SISTEM SOFTWARE PERENCANAAN PRODUKSI SAYURAN
(STUDI KASUS DI PARUNG FARM, BOGOR – JAWA
BARAT)
MUHAMAD SAEPUDIN
DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Sistem Software
Perencanaan Produksi Sayuran (Studi Kasus di Parung Farm, Bogor – Jawa Barat) adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir disertasi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Juni 2013
Muhamad Saepudin
ABSTRAK
MUHAMAD SAEPUDIN. Sistem Software Perencanaan Produksi Sayuran (Studi Kasus di Parung Farm, Bogor – Jawa Barat). Dibimbing oleh KUDANG BORO SEMINAR.
Pengembangan dan implementasi software perencanaan produksi pada komoditas sayuran menjadi penting dalam meningkatkan keakuratan produksi. Model peramalan dianalisis dengan metode kuantitatif time series yaitu
Autoregressive Integrated Moving Average (ARIMA) dan trend analysis untuk periode harian, mingguan, dan bulanan menggunakan Minitab 16 dan PHP sebagai bahasa pemrograman. Aplikasi berfungsi untuk memprediksi permintaan bayam, caisim, kangkung, dan pak choi. Selain itu aplikasi ini juga memiliki fungsi melakukan prediksi sarana produksi, antara lain lahan, benih, pupuk, styrofoam, rockwool, jelly cup, dan bibit. Beberapa modifikasi perlu dilakukan untuk menyempurnakan sistem software perencanaan produksi.
Kata kunci: perencanaan, produksi, software, sayuran
ABSTRACT
MUHAMAD SAEPUDIN. Software System for Production Planning of Vegetables (Case Study at Parung Farm, Bogor – West Java). Supervised by KUDANG BORO SEMINAR.
The development and implementation of software system production planning for vegetables is important to increase accuracy of production. Prediction model using quantitative time series models ARIMA (Autoregressive Integrated Moving Average) and trend analysis for period of daily, week, and monthly using Minitab 16 and PHP as language programming. The software utilities for predicting the demand of spinach, caisim, kale, and pak choi. The software also equipped to predicting things of production such as farm, seed, fertilizer, styrofoam, rockwool, jelly cup, and seed plant. There are still some modifications to make a perfect software system production planning for vegetables.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknologi Pertanian
pada
Departemen Teknik Mesin dan Biosistem
SISTEM SOFTWARE PERENCANAAN PRODUKSI SAYURAN
(STUDI KASUS DI PARUNG FARM, BOGOR – JAWA
BARAT)
MUHAMAD SAEPUDIN
DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR BOGOR
Judul Skripsi : Sistem Software Perencanaan Produksi Sayuran (Studi Kasus di Parung Farm, Bogor – Jawa Barat) Nama : Muhamad Saepudin
NIM : F14070059
Disetujui oleh
Prof. Dr. Ir. Kudang Boro Seminar, M.Sc Pembimbing
Diketahui oleh
Dr. Ir. Desrial, M.Eng Ketua Departemen
PRAKATA
Puji dan syukur dipanjatkan kepada Allah SWT atas karuniaNya sehingga skripsi ini berhasil diselesaikan. Penelitian dengan judul Sistem Software
Perencanaan Produksi Sayuran (Studi kasus di Parung Farm, Bogor - Jawa Barat) dilaksanakan di Parung Farm sejak bulan Maret hingga Nopember 2012.
Dengan selesainya penelitian hingga tersusunnya skripsi ini, penulis ingin menyampaikan penghargaan dan terima kasih kepada:
1. Orangtua penulis Cahyati dan Amar Sopian, Bapak Drs. Puguh Tjahyono (alm.) dan Ibu Titiek Indarwati, S.pd, serta istri tercinta Mega Dewana Putri, SP yang telah memberi banyak dorongan, motivasi, semangat, dan doa sehingga penulis dapat menyelesaikan tugas akhir skripsi ini.
2. Prof. Dr. Ir. Kudang Boro Seminar, M.Sc selaku dosen pembimbing akademik dan tugas akhir yang telah membimbing dan memberikan nasihat kepada penulis dalam bidang akademik dan dalam penelitian serta penyusunan skripsi.
3. Dr. Ir. Setyo Pertiwi, M.Agr dan Dr. Ir. Rokhani Hasbullah, M.Si selaku dosen penguji atas saran dan masukannya dalam penyempurnaan skripsi ini. 4. Bapak Sarmin dan Bapak Haryadi selaku pihak Parung Farm yang telah
banyak membantu penulis dalam melaksanakan penelitian.
5. Teman – teman FBI FATETA, Ensemble44, Katalis44, dan U310 yang telah memberikan semangat dan doa.
6. Semua pihak yang tidak dapat disebutkan satu persatu dan telah banyak membantu penulis selama menyelesaikan penelitian dan penulisan skripsi ini. Akhir kata, penulis berharap semoga tulisan ini, dapat bermanfaat.
Bogor, Juni 2013
DAFTAR ISI
DAFTAR TABEL vii
DAFTAR GAMBAR vii
DAFTAR LAMPIRAN viii
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 2
Ruang Lingkup Penelitian 2
TINJAUAN PUSTAKA 3
Sayuran 3
Peramalan 6
Perencanaan Produksi 9
Sistem Manajemen Basis Data Relasional 9
System Development Life Cycle (SDLC) 11
Studi Terdahulu 11
METODE 11
Lokasi dan Waktu 12
Alat dan Bahan 12
Metode Penelitian 13
HASIL DAN PEMBAHASAN 15
Investigasi Sistem 13
Analisis Sistem 14
Desain Sistem 28
Implementasi Sistem 33
Evaluasi dan Penyempurnaan Prototipe Software 35
SIMPULAN DAN SARAN 36
Simpulan 36
Saran 36
DAFTAR PUSTAKA 37
LAMPIRAN 39
DAFTAR TABEL
1 Alat yang digunakan pada penelitian 12
2 Model peramalan terbaik sayuran (bayam, caisim, kangkung, dan pak
choi) periode harian 21
3 Model peramalan terbaik sayuran (bayam, caisim, kangkung, dan pak
choi) periode mingguan 21
4 Model peramalan bayam periode bulanan 22 5 Model peramalan caisim periode bulanan 22 6 Model peramalan kangkung periode bulanan 23 7 Model peramalan pak choi periode bulanan 23 8 Model ramalan terbaik sayuran (bayam, caisim, kangkung, dan pak
choi) untuk periode bulanan 24
9 Perbandingan hasil ramalan model A, B, C, dan D dengan aktual bayam periode bulanan (dalam satuan ikat) 24 10 Perbandingan hasil ramalan model A, B, C, dan D dengan aktual
caisim periode bulanan (dalam satuan ikat) 24 11 Perbandingan hasil ramalan model A, B, C, dan D dengan aktual
kangkung periode bulanan (dalam satuan ikat) 24 12 Perbandingan hasil ramalan model A, B, C, dan D dengan aktual
pak choi periode bulanan (dalam satuan ikat) 25 13 Entitas produk beserta atribut dan jenis tipe datanya 27 14 Perhitungan sarana produksi sayuran Parung Farm (diolah) 31 15 Entitas data_praproses beserta atribut dan jenis tipe datanya 31 16 Entitas periode beserta atribut dan jenis tipe datanya 31 17 Entitas sarana_produksi beserta atribut dan jenis tipe datanya 31
DAFTAR GAMBAR
2 Caisim (Brassica juncea) 4
3 Kangkung (Ipomoea aquatic Forsk) 5
4 Pak Choi (Brassica rapa L.) 6
5 Proses peramalan 9
6 Tahapan penelitian 15
7 Pola data permintaan sayuran (bayam, caisim, kangkung, pak choi)
periode harian 18
8 Pola data permintaan sayuran (bayam, caisim, kangkung, pak choi)
periode harian mingguan 18
9 Pola data permintaan sayuran (bayam, caisim, kangkung, pak choi)
periode harian bulanan 19
10 Trend Analysis Plot Caisim periode bulanan
disertai nilai MAPE, MAD, dan MSD 25
11 Trend Analysis Plot Pak Choi periode bulanan
disertai nilai MAPE, MAD, dan MSD 26
12 Trend Analysis Plot Bayam Hijau periode bulanan
disertai nilai MAPE, MAD, dan MSD 26
13 Trend Analysis Plot Kangkung periode bulanan
disertai nilai MAPE, MAD, dan MSD 27
14 ER-D (Entity Relationship Diagram) SIMPro PF 1.0 28
15 Perancangan logis SIMPro PF 1.0 29
16 Skema hasil pemetaarn dari ER-D ke tabel/relasi 30
17 Perancangan fisik SIMPro PF 1.0 30
18 Tampilan pembuatan database bernama “simpro_pf” 27 19 Tampilan pembuatan tabel pada database “simpro_pf” 32
20 Tampilan muka aplikasi SIMPro PF 1.0 33
DAFTAR LAMPIRAN
1 Data historis permintaan sayuran bayam, caisim, kangkung,
dan pak choi periode mingguan 39
2 Data historis permintaan sayuran bayam, caisim, kangkung,
dan pak choi periode bulanan 49
3 Data historis permintaan sayuran bayam, caisim, kangkung,
PENDAHULUAN
Latar Belakang
Parung Farm merupakan produsen sayuran berdaun yang ditanam secara hidroponik (hydroponic) dan aeroponik (aeroponic) di Kecamatan Parung, Kabupaten Bogor, Jawa Barat. Walaupun bukan yang pertama, Parung Farm dapat dikatakan sebagai salah satu yang terbesar di bidangnya. Selain mengadakan pelatihan dan pengembangan dalam bidang hidroponik, Parung Farm sudah memasok produknya ke supermarket-supermarket besar yang ada di Indonesia. Parung Farm menghasilkan 19 macam sayuran dengan produk unggulan seperti pak choi, bayam hijau, caisim, dan kangkung. Produksi masing-masing sayuran sekitar 100 – 300 ikat per hari, dengan bobot 1 ikat sebesar 250 gram. Untuk menjamin keberlanjutan produksi, perusahaan ini mempunyai greenhouse
sebanyak 6 unit greenhouse.
