Peramalan Hasil Produksi Kelapa Sawit Di Kebun Bah Jambi Ptp. Nusantara IV Pada Tahun 2017

(1)

SURAT KETERANGAN

Hasil Uji Implementasi Sistim Tugas Akhir

Yang bertanda tangan di bawah ini menerangkan bahwa Mahasiswa Tugas Akhir Program Diploma 3 Statistika:

Nama : Lyony Claudia Sianturi

Nim : 132407078

Program Studi : D3 Statistika

JudulTugasAkhir : Peramalan Hasil Produksi Kelapa Sawit di Kebun Bah Jambi PTP. Nusantara IV pada Tahun 2017

Telah melaksanakan tes program Tugas Akhir Mahasiswa tersebut di atas pada tanggal ...

Dengan Hasil: Sukses / Gagal

Demikian diterangkan untuk digunakan melengkapi syarat pendaftaran Ujian Meja Hijau Tugas Akhir Mahasiswa bersangkutan pada program studi D3 Statistika FMIPA USU Medan.

Medan, Juni 2016 Dosen Pembimbing

(2)

Telp.(061)8211050, 8214290, FAX(061)821429

KARTU BIMBINGAN TUGAS AKHIR MAHASISWA

Nama Mahasiswa : Lyony Claudia Sianturi Nomor Induk Mahasiswa : 132407078

Judul Tugas Akhir : Peramalan Hasil Produksi Kelapa Sawit di Kebun Bah Jambi PTP. Nusantara IV pada Tahun 2017

Dosen Pembimbing : Dr. Faigiziduhu Bu’ulӧlӧ, M.Si Tanggal Mulai Bimbingan :

Tanggal Selesai Bimbingan :

No. Tanggal Asistensi Bimbingan

(3)

Assauri, Sofjan. 1984. Teknik dan Metode Peramalan. Jakarta. Fakultas Ekonomi Universitas Indonesia

Makridakis, S., Wheelwright, S.C., McGee, Victor E. 1993. Metode dan Aplikasi Peramalan. Jilid Satu. (Edisi 2) diterjemahan oleh Andriyanto, U.S. Abdul,A.Jakarta. Erlangga

Manurung, Adler Haymans. 1990. Teknik Peramalan Bisnis dan Ekonomi. Jakarta. Rineka Cipta

Risza, Ir.Suyatno. 1994. Kelapa Sawit, Upaya Peningkatan Produktivitas. Yogyakarta. Kanisius

Setyamidjaja, D. 2006. Kelapa Sawit, Tehnik Budi Daya, Panen, dan Pengolahan. (Edisi Revisi). Yogyakarta: Kanisius.

Sianipar, Pandapotan. 2004. Singkat Tepat Jelas Menggunakan Microsoft Office Excel 2003. Jakarta. PT Elex Media Komputindo.

SDM/UMUM. 2008-2015. Selayang Pandang Kebun Bah Jambi. Bagian SDM/UMUM Kebun Bah Jambi

http://repository.usu.ac.id www.academia.edu

(4)

3.1 Pengolahan Data dengan Menggunakan Metode Smoothing Eksponensial Ganda: Metode Linier Satu-Parameter dari Brown

Tabel 3.1 Data Hasil Produksi Kelapa Sawit, Tandan Buah Segar (TBS) Kebun Bah Jambi Tahun 2008-2015

Periode Tahun Produksi TBS (kilogram)

1 2008 124.064.280

Sumber: PTP. Nusantara IV

110.000.000

2008 2009 2010 2011 2012 2013 2014 2015

Produksi TBS (kg)

(5)

1. Menentukan harga parameter smoothing eksponensial yaitu < � < . Penulis menggunakan � = , sampai dengan � = , .

2. Menghitung harga pemulusan eksponensial tunggal dengan menggunakan persamaan 2.2.

3. Menghitung harga pemulusan eksponensial ganda dengan menggunakan persamaan 2.3.

(6)

2) � = ,

(7)

= . . − . . = . . dst.

(8)

= −

7. Menghitung nilai kesalahan (error) dengan menggunakan persamaan 2.7. 1) � = ,

� = − � = −

� = . . − . . , = − . . ,

(9)

� = . . − . . , = − . . ,

� = . . − . . , = . . ,

dst. • • • 9) � = ,

� = − � = −

� = . . − . . , = − . . ,

� = . . − . . , = . . ,

dst.

