PERAMALAN HARGA NIKEL PADA PT.

IFSU JAYA KECAMATAN KABAENA

TIMUR, KABUPATEN BOMBANA PROVINSI SULAWESI TENGGARA

LAPORAN MINGGUAN

DIAJUKAN UNTUK MEMENUHI SEBAGIAN PERSYARATAN

MELULUSI MATA KULIAH PERANCANAAN TAMBANG

DIAJUKAN OLEH :

KELOMPOK 1

NANDHA FEBRILIA A.T

TRI ELSA OKTOVIA

WA ODE YULIASTRI

MUTIA FATIKA DEWI

PROGRAM TEKNIK PERTAMBANGAN

FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN UNIVERSITAS

HALU OLEO

KENDARI

2022
 KATA PENGANTAR

Puji syukur kita panjatkan kehadirat Allah Swt. yang telah memberikan
rahmat dan hidayah-Nya sehingga saya dapat menyelesaikan tugas yang berjudul
“Laporan Mingguan Peramalan” ini tepat pada waktunya.

Adapun tujuan dari penulisan dari laporan ini adalah untuk memenuhi tugas
pada mata kuliah Perencanaan Tambang. Selain itu, laporan ini juga bertujuan untuk
menambah wawasan tentang penyaliran tambang bagi para pembaca dan juga bagi
penulis.

Terlebih dahulu, saya mengucapkan terima kasih kepada Bapak Drs, Firdaus
M.Si. , selaku Dosen Perencanaan Tambang yang telah memberikan tugas ini
sehingga dapat menambah pengetahuan dan wawasan sesuai dengan bidang studi
yang saya tekuni ini.

Saya juga mengucapkan terima kasih kepada semua pihak yang tidak dapat
saya sebutkan semua, terima kasih atas bantuannya sehingga saya dapat
menyelesaikan laporan ini. Kemudian, saya menyadari bahwa laporan yang saya tulis
ini masih jauh dari kata sempurna. Oleh karena itu, kritik dan saran yang membangun
kami butuhkan demi kesempurnaan laporan ini.
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Metode peramalan (forecasting) adalah salah satu cara yang digunakan untuk
mengendalikan produksi. Metode ini cukup umum digunakan oleh perusahaan besar.
Namun, beberapa pelaku usaha kecil dan menengah masih belum memahami
bagaimana menentukan jumlah barang yang harus di produksi.
Metode peramalan atau biasa disebut forecasting ini memegang peran penting
sebuah usaha. Forecasting adalah cara yang tepat untuk menekan kerugian akibat
produksi berlebihan. Dalam menentukan berapa banyak barang yang harus di
produksi, forecasting menggunakan data historis sebagai acuan.
Selain bisa menentukan kapasitas produksi, metode forecasting juga berguna untuk
menetukan persediaan, budgeting, pengendapan barang dan jasa hingga rantai
pasokan. Peramalan juga berguna untuk mengatasi banyak masalah bisnis seperti
anomaly permintaan konsumen yang disebabkan oleh permintaan musiman dan
perubahan kondisi ekonomi nasional dan global.

Suatu analisis ekonomi dan kegiatan usaha perusahaan yang menitik beratkan
pada mengkaji situasi dan kondisi yang berlaku sekarang maupun yang telah lalu.
Dan melihat pengaruhnya pada situasi dan kondisi dimasa yang akan datang,
membutuhkan suatu teknis dan metode analisis peramalan. Peramalan/forecasting
adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa akan datang.
Peramalan menjadi penting sebab situasi dan kondisi yang berkaitan dengan ekonomi
dan kegiatan usaha dihadapkan pada peningkatan komplesitas organisasi,
meningkatnya ukuran-ukuran keberhasilan organisasi, perubahan lingkungan yang
sangat cepat.Kegunaan dari peramalan ialah akan membantu dalam pengambilan
keputusan. Keputusan yang baik ialah keputusan yang didasarkan atas pertimbangan
apa yang terjadi pada waktu keputusan itu dilaksanakan. Apabila peramalan yang
dibuat kurang tepat, maka keputusan yang kita buat kurang baik. Sehingga diperlukan
suatu kemampuan menguasai teknik dan metode secara benar. Ketepatan dalam
melakukan peramalan akan menunjang perencanaan yang ditetapkan.

1.2 Batasan Masalah

Batasan masalah dalam laporan ini adalah agar peneliti bisa mengurangi
penyimpangan batasan dan juga sebagai acuan agar mudah dipahami oleh pembaca.
Pada laporan kali ini penulis akan hanya membahas mengenai peramalan harga nikel
10 bulan ke depan.

1.3 Rumusan Masalah

Adapun rumusan masalah dari praktikum ini adalah untuk mengetahui harga nikel
pada bulan januari 2022 – agustus 2022 ?

1.4 Tujuan Praktikum

Tujuan dari praktikum ini yaitu untuk mengetahui harga nikel pada bulan januari
2022 – agustus 2022.