Secara umum kegiatan yang berlangsung di Parung Farm terdiri atas beberapa kegiatan, yaitu produksi, pengepakan, dan pemasaran. Kegiatan produksi berlangsung di lapangan, sedangkan pengepakan dan pemasaran berlangsung di bagian kantor. Walaupun lokasi kerja terpisah, kegiatan produksi tetap melibatkan bagian pemasaran dan pengepakan. Bagian-bagian tersebut satu sama lain saling berinteraksi guna mendukung keberhasilan produksi dalam mencapai target yang telah ditetapkan oleh perusahaan. Untuk mempermudah tercapainya hal tersebut, kelancaran serta kelaikan data dan informasi yang mengalir di antara bagian terkait harus terjamin baik. Lebih dari itu, data dan informasi harus dapat diperoleh dengan waktu yang tepat dan cepat, benar dan relevan, serta jelas dan mudah dipahami. Data dan informasi yang tersedia juga harus terintegrasi dari seluruh agregat data di perusahaan.
Sistem administrasi data dan informasi yang ada saat ini dijalankan di Parung Farm masih bersifat semi manual dan terdesentralisasi di tiap bagian. Dengan pengelolaan data dan informasi demikian, sangat besar kemungkinan terjadinya kesalahan yang dapat mengakibatkan proses produksi dan pengendalian tidak optimal. Hal ini dikarenakan penanganan secara manual sangat bergantung pada manusia. Sistem administrasi dan informasi pada bagian produksi masih dilakukan secara manual. Sehubungan dengan hal ini, kegiatan produksi yang dilakukan secara manual akan berpengaruh terhadap hasil produksi. Kualitas hasil produksi akan berpengaruh signifikan terhadap keberhasilan perusahaan untuk mencapai target. Pada kegiatan produksi dibutuhkan ketepatan dan ketelitian dalam menentukan beberapa kebijakan dalam perencanaan produksi, salah satu diantaranya adalah kebijakan menentukan kebutuhan sarana produksi.
2
sayuran karena permintaan pasar menurun atau sebaliknya perusahaan kekurangan sayuran untuk memasok pasar. Akibatnya, akan ada biaya produksi yang terbuang dengan sia-sia. Kemungkinan terburuknya perusahaan tidak layak untuk menjalankan kegiatan bisnis. Oleh karena itu, diperlukan sebuah sistem yang handal untuk menjamin keberhasilan dan keberlangsungan proses produksi.
Salah satu cara yang bisa dilakukan untuk membangun sistem produksi dengan baik yakni penerapan teknologi dalam proses produksi. Permasalahan yang semakin kompleks dan dinamis saat ini, akan memerlukan alat bantu komputer untuk memecahkannya. Komputer merupakan perangkat elektronik yang mempunyai kemampuan untuk mengolah data, menerima masukan serta menyajikan hasil. Komputer mempunyai beberapa kelebihan diantaranya adalah kemampuan yang besar dalam menyimpan beberapa instruksi pemecahan masalah, kecepatan perhitungan serta ketepatan dalam pengolahan data. Dengan bantuan komputer, maka sistem informasi dapat disajikan dengan daya guna tinggi.
Sebuah perangkat lunak mampu membantu kegiatan bagian produksi dalam mengambil sebuah kebijakan penting. Ada banyak manfaat yang didapatkan apabila Parung Farm menerapkan teknologi komputer dalam kegiatan produksi. Dengan adanya sebuah sistem komputer, kegiatan produksi akan lebih terjaga dan lebih akurat, sehingga hasilnya pun akan menguntungkan perusahaan. Manfaat dari sistem komputer antara lain menyediakan informasi yang bersifat tepat waktu, tepat guna, dan tepat sasaran. Sistem komputer mampu membantu mengefektifkan proses pengambilan keputusan yang berkaitan dengan bidang fungsional yang ada di Parung Farm, sehingga diperoleh keputusan yang tidak ragu-ragu dan menghasilkan proses pengambilan yang konsisten. Sistem informasi dapat membantu pula melakukan kegiatan proses perencanaan produksi yang matang.
Tujuan Penelitian
Tujuan umum dari penelitian ini adalah untuk membangun prototipe sistem software perencanaan produksi sayuran Parung Farm untuk mendukung pengambilan keputusan dalam operasional produksi. Selanjutnya software ini diberi nama SIMPro PF 1.0.
Ruang Lingkup Penelitian
Penelitian ini dilaksanakan dengan kegiatan studi kasus di Parung Farm. Data-data yang dianalisis berupa data-data permintaan sayuran (bayam, caisim, kangkung, dan pak choi) Parung Farm pada bulan Maret 2011 - April 2012. Proses selanjutnya yaitu menganalisis, merancang, dan mengembangkan prototipe
3
TINJAUAN PUSTAKA
Sayuran
Bayam Hijau
Bayam hijau merupakan tanaman sayuran yang dikenal dengan nama ilmiah Amaranthus spp. Bayam ini tumbuh tersebar di banyak bagian dunia. Bayam tumbuh dengan baik di ketinggian sampai dengan 1000 m, tetapi paling baik pertumbuhannya di daerah dataran rendah tropika. Beberapa merupakan tanaman hari-pendek yang nyata dan ditanam hanya pada bulan musim panas sebagai sayuran daun. Umur tanaman di daerah dataran rendah tropika adalah 4 – 6 minggu, sehingga bayam dapat disertakan dalam pergiliran tanaman tiga bulanan dengan cara yang sama seperti kangkung.
Bayam dapat tumbuh kapan saja baik pada musim hujan ataupun kemarau. Tanaman ini kebutuhan airnya cukup banyak sehingga paling tepat ditanam pada awal musim hujan, yaitu sekitar bulan Oktober – November. Bayam diperbanyak melalui biji. Hanya biji bayam tua yang baik dijadikan benih. Bila benih masih muda, daya tahan simpannya hanya sebentar dan daya tumbuhnya cepat menurun. (Nazaruddin 1995). Bayam tumbuh dengan baik di lahan tanah yang subur dan gembur. Derajat keasaman (pH) yang mendukung berkisar antara 6-7. Tanah yang pHnya lebih tinggi atau lebih rendah dari kisaran tersebut, membuat tanaman bayam tidak dapat tumbuh dengan baik (Setiawan 1995).
Tanaman ini mempunyai taksonomi sebagai berikut: Kingdom : Plantae
Divisi : Magnoliophyta Subdivisi : Magnoliopsida Kelas : Caryophyllales Ordo : Amaranthaceae Famili : Amaranthoideae Genus : Amaranthus
Spesies : Amaranthus spp.
4 Caisim
Setiawan (1995) menyebutkan bahwa caisim merupakan salah satu tanaman sayuran yang disukai oleh masyarakat Indonesia. Caisim sering disebut oleh masyarakat dengan nama sawi bakso. Caisim memiliki ciri-ciri tangkai daunnya putih kehijauan dan daun yang lebar memanjang, tipis, dan berwarna hijau. Tanaman caisim tumbuh dengan baik pada daerah ketinggian 100 meter – 500 m dpl (di atas permukaan laut). Derajat keasaman (pH) tanah yang optimum untuk pertumbuhannya yaitu antara pH 6-7.
Tanaman ini mempunyai taksonomi sebagai berikut: Divisi : Spermatophyta
Subdivisi : Angiospermae Kelas : Dicotyledonae
Ordo : Rhoeadales (Brassicales) Famili : Cruciferae (Brassicaceae) Genus : Brassica
Spesies : Brassica juncea
Gambar 2 Caisim (Brassica juncea) Kangkung
Kangkung terdiri atas dua jenis, yaitu kangkung air dan kangkung darat. Kangkung air tumbuh baik di tempat yang basah atau berair. Kangkung air memiliki ciri-ciri sebagai berikut: tangkai daun panjang, daun lebar, bunga berwarna ungu, dan warna hijau tua. Jenis tersebut memiliki daya adaptasi yang baik dengan perairan setempat. Jenis yang kedua yaitu kangkung darat. Kangkung darat banyak tumbuh di lahan kering atau tegalan. Kangkung darat memiliki ciri-ciri daun langsing, ujung daun meruncing, warna hijau pucat keputih-putihan, dan warna bunga polos.
