APLIKASI PERAMALAN PRODUKSI KELAPA SAWIT DENGAN METODE REGRESI GANDA DAN EXPONENTIAL SMOOTHING Riski Agustian Kacaribu, Margaretha Ohyver, Bayu Kanigoro Universitas Bina Nusantara, Jalan KH. Syahdan No. 9 Palmerah, Jakarta 11480, 021-5345830
[email protected]
ABSTRAK Indonesia merupakan salah satu negara penghasil kelapa sawit utama di dunia. Perkebunan kelapa sawit yang ada di Indonesia, tidak hanya dimiliki oleh pemerintah (BUMN) saja, tetapi juga pihak swasta, baik perorangan maupun perusahaan. Perusahaan perkebunan kelapa sawit khususnya yang dimiliki oleh BUMN, tiap tahun melakukan peramalan terhadap produksi kelapa sawit yang akan dicapai untuk setahun ke depan. Hal ini dilakukan untuk menetapkan target produksi, perencanaan keuangan dan operasional perusahaan. Karena pentingnya hasil peramalan produksi tersebut, maka diperlukan peramalan yang tepat dan cepat. Tujuan dilakukannya penelitian ini adalah untuk meramalkan jumlah produksi kelapa sawit kebun Sei Siasam PT. Perkebunan Nusantara V (Persero) untuk setahun ke depan. Metode yang digunakan adalah regresi ganda dan Exponential Smoothing. Berdasarkan hasil penelitian, diperoleh nilai ramalan produksi kebun Sei Siasam tahun 2012 dengan metode regresi ganda sebesar 46,673,210 Kg dan metode Holt-Winters ES sebesar 48,921,597 Kg. Selain itu, juga dihasilkan program aplikasi sederhana dengan menggunakan bahasa pemrograman Java dan R Language. Hasil dari penelitian ini, dapat menjadi bahan pertimbangan baik bagi perusahaan maupun perorangan dalam pengambilan keputusan. (RAK) Kata kunci : Exponential Smoothing, Kelapa Sawit, Peramalan Produksi, Regresi Ganda. ABSTRACT Indonesia is one of the main palm oil producing countries in the world. Palm plantations in Indonesia, not only owned by the Government (BUMN), but also the private sector, both individuals and companies. Palm plantation company, owned by BUMN in particular, each year doing forecasting on Palm production to be achieved for the year ahead. This is done to set targets of production, operational and financial planning firm. Because of the importance of the results of such production forecasting, then needed a proper forecasting and quick. The purpose of doing research is to predict the amount of palm production at the Sei Siasam PT Perkebunan Nusantara V (Persero) for one year to the next. The method used is the multiple regression and Exponential Smoothing. Based on the results of the study, obtained a value of production forecast the Sei Siasam in 2012 with a binary regression methods amounted to 46,673,210 Kg and 48,921,597 for HoltWinters Exponential Smoothing method. Furthermore, also produced a simple application program using the Java programming language and the R Language. The results of this research, can be considered both for companies and individuals in decision making. (RAK) Keywords : Exponential Smoothing, Forecasting Production, Multiple Regression, Palm.