1.5 Manfaat Praktikum

Manfaat yang diharapkan penulis pada laporan ini adalah untuk menambah ilmu
pengetahuan yang praktis mengenai kegiatan pertambangan khususnya pada
peramalan harga nikel.
 BAB II
TINJAUAN PUSTAKA

2.1 Peramalan

Ramalan merupakan suatu dugaan atau perkiraan yang dilakukan terhadap

suatu kejadian atau peristiwa yang akan terjadi di masa depan. Peramalan dibagi
menjadi 2 jenis yaitu : peramalan kualitatif yaitu, peramalan yang didasarkan atas
hasil observasi, seperti pendapat dari seorang sales, rating yang diberikan seorang
sales manajer, pendapat para ahli dan penilaian kepuasan konsumen melalui
pengisian kuisioner. Sedangkan peramalan kuantitatif yaitu, peramalan yang
didasarkan data statistik, baik itu angka penjualan, angka jumlah permintaan, dan
indeks harga saham gabungan (IHSG). Metode peramalan yang tepat sangat
bergantung pada data apa yang tersedia untuk dilakukan prediksi. Jika tidak ada data
yang tersedia, atau jika data yang tersedia tidak relevan dengan perkiraan, maka
metode peramalan kualitatif harus digunakan. Metode ini bukanlah tebakan murni,
ada pendekatan terstruktur yang dikembangkan dengan baik untuk mendapatkan
perkiraan yang baik tanpa menggunakan data historis. Ramalan bisa digunakan untuk
memprediksi harga saham di masa depan. Peramalan dibagi menjadi dua jenis, yaitu :
peramalan subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi dari
orang yang menyusunnya. Sedangkan peramalan objektif, yaitu peramalan yang
didasarkan atas data yang relevan pada masa lalu, dengan menggunakan Teknik-
teknik dan metode-metode dalam penganalisaan data tersebut. Berdasarkan waktu,
perkiraan atau forecasting dapat dibagi menjadi tiga, yaitu : peramalan jangka
panjang, biasanya mencakup waktu lebih dari 18 bulan. Misalnya, peramalan yang
diperlukan ada kaitannya dengan penanaman modal, perencanaan fasilitas dan
perencanaan untuk kegiatan penelitian dan pengembangan, peramalan jangka
menengah, biasanya mencakup waktu anatara 3 sampai 18 bulan. Misalnya,
peramalan untuk perencanaan suplai barang, perencanaan produksi dan perencanaan
terhadap permintaan musiman yang sifatnya tidak tetap, serta peramalan jangka
pendek, yaitu mencakup jangka waktu kurang dari 3 bulan. Misalnya, peramalan
dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja dan
penugasan karyawan (Ashyrofi dkk.,2019).

2.2 Metode Regresi Linear

Metode regresi merupakan sebuah metode statistik yang melakukan prediksi

menggunakan pengembangan hubungan matematis antara variabel, yaitu variabel
dependen (Y) dengan variabel independen (X) . Variabel dependen merupakan
variabel akibat atau variabel yang dipengaruhi, sedangkan variabel independen
merupakan variabel sebab atau variabel yang mempengaruhi . Prediksi terhadap nilai
variabel dependen dapat dilakukan jika variabel independennya diketahui . Umumnya
penjualan atau permintaan suatu produk dinyatakan sebagai variabel dependen yang
besar atau nilainya dipengaruhi oleh variabel independen . Regresi linear menjadi
salah satu metode yang dipergunakan dalam produksi untuk melakukan peramalan
atau prediksi tentang karakteristik kualitas maupun kuantitas . Hal ini dikarenakan
dengan memperkirakan berbagai kombinasi produk, perusahaan dapat
memaksimalkan keuntungan serta memperkirakan jumlah produksi yang tepat .
Rumus untuk Regresi Linear dengan metode kuadrat terkecil atau sederhana adalah :

a=¿ ¿ (1)

b=n ¿ ¿ (2)

y=a+b . x (3)
dengan y adalah kuantiti penjualan, x adalah periode penjualan atau bulan penjualan,
a adalah konstanta yang menunjukan besarnya nilai y apabila x = 0, dan b adalah
besaran perubahan nilai y (Ayuni dkk.,2020).

2.3 Metode Exponential Smoothing

Metode Exponential Smoothing merupakan prosedur perbaikan terus-menerus

pada peramalan terhadap objek pengamatan terbaru. Metode peramalan ini
menitikberatkan pada penurunan prioritas secara eksponensial pada objek
pengamatan yang lebih tua. Dalam exponential smoothing terdapat satu atau lebih
parameter smoothing yang ditentukan secara eksplisit, dan hasil ini menentukan
bobot yang dikenakan pada nilai observasi. Dengan kata lain, observasi terbaru akan
diberikan prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama.
Metode exponential smoothing dibagi lagi berdasarkan menjadi beberapa metode.

2.3.1 Single Exponential Smoothing

Juga dikenal sebagai simple exponential smoothing yang digunakan pada

peramalan jangka pendek, biasanya hanya 1 bulan ke depan. Model mengasumsikan
bahwa data berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola
pertumbuhan konsisten. Rumus untuk Simple exponential smoothing adalah sebagai
berikut:

𝐹f + 1 = 𝑎 ∗ 𝑋t + (1 − 𝑎) ∗ 𝐹t (4)

Dimana :

Ft = peramalan untuk periode t

Xt + (1-a) = Nilai aktual time series

Ft + 1 = peramalan pada waktu 1 + 1

a = konstanta perataan antara 0 dan 1

2.3.2 Double Exponential Smoothing

Metode ini digunakan ketika data menunjukkan adanya trend. exponential

smoothing dengan adanya trend seperti pemulusan sederhana kecuali bahwa dua
komponen harus diupdate setiap periode level dan trendnya. Level adalah estimasi
yang dimuluskan dari nilai data pada akhir masingmasing periode. Trend adalah
estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir masing-masing
periode. Rumus double exponential smoothing adalah :

