BAB 4 ANALISIS DAN BAHASAN
Pada bab ini, akan disajikan penjelasan mengenai analisis data dan pembahasan. Sub bab akan menjelaskan tentang bagaimana cara mengolah data dan akan dilanjutkan dengan interpretasi terhadap hasil. Setelah menganalisis dan membahasnya maka dilanjutkan pada bagian perancangan program aplikasi. Perancangan program aplikasi ini bertujuan untuk membantu menyelesaikan perhitungan terhadap analisis dan pengolahan data. 4.1
Analisis Data dan Bahasan Pada sub bab ini akan dilakukan tahapan analisis data dan kemudian
dilakukan pembahasan terhadap hasil pengolahan data tersebut. Tetapi sebelum melakukannya, maka terlebih dahulu dilakukan analisa awal terhadap data yang telah dikumpulkan. Tabel 4.1 adalah data yang diperoleh dari kebun Sei Siasam (SSI) dan juga yang digunakan dalam pembahasan. Kebun SSI yang merupakan salah satu perkebunan kelapa sawit yang dimiliki oleh PT. Perkebunan Nusantara V (PTPN V). Berdasarkan data yang telah diperoleh, saat ini kebun SSI memiliki luas 2150 Ha dan jumlah pohon kelapa sawit yang menghasilkan sebanyak 269425 pokok sampai dengan tahun 2011. Dari luas yang 2150 Ha tersebut, kebun ini memiliki empat jenis tahun tanam kelapa sawit yang berbeda-beda. Penanaman pertama yaitu pada tahun 1998 seluas 338 Ha. Kemudian pada tahun 1999 dilakukan penanaman tahap kedua seluas 200 Ha. Selanjutnya pada tahun 2001 dilakukan penanaman tahap ketiga seluas 612 Ha dan pada tahun 2003 dilakukan penanaman tahap keempat seluas 1006 Ha. Produksi sawit pertama kebun 60
61 SSI yaitu pada tahun 2002, dimana hanya sawit dengan tahun tanam 1998 saja yang baru bisa dipanen. Selanjutnya pada tahun 2003, sawit dengan tahun tanam 1999 juga sudah mulai dipanen. Kemudian pada tahun 2005, sawit dengan tahun tanam 2001 juga sudah mulai dipanen. Dan akhirnya pada tahun 2007 sampai sekarang seluruh tanaman sawit sudah dipanen secara bersama-sama.
Gambar 4.1 Produksi Kelapa Sawit Kebun SSI per Tahun Berdasarkan Gambar 4.1, produksi kelapa sawit mulai dari tahun 2002-2011 cenderung mengalami peningkatan. Hanya saja tahun 2010 terjadi penurunan produksi kelapa sawit. Berdasarkan keterangan dari pihak manajemen kebun pada tahun 2010 tersebut, terjadi perubahan iklim yang drastis, sehingga bukan hanya kebun SSI saja yang mengalami penurunan, tetapi juga hampir seluruh kebun yang ada di PTPN V mengalami hal yang sama. Secara keseluruhan dapat disimpulkan bahwa produksi kelapa sawit di kebun SSI memiliki tren positif (meningkat).
