahun.
besarnya selisih aktual pengamatan dengan nilai estimasi dari peramalan. Selain
indikator tersebut, terdapat beberapa hal lain yang harus dipertimbangkan oleh
peramal, yaitu:
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.
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
Usaha Dagang Safari Donat yang dieksplorasi memiliki unsur trend menurun,
unsur musiman tertentu, dan tidak memiliki kestasioneran dalam pola datanya.
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
Sate PT. Korma Jaya Utama (KJU). Penelitian ini bertujuan untuk mengetahui
pola data penjualan dan metode peramalan penjualan sehingga dapat diketahui
24
penjualan kecap manis sate PT. Korma Jaya Utama (KJU) satu tahun mendatang.
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
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.
meramal atau forecast masa depan merupakan usaha perusahaan sebagai dasar
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
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
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
Salah satu cara yang diperlukan untuk mengantisipasi penjualan CPO yang
diperlukan untuk memprediksi permintaan pasar CPO yang tidak menentu, karena
26
peramalan penjualan dapat digunakan perusahaan untuk mempersiapkan strategi-
peramalan kuantitatif, yaitu metode time series yang terdiri dari metode naif,
eksponential smoothing, metode indeks musiman, metode trend dan metode Box-
selanjutnya dapat diketahui nilai kesalahan yang terbentuk yaitu nilai Mean
Squared Error (MSE), nilai Mean Absolute Error (MAE) dan nilai Mean Absolute
peramalan dilihat dari nilai MSE yang dihasilkan karena semakin kecil nilai error
maka semakin akurat peramalan yang digunakan, atau dengan kata lain metode
mengambil keputusan yang terbaik terhadap penjualan CPO tahun 2011. Secara
Gambar 2.
27
PT. Kharisma Pemasaran
Bersama Nusantara
Mean Squared
Error (MSE)
Pemilihan Metode Peramalan
Kuantitatif Terbaik
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
2. Data time series (deret waktu) adalah data yang dikumpulkan dan diamati
2007: 96).
4. Mean Squared Error (MSE) digunakan bila nilai residual (error) besarnya
dengan mengamati besarnya selisih nilai aktual dengan nilai estimasi dari
variabel dengan nilai lampaunya, dapat dengan masa tenggang satu atau
variabel dengan nilai yang lebih awal dari variabel itu, jika pengaruh nilai-
29
7. Stasioneritas
8. Eksplorasi data
pengetahuan lebih banyak mangenai pola data penjualan Crude Palm Oil
(CPO).
peramalan.
30
BAB III
METODE PENELITIAN
Nusantara Jl. Taman Cut Mutiah No. 11 Jakarta 10330. Pemilihan tempat
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
Jenis data yang digunakan dalam penelitian ini adalah data primer dan data
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.
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
gambaran umum perusahaan meliputi lokasi perusahaan, visi misi, kegiatan usaha
peramalan penjualan CPO yang dilakukan oleh PT. KPB Nusantara di Jakarta.
harus disiapkan satu tahun mendatang dengan melihat pola data penjualan periode
Januari 2004 sampai Desember 2010. Kemudian berdasarkan pola data penjualan
peramalan time series, dengan melihat nilai kesalahan yang terbentuk yaitu nilai
Mean Squared Error (MSE), nilai Mean Absolute Error (MAE) dan nilai Mean
hasil peramalan dilihat dari nilai MSE yang dihasilkan. Karena semakin kecil nilai
MSE maka metode peramalan semakin akurat. Peramalan penjualan satu tahun
32
peramalan penjualan CPO dilakukan dengan menggunakan program Microsoft
peramalan time series terdiri dari beberapa metode, yaitu metode naif, metode
metode yang paling sesuai dengan pola data yang terdapat pada perusahaan
ŷt+1 = уt
Dimana :
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
34
4. Metode Pemulusan Eksponensial Ganda (Double Eksponential
Smoothing)
Dimana :
α, β = koefisien pemulusan
Yt = nilai periode ke-t
At-1 = nilai periode sebelumnya
Tt-1 = nilai tren periode sebelumnya
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
ѓ = rasio penjualan
εt = Residual model
Bentuk lain dari persamaan trend adalah Model trend kuadratik dengan
Yt = at +blt (T) + εt
7. Metode Box-Jenkins
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
model tentatif. Tahap evaluasi model, dilakukan uji diagnostik untuk menguji
dilakukan dengan menganalisis perilaku atau pola ACF dan PACF. Koefisien
autokorelasi (ACF) dapat bernilai antara -1 sampai +1. Suatu deret waktu non
stasioner bila koefisiennya berbeda nyata dari nol hanya pada beberapa beda kala
hubungan antara dua deret waktu yang berbeda ketika pengaruh dari variabel
lainnya dihilangkan. Untuk mendapatkan plot ACF dan PACF dapat dilakukan
rumit. Untuk data yang tidak mengandung unsur musiman beberapa alternatif
Model AR dipilih bila ACF menunjukkan pola dying down dan PACF
menunjukkan pola yang cut off. jumlah observasi masa lalu yang digunakan dalam
Zt = δ +Ф1Zt-1 + Ф2Zt-2 + …+ εt
37
Dimana :
Model MA ini dipilih bila ACF menunjukkan pola yang cut off dan PACF
menunjukkan pola dying down. Jumlah residual masa lalu yang digunakan dalam
Dimana :
menunjukkan pola dying down. Model ini adalah kombinasi model autoregresif
dan model rataan bergerak. Orde dari model gabungan ini adalah p dan q.