St = a* Yt + (1-a)*(St-1+bt-1) (5)

Bt = γ*(ST-ST-1)+(1-γ)*bt-1

Ft + m = St + btm

dimana:

St = peramalan untuk periode t

Yt + (1-α) = Nilai aktual time series

bt = trend pada periode ke-t

α = parameter pertama perataan antara nol dan 1

1 = untuk pemulusan nilai observasi

= parameter kedua, untuk pemulusan trend

Ft+m = hasil peramalan ke-m

m = jumlah periode ke muka yang akan diramalkan

2.3.3 Triple Exponential Smoothing

Metode ini digunakan ketika data menunjukan adanya trend dan perilaku
musiman Untuk menangani musiman, telah dikembangkan parameter persamaan
ketiga yang disebut metode Holtn Winters sesuai dengan nama penemuya. Terdapat
dua model Holt-Winters tergantung pada tipe musimannya yaitu Multiplicative
seasonal model dan Additive seasonal model. Metode exponentian smoothing yang
telah dibahas sebelumnya dapat digunakan untuk hampir segala jenis data stasioner
atau non stasioner sepanjang data tersebut tidak mengandung faktor musiman. Tetapi
bilamana terdapat musiman, metode ini dijadikan cara untuk meramalkan data yang
mengandung faktor musiman, namun metode ini sendiri tidak dapat mengatasi
masalah tersebut dengan baik. Meskipun demikian, metode ini dapat menangani
factor musiman secara langsung. Rumus yang digunakan untuk triple exponential
smoothing adalah :

Pemulusan trend:

Bt =g (St – St-1) + (1 - g ) bt-1

Pemulusan Musiman:

I=btX

t S + (1-b) t -L +m

Ramalan:

Ft + m = (St + bt m)It – L + m

Dimana L adalah panjang musiman (misal, jumlah kuartal dalam suatu tahun), b
adalah komponen trend, I adalah faktor penyesuaian musiman, dan Ft + m adalah
ramalan untuk m periode ke muka dapat dihipotesiskan baik sebagai fungsi dari
waktu atau sebagai fungsi dari variabel bebas, kemudian diuji. Langkah penting
dalam memilih model time series yang tepat adalah dengan mempertimbangkan jenis
pola data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Pola
data dapat dibedakan menjadi empat jenis siklis dan trend (Raihan .,2016).

2.4 Metode Regresi Polinomial

 Model regresi polinomial, struktur analisisnya sama dengan model regresi
linier berganda. Artinya, setiap pangkat atau orde variabel prediktor (X) pada model
polinomial, merupakan transformasi variabel awal dan dipandang sebagai sebuah
variabel prediktor (X) baru dalam linier berganda. Model terbaik dari kelima model
yang telah diuji adalah persamaan regresi model ke-5. Hal ini dapat dilihat dari nilai
koefisien determinasi sebesar 99,1% dan nilai R-Sq(adj) = 98,8%, karena nilai R 2
mendekati nilai yang telah diatur dan berdasarkan pengujian yang dilakukan ternyata
seluruh koefisien-koefisien dari setiap variabel bebas signifikan serta ada
kelengkungan yang bersifat kubik (pangkat 3) terhadap data X3 terhadap Y. Analisis
regresi merupakan salah satu alat dalam pengambilan keputusan yang banyak
digunakan dalam pembangunan model matematis, karena model regresi dapat
digunakan untuk mengukur kekuatan hubungan antara variabel respons dan variabel
prediktor, mengetahui pengaruh suatu atau beberapa variabel prediktor terhadap
variabel respons, dan berguna untuk memprediksi pengaruh suatu variabel atau
beberapa variable respons.

Regresi polinomial merupakan model regresi linier yang dibentuk dengan

menjumlahkan pengaruh masing-masing variabel prediktor (X) yang dipangkatkan
meningkat sampai orde ke-k. Secara umum, model regresi polinomial ditulis dalam
bentuk :

Y = b0 + b1X + b2X + … + bkX2 +  (6)

Dimana :

Y = variabel respons

B0 = intersep b1,b2,…,

Bk = koefisien-koefisien regresi

X = variabel prediktor
 = faktor pengganggu yang tidak dapat dijelaskan oleh model regresi
(Malensang .,2012).

2.5 Metode Ketepatan Peramalan

Ketepatan metode peramalan digunakan sebagai penunjukkan seberapa jauh

model peramalan tersebut memproduksi data yang telah diketahui. Bagi pemakai
ramalan, ketepatan ramalan yang akan datang adalah yang paling penting, sedangkan
bagi pembuat model, kebaikan sesuai model untuk fakta yang diketahui yang
diperhatikan.

