ANALISIS PERAMALAN PENJUALAN TAHU KITA PADA PT. KITAGAMA, JAKARTA. Oleh ARLENA DINI LISJIYANTI H

ANALISIS PERAMALAN PENJUALAN TAHU KITA PADA PT. KITAGAMA, JAKARTA

Oleh ARLENA DINI LISJIYANTI H24070051

DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2011

i

RINGKASAN

ARLENA DINI LISJIYANTI. H24070051. Analisis Peramalan Penjualan Tahu Kita pada PT. Kitagama, Jakarta. Di bawah bimbingan H. MUSA HUBEIS. Tahu merupakan salah satu makanan olahan dari kedelai yang memiliki kandungan gizi cukup tinggi. Meningkatnya konsumsi tahu saat ini sejalan dengan meningkatnya kesadaran masyarakat akan pentingnya makanan bergizi. Untuk itu PT. Kitagama membuat tahu sehat alami dan tanpa pengawet yang dinamakan Tahu Kita yang diproses dengan mesin-mesin modern dan proses pemasakan lebih cepat dan bersih untuk menghasilkan tahu yang putih, lembut, aman, bersih dan tahan lama. Penelitian ini bertujuan (1) Menganalisis pola data penjualan Tahu Kita PT. Kitagama di lima (5) outlet penjualan, (2) Mengkaji dan memperoleh metode peramalan kuantitatif yang paling sesuai untuk melakukan peramalan penjualan Tahu Kita PT. Kitagama di lima (5) outlet penjualan, serta (3) Mengkaji dan memperoleh hasil peramalan produk Tahu Kita PT. Kitagama di lima (5) outlet penjualan untuk 15 bulan mendatang dengan menggunakan metode kuantitatif terbaik. Informasi dan data yang dikumpulkan dalam penelitian ini meliputi data primer dan sekunder. Data primer diperoleh dari hasil wawancara dengan pihak manajemen dan pengamatan langsung di tempat penelitian. Data sekunder berupa studi literatur dan data lain yang diperoleh dari perpustakaan dan data perusahaan. Alat analisis menggunakan beberapa metode time series, yaitu metode trend analysis, metode Single Exponential Smoothing, metode Double Exponential Smoothing Holt, metode Decomposition Additive, metode Decomposition Multiplicative, metode Moving Average dan metode Autoregressive Integrated Moving Average (ARIMA) dengan bantuan Excel dan Minitab 14. Dari hasil peramalan didapatkan bahwa metode terbaik untuk penjualan Tahu Kita pada outlet Pastellia dan outlet Kemchicks menggunakan Decomposition Additive, penjualan Tahu Kita pada outlet Joyo Swalayan menggunakan Moving Average (4), penjualan Tahu Kita pada outlet Ps. Bintaro Mas menggunakan ARIMA (2,0,2) dan penjualan Tahu Kita pada outlet Market City menggunakan Trend Quadratic. Informasi hasil peramalan penjualan pada penelitian ini digunakan untuk menyusun ramalan pendapatan kotor di lima (5) outlet penjualan. Hasil perhitungan menunjukkan total perkiraan pendapatan kotor produk Tahu Kita selama 15 bulan, yaitu dari bulan Januari 2011 sampai Maret 2012 untuk outlet Pastellia Rp 7.560.000, outlet Kemchicks Rp 5.728.000, outlet Pasar Bintaro Mas Rp 4.288.000, outlet Market City Rp 2.880.000, outlet Joyo Swalayan Rp 2.160.000. Hasil tersebut dapat digunakan sebagai dasar perencanaan pembiayaan/penganggaran dana di masa mendatang dan perencanaan pemasaran bagi peningkatan penjualan Tahu Kita.

ANALISIS PERAMALAN PENJUALAN TAHU KITA PADA PT. KITAGAMA, JAKARTA

SKRIPSI Sebagai salah satu syarat untuk memperoleh gelar SARJANA EKONOMI Departemen Manajemen Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor

Oleh : ARLENA DINI LISJIYANTI H24070051

DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2011

Judul Skripsi

: Analisis Peramalan Penjualan Tahu Kita pada PT. Kitagama, Jakarta

Nama

: Arlena Dini Lisjiyanti

NIM

: H24070051

Menyetujui Dosen Pembimbing,

(Prof. Dr. Ir. H, Musa hubeis, MS, Dipl. Ing, DEA) NIP : 195506261980031002

Mengetahui : Ketua Departemen,

(Dr. Ir. Jono M. Munandar, MSc) NIP : 196101231986011002

Tanggal Lulus:

RIWAYAT HIDUP

Penulis dilahirkan di Jakarta 24 Maret 1990 sebagai putri pertama dari dua (2) bersaudara pasangan Slamet Riyadi dan Sajiyanti. Penulis menyelesaikan pendidikan dasar di Sekolah Dasar Negeri (SDN) Pesanggrahan 03 Pagi Jakarta dan melanjutkan ke Sekolah Lanjutan Tingkat Pertama (SLTP) Negeri 177 Jakarta dan Sekolah Menengah Atas (SMA) Negeri 90 Jakarta. Tahun 2007 Penulis diterima di Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk Institut Pertanian Bogor (USMI) di Departemen Manajemen Fakultas Ekonomi dan Manajemen (FEM). Selama menjadi mahasiswa, penulis aktif dalam organisasi seperti menjadi staff Produksi UKM Century IPB periode 2007/2008, staff Promotion and Marketting UKM Century IPB periode 2008/2009 dan sebagai Direktur BEM Corporation Badan Eksekutif Mahasiswa (BEM) Fakultas Ekonomi dan Manajemen (FEM) periode 2009/2010. Penulis juga aktif di berbagai kegiatan yang diadakan yaitu sebagai staff Danus acara Olimpiade Mahasiswa IPB (OMI) 2008, staff Danus acara Banking Goes to Campus 2008, koordinator PDD acara Bogor Business Simulation Comepetition 2009, staff acara Masa Perkenalan Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor 2009, staff Expo acara Extravaganza 2009, staff Danus acara Sportakuler 2009, staff Sponshorship acara IPB Art Contest (IAC) 2009, Koordinator acara Seminar Insurance Goes to Campus (IGTC), staff acara Tax Goes to Campus 2010, Koordinator acara Gathering Departemen Manajemen 44 dan terakhir menjadi panitia Event Organizer (EO) acara Unilever Career Day. Selain itu, penulis sering menjadi Master of Ceremonial (MC) dalam acara-acara Fakultas, antara lain MC acara Greenation 3rd, Politik Ceria 2010, Balistis (baca Tulis Gratis), SOUL (Save Our Children), It’s time for us BEM FEM IPB 2009/2010, Entrepreneurship Talkshow, FEM Ambassador 2009 Roadshow, E-Race 2010, Masa Perkenalan Departemen (MPD) Manajemen FEM IPB 2009, FEM Ambassador 2010 dan Seminar Jamsostek Goes to Campus 2010.

iv

KATA PENGANTAR

Puji syukur penulis panjatkan kepada Allah SWT Tuhan semesta alam, Dzat penguasa seluruh kehidupan atas rahmat dan karunia-Nya. Limpahan rahmat serta kemudahan dalam berpikir dan bertindak merupakan sumber kekuatan penulis dalam melaksanakan penyelesaian skripsi ini. Skripsi ini berjudul “Analisis Peramalan Penjualan Tahu Kita pada PT. Kitagama, Jakarta” disusun sebagai tugas akhir untuk memperoleh gelar Sarjana Ekonomi pada Departemen Manajemen, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor. Skripsi ini menganalisis pola data penjualan Tahu Kita PT. Kitagama di lima (5) outlet penjualan , mengkaji dan memperoleh metode peramalan kuantitatif yang paling sesuai untuk melakukan peramalan penjualan Tahu Kita PT. Kitagama di lima (5) outlet penjualan, serta mengkaji dan memperoleh hasil peramalan produk Tahu Kita PT. Kitagama di lima (5) outlet penjualan untuk 15 bulan mendatang dengan menggunakan metode kuantitatif terbaik. Informasi tersebut dapat menjadi masukan bagi perusahaan, sehingga dapat digunakan untuk membuat perencanaan strategi maupun kebijakan ytang tepat dan sesuai di masa mendatang. Penulis menyadari bahawa skripsi ini masih jauh dari sempurna, oleh karena itu saran dan kritik yang membangun sangat penulis harapkan untuk perbaikan skripsi ini.

v

UCAPAN TERIMA KASIH

Segala puji bagi Allah SWT atas berkat rahmat dan karunia-Nya, penulis dapat menyelesaikan penulisan skripsi berjudul “Analisis Peramalan Penjualan Tahu Kita pada PT. Kitagama Jakarta” sebagai salah satu syarat memperoleh gelar Sarjana Ekonomi pada Departemen Manajemen, Fakultas Ekonomi dan Manajemen (FEM) Institut Pertanian Bogor (IPB). Skripsi ini tidak akan terwujud tanpa dukungan, bantuan dan kerja sama dari berbagai pihak. Oleh karena itu, pada kesempatan ini penulis mengucapkan terima kasih kepada : 1. Prof. Dr. Ir. H. Musa Hubeis, MS, Dipl, Ing, DEA sebagai dosen pembimbing yang telah membrikan bimbingan, motivasi dan arahan selama penulis melakukan penelitian. 2. Prof. Dr. Ir. W.H Limbong MS dan Dra. Siti Rahmawati, MS selaku dosen penguji yang telah memberikan masukan dan saran. 3. Dr. Ir. Jono Munandar, M.Sc selaku Ketua Departemen Manajemen FEM IPB. 4. Seluruh staf dan karyawan Departemen Manajemen FEM IPB. 5. Ir. Teguh Budi Pramono, MBA yang telah membantu penelitian saya selama ini. 6. Mba Yayi Nestiti yang telah membantu penelitian saya dan memberikan dukungan serta doa. 7. Kedua orang tua, Slamet Riyadi dan Sajiyanti, serta adik saya Rizki Chandra Riyadi atas doa, nasihat, semangat, dukungan, pengertian dan kasih sayang yang tiada henti yang telah diberikan kepada penulis. 8. Sahabat tersayang (Dian dan Tiwi) yang selalu menghibur. 9. Teman-teman satu bimbingan (Elis, Cely, Rari, Upeh, Devi, Suci, Arif dan Yodia) yang telah memberikan dukungan, semangat dan doanya. 10. Sahabat-sahabat tersayang di manajemen 44 (Ratih, Windi, Dea, Echa, Malay, Izni, Tutu, Resty, Widi, Christ, Fiky, Uki, Edo dan Duta) yang telah memberikan banyak pelajaran suka, duka dan kebersamaan selama kuliah. vi

11. Teman sekamarku Nadia Mutiarani yang telah menghibur, berbagi cerita suka maupun duka dan memberikan dukungan serta doa. 12. Teman-teman kosan Pondok Nuansa Sakinah (Salys, Asti, Alya, Nene, Dina, Anies dan Cipi) yang memberikan semangat, dukungan dan doanya. 13. Semua teman-teman di Manajemen 44 yang selama ini telah berbagi suka maupun duka. 14. Semua pihak yang tidak disebutkan namanya dalam kesempatan ini yang telah membantu penulis dalam menyelesaikan skripsi ini.

Semoga Allah SWT membalas semua kebaikan yang telah diberikan oleh semua pihak, baik yang disebutkan maupun yang tidak di dalam penyusunan skripsi dan penulis menyadari masih banyak kekekurangan dan kelemahan dalam penyusunan skripsi ini. Semoga skripsi ini dapat memberikan manfaat bagi semua pihak yang memerlukannya.

Bogor, 13 Juni 2011

Penulis

vii

DAFTAR ISI Halaman RINGKASAN RIWAYAT HIDUP ..................................................................................

iv

KATA PENGANTAR ...............................................................................

v

UCAPAN TERIMA KASIH ..................................................... ............

vi

DAFTAR TABEL .................................................................................

x

DAFTAR GAMBAR .............................................................................

xi

DAFTAR LAMPIRAN .........................................................................

xii

I.

PENDAHULUAN …………………………………………………… 1.1. Latar Belakang............................................................................. 1.2. Perumusan Masalah ..................................................................... 1.3. Tujuan Penelitian ......................................................................... 1.4. Ruang Lingkup Penelitian..............................................................

1 1 5 6 6

II. TINJAUAN PUSTAKA ………………………………………….. 2.1. Sejarah Perkembangan Kedelai dan Tahu ................................... 2.2. Definisi Peramalan....................................................................... 2.2.1 Jenis-jenis Peramalan …………………………………… 2.2.2 Langkah-langkah Peramalan ……………………………. 2.2.3 Peramalan time series ………………………………….. 2.2.4 Decomposisi time series ………………………………… 2.2.5 Rataan Bergerak ………………………………………… 2.2.6 Penghalusan Eksponensial ……………………………… 2.2.7 Trend Analysis …………………………………………. 2.2.8 ARIMA ………………………………………………………. 2.2.9 Menghitung Kesalahan Peramalan …………………….. 2.3. Penelitian Terdahulu yang Relevan ..........................................

8 8 11 13 14 15 15 15 16 17 17 18 19

III. METODE PENELITIAN ………………………………………... 3.1. Kerangka Pemikiran Penelitian. ................................................. 3.2. Lokasi dan Waktu Penelitian ....................................................... 3.3. Pengumpulan Data.......................................................................

21 21 24 24

viii

3.4. Pengolahan dan Analisis Data .....................................................

24

IV. HASIL DAN PEMBAHASAN ………………………………….. 4.1 Gambaran Umum Perusahaan ……………………………… 4.2 Metode Peramalan Time Series pada Outlet Pastellia ………. 4.2.1 Identifikasi Pola Data Penjualan Tahu Kita pada Outlet Pastellia ………………………………………………… 4.2.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Pastellia ………………………………………………… 4.3 Metode Peramalan Time Series pada Outlet JoyoSwalayan … 4.3.1 Identifikasi Pola Data Penjualan Tahu Kita pada Outlet Joyo Swalayan ………………………………………… 4.3.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Joyo Swalayan ……………………………………… 4.4 Metode Peramalan Time Series pada Outlet Ps. Bintaro Mas .. 4.4.1 Identifikasi Pola Data Penjualan Tahu Kita pada Outlet Ps. Bintaro Mas ……………………………………… 4.4.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Ps. Bintaro Mas …….………………………………… 4.5 Metode Peramalan Time Series pada Outlet Market City ….. 4.5.1 Identifikasi Pola Data Penjualan Tahu Kita pada Outlet Market City …………………………………………… 4.5.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Market City …………………………………………… 4.6 Metode Peramalan Time Series pada Outlet Kemchicks …… 4.6.1 Identifikasi Pola Data Penjualan Tahu Kita pada Outlet Kemchicks ……………………………………………… 4.6.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Kemchicks ……………………………………………… 4.7 Implikasi Manajerial ……………………… ………………..

32 32 35

KESIMPULAN DAN SARAN ……………………………………… 1. Kesimpulan ……………………………………………………. 2. Saran ……………………………………………………………

58 58 58

DAFTAR PUSTAKA ………………………………………………..

60

LAMPIRAN …………………………………………………………

62

ix

35 37 39 39 40 43 43 45 47 47 49 52 52 53 55

DAFTAR TABEL No.

Halaman

1. 2. 3. 4.

Luas tanam kedelai di Indonesia dari tahun 2003 – 2007 ………………. Produksi tanaman kedelai di Indonesia dari tahun 2005 – 2011 ………... Luas panen tanaman kedelai di Indonesia dari tahun 2005 -2007 ……... Produktivitas tanaman kedelai di Indonesia di Indonesia dari tahun 2003 – 2009 …………………………………………………………………… 5. Kandungan gizi kedelai …………………………………………………. 6. Nilai MSE metode peramalan time series pada outlet Pastellia ………… 7. Ramalan penjualan Tahu Kita bulan Januari 2011 – Maret 2012 dengan metode Decomposition Additive ………………………………………… 8. Nilai MSE metode peramalan time series pada outlet Joyo Swalayan …. 9. Ramalan penjualan Tahu Kita bulan Januari 2011 – Maret 2012 dengan metode Moving Average (4) …………………………………………….. 10.Nilai MSE metode peramalan time series pada outlet Pasar Bintaro Mas …………………………………………………………………………… 11.Ramalan penjualan Tahu Kita bulan Januari 2011 – Maret 2012 dengan metode ARIMA (2,0,2) …………………………………………………. 12.Nilai MSE metode peramalan time series pada outlet Market City ……. 13. Ramalan penjualan Tahu Kita bulan Januari 2011 – Maret 2012 dengan metode trend quadratic …………………………………………………. 14. Nilai MSE metode peramalan time series pada outlet Kemchicks ……... 15. Ramalan penjualan Tahu Kita bulan Januari 2011 – Maret 2012 dengan metode Decomposition Additive …………………………………………

x

2 2 3 3 11 37 38 41 42 45 46 50 51 53 54

DAFTAR GAMBAR No 1. 2. 3. 4. 5. 6.

Halaman

Kerangka pemikiran penelitian................................................................... Pola data penjualan Tahu Kita pada outlet Pastellia ……………………. Pola data penjualan Tahu Kita pada outlet Joyo Swalayan ……………... Pola data penjualan Tahu Kita pada outlet Pasar Bintaro Mas ………… Pola data penjualan Tahu Kita pada outlet Market City ………………… Pola data penjualan Tahu Kita pada outlet Kemchicks …………………..

xi

23 36 40 44 48 52

DAFTAR LAMPIRAN No.

Halaman

1. Data penjualan Tahu Kita bulan Juli 2008 – Desember 2010 ………… …. 63 2. Data aktual penjualan Tahu Kita bulan Januari 2011 – April 2011 ……….. 64 3. Struktur organisasi ………………………………………………………… 65 4. Proses produksi Tahu Kita ……………………………………………….. 66 5. ACF untuk outlet Pastellia ………………………………………………… 67 6. ACF untuk outlet Joyo Swalayan ………………………………………….. 68 7. ACF untuk outlet Pasar Bintaro Mas ……………………………………… 69 8. ACF untuk outlet Market City …………………………………………….. 70 9. ACF untuk outlet Kemchicks ……………………………………………… 71 10. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada outlet Pastellia dengan metode Decomposition Additive ……………………….. 72 11. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada outlet Pastellia dengan metode Decomposition Multiplicative …………………. 75 12. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada outlet Joyo Swalayan dengan metode Moving Average (4) …………………….. 78 13. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada outlet Joyo Swalayan dengan metode Decomposition Additive …………………. 80 14. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada outlet Pasar Bintaro Mas dengan metode ARIMA (2,0,2) ……………………….. 83 15. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada outlet Pasar Bintaro Mas dengan metode Decomposition Additive ………………. 85 16. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada outlet Market City dengan metode Trend quadratic………………….…….. …… 88 17. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada outlet Market City dengan metode Single Exponential Smoothing ………………. 90 18. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada outlet Kemchicks dengan metode Decomposition Additive ……………………….. 92 19. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada outlet Kemchicks dengan metode Trend Quadratic……………………….... …… 95 20. Implikasi hasil peramalan penjualan terhadap perkiraan pendapatan kotor Tahu Kita pada outlet Pastellia untuk periode Januari 2011 – Maret 2012 ………. 97 21. Implikasi hasil peramalan penjualan terhadap perkiraan pendapatan kotor Tahu Kita pada outlet Joyo Swalayan untuk periode Januari 2011 – Maret 2012 … 98 22. Implikasi hasil peramalan penjualan terhadap perkiraan pendapatan kotor Tahu Kita pada outlet Pasar Bintaro Mas untuk periode Januari 2011 – Maret 2012 ………………………………………………………………………………... 99 23. Implikasi hasil peramalan penjualan terhadap perkiraan pendapatan kotor Tahu Kita pada outlet Market City untuk periode Januari 2011 – Maret 2012 ……. 100 24. Implikasi hasil peramalan penjualan terhadap perkiraan pendapatan kotor Tahu Kita pada outlet Kemchicks untuk periode Januari 2011 – Maret 2012 …….. 101

xii

1

I. PENDAHULUAN

1.1 Latar Belakang Pertanian merupakan bidang strategik, karena menyangkut kebutuhan manusia. Bagi Indonesia yang merupakan negara agraris, pertanian mempunyai makna penting dalam mendukung perekonomian nasional, terutama sebagai penyedia bahan pangan, sandang dan papan bagi segenap penduduk, serta penghasil komoditas ekspor nonmigas untuk menarik devisa. Pada tahun 1969, pemerintah Indonesia meluncurkan rencana lima (5) tahun pertama dengan pertanian sebagai titik fokus untuk mendorong pertumbuhan ekonomi tanaman pangan terutama padi sawah, jagung, kedelai, ubi jalar dan ubi kayu. Sejak 1969, produksi padi telah menjadi fokus utama dalam peningkatan produksi pangan, namun selama tahun 1970an produksinya semakin menurun. Saat itu, produksi palawijaya seperti jagung, kedelai, kacang tanah dan ubi kayu sebagian besar diabaikan dalam kebijakan pemerintah sampai dengan tahun 1974. Menurunnya produksi padi mendorong pemerintah untuk mempertimbangkan kebijakan pangan palawijaya ini sebagai pengganti beras. Sebelum tahun 1974, total produksi jagung juga menurun, tetapi keuntungan kecil telah dilakukan oleh kedelai dan kacang tanah. (http://ideas.repec.org/, 2011) Di kawasan Benua Asia, Indonesia menempati sebagai negara dengan luas areal (1,4 juta ha) ketiga terbesar setelah Cina (8 juta ha) dan India (4,5 juta ha). Selain itu, Indonesia juga dikenal sebagai negara penghasil kedelai keenam terbesar di dunia, setelah USA, Brasil, Argentina, Cina dan India (1997) (Adisarwanto dan Rini, 2002). Sebagai ilustrasi, pada Tabel 1 dapat dilihat luas tanam kedelai di Indonesia tahun 2003 - 2007 mengalami peningkatan hingga tahun 2005 dan selanjutnya mengalami penurunan. Pulau Jawa merupakan daerah yang memiliki luas tanam paling banyak dibandingkan daerah lainnya, meskipun mengalami penurunan dari tahun 2006 - 2007.

