SKRIPSI
Humairra Avicienna
11140920000064
Oleh :
HUMAIRRA AVICIENNA
11140920000064
Skripsi
Sebagai Salah Satu Syarat Memperolah Gelar Sarjana Pertanian
pada Program Studi Agribisnis
Data Diri
Kewarganegaraan : Indonesia
Agama : Islam
No. HP : 085885342180
E-mail : humairra.avicienna@yahoo.com
Berat Badan : 44 kg
Riwayat Pendidikan
Pengalaman Kerja
vi
KATA PENGANTAR
Puji dan Syukur kehadirat Allah SWT yang telah memberikan rahmat,
Fungisida di PT. Danken Indoneisa”. Skripsi ini diajukan sebagai salah satu
syarat untuk menyelesaikan studi strata satu (S1) pada Program Studi Agribisnis,
Jakarta.
Selama proses penyelesaian skripsi ini tidak terlepas dari dukungan dan
banyak terima kasih kepada semua pihak yang memberikan bantuan dan
dukungan baik secara moril dan materil, secara lansung maupun tidak langsung
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
skripsi ini dan mama saya Hilyati Syamsudin yang telah melimpahkan kasih
3. Bapak Dr. Agus Salim, M.Si selaku Dekan Fakultas Sains dan Teknologi
support, nasihat serta memberikan ilmunya secara tulus sehingga skripsi ini
dapat terselesaikan.
8. Bapak Zulkarnaen Lubis selaku Direktur Utama PT. Danken Indonesia, Mba
9. Mba Maya Wulan Arini, S. Stat, MM yang telah memberikan ilmu dan
10. Sahabat penulis di kampus, Chabe Syariah Tia, Dea, Wita, Vivi, Lulu,
Ninda, dan Ule yang selalu ada setiap saat, menemani dan membantu
dukungan,
viii
nasihat, kasih sayang, celotehan, tempat curhat, tangisan, hiburan, yang
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
13. Keluarga besar Saman Agribisnis dan Amarantha terima kasih atas prestasi,
14. Kakak – kakak senior Agribisnis 2012 dan 2013 yang selalu memberikan
adik junior
15. Semua pihak yang tidak dapat penulis sebutkan satu persatu yang
Semoga Allah SWT membalas segala kebaikan yang telah kalian berikan
Penulis
ix
RINGKASAN
Kata Kunci : peramalan, penjualan, pestisida, VAR, IRF, FEVD, moving average
xi
DAFTAR ISI
RINGKASAN ....................................................................................................... x
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
xiv
DAFTAR TABEL
No. Halaman
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
29. Hasil Ramalan Penjualan dengan Data Aktual Penjualan Tiga Jenis
Pestisida PT. Danken Indonesia Periode Januari-Maret 2018 ...................... 106
xvi
DAFTAR GAMBAR
No. Halaman
1. Jenis Pestisida Terdaftar di Indonesia .................................................................3
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
15. Plot Data Penjualan DKMetrin PT. Danken Indonesia 2016-2017 ................. 95
17. Plot Data Penjualan DKZolExtra PT. Danken Indonesia 2016-2017 ..............97
DAFTAR LAMPIRAN
No. Halaman
pertanian antara lain penyediaan benih/bibit, pupuk, alat mesin pertanian dan
pestisida. Selain itu, terdapat penunjang kredit pertanian dan lembaga keuangan
hasil dan mutu produksi, meningkatkan taraf hidup petani, memperluas lapangan
oleh faktor-faktor yang berada di luar kemampuan para petani, salah satunya ialah
harus dikendalikan. Artinya OPT tersebut harus dimonitor, diamati dan diawasi
produksi pertanian akibat serangan OPT membuat kerugian yang besar di beberapa
Oseania, Amerika Utara, Rusia, Amerika Selatan, Afrika, dan Asia. Wilayah Asia
menyerang pada enam belas komoditi utama perkebunan tahun 2016 sekitar 3,83
juta ha. Akibatnya, diperkirakan mengalami kerugian hasil sekitar Rp.1,087 trilyun.
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
organisme sasaran. Bila pestisida tersebut efektif dan metode aplikasinya tepat,
2
populasi hama dapat diturunkan untuk sementara, tetapi tidak dapat dan tidak
Pestisida yang beredar di pasar harus sudah terdaftar dan memiliki perizinan
melalui Kementerian Pertanian. Saat ini terdapat 15 jenis pestisida terdaftar yang
2000 2011
1000 2012
2013
0
2014
2015
2016
2017
Jenis Pestisida
tanaman, namun juga untuk pemukiman (pestisida rumah tangga, bahan pengawet
kayu, rodentisida dan repelen), perikanan, dan peternakan. Dari berbagai jenis
formulasi di tahun 2017. Jumlah formulasi ketiga jenis pestisida ini jauh lebih tinggi
dan terus mengalami peningkatan dari tahun 2011 hingga 2017 jika dibandingkan
3
produsen pestisida, pedagang besar dan pengecer, berkepentingan agar pestisida
yang telah memperoleh izin untuk dipergunakan dapat diijual kepada masyarakat
dengan harga yang dapat dijangkaunya (Oka, 2005:194). Hasil positif dari
salah satu anggota dari perusahaan multi nasional yaitu Zhongsan Grup. PT Danken
Indonesia menyediakan berbagai macam jenis pestisida yang berkualitas tinggi. PT.
insektisida, dan fungisida. Ketiga jenis produk tersebut memiliki penjualan yang
penjualan untuk herbisida, insektisida, dan fungisida. PT. Danken Indonesia telah
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
Gambar 2. Grafik Penjualan Per Bulan Produk Herbisida, Insektisida, dan Fungisida
Periode Januari 2016 – Desember 2017.