(10)

124.064.280 124.064.280,00 124.064.280,00 - - - - -

127.701.250 124.427.977,00 124.100.649,70 124.755.304,30 36.369,70 - - -

122.669.120 124.252.091,30 124.115.793,86 124.388.388,74 15.144,16 124.791.674,00 -2.122.554,00 4.505.235.482.916,00

131.827.440 125.009.626,17 124.205.177,09 125.814.075,25 89.383,23 124.403.532,90 7.423.907,10 55.114.396.629.430,50

143.552.990 126.863.962,55 124.471.055,64 129.256.869,47 265.878,55 125.903.458,48 17.649.531,52 311.505.962.875.473,00

128.017.670 126.979.333,30 124.721.883,40 129.236.783,19 250.827,77 129.522.748,02 -1.505.078,01 2.265.259.831.236,30

131.581.180 127.439.517,97 124.993.646,86 129.885.389,08 271.763,46 129.487.610,96 2.093.569,04 4.383.031.332.783,40

143.319.000 129.027.466,17 125.397.028,79 132.657.903,55 403.381,93 130.157.152,53 13.161.847,47 173.234.228.754.841,00

SSE = 551.008.114.906.680,00

MSE = 91.834.685.817.780,00

Untuk memperoleh nilai SSE digunakan persamaan 2.8 sebagai berikut:

�� = ∑�= ��− �

= ∑�= ��

= . . . . , + . . . . , + . . . . , + . . . . , + . . . . , +

. . . . ,

�� = . . . . ,

(11)

124.064.280 124.064.280,00 124.064.280,00 - - - - -

127.701.250 124.791.674,00 124.209.758,80 125.373.589,20 145.478,80 - - -

122.669.120 124.367.163,20 124.241.239,68 124.493.086,72 31.480,88 125.519.068,00 -2.849.948,00 8.122.203.602.704,00

131.827.440 125.859.218,56 124.564.835,46 127.153.601,66 323.595,78 124.524.567,60 7.302.872,40 53.331.945.290.681,80

143.552.990 129.397.972,85 125.531.462,93 133.264.482,76 966.627,48 127.477.197,44 16.075.792,56 258.431.106.432.152,00

128.017.670 129.121.912,28 126.249.552,80 131.994.271,75 718.089,87 134.231.110,24 -6.213.440,24 38.606.839.616.051,00

131.581.180 129.613.765,82 126.922.395,41 132.305.136,24 672.842,60 132.712.361,62 -1.131.181,62 1.279.571.862.855,46

143.319.000 132.354.812,66 128.008.878,86 136.700.746,46 1.086.483,45 132.977.978,84 10.341.021,16 106.936.718.585.240,00

SSE= 466.708.385.389.685,00

MSE= 77.784.730.898.280,80

�� = ∑�= ��− �

= ∑�= ��

= . . . . , + . . . . , + . . . . , + . . . . , + . . . . , +

106.936.718.585.240,00

�� = . . . . ,

Untuk memperoleh nilai MSE digunakan persamaan 2.9 sebagai berikut:

(12)

127.701.250 125.155.371,00 124.391.607,30 125.919.134,70 327.327,30 - - -

122.669.120 124.409.495,70 124.396.973,82 124.422.017,58 5.366,52 126.246.462,00 -3.577.342,00 12.797.375.784.964,00

131.827.440 126.634.878,99 125.068.345,37 128.201.412,61 671.371,55 124.427.384,10 7.400.055,90 54.760.827.323.125,10

143.552.990 131.710.312,29 127.060.935,45 136.359.689,14 1.992.590,08 128.872.784,16 14.680.205,84 215.508.443.504.771,00

128.017.670 130.602.519,61 128.123.410,69 133.081.628,52 1.062.475,25 138.352.279,22 -10.334.609,22 106.804.147.626.763,00

131.581.180 130.896.117,72 128.955.222,80 132.837.012,64 831.812,11 134.144.103,76 -2.562.923,76 6.568.578.212.899,69

143.319.000 134.622.982,41 130.655.550,68 138.590.414,13 1.700.327,88 133.668.824,75 9.650.175,25 93.125.882.311.514,80

SSE= 489.565.254.764.038,00

MSE= 81.594.209.127.339,60

�� = ∑�= ��− �

= ∑�= ��

= . . . . , + . . . . , + . . . . , + . . . . , + . . . . , +

93.125.882.311.514,80

�� = . . . . ,

(13)

124.064.280 124.064.280,00 124.064.280,00 - - - - -

127.701.250 125.519.068,00 124.646.195,20 126.391.940,80 581.915,20 - - -

122.669.120 124.379.088,80 124.539.352,64 124.218.824,96 -106.842,56 126.973.856,00 -4.304.736,00 18.530.752.029.696,00

131.827.440 127.358.429,28 125.666.983,30 129.049.875,26 1.127.630,66 124.111.982,40 7.715.457,60 59.528.285.977.398,40

143.552.990 133.836.253,57 128.934.691,40 138.737.815,73 3.267.708,11 130.177.505,92 13.375.484,08 178.903.574.374.333,00

128.017.670 131.508.820,14 129.964.342,90 133.053.297,38 1.029.651,49 142.005.523,84 -13.987.853,84 195.660.055.049.203,00

131.581.180 131.537.764,08 130.593.711,37 132.481.816,80 629.368,47 134.082.948,88 -2.501.768,88 6.258.847.512.925,21

143.319.000 136.250.258,45 132.856.330,20 139.644.186,70 2.262.618,83 133.111.185,27 10.207.814,73 104.199.481.566.904,00