2

Tabel 1. Luas tanam Kedelai di Indonesia dari tahun 2003 - 2007 No.

Tahun (ha)

Provinsi

2003

2004

2005

2006

2007

58.199

54.397

44.043

38.502

1.

Sumatera

43.926

2.

Jawa

361.041 408.783

416.144

390.320

336.792

3.

Bali, Nusa Tenggara

74.078

96.426

104.136

93.437

78.726

4.

Kalimantan

9.565

9.624

6.880

6.925

7.309

5.

Sulawesi

24.551

29.866

29.838

27.361

28.264

6.

Maluku & Papua

40.196

4.795

9.715

6.536

6.584

Jumlah Luar Jawa

192.316 198.880

204.966

178.302

159.385

Indonesia

553.357 607.663

621.110

568.622

496.177

Sumber : www.bps.go.id, 2011 Perkembangan produksi tanaman kedelai di Indonesia (Tabel 2) sama seperti dengan perkembangan luas panen tanaman kedelai di Indonesia tahun 2005 - 2011 (Tabel 3), produksi dan luas panen kedelai mengalami penurunan selama tahun 2005 - 2007, tetapi di tahun 2008 hingga 2009 mengalami peningkatan cukup tinggi dan di tahun 2010 menurun sedikit dibanding tahun sebelumnya dan diperkirakan pada tahun 2011 mengalami peningkatan. Produksi tanaman kedelai di Indonesia paling tinggi terdapat di daerah pulau Jawa, sebaliknya luas panen tanaman kedelai di Indonesia terdapat di luar pulau Jawa.

Tabel 2. Produksi tanaman Kedelai di Indonesia dari tahun 2005 - 2011 Produksi (ton) Provinsi

2005

2006

2007

2008

2009

2010

2011

Jawa

563.225

518.425

424.986

518.997

573.231

633.212

636.675*

Luar Jawa

245.128

229.186

167.548

256.713

351.280

274.899

297.328*

Indonesia

808.353

747.611

592.534

775.710

924.511

908.111

934.003*

* Angka Ramalan I Sumber : www.bps.go.id, 2011

3

Tabel 3. Luas panen tanaman Kedelai di Indonesia dari tahun 2005 - 2011 Produksi (ton) Provinsi

2005

2006

2007

2008

2009

2010

2011

Jawa

423.874

390.568

325.689

389.780

428.130

493.594

436.315*

Luar Jawa

197.667

189.966

133.427

201.176

273.262

168.117

230.387*

Indonesia

621.541

580.534

459.116

590.956

701.392

661.711

666.702*

* Angka Ramalan I Sumber : www.bps.go.id, 2011 Tabel 4 menunjukkan perkembangan produktivitas tanaman kedelai di Indonesia dari tahun 2003 - 2009 yang berfluktuasi. Dapat dilihat pada tahun 2003 - 2005 Indonesia mengalami peningkatan produktivitas kedelai, lalu di tahun 2006 mengalami penurunan dan mengalami peningkatan lagi mulai tahun 2007 - 2009. Tingkat produktivitas paling tinggi terjadi di daerah Jawa.

Tabel 4. Produktivitas tanaman Kedelai di Indonesia dar tahun 2003 - 2009 Produktivitas (kuintal/Ha) Provinsi

2003

2004

2005

2006

2007

2008

2009

Jawa

13,04

13,06

13,29

13,27

13,05

13,32

13,39

Luar Jawa

12,03

12,25

12,40

12,06

12,56

12,76

12,86

Indonesia

12,75

12,80

13,01

12,88

12,91

13,13

13,18

Sumber : www.bps.go.id, 2011 Kedelai merupakan salah satu bahan pangan penting setelah beras karena hampir 90% digunakan sebagai pangan. Kedelai juga kaya akan protein yang memiliki arti penting sebagai sumber protein nabati untuk peningkatan gizi dan mengatasi penyakit kurang gizi seperti busung lapar. Kedelai juga bermanfaat menurunkan kolesterol darah yang dapat mencegah penyakit jantung. Selain itu, kedelai dapat berfungsi sebagai antioksidan dan dapat mencegah penyakit kanker. Oleh karena itu, ke depan kebutuhan kedelai akan meningkat seiring

4

dengan meningkatnya kesadaran masyarakat akan pangan sehat. Kedelai juga berpotensi dan berperan penting dalam menumbuhkembangkan industri kecil menengah (IKM), bahkan sebagai komoditas ekspor (Adisarwanto dan Rini, 2002). Tahu merupakan salah satu makanan olahan dari kedelai yang memiliki kandungan gizi cukup tinggi. Meningkatnya konsumsi tahu saat ini sejalan dengan meningkatnya kesadaran masyarakat akan pentingnya makanan bergizi. Tahu adalah makanan yang dibuat dari kacang kedelai yang difermentasikan dan diambil sarinya. Berbeda dengan tempe yang asli dari Indonesia, tahu berasal dari Cina, seperti halnya kecap, tauco, bakpao dan bakso. Sebagaimana tempe, tahu dikenal sebagai makanan rakyat. Beraneka ragam jenis tahu yang ada di Indonesia umumnya dikenal dengan tempat pembutannya, misalnya tahu Sumedang dan tahu Kediri. (http://id.wikipedia.org/wiki/Tahu, 2011). Beberapa waktu terakhir di tahun 2006 sempat marak berita tentang formalin yang sering ditemukan pada produk tahu segar sebagai bahan pengawet. Adanya berita tahu berformalin yang ditemukan di pasaran, telah membuat masyarakat Indonesia menjadi sangat waswas untuk mengkonsumsi tahu. Padahal tahu adalah bahan makanan murah, sehat dan disukai oleh semua usia mulai dari bayi hingga lansia. Tahu juga mengandung protein nabati penting bagi pemenuhan gizi, terutama dalam masa pertumbuhan. Selain itu tahu merupakan alternatif lauk pauk yang lezat yang mudah diolah menjadi penganan apapun. Di Indonesia, saat ini banyak sekali munculnya produsen tahu di pasaran, salah satunya yaitu PT. Kitagama merupakan salah satu industri tahu yang sistem pengolahannya berbeda dengan perusahaan tahu lainnya. Tahu hasil produksi PT. Kitagama merupakan produk dari hasil penelitian dari dosen Fakultas Teknik Pertanian Universitas Gajah Mada (FTP UGM) yang sebelumnya diproduksi dalam skala laboratorium. Selanjutnya produksi tersebut kemudian di kembangkan menjadi skala industri. PT. Kitagama merupakan industri yang didirikan dari hasil kerjasama dosen FTP UGM.

5

PT. Kitagama muncul untuk mencoba memberikan solusi atas permasalahan tahu berformalin di pasaran. Teknologi pengolahan tahu yang benar dan tepat perlu diterapkan dalam proses pembuatan tahu. PT. Kitagama berfokus membuat tahu sehat alami dan tanpa pengawet untuk menghapus kekhawatiran

masyarakat

akan

tahu

yang

dikonsumsi.

Untuk

itu

dimunculkanlah tahu sehat hasil dari produk PT. Kitagama yang dinamakan Tahu Kita. Tahu Kita di proses dengan menggunakan mesin-mesin modern berbahan dasar stainless steel, sehingga menjadikannya aman, bersih, putih dan higienis. Dengan proses pemasakan yang lebih cepat dan bersih, maka menghasilkan tahu yang putih dan lembut, karena proses pemasakannya tidak menghasilkan kerak pada dasar tangki masak yang dapat membuat tahu berbau sangit dan berwarna putih kekuningan. Meningkatnya jumlah produsen tahu saat ini telah menyebabkan PT. Kitagama harus mampu mempertahankan pelanggannya, bahkan meningkatkan jumlah konsumennya agar dapat bertahan sebagai produsen yang bergerak di industri tahu. Salah satu cara yang dapat dilakukan oleh PT. Kitagama adalah melakukan peramalan penjualan, untuk membuat perencanaan produksi dan strategi pemasaran lebih tepat dan sesuai dengan kondisi lingkungan perusahaan saat ini. Untuk itu dilakukan penelitian berjudul Analisis Peramalan Penjualan Tahu Kita pada PT. Kitagama Jakarta. 1.2. Perumusan Masalah Munculnya para pesaing produsen tahu saat ini yang membuat pilihan jumlah produk ataupun merek tahu di Indonesia semakin bervariatif telah membuat PT. Kitagama sebagai salah satu produsen yang menghasilkan produk berbahan dasar kedelai ini harus memikirkan bagaimana cara mempertahankan pelanggannya, bahkan meningkatkan konsumen. Oleh karena itu, PT. Kitagama perlu melakukan peramalan penjualan untuk menetapkan target penjualan perusahaan melalui penyusunan strategi. Perumusan masalah dari penelitian ini adalah :

6

1. Bagaimana pola data penjualan Tahu Kita PT. Kitagama di lima (5) outlet penjualan selama ini ? 2. Bentuk metode peramalan kuantitatif apakah yang paling sesuai untuk meramalkan jumlah penjualan Tahu Kita PT. Kitagama di lima (5) outlet penjualan ? 3. Bagaimana peramalan penjualan Tahu Kita PT. Kitagama di lima (5) outlet penjualan untuk 15 bulan mendatang dengan menggunakan metode kuantitatif terbaik ? 1.3.Tujuan Penelitian Tujuan penelitian ini adalah : 1. Menganalisis pola data penjualan Tahu Kita PT. Kitagama di lima (5) outlet penjualan 2. Mengkaji metode peramalan kuantitatif yang paling sesuai untuk melakukan peramalan penjualan Tahu Kita PT. Kitagama di Lima (5) outlet penjualan 3. Mengkaji hasil peramalan produk Tahu Kita PT. Kitagama di lima (5) outlet penjualan untuk 15 bulan mendatang dengan menggunakan metode kuantitatif terbaik 1.4 Ruang Lingkup Penelitian Penelitian ini menggunakan metode time series dan data penjualan tahu di lima (5) outlet dari bulan Juli 2008 sampai Desember 2010, maka peramalan dilakukan selama 15 bulan ke depan yaitu, bulan Januari 2011 sampai Maret 2012 dan kemudian dibandingkan dengan data aktual selama 3 (tiga) bulan yang didapatkan dari bulan Januari sampai Maret 2011. Data penjualan yang didapat dari perusahaan adalah penjualan harian yang kemudian diakumulasikan menjadi data bulanan. Peramalan dilakukan pada lima (5) outlet Tahu Kita PT. Kitagama. Kelima outlet tersebut adalah Pastellia, Joyo Swalayan, Pasar Bintaro Mas,

7

Kemchick dan Market City. Penelitian ini terbatas hanya kepada pemilihan metode peramalan akurat untuk meramalkan penjualan Tahu Kita yang dapat digunakan

oleh

perusahaan

dalam merencanakan

produksi.

meramalkan volume penjualan Tahu Kita di masa mendatang.

Untuk

8

II. TINJAUAN PUSTAKA 2.1 Sejarah Perkembangan Kedelai dan Tahu Menurut Winarto, Achmad dan Kuncoro (2005), tanaman kedelai (Glycine max (L) Merrill) telah dibudidayakan sejak 1500 tahun sebelum Masehi. Asal tanaman ini dipekirakan dari dataran Cina, karena di sanalah mula mula kedelai ditanam, dan juga di Cina banyak dijumpai jenis kedelai liar. Tanaman ini dari Cina kedelai menyebar ke Jepang, Korea, Asia Tenggara dan ke Indonesia. Di Indonesia, terutama di Jawa dan Bali, kedelai sudah ditanam sejak tahun 1750. Amerika serikat, negara produsen kedelai terbesar di dunia, baru mulai menanam kedelai tahun 1920 dan Brasil negara produsen kedelai nomor dua, baru mulai menanam kedelai tahun 1950. Tanaman kedelai merupakan tanaman cash crop yang dibudidayakan di lahan sawah (±60%) dan di lahan kering (±40%). Luas areal tanam mencapai punaknya pada tahun 1992, yaitu 1,67 juta hektar. Sejak tahun 2000-2003, areal tanam terus menurun menjadi 0,53 juta hektar pada tahun 2003. Kebutuhan kedelai pada tahun 2004 sebesar 2,02 juta ton, sedangkan produksi dalam negeri baru mencapai 0,71 juta ton, sehingga kekurangannya 1,31 juta ton harus diimpor. Hanya sekitar 35% dari total kebutuhan kedelai dapat dipenuhi dari produksi dalam negeri. Penurunan areal tanaman berkaitan erat dengan banjirnya kedelai impor, sehingga nilai kompetitif dan komparatifnya merosot. Mengingat posisi lahan di Indonesia cukup luas dan jumlah penduduk cukup besar, sementara industri pangan berbahan baku kedelai berkembang pesat, maka kedelai perlu mendapat prioritas untuk dikembangkan untuk menekan laju impor. Upaya untuk menekan laju impor dapat ditempuh melalui peningkatan produktivitas, perluasan areal tanam, peningkatan efisiensi produksi, penguatan kelembagaan petani, peningkatan mutu produk, peningkatan nilai tambah, perbaikan

akses

pasar,

perbaikan

sistem

permodalan,

pengembangan

infrastruktur, serta pengaturan tataniaga dan insentif usaha. Guna mendukung

9

pengembangan kedelai di Indonesia, maka fokus penelitian adalah melestarikan dan mendayagunakan plasma nutfah tanaman kedelai guna menopang kegiatan pemuliaan berkelanjutan dan produktif menghasilkan varietas unggul baru (VUB). Untuk meningkatkan potensi komoditas kedelai lahan sawah irigasi dan lahan kering dapat ditempuh melalui sintesis teknik produksi yang terdiri dari VUB kedelai adaptif, hasil tinggi (2,5-3,0 ton/ha), berbiji besar, toleran kekeringan dan tahan hama dan penyakit disertai komponen teknologi pengelolaan lahan, tanaman dan organisme pengganggu yang efisien, baik untuk lahan sawah irigasi, sawah tadah hujan, maupun lahan kering. Diseminasi hasil penelitian untuk meningkatkan akses bagi pengguna teknologi dan mempercepat adopsi petani antara lain di lahan melalui Program Rintisan dan Akselerasi Inovasi Teknologi Pertanian (PRIMA TANI) (Winarto, Achmad dan Kuncoro, 2005) Tanaman kedelai (Glyicne max Merr.) bukan tanaman asli Indonesia, namun pembudidayaan tanaman ini telah dilakukan di pulau jawa sejak abad XVI. Rumphius (1750) mendokumentasikan bahwa pada masa itu kedelai telah menyebar di Jawa dan Bali, yang berarti bahwa introduksi kedelai ke Indonesia terjadi jauh sebelum tahun tersebut. Pemasukan kedelai ke Indonesia kemungkinan dilakukan oleh imigran China, mengingat China telah menanam dan menggunakan kedelai sebagai bahan makanan sejak awal abad Masehi. Keberlanjutan usahatani kedelai di Indonesia ditunjang oleh adanya teknik pengolahan kedelai menjadi bahan lauk, yang diperlukan masyarakat setiap hari, dalam bentuk tempe, tahu, kecap dan tauco. Teknik pengolahan ini ternyata tidak ditemukan di negara tetangga yang pada zaman dulu erat berhubungan dengan Indonesia seperti India, Birma, Thailand, Srilanka atau Vietnam. Sebagai tanaman bahan lauk yang tidak dibutuhkan dalam jumlah banyak, secara tradisional historis kedelai memang tidak pernah ditanam secara luas sebagaimana tanaman pokok seperti padi, jagung atau ubi kayu. Hal ini juga berkaitan dengan ciri pertanian Indonesia hingga awal Pelita I (1968-1973) masih bersifat subsisten yang lebih mengutamakan penyediaan kebutuhan bagi

10

keluarga tani sendiri. Sebagai akibatnya, kedelai tidak pernah diusahakan sebagai tanaman utama, hanya sebagai tanaman sisipan (catch crop) atau petani menyebut sebagai tanaman polowijo, yang berarti tanaman sisipan di musim kemarau pada saat lahan tidak dimanfaatkan untuk usahatani tanaman utama. Hal ini sangat berbeda dengan cara pengusahaan kedelai di negara USA, Brasilia dan Argentina, yang walaupun baru mulai menanam kedelai pada pertengahan abad XX, memperlakukan kedelai sebagai cash crop yang diusahakan sebagai tanaman utama secara besar-besaran (BPP Teknologi, 1993) Tahu

adalah

makanan

yang

dibuat

dari

kacang

kedelai

yang

difermentasikan dan diambil sarinya. Berbeda dengan tempe yang asli dari Indonesia, tahu berasal dari Cina, seperti halnya kecap, tauco, bakpao dan bakso. Tahu pertama kali muncul di Tiongkok sejak zaman Dinasti Han, sekitar 2200 tahun lalu. Di Jepang dikenal dengan nama tofu. Makanan ini dibawa para perantau China, makanan ini menyebar ke Asia Timur dan Asia Tenggara, lalu juga akhirnya ke seluruh dunia. Sebagaimana tempe, tahu dikenal sebagai makanan rakyat. Beraneka ragam jenis tahu yang ada di Indonesia umumnya dikenal dengan tempat pembuatannya, misalnya tahu Sumedang dan tahu Kediri. (http://id.wikipedia.org/wiki/Tahu, 2011). Berdasarkan Tabel 5, kandungan gizi kedelai paling tinggi terdapat pada makanan olahan seperti tahu. Meningkatnya konsumsi tahu saat ini sejalan dengan meningkatnya kesadaran masyarakat akan pentingnya makanan bergizi. Tahu adalah makanan yang dibuat dari kacang kedele yang difermentasikan dan diambil sarinya. Berbeda dengan tempe yang asli dari Indonesia, tahu berasal dari Cina, seperti halnya kecap, tauco, bakpao dan bakso. Tahu pertama kali muncul di Tiongkok sejak zaman Dinasti Han, sekitar 2200 tahun lalu. Di Jepang dikenal dengan nama tofu. Dibawa para perantau China, makanan ini menyebar ke Asia Timur dan Asia Tenggara, lalu akhirnya ke seluruh dunia. Sebagaimana tempe, tahu dikenal sebagai makanan rakyat. Beraneka ragam jenis tahu yang ada di Indonesia umumnya dikenal dengan tempat pembutannya, misalnya tahu Sumedang dan tahu Kediri. (http://id.wikipedia.org/wiki/Tahu, 2011).