5 Klasifikasi tanaman kangkung air menurut Suratman et al. (2000) adalah sebagai berikut:
Kingdom : Plantae
Divisi : Spermatophyta Subdivisi : Angiospermae Kelas : Dicotyledoneae Ordo : Tubiflorae Famili : Convolvulaceae Genus : Ipomoea
Spesies : Ipomoea aquatic Forsk
Gambar 3 Kangkung (Ipomoea aquatic Forsk) Pak Choi
Pak Choi memiliki nama ilmiah Brassica rapa L. Pak Choi termasuk family Crucifera/Brassicaceae (kubis-kubisan). Sebelumnya dikenal dengan nama ilmiah B. chinensis L. atau B. rapa L. ssp. Chinensis, dan kini menjadi B. rapa L. cv. Group Pak Choi (Tay dan Toxofeus 1994). Tanaman ini dikenal di Indonesia dengan nama Pak Choi atau sawi cina. Pak Choi memiliki daun berbentuk agak oval yang berwarna hijau tua dan mengkilap dengan tangkai daun yang gemuk dan berdaging berwarna putih atau hijau muda. Daun tersebut tersusun dalam spiral yang rapat dan tidak membentuk head (kepala atau crop). Tinggi tanaman ini berkisar antara 15 – 30 cm, memiliki sistem perakaran kubis-kubisan agak dangkal dengan akar tunggang yang bercabang (Rubatzky & Yamaguchi 1998).
Tanaman ini memiliki nilai gizi yang cukup penting. Tiap 100 g Pak Choi segar mengandung 93 g air, 1.7 g protein, 0.2 g lemak karbohidrat, dan 0.7 g serat. Pak Choi juga merupakan sumber vitamin dan mineral yang baik seperti 53 mg
vitamin C, 2.3 mg β-karoten, 102 mg Ca, 46 mg P, dan 2.6 mg Fe, yang terkandung dalam 100 g bobot segar (Tay & Toxofeus 1994).
Tanaman ini mempunyai taksonomi sebagai berikut: Kingdom : Plantae
6
Famili : Brassicaceae Genus : Brassica
Spesies : Brassica rapa L.
Gambar 4 Pak Choi (Brassica rapa L.) Peramalan
Definisi Peramalan
Menurut Sugiarto dan Harijono (2000), peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola sistematis. Dalam dunia bisnis, hasil peramalan mampu memberikan gambaran tentang masa depan perusahaan yang memungkinkan manajemen membuat perencanaan, menciptakan peluang bisnis maupun mengatur pola investasi perusahaan. Ketepatan hasil peramalan bisnis akan meningkatkan peluang tercapainya investasi yang menguntungkan. Semakin tinggi akurasi yang dicapai peramalan, semakin meningkat pula peran peramalan dalam perusahaan karena hasil dari suatu peramalan dapat memberikan arah bagi perencanaan perusahaan antara lain perencanaan produk dan pasar, perencanaan penjualan, perencanaan produksi, dan perencanaan keuangan.
Montgomery (2008) menyatakan bahwa peramalan adalah prediksi beberapa kejadian di masa yang akan datang. Peramalan merupakan persoalan penting yang meliputi banyak bidang yaitu bisnis dan industri, pemerintahan, ekonomi, ilmu lingkungan, pengobatan, ilmu sosial, politik, dan keuangan. Permasalahan peramalan digolongkan menjadi peramalan jangka pendek, jangka menengah, dan jangka panjang. Peramalan jangka pendek meliputi prediksi peristiwa yang terjadi dalam beberapa periode (harian, mingguan, bulanan) di masa yang akan datang. Peramalan jangka menengah meliputi prediksi mulai dari satu hingga dua tahun yang akan datang. Peramalan jangka panjang meliputi prediksi peristiwa yang terjadi dalam beberapa tahun yang akan datang.
7 1. Manajemen operasi
Perusahaan bisnis seringkali melakukan peramalan terhadap penjualan produk dan permintaan pasar sebagai pelayanan dalam penjadwalan produksi, pengontrolan bahan baku, pengelolaan rantai-pasok, penentuan kebutuhan karyawan, dan perencanaan kapasitas produksi. Peramalan juga digunakan untuk menentukan campuran produk atau pelayanan yang ditawarkan dan lokasi produksi.
2. Pemasaran
Peramalan sangat penting dalam berbagai keputusan pemasaran. Prediksi penjualan berkaitan erat dengan kebutuhan pengiklanan, promosi produk baru, atau perubahan kebijakan pengaturan harga sehingga memungkinkan dilakukannya evaluasi terhadap efektivitas, waktu pencapaian target, dan pengambilan keputusan.
3. Keuangan dan Manajemen Resiko
Investor keuangan sangat tertarik dengan peramalan kembalinya investasi mereka. Manajemen keuangan membutuhkan prediksi volatilitas pengembalian aset, sehingga kemungkinan-kemungkinan resiko yang ada dapat dibuat dalam bentuk portofolio yang dapat dievaluasi dan dipastikan, serta keuangan dapat terjaga dengan baik.
4. Ekonomi
Pemerintahan, institusi keuangan, dan organisasi memerlukan prediksi terhadap faktor mayor ekonomi seperti Gross Domestic Product (GDP), pertumbuhan penduduk, pengangguran, suku bunga, inflasi, pertumbuhan lapangan kerja, aktivitas produksi, dan konsumsi. Prediksi tersebut secara terpadu menjadi bagian penting petunjuk antara pemegang kebijakan keuangan dan perencana keuangan dalam pengambilan keputusan oleh pemerintahan, juga sebagai bahan untuk perencanaan strategis yang dibuat oleh organisasi bisnis dan institusi keuangan.
5. Pengontrolan proses industri
Peramalan karakteristik dari kualitas nilai produksi di masa yang akan datang dalam proses produksi dapat membantu pengontrolan terhadap variabel mana yang harus diganti, atau apakah harus dihentikan prosesnya.
6. Demografi
8
Teknik Peramalan
Teknik peramalan merupakan cara yang dilakukan dalam melakukan prediksi. Ada dua jenis teknik peramalan, yaitu metode peramalan kualitatif dan metode peramalan kuantitatif.
a. Peramalan Kualitatif
Teknik peramalan kualitatif lebih mengandalkan judgment dan intuisi manusia daripada penggunaan data historis yang dimiliki. Teknik-teknik kualitatif ini antara lain: metode Delphi, kurva pertumbuhan, pembuatan skenario, riset pasar, dan kelompok-kelompok fokus (Arsyad 1994). Menurut Montgomery et al.
(2008), peramalan kualitatif seringkali digunakan saat sedikit atau tidak ada data historis yang cukup untuk menjadi dasar peramalan. Hal ini bisa terjadi pada peluncuran sebuah produk baru, tidak ada data historis yang bisa digunakan untuk prediksi. Pada situasi ini perusahaan dapat menggunakan pendapat para pakar penjualan dan pemasaran untuk melakukan estimasi tingkat penjualan produk selama fase pemasaran. Teknik peramalan kualitatif yang biasa digunakan adalah metode Delphi.
b. Peramalan Kuantitatif
Teknik peramalan kuantitatif menggunakan bentuk formal data historis dan model peramalan. Model yang terbentuk dari data memperlihatkan pola data dan menunjukkan hubungan antara nilai-nilai variabel masa lalu dan masa yang akan datang. Kemudian model digunakan untuk meramalkan kejadian di masa yang akan datang. Dengan kata lain, model peramalan digunakan untuk ekstrapolasi
data masa lalu dan sekarang ke masa yang akan datang. Secara umum ada beberapa tipe model peramalan yang biasa digunakan, yaitu regression models,
smoothing models, dan time series models. Beberapa bentuk peramalan kuantitaif
time series yang ada adalah ARIMA dan trend analysis. Adapun syarat penggunaan data time series (runtun waktu) ada 2, yaitu ketersediaan data masa lampau dan trend pola data di masa yang akan datang sama dengan trend pola data di masa lampau.
ARIMA (Autoregressive Integrated Moving Average) dan Trend Analysis
merupakan jenis kuantitatif time series model. ARIMA atau sering disebut metode
Box-Jenkins merupakan gabungan dari metode penghalusan, metode regresi, dan metode dekomposisi. Metode ARIMA tidak menggunakan asumsi variabel bebas dalam proses penentuan model. ARIMA sangat cocok digunakan untuk peramalan dalam jangka pendek. Pengujian model ARIMA dilakukan dengan menggunakan pengujian nilai Final Estimates Parameter, SS&MS, dan P-Value (Hanke 1992).
Trend Analysis merupakan analisis yang digunakan untuk data time series
dengan pola data yang menunjukkan peningkatan seiring bertambahnya waktu. Analisis ini biasanya digunakan untuk memprediksi perubahan populasi, perubahan harga, perubahan teknologi, dan peningkatan produktivitas. Namun tidak menutup kemungkinan untuk digunakan pada hal-hal yang menunjukkan pola data yang meningkat dari waktu ke waktu. Hal terpenting dalam pengukuran model trend adalah mengetahui tujuan analisis. Tujuan analisis akan menjadi dasar dalam penentuan model. Proses pengujian trend analysis diukur oleh nilai
MAPE (Mean Absolute Percent Error), MSD (Mean Squared Deviation), dan
9 dari suatu model, maka model tersebut merupakan model terbaik (signifikan) (Hanke 1992).
Proses Peramalan
Sebuah proses merupakan rangkaian kegiatan saling terkait yang menunjukkan perubahan dari satu atau lebih masukan menjadi satu atau lebih keluaran. Seluruh kegiatan apapun ditunjukkan oleh adanya suatu proses, dan tidak terkecuali pada kegiatan peramalan. Kegiatan dalam proses peramalan terdiri atas: (1) pendefinisian masalah, (2) pengumpulan data, (3) analisis data, (4) seleksi model dan fitting, (5) validasi model, (6) peramalan model, (7) monitoring performa model peramalan (Montgomery 2008). Rangkaian kegiatan dalam proses peramalan disajikan pada Gambar 5 berikut.