SSE= 563.080.996.510.460,00

MSE= 93.846.832.751.743,40

�� = ∑�= ��− �

= ∑�= ��

= . . . . , + . . . . , + . . . . , + . . . . , + . . . . , +

104.199.481.566.904,00

�� = . . . . ,

(14)

127.701.250 125.882.765,00 124.973.522,50 126.792.007,50 909.242,50 - - -

122.669.120 124.275.942,50 124.624.732,50 123.927.152,50 -348.790,00 127.701.250,00 -5.032.130,00 25.322.332.336.900,00

131.827.440 128.051.691,25 126.338.211,88 129.765.170,63 1.713.479,38 123.578.362,50 8.249.077,50 68.047.279.601.006,20

143.552.990 135.802.340,63 131.070.276,25 140.534.405,00 4.732.064,38 131.478.650,00 12.074.340,00 145.789.686.435.600,00

128.017.670 131.910.005,31 131.490.140,78 132.329.869,84 419.864,53 145.266.469,38 -17.248.799,38 297.521.079.879.000,00

131.581.180 131.745.592,66 131.617.866,72 131.873.318,59 127.725,94 132.749.734,38 -1.168.554,38 1.365.519.327.331,64

143.319.000 137.532.296,33 134.575.081,52 140.489.511,13 2.957.214,80 132.001.044,53 11.317.955,47 128.096.115.992.608,00

SSE= 666.142.013.572.446,00

MSE= 111.023.668.928.741,00

�� = ∑�= ��− �

= ∑�= ��

= . . . . , + . . . . , + . . . . , + . . . . , + . . . . , +

128.096.115.992.608,00

�� = . . . . ,

(15)

124.064.280 124.064.280,00 124.064.280,00 - - - - -

127.701.250 126.246.462,00 125.373.589,20 127.119.334,80 1.309.309,20 - - -

122.669.120 124.100.056,80 124.609.469,76 123.590.643,84 -764.119,44 128.428.644,00 -5.759.524,00 33.172.116.706.575,80

131.827.440 128.736.486,72 127.085.679,94 130.387.293,50 2.476.210,18 122.826.524,40 9.000.915,60 81.016.481.638.322,70

143.552.990 137.626.388,69 133.410.105,19 141.842.672,19 6.324.425,25 132.863.503,68 10.689.486,32 114.265.117.785.467,00

128.017.670 131.861.157,48 132.480.736,56 131.241.578,39 -929.368,63 148.167.097,44 -20.149.427,44 405.999.426.159.824,00

131.581.180 131.693.170,99 132.008.197,22 131.378.144,76 -472.539,34 130.312.209,76 1.268.970,24 1.610.285.461.884,29

143.319.000 138.668.668,40 136.004.479,92 141.332.856,87 3.996.282,71 130.905.605,42 12.413.394,58 154.092.364.994.802,00

SSE= 790.155.792.746.875,00

MSE= 131.692.632.124.479,00

�� = ∑�= ��− �

= ∑�= ��

= . . . . , + . . . . , + . . . . , + . . . . , + . . . . , +

154.092.364.994.802,00

�� = . . . . ,

(16)

127.701.250 126.610.159,00 125.846.395,30 127.373.922,70 1.782.115,30 - - -

122.669.120 123.851.431,70 124.449.920,78 123.252.942,62 -1.396.474,52 129.156.038,00 -6.486.918,00 42.080.105.138.723,40

131.827.440 129.434.637,51 127.939.222,49 130.930.052,53 3.489.301,71 121.856.468,10 9.970.971,90 99.420.280.630.589,40

143.552.990 139.317.484,25 135.904.005,72 142.730.962,78 7.964.783,23 134.419.354,24 9.133.635,76 83.423.302.196.350,10

128.017.670 131.407.614,28 132.756.531,71 130.058.696,84 -3.147.474,01 150.695.746,02 -22.678.076,02 514.295.131.742.120,00

131.581.180 131.529.110,28 131.897.336,71 131.160.883,85 -859.195,00 126.911.222,83 4.669.957,17 21.808.499.993.918,20

143.319.000 139.782.033,08 137.416.624,17 142.147.442,00 5.519.287,46 130.301.688,86 13.017.311,14 169.450.389.443.397,00

SSE= 930.477.709.145.098,00 MSE= 155.079.618.190.850,00

�� = ∑�= ��− �

= ∑�= ��

= . . . . , + . . . . , + . . . . , + . . . . , + . . . . , +

169.450.389.443.397,00

�� = . . . . ,

(17)

124.064.280 124.064.280,00 124.064.280,00 - - - - -

127.701.250 126.973.856,00 126.391.940,80 127.555.771,20 2.327.660,80 - - -

122.669.120 123.530.067,20 124.102.441,92 122.957.692,48 -2.289.498,88 129.883.432,00 -7.214.312,00 52.046.297.633.343,10

131.827.440 130.167.965,44 128.954.860,74 131.381.070,14 4.852.418,82 120.668.193,60 11.159.246,40 124.528.780.215.913,00

