Ramalan Penjualan Herbisida

ANALISIS PERAMALAN PENJUALAN HERBISIDA,
INSEKTISIDA DAN FUNGISIDA DI PT. DANKEN

INDONESIA
SKRIPSI
Humairra Avicienna
11140920000064
PROGRAM STUDI AGRIBISNIS

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI
SYARIF HIDAYATULLAH
JAKARTA
2018 M/1440 H
ANALISIS PERAMALAN PENJUALAN HERBISIDA,
INSEKTISIDA DAN FUNGISIDA DI PT. DANKEN
INDONESIA
Oleh :
HUMAIRRA AVICIENNA
11140920000064
Skripsi
Sebagai Salah Satu Syarat Memperolah Gelar Sarjana Pertanian
pada Program Studi Agribisnis
PROGRAM STUDI AGRIBISNIS

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI
SYARIF HIDAYATULLAH
JAKARTA
RIWAYAT HIDUP
Data Diri
Nama : Humairra Avicienna
Jenis Kelamin : Perempuan
Tempat, Tanggal Lahir : Jakarta, 28 Agustus 1996
Alamat : Permata Pamulang, Jl. Bukit

Permata V, blok E15 No. 8,
Tangerang Selatan
Kewarganegaraan : Indonesia
Agama : Islam
No. HP : 085885342180
E-mail : humairra.avicienna@yahoo.com
Tinggi Badan : 158 cm
Berat Badan : 44 kg
Riwayat Pendidikan
2002-2008 : SDN Puspiptek
2008-2011 : SMPN 17 Kota Tangerang Selatan
2011-2014 : SMAN 6 KotaTangerang Selatan
2014-2018 : S-1 Agribisnis UIN Syarif Hidayatullah Jakarta
Pengalaman Organisasi dan Prestasi
2012-2013 : Pengurus Ekstrakulikuler Saman SMAN 6 Kota

Tangerang Selatan
2015-2016 : Anggota Divisi Recruitment LSO Saman Agribisnis

2016-2017 : Ketua LSO Saman Agribisnis
2015 : Koordinator Panitia Divisi Pubdekdok OPAK (Orientasi

Pengenalan Akademik Mahasiswa) Agribisnis UIN Jakarta
Penari Tradisional Betawi pada Musyawarah Nasional
II Perhimpunan Sarjana Pertanian Indonesia
Delegasi UIN Jakarta (Grup Indonesia) Koronadal

International Folklore Festival – Filiphina
2016 : Anggota Divisi Humas Aplikasi Studi (AKSI) Agribisnis

UIN Jakarta
2016 : Peserta Penari 6600 Ratoeh Jaroe Massal
Pengalaman Kerja
2017 : Departemen Pemasaran PT. Mitra Balai Industri
2018 : Asisten Praktikum Mata Kuliah Ilmu Tanaman, Program

Studi Agribisnis UIN Syarif Hidayatullah Jakarta
vi
KATA PENGANTAR
Puji dan Syukur kehadirat Allah SWT yang telah memberikan rahmat,
karunia, srta hidayah-Nya sehingga penulis dapat menyelesaikan skripsi yang
berjudul “Analisis Peramalan Penjualan Herbisida, Insektisida, dan
Fungisida di PT. Danken Indoneisa”. Skripsi ini diajukan sebagai salah satu
syarat untuk menyelesaikan studi strata satu (S1) pada Program Studi Agribisnis,
Fakultas Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah
Jakarta.
Selama proses penyelesaian skripsi ini tidak terlepas dari dukungan dan
bantuan berbagai pihak. Penulis dengan penuh rasa hormat mengucapkan
banyak terima kasih kepada semua pihak yang memberikan bantuan dan
dukungan baik secara moril dan materil, secara lansung maupun tidak langsung
sehingga penulis dapat menyelesaikan skripsi ini. Penulis mengucapkan terima
kasih kepada:
1. Kedua orang tua saya tercinta yang telah memberikan bantuan moral serta
materil. Papa saya Ir. Junaidi M.Si yang sangat menginspirasi serta
banyak sekali memberikan masukan-masukan yang berarti dalam penulisan
skripsi ini dan mama saya Hilyati Syamsudin yang telah melimpahkan kasih
sayang dan dukungannya tanpa henti.
2. Kakak penulis tersayang Shakienna Avicienna yang selalu memberikan
dukungan dan motivasi selama penulisan skripsi.
3. Bapak Dr. Agus Salim, M.Si selaku Dekan Fakultas Sains dan Teknologi
UIN Syarif Hidayatullah Jakarta beserta jajarannya.

4. Dr. Ir. Edmon Daris, M.Si selaku Ketua Program Studi Agribisnis dan Dr.
Iwan Aminuddin, M.Si selaku Sekretaris Program Studi Agribisnis, terima
kasih telah memberikan kesempatan dan dukungan kepada penulis serta
membantu penulis dalam proses akademis.
5. Seluruh dosen Program Studi Agribisnis yang telah memberikan ilmu,
pengetahuan, wawasan dan pengalamannya kepada penulis sehingga
dapat terselesainya skripsi ini.
6. Dr. Lilis Imamah Ichdayati, M.Si sebagai pembimbing I skripsi sekaligus
pembimbing akademik dan Ir. Armaeni Dwi Humaerah, M.Si
sebagai pemimbing II terima kasih telah mencurahkan waktu, tenaga,
support, nasihat serta memberikan ilmunya secara tulus sehingga skripsi ini
dapat terselesaikan.
7. Ir. Mudatsir Najamuddin, M.Si selaku penguji I dan Rahmah
Farahdita Soeyatno, M.Si selaku penguji II skripsi saya yang telah
memberikan banyak masukan sehingga skripsi ini menjadi lebih baik.
8. Bapak Zulkarnaen Lubis selaku Direktur Utama PT. Danken Indonesia, Mba
Anti, Mba Martha, dan seluruh staff PT. Danken Indonesia.
9. Mba Maya Wulan Arini, S. Stat, MM yang telah memberikan ilmu dan
bantuan dalam pengolahan data. Terimakasih atas semua penjelasan
mengenai statistika yang penulis butuhkan.
10. Sahabat penulis di kampus, Chabe Syariah Tia, Dea, Wita, Vivi, Lulu,
Ninda, dan Ule yang selalu ada setiap saat, menemani dan membantu
selama perkuliahan sampai pada penulisan skripsi ini. Terimakasih atas
dukungan,
viii
nasihat, kasih sayang, celotehan, tempat curhat, tangisan, hiburan, yang
selalu ada dalam suka dan duka. See you on top!
11. Sahabat penulis sejak SD, Dita dan Dean atas dukungannya dan yang tidak
pernah absen untuk selalu bertemu setiap ada kesempatan. See you on top!
12. Para pejuang skripsi, keluarga besar AGRIBISNIS 2014 yang telah
membantu dan memberikan semangat kepada penulis selama perkuliahan.
See you on top guys!
13. Keluarga besar Saman Agribisnis dan Amarantha terima kasih atas prestasi,
ilmu dan pengalaman organisasinya.
14. Kakak – kakak senior Agribisnis 2012 dan 2013 yang selalu memberikan
ilmu, pengalaman dan informasi mengenai seluk-beluk skripsi, serta adik-
adik junior
2015 dan 2016 yang selalu memberikan support.
15. Semua pihak yang tidak dapat penulis sebutkan satu persatu yang
telah membantu penulis untuk menyelesaikan skripsi ini. Terimakasih atas
semangat dan motivasinya.
Penulis berharap agar skripsi ini dapat bermanfaat bagi pembaca.
Semoga Allah SWT membalas segala kebaikan yang telah kalian berikan
kepada penulis. Aamiin Ya Rabbal Allamiin
Jakarta, September 2018
Penulis
ix
RINGKASAN
HUMAIRRA AVICIENNA, Analisis Peramalan Penjualan Herbisida,

Insektisida, dan Fungisida di PT. Danken Indonesia. Di bawah bimbingan
LILIS IMAMAH ICHDAYATI dan ARMAENI DWI HUMAERAH.
Perbedaan penggunaan jenis pestisida dalam mengendalikan OPT

dan faktor perubahan iklim menyebabkan pihak perusahaan sulit
memprediksi banyaknya produk yang akan terjual di masa yang akan datang.
Penjualan herbisida, insektisida, dan fungisida di PT. Danken Indonesia menjadi
berfluktuatif dan tidak seimbang serta membuat tidak tercapainya target
yang telah ditetapkan. Perkembangan dunia usaha yang begitu cepat juga
mengharuskan perusahaan untuk mampu memprediksi berbagai kemungkinan
yang akan terjadi dimasa depan dengan memahami informasi yang ada.
Penelitian ini bertujuan untuk: (1) Mengetahui hubungan antara
herbisida, insektisida, dan fungisida terhadap penjualan di PT. Danken
Indonesia, (2) Mengetahui metode peramalan terbaik untuk meramalkan
penjualan pestisida di PT. Danken Indonesia, (3) Mengetahui hasil ramalan
volume penjualan dalam periode Januari-Maret 2018 di PT. Danken Indonesia,
(4) Menganalisis perbedaan hasil evaluasi dari ramalan volume penjualan dengan
data aktual penjualan periode Januari-Maret 2018 di PT. Danken Indonesia.
Peramalan penjualan menggunakan data sekunder berupa data
penjualan herbisida, insektisida, dan fungisida periode Januari 2016 hingga
Desember 2017 di PT. Danken Indonesia. Informasi dan data yang diperoleh
diolah secara kuantitatif dengan menggunakan bantuan program Microsoft Excel,
Eviews 9, dan Minitab 16. Metode peramalan dilakukan dengan multivariate time
series analysis menggunakan model analisis VAR yang memiliki analisis
lanjutan yaitu Impulse Response Function (IRF) dan Forecast Error
Variance Decomposition (FEVD). Sebelum melakukan analisis model VAR
terdapat beberapa langkah yang harus dilakukan terlebih dahulu yaitu uji
stasioneritas, penentuan lag optimal dan uji kointegrasi. Selain itu, metode
peramalan dilakukan dengan univariate time series model yang digunakan
adalah metode naif, metode rata-rata bergerak, metode single exponential
smoothing, dan metode double exponential smoothing. Hasil ramalan penjualan
dan aktual penjualan dievaluasi menggunakan uji z beda dua nilai tengah dengan
tingkat kepercayaan 95% (α = 0.05).
Hasil penelitian menunjukkan adanya hubungan yang signifikan
antara penjualan fungisida dan insektisida. Tetapi, hubungan penjualan herbisida
dengan penjualan lainnya tidak signifikan. Hasil IRF untuk dua puluh periode
kedepan menunjukkan guncangan yang dapat membuat penurunan penjualan
bagi tiga jenis pestisida adalah herbisida, guncangan fungisida hanya
menyebabkan penurunan penjualan fungisida sendiri, dan guncangan insektisida
akan membuat peningkatan penjualan bagi tiga jenis pestisida. Hubungan yang
terbentuk dari hasil FEVD untuk dua puluh periode kedepan menunjukkan bahwa
insektisida dan fungisida tidak kuat pengaruhnya terhadap penjualan
herbisida. Sedangkan herbisida lebih kuat pengaruhnya terhadap penjualan
insektisida, dan insektisida lebih kuat pengaruhnya terhadap penjualan fungisida.
Metode peramalan terbaik untuk volume penjualan masing-masing jenis
pestisida dan tiga produk unggulan adalah metode moving average (rata-rata
bergerak) dengan ordo 3. Hasil ramalan total penjualan herbisida, insektisida, dan
fungisida periode Januari-Maret 2018 sebesar 75.405,6 liter, 18.013,3 liter, dan
2.725,9 liter. Hasil ramalan total penjualan DKMetrin, DKMektin, dan
DKZolExtra periode Januari-Maret 2018 sebesar 38.967,5 liter, 5.174,7 liter, dan
533,3 liter. Hasil evaluasi data aktual penjualan herbisida, insektisida, DKMetrin
dan DK Mektin lebih kecil dari hasil ramalan, sedangkan penjualan
fungisida dan DKZolExtra lebih besar dari hasil ramalan. Hasil uji z
menunjukkan tidak terdapat perbedaan yang signifikan antara penjualan aktual
dengan ramalan penjualan dengan tingkat kepercayaan 95% (α = 0.05).
Kata Kunci : peramalan, penjualan, pestisida, VAR, IRF, FEVD, moving average
xi
DAFTAR ISI
RIWAYAT HIDUP .............................................................................................. v
KATA PENGANTAR ......................................................................................... vi
RINGKASAN ....................................................................................................... x
DAFTAR ISI ....................................................................................................... xii
DAFTAR TABEL .............................................................................................. xv
DAFTAR GAMBAR ........................................................................................ xvii
DAFTAR LAMPIRAN ................................................................................... xviii
BAB I PENDAHULUAN ..................................................................................... 1
1.1 Latar Belakang ........................................................................................ 1

1.2 Perumusan Masalah ................................................................................ 7
1.3 Tujuan Penelitian .................................................................................... 7
1.4 Manfaat Penelitan ................................................................................... 8
1.5 Ruang Lingkup Penelitian ....................................................................... 8
BAB II LANDASAN TEORI ............................................................................ 10
2.1 Sarana Produksi Pertanian .................................................................... 10

2.2 Perlindungan Tanaman ......................................................................... 11
2.2.1 Pestisida ....................................................................................... 12
2.2.2 Karakteristik Organisme Pengganggu Tanaman .......................... 13
2.2.3 Peranan Pestisida Dalam Pembangunan Pertanian ...................... 15
2.3 Peramalan (Forecasting) ....................................................................... 15
2.3.1 Pengertian Peramalan ................................................................ 16
2.3.2 Jenis-Jenis Peramalan ................................................................ 16
2.3.3 Faktor-Faktor yang Mempengaruhi Peramalan ......................... 18
2.3.4 Metode Peramalan ..................................................................... 19
2.3.5 Ukuran Akurasi Hasil Peramalan .............................................. 26
2.3.6 Evaluasi Peramalan .................................................................... 26
2.4 Kointegrasi ............................................................................................ 27
2.5 Vector Autoregression (VAR) .............................................................. 28
2.6 Vector Error Correction Model (VECM) ............................................. 29
2.7 Impulse Response Function (IRF).......................................................... 29
2.8 Forecast Error Variance Decomposition (FEVD) ................................ 30
2.9 Penelitian Terdahulu ............................................................................. 30
2.10 Kerangka Penelitian ............................................................................ 34
2.11 Hipotesis Penelitian ............................................................................ 38
BAB III METODE PENELITIAN ................................................................... 39
3.1 Lokasi dan Waktu Penelitian ................................................................ 39

3.2 Variabel Penelitian ................................................................................ 39
3.3 Sumber dan Jenis Data .......................................................................... 40
3.4 Metode Pengumpulan Data ................................................................... 41
3.5 Metode Pengolahan Data ...................................................................... 42
3.6 Analisis Data ......................................................................................... 46
3.6.1 Hubungan Antar Ketiga Produk ................................................... 47
3.6.2 Pencapaian Volume Penjualan ..................................................... 48
3.6.3 Ukuran Akurasi Hasil Peramalan ................................................. 51
3.6.4 Evaluasi Hasil Ramalan Penjualan .............................................. 52
3.7 Definisi Operasional ............................................................................. 53
BAB IV GAMBARAN UMUM PT. DANKEN INDONESIA ....................... 55
4.1 Sejarah Perusahaan ............................................................................... 55

4.2 Visi dan Misi Perusahaan ...................................................................... 56
4.3 Struktur Perusahaan .............................................................................. 56
4.4 Produk Perusahaan ................................................................................ 61
4.5 Prosedur Pemesanan Produk ................................................................. 63
4.6 Gangguan Pencapaian Target Penjualan ............................................... 65
BAB V HASIL DAN PEMBAHASAN ............................................................. 67
5.1 Ramalan Penjualan Tiga Jenis Pestisida ................................................ 67

5.1.1 Identifikasi Pola Data Penjualan Herbisida, Insektisida, dan
Fungisida ....................................................................................... 67
5.1.2 Hubungan Tiga Jenis Pestisida Terhadap Penjualan..................... 72
5.1.2.1 Impulse Response Function (IRF) .................................... 75
5.1.2.2 Forecast Error Variance Decomposition (FEVD) .......... 86
5.1.3 Ramalan Volume Penjualan Tiga Jenis Pestisida ......................... 90
5.1.3.1 Metode Peramalan Pencapaian Volume Penjualan
xiii
Herbisida, Insektisida, dan Fungisida .............................. 90
5.1.3.2 Pemilihan Metode Peramalan Terbaik .............................. 93
5.2 Ramalan Penjualan Tiga Merk Produk Unggulan ................................ 95
5.2.1 Identifikasi Pola Data Penjualan DKMetrin, DKmektin,
dan DKZolExtra ............................................................................ 96
5.2.2 Metode Peramalan Pencapaian Volume Penjualan
DKMetrin, DKMektin, dan DKZolExtra ................................... 100
5.2.3 Pemilihan Metode Peramalan Terbaik ....................................... 104
5.3 Evaluasi Hasil Ramalan ...................................................................... 105
BAB VI KESIMPULAN DAN SARAN ......................................................... 111
6.1 Kesimpulan ......................................................................................... 111

6.2 Saran ................................................................................................... 112
DAFTAR PUSTAKA ....................................................................................... 113
LAMPIRAN ...................................................................................................... 116
xiv
DAFTAR TABEL
No. Halaman
1. Kehilangan Produksi Pertanian Akibat Organisme Pengganggu Tanaman ........ 1
2. Total Volume Penjualan Herbisida, Insektisida, dan Fungisida

Tahun 2015-2017................................................................................................. 5
3. Pemilihan Metode Peramalan ........................................................................... 20
4. Persamaan dan Perbedaan dengan Penelitian Terdahulu .................................. 34
5. Produk-Produk Perusahaan Terdaftar ............................................................... 62
6. Penjualan Herbisida, Insektisida, dan Fungisida (liter) .................................... 67
7. Hasil Uji Stasioneritas Herbisida, Insektisida, dan Fungisida PT. Danken

Indonesia Tahun 2016-2017 .............................................................................. 71
8. Hasil Uji Stabilitas Model Herbisida, Insektisida, dan Fungisida PT. Danken
Indonesia Tahun 2016-2017 .............................................................................. 73
9. Hasil Uji Lag Optimum Herbisida, Insektisida, dan Fungisida PT. Danken
Indonesia Tahun 2016-2017 .............................................................................. 74
10. Hasil Model VAR Herbisida, Insektisida, dan Fungisida PT. Danken
Indonesia Tahun 2016-2017 ............................................................................ 75
11. Respon Herbisida Terhadap Guncangan dari Fungisida, Herbisida,

dan Insektisida ................................................................................................ 77
12. Respon Insektisida Terhadap Guncangan dari Fungisida, Herbisida,

dan Insektisida ................................................................................................ 80
13. Respon Fungisida Terhadap Guncangan dari Fungisida, Herbisida,

dan Insektisida ................................................................................................ 83
14. Respon pada Guncangan Untuk Tiga Jenis Pestisida ..................................... 85
15. Hasil Perhitungan Metode Naif Herbisida, Insektisida, dan Fungisida

PT. Danken Indonesia Tahun 2016-2017 ........................................................ 91
16. Perbandingan Hasil Perhitungan Moving Average pada Herbisida,

Insektisida, dan Fungisida PT. Danken Indonesia Tahun 2016-2017 ............. 92
17. Hasil Perhitungan Metode Single Exponential Smoothing Herbisida,
18. Hasil Perhitungan Metode Double Exponential Smoothing Herbisida,

19. Perbandingan Indikator Nilai Kesalahan Metode Permalan Herbisida,

Insektisida, dan Fungisida ............................................................................... 94
20. Ramalan Penjualan Herbisida, Insektisida, dan Fungisida Bulan

Januari-Maret 2018 PT. Danken Indonesia Bulan Januari- Maret 2018
dengan Metode MA Ordo 3 ............................................................................. 95
21. Penjualan DKMetrin, DKMektin, dan DKZolExtra PT. Danken Indonesia

Tahun 2016-2017 (liter) ................................................................................... 96
22. Hasil Uji Stasioneritas DKMetrin, DKMektin, dan DKZolExtra

PT. Danken Indonesia Tahun 2016-2017 ..................................................... 100
23. Hasil Perhitungan Metode Naif pada DKMetrin, DKMektin, dan

DKZolExtra PT. Danken Indonesia Tahun 2016-2017 ................................. 101
24. Perbandingan Hasil Perhitungan Moving Average pada DKMetrin,

DKMektin, dan DKZolExtra PT. Danken Indonesia Tahun 2016-2017 ....... 102
25. Hasil Perhitungan Metode Single Exponential Smoothing DKMetrin,

26. Hasil Perhitungan Metode Double Exponential Smoothing DKMetrin,

27. Perbandingan Indikator Nilai Kesalahan Metode Peramalan

DKMetrin, DKMektin, dan DKZolExtra ...................................................... 104
28. Ramalan Penjualan DKMetrin, DKMektin, dan DKZolExtra PT. Danken

Indonesia Bulan Januari-Maret 2018 dengan Metode MA Ordo 3 ............... 105
29. Hasil Ramalan Penjualan dengan Data Aktual Penjualan Tiga Jenis
Pestisida PT. Danken Indonesia Periode Januari-Maret 2018 ...................... 106
30. Hasil Ramalan Penjualan dengan Data Aktual Penjualan Produk

Unggulan PT. Danken Indonesia Periode Januari-Maret 2018 ..................... 107
xvi
DAFTAR GAMBAR
No. Halaman
1. Jenis Pestisida Terdaftar di Indonesia .................................................................3
2. Grafik Penjualan Per Bulan Produk Herbisida, Insektisida, dan Fungisida

Periode Januari 2016 – Desember 2017 ............................................................. 5
3. Sistem Agribisnis .............................................................................................. 10
4. Alur Kerangka Pemikiran ................................................................................. 37
5. Struktur Organisasi PT. Danken Indonesia ....................................................... 57
6. Plot Data Penjualan Herbisida PT. Danken Indonesia Tahun 2016-2017 .........68
7. Plot Data Penjualan Insektisida PT. Danken Indonesia Tahun 2016-2017 .......69
8. Plot Data Penjualan Fungisida PT. Danken Indonesia Tahun 2016-2017 .........70
9. Respons of Herbisida ......................................................................................... 79
10. Respons of Insektisida ...................................................................................... 82
11. Respons of Fungisida ..................................................................................... 85
12. Diagram FEVD Herbisida ...............................................................................87
13. Diagram FEVD Insektisida .............................................................................88
14. Diagram FEVD Fungisida ..............................................................................89
15. Plot Data Penjualan DKMetrin PT. Danken Indonesia 2016-2017 ................. 95
16. Plot Data Penjualan DKMektin PT. Danken Indonesia 2016-2017................. 96
17. Plot Data Penjualan DKZolExtra PT. Danken Indonesia 2016-2017 ..............97
DAFTAR LAMPIRAN
No. Halaman
1. Uji Stasioner Penjualan ................................................................................ 117
2. Estimasi VAR .............................................................................................. 119
3. Hasil Perhitungan Metode Naif .................................................................... 120
4. Hasil Perhitungan Metode Moving Average Ordo 3 ................................... 126
5. Hasil Perhitungan Metode Single Exponential Smoothing .......................... 132
6. Hasil Perhitungan Metode Double Exponential Smoothing ........................ 138
7. Hasil Perhitungan Uji Z ............................................................................... 144

BAB I
PENDAHULUAN
1.1 Latar Belakang
Subsistem agribisnis hulu merupakan kegiatan pengadaan sarana produksi
pertanian antara lain penyediaan benih/bibit, pupuk, alat mesin pertanian dan
pestisida. Selain itu, terdapat penunjang kredit pertanian dan lembaga keuangan
lain yang melayani sektor produksi. Pengadaan sarana produksi dalam
pembangunan pertanian menurut Faqih (2010:1) bertujuan untuk meningkatkan
hasil dan mutu produksi, meningkatkan taraf hidup petani, memperluas lapangan
kerja, serta menunjang pembangunan industri.
Kualitas produk dan tingkat produksi sektor pertanian sangat dipengaruhi
oleh faktor-faktor yang berada di luar kemampuan para petani, salah satunya ialah
serangan Organisme Pengganggu Tanaman (OPT). Menurut Djafaruddin
(1995:115), serangan Organisme Pengganggu Tanaman (OPT) memang mutlak
harus dikendalikan. Artinya OPT tersebut harus dimonitor, diamati dan diawasi
agar tidak menimbulkan kerugian atau kerusakan secara ekonomis. Kehilangan
produksi pertanian akibat serangan OPT membuat kerugian yang besar di beberapa
wilayah dunia yang dapat dilihat pada Tabel 1.
Tabel 1. Kehilangan Produksi Pertanian Akibat Organisme Pengganggu Tanaman

Wilayah Kehilangan (%) Kerugian (juta US$)
Eropa 28,2 16,8
Oseania 36,2 1,9
Amerika Utara 31,2 23,0
Rusia 40,9 22,0
Amerika Selatan 41,3 21,8
Afrika 48,3 12,8
Asia 47,1 145,3
Total 243,7
Sumber: Nurmala, dkk (2012:43)
Kehilangan produksi pertanian akibat serangan OPT terjadi di wilayah Eropa,
Oseania, Amerika Utara, Rusia, Amerika Selatan, Afrika, dan Asia. Wilayah Asia
mengalami kehilangan produksi pertanian sebesar 47,1% dan mengalami kerugian
tertinggi yaitu sebesar 145,3 US dollar. Di Indonesia, serangan OPT juga
menyerang pada enam belas komoditi utama perkebunan tahun 2016 sekitar 3,83
juta ha. Akibatnya, diperkirakan mengalami kerugian hasil sekitar Rp.1,087 trilyun.
Kondisi tersebut diperburuk dengan terjadinya cekaman iklim seperti kekeringan,
kebakaran lahan dan banjir (Direktorat Jenderal Perkebunan, 2017).
Upaya mengatasi serangan OPT ditujukan untuk mengurangi kehilangan
produksi pertanian melalui program Pengendalian Hama Terpadu (PHT) dengan
penggunaan pestisida kimiawi pada tahap akhir dari langkah-langkah PHT.
Menurut Nurmala dkk (2012:50-52) langkah-langkah operasional yang ditempuh
dalam rangka pengendalian OPT antara lain penyediaan sarana perlindungan
pestisida, agensia hayati, dan alat mesin pertanian, serta pengembangan
kemampuan SDM perlindungan tanaman melalui Sekolah Lapang Pengendalian
Hama Terpadu (SLPHT) untuk petani di seluruh Indonesia. Pestisida digunakan
untuk mengendalikan, menolak, memikat, atau membasmi organisme pengganggu.
Penggunaan dari pestisida tersebut sering tidak bijaksana, seperti penggunaan tidak
sesuai peruntukannya, tidak sesuai dosis yang dianjurkan oleh produsen serta
penyemprotan yang tidak memperhatikan ada tidaknya OPT. Begitu pula pestisida
yang sama digunakan secara terus menerus sehingga tidak ada pergiliran bahan
aktif lain (Nurmala, 2012:58). Oleh karena itu, teknologi pengendalian hama harus
selalu dikembangkan sesuai dengan perkembangan ilmu, teknologi, dan dinamika
organisme sasaran. Bila pestisida tersebut efektif dan metode aplikasinya tepat,
2
populasi hama dapat diturunkan untuk sementara, tetapi tidak dapat dan tidak
mungkin dihabiskan sama sekali (Oka, 2005:17).
Pestisida yang beredar di pasar harus sudah terdaftar dan memiliki perizinan
melalui Kementerian Pertanian. Saat ini terdapat 15 jenis pestisida terdaftar yang
dapat dilihat pada Gambar 1.

Jumlah Formulasi
2000 2011
1000 2012
2013
0
2014
2015
2016
2017
Jenis Pestisida
Gambar 1. Jenis Pestisida Terdaftar di Indonesia

Sumber : Direktorat Jenderal Prasarana dan Sarana Pertanian (2017:69)
Berdasarkan Gambar 1, jenis pestisida terdaftar tidak hanya untuk budidaya
tanaman, namun juga untuk pemukiman (pestisida rumah tangga, bahan pengawet
kayu, rodentisida dan repelen), perikanan, dan peternakan. Dari berbagai jenis
pestisida untuk budidaya tanaman, didominasi oleh herbisida sebanyak 1.089
formulasi, insektisida sebanyak 1.424 formulasi, dan fungisida sebanyak 704
formulasi di tahun 2017. Jumlah formulasi ketiga jenis pestisida ini jauh lebih tinggi
dan terus mengalami peningkatan dari tahun 2011 hingga 2017 jika dibandingkan
dengan pestisida untuk budidaya tanaman lainnya.
Pendaftaran dan perizinan pestisida ini menyangkut perdagangan dan
dampaknya terhadap masyarakat luas, terutama produsen dan konsumen. Para
3
produsen pestisida, pedagang besar dan pengecer, berkepentingan agar pestisida
yang telah memperoleh izin untuk dipergunakan dapat diijual kepada masyarakat
yang berkepentingan dengan memperoleh keuntungan. Sebaliknya, konsumen yang
memerlukan pestisida mengharapkan agar pestisida yang diperlukan selalu tersedia
dengan harga yang dapat dijangkaunya (Oka, 2005:194). Hasil positif dari
penggunaan pestisida kimiawi yang bijaksana dapat mendatangkan keuntungan
bagi perusahaan sebagai penyedia berbagai macam jenis pestisida.
Salah satu perusahaan penjual pestisida kimia yang telah terdaftar di
Kementerian Pertanian adalah PT. Danken Indonesia. Perusahaan ini merupakan
salah satu anggota dari perusahaan multi nasional yaitu Zhongsan Grup. PT Danken
Indonesia menyediakan berbagai macam jenis pestisida yang berkualitas tinggi. PT.
Danken Indonesia memiliki tiga jenis pestisida unggulan yaitu herbisida,
insektisida, dan fungisida. Ketiga jenis produk tersebut memiliki penjualan yang
berkelanjutan dan menjadi fokus bagi perusahaan dalam upaya meningkatkan
penjualan untuk herbisida, insektisida, dan fungisida. PT. Danken Indonesia telah
memasarkan produknya ke pulau-pulau besar seperti Jawa, Sumatera, dan Sulawesi
Selatan. Penjualan produk herbisida, insektisida, dan fungisida di PT. Danken
Indonesia sangat berfluktuatif yang dapat dilihat pada Gambar 2.
4
60.000,00
Jumlah (L) 50.000,00
40.000,00
30.000,00
20.000,00
10.000,00
0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Periode
Herbicides Insecticides Fungicides
Gambar 2. Grafik Penjualan Per Bulan Produk Herbisida, Insektisida, dan Fungisida
Periode Januari 2016 – Desember 2017.
Sumber: PT. Danken Indonesia, 2018
Berdasarkan Gambar 2, dalam beberapa periode terlihat penjualan herbisida
lebih tinggi jika dibandingkan dengan penjualan insektisida dan fungisida.
Perkembangan penjualan fungisida dari awal periode hingga akhir periode masih
sangat kecil jika dibandingkan herbisida dan insektisida. Penjualan ketiga produk
tersebut dari Januari 2016 hingga November 2017 juga tidak bergerak naik ataupun
turun secara bersama-sama. Penjualan herbisida yang dimulai sejak Januari 2015
membuat penjualan jauh lebih tinggi dibandingkan dengan insektisida dan
fungisida. Walaupun penjualan insektisida dan fungisida baru dilakukan pada akhir
bulan November di tahun 2015, tetapi total penjualan kedua pestisida tersebut
mengalami peningkatan dari tahun 2016 ke 2017 seperti yang terlihat pada Tabel
2.
Tabel 2. Total Volume Penjualan Herbisida, Insektisida, dan Fungisida Tahun 2016-2017
Volume Penjualan (Liter)
Produk
2016 2017
Herbisida 319.234,40 172.012,50
Insektisida 55.758,90 72.328,00
Fungisida 6,150.00 15,600.00
Sumber: PT. Danken Indonesia, 2018
5
Berdasarkan Tabel 2, total volume penjualan herbisida tahun 2016 sebesar
319.234,4 liter dan terjadi penurunan volume penjualan menjadi 172.012,5 liter di
tahun 2017. Sedangkan total penjualan insektisida dan fungisida mengalami
peningkatan walaupun jumlahnya belum bisa mencapai penjualan dari herbisida.
Menurut pihak perusahaan, fluktuasi volume penjualan yang tidak
seimbang dikarenakan adanya pengendalian OPT yang berbeda antara gulma, hama
dan penyakit. Penggunaan pestisida akan disesuaikan dengan serangan OPT tersbut
yang akhirnya mempengaruhi penjualan dari herbisida, insektisida, dan fungisida.
Selain itu, faktor perubahan iklim juga menyebabkan permintaan dan frekuensi
penggunaan dari pestisida menjadi tidak menentu. Menurut Susanti dkk (2014:5)
terjadinya anomali musim, yakni masih adanya hujan di musim kemarau juga dapat
menstimulasi serangan OPT. Waktu tanam yang tidak serempak dan kondisi cuaca
yang tidak menentu juga dapat menjadi pemicu serangan OPT. Hal ini juga
membuat penjualan di PT. Danken Indonesia tidak mencapai target di tahun 2017
sebesar 487.491,29 liter, dengan realisasi penjualan hanya mencapai 259.940,5
liter.
Perbedaan penggunaan jenis pestisida dalam mengendalikan OPT dan
faktor perubahan iklim tersebut menyebabkan pihak perusahaan sulit memprediksi
banyaknya produk yang akan terjual di masa yang akan datang. Penjualan
herbisida, insektisida, dan fungisida menjadi berfluktuatif dan tidak seimbang serta
membuat tidak tercapainya target yang telah ditetapkan. Perkembangan dunia usaha
yang begitu cepat juga mengharuskan perusahaan untuk mampu memprediksi
berbagai kemungkinan yang akan terjadi dimasa depan dengan memahami
informasi yang ada. PT. Danken Indonesia memerlukan suatu instrumen yang
6
diharapkan dapat mengontrol penjualan ketiga produk di masa yang akan datang
dan dapat memprediksi banyaknya penjualan dalam beberapa periode ke depan.
Oleh karena itu, perlu dilakukan peramalan penjualan seakurat mungkin dan pihak
perusahaan dapat menetapkan target penjualan dengan berbagai pertimbangan yang
dapat disesuaikan dari hasil ramalan penjualan. Berdasarkan hal tersebut, penulis
akan melakukan penelitian mengenai peramalan penjualan dengan judul “Analisis
Peramalan Penjualan Herbisida, Insektisida, dan Fungisida Di PT. Danken
Indonesia”.
1.2 Perumusan Masalah
Berdasarkan uraian di atas, maka permasalahan yang akan dibahas dalam
penelitian ini adalah sebagai berikut :
1. Bagaimana hubungan antara herbisida, insektisida, dan fungisida terhadap
penjualan di PT. Danken Indonesia?
2. Apa metode peramalan yang terbaik untuk meramalkan penjualan pestisida di
PT. Danken Indonesia berdasarkan pola data penjualan?
3. Berapa hasil ramalan volume pencapaian penjualan dalam periode Januari-
Maret 2018 di PT. Danken Indonesia?
4. Apakah terdapat perbedaan yang signifikan pada hasil evaluasi dari data aktual
penjualan dengan data ramalan penjualan?
1.3 Tujuan Penelitian
Berdasarkan perumusan masalah di atas, maka penulis memiliki tujuan
yang hendak dicapai, yaitu :
7
1. Mengetahui hubungan antara herbisida, insektisida, dan fungisida terhadap
penjualan di PT. Danken Indonesia.
2. Mengetahui metode peramalan terbaik untuk meramalkan penjualan pestisida
di PT. Danken Indonesia.
3. Mengetahui hasil ramalan volume penjualan dalam periode Januari-Maret
2018 di PT. Danken Indonesia.
4. Menganalisis perbedaan hasil evaluasi dari ramalan volume penjualan dengan
data aktual penjualan periode Januari-Maret 2018 di PT. Danken Indonesia.
1.4 Manfaat Penelitian
Berdasarkan perumusan masalah dan tujuan penelitian diatas, maka
manfaat yang diharapkan penulis adalah sebagai berikut :
1. Bagi Perusahaan, sebagai salah satu alternatif pengambilan keputusan dalam
meramalkan penjualan dan sebagai informasi untuk meningkatkan penjualan.
2. Bagi Pembaca, sebagai bahan informasi dan masukan bagi penelitian
selanjutnya.
3. Bagi Penulis, untuk menerapkan ilmu dan pengetahuan yang telah diperoleh
penulis dimasa perkuliahan, serta sebagai salah satu syarat kelulusan studi
program sarjana strata satu, Program Studi Agribisnis, UIN Syarif
Hidayatullah Jakarta.
1.5 Ruang Lingkup Penelitian
Penelitian ini hanya akan melakukan peramalan penjualan tiga jenis pestisida
yaitu Herbisida dengan produk unggulan DKMetrin, Insektisida dengan produk
8
unggulan DKMektin, dan Fungisida dengan produk unggulan DKZolExtra.
Ramalan penjualan dilihat berdasarkan data time series dari PT. Danken Indonesia
periode Januari 2016 sampai Desember 2017. Data penjualan herbisida, insektisida,
dan fungisida akan digunakan untuk mengetahui hubungan antara ketiga produk
terhadap penjualan menggunakan model Vector Autoregression (VAR) yang
dilanjutkan dengan alat analisis Impulse Response Function (IRF) dan Forecast
Error Variance Decomposition (FEVD). Sedangkan data penjualan herbisida,
insektisida, fungisida, DKMetrin, DKMektin, dan DKZolExtra untuk mengetahui
besarnya volume penjualan periode Januari-Maret 2018 dengan melihat nilai error
terkecil dari teknik peramalan deret waktu satu ragam. Teknik peramalannya yaitu
teknik naif, teknik rata-rata bergerak, teknik pemulusan eksponensial tunggal, dan
teknik pemulusan eksponensial ganda. Hasil ramalan penjualan dan data aktual
penjualan dievaluasi menggunakan uji z beda dua nilai tengah dengan tingkat
kepercayaan 95%.
9
BAB II
LANDASAN TEORI
2.1 Sarana Produksi Pertanian
Menurut Soehardjo (1997) dalam Faqih (2010:8) agribisnis ialah sebuah
sistem yang terdiri atas beberapa subsistem seperti pada Gambar 3 berikut.
Gambar 3. Sistem Agribisnis