2.5.1 Mean Absolute Deviation (MAD)

Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari

kesalahan-kesalahan yang absolute. Mean Absolute Deviation (MAD) mengukur
ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolute masing-
masing kesalahan). MAD berguna ketika mengukur kesalahan ramalan dalam unit
yang sama sebagai deret asli. Nilai MAD dapat dihitung dengan menggunakan
rumus :

Actual−forest
MAD = Σ (7)
n

2.5.2 Mean Squared Error (MSE)

Metode lain untuk mengevaluasi metode peramalan. Masing-masing

kesalahan atau sisa dikuadratkan. Kemudian dijumlahkan dan ditambahkan dengan
dengan jumlah observasi. Pendekatan ini mengatur kesalahan peramlan yang besar
karena kesalahan-kesalahan itu dikuadratkan. Metode itu menghasilkan kesalahan-
kesalahan sedang yang kemungkinan lebih baik untuk kesalahan kecil, tetapi kadang
menghasilkan perbedaan yang besar. Nilai MSE dapat di hitung dengan
menggunakan rumus :
 Actual−forecast 2
MSE = Σ
n
(8)

2.5.3 Mean Absolute Percentage Error (MAPE)

Dihitung dengan menggunkan kesalahan absolute pada tiap periode dibagi

dengan nilai observasi yang nyata untuk periode itu. Kemudian merata-rata kesalahan
persentase absolute tersebut. Pendekatan ini berguna ketika ukuran atau besar
variable ramalan itu penting dalam mengevaluasi ketepatan ramalan. MAPE
mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan dengan
nilai nyata. Nilai MPE dapat dihitung dengan rumus MAPE (Ginantra .,2019).

MAPE = (∑ ▒ ([𝐴𝑐𝑡𝑢𝑎𝑙 − 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡] ∗ 100)/𝐴𝑐𝑡𝑢𝑎𝑙)/n (9)

2.6 LME (London Meal Exchange)

Harga nikel sangat dipengaruhi oleh volatilitas yang signifikan. Nikel dijual
dalam pasar global aktif dan diperdagangkan dalam bursa komoditi, dimana bursa
yang paling signifikan adalah Bursa Logam London (LME). Nikel mulai
diperdagangkan di LME pada tahun 1979 dan sejak itu telah mengalami beberapa
siklus harga. Harga logam ini dipengaruhi berbagai faktor, termasuk ekspetasi dan
kondisi actual makro-ekonomi dan politik, tingkat permintaan dan pasokan,
ketersediaan dan harga produk subtstitusi, tingkat persediaan, investasi yang
dilakukan oleh manajer investasi komoditas dan tindakan-tindakan peserta pasar
komoditas.

Harga pasar nikel dunia saat ini masih mengacu pada LME (London Metal
Exchange), yang merupakan pusat perdagangan logam dunia yang bertempat di
Inggris. Hampir seluruh dunia yang melakukan perdagangan di dunia pertambangan,
menggunakan LME (London Metal Exchange) sebagai patokan harga untuk
penjualan maupun pembelian. Sebanyak 80% produk metal diperjualbelikan di LME
(London Metal Exchange), mulai dari perdagangan tembaga, timah, seng, nikel,
aluminium, aluminium alloy hingga kobalt. LME (London Metal Exchange) sendiri
adalah bursa perdagangan logam nonferrous terbesar & tertua di dunia yang didirikan
pada 1877. LME (London Metal Exchange) dinilai memiliki pengaruh penting pada
nilai tukar dan inventarisasi produksi serta penjualan logam non-ferrous dunia.
Mekanisme kerja LME (London Metal Exchange) pada perdagangan logam harus
dilakukan oleh anggota bursa LME. Harga dibentuk pada sesi perdagangan paling
likuid, sehingga mencerminkan permintaan dan penawaran. Harga resmi adalah pada
saat kontrak terjadi yang ditentukan oleh harga pada penawaran terakhir sebelum
penutupan perdagangan. LME (London Metal Exchange) nantinya akan menerima
renminbi sebagai jaminan untuk diperdagangkan di platform antara bank dan broker,
langkah terakhir dalam proses globalisasi mata uang. Mata uang yang saat ini
diterima oleh bursa LME (London Metal Exchange) adalah US Dollar, Euro, Sterling
dan Yen.

Dengan adanya LME (London Metal Exchange), investor sekaligus pengusaha

yang bergumul di dunia logam akan mendapatkan manfaat seperti mendapat
perlindungan dari fluktuasi harga yang merugikan, mengunci margin dan
menawarkan harga tetap jangka panjang kepada pelanggan, meningkatkan perkiraan
anggaran, mengubah persediaan menjadu uang tunai dan jaminan keuangan,
melindungi persediaan fisik terhadap penurunan harga, dan melindungi nilai
pembelian fisik pada saat kesulitan produksi (Hariadi dkk.,2013).

2.7 Harga Patokan Nikel (HPM)

HPM Logam adalah harga batas bawah dalam penghitungan kewajiban

pembayaran iuran produksi oleh pemegang IUP OP Mineral Logam dan IUPK OP
Mineral Logam. HPM Logam untuk masing - masing jenis komoditas mineral logam
secara berkala ditetapkan oleh Direktur Jenderal Mineral dan Batubara atas nama
Menteri ESDM. Penetapan HPM Logam dihitung berdasarkan mata uang Rupiah
(Rp) atau Dolar Amerika (US $). Konversi mata uang Rupiah ke Dolar Amerika atau
sebaliknya menggunakan nilai tengah kurs Bank Indonesia yang berlaku pada tanggal
dan periode yang disepakati bersama antara Pemerintah dan badan usaha. HPM
logam khusus untuk mineral nikel terdiri dari 8 jenis yaitu bijih nikel, feronikel,
mixed hidroxyde presipitate, nikel meral shot, nikel pig iron, ingot nikel, dan nikel
matte. HPM logam inilah yang digunakan dalam perhitungan besaran royalti untuk
komoditas nikel dan turunannya. HPM logam ini dapat ditinjau secara berkala setiap
6 bulan sekali atau sewaktu - waktu apabila diperlukan. Untuk menentukan nilai
HPM tersebut dapat menggunakan persamaan di bawah ini (Pusat Data dan
Teknologi Informasi Kementerian Energi dan Sumberdaya Mineral. 2017):