143.552.990 140.875.985,09 138.491.760,22 143.260.209,96 9.536.899,48 136.233.488,96 7.319.501,04 53.575.095.474.560,10

128.017.670 130.589.333,02 132.169.818,46 129.008.847,58 -6.321.941,76 152.797.109,44 -24.779.439,44 614.020.618.960.630,00

131.581.180 131.382.810,60 131.540.212,17 131.225.409,03 -629.606,28 122.686.905,82 8.894.274,18 79.108.113.231.707,00

143.319.000 140.931.762,12 139.053.452,13 142.810.072,11 7.513.239,96 130.595.802,75 12.723.197,25 161.879.748.276.657,00

SSE= 1.085.158.653.792.810,00

MSE= 180.859.775.632.135,00

�� = ∑�= ��− �

= ∑�= ��

= . . . . , + . . . . , + . . . . , + . . . . , + . . . . , +

161.879.748.276.657,00

�� = . . . ,

(18)

127.701.250 127.337.553,00 127.010.225,70 127.664.880,30 2.945.945,70 - - -

122.669.120 123.135.963,30 123.523.389,54 122.748.537,06 -3.486.836,16 130.610.826,00 -7.941.706,00 63.070.694.190.435,50

131.827.440 130.958.292,33 130.214.802,05 131.701.782,61 6.691.412,51 119.261.700,90 12.565.739,10 63.070.694.190.435,50

143.552.990 142.293.520,23 141.085.648,41 143.501.392,05 10.870.846,36 138.393.195,12 5.159.794,88 26.623.483.203.674,20

128.017.670 129.445.255,02 130.609.294,36 128.281.215,68 -10.476.354,05 154.372.238,42 -26.354.568,41 694.563.276.340.912,00

131.581.180 131.367.587,50 131.291.758,19 131.443.416,82 682.463,83 117.804.861,63 13.776.318,37 189.786.947.782.008,00

143.319.000 142.123.858,75 141.040.648,69 143.207.068,81 9.748.890,51 132.125.880,64 11.193.119,36 125.285.920.957.733,00

SSE= 1.257.228.121.604.030,00

MSE= 209.538.020.267.338,00

�� = ∑�= ��− �

= ∑�= ��

= . . . . , + . . . . , + . . . . , + . . . . , + . . . . , +

125.285.920.957.733,00

�� = . . . ,

(19)

sebagai berikut:

Tabel 3.11 Perbandingan Ukuran Ketepatan Peramalan

α MSE

Dari tabel 3.11, dapat dilihat bahwa nilai MSE yang terkecil terdapat pada

� = , yaitu dengan �� = . . . . , .

3.2Penentuan Bentuk Persamaan Peramalan

Dari perhitungan pada � = , , dapat diperoleh persamaan peramalan untuk periode selanjutnya yaitu dengan menggunakan persamaan 2.6 sebagai berikut:

�+ = �+ �

+ = +

(20)

a. Periode ke-9 (tahun 2016) + = +

+ = . . , + . . ,

= . . ,

b. Periode ke-10 (tahun 2017) + = +

+ = . . , + . . ,

= . . ,

Tabel 3.12 Peramalan Hasil Produksi Kelapa Sawit di PTPN IV Kebun Bah Jambi untuk Tahun 2016 dan 2017

Tahun Periode

Peramalan Hasil Produksi TBS

(Kilogram)

2016 9 137.787.229,91

(21)

4.1 Pengertian Implementasi Sistim

Implementasi sistim merupakan tahap penerapan hasil desain yang telah dirancang pada tahap sebelumnya kedalam software komputer yang berbentuk file komputer. Dengan penerapan sistim yang dirancang, hasilnya dapat dioperasikan dan digunakan secara optimal sesuai kebutuhan. Pada tahap implementasi sistem ini, aplikasi yang penulis gunakan yaitu Microsoft Excel.

4.2 Microsoft Excel

Microsoft Excel adalah sebuah program aplikasi lembar kerja spreadsheet untuk

mengolah data secara otomatis meliputi perhitungan dasar, penggunaan fungsi-fungsi, pembuatan grafik dan manajemen data. Lembar kerja adalah kumpulan kolom dan baris, yang terdiri dari 256 kolom dan 65.536 baris pada setiap lembar kerja.

4.3 Langkah-Langkah Pengolahan Data

Langkah-langkah untuk menggunakan program Microsoft Excel adalah sebagai berikut:

1. Cara Mengaktifkan Microsoft Excel:

a. Klik tombol Start di sudut kiri bawah tampilan Windows b. Pilih Program

(22)

(23)

Gambar 4.3 Tampilan Pemasukan Data

4. Pengolahan data dengan menggunakan rumus

a. Persamaan 2.2 untuk nilai � = , yaitu dengan menggunakan rumus =

(24)

Gambar 4.5 Hasil Pengolahan Data untuk Persamaan 2.3

c. Persamaan 2.4 untuk nilai � = , yaitu dengan menggunakan rumus =

(25)

e. Persamaan 2.6 untuk nilai � = , yaitu dengan menggunakan rumus =

+ , kemudian rumus dilanjutkan untuk baris selanjutnya seperti Gambar 4.8.