Sumber: PT. Danken Indonesia, 2018
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
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
seimbang dikarenakan adanya pengendalian OPT yang berbeda antara gulma, hama
dan penyakit. Penggunaan pestisida akan disesuaikan dengan serangan OPT tersbut
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
liter.
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
informasi yang ada. PT. Danken Indonesia memerlukan suatu instrumen yang
6
diharapkan dapat mengontrol penjualan ketiga produk di masa yang akan datang
Oleh karena itu, perlu dilakukan peramalan penjualan seakurat mungkin dan pihak
dapat disesuaikan dari hasil ramalan penjualan. Berdasarkan hal tersebut, penulis
Indonesia”.
4. Apakah terdapat perbedaan yang signifikan pada hasil evaluasi dari data aktual
7
1. Mengetahui hubungan antara herbisida, insektisida, dan fungisida terhadap
selanjutnya.
3. Bagi Penulis, untuk menerapkan ilmu dan pengetahuan yang telah diperoleh
penulis dimasa perkuliahan, serta sebagai salah satu syarat kelulusan studi
Hidayatullah Jakarta.
Penelitian ini hanya akan melakukan peramalan penjualan tiga jenis pestisida
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
dilanjutkan dengan alat analisis Impulse Response Function (IRF) dan Forecast
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
sistem yang terdiri atas beberapa subsistem seperti pada Gambar 3 berikut.
memiliki keterkaitan satu sama lain. Agribisnis merupakan suatu kegiatan usaha
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
Salah satu subsistem dari sistem agribisnis ialah subsistem pengadaan dan
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
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-
yang sangat penting dan merupakan “bagian” yang tidak dapat dipisahkan dari
pengganggu, dalam langkah budidaya tanaman merupakan salah satu langkah yang
11
Adapun tujuan perlindungan tanaman menurut Firmansyah (2017:2), antara lain :
(OPT).
2.2.1 Pestisida
Pestisida berasal dari kata pest yang artinya hama dan side yang berarti
jasad hidup yang dianggap sebagai hama dalam arti yang merugikan kepentingan
hama.
Gangguan pada tanaman bisa terjadi karena faktor abiotik yang tidak bisa
(makhluk hidup) yang bisa dikendalikan dengan pestisida disebut dengan istilah
12
3. Moluskisida, digunakan untuk mengendalikan hama dari bangsa siput.
12. Repelen, pestisida yang tidak bersifat membunuh, hanya mengusir hama.
14. ZPT, digunakan untuk mengatur pertumbuhan tanaman yang efeknya bisa
relatif sama. Hanya saja, sesuai dengan sifat dan karakteristik kelompok serta
masing-masing jenis OPT dari setiap kelompok, maka strategi atau langkah
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-
Sehingga, jenis pestisida yang tepat untuk pemberantasan hama serangga dengan
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
(patogen sudah ada didalam tanaman), dan protektan (pada permukaan bagian
biotis, ialah gulma. Menurut Sutidjo (1974) dalam Djafaruddin (1995:60) gulma
dikehendaki dan mempunyai nilai negatif bagi manusia. Jenis pestisida yang
14
Dilihat dari aplikasinya, herbisida dibedakan atas empat macam, yaitu herbisida
bahwa kehilangan hasil pertanian mulai dari lahan (on farm) sampai dengan setelah
panen (off farm) dapat mencapai 25% disebabkan oleh serangan hama. OPT dapat
(2013:2), antara lain penurunan kuantitas dan kualitas produksi hasil pertanian,
hal ini disebabkan kemudahan cara aplikasi pestisida. Hasil yang terlihat pun lebih
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
peramalan, metode peramalan, dan ukuran akurasi dalam hasil peramalan yang
Nugroho (2016:136) ialah rencana untuk masa depan dan membuat keputusan yang
perkiraan mengenai terjadinya suatu kejadian atau peristiwa di waktu yang akan
datang.
terjadi yaitu berdasarkan data masa lalu dan data saat ini, dengan suatu metode
tertentu yang lazim disebut sebagai metode statistik atau matematik (Sutawidjaya
jangka waktu, ruang lingkup, dan metode yang digunakan. Apabila dilihat dari
Nugroho, 2016:138):
waktu yang cukup lama, biasanya lebih dari satu setengah tahun atau tiga semester.
16
Sedangkan menurut Supranto (2000:10) ramalan jangka panjang meliputi kurang
tentang penjualan dari produk yang dihasilkan oleh perusahaan dalam satu setengah
tahun atau kurang. Sedangkan menurut Supranto (2000:10) ramalan jangka pendek
dibedakan menjadi peramalan makro dan mikro. Namun, batasan mengenai mikro
dan makro itu adalah relatif. Berdasarkan metode peramalan yang digunakan,
1. Peramalan Kualitatif
yang lalu. Hasil dari peramalan yang dibuat sangat tergantung pada orang yang
serta sistem nilai yang dianut. Ada empat pendekatan yang biasa dipakai dalam
metode peramalan secara kualitatif, yaitu jury of executive opinon, sales force
17
2. Peramalan Kuantitatif
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
c. Dapat diasumsikan bahwa pola data yang lalu akan berkelanjutan pada masa
1. Horison Waktu
Ada dua aspek dari horizon waktu yang berhubungan dengan metode
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
18
3. Jenis Model
yang mungkin secara sistematik dapat dijelaskan dengan analisis regresi atau
korelasi. Model yang lain adalah model sebab akibat yang menggambarkan
disebutkan diatas.
4. Biaya
5. Ketepatan
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
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
dua golongan, yaitu metode deret waktu dan metode kausal (regresi).