HPM Bijih Nikel=%Ni ×CF × HMA Nikel (10)

 BAB III

METODE STUDI PRAKTIKUM

3.1 Waktu Dan Lokasi Studi

Kegiatan penelitian ini di lakukan kurang lebih selama satu hari,lokasi

praktikum bertempat di laboratorium FITK, yang secara administrasi, perusahaan ini
terletak pada Kecamatan Kabaena Timur, Kabupaten Bombana, Provinsi Sulawesi
Tenggara. Adapun lokasi PT. IFSU JAYA. Peta lokasi studi dapat dilihat pada
gambar berikut :

Gambar 3.1 Peta Lokasi Studi

3.2 Jenis Studi Praktikum

Praktikum ini di lakukan dengan menggunakan metode atau jenis praktikum

kuantitatif. Dalam pelaksanaan praktikum ini, dilakukan dengan mengamalkan harga
nikel berdasarkan data harga nikel 10 bulan terakhir menurut LME.

3.3 Bahan Dan Materi Praktikum

Studi praktikum ini hanya menggunakan data sekunder. Data sekunder adalah
data yang sudah ada, baik yang bersumber dari studi literatur, hasil studi sebelumnya
ataupun instansi yang memberikan penjelasan atau gambaran umum mengenai
lokasi studi dan informasi-informasi yang terkait dengan permasalahan dalam studi
ini, data-data sekunder yang digunakan yaitu Data harga nikel menurut LME

3.4 Instrumen Studi Praktikum

Adapun instrumen praktikum yang akan dipergunakan dalam praktikum dapat
dilihat pada tabel 3.1 berikut:
Tabel 3.1 Instrumen Studi Yang Digunakan Dalam Praktikum
No Instrumen Fungsi
1 Laptop Sebagai perangkat pengolahan data dan sebagai
perangkat membantu pembuatan laporan lengkap

2 Software microsoft office Sebagai alat untuk pembuatan laporan dan

mengolah data curah hujan.

3.5 Prosedur Studi Praktikum

Prosedur penelitian ini dibagi menjadi beberapa beberapa tahapan kegiatan
penelitian sebagai berikut:

3.5.1 Studi literatur

 Tahap studi literatur ini dimaksudkan sebagai proses untuk mengumpulkan,
mempelajari, dan memahami berbagai sumber pustaka yang berkaitan dengan
penelitian yang akan dilakukan, yaitu peramalan harga nikel.

3.5.2 Pengambilan dan pengumpulan data

Tahap pengambilan dan pengumpulan data ini yaitu proses di mana semua data-
data yang diperlukan dalam melakukan penelitian dikumpulkan, data-data tersebut
merupakan data sekunder.

3.5.3 Pengolahan data

Peramalan harga nikel dilakukan dengan menganalisis data harga nikel delapan
bulan terakhir menggunakan metode polynomial, regresi linear dan ex smoothing.
Metode polinomial berdasarkan data harga nikel yang diambil dari LME dilakukan
analisis dengan membuat grafik polinomial dari data harga nikel 6 bulan terakhir dari
grafik terdapat rumus untuk melakukan analisis polinomial harga nikel selama 8
bulan kedepan. Metode regresi linear dilakukan analisis dengan membuat grafik
regresi linear dari data harga nikel 6 bulan terakhir dari grafik terdapat rumus untuk
melakukan peramalan dengan metode regresi linear. Untuk metode ex smooting
dilakukan peramalan dgn menggunakan harga peramalam bulan sebelumnya
ditambah dengan hasil dari 0.1 dikali pengurangan harga aktual bulan sebelumnya
dikurangi harga peramalan bulan sebelumnya.
3.6 Diagram Alir Penelitian Studi Praktikum
Adapun diagram alir pada penelitian sebagai berikut:

Mulai

Studi Literatur

Pengumpulan Data

Data Sekunder
Data harga nikel menurut LME

Pengolahan Data
Peramalan harga nikel

Analisis
Menganalisis data harga nikel
menggunakan tiga metode

Hasil
Harga nikel bulan November 2022
sampai Agustus 2023

Selesai
 BAB IV

HASIL DAN PEMBAHASAN

4.1 analisis Peramalan Harga Nikel

Data yang digunakan dalam menganalisis peramalan harga nikel yaitu
menggunakan data
dari LME (London Metal Exchange) selama sepuluh bulan terakhir yaitu dari bulan
Januari sampai dengan bulan Oktober tahun 2022 yang akan digunakan sebagai acuan
dalam meramalkan harga nikel. Untuk mendapatkan hasil optimal dapat dilakukan
dengan menggunakan beberapa metode peramalan yang sesuai berdasarkan data
historis yang ada. Berikut merupakan pengumpulan data harga mineral (HMA) nikel
selama 10 bulan.