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).
evaluasi untuk memastikan apakah model yang diestimasi sudah baik atau belum.
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
39
2. Model parsimonious. Dengan model yang diperoleh yang ditulis sebagai
contoh ARIMA (0,1,1) menunjukkan bahwa model relatif sudah dalam bentuk
3. Parameter yang diestimasi berbeda nyata dengan nol. Ini dapat dilihat dari
5. Proses iterasi harus convergence. Bila ini terpenuhi maka session terdapat
dengan nilai estimasi dari peramalan. Nilai residual atau error (et) adalah
et = yt – ŷt
Dimana :
yt = nilai aktual
40
Sedangkan nilai residual tersebut diperoleh beberapa ukuran akurasi hasil
n
Σ(et)2
MSE = t=1___
n
n
Σ (et)
MAPE = t=1yt__
n
MSE yang sebaiknya digunakan. Tapi bila satu atau dua residual yang besar,
maka MAE yang sebaiknya digunakan. Untuk melihat bias tidaknya peramalan
41
BAB IV
GAMBARAN UMUM PERUSAHAAN
PT. KPB Nusantara yang beralamat di Jl. Taman Cut Mutiah No. 11
Direksi dari sejumlah PT. Perkebunan Nusantara (PTPN) pada tahun 1968.
PTPN yang berkantor pusat di Jakarta memiliki tenaga kerja sebanyak 233 orang.
bernama PT. Kharisma Pemasaran Bersama Nusantara (PT. KPBN) pada awal
tahun 2010. Hal ini dimaksudkan agar perkembangan usaha dapat berlangsung
pada perusahaan ini. Perkembangan pasar produk perkebunan membuat PT. KPB
Nusantara membuka sejumlah kantor cabang yang berada di Medan dan Surabaya
Visi PT. KPB Nusanatara adalah menjadikan PT. KPB Nusantara sebagai
1. Menyajikan data, informasi, dan analisis pasar yang lengkap dan akurat.
tergabung dalam BOD (Board of Director). BOD terdiri dari Direktur Utama yang
43
Keuangan, SDM dan Umum, setiap Direktur memiliki tugasnya masing-masing.
Teh, Kopi dan Kakao, Manajer Pemasaran Gula, Karet dan Tetes, Manajer
membawahi Manajer Keuangan dan Manajer SDM dan Umum. Sedangkan kantor
cabang Medan dan Surabaya, serta kantor perwakilan Dubai dibawahi oleh BOD.