62
Tabel 4.1 Data Kebun SSI (2002-2011)
Periode
Produksi (Kg)
Umur RataRata (Tahun)
Jumlah Pohon (pohon)
Curah Hujan (mm)
Dosis (Kg/Pohon)
SM 1 SM 2 2002 SM 1 SM 2 2003 SM 1 SM 2 2004 SM 1 SM 2 2005 SM 1 SM 2 2006 SM 1 SM 2 2007 SM 1 SM 2 2008 SM 1 SM 2 2009 SM 1 SM 2 2010 SM 1 SM 2 2011
878,890 1,737,690 2,616,580 2,632,650 3,472,010 6,104,660 3,578,240 4,974,320 8,552,560 6,222,070 9,623,290 15,845,360 8,984,570 10,571,940 19,556,510 12,450,940 19,096,970 31,547,910 16,305,780 20,244,090 36,549,870 20,611,250 23,263,390 43,874,640 17,116,440 22,080,560 39,197,000 17,699,980 26,276,130 43,976,110
4.50 5.00 5.00 5.13 5.63 5.63 6.13 6.63 6.63 5.82 6.32 6.32 6.72 7.22 7.22 6.23 6.73 6.73 7.19 7.69 7.69 8.19 8.69 8.69 9.19 9.69 9.69 10.19 10.69 10.69
43,118 43,118 43,118 69,191 69,191 69,191 69,191 69,191 69,191 148,225 148,225 148,225 148,225 148,225 148,225 275,174 275,174 275,174 270,429 270,429 270,429 270,227 270,227 270,227 270,094 270,094 270,094 269,425 269,425 269,425
1,457 2,441 3,898 1,791 2,925 4,716 1,376 2,694 4,070 1,132 1,978 3,110 1,676 2,230 3,906 2,075 3,535 5,610 1,839 2,963 4,802 1,602 3,356 4,958 1,910 3,160 5,070 1,635 2,526 4,161
4.51 4.51 4.51 7.85 7.85 7.85 7.64 7.64 7.64 4.80 4.80 4.80 3.62 3.62 3.62 5.27 5.27 5.27 5.33 5.33 5.33 5.95 5.95 5.95 7.13 7.13 7.13 8.65 8.65 8.65
Untuk umur rata-rata yang terdapat pada Tabel 4.1, berdasarkan informasi dari pihak manajemen kebun, diperoleh berdasarkan perhitungan proporsi. Cara perhitungannya cukup sederhana yaitu dengan merata-ratakan umur seluruh pohon sawit dari keempat jenis umur tanaman tiap tahunnya. Sehingga jika pada tahun ke-i jumlah pohon dengan umur muda lebih banyak dibanding dengan umur yang lebih
63 tua, maka rata-rata umurnya pun relatif lebih muda. Hal ini dapat dilihat seperti yang terjadi pada tahun 2005. Dimana pada tahun tersebut terjadi penurunan rata-rata umur dari tahun sebelumnya. Hal ini terjadi karena pada tahun 2005 sawit dengan tahun tanam 2001 yang jumlah pohonnya lebih banyak dari tahun sebelumnya, ikut dipanen untuk pertama kali (umur 4 tahun). Hal serupa juga terjadi pada tahun 2007, karena tanaman dengan tahun tanam 2003 untuk pertama kalinya ikut dipanen dengan jumlah pohon yang lebih banyak dibanding dengan jumlah pohon dari ketiga tahun tanaman sebelumnya. Untuk data curah hujan, kebun SSI termasuk kebun yang curah hujannya terpenuhi untuk perkebunan kelapa sawit. Hal ini dapat dilihat pada Tabel 4.1, dimana tidak terdapat jumlah curah hujan yang kurang dari 2000 mm tiap tahunnya. Di sisi lain juga terdapat curah hujan yang lebih dari 5000 mm seperti yang terjadi pada tahun 2007 dan 2010. Dalam hal produktivitas, curah hujan yang berlebih tersebut tidak terlalu berpengaruh karena yang terpenting kebutuhan airnya terpenuhi. Tetapi dalam hal teknis, sangat menghambat kegiatan penyelenggaraan perkebunan khususnya kelancaran transportasi. Sedangkan berdasarkan data semesteran yang juga terdapat pada Tabel 4.1, Curah hujan pada semester kedua di kebun SSI selalu lebih banyak