Tabel 4.1 HMA Nikel tahun 2022

No Tahun Harga (USD/Ton)

1 Januari 22.326

2 Februari 24.178

3 Maret 31.861

4 April 33.298

5 Mei 27.950

6 Juni 25.838

7 Juli 21.483

8 Agustus 21.998

9 September 22.682
 10 Oktober 21.891

Sumber : HMA Nickel (London Metal Exchange)

PT. Karya Nikel Sulawesi akan melakukan perencanaan produksi selama

delapan bulan kedepan sesuai dengan umur tambang pada pushback penambangan.
Untuk dapat memperkirakan harga nikel diperlukan peramalan atau forecasting. Pada
PT. Karya Nikel Sulawesi yang akan melakukan penambangan selama delapan bulan
diharuskan melakukan analisis peramalan harga nikel untuk memperoleh hasil yang
baik, untuk itu PT. Karya Nikel Sulawesi menganalisis peramalan harga nikel dengan
tiga metode yang, yaitu metode polinomial, exponential smoothing, dan metode
regresi linear.

4.1.1 Analisis Menggunakan Metode Polinomial

Analisis menggunakan data historis selama 10 bulan terakhir. Hasil analisis dari
metode polinomial menghasilkan trend dengan nilai y =-281.56x2 + 2483.4x + 22531.
Grafik hasil analisis metode polinomial dapat di lihat pada gambar 4.1.

POLINOMIAL
35,000
30,000
25,000 f(x) = − 281.560606060607 x² + 2483.41515151516 x + 22531.4
R² = 0.433228097103042
20,000
Axis Title

Series2
15,000 Polynomial (Series2)
10,000
5,000
0
0 2 4 6 8 10 12
Axis Title

Gambar 4.1 Grafik Trend Analisis Metode Polinomia

 Untuk mengetahui keakurasian dari hasil prediksi harga nikel, maka dilakukan
perhitungan menggunakan Mean Square Error (MSE), Mean Absolute Deviation
(MAD), dan Mean Absolute Percentage Error (MAPE). Semakin kecil
penyimpangan antara hasil prediksi yang sebenarnya menunjukkan jika metode
prediksi yang dipergunakan baik. Perhitungan MSE menggunakan persamaan (2.12)
menghasilkan nilai sebesar 812840859.80, MAD dengan menggunakan persamaan
(2.11) menghasilkan nilai sebesar 21679.66, MAPE dengan menggunakan persamaan
(2.13) menghasilkan nilai sebesar 94.72087. Hasil ini menunjukkan jika prediksi
harga nikel menggunakan metode polinomial kurang baik. Untuk hasil perhitungan
lebih jelasnya dapat di lihat pada Tabel 4.2 berikut ini:

Tabel 4.2 Hasil Analisis Harga Nikel Dengan Metode Polinomial

Harga(USD/ Polinomia
No Bulan Eror Eror ² % Eror
Ton) l

1 januari 22,326 25,296 2,970 8,820,662 13.30

2 fabruaru 24,178 28,624 4,446 19,767,272 18.39

3 maret 31,860 32,515 655 429,339 2.06

4 april 33,298 36,970 3,672 13,480,353 11.03

5 mei 27,950 41,987 14,037 197,037,369 50.22

6 juni 25,837 47,568 21,731 472,217,238 84.11

7 juli 21,483 53,711 32,228 1,038,659,453 150.02

8 agustus 21,997 60,418 38,421 1,476,176,315 174.66

9 september 22,682 67,688 45,006 2,025,536,436 198.42

10 oktober 21,890 75,521 53,631 2,876,284,161 245.00

 94.7208
Jumlah 21679.66 812840859.80 7

Mean Absolute Deviation (MAD) 21679.66

Mean Square Error (MSE) 812840859.80

Mean Absolute Percentage Error (MAPE) 94.72087

Dari hasil perhitungan dengan menggunakan persamaan y =-281.56x2 +

2483.4x + 22531 menggunakan metode polinomial di dapatkan hasil peramalan harga
nikel untuk 8 bulan kedepan. Peramalan harga nikel untuk 10 bulan ke depan dapat
dilihat pada tabel 4.3.

Tabel 4.3 Peramalan HMA Nikel 8 Bulan Kedepan Metode Polimonial

No Bulan Harga(USD/Ton)

1 November (2022) 83,917

2 Desember (2022) 92,876

3 Januari (2023) 102,399

4 Februari (2023) 112,484

5 Maret (2023) 123,133

6 April (2023) 134,345

7 Mei (2023) 146,120

8 Juni (2023) 158,458

9 juli 171,359

10 agustus 184,823
 4.1.2 Analisis Menggunakan Metode EX Smoothing
Analisis menggunakan data historis selama 10 bulan terakhir. Dari hasil
perhitungan dengan menggunakan persamaan (2.3). Untuk mengetahui keakurasian
dari hasil prediksi harga nikel di atas, maka dilakukan perhitungan menggunakan
Mean Square Error (MSE), Mean Absolute Deviation (MAD), dan Mean Absolute
Percentage Error (MAPE). Semakin kecil penyimpangan antara hasil prediksi yang
sebenarnya menunjukkan jika metode prediksi yang dipergunakan baik. Perhitungan
MSE menggunakan persamaan (2.12) menghasilkan nilai sebesar 22710803.51,
MAD dengan menggunakan persamaan (2.11) menghasilkan nilai sebesar
3543.448197, MAPE dengan menggunakan persamaan (2.13) menghasilkan nilai
sebesar 12.80509108. Hasil ini menunjukkan jika prediksi harga nikel menggunakan
metode ex smoothing kurang baik. Untuk hasil perhitungan lebih jelasnya dapat di
lihat pada Tabel 4.4 berikut ini:

Tabel 4.4 Hasil Analisis Harga Nikel Dengan Metode Ex Smoothing

Ex
Harga(USD/ %
No Bulan Smoothin Eror Eror ²
Ton) Eror
g

1 januari 22,326 22,326 0.00 0.0 0.00

2 fabruaru 24,178 22,326 1852.00 3429904.0 7.66

3 maret 31,860 22,511 9348.80 87400061.4 29.34

4 april 33,298 23,446 9851.92 97060327.7 29.59

5 mei 27,950 24,431 3518.73 12381446.7 12.59

6 juni 25,837 24,783 1053.86 1110610.8 4.08

7 juli 21,483 24,889 3405.53 11597636.8 15.85

8 agustus 21,997 24,548 2550.98 6507485.1 11.60

septembe
9
r 22,682 24,293 1610.88 2594933.0 7.10

10 oktober 21,890 24,132 2241.79 5025629.6 10.24

3543.44819
Jumlah 7 22710803.51 12.805

3543.4481
Mean Absolute Deviation (MAD) 97

Mean Square Error (MSE) 22710803.51

12.805091
Mean Absolute Percentage Error (MAPE) 08

Dari hasil perhitungan dengan menggunakan menggunakan metode EX

Smoothing di dapatkan hasil peramalan harga nikel untuk 10 bulan kedepan.
Peramalan harga nikel untuk 10 bulan ke depan dapat dilihat pada tabel 4.5.

Tabel 4.5 Peramalan HMA Nikel 8 Bulan Kedepan Metode EX Smoothing

No Bulan Harga(USD/Ton)

1 November (2022) 23,908

2 Desember (2022) 21,517

3 Januari (2023) 19,365

4 Februari (2023) 17,429

5 Maret (2023) 15,686

 6 April (2023) 14,117

7 Mei (2023) 12,705

8 Juni (2023) 11,435

9 Juli 10,291

10 Agustus 9,262

4.1.2 Analisis Menggunakan Metode Regresi Linear

Analisis menggunakan data historis selama 10 bulan terakhir. Hasil analisis dari
metode regresi menghasilkan trend dengan nilai y =-613.75x + 28726 dan nilai R² =
0.1846. Grafik hasil analisis metode regresi linear dapat di lihat pada gambar 4.2
berikut:

Chart Title
35,000

30,000

25,000 f(x) = − 613.751515151515 x + 28725.7333333333

R² = 0.18459509860678
20,000
Axis Title

Series2
15,000 Linear (Series2)

10,000

5,000

0
0 2 4 6 8 10 12
Axis Title

Gambar 4.1 Grafik Trend Analisis Metode Regresi Linear

 Untuk mengetahui keakurasian dari hasil prediksi harga nikel di atas, maka
dilakukan perhitungan menggunakan Mean Square Error (MSE), Mean Absolute
Deviation (MAD), dan Mean Absolute Percentage Error (MAPE). Semakin kecil
penyimpangan antara hasil prediksi yang sebenarnya menunjukkan jika merode
prediksi yang dipergunakan baik. Perhitungan MSE menggunakan persamaan (2.12)
menghasilkan nilai sebesar 13727525, MAD dengan menggunakan persamaan (2.11)
menghasilkan nilai sebesar 3018, MAPE dengan menggunakan persamaan (2.13)
menghasilkan nilai sebesar 11.511. Hasil ini menunjukkan jika prediksi harga nikel
menggunakan metode regresi linear baik.

Tabel 4.6 Hasil Analisis Harga Nikel Dengan Metode Regresi Linear

Harga(USD/ Regresi
No Bulan Eror Eror ² % Eror
Ton) Linear

1 januari 22,326 28112.25 5786.25 33480689.06 25.917

2 fabruaru 24,178 27498.50 3320.50 11025720.25 13.734

3 maret 31,860 26884.75 4975.25 24753112.56 15.616

4 april 33,298 26271.00 7027.00 49378729.00 21.103

5 mei 27,950 25657.25 2292.75 5256702.56 8.203

6 juni 25,837 25043.50 793.50 629642.25 3.071

7 juli 21,483 24429.75 2946.75 8683335.56 13.717

8 agustus 21,997 23816.00 1819.00 3308761.00 8.269

9 september 22,682 23202.25 520.25 270660.06 2.294

10 oktober 21,890 22588.50 698.50 487902.25 3.191

Jumlah 3018 13727525 115,11

 Mean Absolute Deviation (MAD) 3018

Mean Square Error (MSE) 13727525

Mean Absolute Percentage Error (MAPE) 11,51

Dari hasil perhitungan dengan menggunakan persamaan (2.1) menggunakan

metode regresi linear di dapatkan hasil peramalan harga nikel untuk 10 bulan
kedepan. Peramalan harga nikel untuk 10 bulan ke depan dapat dilihat pada tabel 4.6.

Tabel 4.7 Peramalan HMA nikel 10 bulan kedepan metode Regresi Linear

No Bulan Harga(USD/Ton)

1 November (2022) 21974.75

2 Desember (2022) 21361.00

3 Januari (2023) 20747.25

4 Februari (2023) 20133.50

5 Maret (2023) 19519.75

6 April (2023) 18906.00

7 Mei (2023) 18292.25

8 Juni (2023) 17678.50

9 Juli 17064.75

10 Agustus 16451.00
 Dari ketiga metode yang digunakan mulai dari metode polinomial, ex
smoothing, dan regresi linear yang telah dianalisa, metode dengan hasil nilai MAD
(Mean Absolute Deviation) paling rendah adalah metode Regresi linear dengan nilai
MAD sebesar 3018. MAD (Mean Absolute Deviation) adalah rata-rata kesalahan
mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih
besar atau lebih kecil dibanding kenyataannya. Sehingga dapat disimpulkan metode
yang paling efektif digunakan adalah metode polynomial.