11

Tabel 5. Kandungan Gizi Kedelai Jenis Produk

Protein

CHO

Lemak

14,3

8,5

7,7

127

11,1

10,0

5,8

Tempe

165

15,8

14,1

6,4

Tahu

183

17,0

14,1

9,3

Tepung kedelai,

82

11,8

9,6

0,3

100

7,0

8,0

4,0

Tanaman

Kalori Kedelai 149

(kuning), dimasak Kedelai, hijau (edamame)

Dihilangkan lemaknya Susu kedelai

Sumber : http://www.nsrl.uiuc.edu/aboutsoy/soynutrition.html, 2011

2.2 Definisi Peramalan Menurut Heizer dan Render (2006), peramalan adalah seni, ilmu untuk memperkirakan kejadian di masa depan. Hal ini dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa mendatang dengan suatu bentuk model matematik atau menggunakan

kombinasi

model

prediksi intuisi bersifat subyektif, atau matematik

yang

disesuaikan

dengan

pertimbangan yang baik dari seorang manajer. Forecasting berkaitan dengan upaya memperkirakan apa yang terjadi di masa depan, berbasis pada metode ilmiah (ilmu dan teknologi) serta dilakukan secara matematis. Walaupun demikian, kegiatan forecasting tidaklah semata-mata berdasarkan prosedur ilmiah atau terorganisir, karena ada kegiatan forecasting yang menggunakan intuisi (perasaan) atau lewat diskusi informal dalam sebuah grup (Santoso, 2009). Menurut Sugiarto dan Harihono (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

12

perencanaan, menciptakan peluang bisnis maupun mengatur pola investasi. Ketepatan hasil peramalan bisnis akan meningkatkan peluang tercapainya investasi yang menguntungkan. Semakin tinggi akurasi yang dicapai peramalan, maka semakin meningkat pula peran peramalan dalam perusahaan, karena hasil dari suatu peramalan dapat memberikan arah bagi perencanaan perusahaan, perencanaan produk dan pasar, perencanaan penjualan, perencanaan produksi dan keuangan. Dikaitkan dengan perencanaan perusahaan, hasil peramalan lingkungan ekonomi dan pasar memungkinkan perencana perusahaan mengarahkan kebijakan perusahaan ke sektor-sektor yang memberikan peluang keuntungan tertinggi. pemanfaatan hasil peramalan dalam perencanaan produk dan pasar pada umumnya digunakan dalam menyusun sasaran perusahaan maupun untuk penyusunan anggaran promosi, serta anggaran penjualan yang diperlukan untuk mencapai sasaran tersebut. Hasil peramalan produk dan pasar dapat dimanfaatkan perusahaan untuk memasuki pasar baru ataupun menarik diri dari pasar yang semakin tidak menguntungkan. Sebagai contoh, hasil peramalan terhadap peluang suatu produk akan memungkinkan dibuatnya perencanaan terperinci bagi setiap sektor yang mendukung produk tersebut. Salah satu aspek yang paling sering disalahpahami dalam peramalan adalah ketidakpastian. Umumnya manajer perusahaan percaya bahwa semakin banyak sumber daya dan waktu yang diberikan kepada peramalan, semakin rendah derajat ketidakpastian yang didapat. Tetapi dalam banyak situasi, semata mata menggunakan lebih banyak waktu dan tenaga dalam peramalan justru akan memberikan hasil berlawanan. Proses peramalan masa depan itu sendiri justru membuka kemungkinan-kemungkinan baru dan hal ini sering berarti semakin banyaknya ketidakpastian yang harus dipertimbangkan. Dalam kasus seperti ini, tujuan utama peramalan adalah menjadikan para pengambil keputusan dan pembuat kebijakan memahami ketidakpastian di masa mendatang, sehingga ketidakpastian dan risiko yang mungkin muncul dapat dipertimbangkan pada waktu membuat perencanaan atau keputusan-keputusan yang berorientasi ke

13

masa depan. Dengan melakukan peramalan, para perencana dan pengambil keputusan akan dapat mempertimbangkan alternatif-alternatif strategi yang lebih luas daripada tanpa peramalan. Dengan demikian, berbagai rencana strategi dan aksi dapat dikembangkan untuk menghadapi berbagai kemungkinan yang dapat terjadi di masa mendatang (Sugiarto dan Hariono, 2000). Menurut Heizer dan Render (2006), peramalan biasanya berdasarkan horizon waktu masa depan yang dicakupnya. Horizon waktu terbagi atas beberapa kategori : 1. Peramalan jangka pendek. Peramalan ini mencakup jangka waktu hingga satu (1) tahun tetapi umumnya kurang dari tiga (3) bulan. Peramalan ini digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan keja dan tingkat populasi. 2. Peramalan jangka menengah. Peramalan jangka menengah, atau intermediate umumnya mencakup hitungan bulanan hingga tiga (3) tahun. Peramalan ini berguna untuk merencanakan penjualan, perencanaan dan anggaran produksi, anggaran kas dan menganalisis bermacam-macam rencana operasi. 3. Peramalan jangka panjang. Umumnya untuk perencanaan masa tiga (3) tahun atau lebih. Peramalan jangka panjang digunakan untuk merencanakan produk baru, pembelanjaan modal, lokasi atau pengembangan fasilitas, serta penelitian dan pengembangan (litbang). 2.2.1 Jenis-jenis Peramalan Peramalan adalah upaya memperkirakan nilai-nilai respon yang menjadi perhatian di masa depan. Secara garis besarnya, peramalan dibedakan menjadi peramalan kuantitatif dan kualitatif. Hasil peramalan kualitatif didasarkan pada pengamatan kejadian-kejadian di masa sebelumnya yang digabungkan dengan intuisi maupun ketajaman perasaan si peramal dalam menghasilkan suatu informasi yang diperkirakan bakal terjadi di masa mendatang. Pada umumnya hasil peramalan kualitatif berbentuk

informasi

kualitatif,

walaupun

tidak

selalu

demikian.

14

Sebaliknya, peramalan kuantitatif mempergunakan data kuantitatif yang diperoleh dari pengamatan nilai-nilai sebelumnya dengan ditunjang beberapa informasi kuantitatif maupun kualitatif. Hasil peramalan kuantitatif secara relatif lebih disukai, karena memberikan pandangan yang lebih nyata dan lebih obyektif dalam besaran nilai hasil peramalannya. 2.2.2 Langkah-langkah Peramalan Menurut Sugiarto dan Harihono (2000), hampir semua metode peramalan formal dilakukan dengan cara mengekstrapolasi kondisi masa lalu untuk kondisi masa mendatang. Hal ini didasarkan pada asumsi bahwa kondisi masa lalu sama dengan kondisi masa mendatang. Atas dasar logik ini, maka langkah-langkah dalam metode peramalan adalah : Langkah 1 : Mengumpulkan data Langkah 2 : Menyeleksi dan memilih data Langkah 3 : Memilih model peramalan Langkah 4 : Menggunakan metode terpilih untuk peramalan Menurut Heizer dan Render (2006), Peramalan (forecasting) adalah istilah yang sangat populer di dunia bisnis, yang pada dasarnya adalah kegiatan yang berhubungan dengan meramalkan atau memproyeksikan halhal yang terjadi di masa lampau ke masa depan. Ramalan permintaan (demand forecasting) menyangkut peramalan permintaan mendatang berdasarkan permintaan yang lalu atau berdasarkan perhitungan tertentu. Ramalan permintaan mencakup dua kegiatan (Indrajit dan Djokopranoto, 2003), yaitu : 1. Mengidentifikasikan peubah-peubah yang mempengaruhi permintaan 2. Mengembangkan persamaan-persamaan yang menyatakan hubungan antara peubah-peubah tersebut dalam bentuk perhitungan matematik.

15

2.2.3 Peramalan Time Series Time series didasarkan pada waktu berurutan atau berjarak sama (mingguan, bulanan, kuartalan, dan lainnya). Meramalkan data time series berarti nilai masa depan diperkirakan hanya dari nilai masa lalu dan bahwa peubah lain diabaikan, walaupun peubah-peubah tersebut mungkin sangat bermanfaat. 2.2.4 Dekomposisi Time Series Menganalisis Time Series berarti membagi data masa lalu menjadi komponen-komponen dan kemudian memproyeksikannya ke masa depan. Time series mempunyai empat (4) komponen : tren, musim, siklus dan variasi acak (random variation). Rinciannya sebagai berikut : a.

Tren merupakan pergerakan data sedikit demi sedikit meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakan tren.

b.

Musim adalah pola data yang berulang pada kurun waktu tertentu seperti hari, minggu, bulan, atau kuartal.

c.

Siklus adalah pola dalam data yang terjadi setiap beberapa tahun. Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek. Memprediksi siklus bisnis sulit, karena dapat dipengaruhi oleh kejadian politik ataupun kerusuhan internasional.

d.

Variasi acak merupakan satu titik khusus dalam data, yang disebabkan oleh peluang dan situasi yang tidak biasa. Variasi acak tidak mempunyai pola khusus, jadi tidak dapat diprediksi.

2.2.4 Rataan Bergerak Peramalan rataan bergerak (moving average) menggunakan sejumlah data aktual masa lalu untuk menghasilkan peramalan. Rataan bergerak berguna, jika diasumsikan permintaan pasar akan stabil sepanjang masa yang diramalkan.

16

Secara matematik, rataan bergerak sederhana (merupakan prediksi permintaan periode mendatang) dinyatakan sebagai : Rataan bergerak = ∑ permintaan n periode sebelumnya ……... (1) n dimana n adalah jumlah periode dalam rataan bergerak. Rataan bergerak dengan pembobotan dapat dijabarkan berikut : Rataan bergerak dengan pembobotan = ∑ (bobot pada periode n) (permintaan pada periode n) ………... (2) ∑ bobot 2.2.5 Penghalusan Eksponensial Penghalusan

Eksponensial

(exponential

smoothing)

merupakan

metode peramalan rataan bergerak dengan pembobotan canggih, namun masih mudah digunakan. Metode ini menggunakan sangat sedikit pencatatan data masa lalu. Rumus penghalusan eksponensial dasar dapat ditunjukkan sebagai berikut : Peramalan baru = peramalan periode lalu + α (permintaan aktual periode lalu – peramalan periode lalu) dimana α adalah sebuah bobot, atau konstanta penghalusan (smoothing constant), yang dipilih oleh peramal, yang mempunyai nilai antara 0 dan 1. Persamaan secara matematik ditulis sebagai berikut : Ft = Ft-1 + α (At-1 – Ft-1) …………………………....... (3) dimana Ft

= peramalan baru

Ft-1 = peramalan sebelumnya α

= konstanta penghalus

At-1 = permintaan aktual periode lalu

17

2.2.6 Trend Analysis Ada beberapa metode forecasting yang memperhatikan adanya trend, seperti metode Holt (pada Exponential Smoothing) atai Time Series Decomposition; metode regresi pada prinsipnya sebuah persamaan trend, dengan tanda positif atau negatif sebagai petunjuk trend data yang menaik atau menurun. Namun metode-metode tersebut berasumsi bahwa trend yang terjadi adalah linear, dengan ciri akan ada sebuah garis lurus dan peubah berpangkat satu. Dalam paktek, banyak data yang memang mempunyai komponen trend, namun tidak selalu membentuk garis lurus. Banyak data trend yang berbentuk kurva (kuadratik), berbentuk kurva S (curve).

2.2.7 ARIMA Berbeda dengan metode forecasting sebelumnya, metode ARIMA adalah metode forecasting yang tidak menggunakan teori atau pengaruh antar variabel seperti pada model regresi; dengan demikian, metode ARIMA tidak memerlukan penjelasan mana variabel dependen atau mana variabel independen. Metode ini juga tidak melihat pola-pola dat seperti pada time series decomposition; data yang akan diprediksi tidak perlu dipecah menjadi komponen trend, seasonal, siklis atau iregular seperti perlakuan pada data time series pada umumnya. Metode ini secara murni melakukan prediksi hanya sebesar data-data historis yang ada. Selain dikenal dengan nama ARIMA, metode ini populer pula dengan sebutan metode Box-Jenkins, karena dikembangkan oleh dua statistikawan Amerika Serikat, yakni G.E.P Box dan G.M Jenkins pada tahun 1970. Proses ARIMA dapat dinyatakan sebagai : ARIMA (p, d, q) ……………………………………………………… (4) Dimana : p = angka untuk autoregressive (AR) d = angka untuk order differencing

18

q= angka untuk moving average (MA) 2.2.8 Menghitung Kesalahan Peramalan Keakuratan keseluruhan dari setiap model peramalan dapat dijelaskan dengan membandingkan nilai yang diramal dengan nilai aktual atau nilai yang sedang diamati. Jika Ft melambangkan peramalan pada periode t, dan At melambangkan permintaan aktual pada periode t, maka kesalahaan peramalan (deviasi) adalah :

Kesalahan peramalan

= permintaan aktual – nilai peramalan ….. (5) = At – Ft

Ada beberapa perhitungan yang biasa digunakan untuk menghitung kesalahan peramalan (forecast error) total. Perhitungan ini dapat digunakan untuk membandingkan model peramalan yang berbeda, juga untuk mengawasi peramalan, untuk memastikan peramalan berjalan dengan baik. Tiga (3) dari perhitungan yang paling terkenal adalah simpangan rataan absolut (mean absolute deviation atau MAD), kesalahan rataan kuadrat (mean squared error atau MSE) dan kesalahan persen rataan absolut (mean absolut percentage error atau MAPE). a. MAD Ukuran pertama kesalahan peramalan keseluruhan untuk sebuah model adalah MAD. Nilai ini dihitung dengan mengambil jumlah nilai absolut dari tiap kesalahan peramalan dibagi dengan jumlah periode data (n), yaitu : MAD = ∑ aktual-peramalan …………………………….. (6) n b. MSE Hal ini merupakan cara kedua untuk mengukur kesalahan peramalan keseluruhan. MSE merupakan rataan selisih kuadrat antara nilai yang

19

diramalkan dan yang diamati. Rumusnya adalah : MSE = ∑ (kesalahan peramalan)2………………………. (7) n Kekurangan

penggunaan

MSE

adalah

cenderung

menonjolkan

simpangan yang besar, karena adanya pengkuadratan. Oleh karena itu, menggunakan MSE sebagai perhitungan kesalahan peramalan, biasanya menunjukkan hal lebih baik mempunyai beberapa simpangan kecil daripada satu simpangan besar. c. MAPE Masalah yang terjadi dengan MAD dan MSE adalah bahwa nilainya tergantung pada besarnya unsur yang diramal. Jika unsur tersebut dihitung dalam satuan ribuan, maka nilai MAD dan MSE menjadi sangat besar. Untuk menghindari masalah ini, dapat menggunakan MAPE. MAPE dihitung sebagai rataan diferensiasi absolut antara nilai yang diramal dan aktual, dinyatakan sebagai persentase nilai aktual. Jika memiliki nilai yang diramal dan aktual untuk n periode, MAPE dihitung sebagai :

MAPE = 100 ∑ aktuali – ramalani /aktuali ……………… (8) n 2.3 Penelitian Terdahulu yang Relevan Yossi Dwi Putri (2007) melakukan Analisis Peramalan Penjualan Roti Pada PT. Edam Burger, dengan tujuan mengetahui metode peramalan terbaik yang dapat diterapkan bagi keempat produk PT. Edam Burger. Metode peramalan yang digunakan adalah metode kuantitatif time series. Setelah melakukan peramalan, pemilihan metode terbaik adalah dengan menggunakan ukuran akurasi, yaitu Mean Squared Error (MSE). Metode peramalan yang dipilih sebagai metode terbaik adalah yang menghasilkan MSE terendah. Berdasarkan hasil peramalan terhadap penjualan keempat (4) produk roti PT.

20

Edam Burger, diketahui perkiraan pendapatan kotor dan biaya produksi. Dengan demikian

perusahaan

dapat

merencanakan

penganggaran

dana

dan

mengantisipasi biaya produksi yang akan terjadi menurut prediksi yang telah diperoleh. Moh. Zaenal Muttaqin (2010) melakukan Peramalan Penjualan dan Harga Ayam Broiler pada Perusahaan Tunas Mekar Farm (TMF) Bogor. Tujuan penelitian ini adalah untuk mengidentifikasi pola data penjualan dan harga ayam hidup perusahaan TMF, memilih metode yang paling baik untuk meramalkan penjualan dan harga ayam hidup perusahaan TMF, serta memperoleh ramalan penjualan dan harga ayam hidup perusahaan TMF dengan menggunakan metode paling baik. Hasil penelitian adalah pola data penjualan ayam broiler TMF tidak stasioner, memiliki unsur trend dan musiman. Unsur musiman lebih disebabkan oleh kondisi-kondisi tertentu terutama Tahun Baru, Puasa, Idul Fitri dan Idul Adha. Pada kondisi seperti itu, penjualan ayam broiler cenderung meningkat. Oleh karena itu, untuk mengantisipasi permintaan yang meningkat, perusahaan perlu perencaan yang lebih baik dalam budidaya ayam broiler. Asri Aldina (2008) melakukan analisis mengenai Peramalan Penjualan Matriks Blackberry PT. Indosat, Tbk Dalam Rangka Perencanaan Strategi Pemasaran, dengan tujuan mengetahui pencapaian penjualan Matriks Blackberry PT. Indosat, Tbk di Indonesia melalui analisis peramalan sebagai landasan perencanaan pemasaran, mengetahui apakah program dan paket Matriks Blackberry yang ditawarkan mampu menjadi faktor keunggulan kompetitif dalam memasarkan Matriks Blackberry ke target sasaran, serta merencanakan alternatif strategi pemasaran yang tepat bagi perusahaan dari hasil peramalan penjualan.

21

III. METODE PENELITIAN

3.1 Kerangka Pemikiran Penelitian Semakin tingginya tingkat persaingan dalam dunia bisnis saat ini, menuntut para pelaku bisnis untuk mampu memahami dan meramalkan keadaan produk di masa mendatang dalam mengambil keputusan. Peramalan penjualan perusahaan tidak hanya untuk jangka pendek, tetapi jangka panjang. Peramalan penjualan jangka panjang salah satunya sangat dibutuhkan perusahaan dalam membuat perencanaan produksi optimal. PT. Kitagama merupakan perusahaan yang bergerak di bidang industri tahu, yang berfokus untuk menghasilkan Tahu Sehat Alami Tanpa Pengawet untuk menghapus kekhawatiran masyarakat terhadap kontaminasi formalin pada tahu yang dikonsumsi. Produk tahu hasil produksi PT. Kitagama tersebut dinamakan Tahu Kita. Perusahaan ini belum lama berdiri, maka untuk mencapai tingkat penjualan maksimal, perlu membuat suatu perencanaan penjualan yang dapat dijadikan dasar dalam pengambilan keputusan. Salah satu dasar untuk perencanaan penjualan adalah penentuan penjualan Tahu Kita untuk beberapa periode mendatang dengan melakukan peramalan. Dengan melakukan analisis peramalan penjualan, perusahaan dapat meramalkan penjualan produk atau target di masa mendatang, sehingga target tersebut dapat dijadikan acuan perusahaan dalam menyusun perencanaan produksi dan kebijakan perusahaan yang tepat dan sesuai. Peramalan penjualan memiliki metode peramalan yang cukup banyak, sehingga perlu dilakukan pemilihan terhadap metode yang sesuai dan tepat dalam menilai seberapa jauh model menghasilkan sebuah ramalan yang tidak berbeda jauh dengan realisasi. Salah satu kriteria yang digunakan untuk pemilihan metode terbaik adalah melihat kesalahan peramalan paling kecil. Metode terbaik adalah metode yang memenuhi kriteria ketepatan peramalan berupa MAD, MSE dan MAPE. Hal yang perlu dipertimbangkan adalah faktor ketersediaan data dan pola data historis penjualan yang dimiliki perusahaan.

22

Metode yang digunakan dalam penelitian ini adalah metode peramalan kuantitatif, dengan cara memperkirakan yang mungkin akan terjadi pada masa mendatang berdasarkan data kuantitatif masa lalu. Ada beberapa metode peramalan kuantitatif yang dapat digunakan untuk memperkirakan penjualan masa depan. Metode yang digunakan adalah metode yang sesuai dengan kebutuhan dan kemampuan pengguna. Metode kuantitatif yang dipilih adalah metode time series, yaitu metode dengan cara memanfaatkan pola permintaan masa lalu dan memproyeksikannya ke dalam perkiraan permintaan masa datang. Metode time series digunakan secara luas dalam melakukan peramalan dan yang digunakan dalam penelitian ini terdiri dari beberapa metode, yaitu metode trend analysis, metode Single Exponential Smoothing, metode Double Exponential Smoothing Holt, metode Decomposition Additive, metode Decomposition Multiplicative, metode Moving Average dan metode ARIMA. Sebelum menentukan beberapa metode time series, dilakukan identifikasi pola data pada lima (5) outlet penjualan produk Tahu Kita secara visual dari pemetaan data dan diperkuat dengan aturan pemetaan autokorelasinya. Untuk memilih metode peramalan time series yang paling baik adalah melihat tingkat kesalahan paling kecil. Untuk itu dihitung nilai MSE dan dibandingkan dengan melihat MSE terendah untuk mendapatkan metode peramalan kuantitatif terakurat secara keseluruhan. Semakin kecil nilai MSE, maka akan semakin baik metodenya, karena hasil peramalan semakin mendekati nilai aktualnya. Selanjutnya metode terpilih digunakan untuk meramalkan penjualan produk di masa mendatang dan dapat digunakan sebagai acuan untuk menyusun perencanaan produksi produk Tahu Kita pada lima (5) outlet, seperti dimuat pada Bab I.

23

Isu formalin pada tahu yang beredar di pasaran

Produk Tahu Kita yang Sehat Alami dan Tanpa Pengawet

Penggunaan peramalan Time Series dalam Perencanaan Produksi

Metode Kuantitatif

Metode peramalan Time Series 1. Trend Analysis 2. Moving Average 3. Single Exponential Smoothing 4. Double Exponential Smoothing Holt 5. Dekomposisi Aditif 6. Dekomposisi Multiplikatif 7. ARIMA

Pemilihan Metode Terakurat/Terpilih

Rekomendasi berupa :  Analisis pola data penjualan Tahu Kita  Model atau teknik peramalan terakurat  Hasil ramalan untuk 15 bulan mendatang

Gambar 1. Kerangka pemikiran penelitian

24

3.2 Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan di Perusahaan beralamat di Jl. Ciater Raya BSD No. 98 Rt. 004 Rw. 009, Ciater, Serpong–Tangerang, Banten. Penelitian ini dilaksanakan pada bulan Maret-Mei 2011. 3.3 Pengumpulan Data Data yang digunakan adalah data historis penjualan produk Tahu Kita dari masing-masing lima (5) outlet yang terpilih dan data lain yang relevan. Data penjualan yang digunakan adalah penjualan produk Tahu Kita di lima (5) outlet dengan penyebaran dari tahun 2008 - 2010. Informasi dan pengumpulan data yang dikumpulkan meliputi data primer dan sekunder, serta jenis data kualitatif dan kuantitatif. Data primer merupakan data yang didapat dari sumber utama, individu atau perseorangan, seperti dari hasil analisa dan pengamatan langsung di lapangan, serta wawancara langsung dengan pihak manajemen perusahaan sebagai narasumber. Sedangkan data sekunder merupakan data primer yang diperoleh pihak lain atau telah diolah dan disajikan baik oleh pengumpul data primer maupun oleh pihak lain, atau data pelengkap dari data primer yang dikumpulkan dari literatur-literatur, studi pustaka atau laporan internal perusahaan (data penjualan Tahu Kita dari tahun 2008 – 2010), kebijakan dan peraturan perusahaan (sejarah umum perusahaan, visi dan misi perusahaan) baik itu berupa laporan bulanan dan tahunan manajemen perusahaan ataupun tulisan yang berkaitan dengan penjualan, produksi dan pemasaran Tahu Kita. 3.4 Pengolahan dan Analisis Data Pengolahan dan analisis data yang digunakan dalam penelitian dilakukan

secara

kualitatif

dan

kuantitatif.

