1. PENDAHULUAN Perkebunan teh menjadi salah satu sektor potensial pembangunan Jawa Barat, karena telah mampu memberikan andil besar dalam kehidupan perekonomian. Sektor perkebunan teh memiliki fungsi ekonomi yaitu sebagai sumber penghasilan masyarakat dan sumber devisa bagi negara. Jawa Barat merupakan propinsi penghasil teh terbesar di Indonesia, lebih dari 70 % produksi teh nasional dihasilkan dari Jawa Barat, oleh karenanya teh dijadikan komoditas unggulan di Propinsi Jawa Barat [1]. Teh juga merupakan salah satu komoditi yang mempunyai peran strategis dalam perekonomian Indonesia, industri teh mampu memberikan kontribusi Produk Domestik Bruto (PDB) sekitar Rp 1,2 triliun (0,3% dari total PDB nonmigas). Komoditi ini juga menyumbang devisa sebesar 110 juta dollar AS setiap tahunnya [2]. Dewasa ini persaingan bisnis sangat kuat, agar bisnis dapat terus berkembang dan maju, maka harus didukung oleh banyak komponen. Salah satu ciri komponen organisasi bisnis yang baik terletak pada kemampuan pemimpin organisasi tersebut dalam memutuskan kebijakan-kebijakan strategis demi berkembangnya organisasi tersebut di kemudian hari. Oleh karena itu, dibutuhkan suatu sistem untuk memutuskan masalah. Sistem ini disebut sistem pendukung keputusan yang bekerja pada komputer. Sistem pendukung keputusan sangat membantu manajer dalam memecahkan suatu masalah, dalam hal ini bidang perencanaan produksi pada industri teh [2]. Sebagai pimpinan perusahaan yang bertanggung jawab, perlu mengetahui bagaimana perdagangan bergerak dari bulan ke bulan, dari tahun ke tahun termasuk keadaan pada bulan-bulan atau tahun-tahun mendatang. Setelah diketahui gambaran permintaan masa depan, maka pimpinan perusahaan dapat menyusun rencana kegiatan perusahaan yang lebih baik dan menghindari hal-hal yang dapat menimbulkan kerugian di masa mendatang, kebutuhan akan mengambil keputusan yang tepat membuat perusahaan menggunakan teknik peramalan. Misalnya pimpinan perusahaan dapat mengambil keputusan untuk membuat keputusan terkait berapa banyak teh yang harus disiapkan apabila produksi teh menurun tetapi meningkatnya konsumsi teh tersebut dalam satu periode produksi. Maka yang harus dilakukan adalah menggunakan teknik peramalan untuk mengurangi resiko yang akan terjadi pada masa yang akan datang. Pada penelitian ini, penulis menggunakan metode indeks musim dalam meramalkan produksi tanaman teh di Propinsi Jawa Barat. 2. KAJIAN PUSTAKA Pada dekade yang lalu pernah dilakukan penelitian tentang Peramalan produksi menggunakan regresi linier berganda berbasis web [3]. Penelitian ini ingin mengetahui sejauh mana analisa data statistik untuk meramalkan produksi menggunakan analisa statistik regresi berganda dengan menggunakan lebih dari satu variabel. Ada juga penelitian sebelumnya tentang peramalan data belanja rumah tangga dari sebuah kota dengan menggunakan indeks musim [4]. Pada penelitian tersebut hanya memprediksi dan mencari hasil ramalan untuk masa yang akan datang. Penelitian sebelumnya yang juga dilakukan adalah peramalan penjualan batik di pekalongan dengan metode trend moment. Penelitian ini digunakan untuk memprediksi penjualan batik di pekalongan [5]. Penelitian yang dibuat saat ini menggunakan indeks musim sebagai algoritma untuk meramalkan produksi tanaman teh di Propinsi Jawa Barat dan juga menggunakan Mean Absolute Percentage Error (MAPE) sebagai indikator untuk melihat performansi suatu metode terhadap data yang diramalkan. Semakin kecil nilai MAPE, semakin sesuai metode dengan data yang diramalkan. Peramalan pada dasarnya merupakan bagian dari proses pengambilan keputusan. Meramal sesungguhnya adalah menduga atau memprediksi peristiwa di masa depan