Gambar 5 Proses peramalan (Montgomery 2008) Perencanaan Produksi
Prawirosentono (2007) mengartikan perencanaan produksi sebagai kegiatan yang berkaitan untuk menghasilkan barang dan jasa secara tepat, baik jenis, mutu, dan jumlah dengan biaya yang minimum. Sedangkan menurut Buffa dan Sarin (1996) perencanaan produksi merupakan proses pengambilan keputusan yang dapat dijadikan dasar untuk kegiatan ekonomis dan efektif pada masa yang akan datang. Proses ini memikirkan mengenai apa yang harus dikerjakan, bagaimana cara pengerjaannya, di mana suatu kegiatan akan dilaksanakan, dan siapa yang bertanggung jawab terhadap pelaksanaannya.
Sistem Manajemen Basis Data Relasional
10
dengan menyajikannya ke dalam bentuk relasi-relasi berupa tabel dari sejumlah baris yang mnunjukkan record dan kolom yang menunjukkan atribut tertentu. Sutanta (2011) menjelaskan bahwa relasi antar entitas terdiri atas beberapa bentuk, antara lain:
1. Relasi satu ke satu/1 ke 1 (one to one relationship/1 to 1)
Jenis kerelasian 1 ke 1 terjadi jika setiap nilai pada suatu relasi hanya mengimplikasikan sebuah nilai pada relasi lain yang direlasikan secara logic. Jenis ini jarang dijumpai dalam rancangan basis data.
2. Relasi satu ke banyak/1 ke n (one to many relationship/1 to n)
Jenis kerelasian ini terjadi jika setiap nilai pada suatu relasi mengimplikasikan banyak (lebih dari satu) nilai pada relasi lain yang direlasikan secara logic.
3. Relasi banyak ke satu/n ke 1 (many to one relationaship/n to 1)
Jenis kerelasian n ke 1 terjadi jika banyak (lebih dari satu) nilai pada suatu relasi mengimplikasikan hanya satu nilai pada relasi lain yang direlasikan secara logic.
4. Relasi banyak ke banyak/n ke n (many to many relationship/n to n)
Jenis kerelasian n ke n terjadi jika banyak (lebih dari satu) nilai pada suatu relasi mengimplikasikan banyak (lebih dari satu) nilai pada relasi lain yang direlasikan secara logic.
Menurut Sutanta (2004) pengembangan basis data terdiri atas 3 tahapan yaitu analisis, desain/perancangan, dan implementasi. Uraian dari masing-masing tahap adalah sebagai berikut :
1. Analisis
Tahap analisis merupakan tahap awal dari pengembangan basis data. Pada tahap ini dilakukan beberapa hal utama seperti menentukan masalah utama, mengumpulkan fakta yang berhubungan dengan masalah, menganalisis fakta-fakta, menentukan alternatif solusi dan membuat studi kelayakan.
2. Desain
11 3. Implementasi
Tahap ini merupakan tahap untuk merealisasikan hasil desain/perancangan sistem yang telah dilakukan sebelumnya ke dalam bentuk yang sebenarnya. Pada tahap ini dilakukan beberapa kegiatan seperti menyiapkan perangkat keras, perangkat lunak, dan basis data serta melakukan kodifikasi.
System Development Life Cycle (SDLC)
Salah satu metode pengembangan sistem yang biasa digunakan yaitu system development life cycle (SDLC). Metode SDLC banyak dipilih oleh peneliti karena merupakan metode pengembangan sistem yang komprehensif. Metode SDLC terdiri atas 5 tahap, yaitu:
1. Perencanaan Sistem
Tahap ini bertujuan untuk mengidentifikasi permasalahan dan mengidentifikasi solusi yang tepat untuk dijalankan oleh sistem komputer dalam proses pemecahan permasalahan yang terjadi. Langkah yang dilakukan pada tahap ini terdiri atas identifikasi permasalahan, identifikasi alternatif solusi, dan identifikasi tujuan sistem.
2. Analisis Sistem
Tahapan ini bertujuan untuk menganalisis kebutuhan-kebutuhan strategis dalam merancang sistem yang baru berdasarkan sistem lama yang telah dijalankan oleh suatu perusahaan.
3. Desain Sistem
Tahapan SDLC yang ketiga adalah proses menentukan sistem baru yang meliputi data input, output sistem, desain database, konfigurasi, dan metode untuk memecahkan masalah serta akan menghasilkan spesifikasi sistem yang akan dibangun.
4. Implementasi Sistem
Pada tahapan ini dihasilkan analisis model, analisis fungsi model yang digunakan, serta dokumentasi pengguna. Untuk mengimplementasikan sistem, spesifikasi sistem yang telah dibuat dikodekan dan diuji.
5. Evaluasi Sistem
Pada tahapan evaluasi sistem dilakukan evaluasi terhadap hasil software yang telah dibangun. Fokus pada tahapan ini mencakup kegiatan pemantauan saat dilakukan evaluasi atau pengujian sistem. Dengan demikian, pengguna akan mengevaluasi bagaimana performansi sistem baik dari tampilan sistem, kemudahan penggunaan, maupun dari sisi informasi yang telah disediakan.
Studi Terdahulu
12
teknik peramalan yang menunjukkan hasil bahwa metode terbaik adalah ARIMA.
Susanti (2006) juga telah melakukan penelitian dengan topik peramalan permintaan cabai merah di Kramat Jati menggunakan metode kuantitatif time series dengan teknik peramalan ARIMA. Elvira (2011) telah meneliti dan membangun sistem informasi peramalan permintaan barang dengan metode Box – Jenkins atau ARIMA. Istiqomah (2006) telah meneliti penerapan model ARIMA
untuk memprediksi produksi gula pada PT. Perkebunan Nusantara IX (Persero). Perbedaan penelitian yang dilakukan dengan penelitian-penelitian tersebut adalah peramalan permintaan yang dilakukan menggunakan analisis peramalan
ARIMA dan Trend Analysis dengan obyek penelitian beberapa komoditi sayuran di Parung Farm yaitu bayam, caisim, kangkung, dan pak choi. Selain itu pada penelitian ini dilakukan perancangan prototipe software perencanaan produksi komoditi sayuran bayam, caisim, kangkung, dan pak choi.
METODE
Lokasi dan Waktu
Penelitian ini dilaksanakan pada bulan Maret 2012 hingga bulan Nopember 2012 di Parung Farm, Bogor, Jawa Barat.
Alat dan Bahan
Alat
Alat yang digunakan pada penelitian ini tersaji pada Tabel 1 berikut ini : Tabel 1 Alat yang digunakan pada penelitian
Alat Bantu Fungsi Spesifikasi Alat
Personal Computer
(PC)
Sebagai perangkat untuk menjalankan software
- Kecepatan minimal prosessor minimal 2.0 Ghz
- Kapasitas memori RAM minimal 512 MB
- Operating System (OS) Windows 7
Minitab Sebagai software
untuk peramalan model ARIMA dan
trend analysis
- Minitab versi 16
- Dilengkapi fungsi analisis ARIMA dan
trend analysis
13
1.7.6
Adobe Dreamweaver Sebagai editor
Hypertext
Prepocessor (PHP)
Adobe Dreamweaver CS5
Microsoft Visio Sebagai alat
pembuatan ER-D
Microsoft Visio versi 2010
XAMMP
- MySQL
- Apache
Sebagai alat untuk
DBMS
Sebagai server local
- XAMMP versi 1.7.3 - Terdapat fitur MySQL
dan Apache
Microsoft Excel Sebagai pengolah
data mentah
- Microsoft Excel 2007
Bahan
Bahan yang digunakan untuk membangun software ini adalah data permintaan dari bulan Maret 2011 hingga bulan April 2012. Data historis yang tersedia di Parung Farm sangat sulit untuk didapatkan dikarenakan alasan keamanan perusahaan, sehingga data yang digunakan pada penelitian mencakup data selama 14 bulan. Selain itu bahan yang digunakan adalah informasi operasional produksi sayuran (bayam hijau, caisim, kangkung, dan pak choi).
Metode Penelitian
Adapun metode penelitian untuk pengembangan software perencanaan produksi SIMPro PF 1.0. terdapat pada Gambar 6. Penelitian ini terdiri atas kegiatan investigasi sistem, analisis sistem, desain sistem, implementasi sistem, dan evaluasi sistem. Uraian singkat masing-masing tahapan metode penelitian adalah sebagai berikut :
Investigasi sistem
Pada tahap ini berupa identifikasi masalah beserta solusinya dan studi kelayakan. Identifikasi masalah berkaitan dengan pemenuhan permintaan konsumen untuk sayuran bayam, caisim, kangkung, dan pak choi yang menjadi kewenangan bagian produksi. Selain itu pada tahap ini dilakukan pengumpulan data dan informasi untuk pengembangan software perencanaan produksi SIMPro PF 1.0. Data dan informasi yang dikumpulkan didasarkan atas kebutuhan user
(pengguna) dan kebutuhan fungsional yang dilanjutkan dengan menganalisis data dan informasi tersebut. Pengguna dari software ini adalah karyawan Parung Farm yang membutuhkan informasi proses produksi, terutama dalam hal ini manager produksi dan stafnya.