dibandingkan dengan semester pertama. Berdasarkan laporan dari pihak manajemen kebun, hal ini terjadi karena pada semester kedua wilayah di sekitar kebun mengalami musim penghujan. Untuk data pemupukan, tidak terdapat pola peningkatan tiap tahun. Hal ini dikarenakan oleh kebijakan perusahaan itu sendiri. Dosis pupuk yang diberikan oleh pihak perusahaan dilakukan berdasarkan kebutuhan saja. Oleh sebab itu jumlah dosis pupuk yang diberikan selalu berbeda tiap tahunnya. Alasan lain adalah karena
64 pengaruh harga pupuk per tahun yang berbeda-beda, sehingga aspek keuangan juga diperhitungkan. 4.1.2 Metode Regresi Ganda Pada sub bab ini akan dilakukan pemodelan regresi antara variabel-variabel independennya
terhadap
variabel
dependennya
dengan
menggunakan
data
semesteran pada Tabel 4.1. Tetapi sebelum melakukan pemodelannya, maka terlebih dahulu dilakukan transformasi terhadap datanya. Hal ini dilakukan untuk menyetarakan satuan terhadap variabel-variabelnya, karena masing-masing variabel memiliki satuan yang berbeda-beda. Transformasi yang digunakan adalah transformasi korelasi. Untuk melakukan transformasi terhadap data, maka digunakan Persamaan (2.29) untuk mentransformasi variabel dependennya dan Persamaan (2.30) untuk mentransformasi variabel-variabel independennya. Untuk hasil selengkapnya mengenai hasil transformasi data dapat dilihat pada Gambar 4.2. Setelah data ditransformasi, maka langkah selanjutnya adalah melakukan pemodelan regresinya. Untuk hasil pemodelan regresi selengkapnya, dapat dilihat output pada Gambar 4.3. Berdasarkan hasil output dari Gambar 4.3, maka didapat model regresinya yaitu:
(4.1)
65
Gambar 4.2 Data Hasil Transformasi
Gambar 4.3 Hasil Analisis Regresi Ganda 1 Setelah mendapatkan model regresinya maka dilakukan uji asumsi klasik terhadap nilai residualnya. Untuk uji residual yang pertama, maka dilakukan uji
66 normalitas. Pengujian menggunakan uji Shapiro-Wilk. Berikut adalah langkahlangkah yang dilakukan:
Berdasarkan hasil output dari Gambar 4.3, diketahui pada uji Shapiro-Wilk bahwa nilai P-value >
(0.586 > 0.05). Sehingga dapat disimpulkan bahwa
gagal
ditolak, yang berarti data berdistribusi normal. Uji yang dilakukan selanjutnya adalah uji heteroskedastistas dimana data residual diharapkan bersifat homogen. Pengujian dilakukan dengan uji White. Langkah-langkah yang dilakukan adalah sebagai berikut:
Berdasarkan hasil output dari Gambar 4.3, diketahui pada uji White bahwa nilai Pvalue >
(0.236 > 0.05). Sehingga dapat disimpulkan bahwa
gagal ditolak, yang
berarti tidak terdapat heteroskedastitas pada data residual atau data bersifat homogen. Pengujian selanjutnya adalah uji autokorelasi yang bertujuan untuk mengetahui ada atau tidaknya korelasi antar data residual. Pengujian menggunakan uji Durbin-Watson. Berikut adalah langkah-langkah pengujiannya:
67
Berdasarkan hasil output dari Gambar 4.3, pada uji Durbin-Watson, nilai Untuk nilai
nilai
dan
didapat dari Tabel Durbin–Watson pada Lampiran L4, dengan
(jumlah variabel independen) dan , dan
.