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)
saat ini merupakan prediktor terbaik dari masa mendatang. Metode ini merupakan
yang dijadikan sebagai ramalan waktu mendatang. Metode naif cocok pada pola
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 :
dengan Y sebagai data dan t sebagai periode. Bila data (Yt) terlihat adanya tren
meningkat atau disebut nonstasioner, maka ditambahkan perbedaan nilai data antara
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.
Metode ini digunakan jika terdapat informasi baru, nilai ramalan terbaru
21
informasi terbaru, artinya semua informasi dibobot sama. Metode rata-rata bergerak
keterangan :
n = ordo
pola data yang ada. Tentu saja, semakin panjang periodenya, semakin rata kurvanya
memberikan bobot yang lebih tinggi untuk informasi yang lebih baru. Teknik
pemulusan cocok digunakan untuk peramalan mingguan atau bulanan untuk sistem
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
Nilai peramalan satu periode yang akan datang adalah penjumlahan dua
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):
Teknik ini mempunyai dasar pemikiran yang sama dengan rataan bergerak
linier dan cukup akurat jika diterapkan untuk series yang mengandung unsur trend.
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 :
keterangan :
α, β = koefisien pemulusan
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
umumnya memiliki empat komponen, yaitu trend seasonality, cycles, dan random
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
24
keterangan :
a, b = konstanta
n = banyaknya data
Y = penjualan aktual
ŕ = rasio penjualan
f. Teknik Winters
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) :
keterangan :
25
p = jumlah periode penjualan mendatang yang akan diramalkan
α, β, γ = koefisien pemulusan
Metode ini fokus pada identifikasi dan determinasi hubungan antar variabel
yang akan diramalkan yang tergolong dalam metode kausal antara lain teknik
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
2. MSE (Mean Squared Error) : rataan selisih kuadrat antara nilai yang diramalkan
Untuk mendapatkan peramalan yang akurat, terdapat dua hal yang harus
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
nyata untuk menilai ketepatan penggunaan suatu metodelogi atau teknik peramalan.
2.4 Kointegrasi
pendek secara konsisten dengan hubungan jangka panjangnya. Dengan kata lain,
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
27
2.5 Vector Autoregression (VAR)
Model VAR pertama kali diperkenalkan oleh Christopher Sims pada tahun
time series analysis. VAR menyediakan cara yang sistematis untuk menangkap
perubahan yang dinamis dalam multiple time series, serta memiliki pendekatan yang
(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
itu.
yang relevan.
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
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).
spesifikasinya. Oleh karena itu, VECM sering disebut sebagai desain VAR bagi
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
29
2.8 Forecast Error Decomposition Variance (FEVD)
suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh
dinamis dalam model VAR/VECM, dimana dalam metode ini dapat dilihat kekuatan
dalam kurun waktu yang panjang. Jadi, FEVD dapat diketahui secara pasti faktor-
(Firdaus, 2011:158).
Godong Ijo Asri dalam Rangka Perencanaan Strategi Pemasaran. Penelitian ini
bunga adenium pada PT Godongijo Asri, dan mendapatkan hasil peramalan sehingga
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
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
penjualan. Penjualan menurun dari 3296 pada bulan Mei 2009 hingga 1924 pada
Menggunakan Metode Kointegrasi Pada Produk Safe 1 dan Cypergard (500 ml dan
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)
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
Persediaan Buah Durian di Rumah Durian Harum Bintaro, Jakarta. Penelitian ini
penjualan dilakukan dengan metode peramalan time series yaitu metode double
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
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.
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
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
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).
PT. Danken Indonesia adalah anggota dari Zhongsan Grup, yang merupakan
macam jenis pestisida dengan produk unggulan yaitu herbisida, fungisida, dan
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
34
Identifikasi pola data penjualan dilakukan terlebih dahulu melalui visualisasi
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
ketiga tiga jenis pestisida terhadap penjualan di masa depan menggunakan analisis
(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
pertama (first difference) maka dilakukan uji kointegrasi, dan dapat menggunakan
model VECM.
penjualan dilakukan melalui beberapa teknik yaitu teknik naif, teknik Moving
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.
manajerial berupa analisis pola data penjualan pestisida, teknik peramalan terakurat,
dan hasil peramalan tiga bulan mendatang. Hasil ramalan di evaluasi menggunakan
produk tersebut di tahun 2018. Secara garis besar, maksud uraian kerangka
36
PT. Danken Indoneisa
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
KESIMPULAN
Keterangan
: sasaran penelitian : kegiatan penelitian
: arah kegiatan penelitian : alat analisis
37
2.11 Hipotesis Penelitian
belum jawaban yang empirik. Dalam suatu penelitian, dapat terjadi hipotesis
penelitian dan hipotesis statistik untuk mendapatkan data yang valid. Hipotesis
H0 = Tidak ada perbedaan antara hasil ramalan dengan data aktual penjualan
38
BAB III
METODE PENELITIAN
Kompleks Ruko Duta Indah Iconic Blok C-21, Jl. MH Thamrin KM 2 Kebon Nanas,
dengan pertimbangan bahwa PT. Danken Indonesia adalah salah satu perusahaan
yang bergerak pada industri hulu pertanian yang dalam hal ini menjual berbagai
dahulu dengan melihat data penjualan produk insektisida periode sebelumya (VPIt-
dahulu dengan melihat data penjualan produk fungisida periode sebelumya (VPFt-1)
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
gambaran umum perusahaan seperti sejarah perusahaan, visi dan misi, lokasi
dipasarkan, dan kegiatan peramalan penjualan pestisida yang dilakukan oleh PT.
penjualan produk herbisida, insektisida, dan fungisida periode Januari 2016 sampai
Desember 2017.