Adapun studi kelayakan yang dilakukan ada dua yaitu studi kelayakan teknis dan studi kelayakan operasional. Studi kelayakan teknis dikaji berdasarkan kesiapan pihak Parung Farm dalam memenuhi perangkat keras, perangkat lunak, dan komponen lainnya untuk menunjang berfungsinya software. Studi kelayakan operational dikaji berdasarkan kemudahan user dalam melakukan penggunaan
14
Analisis sistem
Tahapan ini bertujuan untuk menganalisis kebutuhan-kebutuhan strategis dalam merancang sistem yang baru berdasarkan sistem lama yang telah dijalankan oleh Parung Farm. Kebutuhan strategis yang cukup penting dalam membangun
software yaitu menentukan model prediksi terbaik untuk bayam, caisim, kangkung, dan pak choi. Model prediksi terbaik dianalisis dan dihasilkan dengan menggunakan software Minitab 16 yang biasa digunakan dalam keilmuan statistika. Proses menentukan model prediksi atau disebut dengan proses peramalan terdiri atas tahap pendefinisian masalah, pengumpulan data, analisis data, seleksi model dan fitting, validasi model, peramalan model, dan monitoring performa model peramalan.
Pendefinisian masalah dan pengumpulan data merupakan bagian dari tahap pertama metode SDLC yaitu investigasi sistem. Pada tahap analisis data dilakukan pengkajian terhadap pola data yang terbentuk dari data historis permintaan sayuran. Setelah diketahui dan dianalisis pola data yang terbentuk kemudian dilakukan seleksi model menggunakan Minitab 16. Jenis metode peramalan yang digunakan yaitu metode peramalan kuantitatif Autoregressive Integrated Moving Average (ARIMA) untuk periode harian dan mingguan. Sedangkan untuk periode bulanan digunakan metode peramalan kuantitatif trend analysis. Model peramalan permintaan harian dan mingguan yang dihasilkan selanjutnya akan diuji berupa uji nilai Final Estimates Parameter (SMA/AR/MA), uji nilai SS dan MS, dan uji nilai
Modified Box-Pierce (P-Value). Sedangkan model peramalan permintaan bulanan dilakukan uji nilai MAPE (Mean Absolute Percentage Error), MSD (Mean Squared Deviation), dan MAD (Mean Absolute Deviation).
Desain sistem
Tahapan SDLC yang ketiga merupakan proses inti dalam membangun
software. Tahap ini terdiri atas beberapa kegiatan, antara lain: 1. Perancangan basis data (database)
2. Perancangan konseptual 3. Perancangan logis 4. Perancangan fisik
5. Perancangan user interface dankodifikasi
Langkah inti dari perancangan aplikasi/software terdapat pada bagian kodifikasi. Tahap ini mencakup kegiatan strukturisasi dan pengolahan kode. Pengolahan kode dilakukan dengan menggunakan Adobe Dreamweaver CS5. Implementasi sistem
Pada tahapan ini dilakukan proses inti untuk pembuatan prototipe(contoh aplikasi). Prototipe dibuat agar sistem dapat diujicobakan pada pengguna untuk mengetahui sejauh mana penggunaan aplikasi dalam menyelesaikan permasalahan yang dihadapi oleh user (pengguna).
Evaluasi sistem
15 maupun dari sisi informasi yang telah disediakan. Pengujian sistem akan dilakukan dengan menggunakan metode “kotak hitam” atau “black box” yaitu dengan melihat hubungan/kesesuaian data input dan output (luaran) prototipe sistem SIMPro PF 1.0.
Gambar 6 Tahapan penelitian
HASIL DAN PEMBAHASAN
Investigasi Sistem
Tahapan investigasi menghasilkan perumusan permasalahan beserta alternatif solusinya dan studi kelayakan. Studi kelayakan yang dilakukan adalah studi kelayakan teknis dan studi kelayakan operasional.
1. Perumusan permasalahan dan alternatif solusi
16
terjadinya kekurangan produk dan atau kelebihan produk sayuran pada proses pemasokan ke mitra perusahaan.
Solusi yang ditawarkan yaitu dengan merancang software perencanaan produksi bernama SIMPro PF 1.0. Software ini memiliki dua fungsi utama yaitu memprediksi angka permintaan periode harian, mingguan, dan bulanan dan memberikan informasi sarana produksi yang harus disiapkan untuk memenuhi prediksi permintaan tersebut.
2. Studi kelayakan
a. Studi kelayakan teknis
Secara teknis sistem ini layak untuk dikembangkan karena fasilitas yang ada di Parung Farm mampu mendukung berjalannya sistem tersebut. Sistem ini secara khusus dirancang untuk PC stand alone dengan pertimbangan perusahaan belum mempunyai fasilitas yang cukup memadai untuk mendukung perancangan sistem selain PC stand alone. Salah satu kekurangan fasilitas di Parung Farm yaitu fasilitas komputer yang masih terbatas hanya di beberapa bagian. Fasilitas komputer hanya untuk pencatatan permintaan pasar.
b. Studi kelayakan operasional
Jika ditinjau dari sisi operasional, software perencanaan produksi ini layak untuk dikembangkan karena adanya manajer produksi dan staf operasional produksi yang memiliki tingkat pendidikan sarjana dan memiliki kemampuan untuk menjalankannya. Penggunaan software ini dapat difungsikan dengan baik oleh staf operasional produksi lainnya karena ditunjang melalui pelatihan yang direncanakan dilangsungkan dua kali pertemuan. Penggunaannya mudah untuk dilakukan seperti dalam hal instalasi dan set up aplikasi maupun cara pengoperasiannya. Sistem yang dikembangkan ini mudah untuk diperbaharui dan mudah untuk dilakukan pemeliharaannya di kemudian hari.
c. Studi kelayakan ekonomis
Studi kelayakan ekonomis tidak dilakukan karena pengembangan sistem belum memungkinkan untuk dilakukan studi kelayakan dari sisi ekonomis.
Analisis Sistem
17
1. Peramalan permintaan sayuran harian, mingguan, dan bulanan
Tahap awal pada proses peramalan sebagimana dinyatakan oleh Montgomery (2008) adalah definisi masalah dan pengumpulan data. Permasalahan telah diuraikan pada bagian investigasi sistem berikut solusi yang ditawarkan untuk menyelesaikan masalah tersebut. Adapun hasilnya sesuai tahap investigasi sistem, maka dibutuhkan sebuah software dengan fungsi yang terwadahi oleh SIMPro PF 1.0 sebagaimana dijelaskan di bagian tujuan. Pada tahap pengumpulan data diperoleh data historis permintaan berbagai jenis sayuran tiap hari dari bulan Maret 2011 hingga bulan April 2012. Pada proses pengumpulan data ditemukan beberapa kendala yang muncul dari pihak Parung Farm sendiri. Kendala tersebut berupa kerahasiaan data permintaan dari pihak Parung Farm yang tidak memperbolehkan pihak luar untuk mengakses data permintaan sebelum tahun 2011. Sehingga data permintaan yang diperoleh hanya data permintaan selama 14 bulan (Maret 2011 – April 2012).
Langkah ketiga yaitu analisis data. Langkah pertama adalah menganalisis syarat penggunaan data runtun waktu (time series). Syarat pertama penggunaan data time series berupa ketersediaan data telah terpenuhi dengan baik, yaitu tersedianya data dari bulan Maret 2011 hingga April 2012. Syarat kedua penggunaan data time series juga terpenuhi, yakni bahwa trend pola data diprediksi memiliki kesamaan antara trend pola data masa lampau dengan trend pola data masa yang akan datang. Kedua syarat ini menunjukkan bukti bahwa data tersebut layak untuk digunakan. Selanjutnya, data dianalisis berupa data historis permintaan jenis sayuran Parung Farm dengan tingkat permintaan diatas rata-rata permintaan jenis sayuran lainnya. Jenis sayuran dengan angka permintaan yang relatif tinggi dibandingkan dengan permintaan jenis sayuran lainnya antara lain bayam, caisim, kangkung, dan pak choi. Data historis permintaan yang telah diolah dan diklasifikasikan dalam periode harian, mingguan, dan bulanan akan membentuk pola data masing-masing. Adapun rincian data historis permintaan sayuran (bayam, caisim, kangkung, pak choi) periode harian, mingguan, dan bulanan dapat dilihat pada Lampiran 1, Lampiran 2, dan Lampiran 3.
18
Gambar 7 Pola data permintaan sayuran (bayam, caisim, kangkung, pak choi) periode harian
Gambar 8 Pola data permintaan produk sayuran (bayam, caisim, kangkung, pak choi) periode mingguan
0 500 1000 1500 2000
1
29 57 85 113 141 169 197 522 253 281 309 337 365 393
Angka permintaan
(ikat)
Hari ke-n
Pola data permintaan sayuran periode harian
Pak Choi
Kangkung
Caisim
Bayam
0 500 1000 1500 2000 2500 3000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Angka permintaan
(ikat)
Minggu
Pola data permintaan sayuran periode mingguan (minggu ke-1 s/d ke-20)
19
Gambar 9 Pola data permintaan produk sayuran (bayam, caisim, kangkung, pak choi) periode bulanan
Hasil identifikasi menunjukkan bahwa pola data permintaan sayuran periode harian dan mingguan berbentuk pola musiman. Hal ini dapat dilihat pada Gambar 7, awalnya menunjukkan peningkatan permintaan kemudian terdapat penurunan pada hari ke-31. Setelah itu kemudian mengalami peningkatan dan diikuti penurunan kembali pada hari ke-60, kejadian ini terjadi begitu dan seterusnya hingga hari ke-391. Hal ini dapat diduga akan terjadi begitu dan seterusnya membentuk pola musiman. Hal menarik yang terjadi yaitu terjadinya penurunan angka permintaan dari bulan Maret 2012 ke bulan April 2012 pada semua jenis sayuran (bayam, caisim, kangkung, pak choi). Meskipun data permintaan bulan Maret 2011 – April 2012 menunjukkan permintaan sayuran yang fluktuatif, namun penurunan yang terjadi dari bulan Maret 2012 ke bulan April 2012 cukup signifikan seperti penurunan permintaan berikut, antara lain caisim sebesar 1879 ikat, pak choi 1067 ikat, bayam 3604 ikat, dan kangkung 3173 ikat. Penurunan angka permintaan ini dimungkinkan terjadi akibat faktor eksternal berupa kebijakan jumlah pasokan sayuran yang diminta oleh mitra Parung Farm. Hal ini sangat dimungkinkan terjadi apabila kondisi ekonomi secara nasional mengalami permasalahan yang serius sehingga berpengaruh terhadap perusahaan-perusahaan terkait. Selain itu faktor eksternal lainnya seperti krisis keuangan global dan konflik.