10
11
dengan tujuan untuk memperkecil resiko yang mungkin terjadi akibat pengambilan keputusan [6]. Peramalan baik dilakukan untuk dunia bisnis dan industri, politik, ekonomi, pemerintahan, kesehatan, ilmu alam, ilmu sosial dan keuangan [7]. Hal ini dikarenakan hasil peramalan dapat digunakan untuk merencanakan langkah-langkah dalam mengembangkan dan mempertahankan kelangsungan suatu program atau perusahaan. Peramalan dapat dilakukan untuk jangka pendek, menengah, dan jangka panjang. Peramalan dalam jangka pendek dilakukan untuk periode yang singkat (hari, minggu, bulan), peramalan jangka menengah dapat dilakukan untuk satu atau dua tahun mendatang. Sedangkan peramalan jangka panjang dapat dilakukan untuk beberapa tahun yang akan datang (lebih dari 2 tahun) [7]. Banyak masalah peramalan menggunakan data time series. Time series adalah himpunan pengalaman yang dibangun secara berurutan dalam waktu atau periode yang dibutuhkan untuk melakukan peramalan. Penelitian kali ini meramalkan atau memprediksi produksi tanaman teh dengan menggunakan metode indeks musim. Adapun untuk meramalkan produksi teh adalah dengan menggunakan data sekunder yang diperoleh dari data BPS Propinsi Jawa Barat yang diambil dari tahun 2009 sampai tahun 2012 [8]. Metode indeks musim yang digunakan sebagai penyesuai untuk tujuan peramalan di hasilkan dari mengalikan nilai trend yang diproyeksi untuk waktu tertentu dengan indeks musim waktu tersebut yang bersesuaian [4]. Tabel 1. Produksi Teh di Propinsi Jawa Barat (Ribu ton) Bulan\Tahun
2009
2010
2011
2012
Januari
3
2,1
3,7
3,6
Februari
2,9
2
3,5
3,4
Maret
2,9
2
4,3
4,1
April
3,3
2,3
4,1
3,9
Mei
3,7
2,5
4,7
4
Juni
2,8
2,2
3,8
3,7
Juli
2,8
1,9
3,3
3,1
Agustus
2,6
2
3,2
3
September
2,6
1,8
3,2
2,9
Oktober
3,4
1,8
3,6
3,4
November
3,3
2,3
3,4
3,7
Desember
3,2
2,2
3,5
3,6
Untuk menghitung indeks musiman dari data dalam tabel 1. Hal pertama kita cari adalah serial yang terdiri dari weighted moving total 13 bulan, dengan persamaan sebagai berikut: Moving total terbobotm1 = (Ym1)+(2*Ym1)+(2*Ym1+1)+β¦ +(Ym2)
11
(1)
Setelah kita dapatkan nilai moving total, hal yang harus kita lakukan adalah mencari nilai moving averages, dengan persamaan sebagai berikut: Moving averages terbobotm = Moving Totalm / 24
(2)
Hal selanjutnya yang perlu dilakukan yaitu mencari rasio terhadap moving averages, dengan persamaan sebagai berikut: Ratio to moving averages = πππ£πππ
π ππ£ππππππ π‘πππππππ‘
(3)
Setelah ditemukan rasio terhadap moving averages, selanjutnya kita mencari indeks musim dengan persamaan sebagai berikut: πππ‘ππ ππππππ ππππππ
Sm = Medm πππ‘ππ
(4)
dimana Sm adalah indeks musim pada bulan m, Medm adalah median pada bulan m. Setelah mendapatkan nilai median dan indeks musim, langkah selanjutnya yang dilakukan adalah menghitung nilai trend, dengan persamaan sebagai berikut: π = π + ππ
(5)
dimana Y adalah data time series yang akan diperkirakan, X adalah variabel waktu, a dan b adalah nilai konstanta. Setelah mendapatkan nilai trend, maka langkah yang harus kita lakukan adalah menghitung Mean Absolute Percentage Error (MAPE), dengan menggunakan persamaan berikut ini: 1 ππ΄ππΈ = π
π
π‘=1
π΄π‘ β πΉπ‘ π₯ 100% π΄π‘
6
