ANALISIS PERAMALAN PENJUALAN MINYAK SAWIT KASAR ATAU CRUDE PALM OIL (CPO) PADA PT. KHARISMA PEMASARAN BERSAMA (KPB) NUSANTARA DI JAKARTA
Akhmat Tohir
PROGRAM STUDI AGRIBISNIS FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2011 M / 1432 H
ANALISIS PERAMALAN PENJUALAN MINYAK SAWIT KASAR ATAU CRUDE PALM OIL (CPO) PADA PT. KHARISMA PEMASARAN BERSAMA (KPB) NUSANTARA DI JAKARTA
Oleh : Akhmat Tohir 106092003005
Skripsi Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Pertanian pada Program Studi Agribisnis
PROGRAM STUDI AGRIBISNIS FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2011 M / 1432 H
ANALISIS PERAMALAN PENJUALAN CRUDE PALM OIL (CPO) PADA PT. KHARISMA PEMASARAN BERSAMA NUSANTARA
Oleh: Akhmat Tohir 106092003005
Skripsi Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Pertanian Pada Program Agribisnis
PROGRAM STUDI AGRIBISNIS FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH JAKARTA 2010/1431
PENGESAHAN UJIAN
Skripsi yang berjudul “ Analisis Peramalan Penjualan Minyak Sawit Kasar atau Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta” yang ditulis oleh Akhmat Tohir dengan NIM 106092003005 telah diuji dan dinyatakan lulus dalam sidang Munaqosyah Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta pada tanggal 25 April 2011. Skripsi ini telah diterima sebagai salah satu syarat untuk memperoleh gelar Sarjana Strata Satu (S1) Program Studi Agribisnis. Menyetujui, Penguji I
Penguji II
Drs. Acep Muhib, MM NIP. 196906052001121001
Rizki Adi Puspita Sari, SP, MM NIP. 197803292008032015
Pembimbing I
Pembimbing II
Dr. Ir. Elpawati, MP NIP. 196412041992032001
Eny Dwiningsih, S.TP, M.Si
Mengetahui, Dekan Fakultas Sains dan Teknologi
Dr. Syopiansyah Jaya Putra, M.Sis NIP. 196801172001121001
Ketua Program Studi Agribisnis
Drs. Acep Muhib, MM NIP. 196906052001121001
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENARBENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI SKRIPSI ATAU KARYA PADA PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.
Jakarta, Mei 2011
Akhmat Tohir 106092003005
RINGKASAN
AKHMAT TOHIR, Analisis Peramalan Penjualan Minyak Sawit Kasar atau Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta. Dibawah bimbingan ELPAWATI dan ENY DWININGSIH.
Memprediksi penjualan yang terlalu besar dan kurang akurat dapat mengakibatkan biaya produksi meningkat sehingga seluruh investasi yang ditanamkan menjadi kurang efisien, oleh karena itu dibutuhkan suatu ilmu dan kegiatan yang mampu memprediksikan penjualan yang akan datang dengan melihat data dimasa lampau. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. PT. Kharisma Pemasaran Bersama (KPB) Nusantara merupakan unit usaha PTPN yang memasarkan produk perkebunan yang dihasilkan oleh PTPN di seluruh Indonesia terutama minyak sawit kasar atau Crude Palm Oil (CPO). Produk pertanian seperti CPO merupakan produk yang sangat fluktuatif dan perkembangannya sangat rentan terhadap perubahan dari berbagai faktor seperti musim, permintaan dan penawaran konsumen dunia, oleh karena itu kegiatan memprediksikan penjualan CPO dimasa datang sangat dibutuhkan perusahaan pemasar termasuk PT. Kharisma Pemasaran Bersama (KPB) Nusantara. Metode peramalan yang digunakan dalam penelitian ini adalah metode peramalan kuantitatif dengan metode time series atau runtun waktu. Penentuan metode peramalan yang baik disesuaikan dengan data yang terbentuk berdasarkan pola data, apakah stasioner, pola trend, pola musiman atau siklis. Peramalan penjualan yang akurat berakibat pada terpenuhinya kebutuhan konsumen dan mendatangkan laba bagi perusahaan. Tujuan dari penelitian ini adalah: (1) Mengetahui metode peramalan penjualan Crude Palm Oil (CPO) yang digunakan pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta, (2) Menentukan metode peramalan kuantitatif terbaik yang digunakan untuk meramalkan penjualan Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta, (3) Menganalisis tingkat peramalan penjualan Crude Palm Oil (CPO) satu tahun mendatang menggunakan metode peramalan terbaik pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta. Penelitian ini dilakukan di PT. Kharisma pemasaran Bersama (KPB) Nusantara yang beralamat di Jl. Taman Cut Mutiah No. 11 Jakarta 10330. Pemilihan tempat penelitian ini dilakukan dengan sengaja (purposive) dengan pertimbangan bahwa PT. Kharisma Pemasaran Bersama (KPB) Nusantara merupakan salah satu perusahaan pemasar Crude Palm Oil (CPO) dan merupakan perusahaan milik negara yang bergerak dalam pemasaran komoditi perkebunan
baik ke dalam maupun luar negeri. Penelitian ini dilaksanakan pada bulan Juni Oktober 2010. Berdasarkan data yang diperoleh dari perusahaan diketahui bahwa kegiatan peramalan Crude palm Oil (CPO) dilakukan dengan metode kualitatif dengan cara berpedoman kepada perusahaan peramalan yaitu Oil World dan Reuters. Berdasarkan data sekunder yang diperoleh yaitu data penjualan minyak sawit kasar atau Crude Palm Oil (CPO) tujuh tahun terakhir (data bulanan) periode Januari 2004 sampai dengan Desember 2010, teridentifikasi bahwa terdapat pola trend (cenderung meningkat) dan pola musiman. Pola trend diakibatkan oleh faktor kenaikan jumlah penjualan akibat semakin meningkatnya konsumsi minyak sawit, sedangkan pola musiman diakibatkan oleh pengaruh musim seperti iklim, ekonomi global, hari raya keagamaan, awal dan akhir tahun. Metode peramalan kuantitatif time series (runtun waktu) yang digunakan adalah metode Naif (Naive), metode Rata-rata Bergerak Sederhana (Moving Average), metode Pemulusan Eksponensial Tunggal (Single Eksponential Smoothing), metode Pemulusan Eksponensial Ganda (Double Eksponential Smoothing), metode Indeks Musiman, metode Tren (Trend) dan metode BoksJenkins. Metode peramalan yang terpilih adalah metode yang memiliki nilai Mean Squared Error (MSE) terkecil, yaitu metode trend kuadratik (non lenier) dengan nilai MSE sebesar 3017854357. Nilai ramalan yang dihasilkan metode trend kuadratik (non lenier) untuk periode 85 sampai periode 96 adalah 213913 ton, 214562 ton, 215204 ton, 215836 ton, 216461 ton, 217077 ton, 217685 ton, 218284 ton, 218875 ton, 219458 ton, 220032 ton, 220598 ton. Selain itu juga perlu adanya antisipasi terhadap unsur musiman yang terjadi berdasarkan data yang terbentuk yaitu pada bulan-bulan tertentu seperti awal dan akhir tahun (Januari dan Desember), pengaruh iklim yang tidak menentu serta menjelang hari raya keagamaan seperti bulan puasa dan natal yang diperkirakan jatuh pada bulan Agustus dan September. Sehingga metode Indeks Musiman dapat dijadikan alternatif kedua setelah metode Trend kuadratik (non lenier). Penerapan hasil peramalan ini adalah perlu dilakukan rekomendasi kepada Departemen terkait oleh PT. Kharisma Pemasaran bersama (KPB) Nusantara terhadap peningkatan efektivitas kegiatan produksi CPO oleh PTPN dengan cara ekstensifikasi, intensifikasi dan penanganan pasca panen atau pengolahan Tandan Buah Segar (TBS), agar produksi CPO berlangsung optimal yang berdampak pada peningkatan penjualan CPO pada tahun 2011.
v
KATA PENGANTAR
Bismillahirrahmanirrahiin Assalamu’alaikum Wr. Wb. Puji serta syukur kita panjatkan kehadirat Allah SWT atas limpahan nikmat dan hidayah-Nya yang diberikan kepada kita semua. Begitu pula nikmat yang telah diberikan kepada penulis, sehingga penulisan skripsi ini dapat terselesaikan dengan baik. Shalawat serta salam penulis junjungkan kepada Nabi Muhammad SAW beserta keluarga, sahabat dan pengikutnya yang selalu taat mengikuti sunah dan dan istiqomah pada jalan yang lurus. Skripsi ini berjudul “Analisis Peramalan Penjualan Minyak sawit Mentah atau Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta”. Maksud dari penulisan skripsi ini adalah untuk mendapatkan gelar Sarjana Pertanian pada Program Studi Agribisnis, Fakultas Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta. Penulis mengucapkan terimakasih kepada segenap pihak yang telah membantu dalam penyusunan skripsi ini, karena tanpa mereka skripsi ini tidak akan terselesaikan dengan baik. Ucapan terimakasih yang mendalam kepada semua pihak yang membantu dalam penyusunan skripsi ini, terutama kepada: 1. Bapak dan Ibu penulis, Bapak Supri dan ibu Kusniyah yang telah mendidik penulis sejak kecil hingga penulis dapat menyelesaikan pendidikan hingga Perguruan Tinggi dengan baik. Penulis tak akan melupakan setiap jerih payah kalian, dan semoga skripsi ini menjadi hadiah yang terindah yang dapat penulis berikan kepada Bapak dan ibu. Serta adikku Nia Safitri dan Andri Prastyo. 2. Bapak Dr. Syopiansyah Jaya Putra, M.Sis selaku Dekan Fakultas Sains dan Teknologi. 3. Drs. Acep Muhib, MM selaku Ketua Program Studi Agribisnis dan Rizki Adi Puspita Sari, SP, MM selaku Sekretaris Program Studi Agribisnis.
4. Dr. Ir. Elpawati, MP selaku Pembimbing I dan Eny Dwiningsih, S.TP, M.Si selaku Pembimbing II. 5. Drs. Acep Muhib, MM selaku Penguji I dan Rizki Adi Puspita Sari, SP, MM selaku Penguji II. 6. Drs. Gatot
K. Gusti, MM selaku Manajer SDM dan umum
PT. Kharisma Pemasaran Bersama (KPB) Nusantara. Bapak Subandi, Ibu Muji, Pak Tri, Pak Endi dan seluruh Staf PT. Kharisma Pemasaran Bersama (KPB) Nusantara. 7. Bapak dan Ibu dosen Program Studi Agribisnis serta seluruh Staf Fakultas Sains dan Teknologi. 8. Kak Nughni Hanafi, terimakasih atas bimbingan dan ilmu metode peramalan serta buku dan software peramalannya yang sangat membantu penulis. 9. Kak Dewi Rahmawati, SP. Terimakasih atas bimbingan dan luangan waktunya untuk membantu penulis dalam kegiatan-kegiatan penyusunan skripsi. 10. Mahasiswa Agribisnis angkatan tahun 2006 yang menjadi penyemangat dan membantu penulis: Andi Angger, Ihsan, Ali, Ari, Syarif, Mawardi, Andi Asmara, Feriyanto, Pedri, Puguh, Purwanto, Hamzah Farihin, Reza, Lutfi, Dzul, Heru, Ajeng, Nia, Nisa, Wiwin, Rinrin, Rifa, Gina. Seluruh rekan dan pihak-pihak yang telah membantu penulis yang tidak dapat disebutkan satu persatu, terimakasih atas segala bantuanya, semoga Allah SWT memberikan balasan pahala berlipat ganda. Amin. Wassalamu’alaikum Wr. Wb.
Jakarta, Mei 2011
Akhmat Tohir
vii
DAFTAR ISI
Halaman DAFTAR ISI ..............................................................................................
viii
DAFTAR TABEL .....................................................................................
x
DAFTAR GAMBAR .................................................................................
xi
DAFTAR LAMPIRAN .............................................................................
xiii
BAB I.
PENDAHULUAN .....................................................................
1
1.1. Latar Belakang ....................................................................
1
1.2. Perumusan Masalah ............................................................
4
1.3. Tujuan Penelitian ................................................................
5
1.4. Manfaat Penelitian ..............................................................
5
1.5. Ruang Lingkup Penelitian ...................................................
6
BAB II. TINJAUAN PUSTAKA............................................................
7
2.1. Minyak Kelapa Sawit/Crude Palm Oil (CPO) ...................
7
2.2. Permintaan Crude Palm Oil (CPO)....................................
8
2.3. Konsep Penjualan ...............................................................
10
2.4. Peramalan ...........................................................................
12
2.4.1. 2.4.2. 2.4.3. 2.4.4. 2.4.5.
Kegunaan dan Peran Peramalan ............................. Identifikasi Pola Data Time Series ......................... Metode Peramalan.................................................. Metode Peramalan Time Series .............................. Pemilihan Metode Peramalan ................................
14 14 15 18 23
2.5. Hasil Penelitian Terdahulu ..................................................
24
2.6. Kerangka Pemikiran Penelitian ...........................................
25
2.7. Definisi Operasional............................................................
29
BAB III. METODE PENELITIAN ........................................................
31
3.1. Lokasi dan Waktu Penelitian ..............................................
31 viii
3.2. Jenis dan Sumber Data ........................................................
31
3.3. Metode Pengolahan dan Analisis Data ...............................
32
3.3.1. 3.3.2.
Analisis Kualitatif ................................................... Analisis Kuantitatif .................................................
32 32
3.3.2.1. Metode Peramalan Time Series .................. 3.3.2.2. Ukuran Akurasi Hasil Peramalan ...............
33 40
BAB IV. GAMBARAN UMUM PERUSAHAAN .................................
42
4.1. Sejarah Berdirinya PT. KPB Nusantara ..............................
42
4.2. Visi dan Misi PT. KPB Nusantara ......................................
43
4.3. Struktur Organisasi PT. KPB Nusantara .............................
43
4.4. Hukum dan Legalitas PT. KPB Nusantara .........................
45
4.5. Pemasaran Crude Palm Oil (CPO) .....................................
45
4.5.1. 4.5.2. 4.5.3.
Bauran Pemasaran .................................................. Segmentasi, Targeting dan Positioning .................. Mutu Crude Palm Oil (CPO)..................................
45 50 50
BAB V. HASIL DAN PEMBAHASAN .................................................
52
5.1. Metode Peramalan Penjualan Crude Palm Oil (CPO) Pada PT. KPB Nusantara .....................................................
52
5.2. Metode Peramalan Kuantitatif Terbaik untuk Meramalkan Penjualan Crude Palm Oil (CPO) Pada PT. KPB Nusantara .............................................................................
53
5.2.1.
Penjualan Crude Palm Oil (CPO) Pada PT. KPB Nusantara................................................................. 5.2.2. Identifikasi Pola Data Penjualan Crude Palm Oil (CPO) ...................................................................... 5.2.3. Metode Peramalan Kuantitatif Penjualan Crude Palm Oil (CPO) .................................................. 5.2.3.1. Metode Naif (Naive) .................................. 5.2.3.2. Metode Rata - rata Bergerak (Moving Average).................................................... 5.2.3.3. Metode Pemulusan Eksponensial Tunggal (Single Eksponential Smoothing)............... 5.2.3.4. Metode Pemulusan Eksponensial Ganda (Double Eksponential Smoothing) ........... 5.2.3.5. Metode Indeks Musiman ........................... 5.2.3.6. Metode Tren (Trend) .................................
53 54 62 62 63 65 67 67 68 ix
5.2.3.7. Metode Box-Jenkins (ARIMA) .................
71
Pemilihan Metode Peramalan Kuantitatif Terbaik Penjualan CPO ......................................................
78
5.3. Analisis Tingkat Peramalan Penjualan Crude Palm Oil (CPO) Satu Tahun Mendatang ...........................................
82
BAB VI. KESIMPULAN DAN SARAN.................................................
86
6.1. Kesimpulan .........................................................................
86
6.2. Saran....................................................................................
88
DAFTAR PUSTAKA ................................................................................
89
LAMPIRAN ...............................................................................................
91
5.2.4.
x
DAFTAR RIWAYAT HIDUP
Data Diri Nama lengkap
: Akhmat Tohir
Alamat
: JL. Kebon Kopi Rt 02/04 No. 74 Pondok Aren, Tangerang Selatan, 15221
Telepon
: 087884440345
Tempat Tanggal Lahir : Kendal, 27 Desember 1987 Agama
: Islam
Email
:
[email protected]
Riwayat Pendidikan 1994 – 1996
: SDN Kebonsari, Kendal, Semarang
1996 – 2000
: SDN 03 Pondok Betung, Tangerang Selatan
2000 – 2003
: SLTP Perwira, Jakarta Selatan
2003 – 2006
: SMAN 87, Jakarta Selatan
2005-2011
: Agribisnis UIN Syarif Hidayatullah Jakarta
Riwayat Organisasi 2004 – 2005
: Anggota ROHIS SMAN 87, Jakarta Selatan
2004 – 2005
: Anggota PASKIBRA Kec. Pesanggrahan, Jakarta Selatan
2006 – 2008
: Wakil Ketua IAR SMAN 87, Jakarta Selatan
2006 – 2007
: Staf LITBANG BEM Jurusan Agribisnis
2006 – 2007
: Staf Pengembangan Usaha LDK SYAHID
Kegiatan Pelatihan 2007
:
2008
: Moderator Workshop Kultur Jaringan Acara Agri’s Event 2008 BEM Jurusan Agribisnis
2009
: Pelatihan Keterampilan Kerja MONTIR MOTOR BKM Amanah Program PNPM Mandiri 2009
2010
: Shell LiveWIRE Bright Idea Workshop
Training Organization Platform Mahasiswa Jurusan Agribisnis
Badan
Eksekutif
Riwayat Pekerjaan 2006
:
Panitia Agri’s Event 2007
2007
: Panitia Training Organization Platform Badan Eksekutif Mahasiswa Agribisnis
2009
:
Staf Pengajar Bimbel Cendikia
2009
:
Tim Monitoring BP3KTKI
2009
:
Ketua Pelaksana KKN Kel. Pisangan
2010
:
Tim Reseacher Lapang ETNOMARK Consulting
2011
:
Staf Manajemen NALABARCA
DAFTAR TABEL
No.
Halaman
1. Konsumsi Minyak Nabati Dunia ........................................................
3
2. Produk Turunan Minyak Sawit/CPO ..................................................
8
3. Tenaga Kerja PT. KPB Nusantara ......................................................
44
4. Perkembangan Harga Rata-rata CPO Lokal Tahun 2007-2010 ...........
47
5. Perkembangan Harga CPO Ekspor Tahun 2007-2010 ........................
47
6. Daftar Pembeli CPO PT. KPB Nusantara ...........................................
49
7. Standar Mutu CPO PT. KPB Nusantara..............................................
51
8. Rata – Rata Indeks Musiman Setiap Bulan Penjualan CPO Periode Januari 2004 sampai Desember 2010..................................................
58
9. Hasil Uji Regresi Volume Penjualan Terhadap Periode Waktu ...........
59
10. Perbandingan Hasil Perhitungan Metode Moving Average dengan Ordo yang Berbeda-beda ....................................................................
64
11. Perbandingan Nilai Kesalahan Metode Single Eksponential Smoothing dengan Nilai α Berbeda-beda .............................................................
66
12. Perbandingan Nilai MSE Model ARIMA (0,d,q)(0,D,Q)L ..................
77
13. Nilai Perhitungan Beberapa Metode Peramalan Penjualan CPO .........
80
14. Peramalan Penjualan CPO Periode Januari 2011 - Desember 2011 Menggunakan Metode Trend Kuadratik .............................................
83
DAFTAR GAMBAR
No.
Halaman
1. Konsep Penjualan...............................................................................
10
2. Alur Kerangka Pemikiran Penelitian ..................................................
28
3. Grafik Pergerakan Volume Penjualan CPO PT. KPB Nusantara ............................................................................