Sumber : Faqih (2010:9)
Gambar 3 menunjukkan bahwa setiap subsistem dari sistem agribisnis
memiliki keterkaitan satu sama lain. Agribisnis merupakan suatu kegiatan usaha
yang berkaitan dengan sektor bisnis pertanian, mencakup perusahaan-perusahaan
pemasok input. Perusahaan pemasok input seperti pengadaan dan penyaluran sarana
produksi (subsistem I), penghasil produk primer (subsistem II), pengolahan produk
pertanian (subsistem III), pemasaran hasil produksi (subsistem IV) dan ditunjang
oleh lembaga-lembaga keuangan.
Salah satu subsistem dari sistem agribisnis ialah subsistem pengadaan dan
penyaluran sarana produksi yang menyangkut penyediaan saprotan meliputi
benih/bibit, pupuk, obat pembasmi hama (pestisida), dan alat mesin pertanian.
Pengadaan saprotan ini tidak lepas dari peranan industri yang melakukan kegiatan
yang berkaitan langsung dengan sektor pertanian disebut “agroindustri hulu”
(upstream).
Peranan input bukan saja dilihat dari segi macam atau ketersediaannya
dalam waktu yang tepat, tetapi juga dapat ditinjau dari segi efisiensi
penggunaannya. Karena hal-hal tersebut, kerap kali terjadi kesenjangan
produktivitas antara produktivitas yang seharusnya dengan produktivitas yang
dihasilkan oleh petani. Senjang produktivitas ini terjadi karena adanya faktor yang
sulit diatasi oleh petani, salah satunya kendala biologi, misalnya ada tanaman
pengganggu, serangan hama penyakit, masalah tanah dan kesuburannya, dan lain-
lain (Hanafie, 2010:6).
2.2 Perlindungan Tanaman
Menurut Djafaruddin (1995:6) perlindungan tanaman mempunyai peranan
yang sangat penting dan merupakan “bagian” yang tidak dapat dipisahkan dari
usaha “Peningkatan Produksi Tanaman” atau Produksi Pertanian/Pertanaman.
Perlindungan tanaman ini untuk melindungi, mencegah, atau menghindari agar
tanaman yang di budidaya tidak menderita suatu gangguan, kerusakan, kematian,
atau kemerosotan hasilnya dan memperkecil kerugian secara ekonomis.
Oleh karena itu pengendalian gangguan, khususnya terhadap jasad
pengganggu, dalam langkah budidaya tanaman merupakan salah satu langkah yang
sama perannya dengan langkah lainnya, yaitu:
1. Pengendalian/ pemberantasan hama;
2. Pengendalian/ pemberantasan penyakit;
3. Pengendalian/ pemberantasan gulma.
11
Adapun tujuan perlindungan tanaman menurut Firmansyah (2017:2), antara lain :
1. Pencegahan, pengendalian dan pemantauan Organisme Pengganggu Tanaman
(OPT).
2. Peningkatan kuantitas dan kualitas hasil pertanian.
3. Peningkatan daya saing produk pertanian di pasar lokal dan global.
4. Peningkatan penghasilan dan kesejahteraan petani.
2.2.1 Pestisida
Pestisida berasal dari kata pest yang artinya hama dan side yang berarti
racun atau mematikan. Menurut pengertian secara umum pestisida dapat
didefinisikan sebagai suatu bahan yang digunakan untuk pengendalian populasi
jasad hidup yang dianggap sebagai hama dalam arti yang merugikan kepentingan
manusia. (Hanindipto, 1989 dalam Rahayuningsih, 2009:28). Menurut US.
Environmental Protection Agency (2018:1) pestisida merupakan semua zat atau
campuran zat yang digunakan untuk mencegah, menghancurkan, atau mengurangi
hama.
Gangguan pada tanaman bisa terjadi karena faktor abiotik yang tidak bisa
dikoreksi dengan penggunaan pestisida, sedangkan gangguan karena faktor biotik
(makhluk hidup) yang bisa dikendalikan dengan pestisida disebut dengan istilah
Organisme Pengganggu Tanaman (OPT). Berdasarkan OPT sasarannya, pestisida
dikelompokkan menjadi beberapa jenis sebagai berikut (Djojosumarto, 2008:5):
1. Insektisida, digunakan untuk mengendalikan hama berupa serangga. Kelompok
insektisida dibedakan menjadi dua, yaitu ovisida (mengendalikan telur
serangga), dan larvisida (mengendalikan larva serangga).
2. Akarisida, digunakan untuk mengendalikan akarina (tungau atau mites).
12
3. Moluskisida, digunakan untuk mengendalikan hama dari bangsa siput.
4. Rodentisida, digunakan untuk mengendalikan hewan pengerat (tikus).
5. Nematisida, digunakan untuk mengendalikan nematode.
6. Fungisida, digunakan untuk mengendalikan penyakit tanaman yang disebabkan
oleh cendawan (jamur atau fungi).
7. Bakterisida, digunakan untuk mengendalikan penyakit tanaman yang
disebabkan oleh bakteri.
8. Herbisida, digunakan untuk mengendalikan gulma (tumbuhan pengganggu).
9. Algisida, digunakan untuk mengendalikan ganggang (algae).
10. Piskisida, digunakan untuk mengendalikan ikan buas.
11. Avisida, digunakan untuk meracuni burung perusak hasil pertanian.
12. Repelen, pestisida yang tidak bersifat membunuh, hanya mengusir hama.
13. Atraktan, digunakan untuk menarik atau mengumpulkan serangga.
14. ZPT, digunakan untuk mengatur pertumbuhan tanaman yang efeknya bisa
memacu pertumbuhan atau menekan pertumbuhan.
15. Plant Activator, digunakan untuk merangsang timbulnya kekebalan tumbuhan
sehingga tahan terhadap penyakit tertentu.
2.2.2 Karakteristik Organisme Pengganggu Tanaman
Menurut Djafaruddin (1995:13) metode pengendalian jasad pengganggu
relatif sama. Hanya saja, sesuai dengan sifat dan karakteristik kelompok serta
masing-masing jenis OPT dari setiap kelompok, maka strategi atau langkah
pengendaliannya menjadi berbeda. Kelompok jasad pengganggu tersebut dibedakan
menjadi tiga aspek, yaitu hama, penyakit, dan gulma.
13
Diantara anggota kelompok hama berdasarkan kelasnya, kelas insekta
(serangga) adalah yang terpenting karena jumlahnya sangat banyak jauh melebihi
kelas lainnya (72%), serta jenis dan cara berkembang biaknya juga bermacam-
macam. Menurut Wudianto (2001:7) salah satu kesulitan pengendalian serangga
adalah sifatnya yang mudah menyesuaikan diri dengan keadaan sekitarnya.
Sehingga, jenis pestisida yang tepat untuk pemberantasan hama serangga dengan
menggunakan insektisida, karena mengandung senyawa kimia beracun yang bisa
mematikan semua jenis serangga.
Penyabab penyakit pada tanaman dapat disebabkan karena unsur iklim dan
tanah yang tidak cocok, serta kesalahan kultur teknik. Selain itu, terdapat penyakit
biotis pada tanaman yang bersifat menular. Selain kelompok hama, jamur/cendawan
menjadi salah satu penyebab timbulnya penyakit yang paling sering/banyak
(Djafaruddin, 1995:31). Jenis pestisida dalam mengatasi serangan cendawan ini
dapat menggunakan fungisida, karena mengandung senyawa kimia beracun yang
bisa memberantas dan mencegah fungi/cendawan. Menurut Wudianto (2001:9)
dengan mengacu pada aplikasinya, fungisida bisa diberikan sebagai eradikan
(patogen sudah ada didalam tanaman), dan protektan (pada permukaan bagian
tanaman sebelum patogen menyerang).
Gangguan lainnya selain jasad pengganggu penyebab hama dan penyakit
biotis, ialah gulma. Menurut Sutidjo (1974) dalam Djafaruddin (1995:60) gulma
ialah tumbuhan yang tumbuh di suatu tempat tetapi keberadaannya tidak
dikehendaki dan mempunyai nilai negatif bagi manusia. Jenis pestisida yang
digunakan untuk mengatasi gulma dengan menggunakan herbisida, karena
mengandung senyawa kimia beracun yang bisa membunuh tumbuhan pengganggu.
14
Dilihat dari aplikasinya, herbisida dibedakan atas empat macam, yaitu herbisida
pratanam, herbisida prapengolahan tanah, herbisida pratumbuh, dan herbisida
pasca-tumbuh (Wudianto, 2001:17).
2.2.3 Peranan Pestisida Dalam Pembangunan Pertanian
Serangan patogen merupakan kendala yang sangat besar dalam
pembangunan pertanian, termasuk di Indonesia. Trisyono (2014:1) memprediksi
bahwa kehilangan hasil pertanian mulai dari lahan (on farm) sampai dengan setelah
panen (off farm) dapat mencapai 25% disebabkan oleh serangan hama. OPT dapat
menyerang dan merugikan setiap komoditas pertanian sejak pengolahan tanah,
pembibitan, fase pertumbuhan vegetative, panen dan pasca panen. Dampak
serangan OPT bagi pembangunan menurut Untung (2007) dalam Sumardiyono
(2013:2), antara lain penurunan kuantitas dan kualitas produksi hasil pertanian,
peningkatan biaya produksi untuk pengelolaan, penurunan penghasilan petani, serta
penurunan sumbangan sektor pertanian terhadap Produk Nasional Bruto.
Berdasarkan hal-hal tersebut diatas, pengelolaan secara kimia sering tidak
dapat dihindarkan, bahkan menjadi pilihan utama. Menurut Sumardiyono (2013:5),
hal ini disebabkan kemudahan cara aplikasi pestisida. Hasil yang terlihat pun lebih
menjamin keberhasilan pengelolaan dibandingkan dengan cara lain. Tetapi
pengelolaan dengan pestisida diketahui mempunyai kelemahan, khususnya dampak
bagi ekosistem dan produk pertanian. Oleh karena itu, perlu dilakukan secara hati-
hati dan bijaksana agar tidak menimbulkan akibat samping yang merugikan.
15
2.3 Peramalan (Forecasting)
Usaha untuk melihat situasi dan kondisi dimasa depan dengan memahami
pengertian peramalan, jenis-jenis peramalan, faktor-faktor yang mempengaruhi
peramalan, metode peramalan, dan ukuran akurasi dalam hasil peramalan yang
dijelaskan sebagai berikut :
2.3.1 Pengertian Peramalan
Peramalan menurut Makridakis dan Wheelwright dalam Sutawidjaya dan
Nugroho (2016:136) ialah rencana untuk masa depan dan membuat keputusan yang
efektif. Sedangkan menurut Supranto (2000:9) ramalan merupakan dugaan atau
perkiraan mengenai terjadinya suatu kejadian atau peristiwa di waktu yang akan
datang.
Aktivitas peramalan digunakan untuk memperkirakan kejadian yang akan
terjadi yaitu berdasarkan data masa lalu dan data saat ini, dengan suatu metode
tertentu yang lazim disebut sebagai metode statistik atau matematik (Sutawidjaya
dan Nugroho, 2016:137).
2.3.2 Jenis-Jenis Peramalan
Menurut Aritonang (2009:4) jenis peramalan dapat dibedakan berdasarkan
jangka waktu, ruang lingkup, dan metode yang digunakan. Apabila dilihat dari
jangka waktu, ramalan penjualan dapat dibedakan menjadi (Sutawidjaya dan
Nugroho, 2016:138):
1. Ramalan Jangka Panjang
Ramalan jangka panjang mencakup pikiran yang luas tentang jumlah
waktu yang cukup lama, biasanya lebih dari satu setengah tahun atau tiga semester.
16
Sedangkan menurut Supranto (2000:10) ramalan jangka panjang meliputi kurang
lebih 25 tahun mendatang.
2. Ramalan Jangka Pendek
Ramalan jangka pendek merupakan jenis ramalan yang paling banyak
digunakan oleh perusahaan-perusahaan, karena ramalan ini mencakup perkiraan
tentang penjualan dari produk yang dihasilkan oleh perusahaan dalam satu setengah
tahun atau kurang. Sedangkan menurut Supranto (2000:10) ramalan jangka pendek
selain untuk tahunan juga triwulanan bahkan mungkin bulanan.
Menurut Aritonang (2009:4) berdasarkan ruang lingkupnya, peramalan
dibedakan menjadi peramalan makro dan mikro. Namun, batasan mengenai mikro
dan makro itu adalah relatif. Berdasarkan metode peramalan yang digunakan,
dibedakan menjadi metode kualitatif dan kuantitatif, seperti berikut: (Sutawidjaya
dan Nugroho, 2016:137).
1. Peramalan Kualitatif
Di dalam membuat analisis biasanya didasarkan pada peramalan dari
berbagai pertimbangan-pertimbangan baik dari internal atau eksternal. Tingkat
pertimbangan subjektif dipakainya itu melebihi penggunaan data dari keragaan
yang lalu. Hasil dari peramalan yang dibuat sangat tergantung pada orang yang
menyusunnya. Analisis kualitatif banyak menggunakan pendekatan yang
berhubungan dengan pengambilan keputusan, misalnya emosi, pengalaman pribadi,
serta sistem nilai yang dianut. Ada empat pendekatan yang biasa dipakai dalam
metode peramalan secara kualitatif, yaitu jury of executive opinon, sales force
composite, metode delphi, dan riset pasar (Rangkuti, 2008:63).
17
2. Peramalan Kuantitatif
Teknik ini biasanya dipergunakan apabila seorang forecaster telah memiliki
data masa lalu atau data history dengan asumsi bahwa sekumpulan data tersebut
menjadi bagian dari populasi di masa depan yang belum diketahui dengan pasti.
Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan atau
penyimpangan yang seminimum mungkin. Peramalan kuantitatif dapat digunakan
apabila terdapat kondisi sebagai berikut:
a. Adanya informasi tentang data masa lalu.
b. Informasi tersebut dapat dikuantifikasikan dalam bentuk data.
c. Dapat diasumsikan bahwa pola data yang lalu akan berkelanjutan pada masa
yang akan datang.
2.3.3 Faktor-Faktor yang Mempengaruhi Peramalan
Menurut Sutawidjaya dan Nugroho (2016:138) terdapat berbagai faktor
yang dapat mempengaruhi aktivitas peramalan, yaitu:
1. Horison Waktu
Ada dua aspek dari horizon waktu yang berhubungan dengan metode
peramalan, yaitu cakupan waktu di masa yang akan datang dengan
menyesuaikan metode peramalan yang sebaiknya digunakan dan aspek yang
kedua ialah jumlah periode untuk peramalan yang diinginkan.
2. Pola Data
Dasar utama dari metode peramalan adalah anggapan bahwa macam dari pola
yang didapati di dalam data yang diramalkan akan berkelanjutan. Pola data
dapat dibedakan berdasarkan empat komponen, yaitu trend, seasonal
(musiman), cycical (siklis), dan irregular components (acak).
18
3. Jenis Model
Model-model ini merupakan suatu deret dimana waktu digambarkan sebagai
unsur yang penting untuk menentukan perubahan-perubahan didalam pola,
yang mungkin secara sistematik dapat dijelaskan dengan analisis regresi atau
korelasi. Model yang lain adalah model sebab akibat yang menggambarkan
bahwa ramalan yang dilakukan sangat tergantung pada terjadinya sejumlah
peristiwa lain. Atau sifatnya merupakan campuran dari model-model yang
disebutkan diatas.
4. Biaya
Umumnya ada empat unsur biaya tercakup dalam penggunaan prosedur
ramalan, yaitu biaya-biaya pengembangan, penyimpangan, operasi pelaksanaan
dan kesempatan dalam penggunaan teknik-teknik serta metode lainnya.
5. Ketepatan
Tingkat ketepatan yang dibutuhkan sangat erat hubungannya dengan tingkat
perincian yang dibutuhkan dalam suatu peramalan.
6. Mudah Tidaknya Penggunaan
Dalam penggunaan metode ilmiah dari peramalan adalah metode-metode yang
dapat dimengerti dan diaplikasikan dalam pengambilan keputusan.
2.3.4 Metode Peramalan
Eksplorasi data time series dapat dipisahkan berdasarkan empat komponen,
yaitu trend, seasonal (musiman), cycical (siklis), dan irregular components (acak).
Jika pada data terdapat trend atau ada komponen siklis, maka data dapat dikatakan
tidak stasioner. Sebaliknya, jika pada data tidak ada trend, seasonal, atau siklis
maka data tersebut stasioner (Firdaus, 2011:26). Stasioneritas data penting untuk
19
menentukan lebih jauh metode peramalan apa yang tepat dilakukan. Metode untuk
data stasioner akan berbeda dengan metode forecasting untuk data yang tidak
stasioner (Singgih, 2009:48). Pemilihan metode peramalan menurut pola data dan
jangka waktu dapat diuraikan pada Tabel 3.
Tabel 3. Pemilihan Metode Peramalan