PENDAHULUAN Pertanian memiliki peranan penting dalam perekonomian di Indonesia. Berdasarkan data dari Badan Pusat Statistik (BPS) kontribusi pertanian terhadap Produk Domestik Bruto (PDB) cukup signifikan yaitu sebesar 15.34% pada tahun 2010. Hal ini membuat pertanian menempati peringkat kedua setelah sektor industri pengolahan. Pasa saat krisis ekonomi, sektor pertanian merupakan sektor yang cukup kuat dalam menghadapi goncangan ekonomi. Perkebunan merupakan salah satu sub sektor dari pertanian yang cukup berpotensi, walaupun pengaruh dari sub sektor perkebunan terhadap PDB belum terlalu signifikan yaitu sebesar 2.11% persen pada tahun 2010. Sub sektor perkebunan merupakan urutan ketiga di sektor pertanian setelah sub sektor tanaman bahan makanan dan perikanan (BPS, 2011). Kelapa sawit merupakan salah satu komoditi utama hasil perkebunan di Indonesia. Hal ini didukung oleh struktur tanah dan curah hujan yang cocok untuk pembudidayaan kelapa sawit. Pesatnya perkembannya industri kelapa sawit ini, menjadikan Indonesia sebagai salah satu negara produsen kelapa sawit utama di dunia. Hal ini dapat dibuktikan dari data yang diperoleh dari Direktorat Jenderal Perkebunan (Ditjenbun) pada tahun 2010 yang menunjukkan bahwa Indonesia mampu menghasilkan sebesar 19,844,901 ton buah sawit dari total luas lahan keseluruhan baik pemerintah maupun swasta sebesar 7,824,623 Ha. Dari fakta-fakta tersebut, industri kelapa sawit juga memberikan kontribusi untuk menambah devisa negara di sektor non migas. Untuk hasil dari produksi kelapa sawit sendiri, selain sebagai bahan baku minyak goreng, juga sebagai bahan baku oleochemical (Ditjenbun, 2012). PT. Perkebunan Nusantara V (PTPN V) adalah salah satu perusahaan BUMN yang bergerak di bidang perkebunan di Provinsi Riau. Perusahaan berdiri pada tanggal 11 Maret 1996 sebagai hasil konsolidasi kebun pengembangan PT. Perkebunan II (PTP II), PTP IV dan PTP V di provinsi Riau. Secara efektif perusahaan ini mulai beroperasi sejak tanggal 9 April 1996 dengan kantor pusat di Pekanbaru. Perusahaan ini bergerak di bidang perkebunan kelapa sawit dan karet. Kegiatannya meliputi pembukaan lahan, penanaman, pemeliharaan, pemanenan sampai dengan pengolahan hasil produksinya menjadi barang jadi dan setengah jadi. Kebun Sei Siasam merupakan salah satu unit kerja dari PTPN V yang bergerak di bidang pembudidayaan kelapa sawit. Kebun ini memiliki luas areal produktif sebesar 2150 Ha. Dalam ruang lingkup perusahaan perkebunan yang ada di BUMN, dikenal istilah RKAP yang merupakan singkatan dari Rencana Kerja dan Anggaran Perusahaan. Dalam rapat pembahasan RKAP yang dilakukan setahun sekali selain menentukan target produksi untuk setahun ke depan, juga dilakukan penentuan besarnya anggaran biaya yang diperlukan. Oleh karena itu peramalan produksi yang akurat sangat dibutuhkan untuk menyesuaikan besarnya anggaran yang diperlukan untuk biaya operasional perkebunan. Pada RKAP kebun Sei Siasam tahun 2010, target produksi yang diramalkan adalah sebesar 51,172 ton, akan tetapi realisasinya sebesar 39,197 ton. Dalam hal ini terjadi kesenjangan yang cukup besar antara ramalan dan realisasinya, sehingga mengakibatkan kelebihan pada alokasi biaya operasional. Begitu juga yang terjadi pada tahun 2011, dalam RKAP target produksi adalah sebesar 52,108 ton, akan tetapi realisasinya sebesar 43,976 ton. Berdasarkan kasus ini, peneliti ingin melakukan peramalan terhadap produksi kelapa sawit dengan menggunakan teknik peramalan causal dan time series (deret berkala). Untuk teknik peramalan causal menggunakan metode regresi ganda, sedangkan untuk teknik peramalan time series menggunakan metode Exponential Smoothing. Penelitian tentang peramalan dengan metode Exponential Smoothing sudah pernah dilakukan oleh para peneliti. Penelitian tersebut di antaranya dilakukan oleh Sidik (2010), Jalil et al (2013), dan Suwanvijit (2011). Nur Sidik meramalkan produksi tanaman