Analisis

kualitatif

menggabungkan faktor-faktor seperti intuisi pengambil keputusan, emosi, pengalaman pribadi dan sistem nilai. Analisis kualitatif menggambarkan keadaan umum perusahaan dan mengetahui permasalahan yang terjadi

25

dalam usaha tersebut. Sedangkan analisis kuantitatif menggunakan model matematik yang beragam dengan data masa lalu dan peubah sebab akibat untuk meramalkan permintaan. Analisis kuantitatif yang dilakukan untuk analisis peramalan penjualan produk Tahu Kita selama 15 periode mendatang di lima (5) outlet menggunakan beberapa metode peramalan time series dengan pertimbangan data penjualan adalah deret waktu, artinya disajikan berdasarkan waktu kejadian tanpa menunjukkan faktor-faktor yang mempengaruhinya, yaitu metode trend analysis, metode Single Exponential Smoothing, metode Double Exponential Smoothing Holt, metode Decomposition Additive, metode Decomposition Multiplicative, metode Moving Average dan metode ARIMA. Hasil peramalan tersebut digunakan untuk menetapkan target penjualan produk Tahu Kita di PT. Kitagama dan dapat dijadikan acuan perusahaan untuk menyususun perencanaan produksi terbaik di masa mendatang. Data kuantitatif tersebut diolah dengan menggunakan Microsoft Excel dan Minitab 14. Peramalan penjualan produk Tahu Kita di lima (5) outlet dapat diidentifikasi melalui pemetaan data dan pemetaan autokorelasi, yang kemudian ditabulasikan dalam bentuk tabel dan kurva dengan menggunakan Minitab 14. Dengan melakukan plot data tersebut dapat diketahui pemetaan data penjualan sementara, sehingga diketahui apakah data tersebut memiliki unsur trend, siklus atau musiman, karena berguna untuk menduga sementara metode peramalan yang digunakan. Menurut Heizer dan Render (2006), time series mempunyai empat (4) komponen, yaitu tren, musim, siklus dan variasi acak (random variation). 1. Tren merupakan pergerakan data sedikit demi sedikit meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan budaya dapat mempengaruhi pergerakan tren. 2. Musim adalah pola data yang berulang pada kurun waktu tertentu seperti hari, minggu, bulan, atau kuartal.

26

3. Siklus adalah pola dalam data yang terjadi setiap beberapa tahun. Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis dan perencanaan bisnis jangka pendek. Memprediksi siklus bisnis sulit, karena dipengaruhi oleh kejadian politik ataupun kerusuhan internasional. 4. Variasi acak merupakan satu titik khusus dalam data yang disebabkan oleh peluang dan situasi yang tidak biasa. Variasi acak tidak mempunyai pola khusus, jadi tidak dapat diprediksi. Menurut Handoko (1984), metode time series merupakan metode peramalan runtut waktu mencoba untuk meramalkan kejadian-kejadian di waktu mendatang atas dasar serangkaian masa lalu. Serangkaian data ini merupakan serangkaian observasi sebagai peubah menurut waktu dan biasanya ditabulasi, serta digambarkan dalam bentuk grafik yang menunjukkan peubah subyek. Komponen-komponen time series pada umumnya diklasifikasikan sebagai Trend (T), Musiman atau seasional (M), Siklikal atau cyclical (S) dan residu atau eratic (E). Dalam model klasik time series, nilai ramalan (Y) merupakan fungsi perkalian dari komponenkomponen tersebut : Y= T X S X C X E ………………………………………… (9) Pemilihan metode peramalan time series dilakukan pada masingmasing wilayah sesuai dengan data penjualannya. Metode yang dipilih adalah metode yang sesuai dan tepat, yaitu dalam menilai seberapa jauh model menghasilkan sebuah ramalan yang tak jauh berbeda dengan keadaan aktual. Keakuratan keseluruhan peramalan dapat dilihat dari membandingkan nilai yang diramal dengan nilai aktual. Ada beberapa perhitungan yang digunakan untuk menghitung kesalahan peramalan total, yaitu simpangan rataan absolut (MAD), kesalahan rataan kuadrat (MSE) dan kesalahan

27

persen rataan absolut (MAPE). MAD

= [ (Yt – Yt) ] / n ………………………………… (10)

MSE

= [ (Yt – Yt)2 ] / n ………………………………… (11)

MAPE

= [ (Yt – Yt) / Yt )] / n …………………………... (12)

dimana : Yt

= nilai aktual

Yt

= nilai ramalan

(Yt – Yt)

= kesalahan ramalan (galat)

n

= banyaknya data

Prosedur peramalan dengan metode time series (Baroto, 2002) adalah : a. Tentukan pola data penjualan, dengan memetakan data secara grafis dan menyimpulkan apakah data itu berpola trend, musiman, siklikal, atau eratik/acak. b. Mencoba beberapa metode time series yang sesuai dengan pola penjualan tersebut untuk melakukan peramalan. Metode yang dicoba semakin banyak, maka semakin baik. Pada setiap metode, sebaiknya dilakukan peramalan dengan parameter berbeda. c. Mengevalusi tingkat kesalahan masing-masing metode yang telah dicoba. Tingkat kesalahan diukur dengan kriteria MAD, MSE, MAPE, atau lainnya. Sebaiknya nilai tingkat kesalahan (MAD, MSE, atau MAPE) ditentukan dulu. Dalam hal ini, tidak ada ketentuan mengenai berapa tingkat kesalahan maksimal dalam peramalan. d. Memilih metode terbaik diantara metode yang dicoba. Metode terbaik adalah metode yang memberikan tingkat kesalahan terkecil dibandingkan metode lainnya dan tingkat kesalahan tersebut di bawah batas tingkat kesalahan yang ditetapkan. e. Melakukan peramalan dengan metode terbaik yang telah dipilih.

28

Pemetaan autokorelasi

dilakukan dengan

menunjukkan

keeratan

hubungan antara nilai peubah yang sama pada periode waktu berbeda. 1) Apabila nilai koefisien autokorelasi pada time lag dua atau tiga periode tidak berbeda nyata dari nol, maka data tersebut adalah data stasioner. 2) Apabila nilai koefisien autokorelasi pada beberapa time lag pertama secara berurutan berbeda nyata dari nol, maka data tersebut adalah data yang menunjukkan pola trend. 3) Apabila nilai koefisien pada beberapa time lag yang mempunyai jarak sistematis berbeda nyata dari nol, maka data tersebut adalah data komponen musiman. a. Metode Trend Metode ini menggambarkan pergerakan data sedikit demi sedikit meningkat atau menurun. Dalam hal ini, perubahan pendapatan, populasi,

penyebaran

umur,

atau

pandangan

budaya

dapat

mempengaruhi pergerakan tren. Persamaan peramalan dengan metode Trend Linear adalah : Ŷt = b0 + b1t ………………………………………………………. (13) dimana : b0 = intersept = potongan b1 = slope t = periode (peubah bebas) Persamaan peramalan dengan metode Trend Quadratic adalah : Ŷt = b0 + b1t + b2t2 ………………………………………………. (14) b. Metode Dekomposisi Metode ini digunakan untuk memisahkan komponen-komponen pola data yang menunjukkan karakteristik seperti pola trend, musiman dan siklikal. Metode dekomposisi dibagi menjadi dua (2) model, yaitu model dekomposisi aditif dan dekomposisi multiplikatif.

29

1. Model Dekomposisi Aditif Ŷt = Tt + Ct + St + Et …………………………………………. (15) dimana : Tt = komponen trend pada periode t Ct = komponen siklis pada periode t St = komponen musiman pada periode t Et = komponen kesalahan atau random pada periode t 2. Model Dekomposisi Multiplikatif Ŷt = Tt + Ct + St + Et …………………………………………. (16) c. Metode Pemulusan Eksponensial Penghalusan Eksponensial (exponential smoothing) merupakan metode peramalan rataan bergerak dengan pembobotan canggih, namun masih mudah digunakan. Metode ini menggunakan sangat sedikit pencatatan data masa lalu. Rumus penghalusan eksponensial dibagi menjadi : 1) Metode penghalusan eksponensial tunggal Metode yang menyediakan rataan bergerak tertimbang secara eksponensial semua nilai pengamatan yang lalu (Hanke, et al., 2003). Ŷt+1 = α Yt + (1 – α) Ŷt d …………………………………...... (17) dimana : Ŷt+1

= nilai ramalan untuk periode berikutnya

Α

= konstanta pemulusan (0 < α < 1)

Yt

= data batu atau nilai Y yang sebenarnya pada periode t

Ŷt

=nilai pemulusan yang lama atau rataan yang di muluskan hingga periode berikutnya

2) Metode penghalusan eksponensial ganda Hal ini merupakan metode linear satu (1) parameter dari Brown (double exponential smoothing). Ŷt+p = at + bt P …………………………………………….. (18)

30

dimana : at = 2 At – At’ bt = α/1-α (At – At’) At = α Yt + (1-α) At-1 At’ = α At + (1-α) At-1 P = jumlah periode yang akan diramalkan d. Metode Rataan Metode rataan terdiri dari : 1) Metode rataan sederhana (simple average) Ŷt+1 = (Y1 + Y2 + ... + Yt) / t ……………………………...…… (19) Metode rataan sederhana menggunakan semua data tersedia dan cocok meramalkan data time series dengan data stasioner. 2) Metode rataan bergerak sederhana (simple moving average) Ŷt+1 = (Yt + Yt-1 + Yt-2 + ... + Yt-k+1) / k ……………………… (20) Metode ini seperti halnya simple average dan cocok untuk meramalkan data time series dengan data stasioner. 3) Metode rataan bergerak berganda (double moving average) Mt = Ŷt+1 = (Yt + Yt-1 + Yt-2 + ... + Yt-k+1) / k …………….…. (21) M’t = Mt + Mt-1 + Mt-2 + ... + Mt-k+1) / k ……………………… (22) at = Mt + (Mt – M’t) – 2Mt ‘t ………………………………... (23) bt = (Mt – M’t) – 2 / k-1 ……………………………………... (24) Ŷt+1= at + btp ………………………………………………… (25) dimana : k

= nilai periode moving average

Mt = moving average pertama M’t= moving average kedua p

= peramalan periode kedua

31

e. ARIMA Metode ini secara murni melakukan prediksi hanya sebesar data-data historis yang ada. Selain dikenal dengan nama ARIMA, metode ini populer pula dengan sebutan metode Box-Jenkins, karena dikembangkan oleh dua statistikawan Amerika Serikat, yakni G.E.P Box dan G.M Jenkins pada tahun 1970. Proses ARIMA dapat dinyatakan sebagai : ARIMA (p, d, q) ………………………………………………….. (26) Dimana : p = angka untuk autoregressive (AR) d = angka untuk order differencing q= angka untuk moving average (MA)

32

IV. HASIL DAN PEMBAHASAN

4.1 Gambaran Umum Perusahaan PT. Kitagama merupakan salah satu industri tahu dengan sistem pengolahan berbeda dengan perusahaan tahu lainnya yang berdiri pada tahun 2007. Tahu hasil produksi PT. Kitagama merupakan produk dari hasil penelitian dari dosen Fakultas Teknologi Pertanian (FTP) Universitas Gajah Mada (UGM) yang sebelumnya diproduksi dalam skala laboratorium. Selanjutnya produksi tersebut kemudian dikembangkan menjadi skala industri. Dengan mengusung nama Ikatan Alumni FTP UGM, Kitagama Jakarta bersepakat untuk concern membuat Tahu Sehat Alami Tanpa Pengawet untuk menghapus kekhawatiran masyarakat terhadap kontaminasi formalin pada tahu yang dikonsumsi dan notabene telah menjadi pilihan masyarakat Indonesia untk makanan sehari-hari. Maka produk tahu sehat yang diluncurkan adalah Tahu Kita. Seperti yang telah disebutkan di atas, Tahu Kita adalah hasil penelitian yang dilakukan dosen-dosen Fakultas Teknologi Pertanian Universitas Gajah Mada Yogyakarta. Muai dari formula pembuatannya, mesin-mesin dan peralatan yang digunakan, proses pembuatannya dan pengolahan limbah yang aman bagi lingkungan. Tahu Kita diproses dengan menggunakan mesin-mesin modern berbahan dasar stainless steel, sehingga menjadikannya aman, bersih, putih dan higienis. Proses pemasakan tahu menggunakan uap panas steril bersuhu di atas 100°C yang dihasilkan oleh steam boiler, tidak mempergunakan tungku api secara langsung seperti pada pembuatan tahu pada umumnya. Dengan proses ini pemasakan menjadi lebih cepat, bersih, dan menghasilkan tahu yang putih dan lembut karena proses pemasakannya tidak menghasilkan kerak pada dasar tangki masak yang dapat membuat tahu berbau sangit dan berwarna putih kekuningan. Tahu yang telah jadi kemudian dipotong-potong, dikemas dan di seal rapat agar tidak terkontaminasi oleh udara luar, sehingga terjaga kesegarannya. Tahu yang telah dikemas ini siap untuk menjalani proses pasteurisasi untuk menjaga keawetannya. Itulah sebabnya Tahu Kita dapat tahan lama selama 7 (tujuh) hari

33

dalam lemari pendingin karena menggunakan proses pasteurisasi dan tidak menggunakan bahan pengawet apapun apalagi formalin. Beberapa alasan mengapa memilih Tahu Kita, yaitu : 1. Bahan baku dari kedelai murni pilihan 2. Bahan penggumpal dalam proses pembuatan menggunakan cuka beras (rice vinnegar) 3. Peralatan yang modern, efisien, bersih dan terjamin higienitasnya 4. Bebas pengawet/formalin, karena setelah proses pengawetan tahu dilakukan dengan proses pasteurisas,i yaitu pemasakan dengan uap panas steril bersuhu di atas 100°C 5. Tahan lama dan dapat disimpan dalam lemari pendingin sampai dengan 7 (tujuh) hari 6. Pabrik yang ramah lingkungan dan sistem pengolahan limbah dengan teknologi pengolahan limbah yang tertutup kedap air dan kedap udara, sehingga tidak mencemari lingkungan sekitar Pada proses pembuatan Tahu Kita, diperlukan beberapa bahan yang mempunyai syarat tertentu, yaitu : 1. Kacang kedelai Kacang kedelai yang digunakan diperoleh dari pemasok dalam negeri, dengan karakteristik bahan mempunyai ukuran yang seragam, cemaran biji rusak maksimal 5% dan cemaran benda asing maksimal 5% 2. Air Air yang digunakan untuk produksi harus bersih dan bebas dari kotoran, tidak bau, tingkat kesadahan rendah, dan bebas dari kandungan logam-logam berat seperti Pb (timbal), merkuri, dll. 3. Whey Whey tahu yang digunakan berasal dari proses produksi sebelumnya. 4. Asam laktat hasil fermentasi L. plantarum koagulan (pengental)

34

Alat-alat yang digunakan selama produksi, antara lain penggiling kedelai, ekstraktor kedelai, perebus sari kedelai dengan steam, panci stainless steel untuk koagulasi, pencetak tahu, hand sealer dan dandang untuk pasteurisasi tahu. Semua peralatan yang digunakan juga harus memenuhi kriteria, antara lain peralatan yang digunakan tidak berkarat, bersih dari kotoran maupun benda asing/hewan. Tata letak mesin dan peralatan PT. Kitagama berdasarkan pada tipe product layout, yaitu fasilitas produksi ditempatkan sesuai dengan jalur produksi atau urutan-urutan proses produksi dalam membuat suatu barang atau produk. Tujuan pemilihan product layout, yaitu untuk efisiensi proses produksi dan ruangan, sehingga kelihatan lebih tertata dan rapi. Tahu Kita mempunyai kelebihan-kelebihan dari tahu lain yang ada di pasaran, antara lain tekstur yang dihasilkan lebih kenyal dan masa simpan yang lebih lama dibandingkan tahu lain, selain itu rasanya tidak terlalu asam bila dibandingkan dengan tahu lain. Yang tidak kalah penting, dengan proses yang dilakukan, PT. Kitagama tetap menjaga kandungan gizi yang terdapat pada kedelai tidak banyak terbuang, sehingga kandungan gizi tahu yang dihasilkanpun masih tetap tinggi. Selama ini, Tahu Kita tidak mempunyai masalah dalam hal produk. Hanya saja dalam hal harga, Tahu Kita tergolong mahal, sehingga pasar yang dapat dijangkau masih terbatas, yaitu kalangan menengah ke atas, sehingga PT. Kitagama hanya melakukan produksi tahu dalam jumlah yang tidak begitu banyak setiap harinya. Selain itu dikarenakan harganya yang cukup mahal, sehingga tidak dapat dijangkau oleh kalangan menengah ke bawah, padahal asupan gizi yang baik tidak hanya dibutuhkan oleh kalangan menengah ke atas akan tetapi juga kalangan menengah ke bawah. Selain itu, masih lemahnya dalam hal pemasaran, misalnya dalam pengenalan produk yang mengakibatkan produk kurang dikenal masyarakat luas. Untuk proses pemasaran, PT. Kitagama biasanya menjual produknya dengan sasaran tingkat konsumen menengah ke atas, yaitu meliputi supermarket, restaurant, rumah sakit dan rekan dosen yang biasanya berupa

35

pesanan. Dengan melihat dari kondisi gaya hidup konsumen sekarang yang telah menyadari pentingnya kesehatan, maka kelebihan-kelebihan yang dimiliki oleh Tahu Kita sangat berpotensi untuk dipilih konsumen sebagai makanan yang layak untuk dikonsumsi. Oleh karena itu, bila dilakukan pemasaran yang lebih baik lagi, maka kemungkinan besar dapat meningkatkan jumlah produksi tahu. Namun apabila di bagian marketing tidak diperbaiki, juga tidak menutup kemungkinan lama kelamaan pabrik akan mengalami kemerosotan produksi. Selain itu, karena harga yang terlalu mahal seharusnya PT. Kitagama dapat menekan harga produksi, misalnya dengan mencari bahan baku dengan harga yang lebih murah, sehingga harga jualnya lebih murah dan dapat dikonsumsi oleh semua kalangan.

4.2 Metode Peramalan Time Series pada Outlet Pastellia 4.2.1 Identifikasi Pola Data Penjualan Tahu Kita pada Outlet Pastellia Pastellia adalah salah satu toko kue yang berlokasi di Pasar Modern BSD. Toko kue ini berada tak jauh dari pintu selatan Pasmo (Pasar Modern). Di sini surganya para pencinta jajanan pasar karna tersedia bermacam-macam makanan seperti, lemper ayam, kue cucur, kue lapis, pastel, risol isi ragout, martabak, combro, bakwan udang, tahu isi, siomay goreng, hingga amris yang lezat. Berdasarkan perhitungan dengan Minitab 14 menunjukkan bahwa data penjualan Tahu Kita pada outlet Pastellia tidak stasioner, hal ini ditunjukkan dengan adanya trend pada data tersebut. Penjualan Tahu Kita pada outlet Pastellia terlihat sangat berfluktuasi, mulai dari penjualan pertama di bulan Juli 2008 yang jumlahnya masih cukup sedikit, yaitu 37 pack (1 pack = 10 potong) penjualannya semakin meningkat hingga bulan Januari 2010 yang mencapai penjualan hingga 140 pack, walaupun selama penjualan di bulan Juli 2008 hingga Januari 2010 tersebut penjualan produk Tahu Kita tidak jarang mengalami penurunan seperti terlihat di bulan Agustus 2009 dan November 2009.

36

140 120

Pastellia

100 80 60 40 20 0 3

6

9

12

15 Index

18

21

24

27

30

Gambar 2. Pola data penjualan tahu Kita pada Outlet Pastellia

Penjualan produk Tahu Kita terjadi penurunan sangat drastis pada bulan Januari 2010 hingga Mei 2010. Pada bulan Mei 2010 tidak terdapat penjualan sama sekali pada produk Tahu Kita, dikarenakan pada bulan itu PT. Kitagama tidak memproduksi Tahu Kita akibat masalah faktor internal. Walaupun pada bulan Mei 2010 tidak berproduksi, PT. Kitagama tetap tidak kehilangan pelanggannya, terbukti masih adanya peningkatan penjualan di outlet Pastellia dari bulan Juni 2010 sebanyak 19 pack dan November 2010 sebanyak 87 pack. Fungsi autokorelasi untuk penjualan Tahu Kita pada outlet Pastellia menunjukkan bahwa pada lag satu berada di atas garis kritis berbeda nyata dari nol dan perlahan sedikit menurun. Hal ini menunjukkan bahwa penjualan Tahu Kita pada outlet Pastellia merupakan data dengan unsur trend didalamnya dan memiliki autokorelasi. Oleh karena itu dilakukan proses differencing untuk menghilangkan trend pada data tersebut sehingga menjadi data stasioner. Plot ACF untuk penjualan Tahu Kita pada outlet Pastellia dapat dilihat pada Lampiran 5.

37

4.2.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Pastellia Metode Time Series yang digunakan untuk menentukan metode peramalan produk Tahu Kita pada Outlet Pastellia adalah Trend Linear, Trend Quadratic, Moving Average, Single Exponential Smoothing, Double Exponential Smoothing Holt, Decomposition Additive, Decompotition Multiplicative dan ARIMA. Berdasarkan hasil perhitungan, pada Tabel 6 disajikan susunan metode peramalan yang didapat berdasarkan besaran nilai MSE.