4.2 Analisis Harga Patokan Mineral (HPM) Nikel

HPM adalah harga patokan mineral dalam bentuk bijih. Perhitungan harga
patokan mineral (HPM) berdasarkan harga mineral acuan (HMA) yang telah
diramalkan sebelumnya. Peramalan harga mineral acuan (HMA) yang digunakan
untuk menhitungan harga patokan mineral (HPM) adalah peramalan dengan
menggunakan metode regresi linear dinama nilainya dapat dilihat pada tabel 4.6.
Perhitungan harga patokan mineal (HPM) menggunakan persamaan (2.14).
Penentuan harga patokan mineral (HPM) nikel menggunakan corrective factor 2,0%
Ni atau 21% HMA Nikel yang telah diramalkan corrective factor merupakan besaran
nilai (persentase) yang mengakomodir terhadap nilai diskon maupun premium
terhadap kualitas komoditas yang diperjual belikan. Nilai CF akan naik/turun sebesar
1% setiap terjadi kenaikan/penurunan kadar Ni sebesar 0.1%. Rincian hasil
perhitungan harga patokan mineral (HPM) nikel selama 8 bulan kedepan dapat dilihat
pada tabel 4.6.

Tabel 4.8 HPM nikel 8 bulan kedepan

No Bulan Harga (USD/Ton)

1 November (2022) 64.6058

 2 Desember (2022) 62.8013

3 Januari (2023) 60.9969

4 Februari (2023) 59.1925

5 Maret (2023) 57.3881

6 April (2023) 55.5836

7 Mei (2023) 53.7792

8 Juni (2023) 51.9748

9 Juli 50.1704

10 Agustus 48.3659

HPM atau Harga Patokan Mineral yang didapat dari hasil analisis peramalan
dengan metode regresi linear yang memiliki rata-rata kesalahan paling kecil
didapatkan harga nikel dengan persentase Ni sebesar 2,0 pada bulan November
64.6058 USD/Ton, Desember 62.8013USD/Ton, Januari 60.9969 USD/Ton, Februari
59.1925USD/Ton, Maret 57.3881USD/Ton, April 55.5836 USD/ton, Mei 53.7792
USD/Ton, Juni 51.9748 USD/Ton, Juli 50.1704 USD/ Ton, Agustus 48.3659
USD/Ton.
 BAB V

KESIMPULAN

5.1 Kesimpulan

Kesimpulan pada laporan ini yaitu :

1. Metode peramalan (forecasting) adalah salah satu cara yang digunakan untuk
mengendalikan produksi. Metode ini cukup umum digunakan oleh
perusahaan besar. Namun, beberapa pelaku usaha kecil dan menengah masih
belum memahami bagaimana menentukan jumlah barang yang harus di
produksi.
2. Metode regresi merupakan sebuah metode statistik yang melakukan prediksi
menggunakan pengembangan hubungan matematis antara variabel, yaitu
variabel dependen (Y) dengan variabel independen (X).
3. Metode Exponential Smoothing merupakan prosedur perbaikan terus-
menerus pada peramalan terhadap objek pengamatan terbaru. Metode
peramalan ini menitikberatkan pada penurunan prioritas secara eksponensial
pada objek pengamatan yang lebih tua.
 4. Regresi polinomial merupakan model regresi linier yang dibentuk dengan
menjumlahkan pengaruh masing-masing variabel prediktor (X) yang
dipangkatkan meningkat sampai orde ke-k.
5. HPM Logam adalah harga batas bawah dalam penghitungan kewajiban
pembayaran iuran produksi oleh pemegang IUP OP Mineral Logam dan
IUPK OP Mineral Logam.

5.2 Saran

Saran dalam laporan studi penelitian kali ini yaitu agar penyusunan laporan
berikut nya dapat diperhatikan kembali sehingga dapat dijadikan acuan untuk
penyusunan - penyusunan selanjutnya.
 DAFTAR PUSTAKA

Ferry Muhammad F ., dkk. (2019). Peramalan Harga Saham PT. Aneka Tambang
Tbk Menggunakan Trend Model.
Ghebyla Najla A .,dkk. (2020). Penerapan Metode Regresi Linear Untuk Prediksi
Penjualan Properti pada PT XYZ. Jurnal Telematika.
Julyanti S M .,dkk. (2012). Pengembangan Model Regresi Polinomial Berganda Pada
Kasus Data Pemasaran.
Ni Luh Wiwik Sri Rahayu G .,dkk. (2019). Penerapan Metode Single Exponential
Smoothing Dalam Peramalan Penjualan Barang. Jurnal Sains
Komputer & Informatika.
Raihan .,dkk. (2016). Forcasting Model Exponensial Smoothing Time Series Rata
Rata Mechanical Availability Unit Off Highway Truck Cat 777D
Caterpillar. Jurnal Poros Teknik.
Slamet H .,dkk. (2013). Pengaruh Kompetensi Strategis Terhadap Kinerja
Manajemen Pasokan Melalui Integrasi Supplier Di PT. Vale
Indonesia TBK. Jurnal Analisis.