(jumlah observasi),
. Karena
, , maka
gagal ditolak. Sehingga dapat disimpulkan bahwa tidak terdapat autokorelasi pada data residual. Setelah melakukan pengujian terhadap data residual maka dilakukan uji multikolinearitas. Pengujian ini menggunakan nilai Variance Inflation Factor (VIF). Berdasarkan Tabel 4.2, masing-masing variabel independen memiliki nilai . Sehingga dapat disimpulkan tidak terjadi multikolinearitas atau korelasi yang kuat diantara variabel independen pada model regresi. Tabel 4.2 Nilai VIF Variabel Umur Jumlah Pohon Curah Hujan Dosis Pupuk
VIF 3.820 3.143 1.100 1.593
Pengujian selanjutnya adalah uji parameter terhadap model regresi yang sudah terbentuk. Untuk pengujian parameter yang pertama adalah uji simultan. Tahap-tahap yang dilakukan adalah sebagai berikut:
68 Berdasarkan hasil output pada Gambar 4.3, pada uji 0.05), maka
nilai P-value >
(0.000 >
ditolak. Hal ini berarti bahwa terdapat pengaruh yang signifikan oleh
variabel-variabel independen terhadap variabel dependennya secara simultan. Pengujian parameter yang berikutnya adalah uji parsial. Pengujian ini bertujuan untuk mengetahui tingkat pengaruh tiap parameter yang terdapat pada model regresi. Tahap-tahap pengujiannya adalah:
Berdasarkan Tabel 4.3, nilai P-value untuk umur, jumlah pohon, dan curah hujan lebih kecil dari , maka
ditolak. Hal ini berarti variabel umur, jumlah
pohon, dan curah hujan berpengaruh secara signifikan terhadap produksi sawit. Sedangkan nilai P-value untuk dosis lebih besar dari , maka
gagal ditolak.
Berarti bahwa variabel dosis pupuk tidak memiliki pengaruh yang signifikan terhadap produksi sawit. Tabel 4.3 Nilai Uji Parsial Variabel Umur Jumlah Pohon Curah Hujan Dosis Pupuk
4.138 5.981 3.006 -1.06
2.12
0.001 0.000 0.009 0.306
Pengaruh Signifikan Signifikan Signifikan Tidak Signifikan
Karena masih ada nilai variabel independen yang tidak berpengaruh secara signifikan terhadap model regresi yang telah terbentuk, maka dilakukan pemodelan regresi dengan menghilangkan variabel independen yang tidak berpengaruh secara signifikan tersebut. Dalam kasus ini variabel dosis akan dihilangkan untuk
69 membentuk model regresi yang baru. Untuk hasil pemodelan regresi yang baru, selengkapnya dapat dilihat pada Gambar 4.4.
Gambar 4.4 Hasil Analisis Regresi Ganda 2 Dari hasil output dari Gambar 4.4, maka didapat model regresinya adalah:
(4.2)
Berdasarkan nilai
dari kedua model regresi, baik pada Gambar 4.3 (ada
variabel dosis) maupun pada Gambar 4.4 (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 4.4 memiliki arti bahwa variabel
umur, jumlah pohon, dan curah hujan dapat menjelaskan model regresi sebesar 95.458%. Setelah selesai melakukan semua tahap pengujian terhadap model regresinya, maka dilakukan perhitungan terhadap nilai MAPE berdasarkan nilai residual yang terdapat pada Gambar 4.5. Untuk menghitung nilai MAPE dapat menggunakan
70 Persamaan (2.26) atau juga dapat dilihat langsung dari output pada Gambar 4.4 yang telah dihitung oleh program aplikasi. Dari output pada Gambar 4.4, maka diperoleh nilai MAPE sebesar 21.068%. Hal ini berarti bahwa peramalan dengan menggunakan metode regresi ganda memiliki tingkat keakuratan yang kurang baik.