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)
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
Dipo Nusantara Pua Upa, S.H. No. 4 tanggal 16 Nopember 2009, dan disahkan
oleh Menteri Hukum dan HAM melalui Surat Keputusan No. AHU-
Dewan Komisaris PTPN I sampai dengan PTPN XIV dan PT RNI, dan Surat
pemasaran CPO yang optimal tak lepas dari kinerja perusahaan dalam
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
Deguming (RDB) Stearin, Palm Kernel Oil (PKO), Palm Kernel Fatty Acid, dan
mengacu harga pasar yang dimonitor dari London, Rotterdam, Kuala Lumpur,
b. Harga
Penetapan harga CPO oleh PT. KPB Nusantara berada pada tingkat yang
sesuai dengan harga perdagangan CPO Internasional yaitu mengacu pada pasar
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
terjadi pada tahun 2008 yang berdampak pada penurunan harga minyak nabati
dunia sampai titik terendah pada November- Desember 2008 menyentuh harga
$400/ton. Seiring dengan pemulihan ekonomi dunia, harga minyak nabati kembali
Perkembangan harga CPO ekspor PT. KPBN mengacu kepada pasar fisik
No Komoditi Tahun
2007 2008 2009 2010*
1 CPO CIF Rotterdam 779 945 680 822
2 CPO FOB Kuala lumpur 720 864 633 772
Keterangan = * Januari sampai Agustus 2010 (Dalam US$/ton)
Sumber: Reuters dalam PT. KPB Nusantara ( 2010: 6)
47
c. Promosi
diketahui oleh konsumen. Promosi yang dilakukan oleh PT. KPB Nusantara
diadakan di dalam negeri maupun di luar negeri, memasang media iklan di situs
masih sangat minim, hal ini dikarenakan sebagian besar pelanggan berasal dari
perusahaan pengolah minyak sawit mentah/CPO, baik dari dalam maupun luar
media promosi kurang diperhatikan, namun dalam setiap tender yang dilakukan
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
terutama CPO terdapat dalam situs Internet sehingga pembeli dapat melakukan
(www.kpbn.co.id). Daftar pembeli CPO lokal dan ekspor yang terdata sampai
48
Tabel 6. Daftar Pembeli CPO PT. KPB Nusantara
d. Distribusi
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
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
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,
pengolahan CPO yang berada di dalam maupun diluar negeri dan trader
kualitas mutu yang sesuai standar mutu dan harga yang bersaing dengan
perusahaan swasta, sehingga pelanggan tetap setia membeli CPO dari PT. KPB
Nusantara.
Mutu CPO yang dipasarkan oleh PT. KPB Nusantara sudah sesuai dengan
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.
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
pemetikan tandan buah segar sawit, namun permintaan pasar terhadap CPO terus
konsumsi negara konsumen minyak sawit dunia seperti India, China, Uni Eropa,
terhadap permintaan CPO dunia sangat penting bagi negara produsen maupun
mengacu kepada perusahaan peramalan yaitu Oil World, Reuters dan Pasar
konsumen CPO. Secara teknis peramalan yang dilakukan oleh perusahaan yaitu
peramalan harga komoditas yang dilakukan pada bulan September oleh internal
Firdaus (2006: 1), kelemahan dari metode kualitatif adalah tidak adanya prosedur
52
yang sistematis untuk mengukur dan memperbaiki keakuratan hasil peramalan
perkembangan harga yang terus berubah tiap waktu dilakukan dengan memonitor
5.2.1. Penjualan Crude Palm Oil (CPO) Pada PT. KPB Nusantara
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
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
termasuk mempengaruhi penjualan CPO PT. KPB Nusantara. Pada tahun 2010
diawali dengan mengambil data dalam rentang waktu 7 tahun. Data series yang
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
menentukan pola data yang terbentuk dari data penjualan CPO PT. KPB
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
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
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
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
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
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
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
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)
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
CPO kepada negara-negara yang konsumen seperti India, China, Uni Eropa, dan
melalui situs internet, seminar nasional, pameran didalam dan di luar negeri dan
58
konferensi. Selain itu, kegiatan tender dan lelang yang dilakukan perusahaan
penjualan CPO lokal setiap hari Senin sampai Jumat, dan tender CPO ekspor yang
diadakan pada pekan pertama setiap bulannya di kantor PT. KPB Nusantara.
Berdasarkan hasil uji regresi volume penjualan CPO terhadap waktu pada
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
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
Selain melihat grafik pergerakan plot data volume penjualan dan uji
(ACF) dari deret volume penjualan CPO periode Januari 2004 - Desember 2010.
namun variabel pada waktu yang berbeda. Gambar 4 menunjukkan plot ACF data
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
hari raya, natal dan tahun baru. Sehingga dapat diidentifikasikan bahwa data
musiman.