Tabel 6. Nilai MSE metode peramalan time series pada Outlet Pastellia No.

Metode Peramalan

α

Β

γ

MSE

1

Decomposition Additive

642,832

2

Decompositon Multiplicative

659,549

3

Single Exponential Smoothing

0,883

4

Double Exponential Smoothing

0,945

5

ARIMA (1,1,0)

819,6

6

Moving Average (2)

921,286

7

Trend Quadratic

944,485

8

Trend Linear

1033,15

737,331 0,068

796,233

Berdasarkan Tabel 6, penjualan produk Tahu Kita pada outlet Pastellia yang dianalisis dengan Minitab 14 dengan metode peramalan Decomposition Aditif memiliki nilai MSE terkecil (642,832) dibandingkan dengan metode peramalan lainnya. Sedangkan untuk metode peramalan terbaik kedua adalah metode Decompotition Multiplicative dengan memiliki nilai MSE 659,549. Hasil metode Decompotition Aditif terdapat pada Lampiran 10 dan hasil output komputer metode Decomposition Multiplicative terdapat pada Lampiran 11.

38

Tabel 7. Ramalan penjualan Tahu Kita bulan Januari 2011 – Maret 2012 dengan metode Decompotision Additive Peramalan Penjualan Periode Bulan (pack) 31

Januari 2011

107,383

32

Februari 2011

88,512

33

Maret 2011

49,849

34

April 2011

49,540

35

Mei 2011

21,085

36

Juni 2011

22,214

37

Juli 2011

42,530

38

Agustus 2011

9,012

39

September 2011

63,037

40

Oktober 2011

96,728

41

November 2011

57,502

42

Desember 2011

104,068

43

Januari 2012

104,176

44

Februari 2012

85,305

45

Maret 2012

46,641

Dari tabel di atas, ternyata hasil peramalan yang diperoleh dari jumlah penjualan setiap bulannya sangat berfluktuasi tidak beraturan. Mulai dari hasil peramalan bulan Januari 2011 yang sangat tinggi bila dibandingkan dengan penjualan sebelumnya, tetapi menurun sangat drastis hingga bulan Juni 2011. Mulai bulan Juli 2011 hingga Maret 2012, hasil peramalan yang dihasilkan sangat berfluktuasi, tetapi menunjukkan hasil penjualan cukup baik, karena masih ada

penjualan. Hasil

penjualan di outlet Pastellia terbilang sangat baik, disebabkan faktor tempat Pastellia yang sangat dekat dengan pabrik Tahu Kita, sehingga cukup mudah dan cepat untuk memperoleh maupun memesan, serta Pastellia terletak di Pasar Modern yang setiap harinya cukup banyak didatangi oleh masyarakat sekitar. Dari metode ini diperoleh

39

persamaan Ŷt = 69,0443 – 0,267288*t. Persamaan tersebut menunjukkan arah negatif, yang berarti setiap periode (bulan) ada penurunan penjualan 0,267288 unit. Misalnya saat periode 31 (t=31) Ŷt = 69,0443 – 0,267288*31 = 60,758, saat periode 32 (t=32) Ŷt = 69,0443 – 0,267288*32 = 60,491. Hasil penjualan Tahu Kita pada periode 31 dan 32 mengalami penurunan penjualan 0,267 unit, sesuai dengan persamaan di atas. Sebagai altenatif lain dipilih metode Decomposition Multiplicative sebagai metode terbaik kedua yang memiliki nilai MSE terkecil setelah metode Decomposition Additive. Dari metode ini diperoleh persamaan Ŷt = 79,7356 – 0,765873*t. Persamaan tersebut menunjukkan arah negatif, yang berarti setiap periode (bulan) ada penurunan penjualan 0,765873 unit. Misalnya saat periode 31 (t=31) Ŷt = 79,7356 – 0,765873*31 = 55,993, saat periode 32 (t=32) Ŷt = 79,7356 – 0,765873*32 = 55,228. Hasil penjualan Tahu Kita pasa periode 31 dan 32 mengalami penurunan penjualan 0,765 unit, sesuai dengan persamaan di atas. Dari dua metode terbaik, didapatkan hasil yang sama yaitu terjadi sedikit penurunan penjualan Tahu Kita pada outlet Pastellia. 4.3 Metode Peramalan Time Series pada Outlet Joyo Swalayan 4.3.1 Identifikasi Pola Data Penjualan Tahu Kita Pada Outlet Joyo Swalayan Joyo Swalayan menyediakan berbagai macam kebutuhan rumah tangga dengan harga murah dan melayani pesan antar, dengan alamat di jalan Ciputat Raya 254, Kebayoran Lama. Sebagai ilustrasi, data Penjualan Tahu Kita pada outlet Joyo Swalayan dengan menggunakan bantuan program Minitab 14 menunjukkan bahwa data stasioner. Penjualan produk Tahu Kita pada outlet Joyo Swalayan cukup baik karena pada awal penjualan saja yaitu bulan Oktober 2008 meningkat sangat drastis (78 pack) yang merupakan penjualan tertinggi di outlet Joyo Swalayan, walaupun setelah itu penjualannya mengalami fluktuasi yang tidak beraturan.

40

80 70 60

Joyo

50 40 30 20 10 0 3

6

9

12

15 Index

18

21

24

27

30

Gambar 3. Pola data penjualan Tahu Kita pada Outlet Joyo Swalayan

Dapat dilihat mulai bulan Juni 2009, penjualannya mengalami penurunan yang berlangsung cukup lama hingga bulan Mei 2010 yang memang pada bulan tersebut, PT. Kitagama sedang tidak melakukan produksi. Tetapi mengalami peningkatan kembali hingga bulan Desember 2010. Fungsi autokorelasi untuk outlet Joyo Swalayan menunjukkan kesemua lag berada dibawah gratis kritis yang berarti tidak adanya trend dan tidak ada autokorelasi. Plot ACF untuk outlet Joyo Swalayan dapat dilihat pada Lampiran 6.

4.3.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Joyo Swalayan Metode Time Series yang digunakan untuk menentukan metode peramalan produk Tahu Kita pada Outlet Joyo Swalayan adalah Trend Linear, Trend Quadratic, Moving Average, Single Exponential Smoothing, Double

Exponential

Smoothing

Holt,

Decomposition

Additive,

Decompotition Multiplicative dan ARIMA. Hasil perhitungan berikut ini

41

adalah susunan metode peramalan yang didapatkan berdasarkan besaran nilai MSE.

Tabel 8. Nilai MSE metode peramalan time series pada Outlet Joyo Swalayan No.

Metode Peramalan

Α

Β

MSE

Γ

1

Moving Average (4)

232,579

2

Decompositon Additive

287,047

3

Decompotition Multiplicative

290,021

4

Trend Quadratic

319,085

5

Trend Linear

324,868

6

Single Exponential Smoothing

7

ARIMA (0,0,1)

8

Double Exponential Smoothing

0,303

345,607 352,868

0,427

0,072

441,367

Untuk outlet Joyo Swalayan, dengan Minitab 14 diperoleh metode peramalan terbaik adalah Moving Average (4), karena menghasilkan MSE paling

kecil

(232,579).

Metode

peramalan

terbaik

kedua

adalah

Decompotition Additive yaitu menghasilkan MSE 287,047. Hasil output komputer metode Moving Average (4) terdapat pada Lampiran 12 dan untuk metode Decomposition Additive terdapat pada Lampiran 13.

42

Tabel 9. Ramalan penjualan Tahu Kita bulan Januari 2011 – Maret 2012 dengan Metode Moving Average (4) Periode

Bulan

Peramalan Penjualan (pack)

31

Januari 2011

18,5

32

Februari 2011

18,5

33

Maret 2011

18,5

34

April 2011

18,5

35

Mei 2011

18,5

36

Juni 2011

18,5

37

Juli 2011

18,5

38

Agustus 2011

18,5

39

September 2011

18,5

40

Oktober 2011

18,5

41

November 2011

18,5

42

Desember 2011

18,5

43

Januari 2012

18,5

44

Februari 2012

18,5

45

Maret 2012

18,5

Dari tabel di atas ternyata hasil peramalan yang diperoleh dari jumlah penjualan setiap bulannya stabil (18,5 pack). Hasil penjualan di outlet Joyo Swalayan cukup baik karena mungkin disebabkan oleh faktor salah satunya outlet Joyo Swalayan berafiliasi dengan PT. Kitagama, sehingga harga yang didapatkan lebih murah dibandingkan outlet lain, selain itu outlet Joyo Swalayan juga memiliki tempat yang sangat strategis yang berada di pinggir jalan Kebayoran Lama yang cukup ramai dilewati orang. Sebagai alternatif lain, dipilih metode Decomposition Additive, karena merupakan metode terbaik kedua yang memiliki nilai MSE terkecil setelah metode Moving Average (4).

43

Dari metode ini diperoleh persaman Ŷt = 38,1280 – 0,657341*t. Persamaan tersebut menunjukkan arah negatif, maka setiap periode (bulan) ada penurunan penjualan 0,657341 unit. Misalnya saat periode 31 (t=31) Ŷt = 38,1280 – 0,657341*31 = 17,750, saat periode 32 (t=32) Ŷt = 38,1280 – 0,657341*32 = 17,093. Hasil peramalan penjualan Tahu Kita periode 31 dan 32 mengalami penurunan penjualan 0,657, sesuai dengan persamaan di atas.

4.4 Metode Peramalan Time Series pada Outlet Pasar Bintaro Mas 4.4.1 Identifikasi Pola Data Penjualan Tahu Kita Pada Outlet Pasar Bintaro Mas Outlet milik Pak Sutahar ini terletak di Pasar tradisional Bintaro yang beralamat di jalan Burung Gereja Raya Perumahan Bintaro Jaya Sektor 2 telah menjadi pasar tradisonal yang megah dan modern, namun tetap tidak meninggalkan ketradisonalannya, dengan nama “Pasar Tradisional Bintaro Mas – Sektor 2” yang kini memiliki bangunan dengan dua (2) lantai, lantai dasar untuk los/lapaknya dibagi menjadi dua (2) blok yang diisi oleh sayur mayur, daging, ayam, ikan, sembako dan makanan. Sementara dilantai 1 terdapat lobi yang luasnya 12 x 10 m2, juga ada food court dan kios yang berjumlah 83 unit. Sedangkan di lantai paling atas atau daak dibuat sarana olahraga berupa 2 (dua) buah lapangan futsal yang sudah memenuhi standar nasional dan tentunya akan menambah ramainya aktifitas lokasi ini. Pasar tradisional ini mempunyai satu pintu utama, dua buah pintu di kanan kiri gedung, tiga buah tangga yang akan memudahkan keluar masuk pengunjung dan dibuka 24jam nonstop. Disamping itu Pasar Tradisional Bintaro Mas – Sektor 2 telah berhasil memperbaiki kembali citra pasar tradisional yang dikenal “becek dan kotor”, serta dilain pihak para pedagang-pedagang bermodal cekak yang biasa didapati dalam “ekonomi kerakyatan”, telah mendapatkan prioritas dalam proses penataan tersebut. Perubahan baru di pasar Bintaro sektor 2, berbagai keuntungan didapat dengan berinvestasi di pasar Bintaro Mas, dan

44

tentunya menawarkan konsep berdagang dan berbelanja, food court, kafe, dengan suasana bersih, aman dan nyaman. Kios dan los yang tertata rapi modern dengan sistem drainase teratur, lokasi sangat strategik di tengah pemukiman elit Bintaro Mas dengan keamanan terjamin 24 jam ditunjang oleh keberadaan pospol tepat dilokasi membuat pengunjung tidak perlu khawatir.

90 80

Ps. Bintaro Mas

70 60 50 40 30 20 10 0 3

6

9

12

15 Index

18

21

24

27

30

Gambar 4. Pola data penjualan Tahu Kita pada Outlet Ps. Bintaro Mas

Berdasarkan pengamatan terhadap data penjualan Tahu Kita pada outlet Pasar Bintaro Mas yang telah diolah dengan bantuan program Minitab 14 menunjukkan bahwa pola datanya adalah data yang tidak stasioner, karena terlihat adanya unsur trend. Penjualan produk Tahu Kita pada outlet Pasar Bintaro Mas menunjukkan pola data penjualan berfluktuasi tidak beraturan. Hal dimaksud ditunjukkan oleh peningkatan cukup drastis pada bulan Desember 2009 dan Januari 2010, dengan penjualan tertinggi (94 pack), tetapi mengalami penurunan hingga Mei 2010 karena, PT. Kitagawa tidak memproduksi produk Tahu Kita.

45

Fungsi Autokorelasi menunjukkan bahwa pada lag satu berada di atas garis kritis dan lag empat tepat mendekati garis kritis. Hal ini menunjukkan bahwa memang adanya trend dan adanya autokorelasi pada data tersebut, sehingga perlu dilakukan proses differencing. Plot ACF untuk outlet Pasar Bintaro Mas dapat dilihat pada Lampiran 7.

4.4.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Pasar Bintaro Mas Metode Time Series yang digunakan untuk menentukan metode peramalan produk Tahu Kita pada Outlet Pasar Bintaro Mas adalah Trend Linear, Trend Quadratic, Moving Average, Single Exponential Smoothing, Double

Exponential

Smoothing

Holt,

Decomposition

Additive,

Decompotition Multiplicative dan ARIMA. Hasil perhitungandari metode peramalan yang dimaksud didasarkan pada besaran nilai MSE, seperti dimuat pada Tabel 10.

Tabel 10. Nilai MSE metode peramalan time series pada Outlet Pasar Bintaro Mas No.

Metode Peramalan

α

Β

Γ

MSE

1

ARIMA (2,0,2)

253,53

2

Decompositon Additive

288,900

3

Decompotition Multiplicative

297,907

4

Trend Quadratic

358,510

5

Single Exponential Smoothing

0,858

6

Double Exponential Smoothing

0,942

7

Trend Linear

402,329

8

Moving Average (2)

434,893

360,235 0,022

373,507

46

Berdasarkan Tabel 10, penjualan produk Tahu Kita pada outlet Pasar Bintaro Mas dengan Minitab 14 diperoleh metode peramalan terbaik adalah metode ARIMA (2,0,2), karena memiliki nilai MSE terkecil (243,53) dibandingkan dengan metode peramalan lainnya. Sedangkan untuk metode peramalan terbaik kedua adalah metode Decompotition Additive dengan nilai MSE 288,900. Hasil output komputer metode ARIMA (2,0,2) terdapat pada Lampiran 14 dan untuk metode Decompotition Additive terdapat pada Lampiran 15.

Tabel 11. Ramalan penjualan Tahu Kita bulan Januari 2011 – Maret 2012 dengan Metode ARIMA (2,0,2)

Periode

Bulan

Peramalan Penjualan (pack)

31

Januari 2011

49,9956

32

Februari 2011

51,2863

33

Maret 2011

47,4859

34

April 2011

40,6139

35

Mei 2011

33,1089

36

Juni 2011

27,0964

37

Juli 2011

23,8835

38

Agustus 2011

23,7730

39

September 2011

26,1808

40

Oktober 2011

29,9674

41

November 2011

33,8509

42

Desember 2011

36,7773

43

Januari 2012

38,1559

44

Februari 2012

37,9253

45

Maret 2012

36,4652

47

Dari tabel di atas ternyata hasil peramalan yang diperoleh dari jumlah penjualan setiap bulannya cukup berfluktuasi (peningkatan ataupun penurunan), yaitu hasil peramalan bulan Januari 2011 meningkat pada bulan Februari 2011 (51 pack) dan juga merupakan peramalan penjualan tertinggi selama 15 periode tersebut. Hal lainnya terjadi penurunan penjualan hingga bulan September 2011, dimana penjualan terendah terjadi pada bulan Juli dan Agustus 2011 (23 pack), tetapi penjualan meningkat kembali dan cukup stabil hingga bulan Maret 2011. Hasil penjualan di outlet Pasar Bintaro Mas Pak Sutahar termasuk biasa saja (standar), hal ini mungkin dikarenakan outlet milik Pak Sutahar ini berada di Pasar Bintaro Mas yang merupakan pasar tradisional meskipun saat ini sudah lebih modern, sehingga sangat banyak pesaing produk tahu di pasar tersebut yang lebih menawarkan produk tahunya dengan harga yang sangat terjangkau dibandingkan dengan produk Tahu Kita yang harganya cukup mahal. Sebagai altenatif lain, dipilih metode Decomposition Additive sebagai metode terbaik kedua, dengan nilai MSE terkecil setelah metode ARIMA (2,0,2). Dari metode ini diperoleh persamaan Ŷt = 30,7091 + 0,0700222*t, dengan arah positif, yang berarti setiap periode (bulan) ada kenaikan penjualan 0,0700222 unit. Misalnya saat periode 31 (t=31) Ŷt = 30,7091 + 0,0700222*31 = 32,8798, saat periode 32 (t=32) Ŷt = 30,7091 + 0,0700222*32 = 32,9498. Hasil peramaln penjualan Tahu Kita periode 31 dan 32 mengalami peningkatan 0,07, sesuai dengan persamaan di atas.

4.5 Metode Peramalan Time Series pada Outlet Market City 4.5.1 Identifikasi Pola Data Penjualan Tahu Kita pada Outlet Market City Market City merupakan supermarket yang berlokasi di Pantai Indah Kapuk ini adalah supermarket yang memiliki konsep pemenuhan gaya hidup para profesional kota yang sibuk dalam satu tempat perbelanjaan. Market City menjadi salah satu gaya hidup baru para konsumennya, karena menyediakan semua kebutuhan sehari-hari dan menawarkan kegiatan berbelanja yang menyenangkan. Sebagai supermarket dengan pelayanan

48

jasa lengkap, Market City menawarkan produk bertaraf Internasional untuk memenuhi kebutuhan sehari-hari pelanggan dalam suasana berbelanja yang menyenangkan. Supermarket bertaraf Internasional ini menawarkan produk makanan yang segar dan didatangkan dari seluruh penjuru dunia. Market City memilih mutu terbaik untuk buah-buahan, sayuran, daging sapi, daging babi, daging ayam, telur, ikan, hasil laut, susu, produk makanan beku, makanan ringan, bumbu dan produk kebutuhan sehari-hari lainnya. Market City juga menyediakan produk organik untuk memenuhi kebutuhan konsumen yang sangat memperhatikan kesehatan. Dengan pengendalian terhadap mutu produk dan pemenuhan standar produk secara Internasional, maka Market City menjamin kepuasan konsumen terhadap produk-produk yang ditawarkan, karena semua produk ditampilkan di tempat yang menarik, bersih dan aman, secara keseluruhan merupakan mutu produk terbaik.

70 60

Market City

50 40 30 20 10 0 3

6

9

12

15 Index

18

21

24

27

30

Gambar 5. Pola data penjualan Tahu Kita pada outlet Market City

49

Berdasarkan pengamatan terhadap data penjualan Tahu Kita pada outlet Market City yang telah diolah dengan bantuan program Minitab 14 didapatkan pola data yang tidak stasioner, karena terlihat adanya unsur trend pada data tersebut. Penjualan produk Tahu Kita pada outlet Market City menunjukkan pola data penjualan berfluktuasi tidak beraturan, yaitu mengalami peningkatan hingga bulan Maret 2010, diantaranya penjualan tertinggi berada di bulan Oktober 2009 (65 pack). Selanjutnya pada bulan Mei sampai Desember 2010, penjualan Tahu Kita sangat berfluktuasi dan menghasilkan

penjualan

cukup

sedikit

dibandingkan

bulan-bulan

sebelumnya. Hal ini dikarenakan PT. Kitagama pada bulan Mei 2010 tidak melakukan produksi akibat adanya masalah internal sehingga, berdampak menurunkan penjualan Tahu Kita pada bulan selanjutnya. Fungsi Autokorelasi menunjukkan bahwa pada lag satu berada di atas garis kritis dan lag dua yang tepat mendekati garis kritis, namun perlahan menurun mendekati nol. Hal ini menunjukkan bahwa memang adanya trend dan adanya autokorelasi pada data tersebut, sehingga perlu dilakukan proses differencing. Plot ACF untuk outlet Market City dapat dilihat pada Lampiran 8. 4.5.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Market City Metode Time Series yang digunakan untuk menentukan metode peramalan produk Tahu Kita pada Outlet Market City berupa Trend Linear, Trend Quadratic, Moving Average, Single Exponential Smoothing, Double Exponential Smoothing Holt, Decomposition Additive, Decompotition Multiplicative dan ARIMA. Berikut ini disajikan susunan metode peramalan yang didapat berdasarkan besaran nilai MSE. Berdasarkan Tabel 12, untuk penjualan produk Tahu Kita pada outlet Market City dengan menggunakan Minitab 14 diperoleh metode peramalan terbaik adalah metode Trend Quadratic. Metode ini memiliki nilai MSE terkecil dibandingkan dengan metode peramalan lainnya, yaitu 155,679.

50

Sedangkan untuk metode peramalan terbaik kedua adalah metode Single Exponential Smoothing dengan memiliki nilai MSE 191,045. Hasil output komputer metode Trend Quadratic terdapat pada Lampiran 16 dan hasil output komputer metode Single Exponential Smoothing terdapat pada Lampiran 17.

Tabel 12. Nilai MSE Metode Peramalan Time Series pada Outlet Market City No.