Gambar 4.5 Data Residual Berdasarkan hasil uraian yang telah dijelaskan dan tersedianya data aktual kebun SSI pada tahun 2012, yang terdapat pada Tabel 4.4, maka dapat dilakukan peramalan untuk periode ke depan. Nilai peramalan produksi kelapa sawit kebun SSI tahun 2012, dengan menggunakan model regresi yang terdapat pada Persamaan (4.2) adalah sebesar 46,673,210 Kg Tabel 4.4 Data Aktual Kebun SSI Tahun 2012
Periode
Produksi (Kg)
TW 1 TW 2 SM 1 TW 3 TW 4 SM 2
9,345,690 10,130,480 19,476,170 12,337,380 14,305,460 26,642,840
2012
46,119,010
Umur RataRata (Tahun)
Jumlah Pohon (Pohon)
Curah Hujan (mm)
Dosis Pupuk (Kg/Pohon)
11.19
269,425
1,120
10.17
11.69
269,425
2,616
10.17
11.69
269,425
3,736
10.17
71 4.1.1 Metode Exponential Smoothing Pada sub bab ini akan dilakukan peramalan produksi sawit dengan mneggunakan metode Exponential Smoothing. Metode peramalan yang digunakan adalah metode Holt-Winters untuk data triwulanan dan semesteran, dan metode Holt untuk data tahunan. Metode Holt-Winters digunakan karena terdapat indikasi pola tren dan musiman pada data triwulanan dan semesteran kebun SSI seperti pada Gambar 4.6. Pola musiman tersebut terjadi tiap tahunnya, dimana produksi kelapa sawit kebun SSI mengalami masa puncaknya pada semester kedua tepatnya pada triwulan keempat. Berdasarkan laporan dari pihak manajemen kebun, hal ini terjadi karena pada periode semester kedua, wilayah kebun SSI mengalami musim penghujan. Selain itu, pada triwulan keempat, kebun SSI juga mengalami masa panen puncak yang mengakibatkan jumlah produksi meningkat pula. Setelah masa panen puncak berakhir, tanaman sawit akan memasuki masa pemulihan yang terjadi pada triwulan pertama. Untuk metode Holt, digunakan pada data tahunan karena terdapat indikasi tren kebun SSI seperti yang terdapat pada Gambar 4.1.
Gambar 4.6 Produksi kelapa sawit kebun SSI per triwulan
72 Untuk mendapatkan nilai ramalan dengan menggunakan metode HoltWinters, diperlukan nilai alpha ( ), beta ( ) dan gamma ( . Pada penelitian ini, peneliti menggunakan metode trial and error untuk menghasilkan nilai ,
dan
yang optimal berdasarkan nilai Sum of Squares Error (SSE) yang paling minimum. Nilai
,
dan
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 4.7 untuk data triwulanan, Gambar 4.8 untuk data semesteran, dan Gambar 4.9 untuk data tahunan. Berdasarkan Gambar 4.7, nilai peramalan ( ) untuk produksi tahun 2004 adalah sebesar 8,884,965.77 Kg, yang diperoleh dari penjumlahan nilai ramalan ( ) triwulan pertama sampai triwulan keempat tahun 2004. Sedangkan nilai error (
total atau selisih antara nilai peramalan degan nilai aktual pada tahun 2004
adalah sebesar 332,405.77 Kg. Nilai error tersebut diperoleh dari penjumlahan nilai error (
triwulan pertama sampai triwulan keempat tahun 2004. Interpretasi
yang telah dijelaskan seperti pada tahun 2004, juga berlaku pada tahun 2005 dan seterusnya.
73
Gambar 4.7 Ramalan Produksi Kebun SSI per Triwulan
74
Gambar 4.8 Ramalan Produksi Kebun SSI per Semester Berdasarkan Gambar 4.8, nilai peramalan ( ) untuk produksi tahun 2004 adalah sebesar 9,242,462.12 Kg, yang diperoleh dari penjumlahan nilai ramalan ( ) semester pertama dan semester kedua tahun 2004. Sedangkan nilai error ( total atau selisih antara nilai peramalan dengan nilai aktual ( ) pada tahun 2004 adalah sebesar 689,902.12 Kg. Nilai error tersebut diperoleh dari penjumlahan nilai error (
semester pertama dan semester kedua tahun 2004. Interpretasi yang
telah dijelaskan seperti pada tahun 2004, juga berlaku pada tahun 2005 dan seterusnya.