Dimana n adalah banyaknya forecasting, A adalah nilai actual pada bulan tersebut dan F adalah nilai forecasting pada bulan tersebut. 3. METODE PENELITIAN Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari data BPS Propinsi Jawa Barat yang diambil dari tahun 2009 sampai tahun 2012 [8]. Banyak metode peramalan yang sering digunakan seperti regresi linier, double exponential smoothing, moving average, indeks musim dan lainnya membuat penentu keputusan atau seorang modeling diperhadapkan dengan masalah terkait teknik mana yang paling baik dan cocok untuk digunakan sebagai teknik peramalan.Penelitian ini memprediksi produksi tanaman teh untuk Propinsi Jawa Barat dengan menggunakan metode indeks musim.Indeks musim merupakan salah satu contoh peramalan time series berdasarkan data masa lampau dan diproyeksikan ke masa depan dengan memanfaatkan persamaan matematika dan statistika. Langkah analisis yang digunakan untuk mencapai tujuan penelitian ini adalah sebagai berikut, yang pertama adalah membuat plot data untuk mengetahui jenis data dari
12
13
produksi teh propinsi Jawa Barat dari bulan januari 2009 sampai dengan bulan desember 2012. Setelah membuat plot data dari produksi teh, maka yang harus dilakukan adalah menghitung moving total terbobot bulanan, moving average terbobot bulanan, dan rasio terhadap moving average. Proses selanjutnya adalah menghitung indeks musim dan median dari rasio terhadap moving average. Langkah selanjutnya adalah menghitung proyeksi trend. Setelah mendapatkan nilai trend, maka langkah selanjutnya yang dilakukan adalah menghitung hasil ramalan untuk tahun 2013 dari bulan Januari sampai dengan bulan Desember 2013. Setelah mendapatkan hasil ramalan, maka hal selanjutnya yang harus dilakukan adalah menghitung error relatif, dan langkah terakhir yang dilakukan adalah menghitung nilai MAPE, sehingga dapat mengetahui seberapa sensitif metode indeks musim dalam meramalkan produksi teh di Propinsi Jawa Barat. Setelah model dibangun, model tersebut diselesaikan dengan tujuan untukmendapatkan kesimpulan matematika [9].
Gambar 1. Proses Penelitian Gambar 1 mengilustrasikan proses pemodelan matematika. Persoalan dunia nyata yang terjadi pada saat ini adalah dengan tidak menentunya tingkat produksi teh terkait dengan berapa banyak teh yang harus disiapkan apabila produksi teh menurun tetapi meningkatnya konsumsi teh tersebut dalam satu periode. Sebagai pimpinan perusahaan/modeling/pakar matematika perlu mengetahui bagaimana gambaran masa depan atau prakiraan sehingga dapat menyusun rencana kegiatan suatu perusahaan atau organisasi/instansi yang lebih baik dan dapat menghindari hal-hal yang dapat menimbulkan kerugian di masa yang akan datang. Hal yang perlu dilakukan adalah merumuskan masalah tersebut dan memodelkan dalam bentuk matematika dengan menggunakan peramalan, dan penelitian ini menggunakan metode peramalan yaitu indeks musim untuk memecahkan persoalan yang terjadi. Setelah meramalkan dengan metode indeks musim, maka hasil peramalan yang telah didapat kita lalu menfasirkan kesimpulan peramalan tersebut di dalam dunia nyata yaitu dengan menguji peramalan tersebut apakah cocok atau tidak dalam menangani dan menjawab persoalan yang terjadi. 4. HASIL DAN PEMBAHASAN Data produksi teh di Propinsi Jawa Barat dapat dikatakan sebagai data musiman, oleh karena data musiman menggambarkan pola yang berulang pada setiap periode [10]. Masalah musiman seringkali kita jumpai dalam fenomena kehidupan. Musiman berarti kecenderungan mengulangi pola tingkah gerak dalam periode musim, biasanya satu tahun. Karena itu, runtun waktu musiman mempunyai karakteristik yang ditunjukkan oleh adanya korelasi beruntun yang kuat pada jarak semusim, yakni waktu yang berkaitan dengan banyak observasi per periode musim [11].