Metode Peramalan

α

Β

Γ

MSE

1

Trend Quadratic

155,678

2

Single Exponential Smoothing

3

Moving Average (3)

4

Double Exponential Smoothing

5

ARIMA (0,1,1)

208,83

6

Decomposition Additive

226,668

7

DecompositionMultiplicative

227,430

8

Trend Linear

245,180

0,514

191,045 199,802

0,482

0,075

199,994

Dari hasil ramalan dengan menggunakan metode Trend Quadratic (Lampiran 16) terlihat bahwa hasil peramalan yang diperoleh dari jumlah penjualan setiap bulannya menunjukkan penurunan cukup tinggi, sehingga menyebabkan kerugian pada perusahaan. Hal ini mungkin dikarenakan kesalahan error. Seperti dapat dilihat, bahwa hasil peramalan penjualan dari bulan Februari 2011 hingga Maret 2012 menunjukkan angka negatif, yang berarti perusahaan mengalami kerugian atau defisit. Sebagai altenatif yang lain dipilih metode Single Exponential Smoothing dengan menggunakan α = 0,514, karena merupakan metode terbaik kedua dengan nilai MSE terkecil setelah metode Trend Quadratic. Dari hasil metode ini peramalan penjualan yang diperoleh stabil dan sangat jauh berbeda dengan hasil peramalan dengan

51

metode Trend Quadratic. Dengan menggunakan metode ini juga jauh lebih mendekati data aktual sebelumnya dibandingkan dengan menggunakan metode Trend Quadratic. Hasil ramalan penjualan Tahu Kita di outlet Market City masih sangat kurang, dikarenakan faktor tempat outlet ini yang terletak sangat jauh dengan pabriknya, sehingga sering kesulitan saat mengantar barang.

Tabel 13. Ramalan Penjualan Tahu Kita Bulan Januari 2011 – Maret 2012 dengan Metode Single Exponential Smoothing

Periode

Bulan

Peramalan Penjualan (pack)

31

Januari 2011

24

32

Februari 2011

24

33

Maret 2011

24

34

April 2011

24

35

Mei 2011

24

36

Juni 2011

24

37

Juli 2011

24

38

Agustus 2011

24

39

September 2011

24

40

Oktober 2011

24

41

November 2011

24

42

Desember 2011

24

43

Januari 2012

24

44

Februari 2012

24

45

Maret 2012

24

52

4.6 Metode Peramalan Time Series pada Outlet Kemchicks 4.6.1 Identifikasi Pola Data Penjualan Tahu Kita Pada Outlet Kemchicks Kemchicks Supermarket memberikan pelayanan tinggi dan berbagai pilihan barang. Supermarket ini adalah spesialis dalam memenuhi kebutuhan makanan tertentu masyarakat asing pengiriman makanan ke daerah-daerah terpencil dan menyediakan bahan makanan untuk warga jakarta. Menyediakan stok sayuran segar dari Australia, buah-buahan tropis lokal, keju dari seluruh dunia, daging segar dan potongan dingin, roti segar yang lezat dan makanan yang dipanggang.

90 80 70

Kemchicks

60 50 40 30 20 10 0 3

6

9

12

15 Index

18

21

24

27

30

Gambar 6. Plot Data Penjualan Tahu Kita pada Outlet Kemchicks

Berdasarkan pengamatan terhadap data penjualan Tahu Kita pada outlet Kemchicks yang telah diolah dengan bantuan program Minitab 14 menunjukkan bahwa pola datanya adalah data stasioner. Penjualan Tahu Kita mengalami peningkatan hingga bulan Februari 2009. Selanjutnya mengalami penurunan yang cukup drastis pada hingga bulan Mei 2009, yaitu 3 (tiga) pack. Tetapi meningkat lagi seperti terjadi pada bulan

53

Desember 2009 dan penjualan paling tinggi terjadi pada bulan Juli 2010. Fungsi Autokorelasi menunjukkan bahwa kesemua lag berada di bawah garis kritis, meskipun pada lag kelima (5) hampir mendekati garis kritis. Hal ini menunjukkan bahwa tidak adanya autokorelasi pada data tersebut. Plot ACF untuk outlet Market City dapat dilihat pada Lampiran 9.

4.6.2 Metode Peramalan Penjualan Tahu Kita pada Outlet Kemchicks Metode Time Series yang digunakan untuk menentukan metode peramalan produk Tahu Kita pada Outlet Kemchicks adalah Trend Linear, Trend Quadratic, Moving Average, Single Exponential Smoothing, Double Exponential Smoothing Holt, Decomposition Additive, Decompotition Multiplicative dan ARIMA. Berdasarkan hasil perhitungan, Tabel 14 menyajikan susunan metode peramalan yang didapat berdasarkan besaran nilai MSE. Tabel 14. Nilai MSE metode peramalan Time Series pada Outlet Kemchicks No.

Metode Peramalan

α

Β

γ

MSE

1

Decomposition Additive

311,813

2

Trend Quadratic

366,661

3

ARIMA (0,0,1)

399,8

4

Trend Linear

403,488

5

Single Exponential Smoothing

6

Decompotision Multiplicative

7

Double Exponential Smoothing

8

Moving Average (2)

0,037

435,296 490,880

0,577

0,094

543,606 641,670

Berdasarkan Tabel 14, untuk penjualan produk Tahu Kita pada outlet Kemchicks dengan menggunakan Minitab 14 diperoleh metode peramalan terbaik adalah metode Decomposition Additive. Metode ini memiliki nilai

54

MSE terkecil (311,813) dibandingkan dengan metode peramalan lainnya. Sedangkan untuk metode peramalan terbaik kedua adalah metode Trend Quadratic dengan memiliki nilai MSE 366,661. Hasil metode Decompotition Aditif terdapat pada Lampiran 18 dan hasil output komputer metode Trend Quadratic terdapat pada Lampiran 19.

Tabel 15. Ramalan penjualan Tahu Kita Bulan Januari 2011 – Maret 2012 dengan Metode Decompotiton Additive

Periode

Bulan

Peramalan Penjualan (pack)

31

Januari 2011

60,0693

32

Februari 2011

50,0915

33

Maret 2011

47,6553

34

April 2011

32,2400

35

Mei 2011

10,7831

36

Juni 2011

29,5970

37

Juli 2011

43,9942

38

Agustus 2011

37,8497

39

September 2011

48,7469

40

Oktober 2011

37,9358

41

November 2011

48,8747

42

Desember 2011

94,4386

43

Januari 2012

65,3358

44

Februari 2012

55,3580

45

Maret 2012

52,9219

55

Dari tabel di atas, ternyata hasil peramalan yang diperoleh dari jumlah penjualan setiap bulannya cukup berfluktuasi. Mulai dari hasil peramalan bulan Januari 2011 hingga Mei 2011 mengalami penurunan, tetapi kemudian terus meningkat dari bulan Juni 2011 sampai dengan Maret 2012 meskipun kadang mengalami penurunan. Dan peramalan penjualan tertinggi terjadi pada bulan Desember 2011 (94 pack). Hasil ramalan penjualan Tahu Kita di outlet Kemchicks terbilang cukup baik, karena outlet ini merupakan supermarket berskala internasional yang terdiri dari konsumen menengah ke atas, sehingga target konsumen untuk produk Tahu Kita cukup sesuai. Selain itu, letak outlet ini juga sangat strategis yaitu berada di daerah Kemang. Dari metode Decomposition Additive diperoleh persamaan Ŷt = 29,1707 + 0,438877*t. Persamaan tersebut menunjukkan arah positif, yang berarti setiap periode (bulan) ada kenaikan penjualan 0,438877 unit. Misalnya saat periode 31 (t=31) Ŷt = 29,1707 + 0,438877*31 = 42,775887, saat periode 32 (t=32) Ŷt = 29,1707 + 0,438877*32 = 43,214764. Hasil peramalan penjualan Tahu Kita pada periode 31 dan 32 mengalami peningkatan 0,438877, sesuai dengan persamaan di atas. Sebagai altenatif lain dipilih metode Trend Quadaratic karena merupakan metode terbaik kedua yang memiliki nilai MSE terkecil setelah metode Decompotition Additive. Dari metode ini diperoleh persaman Ŷt = 44,6581 – 2,33433*t + 0,0907159*t**2. 4.7 Implikasi Manajerial Semakin tingginya tingkat persaingan bisnis saat ini, terutama dalam bidang industri makanan, membuat para pelaku usaha harus mampu membaca dan memahami peluang maupun situasi yang ada saat ini sehingga dapat terus bertahan di pasar. Dalam dunia bisnis, pastinya para pelaku bisnis dihadapi oleh lingkungan usaha yang dinamis dan sering berubah dengan cepat, sehingga sering adanya ketidakpastian yang dihadapi oleh para pelaku bisnis dalam memproduksi maupun memasarkan produknya. Untuk itu, cara yang tepat dilakukan salah satunya adalah dengan melakukan peramalan penjualan (forecasting). Perusahaan

56

yang melakukan kegiatan forecasting dapat digunakan untuk mengambil keputusan jangka pendek, jangka menengah maupun jangka panjang sesuai dengan kebutuhan perusahaan tersebut, salah satunya dapat membuat perencanaan produksi, perencanaan pemasaran, perencanaan keuangan, dan sebagainya. Untuk mencapai tingkat penjualan yang maksimal, PT. Kitagama perlu membuat suatu perencanaan penjualan yang dapat dijadikan dasar dalam mengambil keputusan. Salah satu dasar untuk perencanaan penjualan adalah penentuan penjualan Tahu Kita untuk beberapa periode mendatang dengan melakukan peramalan. Dengan melakukan analisis peramalan penjualan, perusahaan dapat meramalkan produk atau target di masa mendatang, sehingga target tersebut dapat dijadikan acuan perusahaan dalam menyusun perencanaan produksi dan kebijakan perusahaan yang tepat dan sesuai. Berdasarkan hasil penelitian yang telah dilakukan, peramalan penjualan dapat digunakan perusahaan sebagai informasi dalam mempersiapkan dan mengetahui perencanaan penjualan di kelima outlet tersebut di masa mendatang, juga menyusun strategi pemasaran yang lebih baik. Pola data penjualan dan hasil peramalan penjualan dapat bersifat sangat berfluktuasi tidak beraturan, bahkan jarang menunjukkan adanya penjualan yang terus meningkat. Hal ini mungkin dikarenakan dari segi harga dan pemasaran produk Tahu Kita tersebut. Harga produk Tahu Kita yang terbilang cukup mahal dibandingkan dengan tahu yang ada di pasaran, sehingga membuat sangat sedikit masyarakat Indonesia yang melirik Tahu Kita untuk dikonsumsi, meskipun produk tahu ini sangat sehat alami dan tanpa bahan pengawet. Banyaknya produsen tahu di pasaran yang menawarkan harga yang sangat terjangkau membuat para konsumen tahu tertarik tanpa berpikir panjang untuk membeli tanpa memeriksa adanya bahan pengawet pada tahu tersebut. Untuk pemasaran Tahu Kita masih sangat kurang, karena masih banyak masyarakat yang belum mengenal produk Tahu Kita ini, sehingga penjualannya masih sedikit. Perusahaan harus merencanakan strategi pemasaran yang lebih tepat agar dapat meningkatkan penjualan Tahu Kita, disamping itu perusahaan

57

juga harus merubah harga jual Tahu Kita agar konsumen tertarik untuk membeli dan bisa dijadikan alternatif pilihan saat membeli produk tahu. Cara untuk mengatasi mengurangi harga jual dari produk Tahu Kita salah satunya dengan mengurangi biaya produksi produk tahu tersebut seperti membeli bahan baku yang murah tetapi tetap bermutu. Dengan kata lain, berkurangnya biaya produksi juga berdampak pada kurangnya harga jual produk Tahu Kita dan berharap dapat membantu meningkatkan penjualan produk Tahu Kita. Informasi hasil peramalan penjualan pada penelitian ini juga digunakan untuk menyusun ramalan pendapatan kotor di lima outlet penjualan. Hasil perkiraan pendapatan kotor penjualan Tahu Kita di kelima outlet untuk 15 periode yaitu bulan Januari 2011 sampai Maret 2012 dapat digunakan perusahaan sebagai dasar dalam perencanaan pembiayaan. Dengan demikian, perusahaan dapat merencanakan penganggaran dana yang terjadi di masa mendatang. Hal ini dapat memberikan efisiensi bagi kelangsungan kegiatan perusahaan, mendukung perencanaan proses pengambilan keputusan, serta mengurangi ketidakpastian biaya disamping menyusun perencanaan pemasaran yang lebih baik.

58

KESIMPULAN DAN SARAN

1. Kesimpulan a. Hasil pola data penjualan Tahu Kita di kelima outlet penjualan menunjukkan bahwa outlet Pastellia, outlet Pasar Bintaro Mas, outlet Market City menunjukkan data tidak stasioner. Sednagkan outlet Joyo Swalayan dan outlet Kemchicks menunjukkan data stasioner. b. Hasil peramalan penjualan Tahu Kita di kelima outlet penjualan menunjukkan bahwa metode terbaik metode terbaik pada outlet Pastellia dan Kemchicks dengan Decomposition Additive, outlet Joyo Swalayan dengan metode Moving Average, outlet Pasar Bintaro Mas menggunakan metode ARIMA, outlet Market City dengan metode Trend Quadratic. c. Ramalan penjualan Tahu Kita di kelima outlet selama 15 periode mendatang (Januari 2011 sampai Maret 2012) sangat bervariasi, misal ramalan penjualan pada outlet pastellia dan outlet Kemchicks terlihat sangat berfluktuasi tidak beraturan (107 pack menjadi 46 pack), outlet Joyo Swalayan sangat stabil dengan penjualan 18 pack tiap bulannya, outlet Pasar Bintaro Mas cenderung merata tiap bulannya (50 pack menjadi 51 pack), dan outlet Market City mengalami penurunan yang tajam sekali. 2. Saran a. Perusahaan sebaiknya melakukan peramalan secara berkala (misalnya 3 atau 6 bulan sekali), agar peramalan memudahkan menetapkan target penjualan, maupun target lainnya untuk meningkatkan keuntungan perusahaan. b. Perusahaan sebaiknya memilih metode terbaik yang tingkat keakuratannya paling tinggi (misalnya metode Decomposition Additive sebagai metode terbaik dari outlet Pastellia dan outlet Kemchicks), sehingga hasil peramalan tidak berbeda jauh dengan realisasi dan dapat mengurangi ketidakpastian yang terjadi pada masa mendatang.

59

c. Perusahaan harus teliti dan cermat dalam melakukan peramalan penjualan (misalnya melihat output pada computer), karena hasil peramalan yang dilakukan akan digunakan sebagai dasar penyusunan strategi produksi, pemasaran maupun keuangan di masa mendatang.

60

DAFTAR PUSTAKA

Aldina, A. 2008. Analisis Peramalan Penjualan Matrix Blackberry PT. Indosat, TBK Dalam Rangka Perencanaan Strategi Pemasaran. Skripsi pada Departemen Manajemen, Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor, Bogor. Adisarwanto, T dan R, Wudianto. 2002. Meningkatkan Hasil Panen Kedelai di lahan Sawah-Kering-Pasang Surut. PT. Penebar Swadaya, Jakarta. Baroto, T. 2002. Perencanaan dan Pengendalian Produksi. Ghalia Indonesia, Jakarta. Handoko, H. 1984. Dasar-Dasar Manajemen Produksi dan Operasi. BPFE, Yogyakarta. Hanke et al. 2003. Peramalan Bisnis. (Terjemahan). Prenhallindo, Jakarta. Heizer, J. dan B. Render. 2006. Manajemen Operasi (Terjemahan). Salemba Empat, Jakarta. Indrajit, E. R dan Djokopranoto. 2003. Manajemen Persediaan. PT. Gramedia Widiasarana Indonesia, Jakarta. Kastyanto, W. FL. 1999. Membuat Tahu. Penebar Swadaya, Jakarta. Muttaqin, Z.M. 2010. Peramalan Penjualan Dan Harga Ayam Broiler pada Perusahaan Tunas Mekar Farm (TMF) Bogor. Skripsi pada Program Sarjana Ekstensi Manajemen Agribisnis, Fakultas Pertanian, Institut Pertanian Bogor, Bogor. Putri, D. Y. 2007. Analisis Peramalan Penjualan Roti Pada PT. Edam Burger. Skripsi pada Program Sarjana Ekstensi Manajemen Agribisnis, Fakultas Pertanian, Institut Pertanian Bogor, Bogor. Santoso, S. 2009. Business Forecasting Metode Peramalan Bisnis Masa Kini dengan Minitab dan SPSS. PT. Elex Media Komputindo, Jakarta. Sugiarto dan Harihono. 2000. Peramalan Bisnis. PT. Gramedia Pustaka Utama, Jakarta. Syarief, R, dkk. 1993. Aneka Ragam Pangan Produk Kedelai. Pusat Penelitian dan Pengembangan Teknologi Pangan. Lembaga Penelitian Institut Pertanian Bogor.

61

Winarto, A. dan S,B. Kuncoro. 2005. Prosiding Lokakarya Pengembangan Kedelai di Lahan Sub-Optimal. Pusat Penelitian dan Pengembagan Tanaman Pangan, Jakarta. www.bps.go.id. 2011. Badan Pusat Statistik. [22 April 2011]. http://ideas.repec.org/p/ags/midagr/11041.html. [21 April 2011]. http://id.wikipedia.org/wiki/Tahu. 2011. Sejarah Tahu. [1 Maret 2011]. http://www.nsrl.uiuc.edu/aboutsoy/soynutrition.html. [22 April].

62

LAMPIRAN \

63

Lampiran 1. Data penjualan Tahu Kita bulan Juli 2008 – Desember 2010 (dalam pack)

Bulan Jul-08 Aug-08 Sep-08 Oct-08 Nov-08 Dec-08 Jan-09 Feb-09 Mar-09 Apr-09 May-09 Jun-09 Jul-09 Aug-09 Sep-09 Oct-09 Nov-09 Dec-09 Jan-10 Feb-10 Mar-10 Apr-10 May-10 Jun-10 Jul-10 Aug-10 Sep-10 Oct-10 Nov-10 Dec-10

Pastellia

Joyo

37 42 46 61 78 49 92 94 77 88 63 48 69 38 91 121 77 120 140 100 40 30 0 19 25 35 48 85 87 69

6 9 12 78 22 46 34 50 58 47 39 55 29 26 19 22 18 24 24 12 24 6 0 4 27 57 16 8 13 37

Ps. Bintaro Mas 10 15 18 20 25 50 20 20 45 35 59 38 31 20 10 20 28 72 94 47 54 20 0 12 10 20 25 31 20 44

Market City 20 38 35 51 43 25 40 47 55 60 49 56 52 46 40 65 43 60 60 45 60 31 0 26 15 5 28 19 34 22

Kemchicks 27 30 32 47 36 55 53 65 30 15 3 20 29 20 29 19 30 75 45 15 45 30 0 20 85 40 40 80 46 51

64

Lampiran 2. Data aktual penjualan Tahu Kita bulan Januari 2011 - April 2011 (dalam pack)

Ps. Bintaro

Market

Mas

City

11

39

44

30

64

11

26

52

28

Maret 2011

36

17

42

36

48

April 2011

41

12

23

31

33

Bulan

Pastellia

Joyo

Januari 2011

78

Februari 2011

Kemchicks

65

Lampiran 3. Struktur organisasi

Direktur Utama

Manager Operasional

Kepala Pemasaran

Accounting & Adm

Kepala Pabrik / Produksi

Kurir Tenaga Kerja Produksi

66

Lampiran 4. Proses produksi Tahu Kita

Kedelai

Digiling

Disaring

Pemasakan

Uap (≠ kompor)

Penggumpalan

Pencetakan

Pembungkusan

Pasteurisasi (10’-15’)

Tahu Kitagama

Pemasaran

67

Lampiran 5. ACF untuk outlet Pastellia Uji Autokorelasi Pastellia 1.0 0.8

Autocorrelation

0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

2

3

4

5 Lag

Autocorrelation Function: Pastellia Lag 1 2 3 4 5 6 7 8

ACF 0.626962 0.322764 0.117626 -0.257442 -0.422779 -0.454227 -0.423786 -0.135900

T 3.43 1.32 0.46 -0.99 -1.58 -1.57 -1.36 -0.41

LBQ 13.01 16.58 17.08 19.52 26.39 34.64 42.14 42.94

6

7

8

68

Lampiran 6. ACF untuk outlet Joyo Swalayan Uji Autokorelasi Joyo 1.0 0.8

Autocorrelation

0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

2

3

4

5 Lag

Autocorrelation Function: Joyo Lag 1 2 3 4 5 6 7 8

ACF 0.305889 0.203480 0.023388 0.241822 0.189285 0.046418 -0.079630 -0.034133

T 1.68 1.02 0.11 1.17 0.88 0.21 -0.36 -0.15

LBQ 3.10 4.52 4.54 6.70 8.07 8.16 8.42 8.47

6

7

8

69

Lampiran 7. ACF untuk outlet Ps. Bintaro Mas Uji Autokorelasi Ps. Bintaro Mas 1.0 0.8