75
Gambar 4.9 Ramalan Produksi Kebun SSI per Tahun Berdasarkan Gambar 4.9, nilai peramalan ( ) untuk produksi tahun 2004 adalah sebesar 9,592,740.00 Kg. Sedangkan nilai error (
total atau selisih
antara nilai peramalan degan nilai aktual pada tahun 2004 adalah sebesar 1.040.180.00 Kg. Interpretasi yang telah dijelaskan seperti pada tahun 2004, juga berlaku pada tahun 2005 dan seterusnya. Setelah melakukan perhitungan dengan metode Holt-Winters dan Holt untuk masing-masing jenis data, maka langkah selanjutnya adalah menghitung nilai MAPE sebagai ukuran ketepatan peramalannya. Dengan menggunakan Persamaan (2.26) maka diperoleh nilai MAPE pada masing-masing metode dan jenis data yang dikeluarkan langsung oleh program aplikasi yang telah dirancang. Berdasarkan Gambar 4.7, Gambar 4.8, dan Gambar 4.9 maka nilai MAPE yang masing-masing
76 sebesar 11.05% untuk data triwulanan, 13.07% untuk data semesteran, dan 12.78% untuk data tahunan. Berdasarkan nilai MAPE yang diperoleh dari peramalan dengan menggunakan metode Exponential Smoothing, baik pada data semesteran, triwulanan, maupun tahunan memiliki tingkat keakuratan yang baik. Hal ini karena masing-masing nilai MAPE lebih kecil dari 20%. Berdasrkan hasil output dan uraian yang telah dijelaskan mengenai metode Exponential Smoothing, maka dapat dilakukan peramalan untuk periode ke depan. Nilai total peramalan produksi kelapa sawit kebun SSI tahun 2012 untuk masingmasing jenis data adalah sebesar 48,921,597 Kg untuk data triwulanan, 48,654,614 Kg untuk data semesteran, dan 47,411,280 untuk data tahunan. 4.1.3 Pembahasan Berdasarkan hasil analisis regresi terhadap produksi sawit dengan menggunakan variabel umur, jumlah pohon, curah hujan, dan dosis pupuk diperoleh bahwa variabel dosis pupuk tidak memiliki pengaruh yang signifikan. Tidak signifikannya pengaruh dari dosis pupuk terhadap produksi sawit dapat disebabkan oleh jenis dan harga pupuk. Untuk jenis pupuk yang diberikan oleh pihak penyelenggara kebun tidak selalu sama jenisnya tiap tahun. Hal ini disesuaikan dengan kebutuhan dari kondisi tanaman pada saat pemberian pupuk. Sedangkan untuk harga pupuk berkaitan dengan jumlah takaran dosis yang diberikan. Pemberian dosis pupuk harus disesuaikan dengan anggaran biaya dari perusahaan. Umumnya jika harga pupuk dipasaran melambung tinggi, maka pemberian pupuk cukup seadanya saja. Dari penjelasan tersebut, maka variabel dosis pupuk dikeluarkan dari model regresi terhadap produksi sawit.
77 Berdasarkan pada Gambar 4.4, model regresinya memiliki nilai
yang
cukup tinggi yaitu sebesar 95.458%. Walaupun nilainya sudah cukup tinggi, namun masih ada sekitar 5% lagi yang belum bisa dijelaskan oleh model regresi yang telah terbentuk. Tentu masih terdapat variabel-variabel lain yang dapat menjelaskan nilai 5% tersebut. Variabel-variabel tersebut misalnya adalah jenis bibit tanaman, kondisi gulma, intensitas cahaya matahari, tingkat kesuburan tanah, dan juga faktor sumber daya manusianya. Berdasarkan penelitian yang telah dilakukan sebelumnya oleh Berniati sebesar 86.40%. Jika dilakukan perbandingan dengan
(2011), didapatkan nilai
hasil penelitian yang dilakukan oleh peneliti berdasarkan nilai
, maka nilai
penelitian yang dilakukan oleh peneliti lebih baik daripada penelitian sebelumnya. Hal ini dikarenakan penelitian yang dilakukan oleh peneliti, mempertimbangkan lebih banyak variabel bebas yang mempengaruhi produksi kelapa sawit. Untuk metode Exponential Smoothing, tidak terdapat banyak permasalahan. Karena pada dasarnya peramalan dengan menggunakan metode ini (Hotl-Winters dan Holt) menggunakan pola data masa lalu (tren) dan mempertimbangkan faktor musiman (Holt-Winters). Permasalahan utama dari metode ini adalah menentukan nilai ,
dan
yang optimal. Akan tetapi masalah tersebut telah dapat diselesaikan
oleh program aplikasi yang telah dirancang dengan menggunakan metode trial and error yang meminimumkan nilai SSE. Selain dengan metode trial and error, untuk mendapatkan nilai
,
dan
yang optimal dapat juga menggunakan metode
modifikasi Golden Section yang merupakan bagian dari algoritma nonlinear programming. Untuk penelitian ini sendiri tidak digunakan metode khusus tersebut untuk mendapatkan nilai ,
dan yang optimal.