13
Penelitian ini mencoba menggunakan indeks musim untuk dapat menentukan nilai ramalan dengan melihat apakah metode tersebut tepat untuk digunakan dalam meramalkan produksi teh di Propinsi Jawa Barat. Proses pengolahan data dalam penelitian ini ditunjukkan dalam bentuk flowchart pada Gambar 2.
Gambar 2. Analisis Menggunakan Indeks Musim Adapun pseudocode yang digunakan dalam penelitian adalah sebagai berikut: 1. Pseudocode peramalan Start Input nil If nil = pola_musim Print nil Read ave,ras,med,indeks,trend,ramal,a,b,X ave = mov/24 Print mov, βdibagiβ,24,βhasilnyaβ,ave ras = nil/ave Print nil, βdibagiβ,ave,βhasilnyaβ,ras med = median(nil) Print nil, βmedianβ,βhasilnyaβmed indeks = (med*12)/sum_med Print med, βdikaliβ,12,βdibagiβ,sum_med,βhasilnyaβ,indeks trend = a+bX Print b, βdikalikanβ,X,βditambahβ,a,βhasilnyaβ,trend ramal = trend*indeks Print trend, βdikalikanβ,indeks,βhasilnyaβ,ramal
14
15
Else End
2. Pseudocode pengujian Start Input aktual,ramal Print aktual,ramal Read error,mape error = ((aktual-ramal)/aktual)*100 Print aktual, βdikurangβ,ramal,βdibagiβ,aktual,βdikalikanβ,100 mape = SUM error/12 Print SUM error, βdibagiβ,12 End
Langkah-langkah untuk menghitung indeks musiman, pertama kita cari dulu serial yang terdiri dari weighted moving total 13 bulan. Untuk menghitung weighted moving total 13 bulan tersebut, bulan pertama dan bulan terakhir menerima bobot 1 dan 11 bulan yang ditengah menerima bobot 2. Maka sebagai contoh, weighted moving total 13 bulan yang pertama dihasilkan dengan mencari jumlah produksi teh bulan januari 2009, bulan januari 2010 dan dua kali dari nilai-nilai 11 bulan yang ada di tengahtengahnya (Februari 2009 sampai dengan Desember 2009), yaitu: (1)(Jan2009)+(2)(Feb 2009)+(2)(Mar 2009)+β¦+(2)(Des 2009)+(1)(Jan2010) Proses ini berlanjut dengan selalu menambahkan ekstremnya, nilai-nilai yang menunjukkan bulan-bulan pertama dan terakhir dari moving total, dan 11 bulan yang ada di tengahnya. Setelah mendapatkan hasil moving total, maka hal berikut yang dilakukan adalah mencari moving average. Dengan membagi moving total dengan 24, maka dapat dihasilkan moving averages terbobot. Moving averages terbobot ini hanya terdiri dari komponen-komponen siklis dan trend dari serial tersebut (karena merupakan rata-rata dari 12 bulanan, berarti moving averages adalah data tahunan, dan data tahunan tidak terpengaruh oleh fluktuasi musim. Juga karena sudah berupa data rata-rata, maka faktor irregular sudah dihilangkan). Nilai rasio