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
61
5.2.3. Metode Peramalan Kuantitatif Penjualan Crude Palm Oil (CPO)
mengidentifikasi pola data, maka diketahui bahwa terdapat pola data yang
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 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
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
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
pada periode selanjutnya yaitu sebesar 72.000 ton penjualan CPO, hal tersebut
merupakan angka peramalan yang diperkirakan terjadi pada bulan Januari 2011.
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
dengan memasukkan informasi terbaru, pada teknik ini semua informasi dibobot
sama. Dalam penelitian ini menggunakan ordo 12 (MA=12) hal ini dikarenakan
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)
64
ini adalah sebesar 3281015249, nilai MAE sebesar 45415, yang berarti
penyimpangan yang terjadi 45415 dan nilai MAPE sebesar 29 yang menunjukkan
kedepan yaitu periode ke 85 yaitu pada bulan Januari 2011 sebesar 196715.588
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
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
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
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
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)
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
pemulusan yaitu koefisien alfa (α) dan gamma (γ). Koefisien pemulusan α
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
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 -
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
sebesar 3059227222.28, sedangkan nilai MAE adalah sebesar 42460.74 dan nilai
Lampiran 10.
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
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 dengan menggunakan trend analysis. Dalam penelitian ini model yang
digunakan yaitu model regresi lenier sederhana dan model regresi non-lenier
(kuadratik).
MAE sebesar 43010, dan nilai MAPE sebesar 28. Hal ini menunjukkan bahwa
lenier sederhana dengan volume penjualan CPO sebagai dependent variable dan
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
digunakan untuk mencari model terbaik terhadap pola hubungan antar variabel,
penggunaan metode ini ditandai dengan pola hubungan yang berbentuk garis tidak
(periode waktu). Garis tidak lurus tersebut merupakan garis yang mendekati titik-
menggunakan trend analysis model regresi non lenier (kuadratik) yaitu nilai MSE
sebesar 3017854357, nilai MAE sebesar 43083 dan nilai MAPE sebesar 28. Hal
70
penyimpangan 28%. Pergerakan grafik metode trend analysis model regresi non
metode trend analysis model regresi non lenier (kuadratik) disajikan pada
Lampiran 12.
MSD 3017854357
200000
150000
100000
1 8 16 24 32 40 48 56 64 72 80
Periode waktu
terbaik untuk series yang stasioner dari suatu kelompok model time series lenier.
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
unsur musiman.
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
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
perilaku ACF yang bergerak bergelombang antara korelasi positif dan negatif
yang bergantian.
differencing) pola ACF data aktual penjualan CPO. Pembedaan regular pertama
72
ditampilkan pada Gambar 7, dan nilai korelasi ACF dan grafik PACF pembedaan
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
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
bagian musiman yaitu pada lag 12 sudah menunjukkan pola cut off yaitu melewati
73
garis signifikan. Hal ini menandakan bahwa data pembedaan musiman pertama
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
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
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
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
75
Setelah data penjualan CPO telah stasioner maka tahap selanjutnya adalah
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
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.
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
alternatif tersebut merupakan model terbaik dalam pengamatan ACF dan PACF
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
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,
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
dilihat dari jumlah koefisien MA = 0.8276, dan tidak ada nilai koefisien AR,
77
5. Proses iterasi harus convergence. Hal ini dapat dilihat dari session yang
6. Model harus memiliki nilai MSE terkecil, hal ini menunjukkan model ARIMA
ARIMA (0,1,1)(0,1,2)12.
series penjualan CPO selama 7 tahun selama periode Januari 2004 sampai
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
error), dimana nilai MSE ini diperoleh melalui selisih antara nilai aktual dengan
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
untuk menentukan metode peramalan terbaik untuk satu tahun mendatang, sesuai
terkecil dibandingkan dengan metode lainnya. Hal ini dikarenakan semakin kecil
nilai MSE suatu peramalan maka semakin mendekati nilai aktualnya. Tabel 13
79
Tabel 13. Nilai Perhitungan Beberapa Metode Peramalan Penjualan CPO
tersebut sudah mengikuti prosedur yang berlaku. deret waktu yang digunakan
dalam peramalan CPO selama 7 tahun yaitu Januari 2004 sampai Desember 2010
untuk mengamati perilaku penjualan CPO yang terjadi selama satu bulan kegiatan
80
usaha. Sedangkan jangkauan peramalan dilakukan untuk meramalkan tingkat
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-
kegiatan perusahaan bisnis, dalam penelitian ini memilih metode trend kuadratik
pengaruh waktu terhadap penjualan CPO sebesar 16.6 persen, sedangkan 83.4
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
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
5.3. Analisis Tingkat Peramalan Penjualan Crude Palm Oil (CPO) Satu
Tahun Mendatang
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
82
CPO satu tahun mendatang yaitu periode Januari 2011 sampai Desember 2011.