56
4. Plot ACF dari Data Penjualan CPO Periode Januari 2004 sampai Desember 2010 ..................................................................................
60
5. Grafik Trend Analysis Model Regresi Lenier .....................................
70
6. Grafik Trend Analysis Model Regresi Non Lenier (Kuadratik) ...........
71
7. Grafik ACF Pembedaan Regular Pertama...........................................
73
8. Grafik ACF Pembedaan Musiman Pertama ........................................
74
9. Grafik ACF Pembedaan Regular Pertama dan Pembedaan Musiman Pertama ..............................................................................................
75
10. Grafik PACF Pembedaan Regular Pertama dan Pembedaan Musiman Pertama ..............................................................................................
75
xii
DAFTAR LAMPIRAN
No.
Halaman
1. Struktur Organisasi PT. Kharisma Pemasaran Bersama Nusantara .....
92
2. Daftar Volume Penjualan PT. KPBN Periode Tahun 2004 - 2010 (Ekspor dan Lokal) ............................................................................
93
3. Hasil Uji Regresi Volume Penjualan CPO Terhadap Periode Waktu pada PT. KPB Nusantara Periode Januari 2004 - Desember 2010 .......
94
4. Grafik Normal Probability Plot Hasil Analisis Regresi Penjualan Crude Palm Oil (CPO) PT. KPB Nusantara Periode Januari 2004 – Desember 2010 ..................................................................................
95
5. Perhitungan Peramalan Penjualan CPO Menggunakan Metode Naif...
96
6. Perhitungan Metode Rata - rata Bergerak (Moving Average) dengan Ordo 12 ..............................................................................................
98
7. Hasil Perhitungan Metode Pemulusan Eksponensial Tunggal (Single Eksponential Smoothing) untuk Volume Penjualan CPO ....................
100
8. Hasil Perhitungan Metode Pemulusan Eksponensial Ganda (Double Eksponential Smoothing) untuk Volume Penjualan CPO ....................
102
9. Perhitungan Peramalan Penjualan CPO Metode Least Squared ..........
104
10. Perhitungan Peramalan Penjualan CPO Metode Indeks Musiman.......
106
11. Nilai Perhitungan Peramalan Metode Trend Analysis Model Regresi Lenier Sederhana Volume Penjualan CPO .........................................
112
12. Perhitungan Peramalan Menggunakan Metode Trend Analysis Model Regresi Non Lenier (Kuadratik) Volume Penjualan CPO Terhadap Waktu ................................................................................................
113
13. Nilai Koefisien Korelasi ACF , Grafik dan Nilai Korelasi PACF Pembedaan Pertama Data Volume Penjualan CPO PT. KPB Nusantara ............................................................................
114
14. Nilai Koefisien ACF dan PACF Pembedaan Regular Pertama dan Pembedaan Musiman Pertama............................................................
115 xiii
15. Perhitungan Metode Box - Jenkins Tentatif Model ARIMA (0,1,q) (0,1,Q)L untuk Peramalan Penjualan CPO PT. KPB Nusantara ...........
116
16. Grafik Fitted Line Plot Uji Statistik Metode Trend Analysis Model Regresi Kuadratik ..............................................................................
118
17. Grafik Pergerakan Hasil Peramalan Penjualan CPO Menggunakan Metode Trend Analysis Model Kuadratik ...........................................
119
18. Hasil Wawancara Kepada Pihak Perusahaan ......................................
120
19. Surat Keterangan Penelitian ..............................................................
124
xiv
BAB I PENDAHULUAN
1.1. Latar Belakang
Dunia usaha yang terus berubah dengan cepat, mengharuskan perusahaan untuk mampu menganalisis lingkungan usaha dan memprediksi berbagai kemungkinan yang terjadi di masa depan. Kegiatan meramal atau forecast masa depan merupakan salah satu usaha perusahaan sebagai dasar pengambilan keputusan strategis kelangsungan usaha. Selain memantau perubahan lingkungan usaha, perusahaan juga perlu mengembangkan pengetahuan khusus tentang pasar mereka. Perusahaan pemasar yang baik menginginkan informasi untuk membantu mereka menginterpretasikan kinerja masa lalu dan merencanakan kegiatan masa depan (Kotler, 2007: 123). Kemampuan perusahaan dalam manajemen mencerminkan keberhasilan dalam memanfaatkan peluang usaha seoptimal mungkin, sehingga dapat menghasilkan penjualan dan laba sesuai dengan yang diharapkan (Rangkuti, 2005:1). Pemanfaatan peluang usaha dilakukan dengan mengkaji situasi saat ini maupun masa lalu dan melihat pengaruhnya pada situasi masa yang akan datang. Tugas penting manajemen perusahaan adalah merencanakan masa depan agar semua kemungkinan dan peluang yang diprediksi dapat terealisasi. Penjualan merupakan kegiatan ekonomis sebuah perusahaan untuk memperoleh hasil/laba sesuai dengan target perusahaan. Semakin meningkatnya kebutuhan perencanaan dalam aktivitas bisnis dan ekonomi, maka kegiatan prediksi terhadap kondisi
mendatang
secara
akurat
semakin
diperlukan.
Perkembangan
teknologi
komputerisasi mendukung penggunaan berbagai metode dan teknik peramalan usaha dalam memprediksi kondisi yang akan datang sehingga dapat digunakan untuk mempermudah kebutuhan perencanaan perusahaan. Memprediksi
penjualan
yang
terlalu
besar
dan
kurang
akurat
mengakibatkan biaya produksi akan meningkat sehingga seluruh investasi yang ditanamkan menjadi kurang efisien. Oleh karena itu, untuk mengantisipasi permasalahan tersebut dilakukan prediksi kemungkinan terjadinya penurunan atau kenaikan penjualan pada periode yang akan datang dengan diperolehnya informasi yang akurat sehingga perusahaan dapat mempersiapkan strategi - strategi yang harus ditempuh menghadapi suatu kondisi tertentu (Rangkuti, 2005:1). Berdasarkan pernyataan tersebut maka terlihat betapa pentingnya fungsi peramalan penjualan bagi sebuah perusahaan untuk mengetahui besarnya penjualan saat ini atau yang akan datang. Diperlukan suatu sistem peramalan untuk memproyeksikan bagaimana dengan penjualan yang akan datang, menurut Makridakis dkk (1999 : 3) peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Menurut Sutiyono (2009, 6) produksi minyak sawit atau Crude Palm Oil (CPO) Indonesia pada tahun 2007 melebihi 1 juta ton, hal ini menunjukkan bahwa kelapa sawit sebagai andalan sektor perkebunan telah menjadi sumber penghasil devisa bagi Indonesia. Pada Kuartal I tahun 2010 total volume ekspor CPO Indonesia meningkat 241 ribu ton menjadi 3,62 juta ton, dibandingkan dengan periode yang sama tahun 2009 sebesar 3,38 juta ton (Rahayu, 2010: 1). 2
Peningkatan konsumsi yang signifikan terutama akan terjadi pada negara yang sedang berkembang seperti India sebesar 6,660 juta Ton, disusul China sebesar 6,580 juta ton, Uni Eropa 5,850 juta ton, Indonesia 5,100 juta ton dan Malaysia 2,310 juta ton (PT. KPBN, 2010: 2). Konsumsi minyak nabati dunia disajikan pada Tabel 1.
Tabel 1. Konsumsi Minyak Nabati Dunia Negara India
Tahun (Ribu Ton) 2007/2008 2008/2009 2009/2010 4879 6564 6660
Peningkatan (Ribu Ton) Volume % 96 1.44 623 9.47 256 4.38 311 6.1 -164 -7.1
China Uni Eropa
5670 4849
5957 5594
6580 5850
Indonesia Malaysia
4332 2449
4789 2474
5100 2310
Pakistan Nigeria
1734 1228
1785 1283
1810 1325
1.38 3.17
Thailand Negara lainnya
941 11533
1157 11512
1280 12131
9.61 5.1
25 42 123 619
Jumlah
37615
41115
43046
4.49
1931
Sumber : Oil World dalam PT. KPB Nusantara (2010: 2)
PT. Kharisma Pemasaran Bersama (KPB) Nusantara merupakan anak perusahaan dari PT. Perkebunan Nusantara I sampai XIV dan PT. Rajawali Nusantara Indonesia (PT. RNI) yang bergerak di bidang pemasaran komoditas agro industri produksi PTPN I sampai dengan PTPN XIV dan PT. RNI. Komoditi utama yang dikelola dan dipasarkan oleh PT. KPB Nusantara meliputi minyak sawit, karet, latex, teh, kopi, coklat dan gula tetes, yang dipasarkan di dalam maupun luar negeri. Kegiatan pemasaran seperti lelang atau tender lebih sering dilakukan terhadap produk minyak sawit kasar atau Crude Palm Oil (CPO), 3
sedangkan kegiatan pemasaran produk lainnya dilakukan sesuai pesanan, hal ini menunjukkan bahwa permintaan konsumen terhadap CPO PT. KPB Nusantara cukup besar. Pemasaran CPO mencakup pasar lokal dan ekspor, permintaan CPO yang tidak menentu perlu dilakukan peramalan penjualan yang seakurat mungkin sehingga kebutuhan konsumen dapat terpenuhi dan mendatangkan laba bagi perusahaan. Penelitian ini terfokus kepada komoditi Crude Palm Oil (CPO) PT. KPB Nusantara yang diproduksi oleh PTPN I , II , III , IV , V , VI , VII ,VIII, XIII dan XIV. Berdasarkan hal diatas, penulis akan melakukan penelitian mengenai peramalan penjualan minyak sawit kasar atau Crude Palm Oil (CPO) yang dilakukan
oleh
PT.
KPB
Nusantara,
sebagai
salah
satu
cara
untuk
memprediksikan penjualan satu tahun mendatang agar terpenuhinya permintaan pasar. Oleh karena itu penelitian ini diberi judul “Analisis Peramalan Penjualan Minyak Sawit Kasar atau Crude Palm Oil (CPO) Pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara Di Jakarta”. 1.2. Perumusan Masalah Berdasarkan uraian diatas, maka permasalahan yang akan dibahas dalam penelitian ini sebagai berikut: 1. Bagaimana metode peramalan penjualan Crude Palm Oil (CPO) yang digunakan pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta?
4
2. Metode peramalan kuantitatif terbaik apa yang digunakan untuk meramalkan penjualan Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta? 3. Berapa tingkat peramalan penjualan Crude Palm Oil (CPO) satu tahun mendatang dengan metode peramalan kuantitatif terbaik pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta?
1.3. Tujuan Penelitian Berdasarkan perumusan masalah diatas maka penulis memiliki tujuan yang hendak dicapai yaitu, sebagai berikut: 1. Mengetahui metode peramalan penjualan Crude Palm Oil (CPO) yang digunakan pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta. 2. Menentukan metode peramalan kuantitatif terbaik yang digunakan untuk meramalkan penjualan Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta. 3. Menganalisis tingkat peramalan penjualan Crude Palm Oil (CPO) satu tahun mendatang menggunakan metode peramalan kuantitatif terbaik pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta.
1.4. Manfaat Penelitian Berdasarkan perumusan masalah dan tujuan penelitian diatas maka manfaat yang diharapkan penulis adalah sebagai berikut:
5
1. Perusahaan, sebagai salah satu alternatif pengambilan keputusan dalam meramalkan penjualan Crude Palm Oil (CPO) pada PT. Kharisma Pemasaran Bersama (KPB) Nusantara di Jakarta. 2. Pembaca, sebagai bahan informasi dan masukan bagi penelitian selanjutnya terutama yang sesuai dengan penelitian yaitu peramalan penjualan. 3. Peneliti, menerapkan ilmu peramalan (forecasting) yang telah dipelajari sewaktu kuliah Manajemen Produksi dan Operasi serta memenuhi persyaratan untuk mendapatkan gelar Strata Satu (S1).
1.5. Ruang Lingkup Penelitian Ruang lingkup penelitian adalah mengamati kegiatan peramalan penjualan Crude Palm Oil (CPO) pada PT. KPB Nusantara dan melakukan pengambilan data penjualan CPO tujuh tahun terakhir yaitu dimulai Januari 2004 sampai dengan Desember 2010. Data tersebut akan digunakan untuk mengetahui besarnya penjualan CPO satu tahun mendatang yang dilakukan oleh PT. KPB Nusantara. Pengamatan peramalan penjualan CPO dilihat melalui nilai kesalahan yang terbentuk yaitu nilai Mean Squared Error (MSE), nilai Mean Absolute Error (MAE) dan nilai Mean Absolute Percentage Error (MAPE), sedangkan untuk mengetahui keakuratan hasil peramalan dilihat dari nilai MSE yang dihasilkan metode peramalan time series yang digunakan. Karena semakin kecil nilai MSE maka metode peramalan semakin akurat.
6
BAB II TINJAUAN PUSTAKA
2.1. Minyak Kelapa Sawit/Crude Palm Oil (CPO)
Crude Palm Oil (CPO) atau minyak kelapa sawit kasar berasal dari daging buah (mesocarp) kelapa sawit yang berwarna merah. Keunggulan minyak sawit selain tersusun dari asam lemak tidak jenuh dan asam lemak jenuh, juga mengandung beta karoten atau pro-vitamin A dan pro-vitamin E (tokoferol dan tokotriol) yang sangat diperlukan dalam proses metabolisme dalam tubuh manusia dan sebagai antioksidan. Hasil pengolahan kelapa sawit dapat dikelompokkan menjadi bahan makanan, bahan non makanan, bahan kosmetika dan farmasi (Mangoensoekarjo dan Haryono, 2003: 67). Menurut Pardamean (2008: 231), minyak kelapa sawit dapat diolah menjadi bahan makanan seperti mentega, lemak untuk masakan (shortening), bahan tambahan coklat, bahan baku es krim, pembuatan asam lemak, vanaspati, bahan baku berbagai industri dan bahan makanan ternak. Selain itu kegunaan minyak sawit juga digunakan sebagai bahan kosmetik dan obat-obatan yaitu sebagai krim, shampo, lotion, dan vitamin-A. Selain dikembangkan sebagai minyak goreng, minyak sawit dapat diaplikasikan untuk mensintesis berbagai produk pangan karena kandungan mikronutrien yang tinggi seperti karotenoid (500-700 ppm) dan vitamin E (1000 ppm). Minyak Sawit mentah atau CPO dikenal kaya akan mikronutrien, terutama karotenoid (provitamin A) dan sitosterol. Minyak sawit kasar atau Crude Palm Oil (CPO) berwarna merah-
kecoklatan menandakan kandungan karotenoid yang tinggi. Produk turunan dari minyak sawit disajikan pada Tabel 2.
Tabel 2. Produk Turunan Minyak Sawit /CPO Minyak sawit /CPO
1. 2. 3. 4. 5. 6.
Pangan Minyak goreng (olein) Margarin Lemak kue Vanaspati Cocoa Butter substitute
Oleokimia( non-pangan) 1. Stearin 2. Sabun 3. Asam lemak 4. Gliserin 5. Detergen 6. Pelumas 7. Plasticizer 8. Kosmetika 9. BBM 10. Pro-vitamin A 11. Pro-vitamin E
Sumber : Mangoensoekarjo dan Haryono Diolah (2003: 71)
2.2. Permintaan Crude Palm Oil (CPO)
Permintaan CPO dunia dalam 5 (lima) tahun terakhir ( tahun 2001-2005), rata-rata tumbuh sebesar 9,92% (Tryfino, 2006: 1). China dengan Indonesia merupakan negara yang paling banyak menyerap CPO dunia. Selain itu negara Uni Eropa juga termasuk konsumen besar pengkomsumsi CPO di dunia. Faktor yang mendukung terjadinya permintaan CPO seperti pertumbuhan penduduk, pertumbuhan industri hilir, perkembangan energi alternatif. Malaysia dan Indonesia diprediksikan akan terus menjadi pemain utama dalam ekspor CPO ini, mengingat belum ada perkembangan yang signifikan dari negara pesaing lainnya. Bahkan Indonesia diprediksikan akan menyalip Malaysia baik dalam produksi maupun ekspor CPO, karena didukung oleh luas lahan yang tersedia dimana 8
Malaysia sudah mulai terbatas. Sutiyono (2009: 3) menyatakan total produksi CPO dunia pada tahun 2008 adalah 43.1 juta ton yang sebagian besar berasal dari Indonesia dan Malaysia. Menurut Rawendra (2009: 1), data Oil World menunjukkan produksi CPO Indonesia dan Malaysia untuk 2010 diprediksikan mencapai masing-masing 22,50 juta ton dan 18 juta ton dengan produktivitas sebesar 3,91 ton/ha dan 4,47 ton/ha, sedangkan produksi CPO dunia untuk periode 2010 diprediksikan akan meningkat sebesar 5,3% menjadi 47,52 juta ton. Hal ini sejalan dengan bertambahnya lahan menghasilkan yang meningkat 5,4% dari 12,8 juta ha menjadi 12,83 juta ha. Di tahun 2010, diperkirakan harga CPO akan naik terutama di semester 1 karena faktor ketatnya persediaan edible oil di dunia dan kemungkinan naiknya harga minyak mentah. Diperkirakan pada semester 2 pergerakan harga CPO akan flat hingga akhir tahun. Peningkatan permintaan CPO sejalan dengan pertumbuhan ekonomi dan jumlah penduduk, permintaan terhadap CPO akan terus meningkat terutama dari China dan India (Sutiyono. 2009: 7). Sampai dengan bulan Juni 2009 impor China dan India masing-masing mengalami peningkatan sebesar 4.8% dan 36.2% dibandingkan periode yang sama tahun lalu. Menurut Susila (2010: 5-6) konsumsi CPO tahun 2010 diperkirakan akan berkisar antara 31.73 – 32.97 juta ton. Selanjutnya, sampai dengan akhir fase kedua (2017), konsumsi akan berkisar antara 36.80 – 39.28 juta ton. Pada akhir fase ketiga, konsumsi CPO dunia diperkirakan akan berkisar antara 41.45 – 44.45 juta ton.