Data yang dikumpulkan dalam penelitian ini terdiri atas data kualitatif dan
data kuantitatif. Pengumpulan data kuantitatif dilakukan dengan survei dan teknik
melalui telepon, surat elektronik, dan melalui tatap muka dengan pihak-pihak
pengumpulan data tetapi peneliti tidak ikut secara langsung dalam kegiatan atau
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.
41
wawancara yang berisi pertanyaan-pertanyaan spesifik, namun hanya memuat poin-
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
1) Uji Stasioneritas
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-
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
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
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
Uji lag optimum dilakukan sebagai penentuan jumlah lag yang optimal untuk
digunakan dalam model. Langkah awal dalam pengujian ini dengan membentuk
stabilitas VAR baru dapat dibentuk persamaan Vector Error Correction (VECM)
nya. Pengujian panjang lag yang optimal memanfaatkan beberapa informasi yaitu
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
4) Uji Kointegrasi
volume penjualan herbisida, insektisida, dan fungisida jika tidak stasioner untuk
kombinasi linear dari dua atau lebih variabel yang tidak stasioner akan menghasilkan
44
Dalam hal kointegrasi, ada beberapa kemungkinan yang bisa terjadi pada
persamaan tersebuut :
Fungisida (FUNG).
apabila nilai trace statistic lebih besar dari nilai kritis 5 persen. Maka jika trace
ditolak atau terima H1, artinya terjadi kointegrasi diantara variabel volume
statistic < critical value persamaan tersebut tidak terkointegrasi, dengan demikian
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 :
Dimana :
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
herbisida, insektisida, dan fungisisda pada proses penjualan dan untuk mengetahui
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
analisis data univariate time series model dilakukan dengan teknik naif, teknik rata-
nilai kesalahan terkecil dari besarnya nilai MAE (Mean Absolut Error), nilai MSE
dari kejadian-kejadian masa lalu, akan membantu pihak PT. Danken Indonesia
Setelah mengetahui model yang dipilih, maka dapat melihat hubungan antara
(FEVD).
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
dapat dilakukan untuk melihat bagaimana perubahan dalam suatu variabel yang
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
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
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
Berdasarkan Firdaus (2011) dan Aritonang (2000), teknik naif untuk data
stasioner dilihat pada persamaan (1), maka dalam penelitian ini dapat di rumuskan
sebagai berikut :
keterangan :
untuk teknik ini ada dalam bentuk yang paling sederhana yang disajikan pada
persamaan (4). Teknik rataan bergerak dapat digunakan setiap ada informasi terbaru,
Sebagai contoh MA ordo 1 atau MA (1) berarti peramalan hanya menggunakan satu
observasi sebelumnya untuk meramalkan satu nilai yang akan datang. Maka,
49
NRINSt+1 = (NAINSt + NAINSt-1 + NAINSt-2 + … + NAINSt-n+1 ) / n ............... (27)
keterangan :
n = ordo
Berdasarkan Firdaus (2011) dan Aritonang (2000) formula untuk teknik ini
keterangan :
Berdasarkan Firdaus (2011) dan Aritonang (2000), formula untuk teknik ini
mengacu pada persamaan (6, 7, dan 8) yang dapat dirumuskan sebagai berikut :
50
NR(HRB/INS/FUNG)t+p = NPBt + Tt(p) ............................................................... (32)
keterangan :
α, β = koefisien pemulusan
mendatang
Berdasarkan Firdaus (2011), serta Heizer dan Render (2005) bahwa nilai
residual atau error (et) dapat diperoleh dari beberapa tolak ukur yang dapat
dimana :
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
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,
hasil ramalan dengan data aktual penjualan dari periode Januari 2016 sampai Maret
dapat digunakan beberapa metode salah satunya dengan ukuran statistik standar
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
x1 − x2
Z hit = .............................................................. (37)
σ1 2 σ2 2
√( 𝑛1 )+( n2 )
Keterangan:
3. Insektisida adalah bahan yang mengandung senyawa kimia beracun yang bisa
4. Fungisida adalah bahan yang mengandung senyawa kimia beracun yang bisa
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
9. Volume penjualan adalah jumlah total yang dihasilkan dari kegiatan penjualan
54
BAB IV
GAMBARAN UMUM PT. DANKEN INDONESIA
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
PT. Danken Indonesia baru berdiri pada tahun 2012 dengan direktur utama
itu adalah herbisida dengan jenis DKMesonin 550 SC di tahun 2013. Seiring
insektisida, fungisida, moluskisida, dan bahan aktif lainnya. Danken Indonesia juga
Saat ini, PT. Danken Indonesia memiliki pasar di pulau Jawa, Sumatera, dan
Indonesia di dukung oleh tim marketing dan sales yang berpengalaman. Dengan
dukungan penuh dari Zhongshan Group, PT. Danken Indonesia akan selalu
dari Danken kepada semua pihak yang terlibat dalam mendukung tumbuhnya PT.
PT. Danken Indonesia saat ini belum memiliki tujuan yang visioner.
PT. Danken Indonesia masih berusaha untuk mengenalkan dan menjual produk-
PT. Danken Indonesia memiliki sruktur organisasi yang jelas dengan fungsi
setiap divisi dan bagian di dalam struktural yang sesuai kebutuhan perusahaan.
serta wewenang sehingga perusahaan dapat berjalan dengan baik dan benar. PT.
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
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.