pangan, tanaman perkebunan rakyat kabupaten Magelang dengan metode ES berbantu Minitab. Berdasarkan hasil penelitian, nilai Mean Absolute Percentage Error (MAPE) pada metode Double Exponential Smoothing lebih kecil dibandingkan dengan menggunakan metode Single Exponential Smoothing, sehingga metode Double Exponential Smoothing lebih baik digunakan untuk meramalkan produksi tanaman pangan dan tanaman perkebunan rakyat di kabupaten Magelang. Jalil et al meramalkan permintaan kebutuhan akan listrik di Malaysia dengan menggunakan metode Exponential Smoothing. Metode Exponential Smoothing yang digunakan adalah Holt-Winters Taylor, Holt Winters, dan Holt-Winters yang telah dimodifikasi. Untuk membandingkan metode-metode tersebut, Jalil et al menggunakan Mean Absolute Percentage Error (MAPE) sebagai tingkat keakuratannya. Suwanvijit meramalkan penjualan jangka panjang terhadap minuman bersoda di 14 propinsi di Thailand Selatan. Suwanvijit menggunakan metode Lee-Carter dan Holt-Winters Exponential Smoothing untuk
meramalkannya. Model yang dihasilkan dapat memprediksi dengan sangat akurat untuk 24 bulan ke depan dibandingkan dengan menggunakan metode peramalan secara terpisah yang digunakan sebelumnya. Untuk penelitian dengan menggunakan metode regresi ganda juga sudah pernah dilakukan oleh Berniati (2011) dan Gan et al (2011). Berniati melakukan analisa terhadap variabel-variabel yang mempengaruhi hasil produksi sawit dengan beberapa variabel bebas, antara lain luas lahan, curah hujan, dan pemupukan. Berniati menggunakan analisis regresi linear ganda untuk mengetahui pengaruh dan hubungan antara hasil produksi terhadap variabel-variabel yang ada. Gan et al melakukan peramalan terhadap neraca perdagangan di Sabah, Malaysia dengan menggunakan metode regresi linear ganda. Dari hasil model regresi yang didapat, selanjutnya akan digunakan untuk meramalkan neraca perdagangan untuk tahun 2011 ke atas. Seiring dengan berkembangnya dunia teknologi yang semakin maju, dengan adanya bantuan komputer maka pekerjaan manusia menjadi lebih mudah. Kebutuhan akan peramalan yang mendesak, mengakibatkan perlunya mempercepat proses peramalan dan juga para pengambil keputusan membutuhkan hasil peramalan dalam waktu yang relatif singkat pula. Dalam hal ini peramalan tentunya tidak dapat dilakukan secara manual, akan tetapi dapat menggunakan bantuan komputer untuk mempercepat proses peramalannya. Oleh sebab itu peneliti juga merancang suatu program aplikasi komputer yang dapat meramalkan produksi kelapa sawit dengan menggunakan bahasa pemrograman Java dan dan R language. Program aplikasi komputer tersebut akan dapat meramalkan produksi kelapa sawit dengan menggunakan dua metode yang berbeda, yaitu metode regresi ganda dan Exponential Smoothing.
METODE PENELITIAN Data yang akan digunakan adalah data sekunder, yaitu data perkebunan kelapa sawit PTPN V kebun Sei Siasam mulai dari tahun 2002-2012. Populasi pada penelitian ini adalah kelapa sawit. Sedangkan sampel pada penelitian ini adalah kelapa sawit di kebun Sei Siasam. Variabel yang digunakan dalam penelitian ini adalah produksi kelapa sawit sebagai variabel dependen, umur rata-rata, jumlah pohon, curah hujan, dan dosis pupuk sebagai variabel-variabel independen. Teknik analisis data yang digunakan dalam penelitian ini adalah metode regresi ganda dan Exponential Smoothing. Untuk Exponential Smoothing menggunakan metode Holt untuk data yang memiliki unsur tren dan Holt-Winters untuk data yang memiliki unsur tren dan musiman. Adapun langkah-langkah yang dilakukan pada penelitian ini adalah: 1. Identifikasi masalah. 2. Mengumpulan dan mempersiapkan data untuk dianalisis. 3. Mengolah data (metode regresi ganda dan Exponential Smoothing). 4. Melakukan pengujian untuk metode regresi ganda. 5. Menghitung nilai MAPE untuk masing-masing metode. 6. Menentukan metode peramalan yang cocok digunakan. 7. Membuat program aplikasi. 8. Kesimpulan.