9
Departemen Pertanian Amerika dalam Sutiyono (2009: 7) memperkirakan konsumsi CPO dari China dan India akan tumbuh masing-masing sebesar 9,1% dan 7.0 % di tahun 2010. Dengan demikian konsumsi domestik kedua negara tersebut diperkirakan sekitar 11.4 juta ton atau sebesar 25.7 % dari jumlah total konsumsi. 2.3. Konsep Penjualan
Konsep penjualan menyatakan bahwa konsumen tidak akan membeli suatu produk organisasi dalam jumlah cukup kecuali jika organisasi tesebut melakukan usaha penjualan dan promosi berskala besar ( Kotler dan Amstrong, 2004: 21). Konsep itu biasanya dilakukan pada barang yang tidak dicari (unsought goods) barang yang oleh pembeli biasanya tidak terpikir untuk dibeli, seperti ensiklopedia atau asuransi.industri tersebut harus mahir melacak calon pelanggan dan menjual manfaat produk tersebut kepada mereka. Konsep penjualan ditampilkan pada Gambar 1. Titik awal Pabrik
Fokus Produk Yang ada
Sarana Pejualan dan promosi
Sasaran akhir Laba melalui volume penjualan
Gambar 1. Konsep Penjualan Sumber : Kotler dan Amstrong (2004 :21)
Menurut Siegel dan Shim dalam Kurdi (1999: 404), penjualan adalah penerimaan yang diperoleh dari pengiriman barang dagangan atau dari penyerahan pelayanan dalam bursa sebagai barang pertimbangan. Pertimbangan ini dapat dalam bentuk tunai peralatan kas atau harta lainnya. Pendapatan dapat 10
diperoleh pada saat penjualan, karena terjadi pertukaran, harga jual dapat ditetapkan dan bebannya diketahui. Penjualan adalah usaha yang dilakukan manusia untuk menyampaikan barang yang telah dihasilkannya kepada mereka yang membutuhkannya dengan imbalan uang menurut harga yang ditentukan, atas persetujuan bersama (Sutamto dalam Rokhah, 2004: 8). Perusahaan pada umumnya mempunyai tiga tujuan dalam penjualan yaitu mencapai volume penjualan, mendapatkan laba tertentu, dan menunjukan pertumbuhan perusahaan. Untuk meningkatkan penjualan ada bermacam jenis kegiatan efektif yang dilakukan termasuk didalamnya adalah promosi. Promosi penjualan yang dilakukan oleh penjual dapat dikelompokkan berdasarkan tujuan yang ingin dicapai (Kotler dan Keller, 2007: 98-100). Pengelompokkan tersebut sebagai berikut: 1. Customer promotion, yaitu promosi yang bertujuan untuk mendorong atau merangsang pelanggan untuk membeli. 2. Trade promotion, yaitu promosi penjualan yang bertujuan untuk merangsang atau mendorong pedagang grosir, pengecer, eksportir dan importir untuk memperdagangkan barang/jasa dari sponsor. 3. Sales-force promotion, yaitu promosi penjualan yang bertujuan untuk memotivasi armada penjualan. 4. Business promotion, yaitu promosi penjualan yang bertujuan untuk memperoleh pelanggan baru, mempertahankan kontrak hubungan dengan pelanggan, memperkenalkan produk baru, menjual lebih banyak kepada pelanggan lama dan mendidik pelanggan. 11
Menurut Stewart (1995: 10), perencanaan penjualan merupakan suatu sikap, pikiran dan juga merupakan proses yang dirancang untuk: 1. Meramal kecenderungan-kecenderungan masa depan yang mempengaruhi usaha. 2. Mempengaruhi tujuan yang seharusnya dicapai. 3. Menjelaskan bagaimana kita merencanakan pencapaian sasaran-sasaran perusahaan. 4. Memberi umpan balik bagaimana kita akan melakukan usaha-usaha dibandingkan dengan rencana. 5. Bertindak bukan bereaksi. 6. Memusatkan pada kegiatan-kegiatan untuk mencapai hasil.
2.4. Peramalan
Peramalan adalah proses untuk memperkirakan berapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa (Nasution. 2006: 235). Render dan Heizer (2001: 136), menyatakan peramalan adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan. Salah satu jenis peramalan adalah peramalan permintaan/penjualan. Peramalan permintaan merupakan tingkat permintaan produk – produk yang diharapkan akan terealisasi untuk jangka waktu tertentu pada masa yang akan datang. Ramalan penjualan merupakan proses aktivitas memperkirakan produk yang akan dijual dimasa
12
mendatang dalam keadaan tertentu dibuat berdasarkan data-data yang pernah terjadi atau mungkin terjadi (Nafarin, 2007: 96). Peramalan adalah suatu proses memperkirakan secara sistematik tentang apa yang terjadi dimasa depan berdasar informasi masa lalu dan sekarang yang dimiliki agar kesalahannya (selisih antara apa yang terjadi dengan hasil perkiraan) dapat diperkecil (Mulyono, 2000: 1). Handoko (2000: 260), menyatakan esensi peramalan adalah memperkirakan peristiwa-peristiwa diwaktu yang akan datang atas dasar pola-pola waktu yang lalu dan penggunaan kebijakan terhadap proyeksi-proyeksi dengan pola-pola di waktu yang lalu. Menurut Render dan Heizer (2001: 46), jika dilihat dari jangka waktu ramalan yang telah disusun, maka peramalan dapat dibedakan menjadi 3 macam, yaitu: 1. Peramalan jangka pendek, yaitu peramalan yang memiliki rentang waktu satu tahun tetapi umumnya kurang dari tiga bulan. Peramalan jangka pendek digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan dan tingkat produksi. 2. Peramalan jangka menengah, biasanya berjangka tiga bulan hingga tiga tahun. Peramalan ini sangat bermanfaat dalam perencanaan penjualan, perencanaan dan penganggaran produksi, penganggaran kas, dan menganalisis berbagai rencana operasi. 3. Peramalan jangka panjang, yaitu peramalan yang memiliki rentang waktu biasanya tiga tahun atau lebih, digunakan dalam merencanakan produk baru,
13
pengeluaran modal, lokasi fasilitas, atau ekspansi dan penelitian serta pengembangan.
2.4.1. Kegunaan dan Peran Peramalan
Permintaan suatu produk pada suatu perusahaan sangat dipengaruhi oleh berbagai faktor lingkungan yang saling berinteraksi dalam pasar yang berada di luar kendali perusahaan. Dimana faktor – faktor lingkungan tersebut juga akan mempengaruhi peramalan. Berikut ini merupakan beberapa faktor lingkungan yang mempengaruhi peramalan (Yamit, 2005: 48), yaitu: 1. Kondisi umum bisnis dan ekonomi 2. Reaksi dan tindakan pesaing 3. Tindakan pemerintah 4. Kecenderungan pasar 5. Siklus hidup produk 6. Gaya dan mode 7. Perubahan permintaan konsumen
2.4.2. Identifikasi Pola Data Time Series Menurut Firdaus (2006: 2), salah satu instrumen yang digunakan untuk mengekplorasi pola data adalah koefisien autokarelasi (rk), yaitu korelasi antara nilai peubah yt dengan nilai beda kalanya (lag) yaitu yt-1. Kumpulan rk untuk berbagai tingkatan beda kala disebut Autocorrelation Function (ACF). ACF dapat digunakan untuk mengidentifikasi apakah data itu trend, stasioner, variasi
14
musiman, siklus. Trend adalah komponen data deret waktu yang menunjukkan peningkatan atau penurunan dalam jangka panjang selama periode waktu yang diamati, variasi musiman adalah fluktasi data yang berulang setiap beberapa hari, minggu atau bulan karena faktor cuaca, hari raya dan lainnya. Siklus adalah fluktuasi seperti gelombang disekitar trend, dengan kata lain pola musiman dalam jangka lebih panjang yang berulang biasanya setiap lima sampai sepuluh tahun. Unsur stasioner adalah fluktuasi data dimana relatif konstan walaupun ada kenaikan atau penurunan, jika dirata-ratakan masih berada pada titik rata-rata. Cara selanjutnya adalah identifikasi terhadap pola atau perilaku Autocorrelatinal Function (ACF) dan Parsial Autocorrelation Function (PACF). Suatu deret data non musiman dikatakan stasioner jika koefisien autokorelasinya nol untuk semua tingkatan beda kala. Series juga dapat dikatakan stasioner bila koefesien autokorelasinya berbeda nyata dengan nol hanya pada beberapa kala pertama (k≤5) (Firdaus, 2006: 23).
2.4.3. Metode Peramalan Menurut Nasution (2006: 242) secara umum, peramalan diklasifikasikan menjadi 2 macam, yaitu: 1. Peramalan yang bersifat subjektif. Peramalan subjektif lebih menekankan pada keputusan-keputusan hasil diskusi, pendapat pribadi seseorang dan intuisi yang meskipun kelihatanya kurang ilmiah tetapi dapat memberikan hasil yang baik, peramalan subjektif ini akan diwakili oleh metode Delphi dan metode penelitian pasar.
15
2. Peramalan yang bersifat objektif, merupakan prosedur peramalan yang mengikuti aturan-aturan matematis dan statistik dalam menunjukkan hubungan antara permintaan dengan satu atau lebih variabel yang mempengaruhinya. Peramalan objektif terdiri dari dua metode yaitu, metode intrinsik dan ekstrinsik. Metode peramalan dapat diklasifikasikan menjadi dua metode kualitatif dan metode kuantitatif (Firdaus. 2006: 1). Peramalan kualitatif didalam prosedurnya melibatkan pengalaman, judgements maupun opini dari sekelompok orang yang pakar dibidangnya. Teknik kualitatif terdiri dari teknik sales-force composite (agregasi ramalan dari setiap individu dalam suatu organisasi) dan teknik delphi (untuk mengumpulkan individu dalam suatu organisasi). Metode ini cocok untuk peramalan dalam jangka panjang lebih dari 5 tahun. Menurut Makridakis dkk (1999: 10) menyatakan bahwa pendekatan kualitatif dibagi menjadi dua bagian, yaitu metode eksploratoris dan normatif. Metode ekploratoris seperti delphi, kurva-s analogi dan penelitian morfologis, metode normatif seperti matriks keputusan, pohon relevansi, dan analisis sistem, dimulai dengan menetapkan sasaran dan tujuan yang akan datang, kemudian bekerja mundur untuk melihat apakah hal ini dapat dicapai, berdasarkan kendala, sumberdaya, dan teknologi yang tersedia. Kelemahanya adalah tidak ada prosedur yang sistematis untuk mengukur dan memperbaiki keakuratan hasil peramalan serta kemungkinan tingginya subjektivitas pendapat. Peramalan kuantitatif melibatkan analisis statistik terhadap data-data yang lalu (Firdaus. 2006: 1). Metode peramalan kuantitatif terbagi atas dua golongan 16
yaitu model deret waktu satu ragam dan metode kausal. Model deret waktu satu ragam fokus pada observasi terhadap urutan pola data secara kronologis suatu peubah tertentu, sebagai contoh teknik naif, perataan, pemulusan, dekomposisi, trend, metodologi Box-Jenkins (ARIMA-SARIMA) dan ARCH-GARCH. Model kausal fokus pada identifikasi dan determinasi hubungan antar variabel yang akan diramalkan, yang tergolong dalam metode ini antara lain teknik regresi, model ekonometrika dan input output. Model deret berkala (time series), pendugaan masa depan dilakukan berdasarkan masa lalu dari suatu variabel dan/atau kesalahan masa lalu. Tujuan metode peramalan deret berkala (time series) adalah menemukan pola dalam deret data historis dan mengekstrapolasikan pola tersebut ke masa depan. Makridakis dkk (1999: 9), model kausal mengasumsikan bahwa faktor yang diramalkan menunjukkan suatu hubungan sebab-akibat dengan satu atau lebih variabel bebas. Maksud dari metode kausal adalah menemukan bentuk hubungan tersebut dan menggunakannya untuk meramalkan nilai mendatang dari variabel tak bebas. Terdapat dua hal yang harus diperhatikan untuk mendapatkan peramalan yang akurat yaitu pertama pengumpulan data secara baik, dan kedua peramalan dengan teknik yang tepat. Oleh karena itu perlu dilakukan langkah-langkah secara berurutan (Firdaus, 2006: 1- 2), yaitu: 1. Menentukan tujuan peramalan dan peubah yang dianalisis 2. Mengumpulkan data 3. Membuat dan menentukan pola data 4. Estimasi model dan menghitung nilai yang akan diramalkan 17
5. Evaluasi hasil estimasi Metode yang akan dibahas dalam penelitian ini adalah menggunakan peramalan yang akan terjadi pada masa mendatang secara kuantitatif yaitu dengan menggunakan metode time series (runtun waktu).
2.4.4. Metode Peramalan Time Series Menurut Firdaus (2006: 2), metode peramalah kuantitatif terdiri dari dua golongan, model deret waktu satu rangam dan model kausal. Model deret waktu satu ragam (time series) fokus pada observasi terhadap urutan pola data secara kronologis suatu peubah tertentu sebagai contoh teknik Naif, Perataan, Pemulusan, Dekomposisi, Trend, Metodologi Box-Jenkins (ARIMA-SARIMA) dan ARCH-GARCH. Mulyono (2000: 91), metode peramalan time series didasarkan atas penggunaan analisa pola hubungan variabel yang akan diperkirakan dengan variabel waktu yang merupakan data deret waktu (time series). Tujuan metode time series ialah menemukan pola dalam deret waktu dan mengekstrapolasikan data tersebut ke masa depan. Metode-metode yang digunakan dalam peramalan time series terdiri dari beberapa metode, yaitu: a. Metode Naif (Naive) Menurut Firdaus (2006: 5) metode naif berdasarkan asumsi bahwa periode saat ini merupakan prediktor terbaik dari masa mendatang. Metode ini merupakan metode sederhana karena perhitungannya dengan menggunakan data yang lewat (past data) yang dijadikan sebagai ramalan waktu mendatang. Metode naif cocok pada pola data stasioner. Menurut Mulyono (2000: 126) metode naif ini dianggap
18
bahwa dimasa datang suatu sistem cenderung mempertahankan momentum (enggan berubah dari) masa silam. b. Metode Rata-rata Bergerak (Moving Average) Menurut Firdaus (2006: 6), menyatakan metode perataan digunakan bila peramalan dilakukan secara berulang-ulang untuk data yang tidak terlalu besar. Teknik ini digunakan untuk memasukkan informasi terbaru, setiap ada informasi terbaru akan diperoleh dengan menghilangkan informasi terlama dengan memasukkan informasi terbaru, pada teknik ini semua informasi dibobot sama. Teknik ini baik untuk data stasioner. Kelebihan metode ini adalah jumlah data yang dimasukkan ke dalam nilai rataan fleksibel sehingga dapat divariasikan sesuai dengan pola datanya. Selain itu metode ini mudah dipahami. Kelemahannya, metode ini hanya baik untuk data stasioner yang cenderung bergerak tidak menaik atau menurun. c. Metode Pemulusan Eksponensial Tunggal (Single Eksponensial Smoothing) Metode ini baik diterapkan pada serial data yang memiliki pola stasioner dan
kemungkinan
tidak
efektif
dalam
menangani
peramalan
dengan
kecenderungan data yang memiliki komponen trend dan pola musiman. Hal ini dikarenakan jika diterapkan pada serial data yang memiliki trend yang konsisten, ramalan yang dibuat akan selalu berada dibelakang trend. Selain itu, metode eksponensial ini juga memberikan bobot yang relatif lebih tinggi pada nilai pengamatan terbaru dibanding nilai-nilai periode sebelumnya. Metode ini menggunakan nilai α. Firdaus (2006: 10) menyatakan hasil peramalan tergantung pada besarna α. Nilai α yang besar biasanya cocok untuk ramalan yang 19
menghendaki respon yang cepat. Mencari nilai α yang tepat umumnya dapat ditentukan dengan pengujian trial and error (coba-coba) terhadap α yang berbedabeda untuk menemukan nilai α yang menghasilkan nilai kesalahan terkecil. d. Metode Pemulusan Ekponensial Ganda (Double Eksponensial Smoothing) Metode double eksponential smoothing memiliki dasar pemikiran yang sama dengan rata-rata bergerak linier. Terkait dengan itu, penerapan metode double eksponential smoothing ini cukup baik untuk deret data yang memiliki unsur trend. Metode double eksponential smoothing memproses time series yakni dengan mengekstrapolasi data atas dasar trend terakhir yang terbentuk, sehingga ramalan yang akan terlihat nantinya cenderung ke satu arah yakni sesuai dengan arah trend terakhir. e. Metode Perhitungan Indeks Musiman Menurut Handoko (2000: 278), perhitungan indeks musiman dapat dihitung dengan mencari nilai rata-rata berbagai rasio penjualan kuartal nyata terhadap nilai garis trend untuk setiap periode. Menurut Rangkuti (2005: 13) indeks musiman perlu dilakukan untuk mengetahui secara jelas apakah data time series yang dimiliki mengandung unsur musiman atau tidak. f. Metode Tren (Trend) Peramalan menggunakan metode trend sudah sangat umum dilakukan dalam perusahaan bisnis, hal ini dikarenakan banyaknya data ekonomi dan bisnis yang mengandung unsur trend yang meningkat atau menurun. Menurut Firdaus (2006: 14), model regresi merupakan teknik yang paling banyak digunakan dalam pemodelan trend lenier, sedangkan model regresi lenier 20
kubik dan kuadratik menggunakan model regresi berganda. Proses meregresikan peubah dependen terhadap waktu akan memperoleh koefisien regresi dari model trend. Menurut Iriawan dan Septian (2006: 199) model regresi memiliki variabel respons (variabel dependen) dan variabel prediktor (variabel independen). Variabel respon adalah variabel yang dipengaruhi suatu variabel prediktor dan peneliti tidak bebas mengendalikannya, variabel prediktor digunakan untuk memprediksi nilai variabel respons dan peneliti bebas mengendalikannya. g. Metode Box-Jenkins (ARIMA) Menurut Firdaus (2006: 19), ARIMA merupakan bagian dari analisis deret waktu satu ragam (time series), ARIMA atau autoregressive integrated moving average. Mulyono (2000: 147), menyatakan metode Box-Jenkins merupakan suatu prosedur interatif memilih model terbaik untuk series yang stasioner dari suatu kelompok model time series lenier. Metode ARIMA adalah metode yang tepat untuk mengatasi terlalu rumitnya deret waktu (terdapat variasi dari pola data) dan situasi peramalan lainnya. Menurut Firdaus (2006: 19) prosedur Box-Jenkins terdiri dari beberapa tahapan, yaitu: 1. Identifikasi. Pada tahap ini dilakukan identifikasi terhadap tiga hal, yaitu terhadap pola data, apakah terdapat unsur musiman atau tidak. Kedua, identifikasi terhadap kestasioneran data. Ketiga, identifikasi terhadap pola atau perilaku ACF dan PACF. ACF (Autocorrelation Function) adalah hubungan antara nilai suatu variabel dengan nilai lampaunya, dapat dengan masa tenggang (lag) satu atau lebih. Koefisien autocorrelation berkisar antara -1 21
dan +1, dimana 0 menunjukkan tidak ada hubungan. PACF (Partial Autocorrelation Function) adalah hubungan antara nilai suatu variabel dengan nilai yang lebih awal daari varabel itu, jika pengaruh nilai-nilai diantaranya (lainnya) dihilangkan. Sebagai contohnya jika ingin diketahui hubungan pada variabel di periode ke satu dengan periode ke empat, maka pengaruh dari periode kedua dan ketiga dihilangkan. 2. Estimasi model. Pada tahap estimasi, pertama-tama dihitung nilai estimasi awal untuk parameter-parameter dari model tentatif. Untuk menghitung nilai estimasi awal, biasanya digunakan nilai 0 atau 1 sebagai koefisien estimasi untuk masing-masing parameter. 3. Evaluasi model. Setelah diperoleh persamaan untuk model tentatif, dilakukan uji diagnostik untuk menguji kedekatan model dengan signifikansi dan hubungan-hubungan parameter. Jika ada hasil yang tidak dapat diterima atau tidak memenuhi syarat, maka model harus diperbaiki dan langkah-langkah sebelumnya diulangi kembali. Uji diagnostik untuk evaluasi model terdapat 6 kriteria, yaitu residual peramalan bersifat acak, model parsimonius (sederhana), parameter yang diperoleh berbeda nyata dengan nol, proses iterasi harus convergence dan memiliki nilai MSE (Mean Squared Error) terkecil. Menurut Firdaus (2006: 45), untuk data yang secara nyata mengandung unsur musiman dapat diterapkan metodologi serupa yang dikembangkan BoxJenkins. Dalam penerapanya model ini disebut season ARIMA (SARIMA). Perbedaan dengan ARIMA adalah pada proses pembedaan serta identifikasi 22
perilaku ACF dan PACF data deret waktu yang dalam hal ini mengandung unsur musiman. Suatu deret waktu musiman (seasonal time series) juga harus stasioner terlebih dahulu sebelum diestimasi dalam suatu model peramalan. Pembedaan musiman merupakan pengurangan dari dua pengamatan yang berbeda sejauh L peiode. Dalam hal ini L didefinisikan sebagai jumlah periode musiman dalam satu tahun.