78 Dalam penelitian ini, peneliti menggunakan kedua metode yang telah dijelaskan sebelumnya untuk meramalkan produksi sawit setahun ke depan. Untuk perbandingan permalan produksi setahun ke depan (2012) dapat dilihat pada Tabel 4.5 Tabel 4.5 Perbandingan Ramalan Produksi Kebun SSI Tahun 2012
Periode
Realisasi
TW 1 TW 2 SM 1 TW 3 TW 4 SM 2
9,345,690 10,130,480 19,476,170 12,337,380 14,305,460 26,642,840
2012
46,119,010
MAPE
Regresi Ganda (Semesteran)
Holt-Winters (Semesteran)
Holt (Tahunan)
27,388,003
Holt-Winters (Triwulanan) 10,096,098 11,065,726 21,161,824 13,323,460 14,436,313 27,759,773
21,501,100
21,266,611
25,172,110 46,673,210
48,654,614
48,921,597
47,411,280
7.96%
5.99%
6.54%
2.80%
Setelah melakukan analisis peramalan terhadap produksi sawit dengan menggunakan dua metode yang berbeda (Regresi Ganda dan Exponential Smoothing), maka perlu ditentukan metode mana yang cocok untuk digunakan meramalkan produksi sawit ke depannya. Tiap metode memiliki kelebihan dan kekurangannya masing-masing. Pada penelitian ini, jika dilihat dari nilai MAPE-nya, baik nilai MAPE pada saat pemodelan maupun nilai MAPE pada saat peramalan (Tabel 4.), maka metode Exponential Smoothing lebih baik dari metode regresi ganda. Sedangkan jika dilihat dari hasil nilai peramalan pada tahun 2012 yang terdapat pada Tabel 4.5, maka metode regresi ganda lebih akurat dalam meramalkan produksi sawit. Akan tetapi karena perhitungan tiap metode menggunakan data dengan rentang waktu yang berbeda, maka kedua metode ini tidak dapat dibandingkan. Oleh sebab itu, jika ingin meramalkan dengan hanya tersedia data
79 produksi saja (satu variabel) maka metode Exponential Smoothing dapat digunakan. Tetapi jika memiliki data variabel-variabel lain yang memiliki hubungan dengan produksi sawit, maka metode regresi ganda dapat menjadi pilihan yang tepat, karena metode ini mempertimbangkan banyak variabel dalam melakukan peramalan. Pada penelitian ini peneliti memilih peramalan degan menggunakan metode regresi ganda, karena peneliti mempertimbangkan faktor-faktor lain yang mempengaruhi produksi kelapa sawit.
4.2
Program Aplikasi Program aplikasi yang dibuat dalam penelitian ini bertujuan untuk membantu
menyelesaikan perhitungan, pengolahan, dan analisa terhadap data. Program aplikasi ini menggunakan dua metode yang berbeda untuk meramalkan data kuantitatif. Untuk hasil program aplikasi selengkapnya dapat dilihat pada gambar-gambar beserta penjelasan berikut. Gambar 4.10 merupakan menu utama yang juga tampilan awal program ketika program pertama kali dijalankan. Pada halaman ini user diminta untuk memasukkan file excel (.xls) yang akan diolah. User cukup menekan tombol Browse untuk memilih file. Setelah user memilih file yang hendak diolah, maka tampilan layar pada menu utama akan berubah seperti pada Gambar 4.11. Isi data yang terdapat pada file yang telah dipilih, ditampilkan dalam bentuk tabel. Langkah selanjutnya, user diminta untuk memilih salah satu metode analisis yang akan digunakan (Regression atau Exponential Smoothing) dan menekan tombol Analyze untuk menuju ke halaman berikutnya.