Autocorrelation

0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

2

3

4

5 Lag

Autocorrelation Function: Ps. Bintaro Mas Lag 1 2 3 4 5 6 7 8

ACF 0.521197 0.193951 -0.138819 -0.478992 -0.382757 -0.214447 -0.010172 0.102084

T 2.85 0.86 -0.60 -2.04 -1.44 -0.76 -0.04 0.35

LBQ 8.99 10.28 10.97 19.44 25.06 26.90 26.91 27.36

6

7

8

70

Lampiran 8. ACF untuk outlet Market City Uji Autokorelasi Market City 1.0 0.8

Autocorrelation

0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

2

3

4

5 Lag

Autocorrelation Function: Market City Lag 1 2 3 4 5 6 7 8

ACF 0.541411 0.480415 0.424493 0.153728 0.151251 0.038580 -0.119632 -0.055569

T 2.97 2.09 1.62 0.54 0.53 0.13 -0.41 -0.19

LBQ 9.70 17.62 24.02 24.90 25.77 25.83 26.43 26.57

6

7

8

71

Lampiran 9. ACF untuk outlet Kemchicks Uji Autokorelasi Kemchicks 1.0 0.8

Autocorrelation

0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

2

3

4

5 Lag

Autocorrelation Function: Kemchicks Lag 1 2 3 4 5 6 7 8

ACF 0.255362 -0.074160 0.163323 -0.065015 -0.363312 -0.151359 0.016017 -0.150303

T 1.40 -0.38 0.84 -0.33 -1.81 -0.68 0.07 -0.67

LBQ 2.16 2.35 3.30 3.45 8.52 9.44 9.45 10.43

6

7

8

72

Lampiran 10. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada outlet Pastellia dengan metode Decomposition Additive Time Series Decomposition for Pastellia * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Model

Data Length NMissing

Pastellia 30 0

Fitted Trend Equation Yt = 69.0443 - 0.267288*t

Seasonal Indices Period 1 2 3 4 5 6 7 8 9 10 11 12

Index -16.6250 -49.8750 4.4167 38.3750 -0.5833 46.2500 46.6250 28.0208 -10.3750 -10.4167 -38.6042 -37.2083

Accuracy Measures MAPE MAD MSD

Time Jul-08 Aug-08 Sep-08 Oct-08 Nov-08 Dec-08 Jan-09 Feb-09 Mar-09 Apr-09 May-09 Jun-09 Jul-09

40.423 22.219 642.832

Pastellia 37 42 46 61 78 49 92 94 77 88 63 48 69

Trend 68.7771 68.5098 68.2425 67.9752 67.7079 67.4406 67.1733 66.9060 66.6388 66.3715 66.1042 65.8369 65.5696

Seasonal -16.6250 -49.8750 4.4167 38.3750 -0.5833 46.2500 46.6250 28.0208 -10.3750 -10.4167 -38.6042 -37.2083 -16.6250

Detrend -31.7771 -26.5098 -22.2425 -6.9752 10.2921 -18.4406 24.8267 27.0940 10.3612 21.6285 -3.1042 -17.8369 3.4304

Deseason 53.625 91.875 41.583 22.625 78.583 2.750 45.375 65.979 87.375 98.417 101.604 85.208 85.625

Predict 52.152 18.635 72.659 106.350 67.125 113.691 113.798 94.927 56.264 55.955 27.500 28.629 48.945

Error -15.1521 23.3652 -26.6592 -45.3502 10.8754 -64.6906 -21.7983 -0.9269 20.7362 32.0452 35.5000 19.3714 20.0554

73

Lanjutan Lampiran 10. Aug-09 Sep-09 Oct-09 Nov-09 Dec-09 Jan-10 Feb-10 Mar-10 Apr-10 May-10 Jun-10 Jul-10 Aug-10 Sep-10 Oct-10 Nov-10 Dec-10

38 91 121 77 120 140 100 40 30 0 19 25 35 48 85 87 69

Forecasts Period 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45

Forecast 107.383 88.512 49.849 49.540 21.085 22.214 42.530 9.012 63.037 96.728 57.502 104.068 104.176 85.305 46.641

65.3023 65.0350 64.7677 64.5005 64.2332 63.9659 63.6986 63.4313 63.1640 62.8967 62.6294 62.3622 62.0949 61.8276 61.5603 61.2930 61.0257

-49.8750 4.4167 38.3750 -0.5833 46.2500 46.6250 28.0208 -10.3750 -10.4167 -38.6042 -37.2083 -16.6250 -49.8750 4.4167 38.3750 -0.5833 46.2500

-27.3023 25.9650 56.2323 12.4995 55.7668 76.0341 36.3014 -23.4313 -33.1640 -62.8967 -43.6294 -37.3622 -27.0949 -13.8276 23.4397 25.7070 7.9743

87.875 86.583 82.625 77.583 73.750 93.375 71.979 50.375 40.417 38.604 56.208 41.625 84.875 43.583 46.625 87.583 22.750

15.427 69.452 103.143 63.917 110.483 110.591 91.719 53.056 52.747 24.293 25.421 45.737 12.220 66.244 99.935 60.710 107.276

22.5727 21.5483 17.8573 13.0829 9.5168 29.4091 8.2806 -13.0563 -22.7474 -24.2926 -6.4211 -20.7372 22.7801 -18.2442 -14.9353 26.2903 -38.2757

74

Lanjutan Lampiran 10. Dekomposisi Aditif Pastellia Additive Model Variable A ctual F its Trend F o recasts

140 120

Pastellia

100

A ccuracy Measures MA PE 40.423 MA D 22.219 MSD 642.832

80 60 40 20 0 08 09 09 09 10 10 10 tttbnbnc c c e u e u O J O J O F F Bulan

Component Analysis for Pastellia Additive Model Original Data

Detrended Data

Detr. Data

150

Data

100 50

0 -50

0 Jun-09 Dec-09 Bulan

Jun-10

Dec-10

Seasonally Adjusted Data 150 100 50 0 Jul-08 Dec-08

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

Jul-08 Dec-08

Seas. A dj. and Detr. Data

Jul-08 Dec-08

Seas. A dj. Data

50

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

Seasonally Adj. and Detrended Data 50 0 -50 Jul-08 Dec-08

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

75

Lampiran 11. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada outlet Pastellia dengan metode Decomposition Multiplicative Time Series Decomposition for Pastellia * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Multiplicative Model

Data Length NMissing

Pastellia 30 0

Fitted Trend Equation Yt = 79.7356 - 0.765873*t

Seasonal Indices Period 1 2 3 4 5 6 7 8 9 10 11 12

Index 0.80528 0.43185 1.04998 1.46478 0.99441 1.63268 1.67469 1.41409 0.84659 0.82404 0.40591 0.45569

Accuracy Measures MAPE MAD MSD

Time Jul-08 Aug-08 Sep-08 Oct-08 Nov-08 Dec-08 Jan-09 Feb-09 Mar-09 Apr-09 May-09 Jun-09

37.946 21.002 659.549

Pastellia 37 42 46 61 78 49 92 94 77 88 63 48

Trend 78.9697 78.2038 77.4379 76.6721 75.9062 75.1403 74.3744 73.6086 72.8427 72.0768 71.3110 70.5451

Seasonal 0.80528 0.43185 1.04998 1.46478 0.99441 1.63268 1.67469 1.41409 0.84659 0.82404 0.40591 0.45569

Detrend 0.46853 0.53706 0.59402 0.79560 1.02758 0.65211 1.23698 1.27703 1.05707 1.22092 0.88345 0.68042

Deseason 45.947 97.256 43.810 41.644 78.438 30.012 54.936 66.474 90.953 106.791 155.207 105.334

Predict 63.593 33.772 81.309 112.308 75.482 122.680 124.554 104.089 61.668 59.394 28.946 32.147

Error -26.5926 8.2277 -35.3085 -51.3078 2.5179 -73.6798 -32.5542 -10.0893 15.3321 28.6058 34.0542 15.8530

76

Lanjutan Lampiran 11. Jul-09 Aug-09 Sep-09 Oct-09 Nov-09 Dec-09 Jan-10 Feb-10 Mar-10 Apr-10 May-10 Jun-10 Jul-10 Aug-10 Sep-10 Oct-10 Nov-10 Dec-10

69 38 91 121 77 120 140 100 40 30 0 19 25 35 48 85 87 69

Forecasts Period 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45

Forecast 93.7718 78.0970 46.1068 44.2476 21.4848 23.7709 41.3899 21.8656 52.3590 71.9217 48.0647 77.6646 78.3806 65.1008 38.3262

69.7792 69.0133 68.2475 67.4816 66.7157 65.9498 65.1840 64.4181 63.6522 62.8864 62.1205 61.3546 60.5887 59.8229 59.0570 58.2911 57.5252 56.7594

0.80528 0.43185 1.04998 1.46478 0.99441 1.63268 1.67469 1.41409 0.84659 0.82404 0.40591 0.45569 0.80528 0.43185 1.04998 1.46478 0.99441 1.63268

0.98883 0.55062 1.33338 1.79308 1.15415 1.81956 2.14777 1.55236 0.62841 0.47705 0.00000 0.30968 0.41262 0.58506 0.81277 1.45820 1.51238 1.21566

85.685 87.994 86.668 82.606 77.433 73.499 83.598 70.717 47.248 36.406 0.000 41.695 31.045 81.047 45.715 58.029 87.489 42.262

56.192 29.803 71.659 98.846 66.343 107.675 109.163 91.093 53.887 51.821 25.215 27.959 48.791 25.834 62.009 85.384 57.204 92.670

12.8083 8.1966 19.3413 22.1542 10.6570 12.3253 30.8370 8.9069 -13.8873 -21.8209 -25.2153 -8.9590 -23.7908 9.1655 -14.0088 -0.3838 29.7961 -23.6697

77

Lanjutan Lampiran 11.

Dekomposisi Data Pastellia Multiplicative Model Variable A ctual Fits Trend Forecasts

140 120

Pastellia

100

A ccuracy Measures MA PE 37.946 MA D 21.002 MSD 659.549

80 60 40 20 0 08 - 09 09 - 09 -10 10 - 10 tt t b nb nOc Ju Oc Ju Oc Fe Fe Bulan

Component Analysis for Pastellia Multiplicative Model Original Data

Detrended Data 40 Detr. Data

Data

150 100 50 0 Jun-09 Dec-09 Bulan

Jun-10

Seas. A dj. Data

Seasonally Adjusted Data 150 100 50 0 Jul-08 Dec-08

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

-40 -80 Jul-08 Dec-08

Dec-10

Seas. A dj. and Detr. Data

Jul-08 Dec-08

0

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

Seasonally Adj. and Detrended Data 40 0 -40 -80 Jul-08 Dec-08

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

78

Lampiran 12. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada Outlet Joyo Swalayan dengan metode Moving Average (4) Moving Average for Joyo * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Data Length NMissing

Joyo 30 0

Moving Average Length

4

Accuracy Measures MAPE MAD MSD

62.269 12.048 232.579

Time 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Joyo 6 9 12 78 22 46 34 50 58 47 39 55 29 26 19 22 18 24 24 12 24 6 0 4 27 57 16 8 13 37

Forecasts

MA * * * 26.25 30.25 39.50 45.00 38.00 47.00 47.25 48.50 49.75 42.50 37.25 32.25 24.00 21.25 20.75 22.00 19.50 21.00 16.50 10.50 8.50 9.25 22.00 26.00 27.00 23.50 18.50

Predict * * * * 26.25 30.25 39.50 45.00 38.00 47.00 47.25 48.50 49.75 42.50 37.25 32.25 24.00 21.25 20.75 22.00 19.50 21.00 16.50 10.50 8.50 9.25 22.00 26.00 27.00 23.50

Error * * * * -4.25 15.75 -5.50 5.00 20.00 0.00 -8.25 6.50 -20.75 -16.50 -18.25 -10.25 -6.00 2.75 3.25 -10.00 4.50 -15.00 -16.50 -6.50 18.50 47.75 -6.00 -18.00 -14.00 13.50

79

Lanjutan Lampiran 12. Period 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45

Forecast 18.5 18.5 18.5 18.5 18.5 18.5 18.5 18.5 18.5 18.5 18.5 18.5 18.5 18.5 18.5

Lower -11.3905 -11.3905 -11.3905 -11.3905 -11.3905 -11.3905 -11.3905 -11.3905 -11.3905 -11.3905 -11.3905 -11.3905 -11.3905 -11.3905 -11.3905

Upper 48.3905 48.3905 48.3905 48.3905 48.3905 48.3905 48.3905 48.3905 48.3905 48.3905 48.3905 48.3905 48.3905 48.3905 48.3905

Moving Average Joyo 80

Variable Actual Fits Forecasts 95.0% PI

60

Joyo

Moving Average Length 4

40

Accuracy Measures MAPE 62.269 MAD 12.048 MSD 232.579

20

0

4

8

12

16

20 24 Index

28

32

36

40

44

80

Lampiran 13. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada Outlet Joyo Swalayan dengan metode Decomposition Additive Time Series Decomposition for Joyo * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Model

Data Length NMissing

Joyo 30 0

Fitted Trend Equation Yt = 38.1280 - 0.657341*t

Seasonal Indices Period 1 2 3 4 5 6 7 8 9 10 11 12

Index -3.6615 -4.6615 -8.6615 -2.5365 -3.2031 6.5469 2.9010 3.4635 12.3802 -0.7448 -6.0990 4.2760

Accuracy Measures MAPE MAD MSD

Time Jul-08 Aug-08 Sep-08 Oct-08 Nov-08 Dec-08 Jan-09 Feb-09 Mar-09 Apr-09 May-09 Jun-09

89.278 13.266 287.047

Joyo 6 9 12 78 22 46 34 50 58 47 39 55

Trend 37.4707 36.8133 36.1560 35.4987 34.8413 34.1840 33.5266 32.8693 32.2120 31.5546 30.8973 30.2399

Seasonal -3.6615 -4.6615 -8.6615 -2.5365 -3.2031 6.5469 2.9010 3.4635 12.3802 -0.7448 -6.0990 4.2760

Detrend -31.4707 -27.8133 -24.1560 42.5013 -12.8413 11.8160 0.4734 17.1307 25.7880 15.4454 8.1027 24.7601

Deseason 9.6615 13.6615 20.6615 80.5365 25.2031 39.4531 31.0990 46.5365 45.6198 47.7448 45.0990 50.7240

Predict 33.8092 32.1519 27.4945 32.9622 31.6382 40.7309 36.4277 36.3328 44.5922 30.8098 24.7983 34.5160

Error -27.8092 -23.1519 -15.4945 45.0378 -9.6382 5.2691 -2.4277 13.6672 13.4078 16.1902 14.2017 20.4840

81

Lanjutan Lampiran 13. Jul-09 Aug-09 Sep-09 Oct-09 Nov-09 Dec-09 Jan-10 Feb-10 Mar-10 Apr-10 May-10 Jun-10 Jul-10 Aug-10 Sep-10 Oct-10 Nov-10 Dec-10

29 26 19 22 18 24 24 12 24 6 0 4 27 57 16 8 13 37

29.5826 28.9252 28.2679 27.6106 26.9532 26.2959 25.6385 24.9812 24.3239 23.6665 23.0092 22.3518 21.6945 21.0372 20.3798 19.7225 19.0651 18.4078

Forecasts Period 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45

Forecast 20.6515 20.5566 28.8160 15.0336 9.0221 18.7398 10.1449 8.4876 3.8303 9.2979 7.9739 17.0666 12.7634 12.6685 20.9279

-3.6615 -4.6615 -8.6615 -2.5365 -3.2031 6.5469 2.9010 3.4635 12.3802 -0.7448 -6.0990 4.2760 -3.6615 -4.6615 -8.6615 -2.5365 -3.2031 6.5469

-0.5826 -2.9252 -9.2679 -5.6106 -8.9532 -2.2959 -1.6385 -12.9812 -0.3239 -17.6665 -23.0092 -18.3518 5.3055 35.9628 -4.3798 -11.7225 -6.0651 18.5922

32.6615 30.6615 27.6615 24.5365 21.2031 17.4531 21.0990 8.5365 11.6198 6.7448 6.0990 -0.2760 30.6615 61.6615 24.6615 10.5365 16.2031 30.4531

25.9211 24.2638 19.6064 25.0741 23.7501 32.8428 28.5396 28.4447 36.7041 22.9217 16.9102 26.6279 18.0330 16.3757 11.7184 17.1860 15.8620 24.9547

3.0789 1.7362 -0.6064 -3.0741 -5.7501 -8.8428 -4.5396 -16.4447 -12.7041 -16.9217 -16.9102 -22.6279 8.9670 40.6243 4.2816 -9.1860 -2.8620 12.0453

82

Lanjutan Lampiran 13.

Dekomposisi Data Joyo Multiplicative Model 80

Variable Actual Fits Trend Forecasts

70 60

A ccuracy Measures MA PE 85.043 MA D 13.294 MSD 290.021

Joyo

50 40 30 20 10 0 08 09 09 09 10 10 - 10 ttt bnbnc c e u e u O J O J Oc F F Bulan

Component Analysis for Joyo Multiplicative Model Original Data

Detrended Data 40 Detr. Data

Data

75 50 25

20 0 -20

0 Jun-09 Dec-09 Bulan

Jun-10

Dec-10

Seas. A dj. Data

Seasonally Adjusted Data 75 50 25 0 Jul-08 Dec-08

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

Jul-08 Dec-08

Seas. A dj. and Detr. Data

Jul-08 Dec-08

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

Seasonally Adj. and Detrended Data 40 20 0 -20 Jul-08 Dec-08

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

83

Lampiran 14. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada Outlet Pasar Bintaro Mas dengan metode ARIMA (2,0,2) ARIMA Model: Ps. Bintaro Mas Estimates at each iteration Iteration 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

SSE 12119.7 9746.3 9692.1 9639.7 9562.3 9421.7 8886.1 8398.2 7935.7 7490.3 7055.2 6719.8 6640.0 6617.6 6606.5 6606.4 6604.8 6602.4 6602.1

0.100 0.250 0.400 0.550 0.700 0.850 0.976 1.102 1.229 1.354 1.474 1.532 1.530 1.531 1.534 1.534 1.534 1.536 1.536

0.100 0.030 0.061 0.089 0.107 0.088 -0.062 -0.212 -0.362 -0.512 -0.662 -0.753 -0.772 -0.785 -0.794 -0.797 -0.800 -0.802 -0.802

Parameters 0.100 0.100 -0.049 0.170 0.098 0.245 0.246 0.318 0.392 0.382 0.530 0.416 0.613 0.330 0.704 0.232 0.807 0.123 0.921 0.005 1.039 -0.113 1.100 -0.158 1.094 -0.144 1.095 -0.146 1.101 -0.150 1.098 -0.146 1.100 -0.147 1.103 -0.150 1.103 -0.150

24.427 22.060 16.520 11.064 5.925 1.898 2.601 3.337 4.079 4.889 5.947 7.187 7.950 8.383 8.597 8.721 8.790 8.821 8.832

Unable to reduce sum of squares any further

Final Estimates of Parameters Type AR 1 AR 2 MA 1 MA 2 Constant Mean

Coef 1.5358 -0.8023 1.1028 -0.1498 8.8321 33.1406

SE Coef 0.1863 0.1827 0.2684 0.2666 0.1825 0.6849

T 8.24 -4.39 4.11 -0.56 48.39

P 0.000 0.000 0.000 0.579 0.000

Number of observations: 30 Residuals: SS = 6338.37 (backforecasts excluded) MS = 253.53 DF = 25

Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value

12 13.0 7 0.073

24 21.6 19 0.306

36 * * *

48 * * *

84

Lanjutan Lampiran 14. Forecasts from period 30

Period 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45

Forecast 49.9956 51.2863 47.4859 40.6139 33.1089 27.0964 23.8835 23.7730 26.1808 29.9674 33.8509 36.7773 38.1559 37.9253 36.4652

95 Percent Limits Lower Upper 18.7807 81.2106 17.2707 85.3020 13.4681 81.5038 5.0872 76.1405 -5.8730 72.0909 -15.2040 69.3968 -20.1830 67.9500 -20.6724 68.2183 -18.2761 70.6377 -14.9204 74.8551 -11.8749 79.5768 -9.7147 83.2693 -8.7112 85.0230 -9.0004 84.8510 -10.4746 83.4049

Actual

A C F of R e s idual s for P s . B inta r o M a s (w ith 5% significa nce lim its fo r the a uto corr e la tions) 1.0 0.8

Autocorrelation

0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

2

3

4 La g

5

6

7

6

7

PACF of Residuals for Ps. Bintaro Mas (with 5% significance limits for the partial autocorrelations) 1.0

Partial Autocorrelation

0.8 0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 1

2

3

4 Lag

5

85

Lampiran 15. Hasil peramalan 15 Periode ke depan untuk penjualan Tahu Kita pada Outlet Pasar Bintaro Mas dengan metode Decomposition Additive Time Series Decomposition for Ps. Bintaro Mas * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Model

Data Length NMissing

Ps. Bintaro Mas 30 0

Fitted Trend Equation Yt = 30.7091 + 0.0700222*t

Seasonal Indices Period 1 2 3 4 5 6 7 8 9 10 11 12

Index -3.2083 -18.4167 -29.9167 -19.6667 -8.5833 38.9583 27.2500 3.6458 19.3958 -2.9792 -1.1042 -5.3750

Accuracy Measures MAPE MAD MSD

Time Jul-08 Aug-08 Sep-08 Oct-08 Nov-08 Dec-08 Jan-09 Feb-09 Mar-09

56.201 13.562 288.900

Ps. Bintaro Mas 10 15 18 20 25 50 20 20 45

Trend 30.7791 30.8491 30.9192 30.9892 31.0592 31.1292 31.1993 31.2693 31.3393

Lanjutan Lampiran 15.