Regresi Linear Ganda Regresi linear Ganda adalah analisis regresi yang menjelaskan hubungan antara variabel dependen dengan variabel-variabel independen yang mempengaruhinya (lebih dari satu prediktor) (Walpole, 1995). Secara umum hubungan antara variabel dependen dan variabel-variabel independen yang mempengaruhinya dapat dituliskan dalam bentuk persamaan regresi sebagai berikut : (1)
Dimana :
Dalam bentuk matriks dapat diuraikan sebagai berikut : (2) Dimana :
Exponential Smoothing Peramalan Pemulusan Eksponensial (Exponential Smoothing) merupakan salah satu kategori metode time series yang menggunakan pembobotan data masa lalu secara eksponensial. Dalam kategori ini terdapat beberapa metode yang umum dipakai, antara lain metode Pemulusan Eksponensial Tunggal (Single Exponential Smoothing), metode Pemulusan Ganda Dua Parameter dari Holt (Holt’s Two Parameter Exponential Smoothing), dan metode Pemulusan Eksponensial Tripel dari Winter (Winters Three Parameter Triple Exponential Smoothing) (Makridakis, 1999:79-101). Single Exponential Smoothing Metode ini juga dikenal sebagai simple exponential smoothing yang digunakan pada peramalan jangka pendek, biasanya hanya satu bulan ke depan. Model ini mengasumsikan data berfluktuasi di sekitar nilai ratarata yang tetap, tanpa mengikuti pola atau tren (Makridakis,1999:79). Metode ini dapat dirumuskan pada persamaan (2.1) sebagai berikut : (3) Dimana :
Double Exponential Smoothing (Holt) Metode pemulusan dua parameter dari Holt atau lebih dikenal dengan Holt Exponential Smoothing pada dasarnya tidak menggunakan rumus pemulusan berganda secara langsung. Sebagai gantinya, Holt memuluskan nilai trend dengan parameter yang berbeda dari parameter yang digunakan pada deret asli. Ramalan dari pemulusan dua parameter dari Holt didapat dengan menggunakan dua konstanta pemulusan (dengan nilai antara 0 dan 1) dan memiliki tiga persamaan, yaitu: (4) (5) (6) Dimana :
Triple Exponential Smoothing (Holt-Winters) Metode ini digunakan ketika terdapat unsur trend dan perilaku musiman yang ditunjukkan pada data. Untuk menangani musiman, telah dikembangkan parameter yang sesuai dengan nama penemunya yaitu metode “Holt-Winters”. Metode Exponential Smoothing yang telah dibahas sebelumnya dapat digunakan untuk hampir segala jenis data stasioner atau non – stasioner sepanjang data tersebut tidak mengandung faktor musiman. Tetapi bilamana terdapat data musiman, metode Winters dapat dijadikan cara untuk meramalkan data yang mengandung faktor musiman tersebut (Makridakis, 1999:96). Berikut adalah persamaan-persamaan yang digunakan untuk melakukan peramalan dengan menggunakan metode Tripple Exponential Smoothing adalah: (7) (8) (9) (11) Dimana:
HASIL DAN BAHASAN Regresi Ganda Data yang digunakan adalah data semesteran kebun Sei Siasam tahun 2002-2011. Untuk tahap pertama dilakukan analisis regresi serta pengujian parameter dan uji asumsi. Untik hasil analisi regresi ganda dan pengujian yang dilakukan dapat dilihat pada Gambar 1.
Gambar 1. Hasil Analisis Regresi Ganda 1
Berdasarkan hasil analisis regresi yang telah dilakukan diketahui bahwa tidak terjadi pelanggaran terhadap pengujian residual yaitu uji normalitas (Shapiro-Wilk), heteroskedastitas (White) dan autokorelasi (Durbin-Watson) karena nilai p-value > . Dari hasil analisis regresi juga tidak terjadi multikolinearitas (nilai VIF masing-masing variabel < 10). Akan tetapi berdasarkan nilai pengujian parameter secara individu (uji t), variabel dosis pupuk tidak signifikan berpengaruh terhadap produksi (p-value > 0.05), sehingga dilakukan analisis regresi tanpa memasukkan variabel dosis pupuk. Untuk hasil regresi yang baru, selengkapnya dapat dilihat pada Gambar 2.