2.4.5. Pemilihan Metode Peramalan Metode peramalan terdiri dari bermacam-macam dan memiliki kelebihan dan kekuranganya masing-masing. Pada pemilihan teknik peramalan terbaik, peramal harus mempertimbangkan beberapa faktor. Menurut Firdaus (2006: 4), penilaian terhadap akurasi hasil peramalan dapat dilakukan degan mengamati besarnya selisih aktual pengamatan dengan nilai estimasi dari peramalan. Selain indikator tersebut, terdapat beberapa hal lain yang harus dipertimbangkan oleh peramal, yaitu: 1. Sederhana tidaknya model (parsimonious) 2. Mudah tidaknya diterapkan 3. Ketersediaan biaya peramalan Pemilihan metode yang tepat dapat dilakukan dengan mengamati besarnya selisih nilai aktual pengamatan dengan nilai estimasi dari peramalan, secara umum bila residual besarnya merata sepanjang pengamatan maka MSE (Mean Squared Error) yang sebaiknya digunakan. Namun bila hanya ada satu atau dua residual yang besar maka MAE (Mean Absolute Error) yang sebaiknya digunakan dan
23
untuk melihat bias tidaknya peramalan maka MPE (Mean Percentage Error) dapat digunakan. Hasil peramalan dikatakan tidak bias bila nilai MPE ≈ 0.
2.5. Hasil Penelitian Terdahulu Laduni (2008) dalam penelitianya yang berjudul Uji Metode Peramalan Produksi di Usaha Dagang Safari Donat. Penelitian ini bertujuan untuk mengetahui pola data produksi donat Usaha Dagang Safari Donat. Kemudian memilih metode peramalan kuantitatif yang sesuai dan ramalan untuk produksi donat, sehingga dapat diketahui pemilihan metode peramalan yang sesuai dan meramalkan jumlah produksi donat satu tahun mendatang. Berdasarkan hasil penelitian menunjukkan bahwa data produksi donat Usaha Dagang Safari Donat yang dieksplorasi memiliki unsur trend menurun, unsur musiman tertentu, dan tidak memiliki kestasioneran dalam pola datanya. Berdasarkan pengujian dan perhitungan nilai akurasi yang terkecil, metode peramalan time series yang terbaik dan sesuai untuk peramalan produksi Usaha Dagang Safari Donat adalah metode Box-Jenkins dengan model ARIMA (0,1,0) (0, 1,1)52. Nilai MSE yang terkecil dihasilkan peramalan terbaik yaitu metode Box-Jenkins dengan model ARIMA. Khaerunnisah (2008) dalam penelitiannya yang berjudul Analisis Peramalan Penjualan untuk Perencanaan Pengendalian Persediaan Kecap Manis Sate PT. Korma Jaya Utama (KJU). Penelitian ini bertujuan untuk mengetahui pola data penjualan dan metode peramalan penjualan sehingga dapat diketahui pemilihan metode peramalan penjualan terakurat untuk memprediksi tingkat
24
penjualan kecap manis sate PT. Korma Jaya Utama (KJU) satu tahun mendatang. Untuk meramalkan penjualan kecap manis sate dilakukan dengan menghitung tingkat penjualan menggunakan metode time series dan regresi lenier. Berdasarkan data penjualan kecap teridentifikasi pola data stasioner dan pola musiman. Grafik plot data tersebut didapatkan nilai penjualan kecap manis sate yang relatif konstan berada pada sekitar rata-rata. Pola musiman yang disebabkan oleh perilaku sales (agen). Metode peramalan yang digunakan terdiri atas metode naif, metode eksponential smoothing, metode Box-Jenkins. Metode peramalan time series dipilih karena memiliki nilai MSE (Mean Squared Error) terkecil yaitu 153086792. Sedangkan metode musiman dipilih karena metode ini dapat mencari rata-rata penjualan pada bulan yang sama pada periode yang berbeda.
2.6. Kerangka Pemikiran Penelitian Dunia usaha yang terus menerus berubah dengan cepat, mengharuskan perusahaan harus mampu menganalisis lingkungan yang terus berubah tersebut dan memprediksi berbagai kemungkinan di masa depan. Kemampuan untuk meramal atau forecast masa depan merupakan usaha perusahaan sebagai dasar pengambilan keputusan strategis untuk kelangsungan perusahaan. Crude Palm Oil (CPO) atau minyak sawit merupakan salah satu komoditi sektor perkebunan yang memiliki prospek usaha yang cukup besar dan menjadi salah satu penyumbang devisa non migas. Dari segi ekspor, sektor ini telah memberikan kontribusi sebesar US $ 12,04 miliar di tahun 2006 dan merupakan sektor yang menyerap tenaga kerja terbanyak (Sutiyono, 2009: 6). PT. KPB
25
Nusantara merupakan anak dari perusahaan perkebunan PTPN I sampai dengan PTPN XIV dan PT RNI. PT. KPB Nusantara merupakan perusahaan yang bergerak dalam pemasaran hasil komoditi meliputi minyak sawit, karet, latex, teh, kopi, coklat dan gula tetes yang dipasarkan di dalam maupun luar negeri. Namun dalam penelitian ini akan lebih terfokus kepada penjualan komoditi Crude Palm Oil (CPO) atau minyak sawit kasar, yang dihasilkan oleh PTPN penghasil CPO (PTPN I , II , III , IV , V , VI , VII , VIII , XIII dan XIV). PT. KPB Nusantara memiliki pelanggan yang berada di dalam maupun luar negeri, didalam negeri pelanggannya berupa perusahaan pengolahan CPO maupun eksportir. Sedangkan konsumen luar negeri, PT. KPB Nusantara memiliki konsumen tetap yang menjadi langganannya seperti negara China, India, dan Uni Eropa. Dari segi pesaing, PT. KPB Nusantara memiliki pesaing dari perusahaan swasta dan negara penghasil CPO seperti Malaysia, Nigeria, Pantai Gading, Thailand, Equador dan masih banyak lagi (Malaysian Palm Oil Board dalam Sutiyono, 2009: 3). Salah satu cara yang diperlukan untuk mengantisipasi penjualan CPO yang tidak menentu maka dibutuhkan peramalan penjualan. Peramalan penjualan diperlukan untuk memprediksi permintaan pasar CPO yang tidak menentu, karena dengan menggunakan peramalan penjualan maka akan terjadi peningkatan keuntungan dari penjualan CPO. Sebaliknya, bila kebutuhan konsumen atau pelanggan CPO perusahaan tidak terpenuhi maka ada kemungkinan pelanggan CPO perusahaan akan berpindah ke perusahaan pesaing yang mengakibatkan hilangnya kesempatan perusahaan untuk memperoleh laba. Selain itu kegiatan 26
peramalan penjualan dapat digunakan perusahaan untuk mempersiapkan strategistrategi penjualan untuk menghadapi segala kemungkinan akan terjadi. Peramalan penjualan CPO dilakukan dengan menggunakan metode peramalan kuantitatif, yaitu metode time series yang terdiri dari metode naif, metode moving average, metode single eksponential smoothing, metode double eksponential smoothing, metode indeks musiman, metode trend dan metode BoxJenkins (ARIMA). Berdasarkan beberapa metode peramalan yang digunakan, selanjutnya dapat diketahui nilai kesalahan yang terbentuk yaitu nilai Mean Squared Error (MSE), nilai Mean Absolute Error (MAE) dan nilai Mean Absolute Percentage Error (MAPE), sedangkan untuk mengetahui keakuratan hasil peramalan dilihat dari nilai MSE yang dihasilkan karena semakin kecil nilai error maka semakin akurat peramalan yang digunakan, atau dengan kata lain metode peramalan yang digunakan mendekati aktual. Berdasarkan hasil perhitungan menggunakan peramalan kuantitatif akan dilakukan analisis tingkat peramalan penjualan CPO, sehingga perusahaan dapat mengambil keputusan yang terbaik terhadap penjualan CPO tahun 2011. Secara garis besar, maksud uraian kerangka pemikiran penelitian disajikaan pada Gambar 2.
27
PT. Kharisma Pemasaran Bersama Nusantara
Manajemen Penjualan CPO Volume penjualan CPO Peramalan Penjualan Kuantitatif 1. Metode Naif (Naive) 2. Metode Rata-rata Bergerak (Moving Average) 3. Metode Pemulusan Eksponensial Tunggal (Single Eksponential Smoothing) 4. Metode Pemulusan Eksponensial Ganda (Double Eksponential Smoothing) 5. Metode Indeks Musiman 6. Metode Tren (Trend) 7. Metode Box-Jenkins (ARIMA) Mean Squared Error (MSE) Pemilihan Metode Peramalan Kuantitatif Terbaik Analisis Tingkat Peramalan Penjualan CPO Terbaik Satu Tahun Mendatang
Gambar 2. Alur Kerangka Pemikiran Penelitian Keterangan : = Alat penelitian = Arah aktifitas penelitian = Sasaran penelitian = Aktifitas penelitian
28
2.7. Definisi Operasional 1. Crude Palm Oil (CPO) adalah minyak kelapa sawit kasar berasal dari daging buah (mesocarp) kelapa sawit yang berwarna merah. 2. Data time series (deret waktu) adalah data yang dikumpulkan dan diamati atas rentang waktu tertentu. Eksplorasi data menekankan pada bagaimana perilaku data sepanjang periode pengamatan (Firdaus, 2006:2). 3. Ramalan penjualan merupakan proses aktivitas memperkirakan produk yang akan dijual dimasa mendatang dalam keadaan tertentu dibuat berdasarkan data-data yang pernah terjadi atau mungkin terjadi (Nafarin, 2007: 96). 4. Mean Squared Error (MSE) digunakan bila nilai residual (error) besarnya merata sepanjang pengamatan yaitu penilaian akurasi hasil peramalan dengan mengamati besarnya selisih nilai aktual dengan nilai estimasi dari peramalan (Firdaus, 2006:4). 5. Autocorrelation function (ACF) adalah hubungan antara nilai suatu variabel dengan nilai lampaunya, dapat dengan masa tenggang satu atau lebih, dimana koefisien berkisar antara -1 dan +1, dimana 0 menunjukkan tidak ada korelasi (Mulyono, 2000: 151). 6. Parsial Autocorrelasi function (PACF) adalah hubungan antara nilai suatu variabel dengan nilai yang lebih awal dari variabel itu, jika pengaruh nilainilai diantara keduanya (lainnya) dihilangkan (Mulyono, 2000: 153).
29
7. Stasioneritas Suatu deret dikatakan stasioneritas apabila proses tidak berubah seiring dengan perubahan waktu. Maksudnya, rata-rata deret pengamatan di sepanjang waktu konstan. 8. Eksplorasi data Merupakan penjelajahan data penjualan dengan tujuan memperoleh pengetahuan lebih banyak mangenai pola data penjualan Crude Palm Oil (CPO). 9. Residual (error) adalah perbedaan antara nilai aktual dengan hasil peramalan.
30
BAB III METODE PENELITIAN
3.1. Lokasi dan Waktu Penelitian
Penelitian ini dilakukan di PT. Kharisma Pemasaran Bersama (KPB) Nusantara Jl. Taman Cut Mutiah No. 11 Jakarta 10330. Pemilihan tempat penelitian ini dilakukan dengan sengaja (purposive) dengan pertimbangan bahwa PT. KPB Nusantara merupakan salah satu perusahaan pemasar Crude Palm Oil (CPO) dan merupakan perusahaan milik negara yang bergerak dalam pemasaran komoditi perkebunan baik dalam maupun luar negeri. Penelitian ini dilaksanakan pada bulan Juni - Oktober 2010.
3.2. Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data primer dan data sekunder. Data primer diperoleh dari wawancara menggunakan daftar pertanyaan yang ditujukan kepada Manajer Analisa Pasar dan Analisa Usaha. Data sekunder diperoleh dari data pola penjualan CPO yang telah dilakukan PT KPB Nusantara selama tujuh tahun yaitu pada periode Januari 2004 sampai Desember 2010. Berdasarkan sumber data, data primer diperoleh langsung dari perusahaan sedangkan untuk melengkapi data primer diperlukan data sekunder yang diperoleh dari berbagai kepustakaan yang relevan dengan penelitian. Tinjauan pustaka yang digunakan berasal dari berbagai pustaka diantaranya data statistik dan gambaran umum terhadap penelitian yang berkaitan dengan tujuan penelitian dan metode 31
peramalan yang digunakan dalam penelitian ini. Penerapan studi pustaka dalam penelitian ini yaitu berasal dari perpustakaan dan internet.
3.3. Metode Pengolahan dan Analisis Data 3.3.1. Analisis Kualitatif
Analisis kualitatif dijelaskan secara deskriptif yang berkaitan dengan gambaran umum perusahaan meliputi lokasi perusahaan, visi misi, kegiatan usaha perusahaan, sejarah berdirinya perusahaan, struktur organisasi, ketenagakerjaan, produk CPO yang dipasarkan perusahaan, bauran pemasaran dan kegiatan peramalan penjualan CPO yang dilakukan oleh PT. KPB Nusantara di Jakarta. 3.3.2. Analisis Kuantitatif Analisis kuantitatif digunakan untuk mengetahui besarnya penjualan yang harus disiapkan satu tahun mendatang dengan melihat pola data penjualan periode Januari 2004 sampai Desember 2010. Kemudian berdasarkan pola data penjualan tersebut, data diolah dengan menggunakan metode peramalan kuantitatif peramalan time series, dengan melihat nilai kesalahan yang terbentuk yaitu nilai Mean Squared Error (MSE), nilai Mean Absolute Error (MAE) dan nilai Mean Absolute Percentage Error (MAPE), sedangkan untuk mengetahui keakuratan hasil peramalan dilihat dari nilai MSE yang dihasilkan. Karena semakin kecil nilai MSE maka metode peramalan semakin akurat. Peramalan penjualan satu tahun mendatang dapat diketahui dengan menggunakan metode peramalan time series yang memiliki nilai MSE terkecil. Kegiatan menganalisis data kuantitatif
32
peramalan penjualan CPO dilakukan dengan menggunakan program Microsoft Excel dan Minitab 15.
3.3.2.1. Metode Peramalan Time Series Penelitian ini menggunakan metode peramalan time series. Metode peramalan time series terdiri dari beberapa metode, yaitu metode naif, metode rata-rata bergerak, metode pemulusan eksponensial tunggal, metode pemulusan eksponensial ganda, metode indeks musiman, metode tren, metode Box-Jenkins (ARIMA). Berdasarkan semua metode yang digunakan tersebut akan dipilih metode yang paling sesuai dengan pola data yang terdapat pada perusahaan berdasarkan nilai MSE terkecil.
1. Metode Naif (Naive) Menurut Firdaus (2006: 5) metode naif dapat dirumuskan sebagai berikut:
ŷt+1
= уt
Dimana :
ŷt+1
=
уt
= nilai aktual penjualan CPO periode ke-t
nilai ramalan penjualan CPO periode mendatang
2. Metode Rata-Rata Bergerak (Moving Average) Metode ini menggunakan urutan kerja sebagai berikut: a. Menentukan ordo dan bobot rata-rata bergerak Ordo dan rata-rata bergerak adalah jumlah data masa lalu yang dimasukkan ke dalam rataan yang disimbolkan dengan n (ordo). Dasar penentuan ordo ini 33
adalah dengan mengambil rata-rata dari dua data maka diharapkan pelicinan akan jelas. Sebagai contoh moving average (MA) ordo 1, berarti peramalan hanya menggunakan satu observasi sebelumnya untuk meramalkan satu nilai yang akan datang (Firdaus, 2006: 6). b. Formula untuk teknik ini adalah:
ŷt+1 = MA (n)t
= ( yt + yt-1 + yt-2+ …+yt-n+1) n
Dimana :
ŷt+1
= nilai
yt
= nilai aktual penjualan CPO pada waktu ke-t
n
= ordo dari rata-rata bergerak
ramalan penjualan CPO untuk satu periode ke depan
3. Metode Pemulusan Eksponensial Tunggal (Single Ekponential Smoothing) Menurut Firdaus (2006:10), formula untuk teknik ini adalah:
St
= αyt + (1- α) St-1
Nilai awal St = (S1 + S2 + Sn-1 + Sn)/n Dimana : St-1
= nilai aktual penjualan CPO untuk satu periode ke depan
yt
= nilai aktual penjualan CPO periode ke-t
St
= nilai ramalan penjualan CPO periode sebelumnya = a
α
= koefisien pemulusan(0≤ α <1)
34
4. Metode Pemulusan Smoothing)
Eksponensial
Ganda
(Double
Eksponential
Metode Double Eksponential Smoothing menggunakan dua koefisien pemulusan diantaranya adalah koefisien pemulusan α dan γ. Koefisien pemulusan α menunjukkan nilai koefisien terhadap pemulusan metode double eksponential smoothing dan koefisien γ menunjukkan nilai koefisien terhadap trend. nilai konstanta pemulusan tersebut bernilai antara 0 dan 1. Persamaan dalam metode double eksponential smoothing adalah: At = αYt + (1-α)(At-1 + T t-1) Tt = β (At-At-1) + (1-β) Tt-1 Dimana : α, β
= koefisien pemulusan
Yt
= nilai periode ke-t
At-1
= nilai periode sebelumnya
Tt-1
= nilai tren periode sebelumnya
5. Metode Indeks Musiman Persamaan dalam metode indeks musiman adalah: Y
= a + bX
a
= ΣY n
b
= ΣXY n = Yt Y
ѓ
ѓ (rata-rata)
= Σѓ
n 35
Ŷt+1
= (Y)(ѓ rata-rata)
Dimana: a, b
= konstanta
n
= banyaknya data
Y
= penjualan aktual
X
= pengkodean dari titik tengah periode
ѓ
= rasio penjualan
Yt
= nilai garis trend
Ŷt+1
= penjualan periode ke depan
6. Metode Tren (Trend) Menurut Firdaus (2006:14), bentuk umum persamaan trend adalah Yt= a1+b1 (T) + εt Dimana: Yt
= Penjualan CPO (Variabel dependen)
T
= Waktu atau periode ( variabel independen)
a1 dan b1 = Parameter model εt
= Residual model
Bentuk lain dari persamaan trend adalah
Model trend kuadratik dengan
persamaan sebagai berikut: Yt = at +blt (T) + εt
7. Metode Box-Jenkins Prosedur Box-Jenkins terdiri dari beberapa tahapan, yaitu identifikasi, estimasi, evaluasi model dan peramalan (Firdaus, 2006: 19). Pada tahap 36
identifikasi dilakukan ekplorasi terhadap pola data untuk mengetahui unsur musiman, kestasioneran data, identifikasi terhadap pola ACF dan PACF. Pada tahap estimasi model dilakukan perhitungan awal untuk parameter-parameter dari model tentatif. Tahap evaluasi model, dilakukan uji diagnostik untuk menguji kedekatan model dengan data. Pada tahap peramalan, dilakukan penerapan terhadap model dengan parameter yang paling efisien. Menurut Firdaus (2006: 24-28), setelah data dipastikan stasioner, selanjutnya adalah identifikasi untuk menentukan model ARIMA tentatif. Hal in dilakukan dengan menganalisis perilaku atau pola ACF dan PACF. Koefisien autokorelasi (ACF) dapat bernilai antara -1 sampai +1. Suatu deret waktu non musiman dikatakan stasioner jika koefisien autokorelasinya nol untuk dapat stasioner bila koefisiennya berbeda nyata dari nol hanya pada beberapa beda kala pertama (k ≤ 5). Parsial autokorelasi (PACF) digunakan untuk mengetahui ukuran hubungan antara dua deret waktu yang berbeda ketika pengaruh dari variabel lainnya dihilangkan. Untuk mendapatkan plot ACF dan PACF dapat dilakukan menggunakan software Minitab 15 karena perhitungan secara manual sangat rumit. Untuk data yang tidak mengandung unsur musiman beberapa alternatif model tentatif adalah sebagai berikut: a. Model Autoregresif-autoregressive (AR) Model AR dipilih bila ACF menunjukkan pola dying down dan PACF menunjukkan pola yang cut off. jumlah observasi masa lalu yang digunakan dalam model AR dikenal dengan orde p. Berikut persamaan model AR.
