LAPORAN MINGGUAN
DIAJUKAN OLEH :
KELOMPOK 1
WA ODE YULIASTRI
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
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.
2.1 Peramalan
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).
𝐹f + 1 = 𝑎 ∗ 𝑋t + (1 − 𝑎) ∗ 𝐹t (4)
Dimana :
St = a* Yt + (1-a)*(St-1+bt-1) (5)
Bt = γ*(ST-ST-1)+(1-γ)*bt-1
Ft + m = St + btm
dimana:
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:
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).
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).
Actual−forest
MAD = Σ (7)
n
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.
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
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
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
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
Harga(USD/ Polinomia
No Bulan Eror Eror ² % Eror
Ton) l
No Bulan Harga(USD/Ton)
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:
Ex
Harga(USD/ %
No Bulan Smoothin Eror Eror ²
Ton) Eror
g
septembe
9
r 22,682 24,293 1610.88 2594933.0 7.10
3543.44819
Jumlah 7 22710803.51 12.805
3543.4481
Mean Absolute Deviation (MAD) 97
12.805091
Mean Absolute Percentage Error (MAPE) 08
No Bulan Harga(USD/Ton)
9 Juli 10,291
10 Agustus 9,262
Chart Title
35,000
30,000
Series2
15,000 Linear (Series2)
10,000
5,000
0
0 2 4 6 8 10 12
Axis Title
Tabel 4.6 Hasil Analisis Harga Nikel Dengan Metode Regresi Linear
Harga(USD/ Regresi
No Bulan Eror Eror ² % Eror
Ton) Linear
Tabel 4.7 Peramalan HMA nikel 10 bulan kedepan metode Regresi Linear
No Bulan Harga(USD/Ton)
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.
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
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.