(26)

g. Kuadratkan setiap nilai �_� dengan menggunakan rumus = ^ , kemudian rumus dilanjutkan untuk baris selanjutnya seperti Gambar 4.10.

(27)

menggunakan rumus = / : seperti Gambar 4.11.

(28)

5.1 Kesimpulan

Berdasarkan hasil pengolahan data, maka penulis dapat menyimpulkan bahwa: a. Dari hasil pengolahan data hasil produksi kelapa sawit di Kebun Bah Jambi pada

tahun 2008 sampai tahun 2015 dalam satuan kilogram dengan menggunakan metode pemulusan eksponensial ganda dengan metode linier satu-parameter dari Brown, diperoleh nilai MSE terkecil dari � = , yaitu sebesar

. . . . , .

b. Bentuk persamaan peramalan hasil produksi kelapa sawit di Kebun Bah Jambi berdasarkan data tahun 2008 sampai tahun 2015 dengan � = , adalah:

+ = . . , + . . ,

c. Hasil produksi kelapa sawit di Kebun Bah Jambi untuk periode ke-10 atau tahun 2017 sebesar . . , kilogran.

d. Dari hasil peramalan yang penulis lakukan terhadap data hasil produksi kelapa sawit di Kebun Bah Jambi, terlihat bahwa ramalan hasil produksinya meningkat dari tahun ke tahun

5.2Saran

(29)

2.1 Peramalan

2.1.1 Pengertian dan Kegunaan Peramalan

Assauri (1984) mengemukakan bahwa peramalan (forecasting) adalahkegiatan memperkirakan atau memprediksikan apa yang akan terjadi pada masa yang akan datang. Peramalan diperlukan karena adanya perbedaan waktu antara kesadaran akan dibutuhkannya suatu kebijakan baru dengan waktu pelaksanaan suatu kebijakan. Jadi dalam menentukan kebijakan itu perlu diperkirakan kesempatan atau peluang yang ada dan ancaman yang mungkin terjadi.

Dalam usaha mengetahui atau melihat perkembangan dimasa depan, peramalan dibutuhkan untuk menentukan kapan suatu peristiwa akan terjadi atau suatu kebutuhan akan timbul, sehingga dapat dipersiapkan kebijakan atau tindakan-tindakan yang perlu dilakukan. Gambaran perkembangan pada masa depan diperoleh dari hasil analisa data yang didapat dari penelitian yang telah dilakukan. Perkembangan pada masa depan merupakan perkiraan apa yang akan terjadi, sehingga dapatlah dikatakkan bahwa peramalan selalu diperlukan didalam penelitian.

(30)

1. Peramalan Subjektif

Peramalan subjektif yaitu peramalan yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau judgement dari orang yang menyusunnya sangat menentukan baik tidaknya hasil ramalan tersebut.

2. Peramalan Objektif

Peramalan objektif adalah peramalan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan teknik-teknik dan metode-metode dalam penganalisaan data tersebut.

Jika dilihat dari jangka waktu ramalan yang disusun, maka jenis peramalannya yaitu:

1. Peramalan Jangka Panjang

Peramalan jangka panjang yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya lebih dari satu setengah tahun atau tiga semester.

2. Peramalan Jangka Pendek

Peramalan jangka pendek yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan dengan jangka waktu yang kurang dari satu setengan tahun, atau tiga semester.

Berdasarkan sifat ramalan yang telah disusun, maka jenis peramalan yaitu: 1. Peramalan Kualitatif

(31)

sebagai berikut:

1. Adanya informasi tentang keadaan masa lalu.

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data.

3. Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang.

2.2 Metode Peramalan

2.2.1 Pengertian dan Kegunaan Metode Peramalan

Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa depan, berdasarkan data yang relevan pada masa lalu. Metode peramalan juga merupakan cara memperkirakan secara kuantitatif,oleh karena itu metode peramalan termasuk dalam kegiatan peramalan kuantitatif.

(32)

1. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu (time series), yang terdiri dari:

a. Metode smoothing, yang mencakup metode data lewat (past data), metode rata-rata kumulatif, metode rata-rata bergerak (moving averages) dan metode exponentialsmoothing. Metode smoothing digunakan untuk mengurangi

ketidakteraturan musiman dari data yang lalu maupun kedua-duanya, dengan membuat rata-rata tertimbang dari sederetan data yang lalu. Data yang dibutuhkan untuk penggunaan metode peramalan ini minimum selama dua tahun.

b. Metode Box Jenkins menggunakan dasar deret waktu dengan model matematis, agar kesalahan yang terjadi dapat sekecil mungkin. Penggunaan metode ini membutuhkan identifikasi model dan estimasi parameternya. Data yang dibutuhkan untuk penggunaan metode peramalan ini minimum dua tahun, dan lebih baik bila data yang dimiliki lebih dari dua tahun.

c. Metode proyeksi trend dengan regresi, merupakan dasar garis trend untuk suatu persamaan matematis, sehingga dengan dasar persamaan tersebut dapat diproyeksikan hal yang diteliti untuk masa depan. Data yang dibutuhkan untuk penggunaan metode peramalan ini adalah data tahunan, dan semakin banyak data yang dimiliki semakin baik, serta minimum data tahunan yang harus ada adalah lima tahun.