Metode Pola Data Jangka Waktu Model
Sederhana ST PDK RW
Rata-rata bergerak sederhana ST PDK RW
Pemulusan eksponensial ST PDK RW
Regresi sederhana T MNH K
Regresi berganda M,S MNH K
Dekomposisi M PDK RW
Model trend eksponensial T MNH,PJG RW
Box-Jenkins ST,T,S,M PDK RW
Model ekonometri S PDK K
Regresi berganda runtut waktu T,M MNH,PJG K
Sumber: Arsyad (1994:56)
Keterangan :
- Pola Data : ST = stasioner ; T = trend ; M = musiman ; S = siklis
- Jangka waktu : PDK = pendek ; MNH = menengah ; PJG = panjang
- Model : RW = runtut waktu ; K = kausal
Berdasarkan Firdaus (2011:7) metode peramalan kuantitatif terbagi atas
dua golongan, yaitu metode deret waktu dan metode kausal (regresi).
1) Metode deret waktu (time series)
Model deret waktu fokus pada observasi terhadap urutan pola data secara
kronologis suatu peubah tertentu. Tujuan metode time series adalah menemukan
pola data dalam deret waktu dan mengekstrapolasikan data tersebut ke masa depan.
Stock dan Watson (2001) dalam Firdaus (2011:133) memaparkan bahwa univariate
autoregression merupakan sebuah persamaan tunggal atau bisa disebut model deret
waktu satu ragam (univariate time series model). Metode yang digunakan dalam
peramalan deret waktu satu ragam terdiri dari beberapa teknik, yaitu :
20
a. Teknik Naif (Naïve)
Menurut Firdaus (2011:11) metode ini berdasarkan asumsi bahwa periode
saat ini merupakan prediktor terbaik dari masa mendatang. Metode ini merupakan
metode sederhana karena perhitungannya dengan menggunakan data yang lewat
yang dijadikan sebagai ramalan waktu mendatang. Metode naif cocok pada pola
data stasioner. Teknik naif dapat dirumuskan sebagai berikut :
Ŷt+1 = Yt ; formula untuk data stasioner ................................................................. (1)
Ŷt+1 = Yt + (Yt – Yt-1) ; formula untuk data dengan trend ...................................... (2)
Ŷt+1 = Yt-3 ; formula untuk data dengan varasi musiman yang kuat ...................... (3)
keterangan :
Ŷt+1 = nilai ramalan penjualan periode mendatang
Yt = nilai aktual penjualan periode ke-t
Berdasarkan Aritonang (2000:46) secara matematis dirumuskan: Ft+1 = Yt
dengan Y sebagai data dan t sebagai periode. Bila data (Yt) terlihat adanya tren
meningkat atau disebut nonstasioner, maka ditambahkan perbedaan nilai data antara
periode ini dan perode terakhir, sehingga modelnya menjadi:
Ft+1 = Yt + (Yt – Yt-1)
F3 = Y2 + (Y2 – Y1)
Bila data terlihat adanya gejala musim yang kuat, maka modelnya bisa diubah
menjadi Ft+1 = Yt-3 untuk data kuartalan atau Ft+1 = Yt-11 untuk data bulanan.
b. Teknik Rata-Rata Bergerak Sederhana (Moving Average)
Metode ini digunakan jika terdapat informasi baru, nilai ramalan terbaru
akan diperoleh dengan menghilangkan informasi terlama dengan memasukkan
21
informasi terbaru, artinya semua informasi dibobot sama. Metode rata-rata bergerak
sederhana cocok untuk pola data stasioner (Firdaus, 2011:12)
Mt = Ŷt+1 = (Yt + Yt-1 + Yt-2 + … + Yt-n+1 ) / n ................................................... (4)
keterangan :
Ŷt+1 = nilai ramalan penjualan periode mendatang
n = ordo
Rata-rata bergerak secara efektif meratakan atau menghaluskan fluktuasi
pola data yang ada. Tentu saja, semakin panjang periodenya, semakin rata kurvanya
(Prasetya dan Lukiastuti, 2009:51).
c. Teknik Pemulusan Eksponensial
Teknik pemulusan ekponensial adalah prosedur yang dapat merevisi secara
kontinu hasil peramalan dengan informasi terbaru. Prediksi dilakukan dengan
memberikan bobot yang lebih tinggi untuk informasi yang lebih baru. Teknik
pemulusan cocok digunakan untuk peramalan mingguan atau bulanan untuk sistem
inventory yang terdiri dari ribuan item (Firdaus, 2011:16).
Teknik eksponensial dilakukan dengan memberikan bobot tertentu pada
tiap data. Bobotnya dilambangkan dengan α (alpha) dan bergerak antara 0 sampai 1.
Bobot yang lebih besar diberikan pada data yang lebih kini, yaitu α untuk data yang
paling kini, α(1-α) untuk data yang lebih kini berikutnya, dan α(1-α)2 untuk data
yang berikutnya, dan seterusnya (Aritonang, 2000:52).
C1. Teknik Pemulusan Eksponensial Tunggal (Single Eksponensial Smoothing)
Nilai peramalan satu periode yang akan datang adalah penjumlahan dua
komponen. Pertama, komponen hasil peramalan terakhir yaitu Yt .Kedua,
22
komponen galat yang terjadi karena perubahan kondisi terbaru. Bila St adalah nilai
sekarang hasil dari peramalan saat ini, St-1 adalah nilai sekarang dari peramalan satu
periode yang lalu. Dengan demikian dapat ditulis sebagai berikut (Firdaus,
2011:16):
St = αYt + (1-α)St-1 ................................................................................................. (5)
C2. Teknik Pemulusan Eksponensial Ganda (Double Eksponensial Smoothing)
Teknik ini mempunyai dasar pemikiran yang sama dengan rataan bergerak
linier dan cukup akurat jika diterapkan untuk series yang mengandung unsur trend.
Teknik double eksponensial smoothing memproses time series yakni dengan
mengekstrapolasikan data atas dasar trend terakhir pada data, sehingga ramalan
yang akan terlihat nantinya cenderung ke suatu arah yakni sesuai dengan trend
terakhir (Firdaus, 2011:19). Formula untuk teknik ini dapat dirumskan sebagai
berikut :
St = αYt + (1-α) (St-1+Tt-1) ...................................................................................... (6)
Tt = β(St-St-1) + (1-β)Tt-1 ......................................................................................... (7)
Ŷt+p = St + Tt(p) ........................................................................................................ (8)
keterangan :
St = nilai pemulusan baru data aktual penjualan
α, β = koefisien pemulusan
p = jumlah periode penjualan mendatang yang akan diramalkan
Ŷt+p = nilai ramalan penjualan untuk p periode mendatang
Tt = nilai perkiraan trend
23
Jika parameternya (α) tidak mendekati nol, pengaruh proses awalnya secara
cepat menjadi kurang berarti begitu waktu berlalu. Jika parameternya mendekati
nol, proses awalnya dapat berperan penting untuk beberapa periode (Aritonang,
2000:54).
d. Teknik Dekomposisi
Teknik peramalan dekomposisi menggunakan data time series yang pada
umumnya memiliki empat komponen, yaitu trend seasonality, cycles, dan random
variations (Rangkuti, 2008:64). Teknik dekomposisi dapat ditulis dalam persamaan
matematis sebagai berikut (Firdaus, 2011:20):
Yt = f (St, Tt, Ct, Et) ................................................................................................ (9)
e. Teknik Perhitungan Indeks Musiman
Peramalan model ini merupakan estimasi penjualan yang hanya
memasukkan komponen trend dan musiman tanpa memperhatikan pengaruh silikal.
Perhitungan indeks musiman menurut Prasetya dan Lukiastuti (2009:51) dapat
dihitung dengan mencari rata-rata berbagai rasio penjualan kuartalan nyata terhadap
nilai garis trend untuk setiap kuartal. Perhitungan indeks musiman dapat dihitung
melalui :
Y = a + bX ............................................................................................................. (10)
∑𝑦
a= ..................................................................................................................... (11)
𝑛
∑𝑥𝑦
b= ................................................................................................................... (12)
𝑛
Yt
ŕ= ...................................................................................................................... (13)
𝑌
∑ŕ
ŕ (rata-rata) = .................................................................................................... (14)
𝑛
Ŷt+1 = (Y) (ŕ (rata-rata)) ......................................................................................... (15)
24
keterangan :
a, b = konstanta
n = banyaknya data
Y = penjualan aktual
X = pengkodean dari titik tengah periode
ŕ = rasio penjualan
Yt = nilai garis tren
Ŷt+1 = nilai ramalan periode mendatang
f. Teknik Winters
Menurut Firdaus (2011:18) winters merupakan salah satu teknik
pemulusan yang rumit, hal itu karena memerlukan waktu yang cukup lama untuk
menemukan tiga parameter yang optimal. Teknik ini dapat mengantisipasi adanya
pola musiman pada deret data. Model ini dapat dirumuskan sebagai berikut
(Subagyo, 1994;26) :
St = α(Xt – It-L) + (1-α)(St-1 + Tt-1) ......................................................................... (16)
Tt = β(St - St-1) + (1-β)(Tt-1) ................................................................................... (17)
It = γ(Xt – St-1) + (1-γ)(It-L) .................................................................................... (18)
Ŷt+p = [St + Tt p] + It-L+m ....................................................................................... (19)
keterangan :
St = pemulusan baru data aktual
Xt = nilai aktual penjualan periode ke-t
Tt = pemulusan terhadap tren pada periode t
It = pemulusan terhadap variasi musiman pada periode t
Ŷt+p = nilai ramalan penjualan untuk p periode medatang
25
p = jumlah periode penjualan mendatang yang akan diramalkan
α, β, γ = koefisien pemulusan
L = panjang variabel musiman
2) Metode Kausal (Regresi)
Metode ini fokus pada identifikasi dan determinasi hubungan antar variabel
yang akan diramalkan yang tergolong dalam metode kausal antara lain teknik
regresi, model ekonometrika, dan input output.
2.3.5 Ukuran Akurasi Hasil Peramalan
Ukuran 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 dan hasil peramalan
(Firdaus, 2011:28). Ada beberapa tolak ukur yang dapat digunakan sebagai alat
untuk mengukur akurasi hasil peramalan, yaitu (Heizer dan Render, 2005:155) :
1. MAE (Mean Absolute Error) : ukuran perbedaan atau selisih antara ramalan
dengan aktual. MAE diperoleh dengan mengambil nilai absolute dari tiap
kesalahan peramalan dibagi dengan jumlah periode data.
2. MSE (Mean Squared Error) : rataan selisih kuadrat antara nilai yang diramalkan
dan yang diamati.
3. MAPE (Mean Absolute Percentage Error) : dihitung dengan menemukan
kesalahan absolute setiap periode, kemudian membaginya dengan nilai observasi
pada periode tersebut dan merata-ratakan presentase absolute tersebut.
2.3.6 Evaluasi Ramalan
Untuk mendapatkan peramalan yang akurat, terdapat dua hal yang harus
diperhatikan. Pertama, pengumpulan data secara baik. Kedua, peramalan dengan
26
teknik yang tepat. Maka dari itu, perlu dilakukan langkah-langkah secara berurutan,
yaitu menentukan tujuan dan peubah yang akan dianalisis, mengumpulkan data,
membuat dan menentukan pola data, estimasi model dan menghitung nilai yang
akan diramalkan serta evaluasi hasil estimasi (Firdaus, 2011:8)
Ramalan-ramalan yang telah dibuat harus senantiasa diperbaiki dan
ditinjau kembali. Evaluasi merupakan pembandingan ramalan-ramalan dengan hasil
nyata untuk menilai ketepatan penggunaan suatu metodelogi atau teknik peramalan.
Langkah ini diperlukan untuk menjaga kualitas estimasi-estimasi di waktu yang
akan datang. (Prasetya dan Lukiastuti, 2009:45).
2.4 Kointegrasi
Menurut Verbeek (2000) dalam Firdaus (2011:162) adanya hubungan
kointegrasi dalam sebuah sistem persamaan mengimplikasikan dalam sistem tersebut
terdapar error correction model yang menggambarkan adanya dinamisasi jangka
pendek secara konsisten dengan hubungan jangka panjangnya. Dengan kata lain,
kointegrasi merepresentasikan hubungan keseimbangan jangka panjang.
Variabel-variabel runtut waktu disebut memiliki kointegrasi, jika data asli
variabel stasioner pada perbedaan jenjang yang sama. Misalnya, data asli time series
dari variabel A dan B tidak stasioner, tetapi perbedaan pertama masing-masing data
sama-sama memiliki integrasi jenjang pertama. Dengan demikian, kedua variabel itu
memiliki kointegrasi (Aritonang, 2009:134). Jika variabel-variabel suatu penelitian
terkointegrasi pada derajat yang berbeda, dapat dikatakan bahwa variabel-variabel
tersebut tidak bisa terkointegrasi. (Enders, 2004 dalam Firdaus, 2011:162).
27
2.5 Vector Autoregression (VAR)
Model VAR pertama kali diperkenalkan oleh Christopher Sims pada tahun
1980. Dalam konteks ekonometrika modern, VAR termasuk ke dalam multivariate
time series analysis. VAR menyediakan cara yang sistematis untuk menangkap
perubahan yang dinamis dalam multiple time series, serta memiliki pendekatan yang
kredibel dan mudah untuk dipahami bagi pendeskripsian data, forcasting
(peramalan), inferensi structural, serta analisis kebijakan (Stock dan Watson dalam
Firdaus, 2011:133). Menurut Arsana (2005) dalam Firdaus (2011:133), alat analisa
yang disediakan oleh VAR dilakukan melalui empat macam penggunaannya, yakni
Forcasting, Impulse Response Function (IRF), Forecast Error Variance
Decomposition (FEVD), dan Granger Causality Test.
Keunggulan metode VAR adalah sebagai berikut (Firdaus, 2011:136) :
1. Mengembangkan model secara bersamaan di dalam suatu sistem kompleks
sehingga dapat menangkap hubungan keseluruhan variabel didalam persamaan
itu.
2. Bisa menghindarkan parameter yang bias akibat tidak dimasukkannya variabel
yang relevan.
3. Dapat mendeteksi hubungan antarvariabel didalam persamaan.
4. Terbebas dari berbagai batasan teori ekonomi yang sering muncul.
Namun, model VAR juga memiliki beberapa kelemahan. Menurut Gujarati
(1978) dalam Firdaus (2011:136) kelemahan VAR antara lain:
1. Model VAR lebih bersifat teori karena tidak memanfaatkan informasi dari teori-
teori terdahulu.
28
2. Karena lebih menitikberatkan pada peramalan, maka model VAR tidak sesuai
untuk implikasi kebijakan.
3. Tantangan terberat VAR adalah pemilihan panjang lag yang tepat.
4. Semua variabel yang digunakan dalam model VAR harus stasioner.
5. Koefisien dalam estimasi VAR sulit untuk diintepretasikan.
2.6 Vector Error Correction Model (VECM)
Vector Error Correction (VEC) Model adalah VAR terestriksi yang
digunakan untuk variabel nonstasioner tetapi memiliki potensi untuk terkointegrasi.
Pada data time series kebanyakan memiliki tingkat stasioneritas pada perbedaan
pertama atau I(1). Restriksi tambahan ini harus diberikan karena keberadaan bentuk
data yang tidak stasioner pada level, tetapi terkointegrasi (Firdaus, 2011:147).
VECM kemudian memanfaatkan informasi restriksi kointegrasi tersebut ke dalam
spesifikasinya. Oleh karena itu, VECM sering disebut sebagai desain VAR bagi
series nonstasioner yang memiliki hubungan kointegrasi.
2.7 Impulse Response Function (IRF)
Metode IRF digunakan untuk menentukan respons suatu variabel endogen
terhadap suatu guncangan (shock) tertentu. Hal ini dikarenakan shock variabel
misalnya ke-i tidak hanya berpengaruh terhadap variable ke-i itu saja, tetapi
ditransmisikan kepada semua variabel endogen lainnya melalui struktur dinamis atau
struktur lag dalam VAR. karena itu, IRF juga dapat mengukur pengaruh suatu shock
pada suatu waktu kepada inovasi variabel endogen pada saat tersebut dan dimasa
yang akan datang. (Firdaus, 2011:157).
29
2.8 Forecast Error Decomposition Variance (FEVD)
Metode yang dapat dilakukan untuk melihat bagaimana perubahan dalam
suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh
variabel-variabel lainnya adalah FEVD. Metode ini mencirikan suatu struktur
dinamis dalam model VAR/VECM, dimana dalam metode ini dapat dilihat kekuatan
dan kelemahan masing-masing variabel dalam mempengaruhi variabel lainnya
dalam kurun waktu yang panjang. Jadi, FEVD dapat diketahui secara pasti faktor-
faktor yang memengaruhi fluktuasi terhadap perubahan dari variabel tertentu
(Firdaus, 2011:158).
2.9 Penelitan Terdahulu
Septiany (2009) yang berjudul Peramalan Penjualan Bunga Adenium PT
Godong Ijo Asri dalam Rangka Perencanaan Strategi Pemasaran. Penelitian ini
bertujuan untuk mengidentifikasi pola penjualan bunga adenium PT Godongijo Asri,
menganalisis metode peramalan time series terbaik untuk meramalkan penjualan
bunga adenium pada PT Godongijo Asri, dan mendapatkan hasil peramalan sehingga
dapat menjadi acuan dalam perencanaan strategi pemasaran yang mungkin
diterapkan PT Godongijo Asri. Pada data penjualan bunga adenium periode April
2007 - April 2009, menunjukan adanya kenaikan maupun penurunan pada bulan
tertentu yang terjadi secara berulang. Hal ini menunjukan pola data volume
penjualan bunga adenium mengandung komponen musiman. Dari hasil analisis
autokorelasi yang dilakukan, didapat bahwa data penjualan ini bersifat stasioner.
Hasil peramalan penjualan yang dilakukan dalam empat jenis metode time series
30
(trend analysis, moving average, exponential smoothing, dan winter’s method).
Metode terbaik yang dipilih adalah metode yang memiliki nilai MAPE terkecil, yaitu
pada winter’s multiplicative method (3) dengan nilai MAPE = 15. Dari hasil
peramalan yang dilakukan untuk 12 bulan kedepan, menunjukan terjadinya
penurunan penjualan. Hal ini menyebabkan Godongijo harus lebih memperhatikan
kembali strategi yang digunakan untuk mengantisipasi terjadinya penurunan volume
penjualan. Penjualan menurun dari 3296 pada bulan Mei 2009 hingga 1924 pada
bulan Mei 2010.
Indrazakti (2011) yang berjudul Analisis Peramalan Penjualan
Menggunakan Metode Kointegrasi Pada Produk Safe 1 dan Cypergard (500 ml dan
100 ml) di PT Chemigard. Penelitian ini bertujuan untuk menganalisis kointegrasi
produk Cypergard 500ml, Cypergard 100ml, dan Safe 1 di PT. Chemigard.
Penelitian ini menggunakan data deret waktu periode 2007-2010. Berdasarkan hasil
uji stasioner, menunjukan bahwa data tersebut stasioner pada pembedaan pertama
(first difference) dan berdasarkan hasil uji kointegrasi terdapat hubungan kointegrasi
pada produk Safe 1, Cypergard 100 ml dan Cypergard 500 ml diperoleh kesimpulan
bahwa model yang tepat untuk peramalan adalah menggunakan model analisis
VECM. Model ini memiliki analisis lanjutan yaitu Impulse Response Function (IRF)
dan Forecasting Error Variance Decomposition (FEVD). Hasil ramalan ketiga
produk tersebut untuk enam periode cenderung mengalami peningkatan walaupun
adanya fluktuasi ringan dan produk yang berpengaruh baik terhadap peningkatan
penjualan semua produk adalah produk Cypegard baik kemasan 500 ml maupun 100
ml. Sedangkan produk Safe 1 berpengaruh positif terhadap penjualan dirinya sendiri
31
dan penjualan produk Cypegard 500 ml, tetapi berpengaruh negatif terhadap
penjualan produk Cypegard 100 ml.
Ajeng (2011) yang berjudul Peramalan Penjualan Untuk Perencanaan
Persediaan Buah Durian di Rumah Durian Harum Bintaro, Jakarta. Penelitian ini
bertujuan untuk melakukan peramalan penjualan buah durian dan
merekomendasikan alternatif pengendalian persediaan buah durian. Peramalan
penjualan dilakukan dengan metode peramalan time series yaitu metode double
moving average, metode double eksponensial smoothing, metode dekomposisi,
metode indeks musiman dan metode winters. Sedangkan perencanaan persediaan
menggunaan metode Economic Order Quantity (EOQ) dan Safety Stock (SS).
Metode peramalan time series yang dipilih adalah metode yang memiliki nilai MSE
terkecil yaitu metode winters untuk buah durian medan 722629, buah monthong
Thailand 2747612, dan buah frozen durian 219519. Perencanaan persedian
menggunakan EOQ menghasilkan untuk buah durian Medan sebesar 203,79 kg,
buah durian monthong Thailand 158,83 kg, dan durian frozen monthong 227,71 kg.
besarnya frekuensi pemesanan untuk buah durian Medan sebanyak 122 kali, buah
durian monthong Thailand sebanyak 95 kali, dan durian frozen monthong sebanyak
137 kali. Persediaan pengaman (safety stock) untuk buah durian Medan sebesar
38,96 kg, buah durian monthong sebesar 51,86 kg, dan durian frozen monthong
37,27 kg.
Fikriansyah (2011) yang berjudul Analisis Peramalan Penjualan
Menggunakan Metode Kointegrasi pada Tipe Mobil City Car, Sedan, dan MPV di
Auto 2000. Tujuan yang ingin dicapai dalam penelitian ini adalah menganalisis
hubungan antara Sedan, Mpv dan City Car dan mengetahui prediksi peramalan
32
penjualan mobil di Auto 2000 pada tahun 2011. Model yang digunakan adalah
model analisis Vector Autoregression (VAR), karena data setiap variabel sudah
stasioner pada tingkat level. Model ini memiliki analisis lanjutan yaitu Impulse
Response Function (IRF) dan Forecasting Error Variance Decomposition (FEVD).
Dari hasil IRF, apabila sedan diimpuls maka akan terjadi respon positif yang
diberikan oleh sedan itu sendiri dan akan direspon negative oleh MPV dan City car.
Sedangkan apabila City car diimpuls maka akan memperoleh respon positif dari City
car itu sendiri dan MPV sedangkan respon negative diberikan oleh sedan jika terjadi
guncangan pada City car. Apabila MPV diimpuls maka semua variabel akan
memberikan respon positif. Dari hasil FEVD diperoleh hasil bahwa penjualan sedan
untuk periode 50 ke depan dipengaruhi oleh variaebel itu sendiri sedangkan untuk City
car dipengaruhi oleh variabel itu sendiri dan juga dipengaruhi oleh MPV dan untuk
produk MPV dipengaruhi oleh City car. Berdasarkan hasil peramalan yang telah
dilakukan dalam kurun waku 6 bulan, maka diperoleh hasil bahwa untuk produk
City car diramalkan akan terus mengalami peningkatan selama 6 bulan kedepan,
sedangkan hasil sedan dari hasil peramalannya diperoleh hasil bahwa sedan
diramalkan akan mengalami penurunan ada bulan ke 44 dan bulan ke 46. Untuk
produk MPV telah diperoleh hasil dari peramalannya yaitu akan mengalami
penurunan pada bulan 4.
Secara keseluruhan, perbedaan penelitian ini dengan penelitian terdahulu
terletak pada tidak adanya evaluasi hasil ramalan. Persamaan dan perbedaan yang
dilakukan peneliti dengan penelitian-penelitian terdahulu dapat dilihat pada Tabel 4..
33
Tabel 4. Persamaan dan Perbedaan dengan Penelitian Terdahulu
No Peneliti Persamaan Perbedaan
1 Septiany (2009) Menggunakan metode time series Objek penelitian yaitu bunga
satu ragam. adenium.
Panjang deret waktu 24 bulan. Deret waktu April 2007-April
2009.
2 Indrazakti (2011) Menggunakan metode analisis IRF Objek penelitian yaitu pestisida
dan FEVD. pembasmi rayap.
Terdapat tiga objek penelitian. Deret waktu 2007-2010 (36
bulan).
3 Ajeng (2011) Menggunakan metode time series Objek penelitian yaitu buah
satu ragam. durian.
Terdapat tiga objek penelitian. Deret waktu Maret 2009
Februari 2011 (23 bulan).
4 Fikriansyah (2011) Menggunakan metode analisis Objek penelitian yaitu mobil.
IRF dan FEVD. Deret waktu 2008-2010 (36
Terdapat tiga objek penelitian. bulan).
2.10 Kerangka Pemikiran
PT. Danken Indonesia adalah anggota dari Zhongsan Grup, yang merupakan
perusahaan multi nasional pembuat pestisida. Perusahaan ini menyediakan berbagai
macam jenis pestisida dengan produk unggulan yaitu herbisida, fungisida, dan
insektisida yang berkualitas tinggi. PT. Danken Indonesia telah memasarkan
produknya ke pulau-pulau besar seperti Jawa, Sumatera, dan Sulawesi Selatan.
Perbedaan penggunaan jenis pestisida dalam mengendalikan OPT dan faktor
perubahan iklim menyebabkan pihak perusahaan sulit memprediksi banyaknya
produk yang akan terjual di masa yang akan datang. Penjualan menjadi berfluktuatif
dan tidak seimbang serta target penjualan yang telah ditetapkan tidak tercapai. Oleh
karena itu, perusahaan perlu melakukan peramalan penjualan yang seakurat mungkin
dan pihak perusahaan dapat menetapkan target penjualan dengan berbagai pertimbangan
yang dapat disesuaikan dari hasil ramalan penjualan.
34
Identifikasi pola data penjualan dilakukan terlebih dahulu melalui visualisasi
grafik dan uji stasioneritas data menggunakan Augmented Dickey-Fuller (ADF)
untuk mengetahui apakah data penjualan termasuk data stasioner atau tidak
stasioner. Data penjualan dikatakan stasioner pada level bila dalam taraf signifikan
sebesar 1%, 5%, dan 10%. Setelah mengetahui pola data penjualan, maka dapat
dilakukan peramalan penjualan dengan metode peramalan kuantitatif, yaitu
multivariate time series analysis dan univariate time series model.
Multivariate time series analysis digunakan untuk mengetahui hubungan
ketiga tiga jenis pestisida terhadap penjualan di masa depan menggunakan analisis
Impulse Response Function (IRF) dan Forecast Error Variance Decomposition
(FEVD). Sebelum melakukan analisis IRF dan FEVD, dilakukan uji stabilitas, uji lag
optimum, dan uji kointegrasi. Apabila masing-masing data penjualan sudah stasioner
pada level, maka dapat langsung menggunakan model VAR. Namun, apabila
masing-masing data penjualan tidak stasioner dan stasioner pada pembedaan
pertama (first difference) maka dilakukan uji kointegrasi, dan dapat menggunakan
model VECM.
Kemudian peramalan penjualan univariate time series model digunakan
untuk mengetahui volume penjualan herbisida, insektisida, fungisida, DKMetrin,
DKmektin, dan DKZolExtra periode Januari-Maret 2018. Ramalan volume
penjualan dilakukan melalui beberapa teknik yaitu teknik naif, teknik Moving
Average, teknik Single Eksponensial Smoothing, dan teknik Double Eksponensial
Smoothing. Pemilihan teknik peramalan terbaik diketahui dengan melihat nilai
MAE/MSE/MAPE terkecil, karena semakin kecil nilai error maka semakin akurat
peramalan yang digunakan. Teknik peramalan terbaik dengan nilai error terkecil
35
akan menghasilkan ramalan pencapaian volume penjualan Januari-Maret 2018.
Setelah didapatkan metode peramalan terbaik, diharapkan dapat dibuat implikasi
manajerial berupa analisis pola data penjualan pestisida, teknik peramalan terakurat,
dan hasil peramalan tiga bulan mendatang. Hasil ramalan di evaluasi menggunakan
uji z beda dua nilai tengah dengan tingkat kepercayaan 95%.
Berdasarkan hasil perhitungan peramalan kuantitatif tersebut, akan dilakukan
analisis peramalan penjualan herbisida, insektisida, dan fungisida sehingga
perusahaan dapat mengambil keputusan yang terbaik terhadap penjualan ketiga
produk tersebut di tahun 2018. Secara garis besar, maksud uraian kerangka
pemikiran dapat dilihat pada Gambar 4.
36
PT. Danken Indoneisa
Pengendalian OPT yang berbeda dan faktor iklim tidak menentu
- Fluktuasi volume penjualan Herbisida, Insektisida, dan Fungisida

periode Jan 2016-Des2017
- Target penjualan tidak tercapai
Identifikasi pola data penjualan - Visualisasi Grafik

Uji Stasioner:
- Augmented Dickey-Fuller
Peramalan Penjualan
Multivariate time series Univariate time

analysis series model
1. Uji Stabilitas
1. Naif
2. Uji Lag Optimum
2. Moving Average
3. Single
= Stasioner ≠ Stasioner eksponential
smoothing
4. Double
Eksponential
VAR Uji Kointegrasi Smoothing
VECM MAE/MSE/ Pemilihan metode

MAPE peramalan terbaik
IRF dan FEVD Pencapaian volume

penjualan
Hubungan herbisida, insektisida, Uji Z Nilai

Tengah Evaluasi hasil ramalan
dan fungisida terhadap penjualan
KESIMPULAN
Gambar 4. Alur Kerangka Pemikiran
Keterangan
: sasaran penelitian : kegiatan penelitian
: arah kegiatan penelitian : alat analisis
37
2.11 Hipotesis Penelitian
Menurut Subagyo (2005;51) hipotesis merupakan jawaban sementara,
belum jawaban yang empirik. Dalam suatu penelitian, dapat terjadi hipotesis
penelitian dan hipotesis statistik untuk mendapatkan data yang valid. Hipotesis
statistik dalam penelitian ini sebagai berikut:
➢ Hipotesis penelitian untuk hasil evaluasi ramalan adalah :
H0 = Tidak ada perbedaan antara hasil ramalan dengan data aktual penjualan
H1 = Terdapat Perbedaan antara hasil ramalan dengan data aktual penjualan
➢ Hipotesis statistik untuk pengujian stasioneritas adalah :
H0 : δ = 0 (terdapat akar unit, tidak stasioner)
H1 : δ ≠ 0 (tidak terdapat akar unit, stasioner)
➢ Hipotesis statisik untuk uji kointegrasi adalah :
H0 : ρ = 0 (variable-variabel dalam model tidak terkointegrasi)
H1 : ρ ≠ 0 (variabel-variabel dalam model terkointegrasi)
38
BAB III
METODE PENELITIAN
3.1 Lokasi dan Waktu Penelitian
Penelitian dilaksanakan di PT. Danken Indonesia, yang terletak di
Kompleks Ruko Duta Indah Iconic Blok C-21, Jl. MH Thamrin KM 2 Kebon Nanas,
Tangerang. Pemilihan tempat penelitian ini dilakukan secara sengaja (purposive),
dengan pertimbangan bahwa PT. Danken Indonesia adalah salah satu perusahaan
yang bergerak pada industri hulu pertanian yang dalam hal ini menjual berbagai
macam pestisida yaitu herbisida, insektisida, dan fungisida. Penelitian ini
dilaksanakan mulai bulan Mei – Juli 2018.
3.2 Variabel Penelitian
Pada penelitian ini terdapat empat variabel yang digunakan, yaitu :
1. Hubungan antar produk
Hubungan antar produk merupakan suatu variabel (HAP) untuk mengetahui
besarnya hubungan produk herbisida, insektisida, dan fungisida dalam proses
penjualan. Untuk mengetahui hubungan antar produk (HAP), perlu diketahui
terlebih dahulu volume penjualan herbisida (VPH), volume penjualan insektisida
(VPI) dan volume penjualan fungisida (VPF) pada periode sebelumnya.
2. Volume penjualan herbisida
Volume penjualan herbisida merupakan suatu variabel (VPH) untuk
mengetahui besarnya pencapaian volume penjualan herbisida pada periode
mendatang (VPHt+1). Besarnya volume penjualan herbisida perlu diketahui terlebih

dahulu dengan melihat data penjualan produk herbisida periode sebelumya (VPHt-1)
yang kemudian digunakan untuk mengukur dan mengetahui besarnya pencapaian
volume penjualan herbisida untuk periode mendatang (VPHt+1).
3. Volume penjualan insektisida
Volume penjualan insektisida merupakan suatu variabel (VPI) untuk
mengetahui besarnya pencapaian volume penjualan insektisida pada periode
mendatang (VPIt+1). Besarnya volume penjualan insektisida perlu diketahui terlebih
dahulu dengan melihat data penjualan produk insektisida periode sebelumya (VPIt-
1) yang kemudian digunakan untuk mengukur dan mengetahui besarnya pencapaian
volume penjualan herbisida untuk periode mendatang (VPIt+1).
4. Volume penjualan fungisida
Volume penjualan fungisida merupakan suatu variabel (VPF) untuk
mengetahui besarnya pencapaian volume penjualan fungisida pada periode
mendatang (VPFt+1). Besarnya volume penjualan herbisida perlu diketahui terlebih
dahulu dengan melihat data penjualan produk fungisida periode sebelumya (VPFt-1)
yang kemudian digunakan untuk mengukur dan mengetahui besarnya pencapaian
volume penjualan fungisida untuk periode mendatang (VPFt+1).
3.3 Sumber dan Jenis Data
Data yang digunakan dalam penelitian ini bersumber dari data sekunder,
baik kualitatif maupun kuantitatif. Pada penelitian ini tidak ada populasi karena data
berasal dari satu perusahaan yaitu data sekunder berupa volume penjualan produk
herbisida, insektisida, dan fungisida sebagai sumber utama dalam penelitian ini.
Data sekunder diperoleh dari laporan internal perusahaan berupa data penjualan
40
herbisida, insektisida, dan fungisida selama dua tahun terakhir periode Januari 2016
hingga Desember 2017, literatur-literatur dan studi pustaka.
Data kualitatif yang dikumpulkan dalam penelitian ini berkaitan dengan
gambaran umum perusahaan seperti sejarah perusahaan, visi dan misi, lokasi
perusahaan, struktur organisasi, ketenagakerjaan, produk-produk pestisida yang
dipasarkan, dan kegiatan peramalan penjualan pestisida yang dilakukan oleh PT.
Danken Indonesia. Sedangkan data kuantitatif yang digunakan adalah volume
penjualan produk herbisida, insektisida, dan fungisida periode Januari 2016 sampai
Desember 2017.
3.4 Metode Pengumpulan Data
Data yang dikumpulkan dalam penelitian ini terdiri atas data kualitatif dan
data kuantitatif. Pengumpulan data kuantitatif dilakukan dengan survei dan teknik
observasi non partisipatif. Suvei dilakukan untuk mengumpulkan informasi secara
sistematis dari lingkungan perusahaan PT. Danken Indonesia. Survei dilakukan
melalui telepon, surat elektronik, dan melalui tatap muka dengan pihak-pihak
perusahaan. Sedangkan observasi non partisipatif yang dimaksud adalah melakukan
pengumpulan data tetapi peneliti tidak ikut secara langsung dalam kegiatan atau
proses penjualan dari produk-produk yang sedang diamati.
Kemudian untuk pengumpulan data kualitatif dilakukan dengan teknik
wawancara yang dilakukan melalui tatap muka dan tanya jawab langsung antara
peneliti dan narasumber. Narasumber dalam penelitian ini ialah Zulkarnain Lubis
sebagai country manager, dan Martha Stephanni Putri sebagai accounting officer.
Wawancara dilakukan secara bebas, yaitu peneliti tidak menggunakan pedoman
41
wawancara yang berisi pertanyaan-pertanyaan spesifik, namun hanya memuat poin-
poin penting dari masalah yang ingin digali dari narasumber.
3.5 Metode Pengolahan Data
Data dan informasi yang diperoleh diolah menggunakan program Microsoft
Excel, Eviews 9 dan Minitab 16. Pengolahan data dilakukan dengan melihat pola
data penjualan herbisida, insektisida, dan fungisida periode Januari 2016 sampai
Desember 2017. Pola data penjualan diamati secara visual grafik, kemudian
dilakukan uji stasioneritas, uji stabilitas, uji lag optimum, uji kointegrasi, dan
estimasi VAR menggunakan program eviews 9. Beberapa tahap metode pengolahan
data dijelaskan sebagai berikut :
1) Uji Stasioneritas
Data yang diperoleh kemudian dibuat model lebih dahulu. Dalam
mengestimasi model, uji stasioneritas harus dilakukan untuk menghindari masalah
regresi lancung (spurious regression). Uji ini dilakukan pada tingkat level dan first
difference, karena data time series pada umumnya tidak stasioner (mengandung akar
unit) pada level, sehingga perlu dilakukan pengujian selanjutnya pada tingkat first
difference. Pengujian akar unit merupakan bentuk lain dari pengujian kestasioneran
suatu runtut waktu. Akar unit pada suatu runtut waktu dapat diiuji dengan uji Dickey-
Fuller (DF), Augmented Dickey-Fuller (ADF) dan uji Philips-Perron (PP).
Pada penelitian ini, uji stasioneritas dilakukan dengan menggunakan test
Augmented Dickey-Fuller (ADF) sebagai kriteria pengujian untuk mengetahui
apakah semua variabel sudah stasioner. Ada tiga kemungkinan yang dapat dipilih
untuk melakukan uji ADF yakni intercept, trend and intercept, dan none.
42
Pengujian hipotesis statistik dilakukan dengan membandingkan nilai ADF
test statistic dengan test statistic MacKinnon critical value (taraf nyata) pada taraf
signifikansi sebesar 1%, 5%, dan 10%. Jika ADF test statistic hitung pada setiap
variabel lebih kecil secara aktual pada MacKinnon test critical values, maka H0
ditolak, artinya data tersebut tidak terdapat akar unit atau data variabel tersebut
sudah stasioner. Sebaliknya, jika ADF test statistic hitung pada setiap variabel lebih
besar secara aktual pada MacKinnon test critical values, maka H0 diterima atau H1
ditolak, artinya pada data tersebut terdapat akar unit atau data variabel tersebut tidak
stasioner.
Apabila hasil uji stasioneritas pada setiap variabel atau salah satu variabel
dari herbisida, insektisida, dan fungisida belum stasioner pada level atau integrasi
derajat nol [I0], maka perlu dilakukan differencing data untuk memperoleh data yang
stasioner. Prosedur data ADF kemudian diaplikasikan kembali untuk menguji data
first difference. Jika dari hasil uji ternyata data first difference telah stasioner, maka
dikatakan data time series tersebut terintegrasi pada derajat pertama [I1] untuk
seluruh variabel. Tetapi jika data first difference tersebut belum stasioner maka perlu
dilakukan differencing kedua pada data tersebut. Prosedur ini seterusnya dilakukan
hingga diperoleh data yang stasioner.
2) Uji Stabilitas Model
Uji stabilitas digunakan untuk melihat apakah model yang digunakan stabil
atau tidak. Estimasi harus mempunyai validitas yang tinggi sehingga hasil nya dapat
dipercaya. Hasil tersebut dapat dipercaya apabila model yang digunakan mempunyai
stabilitas. Uji stabilitas dilakukan dengan menghitung akar-akar dari fungsi
polinomial atau dikenal dengan roots of characteristic polynomial. Jika semua akar
43
dari fungsi polinomial tersebut berada diluar unit circle atau nilai absolutenya >1,
maka hasil dari estimasi model Vector Autoregression (VAR) tersebut meragukan,
sehingga pengujian panjang lag masih perlu dikurangi. Sebaliknya, jika VAR akar
karakteristiknya berada di dalam unit circle atau nilai absolutnya <1, maka model
VAR tersebut dianggap stabil sehingga Impulse Response Function (IRF) dan
Forecast Error Decomposition Variance (FEVD) yang dihasilkan dianggap valid.
3) Uji Lag Optimum
Uji lag optimum dilakukan sebagai penentuan jumlah lag yang optimal untuk
digunakan dalam model. Langkah awal dalam pengujian ini dengan membentuk
persamaan Vector Autoregression (VAR) untuk mendapatkan lag optimum dan
stabilitas VAR baru dapat dibentuk persamaan Vector Error Correction (VECM)
nya. Pengujian panjang lag yang optimal memanfaatkan beberapa informasi yaitu
dengan menggunakan Akaike Information Criterion (AIC), Schwarz Criterion (SC),
dan Hannan-Quinn Criterion (HQ). Pada pengujian pemilihan lag melalui kriteria
tersebut, akan didapat kandidat lag pada masing-masing kriteria yang merujuk pada
lag optimal dengan melihat tanda bintang pada nilai AIC, SC, dan HQ terkecil yang
terdapat pada tampilan eviews 9.
4) Uji Kointegrasi
Uji kointegrasi dilakukan untuk menentukan apakah diantara variabel
volume penjualan herbisida, insektisida, dan fungisida jika tidak stasioner untuk
mengetahui apakah ketiga variabel terkointegrasi atau tidak. Kointegrasi sebagai
kombinasi linear dari dua atau lebih variabel yang tidak stasioner akan menghasilkan
variabel yang stasioner dan dapat diinterpretasikan sebagai hubungan keseimbangan
jangka panjang di antara variabel.
44
Dalam hal kointegrasi, ada beberapa kemungkinan yang bisa terjadi pada
persamaan tersebuut :
1. Herbisida (HRB) terkointegrasi secara bersama dengan Insektisida (INS) dan
Fungisida (FUNG).
2. Herbisida (HRB) terkointegrasi dengan Insektisida (INS) saja.
3. Herbisida (HRB) terkointegrasi dengan Fungisida (FUNG) saja.
Jadi, ada maksimum 3 kemungkinan persamaan kointegrasinya.
Pendeteksian keberadaan kointegrasi ini dilakukan dengan Johannsen
Cointegration Test. Pada Eviews 9, suatu persamaan dikategorikan berkointegrasi
apabila nilai trace statistic lebih besar dari nilai kritis 5 persen. Maka jika trace
statistic > critical value, persamaan tersebut terkointegrasi. Dengan demikian H0
ditolak atau terima H1, artinya terjadi kointegrasi diantara variabel volume
penjualan herbisida, insektisida, dan fungisida. Setelah jumlah persamaan yang
terkointegrasi telah diketahui, maka tahapan analisis dapat dilanjutkan dengan
analisis Vector Error Correction Model (VECM). Sebaliknya, apabila trace
statistic < critical value persamaan tersebut tidak terkointegrasi, dengan demikian
H0 diterima atau tolak H1.
5) Estimasi Model VAR
Bila masing-masing variabel sudah stasioner pada level, maka tahapan
analisis dapat dilanjutkan dengan analisis Vector Autoregression (VAR). VAR
meliputi serangkaian proses spesifikasi dan identifikasi model. Spesifikasi model
VAR meliputi pemilihan variabel dan banyaknya selang yang digunakan dalam
model. Mengacu persamaan umum VAR dari Enders (2004) dalam Firdaus
(2011:134), maka model VAR dapat diformulasikan sesuai batas panjang lag
45
optimal yang telah diketahui sebelumnya, sehingga persamaan tersebut dapat ditulis
menjadi :
HRBt = c1 + α11HRBt-1 + α12INSt-1 + α13FUNGt-1 + β11HRBt-2 + β12INSt-2 +
β13FUNGt-2 +…+u1t ............................................................................... (20)
INSt = c2 + α21INSt-1 + α22HRBt-1 + α23FUNGt-1 + β21INSt-2 + β22HRBt-2 +
β23FUNGt-2 +…+u2t ................................................................................ (21)
FUNGt = c3 + α31FUNGt-1 + α32INSt-1 + α33HRBt-1 + β31FUNGt-2 + β32INSt-2 +
β33HRBt-2 +…+u3t .................................................................................. (22)
Dimana :
ci , αij , βij = parameter yang akan diestimasi
HRB = herbisida
INS = insektisida
FUNG = fungisida
Kriteria pemilihan model VAR ialah jika variabel-variabel tidak terkointegrasi dan
memastikan variabel tersebut sudah stasioner pada derajat (ordo) yang sama, maka
dapat diterapkan model VAR.
3.6 Analisis Data
Analisis data dilakukan secara kuantitatif untuk mengetahui hubungan
herbisida, insektisida, dan fungisisda pada proses penjualan dan untuk mengetahui
pencapaian volume penjualan dari masing-masing jenis pestisida serta produk
unggulannya pada periode mendatang. Hasil ramalan volume penjualan produk
ungulan dari tiap jenis pestisida juga dilakukan agar dapat mengetahui lebih spesifik
ramalan volume penjualan yang diduga akan mendominasi. Analisis data dilakukan
46
dengan Impulse Response Function (IRF) dan Forecast Error Variance
Decomposition (FEVD) untuk multivariate time series analysis. Sedangkan untuk
analisis data univariate time series model dilakukan dengan teknik naif, teknik rata-
rata bergerak sederhana, teknik pemulusan eksponensial tunggal, dan teknik
pemulusan eksponensial ganda. Pemilihan teknik peramalan terbaik dengan melihat
nilai kesalahan terkecil dari besarnya nilai MAE (Mean Absolut Error), nilai MSE
(Mean Squared Error), dan nilai MPE (Mean Percentage Error).
3.6.1 Hubungan Antar Ketiga Produk
Kemampuan menduga secara dini aspek-aspek yang tidak dapat dikontrol
dari kejadian-kejadian masa lalu, akan membantu pihak PT. Danken Indonesia
untuk mengambil suatu keputusan dalam melakukan penjualan produk herbisida,
insektisida, dan fungisida di masa depan.
Setelah mengetahui model yang dipilih, maka dapat melihat hubungan antara
herbisida (HRB), insektisida (INS), dan fungisida (FUNG) menggunakan analisis
Impulse Response Function (IRF) dan Forecast Error Decomposition Variance
(FEVD).
1) Impulse Response Function (IRF)
Impulse Response Function (IRF) digunakan untuk menentukan respons
suatu variable endogen terhadap suatu guncangan (shock) tertentu. Hal ini
dikarenakan shock variable misalnya ke-i tidak hanya berpengaruh terhadap variable
ke-i itu saja, tetapi ditransmisikan kepada semua variable endogen lainnya melalui
struktur dinamis atau struktur lag dalam VAR. Karena itu, IRF juga dapat mengukur
pengaruh suatu shock pada suatu waktu kepada inovasi variabel endogen pada saat
tersebut dan dimasa yang akan datang. Analisis IRF dilakukan untuk menilai respon
47
dinamik variabel hubungan antara produk herbisida, insektisida, dan fungisida pada
proses penjualan. Respons yang ditunjukkan dari analisis ini berupa positif atau
negatif, baik terhadap variabel itu sendiri maupun variabel endogen lainnya.
Pengaruh tersebut dapat dilihat secara visual melalui grafik. Apabila grafik yang
menunjukkan hasil dari IRF mendekati titik keseimbangan, menunjukkan bahwa
nilai lag optimum pada model VAR baik untuk digunakan.
2) Forecast Error Decomposition Variance (FEVD)
Forecast Error Decomposition Variance (FEVD) merupakan metode yang
dapat dilakukan untuk melihat bagaimana perubahan dalam suatu variabel yang
ditunjukkan oleh perubahan error variance dipengaruhi oleh variabel-variabel
lainnya. Metode ini mencirikan suatu struktur dinamis dalam model VAR. Dimana
dalam metode ini dapat melihat kekuatan dan kelemahan masing-masing variabel
dalam mempengaruhi variabel lainnya untuk kurun waktu yang panjang. Jadi, FEVD
dapat diketahui secara pasti faktor-faktor yang memengaruhi fluktuasi terhadap
perubahan dari variabel tertentu. FEVD juga dapat mengetahui secara pasti faktor-
faktor mana yang memberikan kontribusi paling sifgnifikan terhadap perubahan dari
variabel tertentu. Dalam analisis ini variabel tersebut yaitu variabel penjualan
herbisida, insektisida, dan fungisida.
3.6.2 Pencapaian Volume Penjualan
Peramalan pencapaian volume penjualan dalam penelitian ini dilakukan
karena keefektifan sebuah keputusan tergantung pada deret kejadian-kejadian masa
lalu. Selanjutnya, penelitian ini menggunakan metode peramalan deret waktu satu
ragam (univariate time series model ) untuk mengetahui ramalan pencapaian volume
penjualan herbisida (HRB), insektisida (INS), dan fungisida (FUNG). Selain itu,
48
ramalan volume penjualan juga dilakukan pada satu produk unggulan dari masing-
masing jenis pestisida. Metode perhitungan yang digunakan untuk pola data bersifat
stasioner. Metode ini terdiri atas beberapa teknik yaitu :
1) Teknik Naif (Naive)
Berdasarkan Firdaus (2011) dan Aritonang (2000), teknik naif untuk data
stasioner dilihat pada persamaan (1), maka dalam penelitian ini dapat di rumuskan
sebagai berikut :
NRHRBt+1 = NAHRBt ......................................................................................... (23)
NRINSt+1 = NAINSt ............................................................................................. (24)
NRFUNGt+1 = NAFUNGt .................................................................................... (25)
keterangan :
NRHRBt+1 = nilai ramalan penjualan herbisida periode tiga bulan kedepan
NRINSt+1 = nilai ramalan penjualan insektisida periode tiga bulan kedepan
NRFUNGt+1 = nilai ramalan penjualan fungisida periode tiga bulan kedepan
NAt = nilai aktual penjualan (HRB/INS/FUNG) periode ke-t.
2) Teknik Rata-Rata Bergerak Sederhana (Moving Average = MA)
Berdasarkan Firdaus (2011), dan Prasetya dan Lukiastuti (2011), formula
untuk teknik ini ada dalam bentuk yang paling sederhana yang disajikan pada
persamaan (4). Teknik rataan bergerak dapat digunakan setiap ada informasi terbaru,
nilai ramalan terbaru akan diperoleh dengan menghilangkan informasi terlama.
Sebagai contoh MA ordo 1 atau MA (1) berarti peramalan hanya menggunakan satu
observasi sebelumnya untuk meramalkan satu nilai yang akan datang. Maka,
formula untuk teknik ini adalah :
NRHRBt+1 = (NAHRBt + NAHRBt-1 + NAHRBt-2 + … + NAHRBt-n+1 ) / n ...... (26)
49
NRINSt+1 = (NAINSt + NAINSt-1 + NAINSt-2 + … + NAINSt-n+1 ) / n ............... (27)
NRFUNGt+1 = (NAFUNGt + NAFUNGt-1 + NAFUNGt-2 + … +
NAFUNGt-n+1 ) / n ....................................................................... (28)
keterangan :
NRHRBt+1 = nilai ramalan penjualan herbisida periode tiga bulan kedepan.
NRINSt+1 = nilai ramalan penjualan insektisida periode tiga bulan kedepan.
NRFUNGt+1 = nilai ramalan penjualan fungisida periode tiga bulan kedepan.
NAt = nilai aktual penjualan (HRB/INS/FUNG) periode ke-t
n = ordo
3) Teknik Pemulusan Eksponensial Tunggal (Single Eksponensial Smoothing)
Berdasarkan Firdaus (2011) dan Aritonang (2000) formula untuk teknik ini
dilihat pada persamaan (5) yang kemudian di formulasikan sebagai berikut:
NR(HRB/INS/FUNG)t = αNAt + (1-α)NRt-1 ....................................................... (29)
keterangan :
NRt = nilai ramalan penjualan pestisida (HRB/INS/FUNG) untuk satu periode