Hal yang sama terjadi pada pola data permintaan mingguan yang dapat dilihat pada Gambar 8, terdapat penurunan angka permintaan yang berulang pada minggu ke-6, minggu ke-11, dan minggu ke-16 yang diikuti oleh peningkatan setelah terjadinya penurunan. Pola yang terjadi pada permintaan sayuran periode harian dan mingguan seperti ini seringkali terjadi disebabkan oleh faktor internal perusahaan dan atau faktor eksternal. Faktor internal merupakan faktor yang dapat dikendalikan seperti keberlangsungan produksi, suhu, sarana produksi, dan lain-lain. Sedangkan faktor eksternal yang tidak dapat dikendalikan muncul dari luar perusahaan. Contoh faktor eksternal antara lain krisis keuangan global, konflik, dan kebijakan mitra perusahaan itu sendiri. Pola data permintaan bulanan menunjukkan pola trend atau relatif mengalami peningkatan seiring berjalannya waktu. Pola seperti ini menunjukkan hal yang positif bagi kemajuan perusahaan
0
Pola data permintaan sayuran periode bulanan (Maret 2011-April 2012)
Pak Choi
Kangkung
Caisim
20
karena permintaan konsumen cenderung stabil bahkan meningkat dari waktu ke waktu.
Berdasarkan pola data permintaan sayuran yang terbentuk dalam sebuah grafik diatas, maka penentuan model ramalan sayuran bayam, caisim, kangkung, dan pak choi periode harian dan mingguan dilakukan dengan metode ARIMA
(Autoregressive Integrated Moving Average) atau dikenal dengan metode Box-Jenkins, sedangkan penentuan model ramalan periode bulanan dilakukan menggunakan trend analysis.
Langkah awal penentuan model ramalan baik metode ARIMA maupun trend analysis dimulai dengan menjalankan software Minitab 16. Kemudian meng-“import” data dari Ms. Excel dengan cara pilih “File”, “Open Worksheet”, kemudian klik data yang dituju. Langkah selanjutnya yaitu mengolah data yang telah di-import berdasarkan metode yang telah ditentukan di awal. Metode ARIMA
dan trend analysis dilakukan dengan langkah-langkah sebagai berikut : a. ARIMA
Pilih “Stat”, kemudian pilih “Time Series”, pilih ARIMA. Kolom nilai “Autoregressive”, “Difference”, dan “Moving Average” diisi dengan angka yang didapat dari interpretasi grafik ACF (Autocorrelation Function) dan PACF (Partial Autocorrelation Function) yang telah dilakukan sebelumnya dengan cara pilih “Stat”, “Time Series”, kemudian pilih “Autocorrelation” untuk mengetahui
ACF dan “Partial Autocorrelation” . Setelah itu akan didapatkan nilai-nilai Final Estimates Paramater (SMA/AR/MA), nilai SS dan MS, serta nilai Modified Box-Pierce. Nilai-nilai tersebut digunakan untuk diuji yang dalam hal ini termasuk pada tahap validasi model.
b. Trend analysis
Pilih “Stat”, kemudian pilih “Time Series”, pilih “Trend Analysis”. Kolom
“Model Type” diberi centang, dalam hal ini semua tipe model trend analysis
dilakukan pada data permintaan sayuran periode bulanan. Tipe model Linear, Exponential Growth, Quadratic dan S-Curve akan dibandingkan dengan antara satu dengan yang lain. Model ramalan terbaik merupakan model dengan nilai
21 Tabel 2 Model peramalan terbaik sayuran (bayam, caisim, kangkung, dan
pak choi) untuk periode harian Model harian terbaik
Keterangan
Tabel 3 Model peramalan terbaik sayuran (bayam, caisim, kangkung, dan pak choi) untuk periode mingguan
Model mingguan terbaik Keterangan
22 Model peramalan terbaik sayuran untuk periode mingguan memiliki perbedaan dengan model peramalan terbaik sayuran untuk periode harian. Letak perbedaannya berupa jenis model ARIMA yang dihasilkan pada periode mingguan adalah jenis SARIMA (Seasonal ARIMA). Model SARIMA bayam yaitu SARIMA (1.2.0)20 menunjukkan arti bahwa pada periode mingguan akan terjadi penurunan
nilai permintaan bayam pada lag ke-20. Hal ini sesuai dengan pola data mingguan yang termasuk ke dalam pola data musiman. Hal serupa terjadi pada ketiga jenis sayuran lainnya (caisim, kangkung, pak choi).
Model peramalan permintaan sayuran (bayam, caisim, kangkung, pak choi) yang dihasilkan untuk periode bulanan menggunakan software Minitab 16
metode trend analysis dapat dilihat pada Tabel 4, Tabel 5, Tabel 6, dan Tabel 7.
Tabel 4 Model peramalan permintaan bayam untuk periode bulanan
Model Fungsi model MAPE MAD MSD
Model A Linear Trend Model
Yt = 5055 + 282*t 11 721 764960
Model B Quadratic Trend
Tabel 5 Model peramalan permintaan caisim untuk periode bulanan
Model Fungsi model MAPE MAD MSD
Model A Linear Trend Model
Yt = 3084 + 127*t 9 325 165550
23
Tabel 6 Model peramalan permintaan kangkung untuk periode bulanan
Model Fungsi model MAPE MAD MSD
Model A Linear Trend Model
Yt = 3281 + 194*t 13 609 519764
Model B Quadratic Trend
Tabel 7 Model peramalan permintaan pak choi untuk periode bulanan
Model Fungsi model MAPE MAD MSD
Model A Linear Trend Model
Yt = 1014.3 + 85*t 7.7 118.3 24405.5
Model B Quadratic Trend
Dari Tabel 4, Tabel 5, Tabel 6, dan Tabel 7 dibandingkan nilai MAPE, MAD, dan MSD. Dari masing-masing jenis sayuran dibandingkan nilai MAPE, MAD, dan MSD antara model yang satu dengan yang lain. Model peramalan permintaan dengan nilai MAPE, MAD, dan MSD terkecil yang akan dipilih untuk digunakan pada peramalan permintaan sayuran (bayam, caisim, kangkung, pak choi). Model terpilih untuk keempat jenis sayuran berupa Trend Analysis Plot
24
Tabel 8 Model ramalan terbaik sayuran (bayam, caisim, kangkung, pak choi) untuk periode bulanan
Model terbaik
Fungsi model MAPE MAD MSD
Bayam Quadratic Curve Model
Yt = 105 /
(15.7758-0.0528593*(1.44341t))
10 616 666486
Caisim S-Curve Trend
Kangkung Quadratic Trend
Tabel 9 Perbandingan hasil ramalan model A, B, C, dan D dengan aktual bayam periode bulanan (dalam satuan ikat)
Data input Hasil Ramalan (ikat) Aktual (ikat)
Model A Model B Model C Model D
Januari 5337 5986 5149 6369 8685
Februari 5619 5982 5150 6383 8344
Maret 5901 5928 5151 6403 9677
April 6183 5823 5152 6432 6073
Tabel 10 Perbandingan hasil ramalan model A, B, C, dan D dengan aktual caisim periode bulanan (dalam satuan ikat)
Data input Hasil Ramalan (ikat) Aktual (ikat)
Model A Model B Model C Model D
Januari 5337 5986 5149 6369 8685
Februari 5619 5982 5150 6383 8344
Maret 5901 5928 5151 6403 9677
April 6183 5823 5152 6432 6073
Tabel 11 Perbandingan hasil ramalan model A, B, C, dan D dengan aktual kangkung periode bulanan (dalam satuan ikat)
Data input Hasil Ramalan (ikat) Aktual (ikat)
Model A Model B Model C Model D
Januari 5337 5986 5149 6369 8685
Februari 5619 5982 5150 6383 8344
25
April 6183 5823 5152 6432 6073
Tabel 12 Perbandingan hasil ramalan model A, B, C, dan D dengan aktual pak choi periode bulanan (dalam satuan ikat)
Data input Hasil Ramalan (ikat)
Aktual (ikat)
Trend Analysis Plot for Caisim
S-Curve Trend Model
Yt = (10* * 5) / (22,6083 + 19,6712* (0,660379* * t))
26
i I ntercept 239,952
Asy mptote 399,287 Asy m. Rate 1,016 Curv e Parameters
Trend Analysis Plot for White Phakcoi S-Curve Trend Model
Yt = (10* * 4) / (25,0446 - 16,6304* (1,01628* * t))
Gambar 11 Trend Analysis Plot Pak Choi periode bulanan disertai nilai MAPE, MAD, dan MSD
Trend Analysis Plot for Bayam Hijau Quadratic Trend Model
Yt = 5940 - 72* t + 25,3* t* * 2
27
Trend Analysis Plot for Kangkung
Quadratic Trend Model Yt = 3048 + 503* t - 22,1* t* * 2
Gambar 13 Trend Analysis Plot Kangkung periode bulanan disertai nilai MAPE, MAD, dan MSD
2. Kebutuhan sarana produksi
Kebutuhan sarana produksi diperlukan untuk melakukan perhitungan sarana produksi dalam memenuhi prediksi permintaan sayuran. Adapun perhitungan kebutuhan sarana produksi utama sayuran (bayam, caisim, kangkung, pak choi) di Parung Farm terdapat pada Tabel 13 berikut:
Tabel 13 Perhitungan sarana produksi sayuran Parung Farm (diolah) Nama Sarana
Produksi
Perhitungan Satuan Keterangan
Luas lahan luas lahan = target produksi / produktivitas
Rockwool rockwool = jml bibit / 576 lembar 1 lembar rockwool ukuran 120 mm x 60 mm = 576 bibit Benih Benih = Jml bibit / jml benih
per sachet
28
950 biji Jumlah
bedengan
Jumlah bedengan = (luas lahan / luas greenhouse) * 16
Unit Luas GH Parung Farm = 256 m2 ; 1 GH = 16 bedeng Pupuk Jml pupuk = 0,1 x jml GH x
jml hari
karung Pemakaian pupuk NPK = 0,1 karung per hari
Desain Sistem
Tahap ketiga setelah analisis sistem yaitu desain sistem. Pada tahapan desain sistem dilakukan perancangan kerja sistem yang akan dibangun untuk memenuhi kebutuhan fungsional sebagaimana yang telah dipaparkan pada tahap analisis sistem. Proses ini meliputi kegiatan perancangan basis data dan kodifikasi.