(33)

regresi yang diestimasikan secara simultan. Data yang dibutuhkan untuk penggunaan metode peramalan ini adalah data kuartalan beberapa tahun. c. Metode input output dipergunakan untuk menyusun proyeksi trendekonomi

jangka panjang. Data yang dibutuhkan untuk penggunaan metode atau model ini adalah data tahunan selama sekitar sepuluh sampai lima belas tahun.

2.2.3 Metode Pemulusan (Smoothing)

Metode pemulusan (smoothing) adalah metode peramalan dengan mengadakan

penghalusan terhadap masa lalu, yaitu dengan mengambil rata-rata dari nilai beberapa

tahun untuk menaksir nilai pada beberapa tahun kedepan. Secara umum, metode

smoothing diklasifikasikan menjadi dua yaitu :

1. Metode Perataan (Average)

a. Nilai Tengah (Mean)

b. Rata-rata Bergerak Tunggal (Single Moving Average) c. Rata-rata Bergerak Ganda (Double Moving Average) d. Kombinasi Rata-rata Bergerak Lainnya

2. Metode Pemulusan (Smoothing) Eksponensial Bentuk umum dari pemulusan eksponensial adalah:

�+ = ��+ − � � (2.1)

di mana: _�+ = hasil peramalan untuk 1 periode kedepan yang akan diramalkan.

�� =data pada periodeke-t � =ramalan pada periode ke-t

(34)

b. Pemulusan Eksponensial Ganda

1. Metode Linier Satu-Parameter dari Brown 2. Metode Dua Parameter dari Holt

c. Pemulusan Eksponensial Tripel

1. Metode Kwadratik Satu Parameter dari Brown

2. Metode Tiga Parameter untuk Kecenderungan dan Musiman dari Winter d. Pemulusan Eksponensial menurut Klasifikasi Pegels

2.3 Metode Peramalan yang Digunakan

Untuk mendapatkan hasil yang baik dan tepat maka harus diketahui dan digunakan metode peramalan yang tepat. Dalam meramalkan hasil produksi kelapa sawit menggunakan metode smoothing eksponensial satu parameter dari Brown.

(35)

� = parameter pemulusan eksponensial � = konstanta pada periode ke-t

� = Nilai slope

�+ = hasil peramalan untuk m periode kedepan yang akan diramalkan.

Untuk menghitung nilai kesalahan (error) ramalan tersebut, dapat digunakan rumus di bawah ini:

�� = ��− � (2.7)

2.4 KetepatanPeramalan

Berikut ini adalah ketetapan ramalan beberapa kriteria yang digunakan untuk menguji nilai ramalan yaitu:

1. Jumlah Kuadrat Kesalahan (Sum Square Error), dengan rumus:

�� = ∑�= �� − � (2.8)

2. Nilai Tengah Kesalahan Kuadrat (Mean Square Error), dengan rumus:

�� = ∑��= ��− �

(2.9)

3. Nilai Tengah Kesalahan Persentase Absolut (Mean Absolute Percentage Error), dengan rumus:

� � = ∑��= |� �| _(2.10)

4. Kesalahan Persentase (Percentage Error), dengan rumus:

� = ��− �

(36)

di mana: � _� = ��−

�� (kesalahan persentase pada periode ke-t) = banyaknya periode waktu

(37)

1.1Latar Belakang

Ditinjau dari letak geografisnya, Indonesia merupakan negara yang beriklim tropis dan memiliki Sumber Daya Alam (SDA) yang kaya serta tanah yang subur, sehingga pemerintah menggalakkan program kerja disektor pertanian dan perkebunan. Rata-rata penduduk Indonesia bermata pencaharian sebagai petani, sehingga Indonesia dikenal sebagai negara agraris.

Kelapa sawit (Elaeis guineensis) saat ini telah berkembang pesat di Asia Tenggara, khususnya Indonesia dan Malaysia. Kelapa sawit merupakan salah satu komoditi utama hasil perkebunan di Indonesia. Hal ini didukung oleh struktur tanah dan curah hujan yang cocok untuk pembudidayaan kelapa sawit. Pesatnya perkembangan industri kelapa sawit ini, menjadikan Indonesia sebagai salah satu negara produsen kelapa sawit utama di dunia selain Malaysia.