kedepan
NAt = nilai aktual penjualan pestisida (HRB/INS/FUNG) periode ke-t
NRt-1 = nilai ramalan penjualan (HRB/INS/FUNG) sekarang dari peramalan satu

periode yang lalu
α = koefisien pemulusan (0 ≤ α < 1)
4) Teknik Pemulusan Eksponensial Ganda (Double Eksponensial Smoothing)
Berdasarkan Firdaus (2011) dan Aritonang (2000), formula untuk teknik ini
mengacu pada persamaan (6, 7, dan 8) yang dapat dirumuskan sebagai berikut :
NPBt = αNAt + (1-α) (NPBt-1+Tt-1) ..................................................................... (30)
Tt = β(NPBt-NPBt-1) + (1-β)Tt-1 ........................................................................... (31)
50
NR(HRB/INS/FUNG)t+p = NPBt + Tt(p) ............................................................... (32)
keterangan :
NPBt = nilai pemulusan baru data aktual penjualan pestisida (HRB/INS/FUNG)
α, β = koefisien pemulusan
NAt = nilai aktual penjualan pestisida (HRB/INS/FUNG) periode ke-t
p = jumlah periode penjualan pestisida (HRB/INS/FUNG) mendatang yang akan

diramalkan.
NRt+p = nilai ramalan penjualan untuk pestisida (HRB/INS/FUNG) periode
mendatang
Tt = nilai perkiraan trend
3.6.3 Ukuran Akurasi Hasil Peramalan
Berdasarkan Firdaus (2011), serta Heizer dan Render (2005) bahwa nilai
residual atau error (et) dapat diperoleh dari beberapa tolak ukur yang dapat
digunakan sebagai alat untuk mengukur akurasi hasil peramalan melalui :
1. MAE (Mean Absolut Error) = [ Σ (NAt – NRt) ] / n .................................... (33)
2. MSE (Mean Squared Error) = Σ (NAt – NRt)2 / n ....................................... (34)
3. MAPE (Mean Absolute Percentage Error) = [ Σ ((NAt – NRt) / NAt) ]
x100 / n .......................................................................................................... (35)
dimana :
NAt = nilai aktual penjualan pestisida (HRB/INS/FUNG)
NRt = nilai ramalan pestisida (HRB/INS/FUNG)
(NAt – NRt ) = kesalahan ramalan (error)
n = banyaknya data
51
Bila nilai residual besarnya merata sepanjang pengamatan maka MSE yang
sebaiknya digunakan. Tetapi bila hanya ada satu atau dua residual yang besar, maka
MAE yang sebaiknya digunakan. Untuk melihat bias tidaknya teknik peramalan,
MAPE dapat digunakan. Hasil peramalan dikatakan tidak bias bila MAPE ≈ 0. Bila
MAPE besar dan negatif, maka hasil peramalan overestimate, bila MAPE besar dan
positif maka hasil peramalan underestimate.
Hasil peramalan terbaik dipilih dengan mengetahui besarnya nilai residual
atau error pada setiap teknik peramalan. Hal ini dilakukan sebagai acuan dalam
memilih teknik peramalan terbaik dengan asumsi bahwa semakin kecil nilai residu,
maka semakin akurat hasil peramalan volume penjualan untuk herbisida, insektisida,
dan fungisida dalam tiga periode mendatang.
3.6.4 Evaluasi Hasil Ramalan Penjualan
Setelah diketahui hasil ramalan volume penjualan, maka dilakukan evaluasi
hasil ramalan dengan data aktual penjualan dari periode Januari 2016 sampai Maret
2018. Untuk mengevaluasi ketepatan ramalan dalam pemodelan runtun waktu
dapat digunakan beberapa metode salah satunya dengan ukuran statistik standar
(Suwardiwijaya dkk, 2009:1).
Evaluasi dilakukan dengan uji z (n ≥ 30) beda dua nilai tengah dengan
tingkat kepercayaan sebesar 95% (α = 0.05). Jika Zhitung > Zα/2, maka H0 ditolak
yang artinya terdapat perbedaan antara hasil ramalan dengan data akual penjualan.
Sebaliknya, apabila Zhitung < Zα/2, maka H0 diterima atau tolak H1, yang artinya tidak
ada perbedaan antara hasil ramalan dengan data akual penjualan. Sebelum
mengetahui hasil dari uji beda dua nilai tengah, maka harus diketahui terlebih
dahulu ragam yang terbentuk dengan pengujian hipotesis statistik dua arah.
52
• Rumus Ragam
𝜎i 2 = ∑ (xi - x )2 .................................................................................... (36)

N
• Rumus Zhit (Walpole, 1982: 305)
x1 − x2
Z hit = .............................................................. (37)
σ1 2 σ2 2
√( 𝑛1 )+( n2 )
Keterangan:
X 1 = Rata - rata data penjualan

X 2 = Rata – rata data ramalan penjualan
n1 = Jumlah data penjualan
n2 = Jumlah data ramalan penjualan
𝜎i 2 = Varian/ragam
3.7 Definisi Operasional
Definisi operasional yang digunakan dalam penelitian ini yaitu :
1. Pestisida adalah bahan yang digunakan untuk mengendalikan, menolak, atau
membasmi organisme pengganggu tanaman.
2. Herbisida adalah bahan senyawa beracun yang dimanfaatkan untuk membunuh
tumbuhan pengganggu yang disebut gulma.
3. Insektisida adalah bahan yang mengandung senyawa kimia beracun yang bisa
mematikan semua jenis serangga.
4. Fungisida adalah bahan yang mengandung senyawa kimia beracun yang bisa
memberantas dan mencegah fungi/ cendawan.
5. Data time series adalah data penjualan bulanan produk herbisida, insektisida,
dan fungisida.
53
6. Peramalan penjualan adalah aktivitas memperkirakan hubungan dan banyaknya
produk herbisida, insektisida, dan fungisida yang akan dijual dalam waktu ke
depan.
7. Stasioner adalah pola data dengan rataan dan ragam konstan sepanjang waktu
pengamatan.
8. Hubungan antar produk adalah besarnya nilai dalam hubungan antara produk
yang satu dengan produk yang lain dalam proses penjualan.
9. Volume penjualan adalah jumlah total yang dihasilkan dari kegiatan penjualan
produk herbisida, insektisida, dan fungisida dalam satuan liter.
54
BAB IV
GAMBARAN UMUM PT. DANKEN INDONESIA
4.1 Sejarah Perusahaan
PT. Danken Indonesia adalah bagian dari Zhongshan Group, produsen
herbisida triazine terkemuka di China. Zhejiang Zhongshan Chemical Industry
Group Co. Ltd., adalah perusahaan produsen agrokimia terkemuka di dunia yang
didirikan oleh Li Bugao pada bulan Juli 1998. Zhongshan Group mempunyai
cabang di beberapa negara yang tidak hanya Danken Indonesia, seperti Danken
Mexico, Danken Argentina, Farm Do Brasil, Sixon Asia (Vietnam, Laos, Sri Lanka,
India, Pakistan), Sixon Afrika (Nigeria, Gahana, Afrika Selatan, Kenya) dan lain-
lain. Berbagai produk perlindungan tanaman yang dibuat oleh Zhongshan Group
tidak hanya mencakup herbisida saja tetapi juga fungisida dan insektisida serta telah
menjual produknya ke lebih dari 100 negara.
PT. Danken Indonesia baru berdiri pada tahun 2012 dengan direktur utama
yaitu bapak Zulkarnaen Lubis. Perusahaan ini termasuk perusahaan global di
bidang agrokimia yang menyediakan produk-produk pestisida untuk perlindungan
tanaman. Adapun produk pertama yang didaftarkan ke Kementerian Pertanian saat
itu adalah herbisida dengan jenis DKMesonin 550 SC di tahun 2013. Seiring
perkembangan perusahaan, PT. Danken Indonesia sudah menjual herbisida,
insektisida, fungisida, moluskisida, dan bahan aktif lainnya. Danken Indonesia juga
akan mengembangkan bisnisnya di bidang pupuk dan benih.
Saat ini, PT. Danken Indonesia memiliki pasar di pulau Jawa, Sumatera, dan
Sulawesi Selatan dengan sistem distribusi tingkat provinsi. Jumlah distributor

tingkat provinsi yang bekerjasama dengan PT. Danken Indonesia sudah mencapai
20 perusahaan distributor besar. Pengembangan pasar bagi produk PT. Danken
Indonesia di dukung oleh tim marketing dan sales yang berpengalaman. Dengan
dukungan penuh dari Zhongshan Group, PT. Danken Indonesia akan selalu
berkomitmen untuk menjaga kualitas produk yang akan dipasarkan di seluruh
Indonesia. Dengan motto “Memberikan yang Terbaik” merupakan suatu komitmen
dari Danken kepada semua pihak yang terlibat dalam mendukung tumbuhnya PT.
Danken Indonesia. Memberikan yang terbaik bagi pengguna, rekanan bisnis,
karyawan, dan pertanian Indonesia.
4.2 Visi dan Misi Perusahaan
PT. Danken Indonesia saat ini belum memiliki tujuan yang visioner.
Perusahaan masih terus mengembangkan produk-produk yang ada dan
memaksimalkan daerah distribusi di pulau Jawa, Sumatera, dan Sulawesi Selatan.
PT. Danken Indonesia masih berusaha untuk mengenalkan dan menjual produk-
produk pestisida agar mencapai lingkup pasar di seluruh Indonesia.
4.3 Struktur Perusahaan
PT. Danken Indonesia memiliki sruktur organisasi yang jelas dengan fungsi
setiap divisi dan bagian di dalam struktural yang sesuai kebutuhan perusahaan.
Struktur organisasi sangat diperlukan untuk pengukuran tugas, tanggung jawab
serta wewenang sehingga perusahaan dapat berjalan dengan baik dan benar. PT.
Danken Indonesia dipimpin oleh seorang Direktur Utama yang langsung
membawahi national sales manager dan lima divisi lainnya. Dalam menjalankan
56
operasional perusahaan, direktur dibantu oleh divisi operasional, divsi HRD, divisi
finance, divisi supply chain, serta divisi produk dan registrasi. Hingga kini, total
karyawan PT. Danken Indonesia sebanyak 55 orang, diantaranya seorang karyawan
HRD, 3 karyawan finance, 2 karyawan supply chain, dan 2 karyawan produk
registrasi. Sekitar 30 sampai 40 orang karyawan dari perusahaan ini lebih banyak
menjadi staff sales yang jarang sekali berada di kantor perusahaan. Staff sales
merupakan karyawan yang khusus berada di lapangan atau berada di lokasi target
penjualan seperti di Jawa, Sumatera, dan Sulawesi Selatan. Struktur orgainisasi PT.
Danken Indonesia dapat dilihat pada Gambar 5.
Direktur
Utama
National
Sales
Manager
Regional
Sales
Manager
Staff Sales
Divisi
Divisi Divisi Supply
Divisi HRD Product &
Finance Chain
Registration
Gambar 5. Struktur Organisasi PT. Danken Indonesia

Sumber : PT. Danken Indonesia, 2018
Tugas dan tanggung jawab masing-masing bagian adalah sebagai berikut :
1. Direktur Utama
Direktur utama mempunyai wewenang untuk menjalankan dan memimpin
perusahaan. Direktur memiliki tugas sebagai berikut :
a. Menentukan visi dan misi perusahaan
57
b. Merencanakan, melaksanakan, dan mengawasi seluruh pelaksanaan
operasional perusahaan.
c. Merencanakan strategi, menentukan, dan mengambil keputusan dalam
perencanaan jangka panjang perusahaan.
d. Menentukan kebijakan untuk karyawan, kegiatan operasional, serta hubungan
dengan pihak Zhongshan Group.
2. National Sales Manager
Manajer Penjualan Nasional (National Sales Manager) mempunyai
wewenang untuk mengusulkan program baru yg bisa menunjang peningkatan sales
kepada direktur utama. Tugas dan tanggung jawab manajer penjualan nasional
sebagai berikut:
a. Memastikan bahwa tujuan penjualan perusahaan di seluruh wilayah Indonesia
terpenuhi.
b. Mengawasi penjualan nasional untuk memenuhi atau melampaui target yang
diproyeksikan.
c. Menjalin komunikasi langsung dengan regional sales manager
d. Memberikan layanan pelanggan yang luar biasa dan bertanggung jawab atas
kepuasan klien secara keseluruhan dan kepada klien-klien penting.
3. Regional Sales Manager
Manager Penjualan Area/Daerah (Regional Sales Manager) memiliki
wewenang untuk memimpin teamnya sendiri di daerah atau semua anggota di
bawah tanggung jawabnya untuk membantu semua proses pencapaian target. Tugas
dan tanggung jawab manajer penjualan nasional sebagai berikut :
58
a. Merumuskan strategi dalam memaksimalkan tanggung jawab tim penjualan
(staff sales)
b. Menterjemahkan perintah dari national sales manager untuk dikerjakan
bersama – sama team nya sesuai dengan situasi dan kondisi di daerah masing
– masing.
c. Mengelola areanya dengan efektif dan efisen dalam berkontribusi untuk
pencapaian target nasional .
d. Mengelola seluruh staff sales, memberi nasihat dan mendorong agar terus tetap
bersemangat, melatih dan mengembangkan mereka serta merdorong kreativitas
team.
4. Staff Sales
Staff sales bertanggung jawab untuk meningkatkan penjualan agar target
penjualan perusahaan dapat tercapai. Tugas staff sales sebagai berikut :
a. Melakukan direct selling
b. Memperkenalkan dan menjelaskan produk kepada klien
c. Meningkatkan penjualan agar target tercapai
d. Melakukan follow up dan negosiasi terhadap klien
e. Membuat laporan dan evaluasi terhadap hasil follow up
f. Mengatur data-data klien
g. Menjalin hubungan yang baik dengan customer atau klien
5. Divisi Finance
Tugas divisi finance sebagai berikut :
a. Melakukan pengelolaan keuangan perusahaan
b. Melakukan penginputan semua transaksi keuangan
59
c. Melakukan transaksi keuangan perusahaan
d. Melakukan pembayaran kepada supplier
e. Melakukan penagihan kepada customer
f. Mengontrol aktivitas keuangan atau transaksi keuangan perusahaan
g. Membuat laporan mengenai aktivitas keuangan perusahaan
h. Melakukan verifikasi terhadap keabsahan dokumen yang diterima
i. Melakukan evaluasi budget
j. Menyiapkan dokumen penagihan invoice atau kwitansi tagihan beserta
kelengkapannya
6. Divisi HRD (Human Resources Develpoment)
Tugas divisi HRD sebagai berikut :
a. Melakukan perencanaan, pelaksanaan dan pengawasan sumber daya manusia
dan pengembangan kualitas sumber daya manusia.
b. Bertanggung jawab penuh dalam proses rekrutmen karyawan, mulai dari
mencari calon karyawan, wawancara hingga seleksi.
c. Melakukan seleksi, promosi, dan transfering pada karyawan yang dianggap
perlu.
d. Melakukan kegiatan pembinaan, pelatihan dan kegiatan-kegiatan yang
berhubungan dengan pengembangan kemampuan, potensi, mental, keterampilan
dan pengetahuan karyawan yang sesuai dengan standar perusahaan.
e. Bertangggung jawab pada hal yang berhubungan dengan absensi karyawan,
perhitungan gaji, bonus dan tunjangan.
f. Membuat kontrak kerja karyawan serta memperbaharui masa berlakunya
kontrak kerja.
60
g. Melakukan tindakan pada karyawan yang melanggar peraturan atau kebijakan
perusahaan.
7. Divisi Supply Chain
Tugas divisi supply chain sebagai berikut :
a. Merencanakan jadwal pengiriman barang ke customer
b. Memastikan stok barang di gudang mencukupi
c. Mengawasi proses pemesanan dan pengemasan produk
d. Memonitor level persediaan
e. Lacak produk melalui depot untuk memastikan mereka sampai di tempat tujuan
f. Mengawasi kedatangan pengiriman
8. Divisi Produk dan Registrasi
Tugas divisi produk dan registrasi sebagai berikut :
a. Melakukan registrasi produk ke dinas terkait, baik produk baru maupun update
statusnya untuk produk lama.
b. Mempersiapkan dokumen dan perlengkapannya serta melakukan negosiasi jika
diperlukan.
c. Melakukan komunikasi langsung dengan dinas terkait.
d. Melakukan proses administrasi ke LKPP berkaitan dengan produk yang akan
dijual.
4.4 Produk Perusahaan
Daftar nama-nama produk perusahaan yang telah terdaftar di Kementerian
Pertanian dapat dilihat pada Tabel 5.
61
Tabel 5. Produk-Produk Perusahaan Terdaftar
No. Nama Produk Bahan Aktif No. Registrasi
BAHAN TEKNIS
1 2,4 D ACID 98 TC 2,4D Acid 98% RI. 042014318
2 AMETRYN 96 TC Ametryn 96% RI. 042014321
3 ATRAZINE 97 TC Atrazine 97% RI. 042014323
4 GLYPHOSATE 95 TC Glyphosate 95% RI. 0402016384
HERBISIDA
1 DKMetrin 80 WG Ametryn 80% RI. 01030120134859
2 DKMetrin 500 SC Ametryn 500 g/l RI. 01030120134858
3 DKMesonin 550 SC Atrazine 500 g/l + mesotrione 50 g/l RI. 01030120144979
4 DKZine 80 WP Atrazine 80% RI. 01030120144898
5 DKZine 500 SC Atrazine 500 g/l RI. 01030120144899
6 DKAlmine 865 SL 2,4D DMA 865 g/l RI. 01030120155220
7 DKBusin 70 WP Metribizin 70% RI. 01030120155141
8 DKGlifordi 240/120 SL Glyphosate IPA 240 g/l + 2,4D IPA 120 g/l RI. 01030120145054
9 DKHexaron 60 WG Hexazinone 13.2% + diuron 46.8% RI. 01030120155222
10 DKIuron 80 WP Diuron 80% RI. 01030120165428
11 DKSpero 100 SC Bispyribac sodium 100 g/l RI. 01030120165433
12 DKGlammo 200 SL Glufosinate ammonium 200 g/l RI. 01030120165556
13 DKLifosat 480 SL Glyphosate IPA : 480 g/l RI. 01030120175684
FUNGISIDA
1 DKZol Extra 300 EC Propiconazole 150 g/l + difenoconazole 150 RI. 01020120145055
g/l
2 DKDuopro 490 EC Procholraz 400 g/l + propiconazole 90 g/l RI. 01020120155297
3 DKSimozeb 64/8 WP Mancozeb 64% + cymoxanil 8% RI. 01020120165432
4 DKStaronil Mix 560 SC Chlorotaloni 500 g/l + azoxystrobin 60 g/l RI. 01020120165434
5 DKSarzeb 80 WP Mancozeb 80% RI. 01020120165435
6 DKTiram 70 WG Metiram 70% RI. 01020120165502
7 DKPoxiben 250 SC Epoxiconazole 125 g/l + carbendazim 1125 RI. 01020120165557
g/l
8 DKAztrozol Plus 375 SC Azoxystrobin 200 g/l + difenoconazole 125 RI. 01020120175838
g/l + hexaconazole 50 g/l
9 DKCyproblin 280 SC Azoxystrobin 200 g/l + cyproconazole 80 g/l RI. 01020120175839
SC
10 DKBostrobin 32,7 WG Boscalid 26% + pyraclostrobin 6,7% RI. 01020120175896
INSEKTISIDA
1 DKPro-Nil 50 SC Fipronil 50 g/l RI. 01020120155221
2 DKMektin 18 EC Abamectin 18 g/l RI. 01020120155223
3 DKFenrat 200 EC Fenvalerate 200 g/l RI. 01020120155346
4 DKFostrin 550 EC Chlorpyrifos 500 g/l + cypermethrin 50 g/l RI. 01020120155347
5 DKLufem 50 WG Lufenuron 40% + emmamectin benzoate 10% RI. 01020120165429
6 DKMetoar 400 EC Dimethoate 400 g/l RI. 01020120165430
7 DKFenzo 120 SC Chlorfenapyr 100 g/l + emmamectin benzoate RI. 01020120165555
20 g/l
8 DKBinova 100 SC Novaluron 50 g/l + bifenthrin 50 g/l RI. 01020120175837
MOLUSKISIDA
1 DKNiklos 250 EC Niclosamide 250 g/l RI. 01050120165431
Sumber : Divisi Produk dan Registrasi, PT. Danken Indonesia (2018)
Total produk PT. Danken Indonesia yang telah terdaftar di Kementrian
Pertanian saat ini sebanyak 36 termasuk 13 herbisida, 10 fungisida, 8 insektisida, 1
62
moluskisida, dan 4 bahan teknis. Jenis produk dijual dalam bentuk cair dan
beberapa padatan berupa granul ataupun serbuk. Produk pertama yang di daftarkan
adalah jenis herbisida dengan nama produk DKMesonin 550 SC dan di susul
dengan DKMetrin. Herbisida ialah jenis pestisida pertama yang sudah dilakukan
penjualan. Dalam penjualan produk ini harus dalam jumlah yang besar/banyak.
Masing-masing produk memiliki masa tahan selama 3 tahun, sedangkan untuk
masa perijinan produk berlaku hingga 5 tahun. Danken Indonesia juga masih terus
memperbanyak produk-produk yang akan dijual. Saat ini terdapat 17 produk yang
masih proses pendaftaran, yaitu 5 herbisida, 5 insektisida, dan 7 fungisida.
4.5 Prosedur Pemesanan Produk
Prosedur pemesanan produk yang dilakukan PT. Danken Indonesia terdapat
dua proses utama, yaitu pemesanan barang dari Danken ke pihak Zhongshan Group
dan pemesanan barang dari pembeli kepada pihak Danken. Biaya pengiriman
barang sepenuhnya ditanggung oleh pihak Zhongshan Group dan pihak Danken
Indonesia. Masing-masing proses tersebut dijelaskan sebagai berikut :
1. Prosedur Impor Produk
Pemesanan barang kepada pihak Zhongshan Group di kontrol langsung oleh
divisi supply chain dan dibantu oleh sales untuk memproyeksikan berapa banyak
barang yang dbutuhkan. Sebelum melakukan impor barang, pihak Zhongshan
mengirimkan penawaran harga untuk pihak Danken. Apabila pihak Danken telah
menyetujui harga yang ditawarkan, maka divisi finance akan membuatkan surat
Purchasing Order (PO) untuk dikirimkan ke Zhongshan. Proses dari pemesanan,
pembayaran, hingga barang sampai ke Indonesia membutuhkan waktu dua bulan
63
melalui jalur laut menggunakan kapal. Sehingga, divisi supply chain harus mampu
memproyeksikan banyaknya barang yang akan dijual maupun untuk sampel
produk.
Barang diangkut dari pelabuhan hingga ke gudang Danken menggunakan
container. Danken Indonesia memiliki dua gudang besar di daerah Tambun dan
Tangerang. Apabila produk yang diantar sudah dalam bentuk kemasan botol kecil
maupun dirigen, maka barang-barang tersebut disimpan dalam gudang di daerah
Tangerang. Namun, apabila produk yang diantar masih dalam bentuk barel/drum
berukuran 200 liter maka barang-barang tersebut wajib disimpan dalam gudang
yang berada di Tambun. Produk yang berada dalam gudang Tambun selanjutnya
akan melewati tahap re-pack (pengemasan ulang) untuk dijadikan produk-produk
dalam kemasan botol maupun dirigen sesuai ukuran.
2. Prosedur Pemesanan Produk dari Pembeli
Danken Indonesia menerapkan sistem pemasaran Business to Business
(B2B) yang terdapat kontrak perjanjian atau kerjasama sebelum proses transaksi
berlangsung. Di dalam kontrak kerjasama tersebut berisi kesepakatan-kesepakatan
seperti harga jual produk, lamanya waktu pembayaran, lamanya produk datang,
sampai penanganan barang rusak. Setelah adanya kesepakatan antara pihak pembeli
dan pihak Danken, kemudian divisi finance akan menerbitkan surat PO. Apabila
pembeli tersebut masih mempunyai tunggakan pembayaran, maka divisi finance
tidak bisa membuat PO yang lain. Kurangnya pembayaran akan dibantu oleh pihak
sales yang berada di wilayah pembeli untuk mengingatkan dan memberitahukan
bahwa PO pembelian produk lain tidak bisa dibuat.
64
4.6 Gangguan Pencapaian Target Penjualan
Guncangan (shock) yang mungkin terjadi dan menjadi ancaman untuk jenis
pestisida ini perlu diwaspadai. Menurut Rahayuningsih (2009:4) banyak usaha yang
telah dilakukan dan akan terus dilakukan untuk memperkecil jumlah pestisida yang
digunakan. Beberapa perkiraan guncangan secara umum yang dapat mempengaruhi
pencapaian dari target penjualan pestisida di PT. Danken Indonesia ialah :
1. Kegiatan yang sering dilakukan perusahaan berupa pelatihan dan edukasi
mengenai penggunaan pestisida kimiawi yang bijaksana di daerah pasar PT.
Danken Indonesia. Hal ini dilakukan karena apabila aplikasi pestisida tidak
tepat dapat berdampak negatif dengan memicu ledakan populasi hama akibat
resistensi. Akibat buruk untuk PT. Danken Indonesia secara tidak langsung
akan menurunkan minat petani dalam penggunaan pestisida yang dianggap
tidak bagus. Badan Litbang Pertanian (2012) melakukan penelitian guna
menghasilkan rakitan teknologi Pengendalian Hama Terpadu (PHT) untuk
mitigasi perubahan iklim yang dapat menekan penggunaan pestisida >50%.
Hal ini sejalan dengan penelitian (Untung 2004 dalam Rahayuningsih 2009:4)
bahwa akan terus dikembangkan dan diterapkannya usaha komprehensif dan
terpadu oleh semua stakeholder untuk melembagakan dan menerapkan PHT.
2. Posisi perusahaan yang hanya sebagai distributor pestisida kimiawi membuat
pihak perusahaan sulit dalam mengontrol formulasi bahan aktif yang
terkandung dalam pestisida. Bahan aktif pada produk-produk yang dijual PT.
Danken Indonesia termasuk dalam pestisida berspektrum luas. Dimana
menurut (Djojosumarto, 2008:232) pestisida berspektrum luas sebenarnya
65
memiliki beberapa kelemahan, seperti merugikan organisme non-target dan
serangga berguna lainnya. Sementara bagi industri pestisida, pengembangan
pestisida spesifik tidak terlalu menarik karena segmen pasarnya terlalu sempit
sehingga dianggap kurang menguntungkan. Hal ini dapat menjadi ancaman
yang sejalan dengan (Rahayuningsih, 2009:4) bahwa akan ada peraturan
pemberian izin hanya untuk formulasi jenis pestisida yang mempunyai
spektrum sempit sehingga muncul larangan penggunaan jenis pestisida
tertentu.
3. Kondisi ilkim Indonesia yang tidak menentu membuat pihak perusahaan tidak
mampu mengendalikan kebutuhan pestisida di lapangan. Perkiraan dari pihak
perusahaan pada serangan hama juga menjadi sulit yang berdampak pada
antisipasi penyediaan pestisida. Berdasarkan penelitian dari Balai Besar
Penelitian Tanaman Padi (2016) menyatakan perkembangan OPT perlu
diwaspadai karena terjadi anomali iklim yang ditunjukkan dengan musim
kemarau basah. Ketidaknormalan iklim berakibat pada meningkatnya
gangguan oleh berbagai organisme tanaman padi. Kondisi musim kemarau
dengan curah hujan yang masih tinggi membuat peluang besar terhadap
berkembangnya OPT.
66
BAB V
HASIL DAN PEMBAHASAN
5.1 Ramalan Penjualan Tiga Jenis Pestisida
Peramalan penjualan jenis pestisida dilakukan dengan dua model dan
analisis yang berbeda, yaitu multivariate analysis dan univariate model. Model
yang terbentuk bertujuan untuk meramalkan hubungan penjualan antar tiga jenis
pestisida dan banyaknya volume produk yang akan terjual. Identifikasi pola data
dilakukan untuk menentukan penggunaan metode peramalan yang tepat.
5.1.1 Identifikasi Pola Data Penjualan Herbisida, Insektisida, dan Fungisida
Peramalan penjualan diawali dengan mengetahui data masa lampau
mengenai penjualan produk herbisida, insektisida, dan fungisida di PT. Danken
Indonesia. Adapun panjang deret waktu pengamatan sebanyak 24 periode (bulan)
dari Januari 2016 sampai Desember 2017 seperti yang tertera pada Tabel 6.
Tabel 6. Penjualan Herbisida, Insektisida, dan Fungisida PT. Danken Indonesia