terhadap moving average didapat dari data asli dibagi dengan moving averages. Tabel 2. Median dan Indeks musim Indeks Bulan 2009 2010 2011 2012 Median musim Januari 3 2,1 3,7 3,6 3,3 1,008917197 Februari 2,9 2 3,5 3,4 3,15 0,963057325 Maret 2,9 2 4,3 4,1 3,5 1,070063694 April 3,3 2,3 4,1 3,9 3,6 1,100636943 Mei 3,7 2,5 4,7 4 3,85 1,177070064 Juni 2,8 2,2 3,8 3,7 3,25 0,993630573 Juli 2,8 1,9 3,3 3,1 2,95 0,901910828 Agustus 2,6 2 3,2 3 2,8 0,856050955 September 2,6 1,8 3,2 2,9 2,75 0,840764331
15
Oktober November Desember
3,4 3,3 3,2
1,8 2,3 2,2
3,6 3,4 3,5
3,4 3,7 3,6
3,4 3,35 3,35
1,039490446 1,024203822 1,024203822
Pada tabel 2 dapat dijelaskan bahwa untuk mendapatkan nilai median bulan tertentu adalah dengan cara mencari nilai tengah (median) bulan tersebut dari tahun 2009 sampai dengan tahun 2012. Setelah mendapatkan nilai median, maka kita dapat mencari nilai indeks musim bulan tersebut. Nilai indeks musim didapat dari mengalikan nilai median bulan tertentu dengan jumlah bulan, lalu dibagi dengan total median. Contoh: Indeks Musim Januari = (medjan.12) / 30,5 = (2,55.12)/30,5 = 30,6/30,5 = 1,003278689 Tabel 3. Proyeksi trend dan Error relatif tahun 2013 Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
Proyeksi trend 3,093753531 3,093753675 3,093753819 3,093753963 3,093754107 3,093754251 3,093754395 3,093754539 3,093754683 3,093754828 3,093754972 3,093755116
indeks 1,008917 0,963057 1,070064 1,100637 1,17707 0,993631 0,901911 0,856051 0,840764 1,03949 1,024204 1,024204
Hasil 3,121341 2,979462 3,310514 3,405100 3,641565 3,074049 2,790291 2,648412 2,601119 3,215929 3,168636 3,168636
Error relatif 13,30 12,37 17,24 10,39 8,96 16,92 12,80 11,72 16,09 10,67 9,47 9,47 149,39
Dari tabel 3 dapat dijelaskan bahwa sebelum mendapatkan hasil peramalan, hal yang harus dilakukan adalah mencari nilai proyeksi trend, dan jika kita hendak menggunakan indeks musim sebagai penyesuai untuk tujuan peramalan, yang harus kita lakukan hanyalah mengalikan nilai proyeksi trend dengan indeks musim. Setelah itu, hal yang harus dilakukan adalah mencari nilai error relatif, lalu menghitung nilai MAPE. Berdasarkan data pada tabel 3, diketahui: Tjan = 3,093753531 Ijan = 1,008917 Yjan = Tjan.Ijan = 3,121341 Hasil ramalan untuk bulan Januari adalah 3,121341. Setelah itu contoh mencari nilai MAPE adalah sebagai berikut: ππ΄ππΈ =
149,39 βπΈπ
= = 12,45 12 12
16
17
Produksi (Ribu Ton)