PTP. Nusantara IV adalah salah satu perusahaan Badan Usaha Milik Negara (BUMN) yang bergerak dibidang agroindustri di Provinsi Sumatera Utara. Perusahaan berdiri tanggal 11 Maret 1996 sebagai hasil gabungan dari PTP. Nusantara VI, PTP. Nusantara VII dan PTP. Nusantara VIII. Perusahaan ini bergerak dibidang perkebunan dan pengolahan kelapa sawit dan teh yang mencakup pengolahan areal dan tanaman, kebun bibit dan pemeliharaan tanaman menghasilkan, pengolahan komoditas menjadi bahan baku berbagai industri, dan pemasaran komoditas yang dihasilkan. Kebun Bah Jambi merupakan salah satu unit usaha dari PTP. Nusantara IV yang bergerak dibidang usaha perkebunan kelapa sawit dan pengolahan kelapa sawit yang menghasilkan minyak mentah atau Crude Palm Oil (CPO) dan Inti Sawit (PK) yang merupakan bahan setengah jadi.

(38)

operasional perkebunan.

Berdasarkan uraian tersebut maka penulis tertarik untuk memilih judul “PERAMALAN HASIL PRODUKSI KELAPA SAWIT DI KEBUN BAH JAMBI PTP. NUSANTARA IV PADA TAHUN 2017”.

1.2Rumusan Masalah

Peramalan hasil produksi kelapa sawit dilakukan untuk menetapkan target produksi, perencanaan keuangan dan operasional perusahaan. Dalam tulisan ini yang menjadi permasalahan adalah berapa besar jumlah produksi kelapa sawit yang dihasilkan di Kebun Bah Jambi pada tahun 2017.

1.3Batasan Masalah

(39)

hasil produksi kelapa sawit di Kebun Bah Jambi PTP. Nusantara IV pada tahun 2017.

1.5Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah:

1. Memberikan informasi tentang jumlah produksi kelapa sawit di Kebun Bah Jambi.

2. Dapat dipergunakan sebagai bahan masukan untuk peneliti-peneliti selanjutnya yang berhubungan dengan produksi kelapa sawit di Kebun Bah Jambi.

3. Sebagai bahan pertimbangan bagi perusahaan untuk melihat hasil ramalan pada tahun 2017 yang telah penulis lakukan dan dapat membandingkan dengan hasil ramalan yang akan dilakukan oleh pihak perusahaan nantinya.

1.6Tinjauan Pustaka

Dalam penulisan tugas akhir ini, penulis menggunakan teori pendukung dari beberapa buku yaitu sebagai berikut:

1. Teknik dan Metode Peramalan, oleh Sofjan Assauri, edisi pertama, Universitas Indonesia, 1984. Dari buku ini dikutip tentang definisi peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Sedangkan cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa depan, berdasarkan data yang relevan pada masa lalu disebut metode peramalan.

(40)

Pandapotan Sianipar, Penerbit PT. Elex Media Komputindo, 2004, Jakarta. Dari buku ini dikutip langkah-langkah menggunakan Microsoft Excel, cara penggunaannya dan aplikasinya. Juga dikutip cara-cara pembuatan rumus pada Microsoft Excel.

1.7Metode Penelitian

Metode yang penulis gunakan dalam melaksanakan penelitian yaitu: 1. Studi Kepustakaan (Library Research)

Suatu cara penelitian yang digunakan untuk memperoleh data atau informasi dari perpustakaan yaitu dengan membaca buku–buku, referensi bahan–bahan yang bersifat teoritis yang membantu tugas akhir ini.

2. Metode Pengumpulan Data

Pengumpulan data untuk keperluan riset ini penulis lakukan dengan cara menggunakan data sekunder yang diperoleh dari PTP. Nusantara IV Kebun Bah Jambi. Data yang dikumpulkan tersebut kemudian diatur, disusun dan disajikan dalam bentuk angka–angka dengan tujuan mendapatkan gambaran yang jelas tentang data tersebut.

3. Metode Pengolahan Data

(41)

membandingkan hasil peramalan yang terbaik dari beberapa nilai α dengan nilai error terkecil.

5. Membuat Kesimpulan

(42)

tropis dan memiliki Sumber Daya Alam (SDA) yang kaya serta tanah yang subur,

sehingga pemerintah menggalakkan program kerja disektor pertanian dan

perkebunan. Rata-rata penduduk Indonesia bermata pencaharian sebagai petani,

sehingga Indonesia dikenal sebagai negara agraris. Kelapa sawit (Elaeis

guineensis) saat ini telah berkembang pesat di Asia Tenggara, khususnya

Indonesia dan Malaysia. Kelapa sawit merupakan salah satu komoditi utama hasil

perkebunan di Indonesia. Hal ini didukung oleh struktur tanah dan curah hujan

yang cocok untuk pembudidayaan kelapa sawit. Pesatnya perkembangan industri

kelapa sawit ini, menjadikan Indonesia sebagai salah satu negara produsen kelapa

(43)

TUGAS AKHIR

LYONY CLAUDIA SIANTURI 132407078

PROGRAM STUDI D3 STATISTIKA DEPARTEMEN MATEMATIKA

(44)

TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ahli Madya

LYONY CLAUDIA SIANTURI 132407078

PROGRAM STUDI D3 STATISTIKA DEPARTEMEN MATEMATIKA

(45)