Gambar 2. Hasil Analisis Regresi Ganda 2 Dari hasil output dari Gambar 2, maka didapat model regresinya adalah:
(12)
Berdasarkan nilai dari kedua model regresi, baik pada Gambar 1 (ada variabel dosis) maupun pada Gambar 2 (tanpa variabel dosis), diketahui bahwa tidak ada perbedaan yang signifikan antara kedua model tersebut. Hal ini berarti bahwa variabel dosis tidak memiliki pengaruh yang signifikan terhadap produksi sawit. Untuk nilai pada Gambar 2 memiliki arti bahwa variabel umur, jumlah pohon, dan curah hujan dapat menjelaskan model regresi sebesar 95.458%. Metode Exponential Smoothing Untuk mendapatkan nilai ramalan dengan menggunakan metode Holt-Winters, diperlukan nilai alpha ( ), beta ( ) dan gamma ( . Pada penelitian ini, peneliti menggunakan metode trial and error untuk menghasilkan nilai
,
minimum. Nilai ,
dan
dan
yang optimal berdasarkan nilai Sum of Squares Error (SSE) yang paling
yang optimal tersebut akan ditentukan langsung oleh program aplikasi yang telah
dirancang. Selanjutnya setelah didapatkan nilai ,
dan
yang optimal maka akan dilakukan perhitungan
nilai MAPE sebagai alat ukur keakuratan peramalannya. Sedangkan untuk metode Holt, langkah awalnya sama seperti metode Holt-Winters. Hanya saja pada metode Holt, tidak perlu mencari nilai , karena nilai digunakan jika terdapat indikasi musiman. Setelah mendapatkan nilai
,
dan
yang optimal, maka
dilakukan perhitungan dan peramalan untuk tiap jenis datanya. Perhitungan pada bab ini dikerjakan langsung oleh program aplikasi yang telah dirancang. Perhitungan manual dan langkah-langkah pengerjaannya untuk tiap metode (Holt-Winters dan Holt), dapat dilihat pada bab landasan teori. Untuk hasil perhitungan selengkapnya, dapat melihat output pada Gambar 3 untuk data triwulanan, Gambar 4 untuk data semesteran, dan Gambar 5 untuk data tahunan.
Gambar 3. Ramalan Produksi Kebun SSI per Triwulan
Gambar 4. Ramalan Produksi Kebun SSI per Semester
Gambar 5. Ramalan Produksi Kebun SSI per Tahun
Program Aplikasi Gambar 2 adalah tampilan utama program. Fungsi tombol Browse adalah untuk memilih file yang akan digunakan untuk proses perhitungan dan menampilkannya pada tabel. Setelah memilih file, maka user diminta untuk memilih salah satu metode (regression atau Exponential Smoothing) yang akan digunakan. Tombol Analyze berfungsi untuk menganalisis data dan menampilkan hasilnya berdasarkan metode yang dipilih.
Gambar 6. Tampilan Program
SIMPULAN DAN SARAN 1.
2.
3.
Berdasarkan hasil analisis dan pembahasan didapat simpulan sebagai berikut: Berdasarkan hasil analisis dengan menggunakan metode regresi ganda, diketahui bahwa dari keempat variabel bebas, yaitu umur rata-rata, jumlah pohon, curah hujan, dan dosis pupuk, hanya variabel dosis pupuk yang tidak signifikan berpengaruh terhadap besar kecilnya produksi kelapa sawit. Oleh sebab itu, semakin tinggi umur rata-rata, jumlah pohon, dan curah hujan, maka semakin tinggi pula jumlah produksi yang akan dicapai. Model regresi yang dapat digunakan untuk menduga produksi kelapa sawit di kebun SSI adalah:
Jumlah ramalan produksi kelapa sawit kebun SSI tahun 2012 dengan menggunakan metode regresi ganda adalah sebesar 46,673,210 Kg. Jumlah ramalan produksi kelapa sawit kebun SSI tahun 2012 dengan menggunakan metode Holt-Winters Exponential Smoothing pada data triwulanan adalah 48,921,597 Kg dan 48,654,614 Kg pada data semesteran. Untuk peramalan produksi kelapa sawit dengan menggunakan metode Holt Exponential Smoothing pada data tahunan adalah sebesar 47,411,280 Kg.
Saran atau usulan berdasarkan penelitian yang telah dilakukan bahwa hasil peramalan hanya sebagai acuan untuk dipertimbangkan dalam menetapkan target produksi. Sehingga hasil peramalan ini tidak berlaku mutlak. Dan untuk penelitian selanjutnya agar topik ini diteliti menggunakan variabel independen lain yang mungkin mempengaruhi produksi kelapa sawit. Selain itu apabila memungkinkan masalah faktor-faktor yang berpengaruh terhadap produksi kelapa sawit ini dapat dianalisis kembali menggunakan metode-metode lainnya guna membandingkan hasil dan tingkat keakuratan.