Seasonal -3.2083 -18.4167 -29.9167 -19.6667 -8.5833 38.9583 27.2500 3.6458 19.3958

Detrend -20.7791 -15.8491 -12.9192 -10.9892 -6.0592 18.8708 -11.1993 -11.2693 13.6607

Deseason 13.2083 33.4167 47.9167 39.6667 33.5833 11.0417 -7.2500 16.3542 25.6042

Predict 27.5708 12.4325 1.0025 11.3225 22.4759 70.0876 58.4493 34.9151 50.7351

Error -17.5708 2.5675 16.9975 8.6775 2.5241 -20.0876 -38.4493 -14.9151 -5.7351

86

Apr-09 May-09 Jun-09 Jul-09 Aug-09 Sep-09 Oct-09 Nov-09 Dec-09 Jan-10 Feb-10 Mar-10 Apr-10 May-10 Jun-10 Jul-10 Aug-10 Sep-10 Oct-10 Nov-10 Dec-10

35 59 38 31 20 10 20 28 72 94 47 54 20 0 12 10 20 25 31 20 44

Forecasts Period 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45

Forecast 60.1298 36.5956 52.4157 30.1107 32.0557 27.8549 30.0916 14.9533 3.5233 13.8433 24.9967 72.6084 60.9701 37.4359 53.2559

31.4093 31.4793 31.5494 31.6194 31.6894 31.7594 31.8295 31.8995 31.9695 32.0395 32.1095 32.1796 32.2496 32.3196 32.3896 32.4597 32.5297 32.5997 32.6697 32.7397 32.8098

-2.9792 -1.1042 -5.3750 -3.2083 -18.4167 -29.9167 -19.6667 -8.5833 38.9583 27.2500 3.6458 19.3958 -2.9792 -1.1042 -5.3750 -3.2083 -18.4167 -29.9167 -19.6667 -8.5833 38.9583

3.5907 27.5207 6.4506 -0.6194 -11.6894 -21.7594 -11.8295 -3.8995 40.0305 61.9605 14.8905 21.8204 -12.2496 -32.3196 -20.3896 -22.4597 -12.5297 -7.5997 -1.6697 -12.7397 11.1902

37.9792 60.1042 43.3750 34.2083 38.4167 39.9167 39.6667 36.5833 33.0417 66.7500 43.3542 34.6042 22.9792 1.1042 17.3750 13.2083 38.4167 54.9167 50.6667 28.5833 5.0417

28.4302 30.3752 26.1744 28.4111 13.2727 1.8428 12.1628 23.3161 70.9278 59.2895 35.7554 51.5754 29.2704 31.2154 27.0146 29.2513 14.1130 2.6830 13.0031 24.1564 71.7681

6.5698 28.6248 11.8256 2.5889 6.7273 8.1572 7.8372 4.6839 1.0722 34.7105 11.2446 2.4246 -9.2704 -31.2154 -15.0146 -19.2513 5.8870 22.3170 17.9969 -4.1564 -27.7681

87

Lanjutan Lampiran 15. Time Series Decomposition Plot for Ps. Bintaro Mas Additive Model Variable Actual Fits Trend Forecasts

90

Ps. Bintaro Mas

80 70

A ccuracy Measures MA PE 56.201 MA D 13.562 MSD 288.900

60 50 40 30 20 10 0 08 09 09 09 10 10 - 10 ttt bnbnc c e u e u O J O J Oc F F Bulan

Component Analysis for Ps. Bintaro Mas Additive Model Original Data

Detrended Data 60 Detr. Data

Data

100

50

0 -30

0 Jun-09 Dec-09 Bulan

Jun-10

Dec-10

Seasonally Adjusted Data 100

50

0 Jul-08 Dec-08

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

Jul-08 Dec-08

Seas. A dj. and Detr. Data

Jul-08 Dec-08

Seas. A dj. Data

30

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

Seasonally Adj. and Detrended Data 60 30 0 -30 Jul-08 Dec-08

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

88

Lampiran 16. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada Outlet Market City dengan metode Trend Quadratic Trend Analysis for Market City * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Data Length NMissing

Market City 30 0

Fitted Trend Equation Yt = 26.5631 + 3.67796*t - 0.141422*t**2

Accuracy Measures MAPE MAD MSD

Time Jul-08 Aug-08 Sep-08 Oct-08 Nov-08 Dec-08 Jan-09 Feb-09 Mar-09 Apr-09 May-09 Jun-09 Jul-09 Aug-09 Sep-09 Oct-09 Nov-09 Dec-09 Jan-10 Feb-10 Mar-10 Apr-10 May-10 Jun-10 Jul-10 Aug-10 Sep-10 Oct-10 Nov-10 Dec-10

37.900 9.612 155.678

Market City 20 38 35 51 43 25 40 47 55 60 49 56 52 46 40 65 43 60 60 45 60 31 0 26 15 5 28 19 34 22

Trend 30.0996 33.3533 36.3241 39.0122 41.4173 43.5396 45.3791 46.9358 48.2096 49.2005 49.9086 50.3339 50.4763 50.3358 49.9126 49.2065 48.2175 46.9457 45.3910 43.5535 41.4332 39.0300 36.3440 33.3751 30.1234 26.5889 22.7714 18.6712 14.2881 9.6222

Detrend -10.0996 4.6467 -1.3241 11.9878 1.5827 -18.5396 -5.3791 0.0642 6.7904 10.7995 -0.9086 5.6661 1.5237 -4.3358 -9.9126 15.7935 -5.2175 13.0543 14.6090 1.4465 18.5668 -8.0300 -36.3440 -7.3751 -15.1234 -21.5889 5.2286 0.3288 19.7119 12.3778

89

Lanjutan Lampiran 16. Forecasts Period 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45

Forecast 4.6734 -0.5582 -6.0727 -11.8700 -17.9502 -24.3132 -30.9590 -37.8877 -45.0992 -52.5936 -60.3708 -68.4309 -76.7738 -85.3995 -94.3081

Trend Analysis Plot for Market City Quadratic Trend Model Yt = 26.5631 + 3.67796*t - 0.141422*t**2 Variable Actual Fits Forecasts

50

Market City

25

Accuracy Measures MAPE 37.900 MAD 9.612 MSD 155.678

0 -25 -50 -75 -100 08 -09 -09 -09 -10 -10 -10 tt t b un b un c O J Oc Fe J Oc Fe Bulan

90

Lampiran 17. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada Outlet Market City dengan metode Single Exponential Smoothing Single Exponential Smoothing for Market City * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Data Length

Market City 30

Smoothing Constant Alpha

0.513675

Accuracy Measures MAPE MAD MSD

35.752 11.119 191.045

Time 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Market City 20 38 35 51 43 25 40 47 55 60 49 56 52 46 40 65 43 60 60 45 60 31 0 26 15 5 28 19 34 22

Smooth 24.4824 31.4261 33.2619 42.3735 42.6953 33.6057 36.8903 42.0834 48.7183 54.5134 51.6813 53.8997 52.9239 49.3673 44.5555 55.0573 48.8638 54.5842 57.3661 51.0140 55.6299 42.9781 20.9013 23.5204 19.1437 11.8784 20.1597 19.5640 26.9794 24.4216

Predict 29.2169 24.4824 31.4261 33.2619 42.3735 42.6953 33.6057 36.8903 42.0834 48.7183 54.5134 51.6813 53.8997 52.9239 49.3673 44.5555 55.0573 48.8638 54.5842 57.3661 51.0140 55.6299 42.9781 20.9013 23.5204 19.1437 11.8784 20.1597 19.5640 26.9794

Error -9.2169 13.5176 3.5739 17.7381 0.6265 -17.6953 6.3943 10.1097 12.9166 11.2817 -5.5134 4.3187 -1.8997 -6.9239 -9.3673 20.4445 -12.0573 11.1362 5.4158 -12.3661 8.9860 -24.6299 -42.9781 5.0987 -8.5204 -14.1437 16.1216 -1.1597 14.4360 -4.9794

91

Lanjutan Lampiran 17. Forecasts Period 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45

Forecast 24.4216 24.4216 24.4216 24.4216 24.4216 24.4216 24.4216 24.4216 24.4216 24.4216 24.4216 24.4216 24.4216 24.4216 24.4216

Lower -2.81920 -2.81920 -2.81920 -2.81920 -2.81920 -2.81920 -2.81920 -2.81920 -2.81920 -2.81920 -2.81920 -2.81920 -2.81920 -2.81920 -2.81920

Upper 51.6624 51.6624 51.6624 51.6624 51.6624 51.6624 51.6624 51.6624 51.6624 51.6624 51.6624 51.6624 51.6624 51.6624 51.6624

Single Exponenting Smoothing Market City 70

Variable A ctual Fits

60

Smoothing C onstant A lpha 0.513675

Market City

50

Accuracy Measures MAPE 35.752 MAD 11.119 MSD 191.045

40 30 20 10 0 3

6

9

12

15 18 Index

21

24

27

30

Residual Plots for Market City Normal Probabilit y Plot of t he Residuals

Residuals Versus t he Fit t ed Values

99

Residual

Percent

90 50

0

-25

10 -50

1 -40

-20

0 Residual

20

40

20

Hist ogram of t he Residuals

40 Fitted Value

60

Residuals Versus t he Order of t he Dat a

7.5

Residual

Frequency

10.0

5.0

0

-25

2.5 -50

0.0 -40

-30

-20

-10 0 Residual

10

20

2

4

6

8

10 12 14 16 18 20 22 24 26 28 30

Observation Order

92

Lampiran 18. Hasil peramalan 15 periode ke depan untuk penjualan Tahu Kita pada Outlet Kemchicks dengan metode Decompotition Additive Time Series Decomposition for Kemchicks * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Model

Data Length NMissing

Kemchicks 30 0

Fitted Trend Equation Yt = 29.1707 + 0.438877*t

Seasonal Indices Period 1 2 3 4 5 6 7 8 9 10 11 12

Index -1.4149 -7.9983 2.4601 -8.7899 1.7101 46.8351 17.2934 6.8767 4.0017 -11.8524 -33.7483 -15.3733

Accuracy Measures MAPE MAD MSD

Time Jul-08 Aug-08 Sep-08 Oct-08 Nov-08 Dec-08 Jan-09 Feb-09 Mar-09 Apr-09 May-09 Jun-09 Jul-09

34.312 11.825 311.813

Kemchicks 27 30 32 47 36 55 53 65 30 15 3 20 29

Trend 29.6096 30.0484 30.4873 30.9262 31.3651 31.8039 32.2428 32.6817 33.1206 33.5594 33.9983 34.4372 34.8761

Seasonal -1.4149 -7.9983 2.4601 -8.7899 1.7101 46.8351 17.2934 6.8767 4.0017 -11.8524 -33.7483 -15.3733 -1.4149

Detrend -2.6096 -0.0484 1.5127 16.0738 4.6349 23.1961 20.7572 32.3183 -3.1206 -18.5594 -30.9983 -14.4372 -5.8761

Deseason 28.4149 37.9983 29.5399 55.7899 34.2899 8.1649 35.7066 58.1233 25.9983 26.8524 36.7483 35.3733 30.4149

Predict 28.1946 22.0502 32.9474 22.1363 33.0751 78.6390 49.5362 39.5584 37.1223 21.7070 0.2501 19.0639 33.4611

Error -1.1946 7.9498 -0.9474 24.8637 2.9249 -23.6390 3.4638 25.4416 -7.1223 -6.7070 2.7499 0.9361 -4.4611

93

Lanjutan Lampiran 18. Aug-09 Sep-09 Oct-09 Nov-09 Dec-09 Jan-10 Feb-10 Mar-10 Apr-10 May-10 Jun-10 Jul-10 Aug-10 Sep-10 Oct-10 Nov-10 Dec-10

20 29 19 30 75 45 15 45 30 0 20 85 40 40 80 46 51

Forecasts Period 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45

Forecast 60.0693 50.0915 47.6553 32.2400 10.7831 29.5970 43.9942 37.8497 48.7469 37.9358 48.8747 94.4386 65.3358 55.3580 52.9219

35.3149 35.7538 36.1927 36.6316 37.0705 37.5093 37.9482 38.3871 38.8260 39.2648 39.7037 40.1426 40.5815 41.0203 41.4592 41.8981 42.3370

-7.9983 2.4601 -8.7899 1.7101 46.8351 17.2934 6.8767 4.0017 -11.8524 -33.7483 -15.3733 -1.4149 -7.9983 2.4601 -8.7899 1.7101 46.8351

-15.3149 -6.7538 -17.1927 -6.6316 37.9295 7.4907 -22.9482 6.6129 -8.8260 -39.2648 -19.7037 44.8574 -0.5815 -1.0203 38.5408 4.1019 8.6630

27.9983 26.5399 27.7899 28.2899 28.1649 27.7066 8.1233 40.9983 41.8524 33.7483 35.3733 86.4149 47.9983 37.5399 88.7899 44.2899 4.1649

27.3167 38.2139 27.4028 38.3416 83.9055 54.8027 44.8249 42.3888 26.9735 5.5166 24.3305 38.7277 32.5832 43.4804 32.6693 43.6082 89.1720

-7.3167 -9.2139 -8.4028 -8.3416 -8.9055 -9.8027 -29.8249 2.6112 3.0265 -5.5166 -4.3305 46.2723 7.4168 -3.4804 47.3307 2.3918 -38.1720

94

Lanjutan Lampiran 18. Time Series Decomposition Plot for Kemchicks Additive Model 100

Variable A ctual F its Trend F o recasts

Kemchicks

80

A ccu racy M easures M A PE 34.312 MA D 11.825 M SD 311.813

60 40 20 0 Oc

0 t-

8 Fe

b-

09 Ju

09 n-

t Oc

-0

9 Fe

10 10 10 tbnJu Oc Bulan

Component Analysis for Kemchicks Additive Model Original Data

Detrended Data 40 Detr. Data

Data

75 50 25 0

-40 Jun-09 Dec-09 Bulan

Jun-10

Dec-10

Seasonally Adjusted Data 75 50 25 0 Jul-08 Dec-08

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

Jul-08 Dec-08

Seas. A dj. and Detr. Data

Jul-08 Dec-08

Seas. A dj. Data

0

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

Seasonally Adj. and Det rended Data 40

0

-40 Jul-08 Dec-08

Jun-09 Dec-09 Bulan

Jun-10

Dec-10

95

Lampiran 19. Hasil peramalan 15 Periode ke depan untuk penjualan Tahu Kita pada Outlet Kemchicks dengan Metode Trend Quadratic Trend Analysis for Kemchicks * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Data Length NMissing

Kemchicks 30 0

Fitted Trend Equation Yt = 44.6581 - 2.33433*t + 0.0907159*t**2

Accuracy Measures MAPE MAD MSD

66.972 14.757 366.661

Time Jul-08 Aug-08 Sep-08 Oct-08 Nov-08 Dec-08 Jan-09 Feb-09 Mar-09 Apr-09 May-09 Jun-09 Jul-09 Aug-09 Sep-09 Oct-09 Nov-09 Dec-09 Jan-10 Feb-10 Mar-10 Apr-10 May-10 Jun-10 Jul-10 Aug-10 Sep-10 Oct-10 Nov-10 Dec-10

Kemchicks 27 30 32 47 36 55 53 65 30 15 3 20 29 20 29 19 30 75 45 15 45 30 0 20 85 40 40 80 46 51

Trend 42.4145 40.3523 38.4716 36.7723 35.2544 33.9179 32.7629 31.7893 30.9972 30.3864 29.9571 29.7093 29.6428 29.7578 30.0543 30.5321 31.1914 32.0322 33.0543 34.2579 35.6429 37.2094 38.9573 40.8866 42.9974 45.2895 47.7631 50.4182 53.2547 56.2726

Detrend -15.4145 -10.3523 -6.4716 10.2277 0.7456 21.0821 20.2371 33.2107 -0.9972 -15.3864 -26.9571 -9.7093 -0.6428 -9.7578 -1.0543 -11.5321 -1.1914 42.9678 11.9457 -19.2579 9.3571 -7.2094 -38.9573 -20.8866 42.0026 -5.2895 -7.7631 29.5818 -7.2547 -5.2726

96

Lanjutan Lampiran 19. Forecasts Period 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45

Forecast 59.472 62.853 66.415 70.159 74.084 78.190 82.478 86.947 91.598 96.430 101.444 106.639 112.016 117.574 123.313

Trend Analysis Plot for Kemchicks Quadratic Trend Model Yt = 44.6581 - 2.33433*t + 0.0907159*t**2 140

Variable Actual Fits Forecasts

120

Kemchicks

100

Accuracy Measures MAPE 66.972 MAD 14.757 MSD 366.661

80 60 40 20 0 08 -09 -09 - 09 -10 -10 -10 tt t b n b n c O Ju Oc Fe Ju Oc Fe Bulan

97

Lampiran 20. Implikasi hasil peramalan terhadap perkiraan pendapatan kotor Tahu Kita pada Outlet Pastellia untuk periode Januari 2011 Maret 2012 Ramalan

Harga Tahu Kita

Pendapatan Kotor

Penjualan (pack)

(Rp/pack)

(Rp)

Januari 2011

107

8.000

856.000

Februari 2011

88

8.000

704.000

Maret 2011

50

8.000

400.000

April 2011

49

8.000

392.000

Mei 2011

21

8.000

168.000

Juni 2011

22

8.000

176.000

Juli 2011

42

8.000

336.000

Agustus 2011

9

8.000

72.000

September 2011

63

8.000

504.000

Oktober 2011

97

8.000

776.000

November 2011

57

8.000

456.000

Desember 2011

104

8.000

832.000

Januari 2012

104

8.000

832.000

Februari 2012

85

8.000

680.000

Maret 2012

47

8.000

376.000

Periode (Bulan)

Total

7.560.000

98

Lampiran 21. Implikasi hasil peramalan terhadap perkiraan pendapatan kotor Tahu Kita pada Outlet Joyo Swalayan untuk periode Januari 2011 - Maret 2012 Ramalan

Harga Tahu Kita

Pendapatan Kotor

Penjualan (pack)

(Rp/pack)

(Rp)

Januari 2011

18

8.000

144.000

Februari 2011

18

8.000

144.000

Maret 2011

18

8.000

144.000

April 2011

18

8.000

144.000

Mei 2011

18

8.000

144.000

Juni 2011

18

8.000

144.000

Juli 2011

18

8.000

144.000

Agustus 2011

18

8.000

144.000

September 2011

18

8.000

144.000

Oktober 2011

18

8.000

144.000

November 2011

18

8.000

144.000

Desember 2011

18

8.000

144.000

Januari 2012

18

8.000

144.000

Februari 2012

18

8.000

144.000

Maret 2012

18

8.000

144.000

Periode (Bulan)

Total

2.160.000

99

Lampiran 22. Implikasi hasil peramalan terhadap perkiraan pendapatan kotor Tahu Kita pada Outlet Ps. Bintaro Mas untuk periode Januari 2011 - Maret 2012 Ramalan

Harga Tahu Kita

Pendapatan Kotor

Penjualan (pack)

(Rp/pack)

(Rp)

Januari 2011

50

8.000

400.000

Februari 2011

51

8.000

408.000

Maret 2011

47

8.000

376.000

April 2011

41

8.000

328.000

Mei 2011

33

8.000

264.000

Juni 2011

27

8.000

216.000

Juli 2011

24

8.000

192.000

Agustus 2011

24

8.000

192.000

September 2011

26

8.000

208.000

Oktober 2011

30

8.000

240.000

November 2011

34

8.000

272.000

Desember 2011

37

8.000

296.000

Januari 2012

38

8.000

304.000

Februari 2012

38

8.000

304.000

Maret 2012

36

8.000

288.000

Periode (Bulan)

Total

4.288.000

100

Lampiran 23. Implikasi hasil peramalan terhadap perkiraan pendapatan kotor Tahu Kita pada Outlet Market City untuk periode Januari 2011 Maret 2012

Ramalan

Harga Tahu Kita

Penjualan (pack)

(Rp/pack)

Januari 2011

24

8.000

192.000

Februari 2011

24

8.000

192.000

Maret 2011

24

8.000

192.000

April 2011

24

8.000

192.000

Mei 2011

24

8.000

192.000

Juni 2011

24

8.000

192.000

Juli 2011

24

8.000

192.000

Agustus 2011

24

8.000

192.000

September 2011

24

8.000

192.000

Oktober 2011

24

8.000

192.000

November 2011

24

8.000

192.000

Desember 2011

24

8.000

192.000

Januari 2012

24

8.000

192.000

Februari 2012

24

8.000

192.000

Maret 2012

24

8.000

192.000

Periode (Bulan)

Total

Pendapatan Kotor (Rp)

2.880.000

101

Lampiran 24. Implikasi hasil peramalan terhadap perkiraan pendapatan kotor Tahu Kita pada Outlet Kemchicks untuk periode Januari 2011 Maret 2012 Ramalan

Harga Tahu Kita

Pendapatan Kotor

Penjualan (pack)

(Rp/pack)

(Rp)

Januari 2011

60

8.000

480.000

Februari 2011

50

8.000

400.000

Maret 2011

48

8.000

384.000

April 2011

32

8.000

256.000

Mei 2011

11

8.000

88.000

Juni 2011

30

8.000

240.000

Juli 2011

44

8.000

352.000

Agustus 2011

38

8.000

304.000

September 2011

49

8.000

392.000

Oktober 2011

38

8.000

304.000

November 2011

49

8.000

392.000

Desember 2011

94

8.000

752.000

Januari 2012

65

8.000

520.000

Februari 2012

55

8.000

440.000

Maret 2012

53

8.000

424.000

Periode (Bulan)

Total

5.728.000