80
Gambar 4.10 Tampilan Awal Menu Utama
Gambar 4.11 Tampilan Data Regresi Pada Menu Utama
81
Gambar 4.12 Tampilan Awal Pop-up Regresi Gambar 4.12 merupakan tampilan awal pada menu Pop-up Regression ketika user memilih metode Regression untuk mengolah data. Pada halaman ini terdapat list variabel-variabel yang ditampilkan sesuai dengan isi file yang akan diolah. Variabelvariabel tersebut secara otomatis ditampilkan oleh program pada saat Pop-up Regression ini muncul. User diminta untuk memasukkan inputan yang diperlukan (variabel dependen dan independennya) sesuai dengan kebutuhan user. Untuk memasukkan inputan, user dapat menekan tombol (>>>) untuk masing-masing jenis varibael. Selain dengan cara menekan tombol, user juga dapat memasukkan namanama variabel yang akan diolah dengan cara mengetiknya secara manual. User juga dapat memilih opsi untuk menampilkan data residual hasil regresi dan juga data hasil transformasi dengan mencentang masing-masing option. Gambar 4.13 merupakan tampilan menu Pop-up Regression yang telah diisi oleh user dan program siap untuk melakukan proses analisis terhadap data.
82
Gambar 4.13 Tampilan Pop-up Regresi (Filled)
Gambar 4.14 Hasil Analisis Regresi Pada Menu Utama
83 Jika user menekan tombol Analyze, maka proses analisis akan berjalan dan hasilnya akan ditampilkan pada output di menu utama. Gambar 4.14 merupakan tampilan output hasil regresi pada menu utama. Gambar 4.15 merupakan tampilan pada menu utama ketika user menekan tombol Browse. Pada halaman ini user diminta untuk memasukkan file excel (.xls) yang akan diolah dengan menggunakan metode Exponential Smoothing. User cukup menekan tombol Open pada file yang akan diolah. Setelah memilih file yang hendak diolah, maka tampilan layar pada menu utama akan berubah seperti pada Gambar 4.16. Isi data yang terdapat pada file yang telah dipilih, ditampilkan dalam bentuk tabel. Langkah selanjutnya, user diminta untuk memilih salah satu metode analisis yang akan digunakan (Regression atau Exponential Smoothing) dan menekan tombol Analyze untuk menuju ke halaman berikutnya.
Gambar 4.15 Tampilan Menu Utama (Browse)
84
Gambar 4.16 Tampilan Data Exponential Smoothing Pada Menu Utama
Gambar 4.17 Tampilan Awal Pop-up Exponential Smoothing
85
Gambar 4.18 Tampilan Pop-up Exponential Smoothing (Filled) Gambar 4.17 merupakan tampilan awal pada menu Pop-up Exponential Smoothing ketika user memilih metode Regression untuk mengolah data. Pada halaman ini, user perlu untuk memilih metode yang akan digunakan untuk peramalan (Holt atau Holt-Winters). Setelah user memilih metode yang akan digunakan, maka langkah selanjutnya user harus mengisi jenis musiman pada data, rentang tahun pada data yang dimasukkan, dan memilih jumlah periode ramlana ke depannya. Khusus untuk musiman, menu ini hanya akan aktif ketika user memilih metode Holt-Winters saja. User juga dapat memilih opsi untuk menampilkan perhitungan hasil Exponential Smoothing dengan cara mencentang option Tampilkan Perhitungan. Gambar 4.18 merupakan tampilan menu Pop-up Exponential Smoothing yang telah diisi oleh user dan program siap untuk melakukan proses peramalan terhadap data. Jika user menekan tombol Ramalkan, maka
proses analisis akan berjalan dan
86 hasilnya akan ditampilkan pada output di menu utama. Gambar 4.19 merupakan tampilan output hasil Exponential Smoothing pada menu utama.
Gambar 4.19 Hasil Peramalan Exponential Smoothing Pada Menu Utama