REFERENSI Berniati. (2011). Analisa Faktor-Faktor Yang Mempengaruhi Hasil Produksi Kelapa Sawit Di Kebun Bagerpang PT. PP. London Sumatra Indonesia Tbk. Skripsi S1. Medan: Jurusan Matematika, FMIPA Universitas Sumatra Utara. Cryer, J.D., and Chan, Kung-Sik. (2008). Time Series Analysis With Application in R. (2nd edition). New York: Springer. Gan, S. O., Ahmad, S. (2011). “Multiple Linear Regression to Forecast Balance of Trade”. Journal of Fundamental Sciences Vol.7, No.2. ISSN 1823-626X. Gaspersz, V. (1998). Production Planning and Inventory Control. Jakarta: Gramedia Pustaka Utama. Herjanto, E. (2007). Manajemen Operasi. (Edisi 3). Jakarta: Gramedia Widiasarana Indonesia. Jalil, N. A. A., Ahmad, H., M., Mohamed, N. (2013). “Electricity Load Demand Forecasting Using Exponential Smoothing Methods”. World Applied Sciences Journal 22 (11):ISSN 1818-4952. th Liang, Y.D. (2011). Introduction to Java Programming Comprehensive Version. (8 edition). New Jersey: Pearson. Makridakis, S., Wheelwright, S.C., McGee, Victor E. (1999). Metode dan Aplikasi Peramalan. Jilid Satu. (Edisi 2) diterjemahan oleh Andriyanto, U.S., Abdul, A. Jakarta. Montgomery, D.C. and Peck, E.A. 1992. Introduction to Linear Regression Analysis (second ed.). USA: John Wiley and Sons, INC. Neter, J., Kutner, M.H, Nachtsheim, C. J., and Wasserman, W. (1996). Applied Linear Regression Models (3rd edition). Illinois: Irwin. Ohyver, Margaretha. (2010). Penerapan Partial Least Squares Pada Data Gingerol. Jurnal ComTech, 1 (1), 2087-1244. Prasetya, H., Lukiastuti, F. (2009). Manajemen Operasi. Yogyakarta: Media Pressindo. Pressman, Roger S. (2010). Software Engineering A Practitioner Approach (7th Edition). New York: McGraw Hill.
Risza, S. (2008). Kelapa Sawit, Upaya Peningkatan Produktivitas. Yogyakarta: Kanisius. Rosadi D. (2011). Analisis Ekonometrika dan Runtun Waktu Terapan dengan R. Yogyakarta: ANDI. Setyamidjaja, D. (2006). Kelapa Sawit, Tehnik Budi Daya, Panen, dan Pengolahan. (Edisi Revisi). Yogyakarta: Kanisius. Shneiderman, B., Plaisant, C. (2010). Designing The User Interface (6th edition). Boston: Pearson. Sidik, N. (2010). Forecasting Volume Produksi Tanaman Pangan, Tanaman Perkebunan Rakyat Kab. Magelang Dengan Menggunakan Metode Exponential Smoothing Berbantu Minitab. Skripsi S1. Medan: Jurusan Matematika, FMIPA Universitas Negeri Semarang. Spiegel, M. R., Stephens, L. J. (2007). Schaum’s Outliers of Theory Problems of STATISTICS. (3rd Edition) diterjemahkan oleh Kastawan, W., Harmein, I. Jakarta: Erlangga. Sunyoto, D. (2011). Analisis Regresi dan Uji Hipotesis. Yogyakarta: CAPS. Suwanvijit, W., Lumley, L., Choonpradub, C., McNeil, N. (2011). “Long Term Sales Forecasting Using Lee-Carter And Holt-Winter Methods”. Journal of Applied Business Research Vol.27 No.1. Walpole, R.E, alihbahasa oleh Sumantri, Bambang. (1982). Pengantar Statistika (3rd edition). Jakarta: Gramedia Pustaka Utama. Whitten, Jeffrey L. and Bentley, Lonnie D. (2007). System Analysis & Design Methods (7th Edition). New York: McGraw Hill. Yasmin, N., Rahman, I. A., and Eftekhari, M. (2010). “Forecasting Low-Cost Housing Demand in Johor Bahru, Malaysia Using Artifician Neural Networks (ANN)”. Journal of Mathematics Research. Vol.2, No.1.
RIWAYAT PENULIS Riski Agustian Kacaribu lahir di Medan, 31 Agustus 1990. Penulis menyelesaikan pendidikan S1 di Universitas Bina Nusantara, bidang Teknik Informatika dan Statistik pada tahun 2013.