Judul : PERAMALAN HASIL PRODUKSI KELAPA SAWIT DI KEBUN BAH JAMBI PTP. NUSANTARA IV PADA TAHUN 2017

Kategori : TUGAS AKHIR

Nama : LYONY CLAUDIA SIANTURI

Nomor Induk Mahasiswa : 132407078 Program Studi : D3 STATISTIKA

Departemen : MATEMATIKA

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN

ALAM UNIVERSITAS SUMATERA UTARA

Diluluskan di Medan, Juli 2016

Disetujui oleh:

Program Studi D3 Statistika FMIPA USU Pembimbing, Ketua,

(46)

JAMBI PTP. NUSANTARA IV PADA TAHUN 2017

TUGAS AKHIR

Saya mengakui bahwa tugas akhir ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Juli 2016

(47)

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Pemurah dan Maha Penyayang, dengan limpah karunia-Nya penulis dapat menyelesaikan penyusunan Tugas Akhir ini dengan judul Peramalan Hasil Produksi Kelapa Sawit di Kebun Bah Jambi PTP. Nusantara IV pada Tahun 2017.

Terimakasih penulis sampaikan kepada Bapak Dr. Faigiziduhu Bu’ulölö, M.Si selaku dosen pembimbing sekaligus Ketua Program Studi Diploma 3 Statistika yang telah meluangkan waktunya dan telah memberikan pengarahan selama penyusunan tugas akhir ini. Terimakasih kepada Bapak Prof. Dr. Tulus, M.Si. Ph.D dan Ibu Dr. Mardiningsih, M.Si selaku Ketua dan Sekertaris Departemen Matematika FMIPA USU Medan, Bapak Dr. Kerista Sebayang, M.S selaku Dekan FMIPA USU, Pembantu Dekan FMIPA USU, seluruh staff dan Dosen Program Studi D3 Statistika FMIPA USU, pegawai FMIPA USU dan rekan-rekan kuliah. Akhirnya tidak terlupakan kepada Ayah Immanuel Leonard Sianturi, Ibu Asima Maria Simarmata dan keluarga yang selama ini memberikan bantuan dan dorongan yang diperlukan. Semoga Tuhan Yang Maha Esa membalasnya.

Medan, Juli 2016 Penulis

(48)

PERNYATAAN ii

PENGHARGAAN iii

DAFTAR ISI iv

DAFTAR TABEL vi

DAFTAR GAMBAR vii

BAB 1 PENDAHULUAN 1

2.1.1 Pengertian dan Kegunaan Peramalan 6

2.1.2 Jenis-Jenis Peramalan 7

2.2 Metode Peramalan 8

2.2.1 Pengertian dan Kegunaan Metode Peramalan 8

2.2.2 Jenis-Jenis Metode Peramalan 9

2.2.3 Metode Pemulusan (smoothing) 10

2.3 Metode Peramalan yang Digunakan 11

2.4 Ketepatan Peramalan 12

BAB 3 PENGOLAHAN DATA 14

3.1 Pengolahan Data dengan Menggunakan Metode Smoothing Eksponensial Ganda: Metode Linier Satu-Parameter dari Brown

14

3.2 Penentuan Bentuk Persamaan Peramalan 29 3.3 Peramalan Hasil Produksi Kelapa Sawit untuk Tahun

2017

30

(49)

(50)

(TBS) Kebun Bah Jambi Tahun 2008-2015

Tabel 3.2 Perhitungan Peramalan Hasil Produksi Tandan Buah Segar (TBS) dengan Smoothing Eksponensial Ganda Linier dari Brown dengan � = ,

20

21

22

23

24

25

26

27

28

Tabel 3.11 _{Perbandingan Ukuran Ketepatan Peramalan} 29 Tabel 3.12 Peramalan Hasil Produksi Kelapa Sawit di PTPN IV

Kebun Bah Jambi untuk Tahun 2016 dan 2017

(51)

Halaman Gambar 3.1 Diagram Garis Hasil Produksi TBS Kebun Bah Jambi

Tahun 2008-2015

14

Gambar 4.1 _{Cara Mengaktifkan Microsoft Excel} 32

Gambar 4.2 _{Tampilan Microsoft Excel} 32

Gambar 4.3 Tampilan Pemasukan Data 33

Gambar 4.4 _{Hasil Pengolahan Data untuk Persamaan 2.2} 33 Gambar 4.5 _{Hasil Pengolahan Data untuk Persamaan 2.3} 34 Gambar 4.6 _{Hasil Pengolahan Data untuk Persamaan 2.4} 34 Gambar 4.7 _{Hasil Pengolahan Data untuk Persamaan 2.5} 35 Gambar 4.8 _{Hasil Pengolahan Data untuk Persamaan 2.6} 35 Gambar 4.9 _{Hasil Pengolahan Data untuk Persamaan 2.7} 36

Gambar 4.10 Hasill Kuadrat dari Persamaan 2.7 36