Zt = δ +Ф1Zt-1 + Ф2Zt-2 + …+ εt 37
Dimana : Zt
= observasi deret stasioner saat ini
Z-1, Zt-2
= observasi sebelumnya
δ, Ф1, Ф2 = parameter-parameter yaitu konstan dan koefisien εt
= residual parameter acak untuk periode saat ini yang diharapkan nilainya sama dengan nol
b. Model Rataan Bergerak- Moving Average (MA) Model MA ini dipilih bila ACF menunjukkan pola yang cut off dan PACF menunjukkan pola dying down. Jumlah residual masa lalu yang digunakan dalam model MA dikenal sebagai orde q. Berikut peramaan model MA.
Zt = µ + εt –Θtεt-1 – Θ2εt-2 - …- Θqεt-q Dimana : Zt
= observasi deret stasioner saat ini
εt
= residual peramalan yang white noise
εt-1, εt-2
= residual peramalan periode sebelumnya
µ, Θ1, Θ2 = konstanta dan koefisien rataan bergerak c. Model Gabungan- Autoregressive Moving Average (ARMA) Model gabungan ini dipilih bila ACF dan PACF kedua-duanya menunjukkan pola dying down. Model ini adalah kombinasi model autoregresif dan model rataan bergerak. Orde dari model gabungan ini adalah p dan q. Persamaan dalam model ini sebagai berikut:
Zt = δ + Ф1Zt-1 + Ф2Zt-2+ … + εt – Θ1εt-1-Θ2εt-2 38
Dimana : = observasi deret stasioner saat ini
Zt
Zt-1, Zt-2,…, εt-1, εt-2 = observasi danresidual peramalan periode sebelumnya dari deret stasioner εt
= residual peramalan acak untuk periode saat ini
δ, Ф1, Ф2,…, Θ1, Θ2,.. = konstanta dan koefisien-koefisien model mengestimasi model ARIMA Menurut Firdaus (2006: 29) dalam tahap estimasi model, penentuan ordo p dan q secara lebih terperinci dapat dilakukan berdasarkan identifikasi ACF dan PACF. Sebagai contoh, bila koefisien ACF signifikan hanya pada beda kala 1 dan 2 serta PACF mempunyai pola damped eksponensial, maka model tentatif adalah ARIMA (0,d,2). Setelah dilakukan estimasi parameter model, selanjutnya dilakukan evaluasi untuk memastikan apakah model yang diestimasi sudah baik atau belum. Terdapat enam kriteria dalam evaluasi model Box-Jenkins, yaitu, 1. Residual peramalan bersifat acak. Untuk memastikan apakah model sudah memenuhi syarat ini, dapat digunakan indikator Box-Ljung statistic. Dari session diketahui bahwa model nilai P-value untuk uji statistik ini lebih besar dari 0,05 yang menunjukkan bahwa residual sudah acak. Selain itu grafik ACF dan PACF dari residual menunjukkan pola cut off, yang berarti bahwa residual memang sudah acak.
39
2. Model parsimonious. Dengan model yang diperoleh yang ditulis sebagai contoh ARIMA (0,1,1) menunjukkan bahwa model relatif sudah dalam bentuk yang paling sederhana. 3. Parameter yang diestimasi berbeda nyata dengan nol. Ini dapat dilihat dari nilai P-value koefisien kurang dari 0,05. 4. Kondisi invertibilitas ataupun stasioneritas harus terpenuhi. Hal ini ditunjukkan oleh jumlah koefisien MA dan AR dimana masing-masingnya harus kurang dari 1. 5. Proses iterasi harus convergence. Bila ini terpenuhi maka session terdapat pernyataan relative change in each estimate less than 0,0010. 6. Model harus memiliki MSE terkecil. 3.3.2.2. Ukuran Akurasi Hasil Peramalan Menurut Firdaus (2006: 4) penilaian terhadap akurasi hasil peramalan dapat dilakukan dengan mengamati besarnya selisih nilai aktual pengamatan dengan nilai estimasi dari peramalan. Nilai residual atau error (et) adalah perbedaan antara nilai aktual dengan nilai hasil peramalan, yaitu:
et = yt – ŷt Dimana : et = residual (error)/ nilai kesalahan peramalan pada periode ke-t yt = nilai aktual ŷt = nilai hasil peramalan
40
Sedangkan nilai residual tersebut diperoleh beberapa ukuran akurasi hasil peramalan sebagai berikut. 1. MAE ( Mean Absolute Error)
n Σ(et) MAE = t=1_ n
2. MSE (Mean Squared Error) atau MSD (Mean Squared Deviation) n Σ(et)2 MSE = t=1___ n
3. MAPE ( Mean Absolute Percentage Error) n
Σ (et) MAPE = t=1yt__ n Secara umum bila residual besarnya merata sepanjang pengamatan maka MSE yang sebaiknya digunakan. Tapi bila satu atau dua residual yang besar, maka MAE yang sebaiknya digunakan. Untuk melihat bias tidaknya peramalan maka digunakan MPE/MAPE, peramalan dikatakan tidak bias bila MPE ≈ 0.
41
BAB IV GAMBARAN UMUM PERUSAHAAN
4.1. Sejarah Berdirinya PT. KPB Nusantara PT. KPB Nusantara yang beralamat di Jl. Taman Cut Mutiah No. 11 Menteng, Jakarta 10330. Awalnya merupakan kesepakatan bersama Dewan Direksi dari sejumlah PT. Perkebunan Nusantara (PTPN) pada tahun 1968. Kesepakatan tersebut memutuskan untuk membentuk sebuah lembaga gabungan yang mewadahi kepentingan bersama seluruh PTPN yang ada di Indonesia, khususnya dibidang pemasaran. Kemudian lembaga tersebut
dinamai Kantor
Pemasaran Bersama Nusantara (KPB-PTPN). Sampai akhir tahun 2005, KPBPTPN yang berkantor pusat di Jakarta memiliki tenaga kerja sebanyak 233 orang. Seiring dengan perkembangan waktu KPB-PTPN yang pada awalnya merupakan organisasi non-perseroan, berubah menjadi perseroan terbatas yaitu bernama PT. Kharisma Pemasaran Bersama Nusantara (PT. KPBN) pada awal tahun 2010. Hal ini dimaksudkan agar perkembangan usaha dapat berlangsung optimal dan memberikan kesempatan bagi pemodal untuk menanamkan sahamnya pada perusahaan ini. Perkembangan pasar produk perkebunan membuat PT. KPB Nusantara membuka sejumlah kantor cabang yang berada di Medan dan Surabaya serta memiliki kantor perwakilan di Dubai.
4.2. Visi dan Misi PT. KPB Nusantara Visi PT. KPB Nusanatara adalah menjadikan PT. KPB Nusantara sebagai Trading House perkebunan Indonesia yang unggul dan terpercaya. Sedangkan misi perusahaan adalah menyelenggarankan pemasaran komoditas perkebunan Indonesia dengan berpegang pada prinsip-prinsip ekonomi untuk memberikan manfaat yang sebesar-besarnya bagi produsen dan pembeli. Sedangkan untuk mencapai visi dan misi tersebut perusahaan melakukan sejumlah kegiatan dibidang pemasaran produk perkebunan yaitu: 1. Menyajikan data, informasi, dan analisis pasar yang lengkap dan akurat. 2. Menghimpun para produsen dan menyelenggarakan tender atau lelang yang diakui secara internasional. 3. Memberikan pelayanan terpadu. 4. Melakukan konsolidasi kargo. 5. Mengurus dokumen ekspor yang efesien. 6. Menangani dan menengahi klaim. 7. Mengembangkan jaringan di luar negeri secara terkoordinasi dan efesien.
4.3. Struktur Organisasi PT. KPB Nusantara Struktur organisasi perusahaan disusun berdasarkan tugas dan aktivitas dari masing-masing bagian. Jabatan tertinggi manajemen di pegang oleh Pemegang Saham yang membawahi Dewan Komisaris dan Direktur yang tergabung dalam BOD (Board of Director). BOD terdiri dari Direktur Utama yang membawahi biro Satuan Pengawasan Intern, Direktur Operasional dan Direktur 43
Keuangan, SDM dan Umum, setiap Direktur memiliki tugasnya masing-masing. Direktur Operasional membawahi Manajer Pemasaran CPO, Manajer Pemasaran Teh, Kopi dan Kakao, Manajer Pemasaran Gula, Karet dan Tetes, Manajer Analisa dan Pengembangan Usaha, Direktur Keuangan, SDM dan Umum membawahi Manajer Keuangan dan Manajer SDM dan Umum. Sedangkan kantor cabang Medan dan Surabaya, serta kantor perwakilan Dubai dibawahi oleh BOD. Bagan struktur organisasi dapat dilihat pada Lampiran 1. Sedangkan ketenagakerjaan PT. KPB Nusantara disajikan pada Tabel 3.
Tabel 3. Tenaga Kerja PT. KPB Nusantara No 1 2 3 4 5 6 7 8 9 10 11 12 13
Bagian Dewan komisaris Direksi Corporate secretary Biro Satuan pengawasan Intern Bagian Pemasaran Sawit Bagian Pemasaran Teh, Kopi, dan Kakao Bagian Pemasaran Karet, Gula, dan Tetes Bagian Analisa Pasar dan Pengembangan Usaha Bagian Keuangan Bagian SDM dan Umum Cabang Medan Cabang Surabaya Perwakilan Dubai Jumlah
Jumlah 3 3 4 4 9 31 14 11 12 45 48 23 2 209
Sumber : PT. KPB Nusantara (2010)
Kegiatan pemasaran harus dikerjakan oleh Sumber Daya Manusia yang berkualitas sehingga menghasilkan produktivitas yang optimal. Berdasarkan Tabel 3, tenaga kerja yang terdapat pada PT. KPB Nusantara per September 2010 adalah 209 orang yang terdiri dari karyawan Kantor Pusat Jakarta 136 orang, 44
Kantor Cabang Medan 48 orang, Kantor Cabang Surabaya 23 orang dan Kantor Dubai 2 orang tenaga kerja.
4.4. Hukum dan Legalitas PT. KPB Nusantara
PT. KPB Nusantara didirikan di Jakarta berdasarkan Akta Notaris N. M. Dipo Nusantara Pua Upa, S.H. No. 4 tanggal 16 Nopember 2009, dan disahkan oleh Menteri Hukum dan HAM melalui Surat Keputusan No. AHU60488.AH.01.01. Tahun 2009 pada tanggal 11 Desember 2009. Pendirian Perusahaan ini dilakukan menurut ketentuan-ketentuan dan keputusan-keputusan yang tercantum dalam Undang-Undang No. 40 tahun 2007 tentang Perseroan Terbatas, Keputusan Badan Musyawarah Direksi tanggal 14 Agustus 2009, Surat Dewan Komisaris PTPN I sampai dengan PTPN XIV dan PT RNI, dan Surat Persetujuan Menteri Negara Badan Usaha Milik Negara (BUMN) tanggal 30 September 2009 Nomor: S-674/MBU/2009.
4.5. Pemasaran Crude Palm Oil (CPO) 4.5.1. Bauran Pemasaran Kegiatan pemasaran yang dilakukan PT. KPB Nusantara adalah dengan memastikan berbagai pemasaran berjalan dengan baik. Kepuasan pelanggan dan pemasaran CPO yang optimal tak lepas dari kinerja perusahaan dalam menerapkan bauran pemasaran yang meliputi produk, harga, promosi, dan pendistribusian CPO, sehingga kegiatan pemasaran berlangsung optimal.
45
a. Produk Produk sawit yang dipasarkan dalam hal ini Crude Palm Oil (CPO) melalui PT. KPB Nusantara berasal dari perkebunan Negara yang memproduksi CPO yaitu PTPN I , II , III , IV , V , VI , VII , VIII , XIII dan XIV. Produk CPO yang dihasilkan dan dipasarkan tersebut memiliki kualitas yang baik dan sudah memenuhi standar mutu yang ditentukan oleh Direktur Jenderal Perkebunan yaitu kadar mutu Asam Lemak Bebas (ALB) 5%. Produk kelapa sawit yang dipasarkan oleh perusahaan sebagian besar dalam bentuk CPO, sisanya dalam bentuk Crude Stearin, Refinied Bleaching Degumming (RDB) Olein, Refinied Bleaching Deguming (RDB) Stearin, Palm Kernel Oil (PKO), Palm Kernel Fatty Acid, dan sebagainya. Penjualan produk dilakukan melalui tender atau lelang, dengan mengacu harga pasar yang dimonitor dari London, Rotterdam, Kuala Lumpur, Singapura, Tokyo, New York.
b. Harga Penetapan harga CPO oleh PT. KPB Nusantara berada pada tingkat yang sesuai dengan harga perdagangan CPO Internasional yaitu mengacu pada pasar Rotterdam dan Malaysian Derifative Exchange (MDEX). Faktor yang mempengaruhi perkembangan harga CPO dunia yaitu permintaan dan penawaran CPO. Perkembangan harga rata-rata tender CPO lokal minyak sawit tahun 2006 tercatat sebesar Rp. 4.138/kg dan meningkat menjadi Rp.6.802/kg pada tahun 2007. Peningkatan terus berlangsung hingga tahun 2008 tercatat sebesar Rp. 7.875/kg. Sementara harga tahun 2009 tercatat sebesar Rp. 7.167/kg lebih rendah dari tahun 2008. Harga penutupan terakhir CPO lokal PT. KPB Nusantara dalam 46
periode Januari sampai Agustus 2010 sudah termasuk PPn dan pajak ekspor meningkat 2,15% atau sebesar Rp. 7.321/kg (PT. KPBN, 2010: 6). Perkembangan harga rata-rata CPO tender lokal disajikan pada Tabel 4.
Tabel 4. Perkembangan Harga Rata-rata CPO Lokal Tahun 2007-2010 No 1
Tahun 2007
Harga Rata-rata (Dalam Rp/Kg) 6802
2
2008
7875
3
2009
7167
4
2010 *
7321
Keterangan = *Januari - Agustus 2010 Sumber: PT. KPB Nusantara (2010: 5)
Perkembangan harga CPO ekspor dipengaruhi oleh krisis moneter yang terjadi pada tahun 2008 yang berdampak pada penurunan harga minyak nabati dunia sampai titik terendah pada November- Desember 2008 menyentuh harga $400/ton. Seiring dengan pemulihan ekonomi dunia, harga minyak nabati kembali meningkat dan sampai bulan Agustus 2010 mencapai level $900/ton. Perkembangan harga CPO ekspor PT. KPBN mengacu kepada pasar fisik Rotterdam dan MDEX Malaysia disajikan pada Tabel 5.
Tabel 5. Perkembangan Harga CPO Ekspor Tahun 2007-2010 No
1 2
Komoditi
CPO CIF Rotterdam CPO FOB Kuala lumpur
2007 779 720
2008 945 864
Tahun 2009 680 633
2010* 822 772
Keterangan = * Januari sampai Agustus 2010 (Dalam US$/ton) Sumber: Reuters dalam PT. KPB Nusantara ( 2010: 6)
47
c. Promosi Kegiatan promosi merupakan hal yang terpenting bagi perusahaan pemasar agar mendapatkan penjualan yang ditargetkan sehingga produk dapat diketahui oleh konsumen. Promosi yang dilakukan oleh PT. KPB Nusantara dalam mempromosikan produk yaitu melalui mengikuti pameran-pameran yang diadakan di dalam negeri maupun di luar negeri, memasang media iklan di situs perusahaan (www.kpbn.co.id) dan seminar nasional. Pemanfaatan media promosi yang dilakukan oleh PT. KPB Nusantara masih sangat minim, hal ini dikarenakan sebagian besar pelanggan berasal dari perusahaan pengolah minyak sawit mentah/CPO, baik dari dalam maupun luar negeri yang membutuhkan CPO untuk kelangsungan usaha, sehingga penggunaan media promosi kurang diperhatikan, namun dalam setiap tender yang dilakukan PT. KPB Nusantara terjual habis. Kegiatan penjualan CPO dilakukan melalui jadwal tender secara berkala, jadwal tender Sawit Lokal dilakukan oleh kantor pusat PT. KPB Nusantara di Jakarta, pada hari Senin sampai Jum’at pada pukul 15.00 WIB. Sedangkan jadwal tender sawit ekspor dilakukan sebulan sekali pada minggu pertama. Semua Informasi mengenai penjualan produk PT. KPB Nusantara terutama CPO terdapat dalam situs Internet sehingga pembeli dapat melakukan transaksi
atau
mengetahui
segala
informasi
dari
situs
perusahaan
(www.kpbn.co.id). Daftar pembeli CPO lokal dan ekspor yang terdata sampai tahun 2010 disajikan pada Tabel 6.
48
Tabel 6. Daftar Pembeli CPO PT. KPB Nusantara
NO
Pembeli ekspor
1
Shanghai
2
Fortune Global
3
Allmax Oils
4 5
Sindopalm Golden Oil
6
Wilmar
7 8 9 10 11 12
Kuok Oils Protea Safic Alcan Indogreen Transworld Virgoz Oil
Daftar Pembeli CPO Volume pembelian NO Pembeli Lokal (%) PT. Multimas Nabati 20.04 1 Asahan 13.71 2 PT. Musim Mas PT. Wilmar Nabati 12.42 3 Indonesia 10.28 4 PT. Palm Mas Asri 8.57 5 PT. Intibenua Perkasatama PT. Nagamas Palm Oil 8.35 6 Lestari 7.71 7 PT. Bukit Kapur Reksa 7.71 8 PT. Pelita Agung Industri 3.50 9 PT. Bina Karya Prima 3.43 10 PT. Sinar Alam Permai 2.57 1.71
Volume pembelian (%) 21.3 17.6 14.5 9.4 8.2 7.1 6.6 6.4 6.0 2.8
Sumber: PT. KPB Nusantara (2010: 8)
d. Distribusi PT. KPB Nusantara melakukan dua sistem pendistribusian CPO yaitu melalui CIF dan FOB, baik pendistribusian lokal maupun ekspor. FOB (Free On Board) artinya pihak eksportir hanya bertanggung jawab sampai barang berada diatas kapal (vessel), sedangkan CIF (Cost, Insurance, Freight) artinya asuransi ditanggung oleh eksportir. Pendistribusian CPO Ekspor yang dilakukan oleh PT. KPB Nusantara dilakukan
dengan
sistem
FOB
Belawan/Dumai.
Sedangkan
sistem/cara
pendistribusian CPO Lokal dilakukan sesuai kesepakatan bersama antara pembeli lokal dan PT. KPB Nusantara. Harga yang di tawarkan sudah termasuk pajak ekspor untuk CPO Ekspor dan PPn 10% untuk pembelian CPO Lokal.
49
4.5.2. Segmentasi, Targeting dan Positioning Penjualan Crude Palm Oil (CPO) yang dilakukan PT. KPB Nusantara tidak memiliki segmen khusus dalam penjualan produknya, terutama CPO, hal ini dikarenakan CPO merupakan produk yang sangat dibutuhkan oleh masyarakat, baik masyarakat dalam maupun luar negeri. Pembeli CPO berasal dari dalam dengan pelanggan utama seperti PT. Bukit Kapur Reksa, Multimas Nabati Asahan, Musim Mas, Astra Agro Lestari, Permata Hijau Sawit, dan lain-lain, sedangkan sisanya diekspor ke Negara pelanggan utama perusahaan seperti Eropa (Wilmar, ISISA, Safic Alcan), India (protea), China (Wilmar), Malaysia, Singapura (Gladale, Ltd, Wilmar) dan lain-lain. Target penjualan PT. KPB Nusantara adalah semua perusahaan pengolahan CPO yang berada di dalam maupun diluar negeri dan trader (eksportir), sedangkan positioning produk CPO PT. KPB Nusantara memiliki kualitas mutu yang sesuai standar mutu dan harga yang bersaing dengan perusahaan swasta, sehingga pelanggan tetap setia membeli CPO dari PT. KPB Nusantara.