1. Perancangan basis data
Pada perancangan basis data terdiri atas perancangan konseptual, perancangan logis, dan perancangan fisik. Hasilnya adalah sebagai berikut :
a. Perancangan konseptual
Perancangan konseptual menentukan kebutuhan dan sasaran user
(pengguna). Kebutuhan dan sasaran berupa data diklasifikasikan menjadi sebuah entitas. Antar entitas digambarkan oleh ER-D (Entity Relationship Diagram) yang tersaji pada Gambar 14.
Gambar 14 ER-D (Entity Relationship Diagram) SIMPro PF 1.0 Pada gambar menjelaskan bahwa dalam perancangan konseptual terdapat 4 buah entitas disertai dengan hubungan atau relasi antar entitas. Entitas tersebut antara lain, “produk”, “sarana_produksi”, “periode”, dan “data_praproses”. Uraian mengenai entitas dan hubungan antar entitas adalah sebagai berikut :
29 bisa membutuhkan banyak sarana produksi dan satu sarana produksi dibutuhkan oleh banyak produk.
2. Periode memiliki produk. Relasinya adalah M:M (many to many), artinya bahwa satu periode memiliki banyak produk dan satu produk dimiliki oleh banyak periode.
3. Entitas periode memiliki hubungan 1:M (one to many) dengan entitas “data_praproses”. Artinya bahwa satu periode memiliki banyak data_praproses dan satu data_praproses hanya dimiliki oleh satu periode. b. Perancangan logis
Perancangan logis konsep-konsep untuk pengembangan sistem memetakan
Entity Relationship Diagram (ER-D) ke dalam sebuah struktur data berupa tabel atau relasi yang dilengkapi dengan nama entitas, atribut, primary key, foreign key,
dan hubungan antar entitas. Pemetaan perancangan logis tersaji pada Gambar 15. Kemudian ditransfomasi ke dalam bentuk relasi yang tersaji pada Gambar 16.
30
Gambar 16 Skema hasil pemetaan dari ER-D ke tabel/relasi c. Perancangan fisik
Pada perancangan fisik sudah berbicara mengenai struktur fisik basis data yang dibuat di MySQL. Hal ini berkaitan dengan tipe data, kolom yang akan dibuat, entitas dan atribut seperti tersaji pada Gambar 17. Kemudian dikonversi ke dalam sebuah tabel yang berisi nama entitas, nama field, tipe data, ukuran, dan keterangan seperti tersaji pada Tabel 14, Tabel 15, Tabel 16, dan Tabel 17. Konversi ini dimaksudkan untuk mempermudah proses pembuatan database.
31 Tabel 14 Entitas data_praproses beserta atribut dan jenis tipe datanya
Nama Field Tipe data
Ukuran Keterangan
id_data Integer 11 -
data Integer 11 -
id_periode Integer 11 -
Tabel 15 Entitas periode beserta atribut dan jenis tipe datanya Nama Field Tipe
data
Ukuran Keterangan id_periode Integer 16 -
periode Varchar 255 -
keterangan Varchar 16 -
Tabel 16 Entitas sarana_produksi beserta atribut dan jenis tipe datanya Nama Field Tipe
data
Ukuran Keterangan
id_sarana_produksi integer 11 -
Time varchar 255 -
Tabel 17 Entitas produk beserta atribut dan jenis tipe datanya Nama Field Tipe
data
Ukuran Keterangan id_produk Integer 11
Produk Varchar 255 produktivitas Float
Langkah selanjutnya masuk ke dalam inti perancangan basis data menggunakan MySQL. Sebelumnya dipastikan software XAMMP telah terpasang dengan baik dan siap difungsikan. Software XAMMP merupakan sebuah paket
32
dan Apache dalam hal ini sebagai server lokal. Tahap perancangan database
diuraikan sebagai berikut :
1. Pembuatan basis data simpro_pf
Langkah awal yang dilakukan adalah membuat basis data. Langkah pertama isi nama database, untuk database diberi nama “simpro_pf”. Tampilannya tersaji pada Gambar 18.
Gambar 18 Tampilan pembuatan database bernama “simpro_pf” 2. Pembuatan tabel sesuai hasil perancangan fisik
Pada pembuatan tabel dilakukan dengan cara mengisi isian “Name” dengan nama tabel dan “Number of fields” dengan jumlah field yang diinginkan.
Database ini dibuat dengan 4 tabel sesuai dengan jumlah entitas dengan nama “data_praproses”, “periode”, “produk”, dan “sarana_produksi”. Masing-masing tabel dilengkapi dengan atribut seperti ditampilkan pada Tabel. Kemudian pemberian primary key dan foreign key. Berikut hasil pembuatan tabel tersaji pada Gambar 19.
Gambar 19 Tampilan pembuatan tabel pada database “simpro_pf” 3. Pengisian tabel dengan data
Setelah tabel siap semua, langkah berikutnya adalah pengisian tabel dengan data-data yang telah dikumpulkan dan diklasifikasikan sesuai tahap identifikasi.
4. Perancangan interface dan kodifikasi
33 akan dilihat secara langsung oleh pengguna tanpa mengetahui dokumen-dokumen yang berada di dalamnya. Selain itu, langkah ini berisi konversi rumus perhitungan manual seperti pada Tabel 9 ke dalam sebuah kode PHP. Semua perangkat kode yang telah dibuat disimpan dalam satu folder bernama “SIMPro PF 1.0”.
Folder ini selanjutnya disimpan dalam directory htdocs dengan cara copy
folder dengan nama simpro pilih directory “Computer”, kemudian pilih “Local Disk”, pilih “xammp” dan pilih htdocs kemudian “paste”, maka folder “SIMPro PF 1.0” sudah tersimpan di directory xampp. Dengan penyimpanan ini, aplikasi akan berfungsi saat pemanggilan menggunakan Mozilla Firefox.
Implementasi Sistem
Langkah selanjutnya adalah pengujian atau implementasi sistem. Pada tahap ini dilakukan dilakukan pengujian terhadap prototipe yang sudah dibangun bernama SIMPro PF 1.0. Pengujian dilakukan untuk mengetahui fungsi-fungsi yang utama yaitu prediksi angka permintaan dan prediksi sarana produksi untuk memenuhi prediksi permintaan. Berikut uraian implementasi prototipe SIMPro PF 1.0 disertai tampilan-tampilan yang ada dalam aplikasi SIMPro PF 1.0:
a. Tampilan muka awal aplikasi SIMPro PF 1.0
Gambar 20 Tampilan muka aplikasi SIMPro PF 1.0
Pada tampilan muka awal disajikan menu utama SIMPro PF 1.0 seperti digambarkan pada Gambar 20. Pada tampilan ini terdapat menu “Home”,
“About”, “Proses perencanaan produksi”, “Hasil Perencanaan Produksi”, dan
34
b. Menu “Proses Perencanaan Produksi”
Menu ini berfungsi untuk melakukan proses perencanaan produksi yang didasarkan pada pertimbangan pilihan periode, produk, dan waktu prediksi. Menu ini terdiri atas pilihan “periode” (harian, mingguan, bulanan), “produk” (bayam, caisim, kangkung, pak choi), dan “waktu”. Khusus pilihan untuk menu “waktu
memiliki karakteristik yang khas. Untuk pilihan bulan yang bisa diisi hanya sampai bulan ke-5, pilihan mingguan hanya sampai mingguan ke-20, dan harian hanya sampai hari ke-153. Hal ini dikarenakan data yang dimiliki hanya mampu meramal dengan kualitas ramalan yang baik untuk rentang waktu diatas.