Direktur
Utama
National
Sales
Manager
Regional
Sales
Manager
Staff Sales
Divisi
Divisi Divisi Supply
Divisi HRD Product &
Finance Chain
Registration
1. Direktur Utama
57
b. Merencanakan, melaksanakan, dan mengawasi seluruh pelaksanaan
operasional perusahaan.
kepada direktur utama. Tugas dan tanggung jawab manajer penjualan nasional
sebagai berikut:
terpenuhi.
diproyeksikan.
d. Memberikan layanan pelanggan yang luar biasa dan bertanggung jawab atas
bawah tanggung jawabnya untuk membantu semua proses pencapaian target. Tugas
58
a. Merumuskan strategi dalam memaksimalkan tanggung jawab tim penjualan
(staff sales)
bersama – sama team nya sesuai dengan situasi dan kondisi di daerah masing
– masing.
d. Mengelola seluruh staff sales, memberi nasihat dan mendorong agar terus tetap
team.
4. Staff Sales
5. Divisi Finance
59
c. Melakukan transaksi keuangan perusahaan
kelengkapannya
perlu.
kontrak kerja.
60
g. Melakukan tindakan pada karyawan yang melanggar peraturan atau kebijakan
perusahaan.
e. Lacak produk melalui depot untuk memastikan mereka sampai di tempat tujuan
a. Melakukan registrasi produk ke dinas terkait, baik produk baru maupun update
diperlukan.
dijual.
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)
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.
masa perijinan produk berlaku hingga 5 tahun. Danken Indonesia juga masih terus
memperbanyak produk-produk yang akan dijual. Saat ini terdapat 17 produk yang
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
divisi supply chain dan dibantu oleh sales untuk memproyeksikan berapa banyak
mengirimkan penawaran harga untuk pihak Danken. Apabila pihak Danken telah
menyetujui harga yang ditawarkan, maka divisi finance akan membuatkan surat
63
melalui jalur laut menggunakan kapal. Sehingga, divisi supply chain harus mampu
produk.
container. Danken Indonesia memiliki dua gudang besar di daerah Tambun dan
Tangerang. Apabila produk yang diantar sudah dalam bentuk kemasan botol kecil
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
(B2B) yang terdapat kontrak perjanjian atau kerjasama sebelum proses transaksi
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
tidak bisa membuat PO yang lain. Kurangnya pembayaran akan dibantu oleh pihak
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
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
Hal ini sejalan dengan penelitian (Untung 2004 dalam Rahayuningsih 2009:4)
terkandung dalam pestisida. Bahan aktif pada produk-produk yang dijual PT.
65
memiliki beberapa kelemahan, seperti merugikan organisme non-target dan
pestisida spesifik tidak terlalu menarik karena segmen pasarnya terlalu sempit
tertentu.
3. Kondisi ilkim Indonesia yang tidak menentu membuat pihak perusahaan tidak
perusahaan pada serangan hama juga menjadi sulit yang berdampak pada
dengan curah hujan yang masih tinggi membuat peluang besar terhadap
berkembangnya OPT.
66
BAB V
HASIL DAN PEMBAHASAN
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
dari Januari 2016 sampai Desember 2017 seperti yang tertera pada Tabel 6.
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
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.
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 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
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),
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
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.
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
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
2. Uji Stasioneritas
melalui uji stasioneritas data yang dilakukan dengan test Augmented Dickey-Fuller
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
Tabel 7. Hasil Uji Stasioneritas Penjualan Herbisida, Insektisida, dan Fungisida PT.
Danken Indonesia Tahun 2016-2017
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).
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.
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.
Danken Indonesia Tahun 2016-2017
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
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
73
Tabel 9. Hasil Uji Lag Optimum Herbisida, Insektisida, dan Fungisida PT. Danken
Indonesia Tahun 2016-2017
Lag optimum yang bertanda bintang (*) menunjukkan bahwa dari masing-
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
terhadap variabel masa lalunya maupun terhadap variabel endogen lainnya. Artinya
level, maka dapat langsung diterapkan model VAR. Interpretasi hasil dapat dilihat
dengan membaca koefisien integrasi dan pembacaan tanda terbalik dari tanda
lebih besar dari nilai t tabel (α=5%) sebesar 1,96. Hasil dari model VAR dapat
74
Tabel 10. Hasil Model VAR Herbisida, Insektisida, dan Fungisida PT. Danken
Indonesia Tahun 2016-2017
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
produk lainnya tidak signifikan. Hasil estimasi VAR dapat dilihat secara lengkap
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
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
(convergence), ini berarti model VAR lag 1 baik untuk digunakan untuk peramalan
1. Response of Herbisida
Hal pertama yang di analisa adalah respon herbisida ketika terjadi shock
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
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
kedua respon yang diberikan herbisida bernilai negatif yang menunjukkan bahwa
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
dari herbisida itu sendiri. Pada periode pertama hingga periode kelima respon yang
herbisida akan meningkat sebanyak 14.345 liter di periode pertama yang kemudian
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.
dari insektisida. Adanya guncangan insektisida sebesar satu standar deviasi pada
bulan pertama ternyata belum direspon oleh herbisida. Mulai bulan kedua,
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.
sedangkan
0 garis berwarna merah
0 menandakan standar error
0 dari hasil respon yang
0 0 0
(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
0 0 0
Hal kedua yang dianalisa adalah respon insektisida ketika terjadi shock
-2,000 -2,000 -2,000
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
Period FUNGISIDA HERBISIDA 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
variabel fungisida. Dapat dilihat bahwa respon yang diberikan variabel insektisida
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
dari herbisida. Guncangan herbisida sebesar satu standar deviasi pada bulan
Namun, sejak bulan ke dua hingga proyeksi dua puluh bulan kedepan di respon
insektisida dapat menurun secara drastis pada periode ke dua sebanyak 745 liter
dan penurunan penjualan insektisida bergerak menuju hasil yang lebih kecil.
keseimbangan dari bulan ke lima belas hingga bulan ke dua puluh pada kisaran nilai
nol.
dari variabel insektisida itu sendiri. Guncangan insektisida sebesar satu standar
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 to Cholesky One S.D. Innovations ± 2 S.E.