Tahun 2016-2017 (liter)
Jenis Pestisida
Periode (bulan) Herbisida Insektisida Fungisida
2016 2017 2016 2017 2016 2017
Januari 19050 14450 6790 4810 1000 1000
Februari 32167,5 11412,5 3400 5610 1000 0
Maret 9413 5950 1689,9 1100 1000 1300
April 43893,26 5380 1700 2800 1250 0
Mei 49812,13 7057,5 5130 2000 350 650
Juni 14322,88 350 450 5250 550 820
Juli 5754 17045 2800 9898 0 4280
Agustus 0 19970 1600 13710 0 2200
September 29675 14335 13440 5100 0 2400
Oktober 35202,63 22395 3250 13530 0 750
November 40930 34230 7520 5040 0 2200
Desember 39014 19437,5 7989 3480 1000 0
Total 319234,4 172012,5 55758,9 72328 6150 15600
Sumber : PT. Danken Indonesia (2018)
Kemudian data bulanan pada Tabel 6 dibuat plot secara time series untuk
melihat pola data yang terbentuk dari masing-masing jenis pestisida. Hal ini akan
membantu dalam menentukan lebih lanjut model dan teknik peramalan untuk
meramalkan hubungan ketiga produk pada proses penjualan dan volume penjualan
untuk periode tiga bulan kedepan. Pola data penjualan diidentifikasi melalui visual
grafik dan dilakukan dengan uji stasioneritas atau uji akar unit.
1. Visualisasi Grafik
Pola data penjualan dari herbisida, insektisida, dan fungisida dilihat
melalui program Minitab 16 yang menunjukkan hasil berbentuk grafik. Plot data
runtut waktu dimulai dari Januari 2016 (periode 1) hingga Desember 2017 (periode
24), yang disesuaikan pada banyaknya produk yang terjual disepanjang 24 bulan
tersebut dalam satuan liter. Plot data dari masing-masing variabel penjualan
herbisida, insektisida, dan fungisida dapat dilihat secara berturut-turut pada Gambar
6, 7 dan 8.
Time Series Plot of Penjualan Herbisida
50000
40000
Penjualan Herbisida (liter)
30000
20000
10000
0
-5000
2 4 6 8 10 12 14 16 18 20 22 24
Bulan
Gambar 6. Plot Data Penjualan Herbisida PT. Danken Indonesia Tahun 2016-2017
68
Berdasarkan plot data penjualan herbisida pada Gambar 6 terlihat pola data
memiliki komponen acak atau berfluktuatif. Pada tahun 2016 (periode 1-12),
fluktuasi pola penjualan terjadi pada periode 1 hingga periode 5 dengan penjualan
tertinggi sebesar 49.812 liter. Kemudian penjualan terus menurun hingga periode
ke 8 yang akhirnya tidak adanya penjualan (nol). Namun, setelah itu mengalami
peningkatan kembali dan hanya mengalami sedikit penurunan pada periode ke 12.
Jika dibandingkan dengan tahun 2016, pergerakan pola penjualan di tahun 2017
(periode 13-24) mengalami penurunan. Penjualan terendah di tahun 2017 pada
periode ke 18 sebanyak 350 liter. Namun pada bulan ke 19 hingga 24, penjualan
mengalami fluktuasi yang cenderung meningkat. Pergerakan pola data pada kuartal
empat (bulan Oktober-Desember) di tahun 2016 dan 2017 cenderung sama dengan
terjadinya penurunan penjualan di bulan Desember pada dua tahun tersebut. Dalam
pola penjualan herbisida tidak ditetapkan adanya unsur musiman, karena deret
waktu untuk menentukan adanya unsur musiman masih terlalu kecil.
Time Series Plot of Penjualan Insektisida
14000
12000
Penjualan Insektisida (liter)
10000
8000
6000
4000
2000
0
-500
2 4 6 8 10 12 14 16 18 20 22 24
Bulan
Gambar 7. Plot Data Penjualan Insektisida PT. Danken Indonesia Tahun 2016-2017
69
Berdasarkan plot data penjualan insektisida pada Gambar 7 terlihat pola
data memiliki komponen acak atau berfluktuatif. Pada tahun 2016 (periode 1-12),
pergerakan pola penjualan cenderung mengalami penurunan hingga periode ke 6
sebesar 450 liter. Penjualan insektisida pada tahun 2016 mengalami kenaikan yang
tinggi pada periode ke 9 sebesar 13.440 liter dan kemudian terus mengalami
fluktuasi sampai periode ke 12. Pada tahun 2017 (periode 13-24), pergerakan pola
penjualan cenderung mengalami penurunan dari kuartal ke empat (Oktober-
Desember) di tahun 2016 sampai periode ke 17 dengan penjualan sebesar 2000 liter.
Namun pada bulan ke 18 hingga 24, penjualan mengalami fluktuasi yang cenderung
meningkat dan penjualan tertinggi terjadi pada periode ke 20 sebesar 13.710 liter.
Secara keseluruhan, pola penjualan insektisida tidak ditemukan unsur musiman dan
deret waktu untuk menentukan adanya unsur musiman masih terlalu kecil.
Time Serie s Plot of Pe njualan Fungisida
4000
Penjualan Fungisida (liter)
3000
2000
1000
0
-300
2 4 6 8 10 12 14 16 18 20 22 24
Bulan
Gambar 8. Plot Data Penjualan Fungisida PT. Danken Indonesia Tahun 2016-2017
Berdasarkan plot data penjualan fungisida pada Gambar 8, pergerakan pola
data di tahun 2016 (periode 1-12) cenderung stabil dan tidak adanya penjualan pada
70
periode ke 7 hingga ke 11. Pola data penjualan cenderung berfluktuatif di tahun
2017 (periode 13-24). Tidak adanya penjualan fungisida di tahun 2017 terjadi pada
periode ke 14, 16, dan 24 dan penjualan tertinggi terjadi pada bulan ke 19 sebesar
4.280 liter. Pola data penjualan fungisida tidak ditemukan unsur musiman dan deret
waktu untuk menentukan adanya unsur musiman masih terlalu kecil.
2. Uji Stasioneritas
Pola data penjualan herbisida, insektisida, dan fungisida juga di identifikasi
melalui uji stasioneritas data yang dilakukan dengan test Augmented Dickey-Fuller
(ADF) melalui perangkat lunak Eviews 9. Pengujian hipotesis statistik dilakukan
dengan membandingkan nilai ADF test statistic dengan test statistic MacKinnon
critical value (taraf nyata) pada taraf signifikansi sebesar 1%, 5%, dan 10%. Jika
ADF test statistic hitung pada setiap variabel lebih kecil secara aktual pada
MacKinnon test critical values, maka H0 ditolak, artinya data tersebut tidak terdapat
akar unit atau data variabel tersebut sudah stasioner. Pada pengujian stasioneritas
data dari masing-masing variabel dapat dilihat pada Tabel 7.
Tabel 7. Hasil Uji Stasioneritas Penjualan Herbisida, Insektisida, dan Fungisida PT.
Danken Indonesia Tahun 2016-2017
Jenis Test Critical Values

t-statistic Probability
Pestisida 1% 5% 10%
Herbisida -3.752946 -2.998064 -2.638752* -2.967190 0.0532
Insektisida -3.752946* -2.998064 -2.638752 -4.032734 0.0053
*
Fungisida -3.752946 -2.998064 -2.638752 -3.237651 0.0306
Sumber : Lampiran 1 (a,b,c)
Hasil uji stasioneritas pada Tabel 7 menunjukkan bahwa pola data dari
penjualan herbisida, insektisida, dan fungisida sudah stasioner pada level. Masing-
masing pola data penjualan jenis pestisida memiliki nilai titik kritis yang berbeda-
beda pada taraf nyata terendah sebesar 10% hingga tertinggi sebesar 1%. Hasil uji
71
ADF menghasilkan bahwa nilai statistik penjualan herbisida lebih kecil dari nilai
kritis pada taraf 10% yaitu sebesar -2.967190. Penjualan Insektisida menunjukkan
bahwa hasil uji ADF lebih kecil dari nilai kritis pada taraf 1% yaitu -4.032734.
Begitu pun dengan penjualan fungisida yang memiliki nilai ADF statistik lebih
kecil dari nilai kritis pada taraf 5 % yaitu sebesar -3.237651. Secara keseluruhan,
hasil uji stasioneritas herbisida, insektisida, dan fungisida dapat dilihat pada
Lampiran 1 (a,b,c).
5.1.2 Hubungan Tiga Jenis Pestisida Terhadap Penjualan
Multivariate time series analysis dilakukan untuk mengetahui hubungan
antara herbisida (HRB), insektisida (INS), dan fungisida (FUNG) terhadap
penjualan di masa depan. Analisis data dilakukan dengan Impulse Response
Function (IRF) dan Forecast Error Variance Decomposition (FEVD). Sebelum
melakukan analisis IRF dan FEVD, dilakukan uji stabilitas, uji lag optimum, dan
uji kointegrasi. Namun, hasil dari masing-masing identifikasi pola data penjualan
sudah menunjukkan stasioner pada rentang titik kritis 1%-10%, maka uji
kointegrasi tidak perlu dilakukan dan dapat langsung dilanjutkan dengan model
VAR.
1. Uji Stabilitas VAR
Setelah dilakukan uji stasioneritas, maka pengujian selanjutnya ialah uji
stabilitas model VAR yang akan digunakan. Jika semua akar pada fungsi
polinominal tersebut berada di dalam unit circle atau jika nilai absolutnya <1 maka
model VAR dianggap stabil sehingga IRF dan FEVD yang dihasilkan dianggap
valid (Firdaus, 2011:138). Hasil dari uji stabilitas model dapat dilihat pada Tabel 8.
72
Tabel 8. Hasil Uji Stabilitas Model Herbisida, Insektisida, dan Fungisida PT.
Root Modulus
-0.910058 0.910058
0.486060 - 0.744971i 0.889515
0.486060 + 0.744971i 0.889515
0.638392 - 0.568232i 0.854653
0.638392 + 0.568232i 0.854653
0.790851 - 0.174551i 0.809885
0.790851 + 0.174551i 0.809885
-0.503319 - 0.568443i 0.759248
-0.503319 + 0.568443i 0.759248
-0.092160 - 0.752405i 0.758028
-0.092160 + 0.752405i 0.758028
-0.608288 0.608288
Hasil uji stabilitas model pada Tabel 8 dihasilkan dari penentuan panjang
lag dengan trial dan error hingga mendapatkan hasil VAR yang memiliki kondisi
stabil. Lag spesifikasi pada penjualan ketiga jenis pestisida memiliki kondisi stabil
hingga panjang lag ke empat. Hal ini dapat terlihat dari nilai akar karakteristik dan
modulus semuanya sudah kurang dari satu, artinya model VAR yang digunakan
memiliki stabilitas model hingga panjang lag ke empat.
2. Uji Lag Optimum
Berdasarkan uji kestabilan yang telah dilakukan, bahwa model VAR dalam
penelitian ini telah stabil hingga lag ke-4. Setelah dipastikan bahwa hasil estimasi
VAR berada dalam kondisi stabil, maka dapat dilakukan penetapan lag optimum.
Penentuan lag optimum dapat digunakan dengan beberapa pendekatan antara lain
Likelihood Ratio (LR), Final Prediction Error (FPE), Akaike Information Criterion
(AIC), dan Schwarz Criterion (SC), dan Hannan-Quinn Criterion (HQ). Hasil
penentuan lag optimum dapat dilihat pada Tabel 9.
73
Tabel 9. Hasil Uji Lag Optimum Herbisida, Insektisida, dan Fungisida PT. Danken
Indonesia Tahun 2016-2017
Lag LogL LR FPE AIC SC HQ
0 -579.3292 NA 3.92e+21 58.23292 58.38228 58.26207

1 -562.6019 26.76357* 1.84e+21* 57.46019* 58.05763* 57.57682*
2 -554.4336 10.61883 2.16e+21 57.54336 58.58888 57.74746
3 -550.9750 3.458560 4.60e+21 58.09750 59.59110 58.38907
4 -538.9888 8.390406 5.38e+21 57.79888 59.74055 58.17791
Lag optimum yang bertanda bintang (*) menunjukkan bahwa dari masing-
masing pendekatan memilih lag yang optimum. Kriteria LR memilih berdasarkan
nilai tertinggi, sedangkan kriteria FPE, AIC, SC, dan HQ memilih berdasarkan nilai
terendah. Hasil uji lag optimum pada Tabel 9 menunjukkan setiap kriteria
pendekatan memilih lag pertama sebagai lag yang paling optimum. Penentuan
panjang lag digunakan untuk mengetahui lamanya periode yang berpengaruh
terhadap variabel masa lalunya maupun terhadap variabel endogen lainnya. Artinya
penjualan herbisida, insektisida, dan fungisida di masa depan dipengaruhi oleh
penjualan pada periode satu bulan sebelumnya.
3. Model Vector Autoregression (VAR)
Setelah memastikan bahwa masing-masing variabel sudah stasioner pada
level, maka dapat langsung diterapkan model VAR. Interpretasi hasil dapat dilihat
dengan membaca koefisien integrasi dan pembacaan tanda terbalik dari tanda
koefisiennya. Koefisien integrasi dinyatakan signifikan jika nilai mutlak statistik
lebih besar dari nilai t tabel (α=5%) sebesar 1,96. Hasil dari model VAR dapat
dilihat pada Tabel 10.
74
Tabel 10. Hasil Model VAR Herbisida, Insektisida, dan Fungisida PT. Danken
Indonesia Tahun 2016-2017
FUNGICIDES HERBICIDES INSECTICIDES
FUNGICIDES(-1) 0.193627 -0.681784 1.617674

(0.19840) (3.08169) (0.80885)
[ 0.97593] [-0.22124] [ 1.99997]
HERBICIDES(-1) -0.023517 0.379502 -0.060438

(0.01391) (0.21605) (0.05671)
[-1.69070] [ 1.75655] [-1.06580]
INSECTICIDES(-1) 0.124242 0.420637 0.074133

(0.05318) (0.82595) (0.21679)
[ 2.33644] [ 0.50927] [ 0.34196]
Sumber : Lampiran 2
Berdasarkan Tabel 10, hasil dari model VAR terdapat pengaruh pada
penjualan fungisida saat ini yang dipengaruhi secara nyata oleh penjualan
insektisida pada lag 1 dan mempengaruhi penjualan fungisida saat ini dengan nilai
koefisien sebesar 0,12. Penjualan insektisida saat ini juga dipengaruhi secara nyata
oleh penjualan fungisida pada lag 1 dan mempengaruhi penjualan insektisida saat
ini dengan nilai koefisien sebesar 1,61. Secara keseluruhan terdapat hubungan yang
signifikan antara fungisida dan insektisida, sedangkan hubungan herbisida dengan
produk lainnya tidak signifikan. Hasil estimasi VAR dapat dilihat secara lengkap
dapat pada Lampiran 2.
5.1.2.1 Impulse Response Function (IRF)
Permodelan VAR yang sudah terbentuk ditujukkan untuk melihat hubungan
antar ketiga jenis pestisida dalam multivariate time series analysis melalui Impulse
Response Function (IRF). Analisis IRF dilakukan untuk menilai respon dinamik
antar variabel dan dapat mengukur pengaruh suatu shock yang kemungkinan akan
terjadi pada suatu waktu kepada inovasi variabel endogen pada saat tersebut dan
75
dimasa yang akan datang. Suatu shock pada variabel endogen secara langsung akan
mempengaruhi variabel itu sendiri dan menjalar kepada variabel-variabel lain
secara dinamis.
Impulse response yang diamati yaitu sepanjang dua puluh periode kedepan
atau dua puluh bulan setelah bulan Desember 2017, karena hasil menunjukkan
sudah mencapai titik keseimbangan pada kisaran nilai nol. Hasil dari grafik IRF
model VAR dengan lag 1 menunjukkan pergerakan mendekati titik keseimbangan
(convergence), ini berarti model VAR lag 1 baik untuk digunakan untuk peramalan
pada data penjualan herbisida, insektisida, dan fungisida.
1. Response of Herbisida
Hal pertama yang di analisa adalah respon herbisida ketika terjadi shock
(guncangan) pada fungisida, insektisida, maupun terhadap herbisida itu sendiri.
Respon herbisida terhadap guncangan dari fungisida dan insektisida bernilai positif,
sedangkan respon herbisida terhadap guncangan dari herbisida itu sendiri bernilai
positif sampai periode ke lima yang kemudian berubah menjadi negatif. Hasil
respon herbisida terhadap guncangan pada tiga jenis pestisida untuk periode dua
puluh bulan kedepan dapat dilihat secara rinci pada Tabel 11.
76
Tabel 11. Respon Herbisida Terhadap Guncangan dari Fungisida, Herbisida, dan
Insektisida
Response of HERBISIDA
Period FUNGISIDA HERBISIDA INSEKTISIDA
1 1107.54 14345.53 0.00
2 -56.75 6136.58 1421.3
3 456.44 2106.05 358.54
4 204.78 708.65 339.55
5 171.49 139.45 136.07
6 90.89 -20.36 85.79
7 55.84 -57.89 39.34
8 29.64 -49.89 21.34
9 16.32 -35.08 10.1
10 8.45 -21.96 5.08
11 4.4 -12.98 2.39
12 2.21 -7.33 1.14
13 1.1 -4.01 0.52
14 0.54 -2.14 0.24
15 0.26 -1.12 0.11
16 0.12 -0.57 0.05
17 0.06 -0.29 0.02
18 0.03 -0.14 0.01
19 0.01 -0.07 0.003
20 0.005 -0.03 0.0008
Respon pertama yang dianalisis yaitu variabel herbisida terhadap
guncangan dari variabel fungisida. Dapat dilihat bahwa respon yang diberikan
herbisida jika terjadi guncangan pada fungisida sebesar satu standar deviasi bernilai
positif dan hanya pada periode dua bernilai negatif. Herbisida merespon positif
pada periode pertama, artinya jika terjadi guncangan pada fungisida maka akan
meningkatkan penjualan herbisida sebanyak 1.107,54 liter. Hanya pada periode
kedua respon yang diberikan herbisida bernilai negatif yang menunjukkan bahwa
penjualan herbisida akan menurun sebanyak 56,75 liter. Selanjutnya respon
kembali positif yang menunjukkan peningkatan penjualan pada herbisida walaupun
77
respon terus menurun hingga periode ke tigabelas. Respon mencapai titik
keseimbangan mulai periode empat belas hingga dua puluh yang ditunjukkan oleh
nilai nol. Secara keseluruhan, apabila terjadi suatu guncangan pada fungisida, maka
penjualan herbisida akan merespon baik (meningkat) dan tidak merugikan
penjualan dari herbisida.
Respon kedua yang dianalisis yaitu respon herbisida terhadap guncangan
dari herbisida itu sendiri. Pada periode pertama hingga periode kelima respon yang
diberikan bernilai positif, tetapi pergerakan respon terus menurun. Penjualan
herbisida akan meningkat sebanyak 14.345 liter di periode pertama yang kemudian
hanya meningkatkan penjualan sebanyak 139,45 liter pada periode ke lima.
Selanjutnya dari periode keenam, respon yang diberikan mengalami penurunan
mencapai nilai negatif sampai periode ke duapuluh dengan titik respon terendah
sebesar -58 liter pada periode ke tujuh. Hal ini menunjukkan, apabila terjadi suatu
guncangan pada herbisida, maka penjualan herbisida itu sendiri akan merespon
secara fluktuatif. Penjualan herbisida dapat menurun secara drastis pada periode
ketujuh dan respon penjualannya ikut menurun dari periode enam hingga periode
ke duapuluh.
Respon ketiga yang dianalisis yaitu respon herbisida terhadap guncangan
dari insektisida. Adanya guncangan insektisida sebesar satu standar deviasi pada
bulan pertama ternyata belum direspon oleh herbisida. Mulai bulan kedua,
guncangan pada insektisida direspon positif, artinya penjulalan herbisida akan
meningkat sebanyak 1.421,3 liter. Namun, sejak bulan ketiga, respon positif
herbisida semakin berkurang hingga di tahun pertama (12 bulan) sebesar 1,14 liter.
Pada akhirnya, respon herbisida terhadap guncangan insektisida ini mulai mencapai
78
keseimbangan dari bulan ke tigabelas hingga bulan ke duapuluh pada nilai nol. Hal
ini menunjukkan, apabila terjadi suatu guncangan pada insektisida, maka penjualan
herbisida akan merespon baik (meningkat) dan tidak merugikan penjualan dari
herbisida.
Respon dinamik yang dihasilkan herbisida terhadap guncangan dari

Response to Cholesky One S.D. Innovations ± 2 S.E.
Response of FUNGISIDA to FUNGISIDA Response of FUNGISIDA to HERBISIDA
fungisida, herbisida, dan insektisida dapat dilihat melaluiResponse
grafikof pada
FUNGISIDA to INSEKTISIDA
Gambar 9.
1,500 1,500 1,500
1,000 1,000 1,000

Respon ditujukkan pada gambar masing-masing dengan garis berwarna biru,
500 500 500
sedangkan
0 garis berwarna merah
0 menandakan standar error
0 dari hasil respon yang
-500 -500 -500

diberikan.
-1,000 -1,000 -1,000
2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20
Response of HERBISIDA to FUNGISIDA Response of HERBISIDA to HERBISIDA Response of HERBISIDA to INSEKTISIDA

20,000 20,000 20,000
15,000 15,000 15,000
10,000 10,000 10,000
5,000 5,000 5,000
0 0 0
-5,000 -5,000 -5,000
-10,000 -10,000 -10,000

2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20
(a) to FUNGISIDA
Response of INSEKTISIDA (b) to HERBISIDA
Response of INSEKTISIDA (c) to INSEKTISIDA
Response of INSEKTISIDA
Gambar
6,000 9. Respons of Herbisida
6,000 6,000
4,000 4,000 4,000
2.2,000 Response of Insektisida 2,000 2,000
0 0 0
Hal kedua yang dianalisa adalah respon insektisida ketika terjadi shock
-2,000 -2,000 -2,000
-4,000 -4,000 -4,000

(guncangan)
2 4 6 8 pada
10 12 14fungisida,
16 18 20 herbisida,
2 4 6 8 maupun
10 12 14 16 terhadap
18 20 insektisida
2 4 6 8 10 itu
12 14sendiri.
16 18 20
Respon insektisida terhadap guncangan dari fungisida dan insektisida bernilai
positif, sedangkan respon insektisida terhadap guncangan dari herbisida bernilai
negatif. Hasil respon insektisida terhadap guncangan pada tiga jenis pestisida untuk
periode dua puluh bulan kedepan dapat dilihat secara rinci pada Tabel 12.
79
Tabel 12. Respon Insektisida Terhadap Guncangan dari Fungisida, Herbisida, dan
Insektisida
Response of INSEKTISIDA
1 367.27 1646.14 3378.92
2 1458.79 -744.98 250.49
3 433.41 -641 611.77
4 362.21 -599.59 151.45
5 153.47 -378.48 124.76
6 92.93 -240.34 44.5
7 43.52 -137.43 26.43
8 23.23 -77.62 10.75
9 11.08 -41.89 5.48
10 5.53 -22.27 2.3
11 2.61 -11.53 1.07
12 1.24 -5.88 0.44
13 0.57 -2.94 0.18
14 0.26 -1.45 0.07
15 0.11 -0.70 0.02
16 0.05 -0.33 0.01
17 0.02 -0.16 0.00
18 0.01 -0.07 -0.001
19 0.00 -0.03 -0.01
20 0.00 -0.01 -0.001
Respon pertama yang dianalisis yaitu insektisida terhadap guncangan dari
variabel fungisida. Dapat dilihat bahwa respon yang diberikan variabel insektisida
jika terjadinya guncangan pada fungisida berdampak positif. Guncangan fungisida
sebesar satu standar deviasi pada bulan pertama akan menyebabkan peningkatan
penjualan pada insektisida sebanyak 367 liter. Respon paling besar terjadi pada
bulan ke dua sebesar 1.458,8 liter dan pada bulan ke tiga sebesar 433 liter meski
respon postif ini mengalami penurunan cukup tajam. Mulai bulan ke empat hingga
bulan ke dua belas respon positif insektisida semakin berkurang mencapai 1,24 liter.
Pada akhirnya, respon insektisida terhadap guncangan fungisida ini mulai mencapai
80
keseimbangan dari bulan ke tigabelas hingga bulan ke duapuluh pada kisaran nilai
nol. Hal ini menunjukkan, apabila terjadi suatu guncangan pada fungisida, maka
penjualan insektisida akan merespon baik (meningkat) dan tidak merugikan
penjualan dari insektisida.
Respon kedua yang dianalisis yaitu respon insektisida terhadap guncangan
dari herbisida. Guncangan herbisida sebesar satu standar deviasi pada bulan
pertama akan menyebabkan peningkatan pada insektisida sebesar 1.646 liter.
Namun, sejak bulan ke dua hingga proyeksi dua puluh bulan kedepan di respon
negatif, artinya terjadinya penurunan pada penjualan insektisida. Penjualan
insektisida dapat menurun secara drastis pada periode ke dua sebanyak 745 liter
dan penurunan penjualan insektisida bergerak menuju hasil yang lebih kecil.
Dimana respon insektisida pada guncangan herbisida ini mulai mencapai
keseimbangan dari bulan ke lima belas hingga bulan ke dua puluh pada kisaran nilai
nol.
Respon ketiga yang dianalisis yaitu respon insektisida terhadap guncangan
dari variabel insektisida itu sendiri. Guncangan insektisida sebesar satu standar
deviasi direspon positif, artinya akan terjadi peningkatan penjualan pada
insektisida. Pada bulan pertama adanya peningkatan penjualan insektisida sebesar
3.379 liter, namun pada periode ke dua respon insektisida menurun secara drastis
walaupun masih merespon postitif, yaitu mencapai 250,5 liter. Respon meningkat
kembali pada periode ke tiga sebesar 611,8 liter. Respon peningkatan panjualan
insektisida bergerak menuju hasil yang lebih kecil, dimana guncangan insektisida
ini mulai mencapai keseimbangan dari bulan ke dua belas hingga bulan ke dua
puluh pada kisaran nilai nol. Namun, respon insektisida menunjukkan hasil negatif
81
Response of FUNGISIDA to FUNGISIDA Response of FUNGISIDA to HERBISIDA Response of FUNGISIDA to INSEKTISIDA
1,500 1,500 1,500
dari periode ke delapan belas sampai ke dua puluh. Hal ini menunjukkan apabila
1,000 1,000 1,000
terjadi
500 suatu guncangan pada
500 insektisida, maka penjualan
500 insektisida dapat
0 0 0
meningkat
-500 tetapi terus menurun
-500 hingga bisa menyebabkan-500
penurunan penjualan.
-1,000 -1,000 -1,000
2 Respon dinamik
4 6 8 10 12 14 16 18 20yang dihasilkan
2 4 6 8 10 insektisida
12 14 16 18 20 terhadap
2 4 6guncangan
8 10 12 14 16 dari
18 20
Response of HERBISIDA to FUNGISIDA Response of HERBISIDA to HERBISIDA Response of HERBISIDA to INSEKTISIDA

fungisida,
20,000 herbisida, dan insektisida
20,000 dapat dilihat melalui20,000grafik pada Gambar 10.
15,000 15,000 15,000
Respon
10,000
ditujukkan pada gambar
10,000
masing-masing dengan
10,000
garis berwarna biru,
5,000 5,000 5,000
sedangkan
0
garis berwarna merah
0
menandakan standar error0 dari hasil respon yang
-5,000 -5,000 -5,000
diberikan.
-10,000 -10,000 -10,000
2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20
Response of INSEKTISIDA to FUNGISIDA Response of INSEKTISIDA to HERBISIDA Response of INSEKTISIDA to INSEKTISIDA

6,000 6,000 6,000
4,000 4,000 4,000
2,000 2,000 2,000
0 0 0
-2,000 -2,000 -2,000
-4,000 -4,000 -4,000

2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20
(a) (b) (c)

Gambar 10. Respons of Insektisida
3. Response of Fungisida
Hal ketiga yang dianalisa adalah respon fungisida ketika terjadi shock
(guncangan) pada herbisida, insektisida, maupun terhadap fungisida itu sendiri.
Respon fungisida terhadap guncangan dari fungisida dan insektisida bernilai positif,
sedangkan respon fungisida terhadap guncangan dari herbisida bernilai negatif.
Hasil respon fungisida terhadap guncangan pada tiga jenis pestisida untuk periode
20 bulan kedepan dapat dilihat secara rinci pada Tabel 13.
82
Tabel 13. Respon Fungisida Terhadap Guncangan dari Fungisida, Herbisida, dan
Insektisida
Response of FUNGISIDA
1 926.33 0.00 0.00
2 198.95 -132.84 419.8
3 221.1 -262.59 78.98
4 85.92 -180.01 82.87
5 56.82 -126.01 26.88
6 26.04 -74.7 17.5
7 14.45 -43.85 6.9
8 6.89 -24.2 3.69
9 3.52 -13.16 1.55
10 1.67 -6.93 0.74
11 0.81 -3.59 0.31
12 0.38 -1.82 0.14
13 0.18 -0.91 0.05
14 0.08 -0.45 0.02
15 0.03 -0.22 0.00
16 0.01 -0.1 0.00
17 0.00 -0.05 0.00
18 0.00 -0.02 0.00
19 0.00 -0.01 0.00
20 0.00 -0.00 0.00
Respon pertama yang dianalisis yaitu fungisida terhadap guncangan dari
variabel fungisida itu sendiri. Guncangan fungisida sebesar satu standar deviasi
direspon positif, artinya akan terjadi peningkatan penjualan pada fungisida. Pada
bulan pertama penjualan fungisida akan meningkat sebesar 926 liter, bulan ke dua
199 liter, dan bulan ke tiga 221 liter. Mulai bulan ke empat hingga bulan ke sepuluh
respon positif fungisida semakin berkurang mencapai 1,7 liter. Pada akhirnya,
respon fungisida terhadap guncangan fungisida sendiri mulai mencapai
keseimbangan dari bulan ke sebelas hingga bulan ke dua puluh pada kisaran nol
persen. Hal ini menunjukkan, apabila terjadi suatu guncangan pada fungisida, maka
83
penjualan fungisida dapat meningkat tetapi respon terus menurun hingga bisa
menyebabkan penurunan penjualan.
Respon kedua yang dianalisis yaitu respon fungisida terhadap guncangan
dari herbisida. Adanya guncangan herbisida sebesar satu standar deviasi berdampak
negatif, artinya penjualan fungisida dapat menurun. Pada bulan pertama guncangan
belum direspon oleh fungisida, dan penurunan penjualan fungisida terbanyak
terjadi pada periode ke tiga mencapai -263 liter. Pada akhirnya, respon mulai
mencapai keseimbangan dari bulan ke tiga belas hingga bulan ke dua puluh pada
kisaran nilai nol. Hal ini menunjukkan, apabila terjadi suatu guncangan pada
herbisida, maka penjualan fungisida akan menurun walaupun bergerak menuju
positif.
Respon ketiga yang dianalisis yaitu respon fungisida terhadap guncangan
dari variabel insektisida. Sama halnya guncangan dari variabel herbisida, bahwa
pada bulan pertama guncangan sebesar satu standar deviasi pada insektisida belum
direspon oleh fungisida. Namun respon menunjukkan akan meningkatkan
penjualan fungisida mulai periode kedua hingga ke sembilan. Respon berfluktuasi
dari periode dua sampai lima dengan respon tertinggi sebesar 420 liter pada periode
ke dua. Namun, respon positif fungisida terhadap guncangan insektisida semakin
berkurang dari periode enam sampai pada periode dua puluh. Hal ini menunjukkan,
apabila terjadi suatu guncangan pada insektisida maka akan meningkatkan
penjualan fungisida.
Respon dinamik yang dihasilkan fungisida terhadap guncangan dari
fungisida, herbisida, dan insektisida dapat dilihat melalui grafik pada Gambar 11.
Respon ditujukkan pada gambar masing-masing dengan garis berwarna biru,
84
sedangkan garis berwarna merah menandakan standar error dari hasil respon yang
diberikan.
Response of FUNGISIDA to FUNGISIDA Response of FUNGISIDA to HERBISIDA Response of FUNGISIDA to INSEKTISIDA
1,500 1,500 1,500
1,000 1,000 1,000
500 500 500
0 0 0
-500 -500 -500
-1,000 -1,000 -1,000

2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20
(a) to FUNGISIDA
Response of HERBISIDA (b) to HERBISIDA
Response of HERBISIDA (c) to INSEKTISIDA
Response of HERBISIDA
Gambar 11. Respons of Fungisida
20,000 20,000 20,000
15,000 15,000 15,000
10,000 Hasil analisis dari IRF menunjukkan apabila10,000

10,000 terjadi guncangan pada
5,000 5,000 5,000
herbisida
0 maka akan membuat0 penurunan penjualan untuk
0 ketiga jenis pestisida
-5,000 -5,000 -5,000
lainnya.
-10,000 Hal ini sesuai dengan
2 4 6 8 10 12 14 16 18 20
“icon”
-10,000 dari PT. Danken Indonesia
2 4 6 8 10 12 14 16 18 20
-10,000 yang mengenalkan
2 4 6 8 10 12 14 16 18 20
danResponse
menjualof INSEKTISIDA to FUNGISIDA
herbisida sebagai awalResponse of INSEKTISIDA to HERBISIDA
mula terbentuknya perusahaan. Response of INSEKTISIDA to INSEKTISIDA
Hingga saat ini
6,000 6,000 6,000
herbisida
4,000
masih menjadi 4,000
produk unggulan diantara4,000 insektisida, fungisida,
2,000 2,000 2,000
moluskisida,
0 dan bahan aktif0 yang diprediksi akan terus
0 berpengaruh bagi
-2,000 -2,000 -2,000
keberlangsungan majunya perusahaan. Secara keseluruhan, respon yang dihasilkan
-4,000 -4,000 -4,000
2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20
pada guncangan dari tiap jenis pestisida dapat dilihat pada Tabel 14.
Tabel 14. Respon pada Guncangan Untuk Tiga Jenis Pestisida