Dalam proses perencanaan produksi, semua pilihan harus terisi dengan baik. Apabila ada salah satu yang belum terisi maka proses perhitungan kebutuhan sarana produksi tidak akan berjalan seperti diilustrasikan pada Gambar 21.
Gambar 21 Menu “Proses Perencanaan Produksi” pada SIMPro PF 1.0
c. Menu “Hasil Perencanaan Produksi”
35 Kebutuhan sarana produksi yang ditampilkan terdiri atas 9 item yaitu jumlah luas lahan (meter persegi), styrofoam (lembar), jelly cup (unit), bibit (unit),
grennhouse (unit), rockwool (lembar), benih (sachet), pupuk NPK (karung), dan bak induk nutrisi (unit). Menu tersebut dapat dilihat pada Gambar 22 berikut.
Gambar 22 Menu “Hasil Perencanaan Produksi” pada aplikasi SIMPro PF 1.0
Demikian implementasi contoh aplikasi atau prototipe bernama SIMPro PF 1.0 yang telah dibangun. Hasilnya adalah aplikasi berfungsi dengan baik dalam menampilkan angka prediksi permintaan sayuran untuk jenis bayam, caisim, kangkung, dan pak choi.
Evaluasi dan Penyempurnaan Prototipe Software
36
didemonstrasikan penggunaan prototipe sistem yang dibuat dengan melihat komponen input data dan keluaran yang dihasilkan oleh prototipe sistem yang telah dibangun. Dengan demikian Parung Farm dapat memperkirakan total biaya produksi yang akan dikeluarkan dalam hal ini oleh bagian keuangan. Saat ini SIMPro PF 1.0 memiliki keterbatasan berupa belum adanya fasilitas penambahan data historis yang dapat dilakukan guna memperbaharui data terkini. Hal ini menjadi bagian yang perlu disempurnakan untuk memperoleh software SIMPro PF yang lebih handal di masa yang akan datang.
SIMPULAN DAN SARAN
Simpulan
Penelitian ini telah menghasilkan prototipe Perangkat Lunak (Software)
Perencanaan Produksi (SIMPro PF 1.0), studi kasus di Parung Farm, Bogor - Jawa Barat. Sistem software perencanaan produksi yang telah dibangun mampu memberikan prediksi angka permintaan sayuran untuk jenis bayam, caisim, kangkung, dan pak choi dengan periode harian, mingguan, dan bulanan yang disertai kebutuhan sarana produksi untuk memenuhinya. Basis data dari SIMPro PF 1.0. terdiri dari 4 tabel antara lain tabel data_praproses, tabel produk, tabel periode, dan tabel sarana_produksi. Tabel-tabel tersebut telah dikembangkan pada platform DBMS MySQL.
Saran
Berikut merupakan saran-saran yang diajukan :
1. Penambahan data historis permintaan sayuran perlu dilakukan agar kualitas peramalan menjadi semakin akurat dan dapat digunakan dalam jangka waktu yang cukup lama. Oleh karena itu pada software SIMPro PF 1.0 diperlukan fasilitas/fungsi untuk penambahan data.
2. Penambahan menu informasi seputar Parung Farm dan hal-hal yang berkaitan dengan perencanaan produksi seperti prediksi biaya sarana produksi dan prediksi total biaya produksi sebaiknya dilakukan agar mampu membantu perencanaan keuangan perusahaan.
37
DAFTAR PUSTAKA
Arsyad, L. 1994. Peramalan Bisnis. BPFE-Yogyakarta, Yogyakarta.
Buffa, E. dan Sarin, R. 1996. Manajemen Operasi dan Produksi Modern Edisi ke-8. Binarupa Aksara, Jakarta.
Elvira, Yorra. 2011. Membangun Sistem Informasi Peramalan Permintaan Barang dengan Metode Box – Jenkins. Skripsi. Program Studi Ilmu Komputer. Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam. UPI. Bandung.
Hanke, John E, Arthur GR. 1992. Business Forecasting Fourth Edition. Simon & Schuster, Inc., USA.
Iqbal et al. 2005. Use of the ARIMA Model for Forecasting Wheat Area and Production in Pakistan. J. Agri. Soc. Sci., Vol. 1, No. 2.
Istiqomah. 2006. Aplikasi Model ARIMA Untuk ForecastingProduksi Gula pada PT. Perkebunan Nusantara IX (PERSERO). Skripsi. Universitas Negeri Semarang.
Lind, Douglas A, William GM, Samuel AW. 2007. Statistical Techniques in Business and Economics with Global Data Sets, 13thed. The McGraw-Hill Companies, Inc., New York.
Montgomery, Douglas C, Cheryl LJ, Murat K. Introduction to Time Series Analysis and Forecasting. John Wiley & Sons, Inc., New Jersey.
Muhammad, F., M. Siddique, M. Bashir and S. Ahmad. 1992. Forecasting rice production in Pakistan – using ARIMA models. J. of Animal Plant Sci., 2:27-31.
Nazaruddin. 1995. Budidaya dan Pengaturan Panen Sayuran Dataran Rendah. Penebar Swadaya, Jakarta.
Ningsih, Allyne Ratna. 2004. Peramalan Permintaan Beberapa Komoditi Sayuran pada PT. Saung Mirwan, Bogor. Skripsi. Jurusan Ilmu-ilmu Sosial Pertanian. Fakultas Pertanian. IPB. Bogor.
O’Brien JA. 1999. Management Informations System, Managing Informtion Technology in the Internetworked Enterprise. Fourth Edition. Mc Graw Hill Co., Los Angeles.
Oetomo BSD. 2006. Perencanaan dan Pembangunan Sistem Informasi. Andi, Yogyakarta.
Prawirosentono S. 2007. Manajemen Operasi (Operations Management): Analisis dan Studi Kasus. Bumi Aksara, Jakarta.
Post GV, David LA. Anderson. 2003. Management Information System: Solving Problems with Information Technology. McGraw-Hill, New York.
Philips R, Martyn R. 1993. Vegetables. Pan Books Ltd., London.
Roberto K. 2003. How-To Hydroponics Fourth Edition. The Futuregarden Press, Futuregarden, Inc., New York.
Rosari WR. Ed. 2006. Seri Buku Pintar: Menjadi Seorang Programer Komputer. Penerbit Andi dan Wahana Komputer, Yogyakarta.
Rubatzky VE, Mas Y. 1998. Sayuran Dunia: Prinsip, Produksi, dan Gizi. Penerbit ITB, Bandung.
38
Barat). Skripsi. Jurusan Teknik Pertanian. Fakultas Teknologi Pertanian. IPB. Bogor.
Sesmininggar A. 2006. Optimasi Konsentrasi Larutan Hara Tanaman Pak Choi (Brassica rapa L. cv. Group Pak Choi) pada Teknologi Hidroponik Sistem Terapung. Skripsi. Program Studi Hortikultura. Institut Pertanian Bogor. Bogor.
Setiawan Ade Iwan. 1995. Budidaya dan Pengaturan Panen Sayuran Dataran Tinggi. Penebar Swadaya, Jakarta.
Sudarmodjo. 2008. Hidroponik. Makalah Pelatihan Hidroponik. Disampaikan dalam Pelatihan Hidroponik di Parung, Juli 2010.
Sugiarto, Harijono. 2000. Peramalan Bisnis. PT. Gramedia Pustaka Utama, Jakarta.
Sulistyaningsih E, Kurniasih B, Kurniasih E. Pertumbuhan dan hasil caisim pada berbagai warna sungkup plastik. Jurnal Ilmu Pertanian Vol. 12 No.1, 2005:65-76.
Suratman PD, Setyawan AD. 2000. Analisis keragaman genus Ipomoea berdasarkan karakter morfologi. Biodiversitas 1(2):72-79.
Susanti, Nila. 2006. Peramalan Permintaan Cabai Merah : Studi Kasus Pasar Induk Kramat Jati, DKI Jakarta. Jurusan Manajemen Agribisnis. Fakultas Pertanian. IPB. Bogor.
Sutanta, E. 2004. Sistem Basis Data. Penerbit Graha Ilmu, Yogyakarta.
_________. 2011. Basis Data dalam Tinjauan Konseptual. Penerbit Andi, Yogyakarta.
Tay DCS, Toxofeus H. 1994. Brassica rapa L. cv. Group Pak Choi, p 130-134. In
39 Lampiran 1 Data historis permintaan sayuran bayam, caisim, kangkung, dan
pak choi periode harian (dalam satuan ikat) No Caisim Pak Choi Bayam
Hijau Kangkung
48
392 109 74 237 158
393 125 56 281 177
394 111 73 261 179
395 94 87 270 152
396 135 59 259 166
397 118 59 299 178
398 153 91 262 205
399 104 60 240 138
400 103 55 170 113
401 117 66 293 185
402 139 65 281 179
403 109 51 233 177
404 152 54 286 215
405 106 67 197 130
406 130 50 258 194
407 144 80 262 196
408 152 51 310 221
409 147 50 305 181
410 113 38 241 143
411 158 47 340 177
412 162 83 235 153
413 88 37 234 117
414 96 51 205 163
415 160 88 324 196
416 157 54 309 182
417 131 48 239 123