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
0 0 0
3. Response of Fungisida
Hal ketiga yang dianalisa adalah respon fungisida ketika terjadi shock
Respon fungisida terhadap guncangan dari fungisida dan insektisida bernilai positif,
Hasil respon fungisida terhadap guncangan pada tiga jenis pestisida untuk periode
82
Tabel 13. Respon Fungisida Terhadap Guncangan dari Fungisida, Herbisida, dan
Insektisida
Response of FUNGISIDA
Period FUNGISIDA HERBISIDA INSEKTISIDA
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
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,
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
dari herbisida. Adanya guncangan herbisida sebesar satu standar deviasi berdampak
negatif, artinya penjualan fungisida dapat menurun. Pada bulan pertama guncangan
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
positif.
dari variabel insektisida. Sama halnya guncangan dari variabel herbisida, bahwa
pada bulan pertama guncangan sebesar satu standar deviasi pada insektisida belum
dari periode dua sampai lima dengan respon tertinggi sebesar 420 liter pada periode
berkurang dari periode enam sampai pada periode dua puluh. Hal ini menunjukkan,
penjualan fungisida.
fungisida, herbisida, dan insektisida dapat dilihat melalui grafik pada Gambar 11.
84
sedangkan garis berwarna merah menandakan standar error dari hasil respon yang
diberikan.
Response to Cholesky One S.D. Innovations ± 2 S.E.
Response of FUNGISIDA to FUNGISIDA Response of FUNGISIDA to HERBISIDA Response of FUNGISIDA to INSEKTISIDA
1,500 1,500 1,500
0 0 0
(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
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.
Guncangan (shock) yang dapat terjadi bisa berdampak positif bagi pestisida
kimiawi, seperti adanya ledakan serangan hama dan penyakit di lahan pertanian.
85
kimiawi. Usaha-usaha yang sudah dilakukan maupun dikembangkan untuk
hama keong emas dan penggunaan pathogen yaitu Metharizium anizopliae dan
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
86
mempengaruhi variabel lainnya untuk kurun waktu yang panjang. FEVD juga dapat
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
periode dua puluh bulan ke depan pengaruhnya lebih di dominasi oleh insektisida.
dirinya sendiri sebesar 98% sepanjang periode kedepannya. Hal ini menunjukkan,
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
periode dua puluh bulan pengaruhnya lebih di dominasi oleh herbisida. Pada
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
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
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
dan 16%. Pada periode berikutnya, pengaruh fungisida mulai melemah dan terus
dua puluh dengan nilai 74 %. Pengaruh dari herbisida terus mengalami peningkatan
15 % dari periode ke enam hingga dua puluh. Hal ini menunjukkan, bahwa
dengan herbisida.
89
5.1.3 Ramalan Volume Penjualan Jenis Pestisida
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
didasarkan pada pola data yang stasioner jika dilihat dari plot time series maupun
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
1. Metode Naif
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
90
Tabel 15. Hasil Perhitungan Metode Naif Herbisida, Insektisida, dan Fungisida PT.
Danken Indonesia Tahun 2016-2017
Jenis Pestisida
Error Measure
Herbisida Insektisida Fungisida
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).
untuk herbisida periode selanjutnya yaitu sebanyak 19.347,5 liter, untuk insektisida
sebanyak 3.480 liter, sedangkan untuk fungisida tidak ada penjualan. Hal tersebut
diperkirakan hanya untuk Januari 2018. Hasil perhitungan metode naif dapat dilihat
data yang diikutsertakan pada ramalan disebut ordo. Perhitungan dengan moving
average ini dilakukan dengan trial dan error dari penentuan ordo yang bertujuan
sampai panjang ke lima untuk semua variabel. Hasil ramalan dari moving average
memiliki nilai yang sama di sepanjang waktu pengamatan, sehingga metode ini
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
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).
menggunakan software Minitab versi 16, dimana nilai α ditentukan secara otomatis
92
Tabel 17. Hasil Perhitungan Metode Single Exponential Smoothing Herbisida,
Insektisida, dan Fungisida PT. Danken Indonesia Tahun 2016-2017
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)
Minitab versi 16, dimana nilai pemulusan α dan β ditentukan secara otomatis
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
Sumber: Lampiran 6 (a,b,c)
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,
berdasarkan nilai optimal yang otomatis tertera dengan bantuan software Minitab
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
peramalan dengan metode moving average, maka estimasi penjualan untuk periode
94
Tabel 20. Ramalan Penjualan Herbisida, Insektisida, dan Fungisida PT. Danken
Indonesia Bulan Januari- Maret 2018 dengan Metode MA Ordo 3
Dari hasil ramalan diprediksi bahwa penjualan herbisida pada tiga bulan
43.593 liter dari tiga bulan pertama di tahun 2017. Penjualan insektisida pada tiga
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.
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
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
fungisida memiliki tiga produk terjual, dan terdapat satu produk yang memiliki
95
penjualan tertinggi dengan merk dagang yaitu DKZolExtra. Produk DKZolExtra
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
Tabel 21. Penjualan DKMetrin, DKMektin, dan DKZolExtra PT. Danken Indonesia
Tahun 2016-2017 (liter)
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
DKZolExtra dapat dilihat secara berturut-turut pada Gambar 15, 16 dan 17.