4.5.3. Mutu Crude Palm Oil (CPO) Mutu CPO yang dipasarkan oleh PT. KPB Nusantara sudah sesuai dengan standar mutu Nasional yang ditentukan oleh Direktorat Jenderal Perkebunan Indonesia, PT. KPB Nusantara hanya memasarkan hasil CPO sedangkan kadar mutu yang dipasarkan berasal dari pabrik pengolahan yang tersebar di setiap PTPN yang memproduksi CPO dan telah memiliki pedoman standar mutu
50
Nasional, Standar mutu yang diperjual belikan tidak boleh melebihi batas toleransi yaitu kadar Asam Lemak Bebas (ALB) sebesar 5%, hal ini dikarenakan mutu standar yang ditetapkan pemerintah terhadap kadar ALB maksimal 3,5%. Standar mutu CPO yang menjadi pedoman PTPN disajikan pada Tabel 7 berikut.
Tabel 7. Standar Mutu CPO PT. KPB Nusantara No 1 2 3 4 5 6 7 8 9 10
Parameter
ALB Air Kotoran Bilangan peroksida Bilangan antisida DOBI Bilangan iod Fe ( besi) Cu (tembaga) Titik cair
Satuan % % % % % % % Ppm Ppm o C
Persyaratan 2.5-3.5 maks 0.15 maks 0.02 maks 5.0 maks 5.0 maks 2.5 min 51 min 5 maks 0.3 maks 39-41
Sumber: Direktorat Jendral Perkebunan (1997:132)
51
BAB V HASIL DAN PEMBAHASAN
5.1. Metode Peramalan Penjualan Crude Palm Oil (CPO) Pada PT. KPB Nusantara Penjualan Crude Palm Oil (CPO) yang dilakukan PT. KPB Nusantara sejak Januari 2004 hingga Desember 2010 mengalami pergerakan yang fluktuatif namun cenderung menunjukkan peningkatan. Penurunan yang terjadi pada bulanbulan tertentu diakibatkan oleh adanya anomali cuaca yang mempengaruhi pemetikan tandan buah segar sawit, namun permintaan pasar terhadap CPO terus meningkat dari tahun ke tahun, hal ini dikarenakan semakin meningkatnya konsumsi negara konsumen minyak sawit dunia seperti India, China, Uni Eropa, Indonesia dan Malaysia (PT. KPBN, 2010: 2). Permintaan yang terus berubah mengakibatkan prediksi/peramalan terhadap permintaan CPO dunia sangat penting bagi negara produsen maupun konsumen CPO termasuk PT. KPB Nusantara. Kegiatan peramalan yang dilakukan yaitu menggunakan metode kualitatif dengan cara berpedoman dan mengacu kepada perusahaan peramalan yaitu Oil World, Reuters dan Pasar Komoditas Internasional (Rotterdam dan MDEX Malaysia) yang meliputi besarnya produksi, konsumsi, harga dan persediaan negara-negara penghasil dan konsumen CPO. Secara teknis peramalan yang dilakukan oleh perusahaan yaitu peramalan harga komoditas yang dilakukan pada bulan September oleh internal perusahaan, sedangkan peramalan penjualan CPO belum dilakukan. Menurut Firdaus (2006: 1), kelemahan dari metode kualitatif adalah tidak adanya prosedur
52
yang sistematis untuk mengukur dan memperbaiki keakuratan hasil peramalan serta tingginya unsur subjektivitas pendapat. Sedangkan untuk mengetahui perkembangan harga yang terus berubah tiap waktu dilakukan dengan memonitor langsung melalui situs resmi perdagangan CPO Internasional yang terhubung langsung ke Rotterdam, Singapura, MDEX Malaysia, Tokyo, Newyork, sehingga PT. KPB Nusantara dapat memprediksikan jumlah permintaan dan penawaran yang sesuai dengan kondisi CPO dunia.
5.2. Metode Peramalan Kuantitatif Terbaik untuk Meramalkan Penjualan Crude Palm Oil (CPO) Pada PT. KPB Nusantara 5.2.1. Penjualan Crude Palm Oil (CPO) Pada PT. KPB Nusantara PT. KPB Nusantara memasarkan produk CPO yang dihasilkan oleh Perkebunan Negara (PTPN) mulai dari PTPN I , II , III , IV , V , VI , VII, VIII, XIII dan XIV. Produk olahan kelapa sawit yang diperjualbelikan sebagian besar dalam bentuk Crude Palm Oil (CPO) dan sisanya dalam bentuk Palm Kernel Meal (PKM), Palm Kernel Oil (PKO), Palm Kernel (PK), Refinied Bleaching Degumming (RBD) Olein dan Crude Stearin. Pembelian CPO lokal/dalam negeri sebesar 50% dibeli oleh PT. Multimas Nabati Asahan, Musim Mas, Wilmar Nabati Indonesia dan sisanya dibeli oleh perusahaan yang terlampir pada Tabel 6, sedangkan penjualan CPO ekspor sebesar 50% dibeli oleh perusahaan seperti Shanghai, Fortune Global, Allmax Oils dan Sindopalm, sedangkan sisanya terlampir pada Tabel 6. Penjualan CPO selama 7 tahun, sejak Januari 2004 sampai dengan Desember 2010 menunjukkan pergerakan naik dan turun, namun cenderung
53
meningkat dari tahun ke tahun. Berdasarkan data penjualan CPO pada PT. KPB Nusantara (Lampiran 2), diketahui bahwa pada tahun 2004 penjualan CPO pada bulan Januari 2004 hingga Desember 2004, perusahaan dapat menjual CPO untuk penjualan lokal dan ekspor sebesar 1,899,753 ton. Pada tahun 2005 terjadi penurunan penjualan CPO sebesar 405,502 ton, menjadi 1,494,252 ton, hal ini dikarenakan anomali cuaca yang menghambat pemetikan tandan buah segar sawit dan permintaan pasar terhadap CPO yang belum stabil dikarenakan harga minyak bumi masih terjangkau. Kenaikan penjualan terjadi kembali pada tahun 2006 sebesar 550,714 ton menjadi 2,044,966 ton. Namun kembali terjadi penurunan penjualan pada tahun 2007 menjadi
2,021,475 ton, dan mencapai puncak
penjualan pada tahun 2008 sebesar 2,494,062 ton, namun kembali menurun pada tahun 2009 sebesar 13,129 ton, menjadi 2,480,933 ton, hal ini diakibatkan oleh pergolakan krisis moneter dunia yang mempengaruhi penjualan CPO dunia termasuk mempengaruhi penjualan CPO PT. KPB Nusantara. Pada tahun 2010 terjadi penurunan kembali sebesar 120,346 ton menjadi 2,360,587 ton.
5.2.2. Identifikasi Pola Data Penjualan Crude Palm Oil (CPO) Peramalan penjualan CPO yang dilakukan pada PT. KPB Nusantara diawali dengan mengambil data dalam rentang waktu 7 tahun. Data series yang diperoleh selanjutnya digunakan untuk meramalkan penjualan di masa mendatang yang mendekati data aktualnya. Data penjualan yang digunakan adalah data time series dalam kurun waktu 7 tahun terakhir yang dimulai dari Januari 2004 sampai Desember 2010. Data yang digunakan merupakan data penjualan CPO dalam
54
satuan ton dan merupakan data bulanan perusahaan. Dari data deret waktu penjualan CPO tersebut akan menggambarkan pola data yang membantu menentukan pola data yang terbentuk dari data penjualan CPO PT. KPB Nusantara. Penentuan pola data yang terbentuk tersebut akan membantu menentukan pemilihan metode peramalan yang tepat. Sedangkan panjang deret waktu yang digunakan sebanyak 84 bulan atau 7 tahun, yang digunakan untuk meramalkan penjualan jangka panjang, hal ini sesuai dengan pendapat Render dan Heizer (2001: 46) peramalan jangka panjang yaitu peramalan yang memiliki rentang waktu biasanya tiga tahun atau lebih. Hasil dari perhitungan data penjualan akan membantu perusahaan sebagai acuan pada bulan-bulan berikutnya untuk memperkirakan besarnya volume penjualan CPO. Pola data penjualan yang diperoleh akan dilakukan pengolahan menggunakan program Microsoft Excel dan Minitab 15 untuk mengetahui Autocorrelation Function (ACF) dan plot data penjualan CPO, yang digunakan untuk mengetahui unsur-unsur yang terdapat pada data penjualan, sehingga dapat ditentukan apakah terdapat data stasioner atau tidak, memiliki unsur musiman atau tidak, unsur trend dan siklus atau tidak, hal ini sesuai dengan Firdaus (2006: 2) yang menyatakan ACF dapat digunakan untuk mengidentifikasi apakah data itu trend, stasioner, variasi musiman dan siklus. Grafik Plot time series pergerakan volume penjualan CPO PT. KPB Nusantara disajikan pada Gambar 3.
55
Time Series Plot of vol. Penj CPO, rata-rata 350000
Variable v ol. Penj CPO rata-rata
300000
penjualan
250000
200000
150000
100000
1
8
16
24
32
40 48 periode
56
64
72
80
Gambar 3. Grafik Pergerakan Volume Penjualan CPO PT. KPB Nusantara Sumber : Data Primer Diolah (2011)
Berdasarkan grafik diatas pergerakan volume penjualan sebanyak 84 periode data (periode Januari 2004 sampai Desember 2010) menunjukkan tidak ada unsur stasioner. Hal ini dapat dilihat dari pergerakan data yang tidak berada diantara garis rata-rata atau konstan, namun lebih cenderung menunjukkan unsur trend. Unsur trend ini dapat terlihat dari awal periode sampai akhir periode menunjukkan pergerakan yang terus meningkat tiap periode tahun. Volume penjualan tertinggi terjadi pada data ke 82 sebesar 332.742 ton, yaitu pada bulan Oktober 2010, hal ini dikarenakan kebutuhan negara konsumen seperti India dan China meningkat akibat membaiknya perekonomian dunia yang berdampak pada perekonomian negara tersebut. Volume penjualan terendah terjadi pada data ke 84 sebesar 72.000 ton, yaitu pada bulan Desember 2010, hal ini dikarenakan penjualan CPO pada bulan Desember 2010 tersebut dilakukan pada bulan 56
sebelumnya yaitu bulan November dan Oktober 2010. Pergerakan fluktuatif pola data penjualan (Lampiran 2) terlihat jumlah penjualan yang terjadi tiap bulan mulai Januari 2004 sampai Desember 2010. Pergerakan meningkat terlihat pada awal tahun yaitu bulan Januari ke Februari naik sebesar 253,029 ton, namun kembali menurun sebesar 28,184 ton pada bulan Maret, penurunan terendah terjadi pada bulan November sebesar 340,182 ton dari bulan sebelumnya yaitu Oktober sebesar 1,506,899 ton menjadi 1,166,717 ton pada bulan November, hal ini dikarenakan krisis moneter dunia yang berdampak terhadap permintaan CPO pada PT. KPB Nusantara. Sedangkan kenaikan penjualan terbesar terjadi pada bulan Juni yaitu sebesar 299,072 ton dari bulan sebelumnya 1,013,200 ton pada bulan Mei menjadi 1,312,272 ton pada bulan Juni. Unsur musiman dipengaruhi oleh anomali cuaca yang mempengaruhi pemetikan tandan buah segar buah kelapa sawit yang berakibat kepada produksi CPO, selain itu juga pengaruh awal tahun dan hari raya keagamaan, seperti lebaran dan natal. Hal ini dapat dilihat dari rata-rata perhitungan menggunakan Indeks musiman yang ditampilkan pada Tabel 8 berikut.
57
Tabel 8. Rata-Rata Indeks Musiman Setiap Bulan Penjualan CPO Periode Januari 2004 sampai Desember 2010 Tahun
Jan
Feb
Mar
Apr
Mei
Jun
Jul
Agu
Sep
Okt
Nov
Des
2004
0.63
1.36
1.02
1.04
0.66
1.34
1.18
1.90
1.13
1.40
0.99
0.92
2005
0.66
0.87
1.03
0.53
0.70
0.88
1.03
1.34
1.02
0.54
0.73
0.52
2006
0.61
0.97
0.86
0.65
1.06
1.13
1.38
1.16
1.02
0.93
1.60
0.67
2007
0.69
0.74
0.95
1.02
0.60
0.71
0.71
0.74
1.75
1.17
1.11
1.25
2008
0.91
0.99
0.75
0.98
0.94
1.23
1.25
1.27
1.31
1.40
1.59
0.62
2009
0.73
0.96
0.87
1.15
0.86
1.25
1.60
1.17
0.92
1.26
0.65
0.96
2010
0.71
0.69
0.83
1.21
0.92
0.96
1.50
1.01
0.88
1.54
0.52
0.33
Total 4.95 6.57 6.31 6.58 Ratarata 0.71 0.94 0.90 0.94 Sumber : Data Primer Diolah (2011)
5.73
7.49
8.66
8.59
8.03
8.23
7.19
5.27
0.82
1.07
1.24
1.23
1.15
1.18
1.03
0.75
Berdasarkan perhitungan rata-rata Indeks Musiman, diketahui bahwa terjadi persamaan perilaku musiman data penjualan CPO, yaitu terlihat pada awal tahun yaitu bulan Januari (0.71), Februari (0.94), Maret (0.90), April (0.94), Mei (0.82) dan akhir tahun yaitu bulan Desember (0.75) berada dibawah nilai normal trend yaitu 1.00. Sedangkan pada pertengahan tahun yaitu bulan Juni (1.07), Juli (1.24), Agustus (1.23), September (1.15), Oktober (1.18), November (1.03) secara normal berada diatas nilai trend (1.00), hal ini membuktikan bahwa musim mempengaruhi penjualan CPO PT. KPB Nusantara. Peningkatan penjualan yang terus terjadi juga merupakan tanda keberhasilan perusahaan dalam memasarkan CPO kepada negara-negara yang konsumen seperti India, China, Uni Eropa, dan negara lain seperti Pakistan, Nigeria, dan Thailand. Kegiatan promosi yang dilakukan perusahaan seperti pemasangan iklan melalui situs internet, seminar nasional, pameran didalam dan di luar negeri dan 58
konferensi. Selain itu, kegiatan tender dan lelang yang dilakukan perusahaan terhadap penjualan CPO semakin sering dilakukan, seperti jadwal tender penjualan CPO lokal setiap hari Senin sampai Jumat, dan tender CPO ekspor yang diadakan pada pekan pertama setiap bulannya di kantor PT. KPB Nusantara. Cara lain untuk mengidentifikasi pola data penjualan CPO yang mengandung
unsur
trend
adalah
menggunakan
cara
statistik
untuk
menggambarkan pola pergerakan penjualan CPO, metode statistik yang biasa diterapkan adalah uji regresi, dengan membandingkan jumlah penjualan CPO (variabel dependen) terhadap periode waktu penjualan (variabel independen). Uji regresi ini menggunakan program Minitab 15 dan hasilnya disajikan pada Lampiran 3, sedangkan uji regresi secara ringkas ditampilkan pada Tabel 9.
Tabel 9. Hasil Uji Regresi Volume Penjualan Terhadap Periode Waktu The regression equation is vol. Penj CPO = 133291 + 1008.3 periode Predictor Coef SE Coef Constant 133291 12252 Periode 1008.3 250.4 S = 55645.2 R-Sq = 16.5% R-Sq(adj) = 15.5%
T 10.88 4.03
P 0.000 0.000
Sumber : Data Primer Diolah (2011)
Berdasarkan hasil uji regresi volume penjualan CPO terhadap waktu pada Tabel 9 menghasilkan persamaan regresi sederhana yaitu volume penjualan CPO = 133291 + 1008.3 periode, dengan menggunakan tingkat kepercayaan 95 persen. Dari persamaan tersebut diketahui nilai konstanta variabel respon sebesar 133291 dan taksiran parameter variabel prediktor sebesar 1008.3. Hal ini mengindikasikan bahwa deret data penjualan CPO memiliki trend yang signifikan 59
dengan melihat nilai konstanta variabel respon dan nilai parameter variabel prediktor. Koefisien konstanta sebesar 133291 menunjukkan nilai perubahan konstan sebesar 133.291 ton CPO. Koefisien regresi sebesar 1008.3 berarti bahwa diduga setiap bulannya terjadi penambahan penjualan CPO sebesar 1.008,3 ton. Sehingga dapat diketahui bahwa deret data penjualan CPO PT. KPB Nusantara memiliki unsur trend meningkat. Selain melihat grafik pergerakan plot data volume penjualan dan uji statistik, dapat juga dilakukan dengan mengamati plot Autocorrelation Function (ACF) dari deret volume penjualan CPO periode Januari 2004 - Desember 2010. Plot autokorelasi menunjukkan keeratan hubungan nilai variabel yang sama, namun variabel pada waktu yang berbeda. Gambar 4 menunjukkan plot ACF data aktual volume penjualan CPO.
Autocorrelation Function for vol.penj. CPO (with 5% significance limits for the autocorrelations) 1.0 0.8
Autocorrelation
0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 2
4
6
8
10
12
14
16
18
20
Lag
Gambar 4. Plot ACF dari Data Penjualan CPO Periode Januari 2004 sampai Desember 2010 Sumber : Data Primer Diolah (2011)
60
Berdasarkan plot autokorelasi (ACF), yang terbentuk bersifat eksponensial yaitu dilihat dari pergerakannya yang tidak secara cepat mendekati nol yang menunjukkan unsur trend sesuai dengan Firdaus (2006: 2) yaitu unsur trend diketahui dengan adanya beda kala pertama tinggi dan berbeda dengan nol secara signifikan, lalu turun mendekati nol saat series meningkat. Plot ACF juga memperlihatkan adanya pola gelombang secara bergantian antara positif dan negatif yang menunjukkan adanya unsur musiman. Pergerakan unsur musiman yang terjadi diakibatkan oleh pengaruh cuaca yang mengakibatkan pemetikan Tandan Buah Segar (TBS) di kebun pengolahan CPO terganggu, yang mengakibatkan penurunan produksi CPO, faktor lain yang mempengaruhi adalah hari raya, natal dan tahun baru. Sehingga dapat diidentifikasikan bahwa data penjualan CPO mengandung unsur trend (cenderung meningkat) dan unsur musiman. Sedangkan untuk mengetahui ada tidaknya distribusi yang sesuai dengan distribusi data yang ada digunakan grafik Distributional Analysis Probability Plot, yaitu berdasarkan diagram plot penjualan CPO periode Januari 2004 sampai Desember 2010. Dari diagram yang terbentuk dapat diketahui bahwa data time series penjualan CPO PT. KPB Nusantara menunjukkan data yang berada di sekitar garis lurus, hal ini berarti data penjualan CPO PT. KPB Nusantara periode Januari 2004 sampai Desember 2010 bersifat normal. Grafik normal probability plot penjualan CPO PT. KPB Nusantara periode Januari 2004 sampai Desember 2010 disajikan pada Lampiran 4.