Respon
Guncangan
Herbisida Insektisida Fungisida
Herbisida Positif dan Negatif Negatif Negatif
Insektisida Positif Positif Positif
Fungisida Positif Positif Negatif
Ket :
Positif = peningkatan penjualan
Negatif = penurunan penjualan
Guncangan (shock) yang dapat terjadi bisa berdampak positif bagi pestisida
kimiawi, seperti adanya ledakan serangan hama dan penyakit di lahan pertanian.
Sedangkan dampak negatifnya ialah usaha untuk pengurangan jumlah pestisida
85
kimiawi. Usaha-usaha yang sudah dilakukan maupun dikembangkan untuk
memperkecil penggunaan pestisida kimia seperti :
1. Dikembangkan dan diterapkannya usaha untuk melembagakan dan menerapkan
PHT seperti rekomendasi Pengendalian Hama Terpadu (PHT) terhadap hama
tanaman padi sawah di desa Makalonsow, Kecamatan Tondano Timur,
Kabupaten Minahasa (Manueke,dkk : 2017). Pengabdian pada masyarakat di
Desa Pangolombian dan Desa Rurukan, Provinsi Sulawesi Utara dengan
penerapan dan transfer teknologi pemanfaatan microbe untuk mengendalikan
hama tanaman sayuran (Salaki dan Dumalang, 2017).
2. Dikembangkannya teknologi mikroorganisme efektif (biopestisida) dengan
memanfaatkan musuh-musuh alaminya seperti menggunakan predator itik pada
hama keong emas dan penggunaan pathogen yaitu Metharizium anizopliae dan
Beauveria bassiana (Manueke,dkk : 2017).
3. Pemanfaatan pestisida yang berasal dari tanaman (pestisida nabati) seperti
ekstrak buah tanaman lanta, bitung, saga dan akar deris dapat dapat membunuh
hama Keong Mas (Manueke dan Tarore, 2007 dalam Manueke,dkk, 2017),
ekstrak daun sukun mampu membunuh hama lalat buah (Sadewo,dkk : 2015),
serta daun mimba, daun sirsak dan daun pepaya dapat membunuh ulat grayak
pada tanaman sawi (Deden, 2017).
5.1.2.2 Forecast Error Variance Decomposition (FEVD)
Analisis Forecast Error Variance Decomposition (FEVD) dilakukan untuk
melihat bagaimana perubahan dalam suatu variabel yang ditunjukkan oleh
perubahan error variance dipengaruhi oleh variabel-variabel lainnya. Metode ini
dapat melihat kekuatan dan kelemahan masing-masing variabel dalam
86
mempengaruhi variabel lainnya untuk kurun waktu yang panjang. FEVD juga dapat
mengetahui secara pasti faktor-faktor mana yang memberikan kontribusi paling
signifikan terhadap perubahan dari variabel tertentu.
1. Forecast Error Variance Decomposition (FEVD) Herbisida
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
INSECTICIDES 00 01 01 01 01 01 01 01 01 01 01 01 01 01 01 01 01 01 01 01
HERBICIDES 99 99 99 99 98 98 98 98 98 98 98 98 98 98 98 98 98 98 98 98
FUNGICIDES 01 00 01 01 01 01 01 01 01 01 01 01 01 01 01 01 01 01 01 01
Bulan
Gambar 12. Diagram FEVD Herbisida
Jika dilihat dari Gambar 12 di atas, penjualan produk herbisida untuk
periode dua puluh bulan ke depan pengaruhnya lebih di dominasi oleh insektisida.
Pada periode pertama, insektisida tidak berpengaruh terhadap penjualan herbisida,
sedangkan untuk fungisida mempengaruhi sebesar 1% saja. Pada periode ke dua,
tidak adanya pengaruh fungisida, sedangkan pengaruh insektisida menguat menjadi
1%. Secara keseluruhan fluktuasi penjualan herbisida sepanjang periode kedepan
hanya sedikit dipengaruhi oleh fungisida dan insektisida, sedangkan pengaruh
dirinya sendiri sebesar 98% sepanjang periode kedepannya. Hal ini menunjukkan,
bahwa insektisida dan fungisida tidak kuat pengaruhnya terhadap penjualan
herbisida.
87
2. Forecast Error Variance Decomposition (FEVD) Insektisida
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
INSECTICIDES 80 67 66 64 64 63 63 63 63 63 63 63 63 63 63 63 63 63 63 63
HERBICIDES 19 19 20 22 22 23 23 23 23 23 23 23 23 23 23 23 23 23 23 23
FUNGICIDES 01 13 14 14 14 14 14 14 14 14 14 14 14 14 14 14 14 14 14 14
Bulan
Gambar 13. Diagram FEVD Insektisida
Jika dilihat dari Gambar 13 di atas, penjualan produk insektisida untuk
periode dua puluh bulan pengaruhnya lebih di dominasi oleh herbisida. Pada
periode pertama penjualan insektisida dipengaruhi fungisida sebesar 1% dan
herbisida sebesar 19%. Pengaruh fungisida meningkat sejak periode ke dua dan
terus bergerak stabil pada bulan ke empat sebesar 14%. Pengaruh herbisida terus
meningkat dan mulai stabil dengan kontribusi sebesar 23% pada periode ke enam.
Pengaruh dari insektisida itu sendiri terus menurun dan mulai stabil dengan
kontribusi sebesar 63% dari periode ke enam. Hal ini menunjukkan, bahwa
herbisida lebih kuat pengaruhnya terhadap penjualan insektisida jika dibandingkan
dengan fungisida.
88
3. Forecast Error Variance Decomposition (FEVD) Fungisida
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
INSECTICIDES 00 16 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15 15
HERBICIDES 00 02 07 09 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11
FUNGICIDES 100 82 78 76 75 74 74 74 74 74 74 74 74 74 74 74 74 74 74 74
Bulan
Gambar 14. Diagram FEVD Fungisida
Jika dilihat dari Gambar 14 di atas, penjualan produk fungisida untuk
periode dua puluh bulan pengaruhnya lebih di dominasi oleh fungisida itu sendiri.
Pada periode pertama penjualan fungisida dipengaruhi oleh fungisida itu sendiri
hingga mencapai nilai 100 %. Pada periode ke dua, pengaruh herbisida dan
insektisida mulai memengaruhi variabilitas fungisida masing-masing sebesar 2%
dan 16%. Pada periode berikutnya, pengaruh fungisida mulai melemah dan terus
mengalami penurunan sampai periode ke enam kemudian stabil hingga periode ke
dua puluh dengan nilai 74 %. Pengaruh dari herbisida terus mengalami peningkatan
mencapai nilai 11 %, sedangkan peranan insektisida mengalami penurunan menjadi
15 % dari periode ke enam hingga dua puluh. Hal ini menunjukkan, bahwa
insektisida lebih kuat pengaruhnya terhadap penjualan fungisida jika dibandingkan
dengan herbisida.
89
5.1.3 Ramalan Volume Penjualan Jenis Pestisida
Peramalan penjualan tiap jenis pestisida dilakukan untuk mengetahui
banyaknya volume produk yang terjual untuk Januari-Maret 2018 dengan
univariate time series analysis.
5.1.3.1 Metode Peramalan Pencapaian Volume Penjualan Herbisida,

Insektisida, dan Fungisida
Hasil identifikasi pola data penjualan herbisida, insektisida, dan fungisida
telah memberikan informasi bahwa pola data ketiga produk tersebut adalah acak
dan stasioner. Berdasarkan hal tersebut, maka metode peramalan time series yang
sesuai untuk ketiga variabel adalah naif, moving average, single exponential
smoothing, dan double exponential smoothing. Pemilihan metode tersebut
didasarkan pada pola data yang stasioner jika dilihat dari plot time series maupun
uji akar unit yang telah di lakukan sebelumnya.
Penentuan metode peramalan terbaik dengan melihat nilai kesalahan (error)
terkecil yaitu dengan perhitungan dari MAE, MSE, dan MAPE. Metode peramalan
time series yang terbaik nantinya akan dilihat nilai forecast (ramalan) untuk bulan
Januari, Februari, dan Maret tahun 2018. Berikut merupakan metode peramalan
pencapaian volume penjualan yang digunakan dalam penelitian ini.
1. Metode Naif
Metode naif merupakan metode paling sederhana karena perhitungannya
hanya melihat dari data satu periode sebelumnya yang dijadikan acuan untuk
peramalan satu periode setelahnya. Metode naif cocok digunakan untuk pola data
yang bersifat stasioner disepanjang masa peramalan. Hasil perhitungan metode naif
dari ketiga variabel dapat dilihat pada Tabel 15.
90
Tabel 15. Hasil Perhitungan Metode Naif Herbisida, Insektisida, dan Fungisida PT.
Jenis Pestisida
Error Measure
MAE 11.777,86 4.057,75 798,26
MSE 246.125.142,74 26.893.286,7 1.436.930,44
MAPE 149,65 135 48
Sumber: Lampiran 3 (a,b,c).
Berdasarkan hasil perhitungan metode naif, diketahui peramalan penjualan
untuk herbisida periode selanjutnya yaitu sebanyak 19.347,5 liter, untuk insektisida
sebanyak 3.480 liter, sedangkan untuk fungisida tidak ada penjualan. Hal tersebut
merupakan hasil ramalan penjualan untuk satu periode setelahnya yang
diperkirakan hanya untuk Januari 2018. Hasil perhitungan metode naif dapat dilihat
pada Lampiran 3 (a,b,c).
2. Metode Moving Average (MA)
Metode rata-rata bergerak (moving average) menetapkan bahwa banyaknya
data yang diikutsertakan pada ramalan disebut ordo. Perhitungan dengan moving
average ini dilakukan dengan trial dan error dari penentuan ordo yang bertujuan
untuk mencari nilai kesalahan terkecil. Percobaan panjangnya ordo dilakukan
sampai panjang ke lima untuk semua variabel. Hasil ramalan dari moving average
memiliki nilai yang sama di sepanjang waktu pengamatan, sehingga metode ini
perlu dilakukan tiga kali proses olah data.
Berdasarkan perbandingan error terkecil, ketiga variabel menunjukkan
perhitungan peramalan yang memiliki nilai error terkecil ialah pada ordo 3. Hasil
perhitungan rata-rata bergerak dari ketiga variabel dapat dilihat pada Tabel 16, dan
secara rinci dapat dilihat pada Lampiran 4 (a,b,c).
91
Tabel 16. Perbandingan Hasil Perhitungan Moving Average pada Herbisida,
Insektisida, dan Fungisida PT. Danken Indonesia Tahun 2016-2017
Error Measure
No. Length Moving Average
MAE MSE MAPE
Herbisida
1 MA (Ordo 1) 11.778 246.125.143 156
2 MA (Ordo 2) 13.868 275.096.026 171
3 MA (Ordo 3) 9.245 122.264.901 114
4 MA (Ordo 4) 9.406 117.603.709 139
5 MA (Ordo 5) 9.596 124.127.502 154
Insektisida
1 MA (Ordo 1) 4.058 26.893.287 135
2 MA (Ordo 2) 2.626 11.295.488 84
3 MA (Ordo 3) 2.250 8.292.617 69
4 MA (Ordo 4) 2.502 10.362.761 78
5 MA (Ordo 5) 2.692 11.943.017 85
Fungisida
1 MA (Ordo 1) 789 1.436.930 74
2 MA (Ordo 2) 537 632.370 51
3 MA (Ordo 3) 449 463.134 44
4 MA (Ordo 4) 526 657.299 50
5 MA (Ordo 5) 597 742.975 59
Sumber: Lampiran 4 (a,b,c).
3. Metode Single Exponential Smoothing
Hasil peramalan dengan metode single exponential smoothing tergantung
pada besarnya α. Bila α semakin mendekati 0, berarti ramalan akan semakin
mendekati nilai observasi sebelumnya. Perhitungan metode ini dengan
menggunakan software Minitab versi 16, dimana nilai α ditentukan secara otomatis
berdasarkan konstanta yang optimal. Tabel 17 menyajikan hasil perhitungan error
dari peramalan herbisida, insektisida, dan fungisida dengan metode single
exponential smoothing. Hasil perhitungan metode Single Exponential Smoothing
secara lengkap dapat dilihat pada Lampiran 5 (a,b,c).
92
Tabel 17. Hasil Perhitungan Metode Single Exponential Smoothing Herbisida,
Jenis Pestisida
Error Measure Herbisida Insektisida Fungisida
(α = 0,5) (α = 0,1) (α = 0,3)
MAE 13.291 2.901 667
MSE 223.523.577 15.953.654 990.547
MAPE 187 87 57
Sumber: Lampiran 5 (a,b,c)
4. Metode Double Exponential Smoothing
Metode ini menggunakan dua koefisien pemulusan yaitu α dan β. Koefisien
pemulusan α menunjukkan nilai koefisien terhadap pemulusan model double
exponential smoothing, sedangkan koefisien pemulusan β menunjukkan nilai
koefisien terhadap trend. Perhitungan metode ini dengan menggunakan software
Minitab versi 16, dimana nilai pemulusan α dan β ditentukan secara otomatis
dari peramlaan herbisida, insektisida, dan fungisida dengan metode double
exponential smoothing. Hasil perhitungan metode Double Exponential Smoothing
secara lengkap dapat dilihat pada Lampiran 6 (a,b,c).
Tabel 18. Hasil Perhitungan Metode Double Exponential Smoothing Herbisida,

Jenis Pestisida
Error Measure Herbisida Insektisida Fungisida
(α = 0,8 ; β = 0,05) (α = 0,5 ; β = 0,1) (α = 0,6 ; β = 0,1)
MAE 12.904 3.503 715
MSE 266.170.017 19.300.532 1.136.014
MAPE 167 120 66
5.1.3.2 Pemilihan Metode Peramalan Terbaik
Dalam perhitungan peramalan penjualan dari keempat metode peramalan
telah didapatkan nilai MAE, MSE, dan MAPE dari masing-masing metode.
93
Pemilihan metode peramalan terbaik dilihat dari nilai MAE (Mean Absolute Error)
terkecil karena nilai residual besarnya tidak merata sepanjang pengamatan (Firdaus,
2011:10). Untuk metode moving average, ketiga variabel memilih perhitungan
menggunakan rata-rata bergerak 3 periode, yang berarti 3 periode pertama dijadikan
sebagai perhitungan dasar untuk melakukan peramalan periode berikutnya.
Sedangkan untuk metode exponential smoothing, konstanta yang dipilih
berdasarkan nilai optimal yang otomatis tertera dengan bantuan software Minitab
versi 16. Perbandingan keempat metode tersebut menghasilkan nilai keakuratan
yang terkecil dan dapat dilihat pada Tabel 19 berikut.
Tabel 19. Perbandingan Indikator Nilai Kesalahan dari Empat Metode Permalan
Metode Peramalan
Single Double
Keterangan Moving
Naif Exponential Exponential
Average
Smoothing Smoothing
Herbisida (Length=3) (α = 0,5) (α = 0,8 ; β=0,05)
MAE 11.777,86 9.245 13.291 12.904
MSE 246.125.142,74 122.264.901 223.523.577 266.170.017
MAPE 149,65 114 187 167
Insektisida (Length=3) (α = 0,1) (α = 0,5 ; β = 0,1)
MAE 4.057,75 2.250 2.901 3.503
MSE 26.893.286,7 8.292.617 15.953.654 19.300.532
MAPE 135 69 87 120
Fungisida (Length=3) (α = 0,3) (α = 0,6 ; β = 0,1)
MAE 798,26 449 667 715
MSE 1.436.930,44 463.134 990.547 1.136.014
MAPE 48 44 57 66
Dilihat dari perbandingan indikator nilai kesalahan ramalan pada Tabel 15,
maka peramalan dengan metode moving average pada ordo 3 memiliki nilai MAE
(Mean Absolute Error) terkecil untuk ketiga variabel. Adapun berdasarkan
peramalan dengan metode moving average, maka estimasi penjualan untuk periode
Januari sampai Maret 2018 disajikan pada Tabel 20.
94
Tabel 20. Ramalan Penjualan Herbisida, Insektisida, dan Fungisida PT. Danken
Indonesia Bulan Januari- Maret 2018 dengan Metode MA Ordo 3
Ramalan Penjualan (Liter)

Bulan
Januari 25.354,2 7.350 983,3
Februari 26.340,6 5.290 1.061,1
Maret 23.710,8 5.373,3 681,5
Total 75.405,6 18.013,3 2.725,9
Dari hasil ramalan diprediksi bahwa penjualan herbisida pada tiga bulan
pertama di 2018 berjumlah 75.405,6 liter, jumlah tersebut meningkat sebanyak
43.593 liter dari tiga bulan pertama di tahun 2017. Penjualan insektisida pada tiga
bulan pertama di 2018 berjumlah 18.013,3 liter, jumlah tersebut meningkat
sebanyak 6.493,3 liter dari dari tiga bulan pertama di tahun 2017. Sedangkan
penjualan fungisida pada tiga bulan pertama di 2018 berjumlah 2.725,9 liter, jumlah
tersebut menurun sebanyak 425,9 liter dari tiga bulan pertama di tahun 2017.
5.2 Ramalan Volume Penjualan Tiga Merk Unggulan
Peramalan volume penjualan untuk tiga merk unggulan dilakukan dengan
univariate time series model. Dari masing-masing jenis pestisida tentunya memiliki
produk unggulan dengan merk dagang dan kegunaan yang lebih spesifik. Herbisida
memiliki tujuh produk terjual, terdapat satu produk yang memiliki penjualan
tertinggi dengan merk dagang yaitu DKMetrin. Produk DKMetrin biasanya
digunakan pada tanaman tebu, jagung, dan ubi kayu untuk mengatasi gulma
berdaun lebar, gulma berdaun sempit, rumput teki, dan alang-alang. Insektisida
memiliki lima produk terjual, dan terdapat satu produk yang memiliki penjualan
tertinggi dengan merk dagang yaitu DKMektin. Produk DKMektin banyak dipakai
untuk tanaman kelapa sawit, kentang, buah-buahan, dan sayuran. Sedangkan
fungisida memiliki tiga produk terjual, dan terdapat satu produk yang memiliki
95
penjualan tertinggi dengan merk dagang yaitu DKZolExtra. Produk DKZolExtra
banyak digunakan untuk mengendalikan penyakit pada tanaman padi.
5.2.1 Identifikasi Pola Data Penjualan DKMetrin, DKMektin, dan

DKZolExtra
Masing-masing dari jenis produk herbisida, insektisida, dan fungisida
memiliki merk unggulan dengan penjualan yang tinggi dalam kurun waktu dua
tahun terakhir. Ketiga produk tersebut ialah DKMetrin untuk jenis herbisida,
DKMektin untuk jenis insektisida, dan DKZolExtra untuk jenis Fungisida. Data
yang digunakan adalah data penjualan dari tahun 2016-2017 seperti yang tertera
pada Tabel 21.
Tabel 21. Penjualan DKMetrin, DKMektin, dan DKZolExtra PT. Danken Indonesia
Tahun 2016-2017 (liter)

Periode
DKMetrin DKMektin DKZolExtra
(bulan)
2016 2017 2016 2017 2016 2017
Januari 13550 11000 5640 3200 1000 1000
Februari 16050 4300 2700 5610 1000 0
Maret 2150 5950 639.9 600 1000 1300
April 12450 5380 1700 2800 1250 0
Mei 19420 2950 4330 350 350 650
Juni 3530 0 450 5270 550 0
Juli 4450 7420 6864 0 0 0
Agustus 0 6830 950 4450 0 0
September 17550 8600 5640 0 0 0
Oktober 7900 6320 1800 4940 0 200
November 19540 22600 3620 0 0 400
Desember 18950 8600 4040 1640 1000 0
Total 135540 89950 38373,9 28860 6150 3550
Sumber : PT. Danken Indonesia (2018)
Data penjualan pada Tabel 17 kemudian di buat plot data secara time series
untuk melihat pola data yang terbentuk. Hal ini akan membantu dalam menentukan
lebih lanjut teknik peramalan untuk volume penjualan periode Januari-maret 2018.
Pola data penjualan diidentifikasi melalui visual grafik yang diperoleh dari program
96
Minitab 16. Selain diamati secara visual grafik, identifikasi pola data juga dilakukan
dengan uji stasioneritas atau uji akar unit dengan program Eviews 9.
1. Visualisasi Grafik
Plot data dari masing-masing penjualan DKMetrin, DKMektin, dan
DKZolExtra dapat dilihat secara berturut-turut pada Gambar 15, 16 dan 17.
Time Series Plot of Penjualan DKMetrin

25000
Penjualan DKMetrin (Liter)
20000
15000
10000
5000
0
-1000
2 4 6 8 10 12 14 16 18 20 22 24
Bulan
Gambar 15. Plot Data Penjualan DKMetrin PT. Danken Indonesia 2016-2017
Berdasarkan plot data penjualan DKMetrin pada Gambar 15 terlihat pola
data memiliki komponen acak atau berfluktuatif dari tahun 2016 (periode 1-12)
hingga tahun 2017 (periode 13-24). Pada periode ke 8 tidak adanya penjualan dan
mengalami penurunan berturut-turut dari periode ke 12 sampai 14 dan terus
menurun dari bulan 16 hingga bulan 18. Penjualan tertinggi terjadi di tahun 2017
pada periode ke 23 sebesar 22.600 liter. Secara keseluruhan, dalam pola penjualan
DKMetrin tidak ditemukan unsur musiman dan trend. Hal ini dikarenakan deret
waktu untuk menentukan adanya unsur musiman ataupun trend masih terlalu
kecil/pendek.
97
Time Series Plot of Penjualan DKMektin
7000
6000
Penjualan DKMektin (Liter)
5000
4000
3000
2000
1000
0
-200
2 4 6 8 10 12 14 16 18 20 22 24
Bulan
Gambar 16. Plot Data Penjualan DKMektin PT. Danken Indonesia 2016-2017
Berdasarkan plot data penjualan DKMetrin pada Gambar 16 terlihat bahwa
pola penjualan DKMektin selama dua tahun terakhir sangat berfluktuatif. Pola data
DKMektin juga memiliki lebar yang sama antar pergerakan dan konstan dalam
ragam. Penjualan tertinggi selama tahun 2016-2017 terjadi pada periode ke 7
sebesar 6.864 liter dan tidak adanya penjualan pada produk ini pada bulan Juli,
September, dan Oktober (periode 19, 21, dan 23) di tahun 2017. Secara
keseluruhan, dalam pola penjualan DKMektin tidak ditemukan unsur musiman dan
trend. Hal ini dikarenakan deret waktu untuk menentukan adanya unsur musiman
ataupun trend masih terlalu kecil/pendek.
98
Time Series Plot of Penjualan DKZolExtra
1400
Penjualan DKZolExtra (Liter)
1200
1000
800
600
400
200
0
-50
2 4 6 8 10 12 14 16 18 20 22 24
Bulan
Gambar 17. Plot Data Penjualan DKZol Extra PT. Danken Indonesia 2016-2017
Berdasarkan plot data penjualan DKZolExtra pada Gambar 17 terlihat pola
data cenderung konstan pada tahun 2016 (periode 1-12) dan berfluktuatif pada
tahun 2017 (periode 13-24). Penjualan tertinggi terjadi pada periode ke 15 sebesar
1.300 liter. Sebanyak 11 titik periode di sepanjang waktu pengamatan tidak adanya
penjualan (nol). Secara keseluruhan, dalam pola penjualan DKZolExtra tidak
ditemukan unsur musiman dan trend. Hal ini dikarenakan deret waktu untuk
menentukan adanya unsur musiman ataupun trend masih terlalu kecil/pendek.
2. Uji Stasioneritas
Uji Stasioneritas data dilakukan dengan test Augmented Dickey-Fuller
(ADF) melalui perangkat lunak Eviews 9. Pengujian hipotesis statistik dilakukan
dengan membandingkan nilai ADF test statistic dengan test statistic MacKinnon
critical value (taraf nyata) pada taraf signifikansi sebesar 1%, 5%, dan 10%. Jika
ADF test statistic hitung pada setiap variabel lebih kecil secara aktual pada
MacKinnon test critical values, maka H0 ditolak, artinya data tersebut tidak terdapat
99
akar unit atau data variabel tersebut sudah stasioner. Pada pengujian stasioneritas
data dari masing-masing variabel dapat dilihat pada Tabel 22.
Tabel 22. Hasil Uji Stasioneritas DKMetrin, DKMektin, dan DKZolExtra PT.
Produk Test Critical Values

t-statistic Probability
Unggulan 1% 5% 10%
*
DKMetrin -3.752946 -2.998064 -2.638752 -4.189031 0.0037
DKMektin -3.769597 -3.004861 -2.642242* -2.925274 0.0585
DKZolExtra -3.752946 -2.998064* -2.638752 -3.633031 0.0130
Sumber: Lampiran 1 (d,e,f)
Hasil uji stasioneritas pada Tabel 18 menunjukkan bahwa pola data
penjualan DKMetrin, DKMektin, dan DKZolExtra sudah stasioner pada level.
Masing-masing pola data penjualan produk unggulan memiliki nilai titik kritis yang
berbeda-beda pada taraf nyata terendah sebesar 10% hingga tertinggi sebesar 1%.
Hal ini ditunjukkan bahwa setiap variabel sudah stasioner pada taraf nyata antara
1%, 5%, dan 10%. Hasil uji ADF menghasilkan bahwa nilai statistik penjualan
DKMetrin lebih kecil dari nilai kritis pada taraf 1% yaitu sebesar -4.189031.
Penjualan DKMektin menunjukkan bahwa hasil uji ADF lebih kecil dari nilai kritis
pada taraf 1% yaitu -2.925274. Begitu pun dengan penjualan DKZolExtra yang
memiliki nilai ADF statistik lebih kecil dari nilai kritis pada taraf 5% yaitu sebesar
-3.633031.
5.2.2 Metode Peramalan Pencapaian Volume Penjualan DKMetrin,

DKMektin, dan DKZolExtra
Hasil identifikasi pola data penjualan DKMetrin, DKMektin, dan
DKZolExtra telah memberikan informasi bahwa pola data ketiga produk tersebut
adalah acak dan stasioner. Berdasarkan hal tersebut, maka metode peramalan time
series yang sesuai untuk ketiga variabel adalah naif, moving average, single
100
exponential smoothing, dan double exponential smoothing. Pemilihan metode
tersebut didasarkan pada pola data yang stasioner jika dilihat dari plot time series
maupun uji akar unit yang telah di lakukan sebelumnya.
Penentuan metode peramalan terbaik dengan melihat nilai kesalahan (error)
terkecil yaitu dengan perhitungan dari MAE, MSE, dan MAPE. Metode peramalan
time series yang terbaik nantinya akan dilihat nilai forecast (ramalan) untuk bulan
Januari, Februari, dan Maret tahun 2018. Berikut merupakan metode peramalan
pencapaian volume penjualan yang digunakan dalam penelitian ini.
1. Metode Naif
Metode naif merupakan metode paling sederhana karena perhitungannya
hanya melihat dari data satu periode sebelumnya yang dijadikan acuan untuk
peramalan satu periode setelahnya. Hasil perhitungan metode naif dapat dilihat
pada Tabel 23.
Tabel 23. Hasil Perhitungan Metode Naif pada DKMetrin, DKMektin, dan
DKZolExtra PT. Danken Indonesia Tahun 2016-2017
Produk
Error Measure
MAE 6.911 3.443 374
MSE 78.902.439,13 14.689.800,70 333.913
MAPE 99,3 198,5 33,2
Berdasarkan hasil perhitungan metode naif, diketahui peramalan penjualan
untuk produk DKMetrin periode selanjutnya yaitu sebanyak 8.600 liter, produk
DKMektin sebanyak 1.640 liter, sedangkan produk DKZolExtra tidak ada
penjualan. Hal tersebut merupakan hasil ramalan penjualan untuk satu periode
setelahnya yang diperkirakan hanya untuk Januari 2018. Hasil perhitungan metode
naif dapat dilihat pada Lampiran 3 (d,e,f).
101
2. Metode Moving Average
Metode rata-rata bergerak (moving average) menetapkan bahwa banyaknya
data yang diikutsertakan pada ramalan disebut ordo. Peritungan dilakukan dengan
trial dan error dari penentuan ordo untuk mencari nilai kesalahan terkecil. Hasil
perhitungan moving average dari tiga produk unggulan dapat dilihat pada Tabel 24.
Tabel 24. Perbandingan Hasil Perhitungan Moving Average pada DKMetrin,

DKMektin, dan DKZolExtra PT. Danken Indonesia Tahun 2016-2017
Error Measure
No. Length Moving Average
MAE MSE MAPE
DKMetrin
1 MA (Ordo 1) 6911 78902439 109
2 MA (Ordo 2) 4874 36450624 79
3 MA (Ordo 3) 4257 27658180 70
4 MA (Ordo 4) 4270 27644558 50
5 MA (Ordo 5) 4433 30919983 49
6 MA (Ordo 6) 4649 32992789 51
DKMektin
1 MA (Ordo 1) 3443 14689801 228
2 MA (Ordo 2) 1851 4513202 134
3 MA (Ordo 3) 1387 2587777 105
4 MA (Ordo 4) 1772 4072007 124
5 MA (Ordo 5) 2066 5384524 146
6 MA (Ordo 6) 1879 4578843 136
DKZolExtra
1 MA (Ordo 1) 374 333913 69
2 MA (Ordo 2) 261 135696 51
3 MA (Ordo 3) 224,2 95909.1 44,9
4 MA (Ordo 4) 276 119507 53
5 MA (Ordo 5) 301 137271 55
Berdasarkan perbandingan error terkecil pada Tabel 24, produk DKMektin
dan DKZolExtra menunjukkan perhitungan peramalan yang memiliki nilai error
terkecil ialah pada ordo 3. Hasil untuk produk DKMetrin menunjukkan nilai MAE
terkecil pada ordo 3, MSE terkecil pada ordo 4, dan MAPE terkecil pada ordo 5.
Hasil perhitungan dengan metode moving average secara rinci dapat dilihat pada
Lampiran 4 (d,e,f).
102
3. Metode Single Exponential Smoothing
Hasil peramalan dengan metode single exponential smoothing tergantung
pada besarnya α. Bila α semakin mendekati 0, berarti ramalan akan semakin
mendekati nilai observasi sebelumnya. Perhitungan metode ini dengan
menggunakan software Minitab versi 16, dimana nilai α ditentukan secara otomatis
dari peramlaan DKMetrin, DKMektin, dan DKZolExtra dengan metode single
exponential smoothing. Hasil perhitungan dengan metode single exponential
smoothing secara rinci dapat dilihat pada Lampiran 5 (d,e,f).
Tabel 25. Hasil Perhitungan Metode Single Exponential Smoothing DKMetrin,

Produk
Error Measure DKMetrin DKMektin DKZolExtra
(α = 0,09) (α = 0,07) (α = 0,4)
MAE 5606 1948 372
MSE 46011589 4940321 212676
MAPE 84 134 56
4. Metode Double Exponential Smoothing
Metode ini menggunakan dua koefisien pemulusan yaitu α dan β. Koefisien
pemulusan α menunjukkan nilai koefisien terhadap pemulusan model double
exponential smoothing, sedangkan koefisien pemulusan β menunjukkan nilai
koefisien terhadap trend. Perhitungan metode ini dengan menggunakan software
Minitab versi 16, dimana nilai pemulusan α dan β ditentukan secara otomatis
dari peramlaan DKMetrin, DKMektin, dan DKZolExtra dengan metode double
exponential smoothing. Hasil perhitungan dengan metode double exponential
smoothing secara rinci dapat dilihat pada Lampiran 6 (d,e,f).
103
Tabel 26. Hasil Perhitungan Metode Double Exponential Smoothing DKMetrin,
Produk
Error Measure DKMetrin DKmektin DKZolExtra
(α = 0,5 ; β = 0,06) (α = 0,3 ; β = 0,1) (α = 0,4 ; β = 0,08)
MAE 6241 2130 365
MSE 59635154 5874335 224398
MAPE 90 155 67
5.2.3 Pemilihan Metode Peramalan Terbaik
Dalam perhitungan peramalan penjualan dari keempat metode peramalan
telah didapatkan nilai eror yaitu MAE, MSE, dan MAPE dari masing-masing
metode. Pemilihan metode peramalan terbaik dilihat dari nilai MAE (Mean
Absolute Error) terkecil karena nilai residual besarnya tidak merata sepanjang
pengamatan (Firdaus, 2011:10. Perbandingan keempat metode tersebut
menghasilkan nilai keakuratan yang terkecil dan dapat dilihat pada Tabel 27
berikut.
Tabel 27. Perbandingan Indikator Nilai Kesalahan Metode Peramalan DKMetrin,

DKMektin, dan DKZolExtra
Metode Peramalan
Single
Keterangan Moving Average Double Exponential
Naif Exponential
(MA) Smoothing
Smoothing
DKMetrin (α = 0,09) (α = 0,5 ; β=0,06)
(Length=3)
MAE 6911 5606 6241
4257
(Length=4)
MSE 78902439.13 46011589 59635154
27644558
(Length=5)
MAPE 99,3 84 90
49
DKMektin (Length=3) (α = 0,07) (α = 0,3; β = 0,1)
MAE 3443 1387 1948 2130
MSE 14689800.70 2587777 4940321 5874335
MAPE 198,5 105 134 155
DKZolExtra (Length=3) (α = 0,4) (α = 0,4 ; β = 0,08)
MAE 374 224,2 372 365
MSE 333913 95909.1 212676 224398
MAPE 33,2 44,9 56 67
104
Dilihat dari perbandingan indikator nilai kesalahan ramalan pada Tabel 23,
maka peramalan dengan metode moving average pada ordo 3 memiliki nilai MAE
terkecil untuk ketiga produk. Adapun berdasarkan peramalan dengan metode
moving average, maka estimasi penjualan untuk periode Januari sampai Maret 2018
disajikan pada Tabel 28.
Tabel 28. Ramalan Penjualan DKMetrin, DKMektin, dan DKZolExtra PT. Danken
Indonesia Bulan Januari-Maret 2018 dengan Metode MA Ordo 3
Ramalan Penjualan (Liter)