Hasil yang diperoleh dan ditunjukkan pada Tabel 3, nampak bahwa hasil yang ditampilkan adalah positif, sehingga peramalan dengan indeks musim ini mungkin dapat digunakan, dan dapat dijadikan referensi untuk meramalkan produksi tanaman teh di Propinsi Jawa Barat. Selain hasil produksi, hasil perhitungan error menggunakan MAPE yang diberikan pada Tabel 3, juga menunjukkan nilai error yang kecil. Jika MAPE < 25% maka hasil simulasi dapat diterima secara memuaskan, sebaliknya jika MAPE > 25% maka hasil simulasi kurang memuaskan [12]. Sehingga metode dengan indeks musim benar-benar dapat digunakan dalam meramalkan produksi teh di Propinsi Jawa Barat. 5 4,5 4 3,5 3 2,5 2 1,5 1 0,5 0
1
3
5
7
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
Periode produksi (Bulan) Data Ramalan
Data Aktual
Gambar 3. Grafik ramalan produksi teh tahun 2013 Gambar 3 merupakan grafik ramalan periode produksi teh pada tahun 2013 dari bulan Januari sampai dengan bulan Desember, dengan satuan produksi untuk teh adalah ribuan ton. Alur data dengan warna merah menjelaskan data aktual produksi teh dari tahun 2009 sampai dengan tahun 2012, sedangkan alur data dengan warna biru menjelaskan data ramalan untuk tahun 2013 dari bulan Januari sampai dengan bulan Desember. Setelah itu mencari produksi teh dengan menggunakan data dari lima tahun yaitu dari bulan Januari 2009 sampai dengan Desember 2013. Tabel 4. Produksi teh Propinsi Jawa Barat (Ribu ton) Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
2009 3 2,9 2,9 3,3 3,7 2,8 2,8 2,6 2,6 3,4 3,3 3,2
2010 2,1 2 2 23 2,5 2,2 1,9 2 1,8 1,8 2,3 2,2
2011 3,7 3,5 4,3 4,1 4,7 3,8 3,3 3,2 3,2 3,6 3,4 3,5
17
2012 3,6 3,4 4,1 3,9 4 3,7 3,1 3 2,9 3,4 3,7 3,6
2013 3,6 3,4 4 3,8 4 3,7 3,2 3 3,1 3,6 3,5 3,5
Tabel 5. Median dan Indeks musim
Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
2009 3 2,9 2,9 3,3 3,7 2,8 2,8 2,6 2,6 3,4 3,3 3,2
2010 2,1 2 2 2,3 2,5 2,2 1,9 2 1,8 1,8 2,3 2,2
2011 3,7 3,5 4,3 4,1 4,7 3,8 3,3 3,2 3,2 3,6 3,4 3,5
2012 3,6 3,4 4,1 3,9 4 3,7 3,1 3 2,9 3,4 3,7 3,6
2013 3,6 3,4 4 3,8 4 3,7 3,2 3 3,1 3,6 3,5 3,5
Median 3,6 3,4 4 3,8 4 3,7 3,1 3 2,9 3,4 3,4 3,5
Indeks musim 1,033492823 0,976076555 1,148325359 1,090909091 1,148325359 1,062200957 0,889952153 0,861244019 0,832535885 0,976076555 0,976076555 1,004784689
Pada tabel 5 dapat dijelaskan bahwa median didapat dari nilai tengah dari nilai median tahun 2009 sampai dengan tahun 2013. Selanjutnya untuk mendapatkan nilai indeks musim bulan tertentu adalah dengan mengalikan nilai median bulan tersebut dengan jumlah bulan dari data lalu dibagi dengan total median.