61
5.2.3. Metode Peramalan Kuantitatif Penjualan Crude Palm Oil (CPO) Berdasarkan pola data penjualan CPO yang telah diketahui dengan mengidentifikasi pola data, maka diketahui bahwa terdapat pola data yang memiliki unsur trend (cenderung meningkat) dan unsur musiman, dengan mengetahui pola data tersebut maka mempermudah pemilihan metode time series yang sesuai dengan pola data penjualan CPO PT. KPB Nusantara. Berdasarkan identifikasi pola data tersebut maka metode peramalan time series yang sesuai dengan pola data penjualan adalah Metode Double Eksponential Smoothing, Metode trend, indeks musiman, dan Metode Box–Jenkins (ARIMA). Namun sebagai perbandingan maka metode peramalan lainnya tetap digunakan yaitu Metode Single Eksponential Smoothing, metode naif dan metode rata-rata bergerak (moving average). Setelah diketahui nilai kesalahan (error) terkecil dengan melihat nilai MSE (Mean Squared Error) maka akan diketahui metode peramalan yang terbaik untuk meramalkan volume penjualan CPO pada PT. KPB Nusantara satu tahun mendatang, yaitu tahun 2011. Berikut merupakan metode peramalan time series yang digunakan dalam penelitian ini. 5.2.3.1. Metode Naif (Naive) Metode naif menganggap bahwa periode saat ini merupakan prediktor terbaik dari masa depan. Metode ini merupakan metode sederhana karena perhitungannya dengan menggunakan data yang lewat (past data) yang dijadikan sebagai ramalan waktu mendatang. Metode ini menyatakan bahwa dimasa datang suatu sistem cenderung mempertahankan momentum (enggan berubah) dari masa 62
silam. Dari pernyataan tersebut dirumuskan dalam bentuk formula sederhana
ŷt+1= уt. Dimana ŷt+1 merupakan nilai ramalan periode mendatang penjualan CPO, sedangkan уt merupakan nilai aktual penjualan CPO periode ke-t. Metode naif sesuai untuk meramalkan pola data yang memiliki unsur stasioner disepanjang masa peramalan. Berdasarkan hasil perhitungan dengan metode naif diketahui peramalan pada periode selanjutnya yaitu sebesar 72.000 ton penjualan CPO, hal tersebut merupakan angka peramalan yang diperkirakan terjadi pada bulan Januari 2011. Sedangkan nilai MSE (Mean Squared Error) sebesar 4588377111, yang menunjukkan bahwa penyimpangan yang terjadi dalam metode naif adalah sebesar 4588377111. Nilai MAE yang dihasilkan sebesar 50806.98916 yang menunjukkan penyimpangan absolut sebesar 50806.98916, dan nilai MAPE yang dihasilkan sebesar 31.34057417, yang menunjukkan besarnya penyimpangan ramalan metode naif sebesar 31.34057417%. Hasil perhitungan metode peramalan time series metode naif disajikan pada Lampiran 5.
5.2.3.2. Metode Rata-rata Bergerak (Moving Average) Metode rata-rata bergerak (moving average) diterapkan dengan cara meratakan sejumlah data untuk diikutsertakan dalam perhitungan. Dengan menetapkan bahwa ramalan periode mendatang merupakan nilai rataan data penjualan CPO dengan mengeluarkan nilai dari periode yang terlama dan memasukkan nilai dari periode terbaru dari sekelompok data yang jumlahnya konstan. Banyaknya data yang digunakan disebut ordo, sedangkan penentuan ordo 63
dapat dilakukan dengan coba-coba (trial and error), hal ini dimaksudkan untuk menentukan nilai kesalahan yang terkecil. Ordo yang digunakan dalam penelitian ini adalah ordo 2 untuk data dua bulanan, ordo 3 untuk data triwulan (tiga bulan), ordo 4 untuk data kuartal (empat bulan), ordo 6 untuk data setengah tahun, dan ordo 12 untuk data tahunan. Metode ini digunakan untuk memasukkan informasi terbaru, setiap ada informasi terbaru akan diperoleh dengan menghilangkan informasi terlama dengan memasukkan informasi terbaru, pada teknik ini semua informasi dibobot sama. Dalam penelitian ini menggunakan ordo 12 (MA=12) hal ini dikarenakan ordo 12 memiliki nilai kesalahan (error) terkecil. Perbandingan hasil perhitungan menggunakan metode Moving Average (MA) dengan berbagai macam ordo ditampilkan pada Tabel 10.
Tabel 10. Perbandingan Hasil Perhitungan Metode Moving Average dengan Ordo yang Berbeda-beda MA
Nilai
Ordo
MSE
MAE
MAPE
2
3809504208
47177
30
3
3567488868
45896
30
4
3791598690
47470
31
6
3958455289
50233
32
12
3281015249
45415
29
Sumber : Data Primer Diolah (2011)
Berdasarkan hasil perhitungan metode moving average berordo 12, diketahui nilai kesalahan (error) diantaranya adalah nilai MSE sebesar 3281015249, yang menunjukkan bahwa penyimpangan yang terjadi dalam metode
64
ini adalah sebesar 3281015249, nilai MAE sebesar 45415, yang berarti penyimpangan yang terjadi 45415 dan nilai MAPE sebesar 29 yang menunjukkan besarnya persentase penyimpangan sebesar 29%. Melalui penerapan metode moving average dengan ordo 12 menghasilkan peramalan untuk satu periode kedepan yaitu periode ke 85 yaitu pada bulan Januari 2011 sebesar 196715.588 ton penjualan CPO. Grafik pergerakan ramalan menggunakan metode moving average (MA=12) disajikan pada Lampiran 6.
5.2.3.3. Metode Pemulusan Eksponensial Tunggal (Single Eksponential Smoothing) Metode ini membutuhkan nilai alfa (α) sebagai nilai parameter pemulusan. Bobot nilai α lebih tinggi diberikan kepada data yang lebih baru, sehingga nilai parameter α yang sesuai akan memberikan ramalan yang optimal dengan nilai kesalahan (error) terkecil. Untuk mendapatkan nilai α yang tepat pada umumnya dilakukan dengan trial and error (coba-coba) untuk menentukan nilai kesalahan terendah. Nilai α dilakukan dengan membandingkan menggunakan interval pemulusan antara 0<α<1, yaitu α (0,1 sampai dengan 0,9). Metode ini hanya mampu memberikan ramalan satu periode ke depan dan cocok untuk data yang mengandung unsur stasioner. Karena jika diterapkan pada serial data yang memiliki trend yang konsisten, ramalan yang dibuat akan selalu berada dibelakang trend. Selain itu, metode eksponensial ini juga memberikan bobot yang relatif lebih tinggi pada nilai pengamatan terbaru dibanding nilai-nilai periode sebelumnya.
65
Hasil perhitungan dan pergerakan metode pelicinan eksponensial tunggal disajikan
pada
Lampiran
7.
Berdasarkan
hasil
perhitungan
dengan
membandingkan nilai α maka di dapat koefisien α sebesar 0,1 yang memiliki nilai MSE terkecil yaitu sebesar 3241386465, nilai MAE 44434 dan nilai MAPE sebesar 28. Dari nilai yang didapat maka dapat diketahui nilai penyimpangan metode
pemulusan
eksponensial
tunggal
adalah
3241386465,
besarnya
penyimpangan absolut sebesar 44434 dan besarnya persentase penyimpangan adalah sebesar 28%. Persamaan yang terbentuk adalahSt = 0,1yt + (1- 0,1) St-1. Dari persamaan tersebut maka dapat ditentukan nilai peramalan satu periode pada Januari 2011 yaitu sebesar 197,237 ton penjualan CPO. Perbandingan nilai kesalahan hasil penggunaan metode Single Eksponential Smoothing dengan nilai α berbeda-beda disajikan pada Tabel 11 berikut.
Tabel 11. Perbandingan Nilai Kesalahan Metode Single Eksponential Smoothing dengan Nilai α Berbeda-beda Konstanta Pemulusan (α) 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Nilai MSE 3241386465 3292149364 3355968228 3415279722 3490506145 3599660590 3754060826 3961304847 4228934173
MAE 44434 44439 44154 43958 44576 45271 46107 47395 48904
MAPE 28 29 29 28 29 29 29 30 31
Sumber : Data Primer Diolah (2011)
66
5.2.3.4. Metode Pemulusan Eksponensial Ganda (Double Eksponential Smoothing) Metode double eksponential smoothing memproses time series yakni dengan mengekstrapolasi data atas dasar trend terakhir yang terbentuk, sehingga ramalan yang akan terlihat nantinya cenderung ke satu arah yakni sesuai dengan arah trend terakhir penjualan CPO. Metode ini sesuai untuk data yang memiliki unsur trend. Metode double eksponential smoothing menggunakan dua koefisien pemulusan yaitu koefisien alfa (α) dan gamma (γ). Koefisien pemulusan α menunjukkan nilai koefisien pemulusan metode double eksponential smoothing, sedangkan koefisien pemulusan γ menunjukkan nilai koefisein terhadap trend. Nilai konstanta pemulusan tersebut berkisar antara 0 sampai 1. Berdasarkan pengolahan data volume panjualan CPO pada PT. KPB nusantara menunjukkan bahwa nilai kesalahan (error) terkecil dari beberapa percobaan maka diketahui penerapan nilai α sebesar 0, 1 dan nilai γ sebesar 0,01 menghasilkan nilai MSE sebesar 3216539234, nilai MAE sebesar 44680 dan nilai MAPE sebesar 29. Berdasarkan nilai kesalahan tersebut menunjukkan bahwa nilai penyimpangan sebesar 3216539234, nilai penyimpangan absolut sebesar 44680 dan nilai persentase penyimpangan sebesar 29%. Hasil perhitunganmenggunakan metode double eksponential smoothing dapat dilihat pada Lampiran 8.
5.2.3.5. Metode Indeks Musiman Perhitungan indeks musiman dapat dihitung dengan mencari nilai rata-rata berbagai rasio penjualan nyata terhadap nilai garis trend untuk setiap periode. Perhitungan menggunakan metode indeks musiman ini dilakukan pada bulan yang 67
sama namun pada tahun yang berbeda yaitu selama kurun waktu 7 tahun (2004 2010). Perhitungan menggunakan metode ini diawali dengan mencari persamaan indeks musiman menggunakan metode least square (Lampiran 9), selanjutnya diketahui persamaan Y'= 176143.23 + 504.15X. Setelah mendapatkan persamaan, langkah selanjutnya adalah mencari rasio penjualan terhadap trend untuk setiap bulan selama tahun pengamatan. Dari hasil rasio tersebut dirata-ratakan dengan data yang diikutsertakan, sehingga diketahui nilai kesalahan untuk tiap bulan pada tahun pengamatan. Berdasarkan perhitungan indeks musiman, didapat nilai MSE sebesar 3059227222.28, sedangkan nilai MAE adalah sebesar 42460.74 dan nilai MAPE sebesar 27.80. Dari perhitungan tersebut diketahui bahwa besarnya penyimpangan menggunakan metode ini adalah sebesar 3059227222.28, besarnya penyimpangan absolut sebesar 42460.74, dan besarnya persentase penyimpangan 27.80%. Perhitungan menggunakan metode indeks musiman ditampilkan pada Lampiran 10.
5.2.3.6. Metode Tren (Trend) Peramalan menggunakan metode trend sudah sangat banyak digunakan dalam perusahaan bisnis, karena data ekonomi yang terbentuk umumnya banyak terdapat unsur trend baik trend meningkat atau menurun. Penggunaan metode trend dalam penelitian ini adalah dengan metode trend analysis yang terdapat pada program Minitab 15, sehingga mudah untuk menganalisis dan menampilkan data yang mengandung unsur trend. Perhitungan menggunakan metode trend dilakukan langkah awal agar pemodelan regresi dapat mewakili sifat data yaitu dengan memeriksa model 68
hubungan antara variabel prediktor dan variabel respon, secara umum terdapat dua model hubungan yaitu hubungan lenier dan hubungan nonlenier. Variabel data penelitian, yaitu penjualan CPO sebagai variabel dependen (respon) dan periode waktu sebagai variabel independen (prediktor). Pemakaian kedua variabel tersebut dimaksudkan untuk mengetahui besarnya hubungan antara penjualan terhadap waktu dengan menggunakan trend analysis. Dalam penelitian ini model yang digunakan yaitu model regresi lenier sederhana dan model regresi non-lenier (kuadratik). Berdasarkan pola hubungan lenier antara penjualan CPO sebagai variabel dependen dan periode waktu sebagai variabel independen, terlihat bahwa hubungan variabel tersebut berada di antara garis lurus, berarti residual berdistribusi normal dengan rata-rata mendekati nol (0). Berdasarkan perhitungan model regresi lenier sederhana menggunakan metode trend analysis menghasilkan persamaan Yt = 133291 + 1008.29t. Dengan nilai MSE sebesar 3022665154, nilai MAE sebesar 43010, dan nilai MAPE sebesar 28. Hal ini menunjukkan bahwa nilai penyimpangan pada metode ini sebesar 3022665154, nilai penyimpangan absolut sebesar 43010, dan besarnya persentase penyimpangan 28%. Pergerakan grafik peramalan menggunakan metode trend analysis dengan model regresi lenier sederhana dengan volume penjualan CPO sebagai dependent variable dan periode waktu sebagai independent variable disajikan pada Gambar 5. Sedangkan nilai perhitungannya ditampilkan pada Lampiran 11.
69
Trend Analysis Plot for vol.penj.CPO Linear Trend Model Yt = 133291 + 1008.29*t 350000
Variable A ctual Fits
vol.penj.CPO
300000
Accuracy Measures MA PE 28 MA D 43010 MSD 3022665154
250000 200000 150000 100000
1
8
16
24
32 40 48 56 periode waktu
64
72
80
Gambar 5. Grafik Trend Analysis Model Regresi Lenier Sumber : Data Primer Diolah (2011)
Perhitungan menggunakan trend analysis model regresi nonlenier digunakan untuk mencari model terbaik terhadap pola hubungan antar variabel, penggunaan metode ini ditandai dengan pola hubungan yang berbentuk garis tidak lurus antara variabel dependen (penjualan CPO) terhadap variabel independen (periode waktu). Garis tidak lurus tersebut merupakan garis yang mendekati titiktitik pergerakan dari data historis jumlah penjualan CPO. Berdasarkan perhitungan trend analysis menggunakan model non lenier sederhana diketahui persamaan yaitu Yt = 128208 + 1362.91t - 4.17196t2. Sedangkan nilai kesalahan menggunakan trend analysis model regresi non lenier (kuadratik) yaitu nilai MSE sebesar 3017854357, nilai MAE sebesar 43083 dan nilai MAPE sebesar 28. Hal ini menunjukkan adanya penyimpangan menggunakan metode ini sebesar 3017854357, besarnya penyimpangan absolut 43083, dan besarnya persentase
70
penyimpangan 28%. Pergerakan grafik metode trend analysis model regresi non lenier dapat dilihat pada Gambar 6 berikut. Perhitungan peramalan menggunakan metode trend analysis model regresi non lenier (kuadratik) disajikan pada Lampiran 12.
Trend Analysis Plot for vol.penj.CPO Quadratic Trend Model Yt = 128208 + 1362.91*t - 4.17196*t**2 350000
Variable A ctual Fits
vol.penj.CPO
300000
A ccuracy Measures MA PE 28 MA D 43083 MSD 3017854357
250000 200000 150000 100000
1
8
16
24
32 40 48 56 Periode waktu
64
72
80
Gambar 6. Grafik Trend Analysis Model Regresi Non Lenier (Kuadratik) Sumber : Data Primer Diolah (2011)
5.2.3.7. Metode Box-Jenkins (ARIMA) Metode Box-Jenkins merupakan suatu prosedur interatif memilih model terbaik untuk series yang stasioner dari suatu kelompok model time series lenier. Metode ARIMA (autoregressive integrated moving average) adalah metode yang tepat untuk mengatasi terlalu rumitnya deret waktu (terdapat variasi dari pola data) dan situasi peramalan lainnya. Berdasarkan pola data penjualan CPO PT. KPB Nusantara yang mengandung unsur trend dan musiman tertentu maka model yang diterapkan adalah model Seasonal ARIMA (SARIMA). Penggunaan metode tersebut dikarenakan pola data mengandung unsur musiman, perbedaanya hanya 71
terletak pada saat identifikasi perilaku Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) data deret waktu yang mengandung unsur musiman. Penggunaan metode ARIMA merupakan metode yang digunakan pada data yang memiliki unsur stasioner atau dengan kata lain tidak mengandung unsur trend maupun musiman. Data dengan unsur yang belum stasioner harus stasioner terlebih dahulu sebelum diestimasi dalam suatu model peramalan yaitu dengan melakukan proses pembedaan (differencing). Pembedaan dilakukan baik terhadap data level yang disebut pembedaan regular (regular differencing), maupun pembedaan terhadap deret waktu yang sudah mengalami pembedaan musiman (seasonal differencing). Berdasarkan pengamatan plot ACF dan PACF terhadap pola data aktual penjualan CPO PT. KPB Nusantara maka diketahui terdapat unsur trend dan unsur musiman. Unsur trend diketahui karena terjadinya penurunan secara lambat dari nilai koefisien korelasi pada lag-lag awal plot ACF. Pergerakan data trend juga dapat diketahui dengan beda kala (lag) pertama tinggi dan berbeda dengan nol secara signifikan, lalu turun mendekati nol saat series meningkat. Sedangkan pergerakan adanya unsur musiman diketahui dengan perilaku ACF yang bergerak bergelombang antara korelasi positif dan negatif yang bergantian. Langkah awal melakukan peramalan dengan metode ARIMA yang terdapat unsur musiman yaitu dengan melakukan pembedaan pertama (first differencing) pola ACF data aktual penjualan CPO. Pembedaan regular pertama
72
ditampilkan pada Gambar 7, dan nilai korelasi ACF dan grafik PACF pembedaan pertama disajikan pada Lampiran 13.
Autocorrelation Function for diff reg (with 5% significance limits for the autocorrelations) 1.0 0.8
Autocorrelation
0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 2
4
6
8
10
12
14
16
18
20
Lag
Gambar 7. Grafik ACF Pembedaan Regular Pertama Sumber : Data Primer Diolah (2011)
Berdasarkan grafik ACF pada Gambar 7, diketahui pada awal lag bagian non musiman telah melewati garis signifikan, hal ini menandakan data tersebut berpola ACF yang cut off, namun koefisien korelasi untuk data musiman masih cukup signifikan, yang menandakan bahwa data belum stasioner pada bagian musiman, oleh karena itu perlu dilakukan pembedaan musiman pertama. Plot ACF untuk pembedaan musiman pertama ditampilkan pada Gambar 8. Berdasarkan grafik plot ACF pembedaan musiman pertama diketahui bahwa bagian musiman yaitu pada lag 12 sudah menunjukkan pola cut off yaitu melewati
73
garis signifikan. Hal ini menandakan bahwa data pembedaan musiman pertama sudah menunjukkan pola stasioner.