Bulan
Januari 12.506,7 2.193,3 200
Februari 14.568,9 1.277,7 200
Maret 11.891,9 1.703,7 133.,3
Total 38.967,5 5.174,7 533,3
Dari hasil ramalan diprediksi bahwa penjualan DKMetrin pada tiga bulan
pertama di 2018 berjumlah 38.967,5 liter, jumlah tersebut meningkat sebanyak
17.717,5 liter dari tahun 2017. Penjualan DKMektin pada tiga bulan pertama di
2018 berjumlah 5.174,7 liter, jumlah tersebut menurun sebanyak 4.235,3 liter dari
tahun 2017. Sedangkan penjualan DKZolExtra pada tiga bulan pertama di 2018
berjumlah 533,3 liter, jumlah tersebut menurun sebanyak 1.766,7 liter dari tahun
2017.
5.3 Evaluasi Hasil Ramalan
Ramalan volume penjualan dibandingan hasilnya dengan data aktual
penjualan pada periode Januari-Maret 2018. Evaluasi dilakukan pada data
penjualan ketiga jenis pestisida serta produk unggulan dari masing-masing jenis
pestisida yang terjual.
105
1. Hasil Ramalan dan Data Aktual Tiga Jenis Pestisida
Volume penjualan herbisida, insektisida, dan fungisida antara hasil ramalan
dengan data aktual dari PT. Danken Indonesia bulan Januari-Maret 2018 dapat
dilihat pada Tabel 29.
Tabel 29. Hasil Ramalan Penjualan dengan Data Aktual Penjualan Tiga Jenis
Pestisida PT. Danken Indonesia Periode Januari-Maret 2018
Jenis Ramalan Penjualan Penjualan Aktual

Total Total
Pestisida Jan Feb Mar Jan Feb Mar
Herbisida 25.354,2 26.340,6 23.710,8 75.405,6 3.700 18.655 4.500 26.865
Insektisida 7.350 5.290 5.373,3 18.013,3 5.600 3.100 6.300 15.000
Fungisida 983,3 1.061,1 681,5 2.725,9 4.500 0 1.500 6.000
Jumlah total penjualan herbisida antara ramalan dengan data asli sangat
berbeda jauh dengan selisih sebesar 48.540,6 liter, dimana data aktual hanya
mencapai 36% dari ramalan. Jumlah total penjualan insektisida antara ramalan
dengan data asli memiliki selisih sebesar 3.103,3 liter, dimana data aktual mampu
mencapai 83% dari ramalan. Sedangkan jumlah total penjualan aktual fungisida
lebih tinggi 3.274,1 liter dari ramalan penjualan fungisida selama periode Januari-
Maret 2018.
Adanya perbedaan yang jauh antara hasil ramalan dengan volume penjualan
herbisida di duga karena masih banyaknya stok produk yang belum terjual pada
para distributor PT. Danken Indonesia. Sedikitnya pemesanan dari para distributor
ini juga dipengaruhi dari intensitas petani menggunakan produk PT. Danken
Indonesia yang mungkin berkurang. Hal ini bertepatan dengan adanya dua
perusahaan asing meluncurkan produk herbisida baru di awal tahun 2018. Dilansir
dari nusantaranews.co dan jurnalreporter.com (2018), perusahaan tersebut ialah PT.
Bayer Indonesia dengan merk Council Complete dan PT. Sygenta Indonesia dengan
merk Apiro. Pesaing dari dua perusahaan asing ini meluncurkan produk terbarunya
106
secara besar-besaran di wilayah Sulawesi Selatan untuk Council Complete dan
Mojokerto, Jawa Timur untuk Apiro. Dimana, kedua wilayah tersebut merupakan
pasar yang besar dan menguntungkan bagi PT. Danken Indonesia. Selain itu pihak
Bayer dan Sygenta pun aktif memperkenalkan herbisida pintar ini kepada petani di
seluruh Indonesia.
2. Hasil Ramalan dan Data Aktual Produk Unggulan
Volume penjualan DKMetrin, DKMektin, dan DKZolExtra antara hasil
ramalan dengan data aktual dari PT. Danken Indonesia bulan Januari-Maret 2018
dapat dilihat pada Tabel 30.
Tabel 30. Hasil Ramalan Penjualan dengan Data Aktual Penjualan Produk
Unggulan PT. Danken Indonesia Periode Januari-Maret 2018
Nama Ramalan Penjualan Penjualan Aktual

Total Total
Produk Jan Feb Mar Jan Feb Mar
Metrin 12.506,7 14.568,9 11.891,9 38.967,5 1.000 12.000 1.500 14.500
Mektin 2.193,3 1.277,7 1.703,7 5.174,7 0 1.500 0 1.500
Zol Extra 200 200 133.,3 533,3 4.500 0 0 4.500
Total penjualan DKMetrin di tahun 2016-2017 sebanyak 225.490 liter yang
mendominasi dari total keseluruhan penjualan produk herbisida lainnya sebesar
491,246.9 liter. Dari hasil ramalan diprediksi bahwa total penjualan DKMetrin pada
tiga bulan pertama di 2018 berjumlah 38.967,5 liter sedangkan data aktual
penjualan berjumlah 14.500 liter. Jumlah total penjualan antara ramalan dengan
data asli berbeda jauh dengan selisih sebesar 24.467,5 liter, dimana data aktual
hanya mencapai 37% dari ramalan
Total penjualan DKMetrin di tahun 2016-2017 sebanyak 67.233,9 liter yang
mendominasi dari total keseluruhan penjualan produk insektisida lainnya sebesar
128.086,9 liter. Dari hasil ramalan diprediksi bahwa total penjualan DKMektin
pada tiga bulan pertama di 2018 berjumlah 5.174,7 liter sedangkan data aktual
107
penjualan berjumlah 1.300 liter. Jumlah total penjualan antara ramalan dengan data
asli memiliki selisih sebesar 3.874 liter, dimana data aktual hanya mencapai 29%
dari ramalan.
Total penjualan DKZolExtra di tahun 2016-2017 sebanyak 9.700 liter yang
mendominasi dari total keseluruhan penjualan produk fungisida lainnya sebesar
21.750 liter. Dari hasil ramalan diprediksi bahwa total penjualan DKZolExtra pada
tiga bulan pertama di 2018 berjumlah 533,3 liter sedangkan data aktual penjualan
berjumlah 4.500 liter. Jumlah total penjualan antara ramalan dengan data asli
memiliki selisih sebesar 3.766,7 liter.
3. Hasil Kesesuaian Data Aktual dan Data Ramalan
Metode peramalan moving average (rata-rata bergerak) pada ordo 3 telah
terpilih untuk dijadikan sebagai metode yang dapat dipertimbangkan oleh
perusahaan dalam meramalkan penjualan produk. Metode ini untuk meramalkan
volume penjualan dari masing-masing jenis pestisida dan satu produk yang
memiliki tingkat penjualan tertinggi dari setiap jenis pestisida. Sebagai bahan
pertimbangan bagi perusahaan akan hasil keakuratan metode moving average,
maka dilakukan uji z beda dua nilai tengah. Jumlah data dalam perhitungan uji z
untuk data aktual penjualan dan data ramalan penjualan masing-masing sebanyak
dua puluh tujuh. Hasil perhitungan uji z secara rinci dapat dilihat pada Lampiran 7.
1. Herbisida
Hasil data herbisida menunjukkan bahwa nilai z hitung sebesar -0,048. Nilai
Z tabel(α/2) atau dengan kepercayaan 95% sebesar 1,96. Wilayah penolakan Ho
adalah z hitung < -1,96 karena z hitung lebih besar dari z tabel (-0,048 > -1,96)
maka Ho diterima. Hal ini menunjukkan bahwa tidak ada perbedaan antara data
108
aktual penjualan dengan data ramalan penjualan. Sehingga metode peramalan
penjualan dengan teknik rata-rata bergerak bisa dijadikan sebagai tolak ukur oleh
perusahaan dalam meramalkan penjualan herbisida.
2. Insektisida
Hasil data insektisida menunjukkan bahwa nilai z hitung sebesar 0,277.
Nilai Z tabel(α/2) atau dengan kepercayaan 95% sebesar 1,96. Wilayah penolakan
Ho adalah z hitung > 1,96 karena z hitung lebih kecil dari z tabel (0,277 < 1,96)
penjualan dengan teknik rata-rata bergerak bisa dijadikan tolak ukur oleh
perusahaan dalam meramalkan penjualan insektisida.
3. Fungisida
Hasil data fungisida menunjukkan bahwa nilai z hitung sebesar 0,692. Nilai
adalah z hitung > 1,96 karena z hitung lebih kecil dari z tabel (0,692 < 1,96) maka
Ho diterima. Hal ini menunjukkan bahwa tidak ada perbedaan antara data aktual
penjualan dengan data ramalan penjualan. Sehingga metode peramalan penjualan
dengan teknik rata-rata bergerak bisa dijadikan tolak ukur oleh perusahaan dalam
meramalkan penjualan fungisida.
4. DKMetrin
Hasil data DKMetrin menunjukkan bahwa nilai z hitung sebesar 0,08. Nilai
adalah z hitung > 1,96 karena z hitung lebih kecil dari z tabel (0,08 < 1,96) maka
Ho diterima. Hal ini menunjukkan bahwa tidak ada perbedaan antara data aktual
109
penjualan dengan data ramalan penjualan. Sehingga metode peramalan penjualan
dengan teknik rata-rata bergerak bisa dijadikan tolak ukur oleh perusahaan dalam
meramalkan penjualan DKMetrin.
5. DKMektin
Hasil data DKMektin menunjukkan bahwa nilai z hitung sebesar 0,149.
Ho adalah z hitung > 1,96 karena z hitung lebih kecil dari z tabel (0,149 < 1,96)
perusahaan dalam meramalkan penjualan DKMektin.
6. DKZolExtra
Hasil data DKZolExtra menunjukkan bahwa nilai z hitung sebesar 0,277.
Ho adalah z hitung > 1,96 karena z hitung lebih kecil dari z tabel (1.027 < 1,96)
perusahaan dalam meramalkan penjualan DKZolExtra.
110
BAB VI
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Berdasarkan hasil pembahasan terhadap penelitian yang telah dilakukan
maka dapat diambil kesimpulan sebagai berikut :
1. Adanya hubungan yang signifikan terjadi antara penjualan fungisida dan
insektisida. Tetapi, hubungan penjualan herbisida dengan penjualan lainnya
tidak signifikan Hasil IRF untuk dua puluh periode kedepan menunjukkan
guncangan yang dapat membuat penurunan penjualan bagi tiga jenis pestisida
adalah herbisida. Hubungan yang terbentuk dari hasil FEVD untuk dua puluh
periode kedepan menunjukkan bahwa insektisida dan fungisida tidak kuat
pengaruhnya terhadap penjualan herbisida. Sedangkan herbisida lebih kuat
pengaruhnya terhadap penjualan insektisida, dan insektisida lebih kuat
pengaruhnya terhadap penjualan fungisida.
2. Metode peramalan terbaik untuk volume penjualan masing-masing jenis
pestisida dan tiga produk unggulan adalah metode moving average (rata-rata
bergerak) dengan ordo 3.
3. Ramalan volume penjualan untuk periode Januari-Maret 2018 sebagai berikut :
Ramalan Volume Penjualan (liter)

Bulan
Herbisida DKMetrin Insektisida DKMektin Fungisida DKZolExtra
Januari 25.354,2 12.506,7 7.350 2.193,3 983,3 200
Ferbruari 26.340,6 14.568,9 5.290 1.277,7 1.061,1 200
Maret 23.710,8 11.891,9 5.373,3 1.703,7 681,5 133.,3
Total 75.405,6 38.967,5 18.013,3 5.174,7 2.725,9 533,3
4. Hasil evaluasi data aktual penjualan Januari-Maret 2018 untuk herbisida,
insektisida, DKMetrin dan DK Mektin lebih kecil dari hasil ramalan, sedangkan
penjualan fungisida dan DKZolExtra lebih besar dari hasil ramalan. Hasil uji z
menunjukkan tidak terdapat perbedaan yang signifikan antara penjualan aktual
dengan ramalan penjualan dengan tingkat kepercayaan 95%.
6.2 Saran
1. PT. Danken Indonesia sebaiknya menerapkan analisis IRF dan FEVD, karena
dengan adanya ramalan ini maka pihak perusahaan dapat melakukan antisipasi
jika penjualan diramalkan akan mengalami penurunan. Selain metode
kuantitatif, sebaiknya PT. Danken Indonesia juga menerapkan peramalan
penjualan dengan metode kualitatif melalui opini eksekutif dan riset pasar.
2. Hasil dari peramalan penjualan pada penelitian ini dapat dijadikan dasar untuk
dilakukannya penelitian lanjutan mengenai strategi pemasaran di PT. Danken
Indonesia.
112
DAFTAR PUSTAKA
Ajeng, Sri. 2011. Peramalan Penjualan Untuk Perencanaan Persediaan Buah Durian di
Rumah Durian Harum Bintaro, Jakarta. [Skripsi]. Fakultas Sains dan
Teknologi, UIN Syarif Hidayatullah. Jakarta.
Aritonang, Lebrin R. 2009. Peramalan Bisnis. Ghalia Indonesia. Bogor.
Arsyad, Lincolin. 1994. Peramalan Bisnis. BPFE-Yogyakarta. Yogyakarta.
Badan Litbang Pertanian. 2012. Rekomendasi Mitigasi Dampak Perubahan Iklim pada
Budidaya Cabai Merah. http://www.litbang.pertanian.go.id/berita/one/1676.
Diakses 9 Oktober 2018, pk. 20:18 WIB.
Balai Besar Penelitian Tanaman Padi. 2016. Waspada Serangan Hama Tanaman Padi.
http://bbpadi.litbang.pertanian.go.id/index.php/berita/infoteknologi/content/4
04-waspada-serangan-hama-tanaman-padi-di-musim-hujan. Diakses 9
Oktober 2018, pk. 08:39 WIB.
Dieda, Eric. 2018. Sygenta Indonesia Launching Herbisida Padi Terbaru, Apiro di
Mojokerto. https://nusantaranews.co/syngenta-indonesia-launching-herbisida-
padi-terbaru-apiro-di-mojokerto/ . Diakses 29 September 2018, pk 09:18 WIB
Deden. 2017. Efektifitas Pestisida Nabati Terhadap Pengendalian Ulat Grayak

(Spodoptera Sp.) Pada Tanaman Sawi (Brassica Sinensis L.). Jurnal Logika.
Vol. XIX No. 1 April 2017. Hal 7-11.
Direktorat Jenderal Prasarana dan Sarana Pertanian. 2017. Statistik Prasarana dan
Sarana Pertanian Tahun 2012-2016.
http://psp.pertanian.go.id/assets/file/2018. Diakses pada 25 Maret 2018, pk.
17:56 WIB.
Direktorat Jendral Perkebunan. 2017. Dukungan Perlindungan Perkebunan Pedoman

Teknis Penanganan Organisme Pengganggu Tumbuhan (Gerakan
Pengendalian OPT Tanaman Perkebunan) Tahun 2018 .
http://perlindungan.ditjenbun.pertanian.go.id. Diakses pada 28 September
2018, pk 13:21 WIB.
Djafaruddin. 1995. Dasar-Dasar Perlindungan Tanaman. PT. Bumi Aksara. Jakarta.
Djojosumarto, Panut. 2008. Panduan Lengkap Pestisida dan Aplikasinya. PT.

Agromedia Pustaka. Jakarta.
Faqih, Achmad. 2010. Manajemen Agribisnis. Dee Publish. Yogyakarta.

Fikriansyah, Iqbal. 2011. Analisis Peramalan Penjualan Menggunakan Metode
Kointegrasi pada Tipe Mobil City Car, Sedan, dan MPV di Auto 2000.
[Skripsi]. Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor.
Firdaus, M. 2011. Aplikasi Ekonometrika Untuk Data Panel dan Time Series. IPB
Press. Bogor.
Firmansyah, Amanda Patappari. 2017. Pengantar Perlindungan Tanaman. CV. Inti

Mediatama. Makassar.
Hanafie, Rita. 2010. Pengantar Ekonomi Pertanian. CV. Andi Offset. Yogyakarta.
Heizer dan Render. 2005. Manajemen Operasi. Karya Salemba Empat. Jakarta.
Indrazakti, Mokhammad. 2011. Analisis Peramalan Penjualan Menggunakan Metode

Kointegrasi Pada Produk Safe 1 dan Cypergard (500 ml dan 100 ml) di PT
Chemigard. [Skripsi]. Fakultas Ekonomi dan Manajemen, Institut Pertanian
Bogor.
Manuke, Jusuf, Berty H. Assa, Aldegonga E. Pelealu. 2017. Rekomendasi Teknologi

Pengendalian Hama Secara Terpadu (PHT) Hama Tanaman Padi Sawah
(Oryza Sativa) di Desa Makalonsow Kecamatan Tondano Timur Kabupaten
Minahasa Salaki, Dumalang. Jurnal LPPM Bidang Sains dan Teknologi. Vol.
4 No. 1 September 2017. Hal 23-34.
Nurmala, Tati dkk. 2012. Pengantar Ilmu Pertanian. Graha Ilmu. Yogyakarta.
Oka, Ida Nyoman. 2005. Pengendalian Hama Terpadu dan Implemetasinya di

Indonesia. Gadjah Mada University Press. Yogyakarta.
Prasetya, Hery dan Fitri Lukiastuti. 2009. Manajemen Operasi. CAPS. Yogyakarta.
Rahyuningsih, Edia. 2009. Analisis Kuantitatif Perilaku Pestisida di Tanah. Gadjah

Mada University Press. Yogyakarta.
Rangkuti, Freddy. 2008. Business Plan. PT. Gramedia Pustaka Utama. Jakarta.
Sadewo, Vincent Dean, Wibowo Nugroho Jati, dan Felicia Zahida. 2015. Uji Potensi
Ekstrak Daun Sukun Artocarpus altilis Sebagai Pestisida Nabati Terhadap
Hama Lalat Buah Bactrocera spp. Universitas Atma Jaya Yogyakarta.
Salaki, Christina dan Sherlij Dumalang. 2017. Pengendalian Hama Terpadu (PHT)
pada Tanaman Sayuran di Kota Tomohon Sulawesi Utara. Indonesian Journal
of Community Engagement. Vol. 2 No. 2 Maret 2017. Hal 246-255.
Septiany, Indri Dwi. 2009. Analisis Peramalan Penjualan Bunga Adenium PT Godong
Ijo Asri Dalam Rangka Perencanaan Strategi Pemasaran. [Skripsi]. Fakultas
Ekonomi dan Manajemen, Institut Pertanian Bogor.
114
Singgih, Santoso. 2009. Business Forecasting Metode Peramalan Bisnis Masa Kini
dengan Minitab dan SPSS. Elex Media Komputindo. Jakarta.
Subagyo, P. 1994. Forcasting: Konsep dan Aplikasi. BPFE-Yogyakarta. Yogyakarta.
Sugiyono. 2005. Metode Penelitian Bisnis. CV. Alfabeta. Bandung.
Sumardiyono, Christanti. 2013. Pengantar Toksiologi Fungisida. Gadjah Mada

University Press. Yogyakarta.
Supranto, J. 2000. Metode Ramalan Kuantitatif Untuk Perencanaan Ekonomi dan

Bisnis. PT. Rineka Cipta. Jakarta.
Sutawidjaya, Achmad. H. dan Rosalendro Eddy Nugroho. 2016. Strategi Operasi dan
Proses Manajemen. Lembaga Pengkajian Dan Pengembangan Sumber Daya.
Bengkulu.
Susanti, Erni dkk. 2014. Dampak Perubahan Iklim Terhadap Serangan Organisme
Pengganggu Tanaman (OPT) Serta Strategi Antisipasi dan Adaptasi.
http://balitklimat.litbang.pertanian.go.id/index.php?view=article&catid=51:j
urnal&id=168:dampak-perubahan-iklim-terhadap-serangan-organisme-
pengganggu-tanaman&format=pdf&option=com_content. 9 hal. Diakses 10
April 2018, pk 12:13 WIB.
Suwardiwijaya, Edi dkk. 2009. Metode Evaluasi Model Peramalan Organisme

Pengganggu Tumbuhan. https://edisw.files.wordpress.com/2009/06/evaluasi-
model-peramalan.pdf. 4 hal. Diakses 9 Oktober 2018, pk. 23:00 WIB.
Tim Penyusun PT. Danken Indonesia. 2018. Laporan Penjualan Tahunan. PT. Danken
Indonesia. Tangerang.
Tim Redaksi. 2018. Bayer Luncurkan Herbisida Council Complete, Efektif

Kendalikan Gulma Pra Tumbuh Atau Purna Tumbuh.
http://jurnalreporter.com/bayer-luncurkan-herbisda-council-complete-
eefektif-kendalikan-gulma-pra-tumbuh-atau-purna-tumbuh/. Diakses 29
September 2018, pk 09:23 WIB.
Trisyono, Y. Andi. 2014. Insektisida Pengganggu Pertumbuhan dan Perkembangan

Serangga. Gadjah Mada University Press. Yogyakarta.
US. Environmental Protection Agency. 2018. https://www.epa.gov/ingredients-used-

pesticide-products/basic-information-about-pesticideingredients.What is a
pesticide?. 1 hal. Diakses 3 Februari 2018, pk 17:26 WIB.
Walpole, R. E. 1995. Pengantar Statistika. PT Gramedia Pustaka Utama. Jakarta.
Wudianto, Rini. 2001. Petunjuk Penggunaan Pestisida. Penebar Swadaya. Jakarta.
115
LAMPIRAN
Lampiran 1. Uji Stasioner Penjualan
a. Uji stasioner herbicides pada level
Null Hypothesis: HERBICIDES has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=5)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.967190 0.0532

Test critical values: 1% level -3.752946
5% level -2.998064
10% level -2.638752
*MacKinnon (1996) one-sided p-values.
b. Uji stasioner insecticides pada level
Null Hypothesis: INSECTICIDES has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.998064
10% level -2.638752
c. Uji stasioner fungicides pada level
Null Hypothesis: HERBICIDES has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.998064
10% level -2.638752
117
d. Uji stasioner DKMetrin pada level
Null Hypothesis: DKMETRIN has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=5)
t-Statistic Prob.*

5% level -2.998064
10% level -2.638752
e. Uji stasioner DKMektin pada level (insektisida)
Null Hypothesis: DKMEKTIN has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -3.004861
10% level -2.642242
f. Uji stasioner DKZol Extra pada level (fungisida)
Null Hypothesis: DKZOLEXTRA has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.998064
10% level -2.638752
118
Lampiran 2. Estimasi VAR
Vector Autoregression Estimates

Date: 02/08/18 Time: 15:48
Sample (adjusted): 2016M02 2017M12
Included observations: 23 after adjustments
Standard errors in ( ) & t-statistics in [ ]
FUNGICIDES HERBICIDES INSECTICIDES
FUNGICIDES(-1) 0.193627 -0.681784 1.617674

(0.19840) (3.08169) (0.80885)
[ 0.97593] [-0.22124] [ 1.99997]
HERBICIDES(-1) -0.023517 0.379502 -0.060438

(0.01391) (0.21605) (0.05671)
[-1.69070] [ 1.75655] [-1.06580]
INSECTICIDES(-1) 0.124242 0.420637 0.074133

(0.05318) (0.82595) (0.21679)
[ 2.33644] [ 0.50927] [ 0.34196]
C 528.3760 11111.25 4582.176

(411.706) (6394.85) (1678.45)
[ 1.28338] [ 1.73753] [ 2.73000]
R-squared 0.331087 0.179091 0.234196

Adj. R-squared 0.225469 0.049474 0.113280
Sum sq. resids 16303550 3.93E+09 2.71E+08
S.E. equation 926.3269 14388.21 3776.470
F-statistic 3.134761 1.381695 1.936843
Log likelihood -187.5567 -250.6442 -219.8790
Akaike AIC 16.65710 22.14298 19.46774
Schwarz SC 16.85458 22.34045 19.66522
Mean dependent 902.1739 20530.30 5273.778
S.D. dependent 1052.555 14757.91 4010.446
Determinant resid covariance (dof adj.) 2.02E+21

Determinant resid covariance 1.14E+21
Log likelihood -655.4532
Akaike information criterion 58.03940
Schwarz criterion 58.63184
119
Lampiran 3. Hasil Perhitungan Metode Naif
a. Herbisida
Nilai Aktual Absolute
Penjualan Ramalan Squared Error Absolut Presentage
Periode Tahun Error
Herbisida (NR) (e2) Error [e] Error
(Liter) (NA) [[e]/NA](100)
1 2016 19050.00
2 2016 32167.50 19050.00 13117.50 172068806.25 13117.50 40.78
3 2016 9413.00 32167.50 -22754.50 517767270.25 22754.50 241.73
4 2016 43893.26 9413.00 34480.26 1188888329.67 34480.26 78.55
5 2016 49812.13 43893.26 5918.87 35033022.08 5918.87 11.88
6 2016 14322.88 49812.13 -35489.25 1259486865.56 35489.25 247.78
7 2016 5754.00 14322.88 -8568.88 73425704.45 8568.88 148.92
8 2016 0.00 5754.00 -5754.00 33108516.00 5754.00 0.00
9 2016 29675.00 0.00 29675.00 880605625.00 29675.00 100.00
10 2016 35202.63 29675.00 5527.63 30554693.42 5527.63 15.70
11 2016 40930.00 35202.63 5727.37 32802767.12 5727.37 13.99
12 2016 39014.00 40930.00 -1916.00 3671056.00 1916.00 4.91
13 2017 14450.00 39014.00 -24564.00 603390096.00 24564.00 169.99
14 2017 11412.50 14450.00 -3037.50 9226406.25 3037.50 26.62
15 2017 5950.00 11412.50 -5462.50 29838906.25 5462.50 91.81
16 2017 5380.00 5950.00 -570.00 324900.00 570.00 10.59
17 2017 7057.50 5380.00 1677.50 2814006.25 1677.50 23.77
18 2017 350.00 7057.50 -6707.50 44990556.25 6707.50 1916.43
19 2017 17045.00 350.00 16695.00 278723025.00 16695.00 97.95
20 2017 19970.00 17045.00 2925.00 8555625.00 2925.00 14.65
21 2017 14335.00 19970.00 -5635.00 31753225.00 5635.00 39.31
22 2017 22395.00 14335.00 8060.00 64963600.00 8060.00 35.99
23 2017 34230.00 22395.00 11835.00 140067225.00 11835.00 34.57
24 2017 19437.50 34230.00 -14792.50 218818056.25 14792.50 76.10
25 19437.50
Total
387.50 5660878283.05 270890.76 3442.04
error
MAE 11777.86
MSE 246125142.74
MAPE 149.65
120
b. Insektisida
Penjualan Ramalan Squared Absolut Presentage
Periode Tahun Error
Insektisida (NR) Error (e2) Error [e] Error
(Liter) (NA) [[e]/NA](100)
1 2016 6790.00
2 2016 3400.00 6790 -3390 11492100 3390 99.71
3 2016 1689.90 3400 -1710.1 2924442.01 1710.1 101.20
4 2016 1700.00 1689.9 10.1 102.01 10.1 0.59
5 2016 5130.00 1700 3430 11764900 3430 66.86
6 2016 450.00 5130 -4680 21902400 4680 1040.00
7 2016 2800.00 450 2350 5522500 2350 83.93
8 2016 1600.00 2800 -1200 1440000 1200 75.00
9 2016 13440.00 1600 11840 140185600 11840 88.10
10 2016 3250.00 13440 -10190 103836100 10190 313.54
11 2016 7520.00 3250 4270 18232900 4270 56.78
12 2016 7989.00 7520 469 219961 469 5.87
13 2017 4810.00 7989 -3179 10106041 3179 66.09
14 2017 5610.00 4810 800 640000 800 14.26
15 2017 1100.00 5610 -4510 20340100 4510 410.00
16 2017 2800.00 1100 1700 2890000 1700 60.71
17 2017 2000.00 2800 -800 640000 800 40.00
18 2017 5250.00 2000 3250 10562500 3250 61.90
19 2017 9898.00 5250 4648 21603904 4648 46.96
20 2017 13710.00 9898 3812 14531344 3812 27.80
21 2017 5100.00 13710 -8610 74132100 8610 168.82
22 2017 13530.00 5100 8430 71064900 8430 62.31
23 2017 5040.00 13530 -8490 72080100 8490 168.45
24 2017 3480.00 5040 -1560 2433600 1560 44.83
25 3480
Total
-3310 618545594 93328.2 3103.72
error
MAE 4057.75
MSE 26893286.7
MAPE 134.94
121
c. Fungisida
Periode Tahun Error
Fungisida (NR) Error (e2) Error [e] Error
(Liter) (NA) [[e]/NA](100)
1 2016 1000
2 2016 1000 1000 0 0 0 0.00
3 2016 1000 1000 0 0 0 0.00
4 2016 1250 1000 250 62500 250 20.00
5 2016 350 1250 -900 810000 900 257.14
6 2016 550 350 200 40000 200 36.36
7 2016 0 550 -550 302500 550 0.00
8 2016 0 0 0 0 0 0.00
9 2016 0 0 0 0 0 0.00
10 2016 0 0 0 0 0 0.00
11 2016 0 0 0 0 0 0.00
12 2016 1000 0 1000 1000000 1000 100.00
13 2017 1000 1000 0 0 0 0.00
14 2017 0 1000 -1000 1000000 1000 0.00
15 2017 1300 0 1300 1690000 1300 100.00
16 2017 0 1300 -1300 1690000 1300 0.00
17 2017 650 0 650 422500 650 100.00
18 2017 820 650 170 28900 170 20.73
19 2017 4280 820 3460 11971600 3460 80.84
20 2017 2200 4280 -2080 4326400 2080 94.55
21 2017 2400 2200 200 40000 200 8.33
22 2017 750 2400 -1650 2722500 1650 220.00
23 2017 2200 750 1450 2102500 1450 65.91
24 2017 0 2200 -2200 4840000 2200 0.00
25 0
Total
-1000 33049400 18360 1103.87
error
MAE 798.26
MSE 1436930.435
MAPE 47.99
122
d. DKMetrin
Periode Tahun Error
DKMetrin (NR) Error (e2) Error [e] Error
(Liter) (NA) [[e]/NA](100)
1 2016 13550
2 2016 16050 13550 2500 6250000 2500 15.58
3 2016 2150 16050 -13900 193210000 13900 646.51
4 2016 12450 2150 10300 106090000 10300 82.73
5 2016 19420 12450 6970 48580900 6970 35.89
6 2016 3530 19420 -15890 252492100 15890 450.14
7 2016 4450 3530 920 846400 920 20.67
8 2016 0 4450 -4450 19802500 4450 0.00
9 2016 17550 0 17550 308002500 17550 100.00
10 2016 7900 17550 -9650 93122500 9650 122.15
11 2016 19540 7900 11640 135489600 11640 59.57
12 2016 18950 19540 -590 348100 590 3.11
13 2017 11000 18950 -7950 63202500 7950 72.27
14 2017 4300 11000 -6700 44890000 6700 155.81
15 2017 5950 4300 1650 2722500 1650 27.73
16 2017 5380 5950 -570 324900 570 10.59
17 2017 2950 5380 -2430 5904900 2430 82.37
18 2017 0 2950 -2950 8702500 2950 0.00
19 2017 7420 0 7420 55056400 7420 100.00
20 2017 6830 7420 -590 348100 590 8.64
21 2017 8600 6830 1770 3132900 1770 20.58
22 2017 6320 8600 -2280 5198400 2280 36.08
23 2017 22600 6320 16280 265038400 16280 72.04
24 2017 8600 22600 -14000 196000000 14000 162.79
25 8600
Total
-4950 1814756100 158950 2285.27
error
MAE 6910.87
MSE 78902439.13
MAPE 99.36
123
e. DKMektin
Periode Tahun Error
DKMektin (NR) Error (e2) Error [e] Error
(Liter) (NA) [[e]/NA](100)
1 2016 5640
2 2016 2700 5640 -2940 8643600 2940 108.89
3 2016 639.9 2700 -2060.1 4244012.01 2060.1 321.94
4 2016 1700 639.9 1060.1 1123812.01 1060.1 62.36
5 2016 4330 1700 2630 6916900 2630 60.74
6 2016 450 4330 -3880 15054400 3880 862.22
7 2016 6864 450 6414 41139396 6414 93.44
8 2016 950 6864 -5914 34975396 5914 622.53
9 2016 5640 950 4690 21996100 4690 83.16
10 2016 1800 5640 -3840 14745600 3840 213.33
11 2016 3620 1800 1820 3312400 1820 50.28
12 2016 4040 3620 420 176400 420 10.40
13 2017 3200 4040 -840 705600 840 26.25
14 2017 5610 3200 2410 5808100 2410 42.96
15 2017 600 5610 -5010 25100100 5010 835.00
16 2017 2800 600 2200 4840000 2200 78.57
17 2017 350 2800 -2450 6002500 2450 700.00
18 2017 5270 350 4920 24206400 4920 93.36
19 2017 0 5270 -5270 27772900 5270 0.00
20 2017 4450 0 4450 19802500 4450 100.00
21 2017 0 4450 -4450 19802500 4450 0.00
22 2017 4940 0 4940 24403600 4940 100.00
23 2017 0 4940 -4940 24403600 4940 0.00
24 2017 1640 0 1640 2689600 1640 100.00
25 1640
Total
-4000 337865416 79188.2 4565.42
error
MAE 3442.97
MSE 14689800.70
MAPE 198.50
124
f. DKZolExtra
Periode Tahun Error
DKZolExtra (NR) Error (e2) Error [e] Error
(Liter) (NA) [[e]/NA](100)
1 2016 1000
2 2016 1000 1000 0 0 0 0
3 2016 1000 1000 0 0 0 0
4 2016 1250 1000 250 62500 250 20
5 2016 350 1250 -900 810000 900 257.14
6 2016 550 350 200 40000 200 36.36
7 2016 0 550 -550 302500 550 0
8 2016 0 0 0 0 0 0
9 2016 0 0 0 0 0 0
10 2016 0 0 0 0 0 0
11 2016 0 0 0 0 0 0
12 2016 1000 0 1000 1000000 1000 100
13 2017 1000 1000 0 0 0 0
14 2017 0 1000 -1000 1000000 1000 0
15 2017 1300 0 1300 1690000 1300 100
16 2017 0 1300 -1300 1690000 1300 0
17 2017 650 0 650 422500 650 100
18 2017 0 650 -650 422500 650 0
19 2017 0 0 0 0 0 0
20 2017 0 0 0 0 0 0
21 2017 0 0 0 0 0 0
22 2017 200 0 200 40000 200 100
23 2017 400 200 200 40000 200 50
24 2017 0 400 -400 160000 400 0
25 0
Total
-1000 7680000 8600 763.51
error
MAE 373.91
MSE 333913.04
MAPE 33.20
125
Lampiran 4. Hasil Perhitungan Metode Moving Average Ordo 3
a. Herbisida
Moving Average Plot for Herbisida