(non lenier) ditampilkan pada Tabel 14. Sedangkan grafik pergerakan hasil
Tabel 14. Peramalan Penjualan CPO Periode Januari 2011 – Desember 2011
Menggunakan Metode Trend Kuadratik
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.
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
CPO, sehingga metode Trend kuadratik (non lenier) dan metode Indeks Musiman
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
sebelumnya yaitu Juni, Juli dan September. Musim penghujan yang tidak menentu
segar karena termasuk produk pertanian rentan terhadap perubahan iklim sehingga
84
dan Kementerian Pertanian) sebagai pihak pengambil kebijakan yang membawahi
perkebunan lainnya. Kegiatan tersebut dimulai dari industri hulu seperti kegiatan
juga dapat dijadikan langkah PTPN selaku produsen CPO untuk meningkatkan
atau pengolahan yang optimal, sehingga hasil produksi CPO dapat memenuhi
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
permintaan CPO dunia yang mengacu pada pasar minyak sawit internasional
2. Berdasarkan data aktual penjualan CPO pada PT. KPB Nusantara selama 7
tahun periode Januari 2004 sampai Desember 2010, diketahui memiliki unsur
produk olahan CPO. Unsur musiman diakibatkan oleh perilaku cuaca yang
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
Trend kuadratik (non lenier) terpilih menjadi metode peramalan terbaik karena
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
penanganan pasca panen atau pengolahan Tandan Buah Segar (TBS), agar
CPO perusahaan.
87
6.2. Saran
series (runtun waktu) dengan metode trend kuadratik dapat digunakan oleh
kualitatif yang dilakukan perusahaan saat ini memiliki kelemahan yaitu tidak
pendapat.
3. Hasil dari peramalan dalam penelitian ini dapat dijadikan dasar dalam
perusahaan untuk tahun 2011. Sedangkan untuk melengkapi penelitian ini ada
88
DAFTAR PUSTAKA
Firdaus, M. Analisis Deret Waktu Satu Ragam. (Jakarta: IPB Press, 2006).
Iriawan, Nur dan Septian Puji.A. Mengolah Data Statistik dengan Mudah
Menggunakan Minitab 14 Edisi I. (Yogyakarta: ANDI, 2006).
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).
89
PT. Kharisma Pemasaran Bersama Nusantara. Profil PT. KPB Nusantara.
http://www.kpbptpn.co.id, 2 hlm. 19 Juli 2010. Pkl 13.00 wib.
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.
Siegel, Joel G dan Joe K. Shim (diterjemahkan oleh Moh. Kurdi), Kamus Istilah
Akuntansi, (Jakarta : PT. Elex Media Komputindo, 1999).
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
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
94
Lampiran 4. Grafik Normal Probability Plot Hasil Analisis Regresi Penjualan
Crude Palm Oil (CPO) PT. KPB Nusantara Periode Januari 2004 -
Desember 2010
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
96
Lanjutan
Lampiran 5
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
98
Lanjutan
Lampiran 6
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
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
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
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
105
Lanjutan
Lampiran 9.
∑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
Accuracy Measures
MAPE 28
MAD 43010
MSD 3022665154
Accuracy Measures
MAPE 28
MAD 43083
MSD 3017854357
113
118
119
Lampiran 13. Nilai Koefisien Korelasi ACF, Grafik dan Nilai Korelasi PACF Pembedaan
Pertama Data Volume Penjualan CPO PT. KPB Nusantara
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
115
Lampiran 15. Perhitungan Metode Box - Jenkins Tentatif Model ARIMA
(0,1,q)(0,1,Q)L untuk Peramalan Penjualan CPO PT. KPB Nusantara
117
Lampiran 16. Grafik Fitted Line Plot Uji Statistik Metode Trend Analysis Model
Regresi Kuadratik
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
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
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
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
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
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
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