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
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
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
pola penjualan DKMektin selama dua tahun terakhir sangat berfluktuatif. Pola data
DKMektin juga memiliki lebar yang sama antar pergerakan dan konstan dalam
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
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
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
ditemukan unsur musiman dan trend. Hal ini dikarenakan deret waktu untuk
2. Uji Stasioneritas
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
Tabel 22. Hasil Uji Stasioneritas DKMetrin, DKMektin, dan DKZolExtra PT.
Danken Indonesia Tahun 2016-2017
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.
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
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
1. Metode Naif
hanya melihat dari data satu periode sebelumnya yang dijadikan acuan untuk
peramalan satu periode setelahnya. Hasil perhitungan metode naif dapat dilihat
Tabel 23. Hasil Perhitungan Metode Naif pada DKMetrin, DKMektin, dan
DKZolExtra PT. Danken Indonesia Tahun 2016-2017
Produk
Error Measure
DKMetrin DKMektin DKZolExtra
MAE 6.911 3.443 374
MSE 78.902.439,13 14.689.800,70 333.913
MAPE 99,3 198,5 33,2
Sumber: Lampiran 3 (d,e,f)
untuk produk DKMetrin periode selanjutnya yaitu sebanyak 8.600 liter, produk
penjualan. Hal tersebut merupakan hasil ramalan penjualan untuk satu periode
setelahnya yang diperkirakan hanya untuk Januari 2018. Hasil perhitungan metode
101
2. Metode Moving Average
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.
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
Sumber: Lampiran 4 (d,e,f)
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
menggunakan software Minitab versi 16, dimana nilai α ditentukan secara otomatis
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
Sumber: Lampiran 5 (d,e,f)
Minitab versi 16, dimana nilai pemulusan α dan β ditentukan secara otomatis
103
Tabel 26. Hasil Perhitungan Metode Double Exponential Smoothing DKMetrin,
DKMektin, dan DKZolExtra PT. Danken Indonesia Tahun 2016-2017
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
Sumber: Lampiran 6 (a,b,c)
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
menghasilkan nilai keakuratan yang terkecil dan dapat dilihat pada Tabel 27
berikut.
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
moving average, maka estimasi penjualan untuk periode Januari sampai Maret 2018
Tabel 28. Ramalan Penjualan DKMetrin, DKMektin, dan DKZolExtra PT. Danken
Indonesia Bulan Januari-Maret 2018 dengan Metode MA Ordo 3
Dari hasil ramalan diprediksi bahwa penjualan DKMetrin pada tiga bulan
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.
penjualan ketiga jenis pestisida serta produk unggulan dari masing-masing jenis
105
1. Hasil Ramalan dan Data Aktual Tiga Jenis Pestisida
dengan data aktual dari PT. Danken Indonesia bulan Januari-Maret 2018 dapat
Tabel 29. Hasil Ramalan Penjualan dengan Data Aktual Penjualan Tiga Jenis
Pestisida PT. Danken Indonesia Periode Januari-Maret 2018
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
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.
ramalan dengan data aktual dari PT. Danken Indonesia bulan Januari-Maret 2018
Tabel 30. Hasil Ramalan Penjualan dengan Data Aktual Penjualan Produk
Unggulan PT. Danken Indonesia Periode Januari-Maret 2018
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
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.
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
volume penjualan dari masing-masing jenis pestisida dan satu produk yang
memiliki tingkat penjualan tertinggi dari setiap jenis pestisida. Sebagai bahan
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
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
2. Insektisida
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)
maka Ho diterima. Hal ini menunjukkan bahwa tidak ada perbedaan antara data
penjualan dengan teknik rata-rata bergerak bisa dijadikan tolak ukur oleh
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
dengan teknik rata-rata bergerak bisa dijadikan tolak ukur oleh perusahaan dalam
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
5. DKMektin
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 (0,149 < 1,96)
maka Ho diterima. Hal ini menunjukkan bahwa tidak ada perbedaan antara data
penjualan dengan teknik rata-rata bergerak bisa dijadikan tolak ukur oleh
6. DKZolExtra
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 (1.027 < 1,96)
maka Ho diterima. Hal ini menunjukkan bahwa tidak ada perbedaan antara data
penjualan dengan teknik rata-rata bergerak bisa dijadikan tolak ukur oleh
110
BAB VI
KESIMPULAN DAN SARAN
6.1 Kesimpulan
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
pestisida dan tiga produk unggulan adalah metode moving average (rata-rata
insektisida, DKMetrin dan DK Mektin lebih kecil dari hasil ramalan, sedangkan
penjualan fungisida dan DKZolExtra lebih besar dari hasil ramalan. Hasil uji z
6.2 Saran
1. PT. Danken Indonesia sebaiknya menerapkan analisis IRF dan FEVD, karena
dengan adanya ramalan ini maka pihak perusahaan dapat melakukan antisipasi
penjualan dengan metode kualitatif melalui opini eksekutif dan riset pasar.
2. Hasil dari peramalan penjualan pada penelitian ini dapat dijadikan dasar untuk
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.
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
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.
Firdaus, M. 2011. Aplikasi Ekonometrika Untuk Data Panel dan Time Series. IPB
Press. Bogor.
Hanafie, Rita. 2010. Pengantar Ekonomi Pertanian. CV. Andi Offset. Yogyakarta.
Heizer dan Render. 2005. Manajemen Operasi. Karya Salemba Empat. Jakarta.
Nurmala, Tati dkk. 2012. Pengantar Ilmu Pertanian. Graha Ilmu. Yogyakarta.
Prasetya, Hery dan Fitri Lukiastuti. 2009. Manajemen Operasi. CAPS. 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.
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.
Tim Penyusun PT. Danken Indonesia. 2018. Laporan Penjualan Tahunan. PT. Danken
Indonesia. Tangerang.