Variable
50000
A ctual
Fits
Forecasts
40000 95.0% PI
Mov ing A v erage

Length 3
30000
Herbisida
A ccuracy Measures
MA PE 114
MA D 9245
20000 MSD 122264901
10000
3 6 9 12 15 18 21 24 27
Index
Moving Average for Herbisida
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data Herbisida
Length 24
NMissing 0
Moving Average
Length 3
Accuracy Measures
MAPE 114
MAD 9245
MSD 122264901
Forecasts
Period Forecast Lower Upper

25 25354.2 3682.17 47026.2
26 25354.2 3682.17 47026.2
27 25354.2 3682.17 47026.2
126
b. Insektisida
Moving Average Plot for Insektisida

14000 Variable
A ctual
Fits
12000 Forecasts
95.0% PI
10000 Mov ing A v erage

Length 3
Insektisida
8000 Accuracy Measures

MAPE 69
MAD 2250
6000 MSD 8292617
4000
2000
0
3 6 9 12 15 18 21 24 27
Index
Moving Average for Insektisida
Data Insektisida
Length 24
NMissing 0
Moving Average
Length 3
Accuracy Measures
MAPE 69
MAD 2250
MSD 8292617
Forecasts

25 7350 1705.91 12994.1
26 7350 1705.91 12994.1
27 7350 1705.91 12994.1
127
c. Fungisida
Moving Average Plot for Fungisida

Variable
A ctual
4000 Fits
Forecasts
95.0% PI
3000 Mov ing A v erage

Length 3
Fungisida
A ccuracy Measures
2000 MA PE 44
MA D 449
MSD 463134
1000
3 6 9 12 15 18 21 24 27
Index
Moving Average for Fungisida
Data Fungisida
Length 24
NMissing 0
Moving Average
Length 3
Accuracy Measures
MAPE 44
MAD 449
MSD 463134
Forecasts

25 983.333 -350.500 2317.17
26 983.333 -350.500 2317.17
27 983.333 -350.500 2317.17
128
d. DKMetrin
Moving Average Plot for DKMetrin

25000 Variable
A ctual
Fits
Forecasts
20000
95.0% PI
Mov ing A v erage

Length 3
15000
DKMetrin
Accuracy Measures
MA PE 70
MA D 4257
10000 MSD 27658180
5000
3 6 9 12 15 18 21 24 27
Index
Moving Average for DKMetrin
Data DKMetrin
Length 24
NMissing 0
Moving Average
Length 3
Accuracy Measures
MAPE 70
MAD 4257
MSD 27658180
Forecasts

25 12506.7 2199.01 22814.3
26 12506.7 2199.01 22814.3
27 12506.7 2199.01 22814.3
129
e. DKMektin
Moving Average Plot for DKMektin

7000 Variable
A ctual
Fits
6000
Forecasts
95.0% PI
5000
Mov ing A v erage
Length 3
4000
DKMektin
Accuracy Measures
3000 MAPE 105
MAD 1387
MSD 2587777
2000
1000
-1000
3 6 9 12 15 18 21 24 27
Index
Moving Average for DKMektin
Data DKMektin
Length 24
NMissing 0
Moving Average
Length 3
Accuracy Measures
MAPE 105
MAD 1387
MSD 2587777
Forecasts

25 2193.33 -959.576 5346.24
26 2193.33 -959.576 5346.24
27 2193.33 -959.576 5346.24
130
f. DKZolExtra
Moving Average Plot for DKZolExtra

1500 Variable
A ctual
Fits
Forecasts
95.0% PI
1000
Mov ing A v erage
Length 3
DKZolExtra
Accuracy Measures
MAPE 44.9
500
MAD 224.2
MSD 95909.1
-500
3 6 9 12 15 18 21 24 27
Index
Moving Average for DKZolExtra
Data DKZolExtra
Length 24
NMissing 0
Moving Average
Length 3
Accuracy Measures
MAPE 44.9
MAD 224.2
MSD 95909.1
Forecasts

25 200 -406.985 806.985
26 200 -406.985 806.985
27 200 -406.985 806.985
131
Lampiran 5. Hasil Perhitungan Metode Single Exponential Smoothing
a. Herbisida
Smoothing Plot for Herbisida

Single Exponential Method
60000 Variable
Actual
50000 Fits
Forecasts
95.0% PI
40000
Smoothing Constant
Alpha 0.457386
30000
Herbisida
A ccuracy Measures
MA PE 187
20000 MA D 13291
MSD 223523577
10000
-10000
3 6 9 12 15 18 21 24 27
Index
Single Exponential Smoothing for Herbisida
Data Herbisida
Length 24
Smoothing Constant
Alpha 0.457386
Accuracy Measures
MAPE 187
MAD 13291
MSD 223523577
Forecasts

25 22728.9 -9832.37 55290.1
26 22728.9 -9832.37 55290.1
27 22728.9 -9832.37 55290.1
132
b. Insektisida
Smoothing Plot for Insecticides

15000 Variable
Actual
Fits
12500
Forecasts
95.0% PI
10000 Smoothing Constant
Alpha 0.1
Insecticides
7500 A ccuracy Measures

MA PE 87
MA D 2901
5000 MSD 15953654
2500
3 6 9 12 15 18 21 24 27
Index
Single Exponential Smoothing for Insecticides
Data Insecticides
Length 24
Smoothing Constant
Alpha 0.1
Accuracy Measures
MAPE 87
MAD 2901
MSD 15953654
Forecasts

25 5945.45 -1161.62 13052.5
26 5945.45 -1161.62 13052.5
27 5945.45 -1161.62 13052.5
133
c. Fungisida
Smoothing Plot for Fungisida

Variable
Actual
4000
Fits
Forecasts
95.0% PI
Alpha 0.309880
Fungisida
A ccuracy Measures
2000 MAPE 57
MAD 667
MSD 990547
1000
3 6 9 12 15 18 21 24 27
Index
Single Exponential Smoothing for Fungisida
Data Fungisida
Length 24
Smoothing Constant
Alpha 0.309880
Accuracy Measures
MAPE 57
MAD 667
MSD 990547
Forecasts

25 1254.43 -379.767 2888.63
26 1254.43 -379.767 2888.63
27 1254.43 -379.767 2888.63
134
d. DKMetrin
Smoothing Plot for DKMetrin

25000 Variable
Actual
Fits
20000 Forecasts
95.0% PI

A lpha 0.0936851
DKMetrin
A ccuracy Measures
10000 MA PE 84
MA D 5606
MSD 46011589
5000
-5000
3 6 9 12 15 18 21 24 27
Index
Single Exponential Smoothing for DKMetrin
Data DKMetrin
Length 24
Smoothing Constant
Alpha 0.0936851
Accuracy Measures
MAPE 84
MAD 5606
MSD 46011589
Forecasts

25 9368.34 -4365.73 23102.4
26 9368.34 -4365.73 23102.4
27 9368.34 -4365.73 23102.4
135
e. DKMektin
Smoothing Plot for DKMektin

Variable
7000 Actual
Fits
6000 Forecasts
95.0% PI
5000
Smoothing Constant
4000 A lpha 0.0731937
DKMektin

MA PE 134
2000 MA D 1948
MSD 4940321
1000
0
-1000
-2000
3 6 9 12 15 18 21 24 27
Index
Single Exponential Smoothing for DKMektin
Data DKMektin
Length 24
Smoothing Constant
Alpha 0.0731937
Accuracy Measures
MAPE 134
MAD 1948
MSD 4940321
Forecasts

25 2541.01 -2232.63 7314.65
26 2541.01 -2232.63 7314.65
27 2541.01 -2232.63 7314.65
136
f. DKZolExtra
Smoothing Plot for DKZolExtra

1500 Variable
Actual
Fits
Forecasts
1000
95.0% PI
Smoothing Constant
Alpha 0.378987
500
DKZolExtra
A ccuracy Measures
MAPE 56
MAD 372
0 MSD 212676
-500
-1000
3 6 9 12 15 18 21 24 27
Index
Single Exponential Smoothing for DKZolExtra
Data DKZolExtra
Length 24
Smoothing Constant
Alpha 0.378987
Accuracy Measures
MAPE 56
MAD 372
MSD 212676
Forecasts

25 142.306 -768.924 1053.54
26 142.306 -768.924 1053.54
27 142.306 -768.924 1053.54
137
Lampiran 6. Hasil Perhitungan Metode Double Exponential Smoothing
a. Herbisida
Smoothing Plot for Herbisida

Double Exponential Method
Variable
80000
Actual
Fits
60000 Forecasts
95.0% PI
Smoothing Constants
40000 A lpha (level) 0.832820
Herbisida
Gamma (trend) 0.052778

MA PE 167
MA D 12904
0 MSD 266170017
-20000
-40000
3 6 9 12 15 18 21 24 27
Index
Double Exponential Smoothing for Herbisida
Data Herbisida
Length 24
Smoothing Constants
Alpha (level) 0.832820

Accuracy Measures
MAPE 167
MAD 12904
MSD 266170017
Forecasts

25 22691.4 -8922.3 54305.2
26 23556.4 -19743.7 66856.6
27 24421.4 -31390.1 80232.9
138
b. Insektisida
Smoothing Plot for Insektisida

20000 Variable
Actual
Fits
15000 Forecasts
95.0% PI
Smoothing Constants
10000 A lpha (level) 0.498334
Insektisida
A ccuracy Measures
5000 MAPE 120
MAD 3503
MSD 19300532
-5000
3 6 9 12 15 18 21 24 27
Index
Double Exponential Smoothing for Insektisida
Data Insektisida
Length 24
Smoothing Constants

Accuracy Measures
MAPE 120
MAD 3503
MSD 19300532
Forecasts

25 6016.56 -2565.76 14598.9
26 5969.69 -3754.04 15693.4
27 5922.81 -5061.35 16907.0
139
c. Fungisida
Smoothing Plot for Fungisida

5000 Variable
Actual
4000 Fits
Forecasts
95.0% PI
3000
Smoothing Constants
A lpha (level) 0.550826
Fungisida
2000 Gamma (trend) 0.113992
A ccuracy Measures
1000 MA PE 66
MA D 715
MSD 1136014
0
-1000
-2000
3 6 9 12 15 18 21 24 27
Index
Double Exponential Smoothing for Fungisida
Data Fungisida
Length 24
Smoothing Constants

Accuracy Measures
MAPE 66
MAD 715
MSD 1136014
Forecasts

25 861.596 -888.91 2612.10
26 809.179 -1226.13 2844.49
27 756.762 -1592.20 3105.73
140
d. DKMetrin
Smoothing Plot for DKMetrin

Variable
30000 Actual
Fits
Forecasts
95.0% PI
20000 Smoothing Constants
DKMetrin

MAPE 90
MAD 6241
MSD 59635154
-10000
3 6 9 12 15 18 21 24 27
Index
Double Exponential Smoothing for DKMetrin
Data DKMetrin
Length 24
Smoothing Constants

Accuracy Measures
MAPE 90
MAD 6241
MSD 59635154
Forecasts

25 11505.7 -3783.67 26795.1
26 11412.1 -6399.17 29223.4
27 11318.5 -9269.51 31906.5
141
e. DKMektin
Smoothing Plot for DKMektin

7500 Variable
Actual
Fits
Forecasts
5000
95.0% PI
Smoothing Constants
2500
DKMektin
A ccuracy Measures
MA PE 155
0 MA D 2103
MSD 5874335
-2500
-5000
3 6 9 12 15 18 21 24 27
Index
Double Exponential Smoothing for DKMektin
Data DKMektin
Length 24
Smoothing Constants

Accuracy Measures
MAPE 155
MAD 2103
MSD 5874335
Forecasts

25 1591.63 -3560.39 6743.65
26 1465.78 -3940.00 6871.55
27 1339.93 -4344.30 7024.16
142
f. DKZolExtra
Smoothing Plot for DKZolExtra

1500 Variable
Actual
Fits
1000 Forecasts
95.0% PI
Smoothing Constants
500 A lpha (level) 0.419380
DKZolExtra
A ccuracy Measures
0 MA PE 67
MA D 365
MSD 224398
-500
-1000
3 6 9 12 15 18 21 24 27
Index
Double Exponential Smoothing for DKZolExtra
Data DKZolExtra
Length 24
Smoothing Constants

Accuracy Measures
MAPE 67
MAD 365
MSD 224398
Forecasts

25 69.2254 -824.46 962.91
26 42.0015 -935.54 1019.54
27 14.7776 -1055.46 1085.02
143
Lampiran 7. Hasil Perhitungan Uji Z
a. Herbisida
Penjualan Ramalan 2
2 (X2 -
Herbisida (X1) (X1 - x ) (X1 - x ) Herbisida (X1) x) (X2 - x)
19050 19.1 0.0 0 0.00 0.0 -19.2 369.41
32167.5 32.2 13.1 172.0688 0.00 0.0 -19.2 369.41
9413 9.4 -9.6 92.87177 20210.17 20.2 1.0 0.98
43893.26 43.9 24.8 617.1876 28491.25 28.5 9.3 85.96
49812.13 49.8 30.8 946.3086 34372.80 34.4 15.2 229.61
14322.88 14.3 -4.7 22.34566 36009.42 36.0 16.8 281.88
5754 5.8 -13.3 176.7836 23296.34 23.3 4.1 16.62
0 0.0 -19.1 362.9025 6692.29 6.7 -12.5 156.94
29675 29.7 10.6 112.8906 11809.67 11.8 -7.4 54.91
35202.63 35.2 16.2 260.9075 21625.88 21.6 2.4 5.79
40930 40.9 21.9 478.7344 35269.21 35.3 16.0 257.58
39014 39.0 20.0 398.5613 38382.21 38.4 19.2 367.19
14450 14.5 -4.6 21.16 31464.67 31.5 12.2 149.93
11412.5 11.4 -7.6 58.33141 21625.50 21.6 2.4 5.79
5950 6.0 -13.1 171.61 10604.17 10.6 -8.6 74.23
5380 5.4 -13.7 186.8689 7580.83 7.6 -11.6 135.47
7057.5 7.1 -12.0 143.8201 6129.17 6.1 -13.1 171.37
350 0.4 -18.7 349.69 4262.50 4.3 -15.0 223.73
17045 17.0 -2.0 4.020025 8150.83 8.2 -11.1 122.53
19970 20.0 0.9 0.8464 12455.00 12.5 -6.8 45.77
14335 14.3 -4.7 22.23123 17116.67 17.1 -2.1 4.42
22395 22.4 3.3 11.18903 18900.00 18.9 -0.3 0.10
34230 34.2 15.2 230.4324 23653.33 23.7 4.4 19.65
19437.5 19.4 0.4 0.150156 25354.17 25.4 6.1 37.63
3710 3.7 -15.3 235.3156 25354.17 25.4 6.1 37.63
15000 15.0 -4.1 16.4025 26340.60 26.3 7.1 50.70
4500 4.5 -14.6 211.7025 23710.80 23.7 4.5 20.17
Total 514.5 5305.333 Total 518.9 3295.39
Rata-rata 19.05 Rata-rata 19.22
𝜎1 2 = ∑ (x1 - x )2 x1 − x2
N Z hit = σ1 2 σ2 2
√( )+( )
𝑛1 n2
2
𝜎1 = 5305,3 / 27
= 196,49 = - 0,16 / √11,79
𝜎2 2 = 3295,39 / 27 = - 0,16 / 3,433
= 122,05 = - 0,048
144
b. Insektisida
Penjualan Ramalan
(X1) (X2) (X2 - 2
Insektisida (X1 - x ) (X1 - x )2 Insektisida (X2 - x) x)
6790 6.79 1.49 2.22 0.00 0.00 -5.05 25.50
3400 3.40 -1.90 3.61 0.00 0.00 -5.05 25.50
1689.9 1.69 -3.61 13.03 3959.97 3.96 -1.09 1.19
1700 1.70 -3.60 12.96 2263.30 2.26 -2.79 7.77
5130 5.13 -0.17 0.03 2839.97 2.84 -2.21 4.88
450 0.45 -4.85 23.52 2426.67 2.43 -2.62 6.88
2800 2.80 -2.50 6.25 2793.33 2.79 -2.26 5.09
1600 1.60 -3.70 13.69 1616.67 1.62 -3.43 11.79
13440 13.44 8.14 66.26 5946.67 5.95 0.90 0.80
3250 3.25 -2.05 4.20 6096.67 6.10 1.05 1.10
7520 7.52 2.22 4.93 8070.00 8.07 3.02 9.12
7989 7.99 2.69 7.23 6253.00 6.25 1.20 1.45
4810 4.81 -0.49 0.24 6773.00 6.77 1.72 2.97
5610 5.61 0.31 0.10 6136.33 6.14 1.09 1.18
1100 1.10 -4.20 17.64 3840.00 3.84 -1.21 1.46
2800 2.80 -2.50 6.25 3170.00 3.17 -1.88 3.53
2000 2.00 -3.30 10.89 1966.67 1.97 -3.08 9.51
5250 5.25 -0.05 0.00 3350.00 3.35 -1.70 2.89
9898 9.90 4.60 21.14 5716.00 5.72 0.67 0.44
13710 13.71 8.41 70.73 9619.33 9.62 4.57 20.88
5100 5.10 -0.20 0.04 9569.33 9.57 4.52 20.42
13530 13.53 8.23 67.73 10780.00 10.78 5.73 32.83
5040 5.04 -0.26 0.07 7890.00 7.89 2.84 8.07
3480 3.48 -1.82 3.31 7350.00 7.35 2.30 5.29
5600 5.60 0.30 0.09 7350.00 7.35 2.30 5.29
3100 3.10 -2.20 4.84 5290.00 5.29 0.24 0.06
6300 6.30 1.00 1.00 5373.30 5.37 0.32 0.10
Total 143.1 362.01 Total 136.44 216.00
𝜎i 2 = ∑ (xi - x )2 x1 − x2
N Z hit = σ1 2 σ2 2
√( )+( )
𝑛1 n2
𝜎1 2 = 362,01 / 27
= 13,41 = 0,25 / √0,793
𝜎2 2 = 216 / 27 = 0,25 / 0,89
=8 = 0,277
145
c. Fungisida
Penjualan Ramalan
(X1) (X2) (X2 - 2
Fungisida (X1 - x ) (X1 - x )2 Fungisida (X2 - x) x)
1000 1.00 -0.03 0.00 0.0 0.00 -0.84 0.71
1000 1.00 -0.03 0.00 0.0 0.00 -0.84 0.71
1000 1.00 -0.03 0.00 1000.0 1.00 0.16 0.03
1250 1.25 0.22 0.05 1083.3 1.08 0.24 0.06
350 0.35 -0.68 0.46 866.7 0.87 0.03 0.00
550 0.55 -0.48 0.23 716.7 0.72 -0.12 0.02
0 0.00 -1.03 1.06 300.0 0.30 -0.54 0.29
0 0.00 -1.03 1.06 183.3 0.18 -0.66 0.43
0 0.00 -1.03 1.06 0.0 0.00 -0.84 0.71
0 0.00 -1.03 1.06 0.0 0.00 -0.84 0.71
0 0.00 -1.03 1.06 0.0 0.00 -0.84 0.71
1000 1.00 -0.03 0.00 333.3 0.33 -0.51 0.26
1000 1.00 -0.03 0.00 666.7 0.67 -0.17 0.03
0 0.00 -1.03 1.06 666.7 0.67 -0.17 0.03
1300 1.30 0.27 0.07 766.7 0.77 -0.07 0.01
0 0.00 -1.03 1.06 433.3 0.43 -0.41 0.17
650 0.65 -0.38 0.14 650.0 0.65 -0.19 0.04
820 0.82 -0.21 0.04 490.0 0.49 -0.35 0.12
4280 4.28 3.25 10.56 1916.7 1.92 1.08 1.16
2200 2.20 1.17 1.37 2433.3 2.43 1.59 2.54
2400 2.40 1.37 1.88 2960.0 2.96 2.12 4.49
750 0.75 -0.28 0.08 1783.3 1.78 0.94 0.89
2200 2.20 1.17 1.37 1783.3 1.78 0.94 0.89
0 0.00 -1.03 1.06 983.3 0.98 0.14 0.02
4500 4.50 3.47 12.04 983.3 0.98 0.14 0.02
1000 1.00 -0.03 0.00 1061.1 1.06 0.22 0.05
500 0.50 -0.53 0.28 681.5 0.68 -0.16 0.03
Total 27.75 37.07 Total 22.74 15.08
𝜎i 2 = ∑ (xi - x )2
x1 − x2
N Z hit = σ1 2 σ2 2
√( )+( )
𝑛1 n2
𝜎1 2 = 37,07 / 27
= 0,05 = 0,19 / √0,072
𝜎2 2 = 15,08 / 27 = 0,19 / 0,268
= 0,56 = 0,692
146
d. DKMetrin
Penjualan (X1 - Ramalan
(X2) 2
Metrin
(X1) (X1 - x )2 Metrin (X2 - x ) (X2 - x )
x) 0.0 0.00 -8.77 76.91
13550.00 13.55 4.66 21.72
0.0 0.00 -8.77 76.91
16050.00 16.05 7.16 51.27
10583.3 10.58 1.81 3.29
2150.00 2.15 -6.74 45.43
10216.7 10.22 1.45 2.09
12450.00 12.45 3.56 12.67
11340.0 11.34 2.57 6.60
19420.00 19.42 10.53 110.88
11800.0 11.80 3.03 9.18
3530.00 3.53 -5.36 28.73
9133.3 9.13 0.36 0.13
4450.00 4.45 -4.44 19.71
2660.0 2.66 -6.11 37.33
0.00 0.00 -8.89 79.03
7333.3 7.33 -1.44 2.06
17550.00 17.55 8.66 75.00
8483.3 8.48 -0.29 0.08
7900.00 7.90 -0.99 0.98
14996.7 15.00 6.23 38.77
19540.00 19.54 10.65 113.42
15463.3 15.46 6.69 44.80
18950.00 18.95 10.06 101.20
16496.7 16.50 7.73 59.70
11000.00 11.00 2.11 4.45
4300.00 4.30 -4.59 21.07 11416.7 11.42 2.65 7.00
5950.00 5.95 -2.94 8.64 7083.3 7.08 -1.69 2.84
5380.00 5.38 -3.51 12.32 5210.0 5.21 -3.56 12.67
2950.00 2.95 -5.94 35.28 4760.0 4.76 -4.01 16.08
0.00 0.00 -8.89 79.03 2776.7 2.78 -5.99 35.92

7420.00 7.42 -1.47 2.16 3456.7 3.46 -5.31 28.23
6830.00 6.83 -2.06 4.24 4750.0 4.75 -4.02 16.16
8600.00 8.60 -0.29 0.08 7616.7 7.62 -1.15 1.33
6320.00 6.32 -2.57 6.60 7250.0 7.25 -1.52 2.31
22600.00 22.60 13.71 187.96 12506.7 12.51 3.74 13.96
8600.00 8.60 -0.29 0.08 12506.7 12.51 3.74 13.96
1000.00 1.00 -7.89 62.25 12506.7 12.51 3.74 13.96
12000.00 12.00 3.11 9.67 14568.9 14.57 5.80 33.63
1500.00 1.50 -7.39 54.61 11891.9 11.89 3.12 9.75
Total 239.99 1148.52 Total 236.81 565.69
𝜎i 2 = ∑ (xi - x )2
x1 − x2
N Z hit = σ1 2 σ2 2
√( )+( )
𝑛1 n2
𝜎1 2 = 1148,52 / 27
= 42,54 = 0,12 / √2,351
𝜎2 2 = 565.69 / 27 = 0,19 / 1,533
= 0,78 = 0,08
147
e. DKMektin
Penjualan Ramalan
(X1) 2 (X2) 2
Mektin (X1 - x ) (X1 - x ) Mektin (X2 - x ) (X2 - x )
5640 5.64 3.10 9.61 0.0 0.00 -2.47 6.10
2700 2.70 0.16 0.03 0.0 0.00 -2.47 6.10
639.9 0.64 -1.90 3.61 2993.3 2.99 0.52 0.27
1700 1.70 -0.84 0.71 1680.0 1.68 -0.79 0.62
4330 4.33 1.79 3.20 2223.3 2.22 -0.25 0.06
450 0.45 -2.09 4.37 2160.0 2.16 -0.31 0.10
6864 6.86 4.32 18.70 3881.3 3.88 1.41 1.99
950 0.95 -1.59 2.53 2754.7 2.75 0.28 0.08
5640 5.64 3.10 9.61 4484.7 4.48 2.01 4.06
1800 1.80 -0.74 0.55 2796.7 2.80 0.33 0.11
3620 3.62 1.08 1.17 3686.7 3.69 1.22 1.48
4040 4.04 1.50 2.25 3153.3 3.15 0.68 0.47
3200 3.20 0.66 0.44 3620.0 3.62 1.15 1.32
5610 5.61 3.07 9.42 4283.3 4.28 1.81 3.29
600 0.60 -1.94 3.76 3136.7 3.14 0.67 0.44
2800 2.80 0.26 0.07 3003.3 3.00 0.53 0.28
350 0.35 -2.19 4.80 1250.0 1.25 -1.22 1.49
5270 5.27 2.73 7.45 2806.7 2.81 0.34 0.11
0 0.00 -2.54 6.45 1873.3 1.87 -0.60 0.36
4450 4.45 1.91 3.65 3240.0 3.24 0.77 0.59
0 0.00 -2.54 6.45 1483.3 1.48 -0.99 0.97
4940 4.94 2.40 5.76 3130.0 3.13 0.66 0.44
0 0.00 -2.54 6.45 1646.7 1.65 -0.82 0.68
1640 1.64 -0.90 0.81 2193.3 2.19 -0.28 0.08
0 0.00 -2.54 6.45 2193.3 2.19 -0.28 0.08
1300 1.30 -1.24 1.54 1277.7 1.28 -1.19 1.42
0 0.00 -2.54 6.45 1703.7 1.70 -0.77 0.59
Total 68.53 126.28 Total 66.66 33.58
𝜎i 2 = ∑ (xi - x )2
x1 − x2
N Z hit = σ1 2 σ2 2
√( )+( )
𝑛1 n2
2
𝜎1 = 126,28 / 27
= 1,24 = 0,07 / √0,219
𝜎2 2 = 33,58 / 27 = 0,19 / 0,467
= 0,05 = 0,149
148
f. DKZolExtra
Penjualan Ramalan
(X1) (X2) 2
ZolEXtra (X1 - x) (X1 - x )2 ZolExtra (X2 - x) (X2 - x)
1000 1.00 0.47 0.22 0 0.00 -0.34 0.12
1000 1.00 0.47 0.22 0 0.00 -0.34 0.12
1000 1.00 0.47 0.22 1000.0 1.00 0.66 0.44
1250 1.25 0.72 0.52 1083.3 1.08 0.74 0.55
350 0.35 -0.18 0.03 866.7 0.87 0.53 0.28
550 0.55 0.02 0.00 716.7 0.72 0.38 0.14
0 0.00 -0.53 0.28 300.0 0.30 -0.04 0.00
0 0.00 -0.53 0.28 183.3 0.18 -0.16 0.02
0 0.00 -0.53 0.28 0.0 0.00 -0.34 0.12
0 0.00 -0.53 0.28 0.0 0.00 -0.34 0.12
0 0.00 -0.53 0.28 0.0 0.00 -0.34 0.12
1000 1.00 0.47 0.22 333.3 0.33 -0.01 0.00
1000 1.00 0.47 0.22 666.7 0.67 0.33 0.11
0 0.00 -0.53 0.28 666.7 0.67 0.33 0.11
1300 1.30 0.77 0.59 766.7 0.77 0.43 0.18
0 0.00 -0.53 0.28 433.3 0.43 0.09 0.01
650 0.65 0.12 0.01 650.0 0.65 0.31 0.10
0 0.00 -0.53 0.28 216.7 0.22 -0.12 0.02
0 0.00 -0.53 0.28 216.7 0.22 -0.12 0.02
0 0.00 -0.53 0.28 0.0 0.00 -0.34 0.12
0 0.00 -0.53 0.28 0.0 0.00 -0.34 0.12
200 0.20 -0.33 0.11 66.7 0.07 -0.27 0.07
400 0.40 -0.13 0.02 200.0 0.20 -0.14 0.02
0 0.00 -0.53 0.28 200.0 0.20 -0.14 0.02
4500 4.50 3.97 15.76 200 0.20 -0.14 0.02
0 0.00 -0.53 0.28 200 0.20 -0.14 0.02
0 0.00 -0.53 0.28 133.3 0.13 -0.21 0.04
Total 14.20 22.08 Total 9.10 2.97
𝜎i 2 = ∑ (xi - x )2
x1 − x2
N Z hit = σ1 2 σ2 2
√( )+( )
𝑛1 n2
2
𝜎1 = 22,08 / 27
= 0,82 = 0,19 / √0,034
𝜎2 2 = 2,97 / 27 = 0,19 / 0,184
= 0,11 = 1,027
149

Ramalan Penjualan Herbisida

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ramalan Penjualan Herbisida

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS PERAMALAN PENJUALAN HERBISIDA,

INSEKTISIDA DAN FUNGISIDA DI PT. DANKEN

PROGRAM STUDI AGRIBISNIS

PROGRAM STUDI AGRIBISNIS

Nama : Humairra Avicienna

Jenis Kelamin : Perempuan

Tempat, Tanggal Lahir : Jakarta, 28 Agustus 1996

Alamat : Permata Pamulang, Jl. Bukit

Tinggi Badan : 158 cm

2002-2008 : SDN Puspiptek

2008-2011 : SMPN 17 Kota Tangerang Selatan

2011-2014 : SMAN 6 KotaTangerang Selatan

2014-2018 : S-1 Agribisnis UIN Syarif Hidayatullah Jakarta

Pengalaman Organisasi dan Prestasi

2012-2013 : Pengurus Ekstrakulikuler Saman SMAN 6 Kota

2015-2016 : Anggota Divisi Recruitment LSO Saman Agribisnis

2015 : Koordinator Panitia Divisi Pubdekdok OPAK (Orientasi

Delegasi UIN Jakarta (Grup Indonesia) Koronadal

2016 : Anggota Divisi Humas Aplikasi Studi (AKSI) Agribisnis

2016 : Peserta Penari 6600 Ratoeh Jaroe Massal

2017 : Departemen Pemasaran PT. Mitra Balai Industri

2018 : Asisten Praktikum Mata Kuliah Ilmu Tanaman, Program

karunia, srta hidayah-Nya sehingga penulis dapat menyelesaikan skripsi yang

berjudul “Analisis Peramalan Penjualan Herbisida, Insektisida, dan

Fakultas Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah

bantuan berbagai pihak. Penulis dengan penuh rasa hormat mengucapkan

sehingga penulis dapat menyelesaikan skripsi ini. Penulis mengucapkan terima

banyak sekali memberikan masukan-masukan yang berarti dalam penulisan

sayang dan dukungannya tanpa henti.

2. Kakak penulis tersayang Shakienna Avicienna yang selalu memberikan

dukungan dan motivasi selama penulisan skripsi.

UIN Syarif Hidayatullah Jakarta beserta jajarannya.

Iwan Aminuddin, M.Si selaku Sekretaris Program Studi Agribisnis, terima

kasih telah memberikan kesempatan dan dukungan kepada penulis serta

membantu penulis dalam proses akademis.

5. Seluruh dosen Program Studi Agribisnis yang telah memberikan ilmu,

pengetahuan, wawasan dan pengalamannya kepada penulis sehingga

dapat terselesainya skripsi ini.

6. Dr. Lilis Imamah Ichdayati, M.Si sebagai pembimbing I skripsi sekaligus

pembimbing akademik dan Ir. Armaeni Dwi Humaerah, M.Si

sebagai pemimbing II terima kasih telah mencurahkan waktu, tenaga,

7. Ir. Mudatsir Najamuddin, M.Si selaku penguji I dan Rahmah

Farahdita Soeyatno, M.Si selaku penguji II skripsi saya yang telah

memberikan banyak masukan sehingga skripsi ini menjadi lebih baik.

Anti, Mba Martha, dan seluruh staff PT. Danken Indonesia.

bantuan dalam pengolahan data. Terimakasih atas semua penjelasan

mengenai statistika yang penulis butuhkan.

selama perkuliahan sampai pada penulisan skripsi ini. Terimakasih atas

selalu ada dalam suka dan duka. See you on top!

membantu dan memberikan semangat kepada penulis selama perkuliahan.

See you on top guys!

ilmu dan pengalaman organisasinya.

ilmu, pengalaman dan informasi mengenai seluk-beluk skripsi, serta adik-

2015 dan 2016 yang selalu memberikan support.

telah membantu penulis untuk menyelesaikan skripsi ini. Terimakasih atas

semangat dan motivasinya.

Penulis berharap agar skripsi ini dapat bermanfaat bagi pembaca.

kepada penulis. Aamiin Ya Rabbal Allamiin

Jakarta, September 2018

HUMAIRRA AVICIENNA, Analisis Peramalan Penjualan Herbisida,

Perbedaan penggunaan jenis pestisida dalam mengendalikan OPT

RIWAYAT HIDUP .............................................................................................. v

KATA PENGANTAR ......................................................................................... vi