Tabel 6. Proyeksi trend dan Hasil ramalan tahun 2014
Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November December
Proyeksi trend 3,181668514 3,181668574 3,181668635 3,181668696 3,181668756 3,181668817 3,181668877 3,181668938 3,181668998 3,181669059 3,181669120 3,181669180
Indeks musim 1,008917 0,963057 1,070064 1,100637 1,17707 0,993631 0,901911 0,856051 0,840764 1,03949 1,024204 1,024204
Hasil 3,210040 3,064129 3,404588 3,501862 3,745047 3,161403 2,869582 2,723671 2,675034 3,307315 3,258678 3,258678
Pada tabel 6 dapat dijelaskan bahwa sebelum mendapatkan hasil ramalan, maka hal yang perlu dilakukan dahulu ada mencari nilai proyeksi trend. Setelah mendapatkan nilai trend, maka hasil peramalan untuk bulan tertentu dapat dicari dengan mengalikan nilai indeks musim untuk bulan tersebut dengan nilai proyeksi trend bulan tersebut. Contoh menghitung hasil ramalan bulan Januari: Hasil ramalan Januari = Proyeksi trend Januari x Indeks musim Januari = 3,181668514 x 1,008917
18
19
= 3,064129 5
Produksi (Ribu Ton)
4,5 4 3,5 3 2,5 2 1,5 1 0,5 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71
Periode produksi (Bulan) Data Ramalan
Data Aktual
Gambar 4. Grafik ramalan produksi teh tahun 2014 Gambar 4 merupakan grafik ramalan periode produksi teh pada tahun 2014 dari bulan Januari sampai dengan bulan Desember, dengan satuan produksi untuk teh adalah ribuan ton. Alur data dengan warna merah menjelaskan data aktual produksi teh dari tahun 2009 sampai dengan tahun 2013, sedangkan alur data dengan warna biru menjelaskan data ramalan untuk tahun 2014 dari bulan Januari sampai dengan bulan Desember. 5. KESIMPULAN Produksi tanaman teh di Propinsi Jawa Barat yang tidak menentu dan bersifat fluktuatif sehingga sangat sulit untuk mendapatkan informasi dalam memenuhi permintaan yang semakin meningkat diwaktu yang akan datang. Permasalahan tersebut dapat dipecahkan dengan menggunakan teknik peramalan. Dengan teknik peramalan ini dapat membantu petani atau dinas perkebunan untuk dapat meramalkan produksi teh yang akan terjadi untuk beberapa tahun yang akan datang, dalam hal ini khusus propinsi Jawa Barat. Kesimpulan yang dapat diambil dalam penelitian adalah penggunaan metode indeks musim dapat melakukan prediksi produksi teh Propinsi Jawa Barat, dengan nilai persentase MAPE yang diperoleh kecil dan kurang dari 25%. Metode indeks ini juga dapat meramalkan produksi teh dalam periode lebih datu satu tahun. Oleh karena itu penggunaan metode indeks musim direkomendasikan untuk melakukan peramalan produksi teh propinsi Jawa Barat. DAFTAR PUSTAKA [1] Kidnesia.com. 2013. Teh. http://www.kidnesia.com/ Diakses tanggal 23 Juni 2014. [2] Anonim.http://www.pn8.co.id/ Diakses tanggal 04 Februari 2014. [3] Fajar.Purwanti, Fransisca. 2009. Peramalan Produksi Menggunakan Regresi Linier Berganda Berbasis Web. Universitas Kristen Satya Wacana. Salatiga [4] Hakim, Abdul. 2001. Statistika Deskriptif untuk Ekonomi dan Bisnis. Yogyakarta: Ekonisia. [5] Soma, Arief Darmawan. 2012. Sistem Pendukung Keputusan Peramalan Penjualan Batik Di Pekalongan Dengan Metode Trend Moment
19
[6] [7] [8] [9] [10] [11] [12] [13]
M.A. Djauhari. 1986. Metode Peramalan. Jakarta: Karunia Universitas Terbuka. Montgomery D. C., C.L. Jennings & M. Kulahci. 2008. Introduction To Time Series Analysis and Forecasting. USA: Wiley Interscience. Biro Pusat Statistik Indonesia. 2012.Statistik Teh Indonesia. Stewart, James. 1999. Kalkulus Edisi Keempat Jilid 1. Jakarta: Erlangga. Anonim. http://www.google.co.id/handoutperamalan. Diakses tanggal 13 Maret 2014. Cryer, J. D. 1986. Time Series Analysis. PWS-KENT Publishing Company. Boston. Oktafri, 2001. Aplikasi Metode Simulasi Monte Carlo Untuk Menduga Debit Aliran Sungai. Universitas Lampung. Lampung. Biro Pusat Statistik Indonesia. 2011. Statistik Teh Indonesia.
20