115
LAMPIRAN
Lampiran 1. Uji Stasioner Penjualan
a. Uji stasioner herbicides pada level
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
117
d. Uji stasioner DKMetrin pada level
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
118
Lampiran 2. Estimasi VAR
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
Nilai Aktual Absolute
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
Nilai Aktual Absolute
Penjualan Ramalan Squared Absolut Presentage
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
Nilai Aktual Absolute
Penjualan Ramalan Squared Absolut Presentage
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
Nilai Aktual Absolute
Penjualan Ramalan Squared Absolut Presentage
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
Nilai Aktual Absolute
Penjualan Ramalan Squared Absolut Presentage
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
A ccuracy Measures
MA PE 114
MA D 9245
20000 MSD 122264901
10000
3 6 9 12 15 18 21 24 27
Index
* 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
126
b. Insektisida
4000
2000
0
3 6 9 12 15 18 21 24 27
Index
Data Insektisida
Length 24
NMissing 0
Moving Average
Length 3
Accuracy Measures
MAPE 69
MAD 2250
MSD 8292617
Forecasts
127
c. Fungisida
A ccuracy Measures
2000 MA PE 44
MA D 449
MSD 463134
1000
3 6 9 12 15 18 21 24 27
Index
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data Fungisida
Length 24
NMissing 0
Moving Average
Length 3
Accuracy Measures
MAPE 44
MAD 449
MSD 463134
Forecasts
128
d. DKMetrin
Accuracy Measures
MA PE 70
MA D 4257
10000 MSD 27658180
5000
3 6 9 12 15 18 21 24 27
Index
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data DKMetrin
Length 24
NMissing 0
Moving Average
Length 3
Accuracy Measures
MAPE 70
MAD 4257
MSD 27658180
Forecasts
129
e. DKMektin
Accuracy Measures
3000 MAPE 105
MAD 1387
MSD 2587777
2000
1000
-1000
3 6 9 12 15 18 21 24 27
Index
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data DKMektin
Length 24
NMissing 0
Moving Average
Length 3
Accuracy Measures
MAPE 105
MAD 1387
MSD 2587777
Forecasts
130
f. DKZolExtra
Accuracy Measures
MAPE 44.9
500
MAD 224.2
MSD 95909.1
-500
3 6 9 12 15 18 21 24 27
Index
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data DKZolExtra
Length 24
NMissing 0
Moving Average
Length 3
Accuracy Measures
MAPE 44.9
MAD 224.2
MSD 95909.1
Forecasts
131
Lampiran 5. Hasil Perhitungan Metode Single Exponential Smoothing
a. 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
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data Herbisida
Length 24
Smoothing Constant
Alpha 0.457386
Accuracy Measures
MAPE 187
MAD 13291
MSD 223523577
Forecasts
132
b. Insektisida
2500
3 6 9 12 15 18 21 24 27
Index
Data Insecticides
Length 24
Smoothing Constant
Alpha 0.1
Accuracy Measures
MAPE 87
MAD 2901
MSD 15953654
Forecasts
133
c. Fungisida
A ccuracy Measures
2000 MAPE 57
MAD 667
MSD 990547
1000
3 6 9 12 15 18 21 24 27
Index
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data Fungisida
Length 24
Smoothing Constant
Alpha 0.309880
Accuracy Measures
MAPE 57
MAD 667
MSD 990547
Forecasts
134
d. 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
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data DKMetrin
Length 24
Smoothing Constant
Alpha 0.0936851
Accuracy Measures
MAPE 84
MAD 5606
MSD 46011589
Forecasts
135
e. DKMektin
3 6 9 12 15 18 21 24 27
Index
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data DKMektin
Length 24
Smoothing Constant
Alpha 0.0731937
Accuracy Measures
MAPE 134
MAD 1948
MSD 4940321
Forecasts
136
f. DKZolExtra
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
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data DKZolExtra
Length 24
Smoothing Constant
Alpha 0.378987
Accuracy Measures
MAPE 56
MAD 372
MSD 212676
Forecasts
137
Lampiran 6. Hasil Perhitungan Metode Double Exponential Smoothing
a. Herbisida
Smoothing Constants
40000 A lpha (level) 0.832820
Herbisida
-20000
-40000
3 6 9 12 15 18 21 24 27
Index
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data Herbisida
Length 24
Smoothing Constants
Accuracy Measures
MAPE 167
MAD 12904
MSD 266170017
Forecasts
138
b. Insektisida
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
Data Insektisida
Length 24
Smoothing Constants
Accuracy Measures
MAPE 120
MAD 3503
MSD 19300532
Forecasts
139
c. Fungisida
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
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data Fungisida
Length 24
Smoothing Constants
Accuracy Measures
MAPE 66
MAD 715
MSD 1136014
Forecasts
140
d. DKMetrin
-10000
3 6 9 12 15 18 21 24 27
Index
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data DKMetrin
Length 24
Smoothing Constants
Accuracy Measures
MAPE 90
MAD 6241
MSD 59635154
Forecasts
141
e. DKMektin
Smoothing Constants
A lpha (level) 0.305333
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
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data DKMektin
Length 24
Smoothing Constants
Accuracy Measures
MAPE 155
MAD 2103
MSD 5874335
Forecasts
142
f. DKZolExtra
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
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
Data DKZolExtra
Length 24
Smoothing Constants
Accuracy Measures
MAPE 67
MAD 365
MSD 224398
Forecasts
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
= 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
Rata-rata 5.30 Rata-rata 5.05
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
=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
Rata-rata 1.03 Rata-rata 0.84
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
= 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
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
= 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
Rata-rata 2.54 Rata-rata 2.47
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
= 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
Rata-rata 0.53 Rata-rata 0.34
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
= 0,11 = 1,027
149