Autocorrelation Function for diff mus (with 5% significance limits for the autocorrelations) 1.0 0.8
Autocorrelation
0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 2
4
6
8
10 Lag
12
14
16
18
Gambar 8. Grafik ACF Pembedaan Musiman Pertama Sumber : Data Primer Diolah (2011)
Langkah akhir untuk mengamati pembedaan pertama yaitu dengan melakukan pembedaan terhadap data yang telah dilakukan pembedaan regular pertama maupun data yang telah dilakukan pembedaan musiman pertama. Berdasarkan pergerakan ACF pembedaan regular pertama dan pembedaan musiman pertama (Gambar 9 dan 10) dan nilai koefisien korelasi ACF dan PACF disajikan pada Lampiran 14, diketahui perilaku ACF pada pembedaan regular pertama dan pembedaan musiman pertama menunjukkan pola data yang cut off, hal ini menunjukkan bahwa data tersebut sudah stasioner dimana koefisien korelasi pada semua beda kala non musiman tidak ada yang signifikan. Sedangkan grafik PACF menunjukkan pola dying down. 74
Autocorrelation Function for diffreg diffmus (with 5% significance limits for the autocorrelations) 1.0 0.8
Autocorrelation
0.6 0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8 -1.0 2
4
6
8
10 Lag
12
14
16
18
Gambar 9. Grafik ACF Pembedaan Regular Pertama dan Pembedaan Musiman Pertama Sumbar : Data Primer Diolah (2011)
Partial Autocorrelation Function for diffreg diffmus (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 2
4
6
8
10 Lag
12
14
16
18
Gambar 10. Grafik PACF Pembedaan Regular Pertama dan Pembedaan Musiman Pertama Sumber : Data Primer Diolah (2010)
75
Setelah data penjualan CPO telah stasioner maka tahap selanjutnya adalah melakukan identifikasi terhadap penentuan model ARIMA, dengan mengamati perilaku ACF dan PACF yang terbentuk. Berdasarkan pola ACF yang bersifat cut off dan plot PACF yang bersifat dying down, maka model ARIMA tentatif Seasonal ARIMA untuk Penjualan CPO PT. KPB Nusantara adalah Seasonal Moving Average (SMA) dengan model ARIMA (0,d,q)(0,D,Q)L. Dikarenakan terjadi pembedaan regular pertama dan pembedaan musiman pertama maka nilai d=1 dan D=1, sehingga model yang sesuai adalah ARIMA (0,1,q)(0,1,Q)L. Sedangkan panjangnya deret data musiman untuk bulanan adalah 12 maka besarnya L=12. Pemakaian nilai L (panjang musiman) sebesar 12 adalah ada kecenderungan terjadi berulangnya data musiman setiap tahunnya yaitu terjadi sepanjang 12 bulan. Sehingga bentuk model ARIMA yang digunakan adalah ARIMA (0,1,q)(0,1,Q)12. Sedangkan model estimasi untuk moving Average adalah ARIMA (0,1,1)(0,1,1)12. Penggunaan model tentatif ARIMA (0,1,1)(0,1,1)12, menunjukkan bahwa pola data penjualan CPO telah delakukan proses differencing sebanyak 1 kali agar data menjadi stasioner, hal ini ditunjukkan dengan nilai d=1 dan D=1. Untuk mengetahui model terbaik maka perlu dilakukan perbandingan dengan model ARIMA lainya. Model alternatifnya adalah model ARIMA (0,1,1)(0,1,2)12, model alternatif tersebut merupakan model terbaik dalam pengamatan ACF dan PACF yang terbentuk setelah data stasioner. Berdasarkan perhitungan metode Box-Jenkins terhadap model tentatif ARIMA(0,d,q)(0,D,Q)12, diketahui hasil dari kedua model tersebut (Lampiran 15), 76
maka dapat disimpulkan bahwa model ARIMA (0,1,1)(0,1,1)12 merupakan model yang memiliki nilai MSE terkecil. Perbandingan nilai MSE dari kedua model ARIMA tersebut disajikan pada Tabel 12. Tabel 12. Perbandingan Nilai MSE Model ARIMA (0,d,q)(0,D,Q)L Model ARIMA
Nilai MSE
(0,1,1)(0,1,1)12
3188681887
(0,1,1)(0,1,2)12
3218064262
Sumber : Data Primer Diolah (2011)
Tahap selanjutnya adalah mengevaluasi model tersebut dengan uji diagnostik, yang dilakukan untuk memastikan apakah
model ARIMA
(0,1,1)(0,1,1)12 sudah baik atau belum, yaitu: 1. Residual bersifat acak, diketahui melalui indicator box-Ljung statistic dari session bahwa nilai P-value untuk uji model ARIMA (0,1,1)(0,1,1)12 sudah lebih besar dari 0,05 yaitu (0.401 ,0.562 , 0.374 , 0.542 ) pada lag 12, 24, 36, 48 yang menunjukkan model ini sudah acak. 2. Model
parsimonius.
Model
tentatif
yang
diperoleh
yaitu
ARIMA
(0,1,1)(0,1,1)12 sudah menunjukkan bentuk yang paling sederhana. 3. Parameter yang diestimasi berbeda nyata dengan nol. Pernyataan ini dapat dilihat dari nilai P-value koefisien yang kurang dari 0,05. Dan terlihat P-value koefisien model sebesar 0.000. 4. Kondisi invertebilitas ataupun stasioneritas harus terpenuhi, hal ini dapat dilihat dari jumlah koefisien MA = 0.8276, dan tidak ada nilai koefisien AR, berarti invertebilitas sudah terpenuhi. 77
5. Proses iterasi harus convergence. Hal ini dapat dilihat dari session yang menunjukkan pernyataan Relative change in each estimate less than 0.0010. 6. Model harus memiliki nilai MSE terkecil, hal ini menunjukkan model ARIMA (0,1,1)(0,1,1)12 memiliki nilai MSE terkecil yaitu 3188681887 dibandingkan nilai MSE model ARIMA (0,1,1)(0,1,2)12 yaitu sebesar 3218064262. Peramalan penjualan CPO PT. KPB Nusantara menggunakan metode BoxJenkins dengan model ARIMA (0,d,q)(0,D,Q)L dengan model ARIMA tentatif yaitu model ARIMA (0,1,1)(0,1,1)12 dan model ARIMA (0,1,1)(0,1,2)12, dapat disimpulkan bahwa model ARIMA (0,1,1)(0,1,1)12 lebih baik daripada model ARIMA (0,1,1)(0,1,2)12.
5.2.4. Pemilihan Metode Peramalan Kuantitatif Terbaik Penjualan CPO Pemilihan metode peramalan terhadap penjualan CPO PT. KPB Nusantara yaitu dengan melakukan perhitungan dan pengamatan terhadap perilaku data series penjualan CPO selama 7 tahun selama periode Januari 2004 sampai Desember 2010. Peramalan yang dilakukan dengan menggunakan metode time series seperti
Metode
Naif (Naïve), Metode Rata-rata Bergerak (Moving
Average), Metode Pemulusan Eksponensial Tunggal (Single Eksponential Smoothing), Metode Pemulusan Eksponensial Ganda (Double Eksponential Smoothing), Metode Indeks Musiman, Metode trend dan Metode Box-Jenkins (ARIMA). Tujuan dari penggunaan beberapa metode peramalan tersebut adalah untuk mengetahui metode mana yang paling sesuai dengan pola data penjualan CPO pada PT. KPB Nusantara sehingga sesuai untuk meramalkan tingkat
78
penjualan satu tahun mendatang. Sedangkan beberapa kriteria pemilihan metode peramalan yaitu akurasi, jangkauan ramalan, biaya dan kemudahan penerapan. Pemilihan metode terbaik dengan melihat nilai MSE (Mean Squared error), dimana nilai MSE ini diperoleh melalui selisih antara nilai aktual dengan nilai peramalan yang dikuadratkan dibagi dengan banyaknya deret waktu peramalan. Sedangkan MAE (Mean Absolute Error) digunakan bila hanya satu atau dua residual yang besar dalam data pengamatan, nilai MAPE (Mean Absolute Percentage Error) digunakan untuk melihat sejauh mana bias metode peramalan yang digunakan. Karena besarnya residual yang terjadi rata-rata memiliki besaran sama sepanjang pengamatan maka menggunakan MSE sebagai ukuran akurasi untuk menentukan metode peramalan terbaik untuk satu tahun mendatang, sesuai dengan teori Firdaus (2006:4) bila residual besarnya merata sepanjang pengamatan maka MSE yang sebaiknya digunakan. Berdasarkan hasil penerapan metode peramalan kuantitatif peramalan yang terbaik menunjukkan bahwa metode trend kuadratik (non lenier) merupakan metode peramalan terbaik, karena metode tersebut menghasilkan nilai MSE terkecil dibandingkan dengan metode lainnya. Hal ini dikarenakan semakin kecil nilai MSE suatu peramalan maka semakin mendekati nilai aktualnya. Tabel 13 menunjukkan hasil perhitungan beberapa metode peramalan penjualan CPO PT. KPB Nusantara.
79
Tabel 13. Nilai Perhitungan Beberapa Metode Peramalan Penjualan CPO No 1 2 3 4
5
6 7
Metode peramalan Trend kuadratik (non lenier) Indeks Musiman ARIMA (0,1,1)(0,1,1)12 Pemulusan Eksponensial Ganda (Double Eksponential Smoothing) Pemulusan Eksponensial Tunggal (Single Eksponential Smoothing) Rata-rata bergerak (Moving Average) Naif (Naive)
Nilai MSE
Nilai MAE
Nilai MAPE
3017854357
43083
28
3059227222 3188681887
42460.28
27.80
3216539234
44680
29
α= 0.1 γ= 0.01
3241386465
44434
28
α = 0,1
3281015249
45415
29
T= 12
4588377111
50806.9
31.34
Ket
L=12
Keterangan: L =Panjang Musiman, α = Parameter Pemulusan, γ = Parameter Trend, T = Ordo (Sumber : Data Primer Diolah , 2011)
Berdasarkan perhitungan pada Tabel 13 tersebut, diketahui nilai MSE terkecil dihasilkan oleh perhitungan menggunakan metode trend kuadratik (non lenier). Kemudian diikuti oleh metode Indeks Musiman, Box-Jenkins model ARIMA (0,1,1)(0,1,1)12, Pemulusan Eksponensial Ganda (Double Eksponential Smoothing), Pemulusan Eksponensial Tunggal (Single Eksponential Smoothing), Rata-rata bergerak (Moving Average) dan Naif (Naive). Penggunaan metode tersebut sudah mengikuti prosedur yang berlaku. deret waktu yang digunakan dalam peramalan CPO selama 7 tahun yaitu Januari 2004 sampai Desember 2010 dengan jumlah data observasi sebanyak 84 data, penelitian dilakukan dengan mengambil data bulanan perusahaan. Pengambilan data bulanan dimaksudkan untuk mengamati perilaku penjualan CPO yang terjadi selama satu bulan kegiatan
80
usaha. Sedangkan jangkauan peramalan dilakukan untuk meramalkan tingkat penjualan satu tahun mendatang. Pemilihan metode peramalan yang terbaik menurut Firdaus (2006:4) dilakukan dengan penilaian akurasi hasil peramalan yaitu dengan mengamati selisih nilai aktual pengamatan dengan estimasi dari peramalan, yaitu menggunakan nilai MSE. Metode trend kuadratik (non lenier) merupakan metode yang memiliki nilai MSE yang terkecil yaitu sebesar 3017854357, kemudian diikuti oleh metode Indeks musiman sebesar 3059227222 dan metode BoxJenkins
(ARIMA)
yaitu
sebesar
3188681887,
ketiga
metode
tersebut
menunjukkan urutan nilai MSE terkecil. Penggunaan metode metode trend sudah banyak digunakan dalam kegiatan perusahaan bisnis, dalam penelitian ini memilih metode trend kuadratik (non lenier) dengan persamaan Yt = 128208 + 1362.91t - 4.17196t2 sudah sesederhana mungkin (parsimonious). Berdasarkan persamaan tersebut maka diketahui koefisies konstanta 128208 menunjukkan penjualan rata-rata 128208 ton CPO, koefisien regresi 1362.91t - 4.17196t2 menunjukkan bahwa kenaikan penjualan CPO setiap bulannya. Berdasarkan uji statistik metode trend kuadratik (Lampiran 16) menunjukkan bahwa nilai R-Square sebesar 16.6%, yang menunjukkan bahwa pengaruh waktu terhadap penjualan CPO sebesar 16.6 persen, sedangkan 83.4 persen dipengaruhi faktor lain. Level toleransi yang digunakan adalah 5% berdasarkan perhitungan trend kuadratik diketahui nilai v1= 2 dan v2= 82, sedangkan nilai F tabel untuk F(0.05;2.82) adalah 3.11, dalam hal ini nilai F tabel 81
lebih rendah dari nilai statistik F uji yaitu 8.09. Sedangkan besarnya uji p-value menunjukkan angka 0.001. Hal ini menunjukkan bahwa semua atau salah satu parameter model regresi statistik tidak bernilai 0. Berdasarkan grafik fited line plot (Lampiran 16) model kuadratik menunjukkan bahwa distribusi data menyebar merata sepanjang garis rata-rata. Artinya model regresi kuadratik ini dapat digunakan dan mewakili data peramalan. Biaya yang dikeluarkan dalam menggunakan metode trend kuadratik tidak terlalu mahal dan kebutuhan waktu peramalan tidak terlalu lama, yaitu dengan mengambil data historis penjualan CPO 7 tahun, hal ini sesuai dengan pernyataan Render dan Heizer (2001: 46) peramalan jangka panjang, yaitu peramalan yang memiliki rentang waktu biasanya tiga tahun atau lebih. Selain itu juga perangkat lunak (Software) yang digunakan sederhana dan mudah digunakan yaitu Microsoft Excel dan Minitab 15, penggunaan program komputer tersebut bertujuan untuk mengurangi kesalahan dan meningkatkan keakuratan data peramalan, sehingga peramalan penjualan mudah digunakan dan diimplementasikan dalam kegiatan penjualan CPO perusahaan.
5.3. Analisis Tingkat Peramalan Penjualan Crude Palm Oil (CPO) Satu Tahun Mendatang Setelah melakukan perhitungan menggunakan metode-metode peramalan time series (runtun waktu) untuk melakukan peramalan penjualan CPO pada PT. KPB Nusantara diketahui bahwa metode trend kuadratik (non lenier) memiliki nilai kesalahan terkecil dengan melihat nilai MSE. Kemudian metode tersebut dapat dijadikan perencanaan atau acuan perusahaan dalam meramalkan penjualan
82
CPO satu tahun mendatang yaitu periode Januari 2011 sampai Desember 2011. Hasil peramalan untuk 12 bulan mendatang menggunakan metode trend kuadratik (non lenier) ditampilkan pada Tabel 14. Sedangkan grafik pergerakan hasil peramalan penjualan menggunakan metode trend analysis model kuadratik (non lenier) disajikan pada Lampiran 17.
Tabel 14. Peramalan Penjualan CPO Periode Januari 2011 – Desember 2011 Menggunakan Metode Trend Kuadratik Periode
Bulan
Peramalan (Dalam ton)
85
Januari
213.913
86
Februari
214.562
87 88
Maret April
215.204 215.836
89
Mei
216.461
90
Juni
217.077
91
Juli
217.685
92
Agustus
218.284
93 94
September Oktober
218.875 219.458
95
November
220.032
96
Desember Jumlah
220.598 2.607.985
Sumber : Data Primer Diolah (2011)
Berdasarkan hasil perhitungan metode trend kuadratik, diketahui terjadi peningkatan penjualan CPO yang dimulai dari awal tahun 2011 yaitu periode 85 sampai akhir tahun 2011 yaitu periode 96, sedangkan persentase kenaikan volume penjualan CPO pada PT. KPB Nusantara rata-rata setiap bulannya adalah sebesar 6% per bulan, kenaikan ini diprediksikan karena jumlah permintaan terhadap CPO semakin meningkat setiap bulannya akibat dari kebutuhan produk olahan dan 83
turunan CPO bertambah, serta semakin membaiknya perekonomian dunia. Sehingga pihak perusahaan memiliki acuan atau gambaran besarnya persediaan (stock) CPO sebagai perencanaan mengantisipasi besarnya permintaan pada bulan-bulan tersebut tahun 2011. Pola data aktual penjualan CPO PT. KPB Nusantara selain mengandung unsur trend juga memiliki unsur musiman. Secara teori unsur trend kuadratik terpilih sebagai metode peramalan kuantitatif terbaik karena memiliki nilai MSE terkecil, namun dalam kenyataanya unsur musiman juga mempengaruhi penjualan CPO, sehingga metode Trend kuadratik (non lenier) dan metode Indeks Musiman dapat dijadikan alternatif peramalan penjualan CPO. Berdasarkan volume penjualan CPO pada Lampiran 2, bulan-bulan tertentu menunjukkan kenaikan dan penurunan penjualan yang menandakan adanya pengaruh musim, seperti pengaruh awal dan akhir tahun yang menunjukkan penurunan jumlah penjualan, sehingga penjualan dilakukan pada bulan sebelumnya yaitu bulan September dan bulan Oktober. Hari raya keagamaan seperti bulan Ramadhan/puasa yang terjadi antara bulan Agustus, September dan natal pada bulan Desember juga dapat mempengaruhi penjualan, mengakibatkan penjualan difokuskan pada bulan sebelumnya yaitu Juni, Juli dan September. Musim penghujan yang tidak menentu akibat perubahan iklim/global warming mempengaruhi pemetikan tandan buah segar karena termasuk produk pertanian rentan terhadap perubahan iklim sehingga mengakibatkan produksi CPO menurun yang berdampak pada penjualan CPO. Melalui kegiatan peramalan penjualan CPO pada PT. KPB Nusantara dapat dijadikan rekomendasi kepada Departemen terkait (Kementerian BUMN 84
dan Kementerian Pertanian) sebagai pihak pengambil kebijakan yang membawahi PTPN, seperti kegiatan mengoptimalisasikan produksi CPO atau produk perkebunan lainnya. Kegiatan tersebut dimulai dari industri hulu seperti kegiatan produksi dan pengolahan, sampai industri hilir seperti pemasaran dan pendistribusian hasil perkebunan. Dengan mengetahui peramalan penjualan ini juga dapat dijadikan langkah PTPN selaku produsen CPO untuk meningkatkan produksinya dengan cara ekstensifikasi, intensifikasi dan penanganan pasca panen atau pengolahan yang optimal, sehingga hasil produksi CPO dapat memenuhi permintaan konsumen. Melalui perencanaan penjualan dapat diketahui kebutuhan perusahaan terhadap bahan baku, tenaga kerja, keuangan, peralatan pendukung dan sumber daya lainnya yang dibutuhkan untuk memenuhi permintaan CPO, sesuai dengan jumlah peramalan penjualan yang dilakukan untuk periode Januari 2011 sampai Desember 2011 yaitu sebesar 2.607.985 ton menggunakan metode Trend kuadratik.
85
BAB VI KESIMPULAN DAN SARAN
6.1. Kesimpulan Berdasarkan hasil pembahasan terhadap penelitian yang telah dilakukan, maka dapat diambil kesimpulan sebagai berikut: 1. Metode peramalan penjualan yang dilakukan oleh PT. Kharisma Pemasaran Bersama (KPB) Nusantara melalui metode kualitatif yaitu dengan rapat internal perusahaan, namun tetap berpedoman kepada perusahaan peramalan komoditas internasional seperti Oil World dan Reuters. Melalui bagian Analisa Pasar dan Pengembangan Usaha, perusahaan mengamati dan menganalisis
secara
langsung
perkembangan
harga,
penawaran
dan
permintaan CPO dunia yang mengacu pada pasar minyak sawit internasional berpusat di Rotterdam dan MDEX Malaysia. 2. Berdasarkan data aktual penjualan CPO pada PT. KPB Nusantara selama 7 tahun periode Januari 2004 sampai Desember 2010, diketahui memiliki unsur trend (cenderung meningkat) dan unsur musiman. Unsur trend yang meningkat terjadi karena permintaan terhadap CPO baik perusahaan di dalam dan luar negeri mengalami peningkatan, akibat meningkatnya konsumsi produk olahan CPO. Unsur musiman diakibatkan oleh perilaku cuaca yang mempengaruhi pemetikan tandan buah segar di pabrik pengolahan CPO yaitu PTPN I , II , III , IV , V , VI , VII , VIII , XIII dan XIV. Selain itu juga adanya faktor hari besar seperti lebaran, natal dan tahun baru. Sedangkan metode peramalan yang digunakan dalam penelitian ini adalah Metode Naif (Naive), 86
Metode
Rata-rata
Bergerak
(Moving
Average),
Metode
Pemulusan
Eksponensial Tunggal (Single Eksponential Smoothing), Metode Pemulusan Eksponensial Ganda (Double Eksponential Smoothing), Metode Tren (Trend), Indeks Musiman, dan Metode Box–Jenkins (ARIMA), sedangkan metode Trend kuadratik (non lenier) terpilih menjadi metode peramalan terbaik karena metode tersebut memiliki nilai MSE (Mean Squared Error) terkecil. 3. Berdasarkan perhitungan metode peramalan menggunakan metode trend kuadratik (non lenier) dengan nilai MSE sebesar 3017854357. Diketahui bahwa nilai peramalan untuk satu tahun mendatang (tahun 2011) yaitu periode 85 sampai periode 96 adalah 213913 ton, 214562 ton, 215204 ton, 215836 ton, 216461 ton, 217077 ton, 217685 ton, 218284 ton, 218875 ton, 219458 ton, 220032 ton, 220598 ton. Dengan jumlah total penjualan untuk tahun 2011 adalah sebesar 2.607.985 ton CPO. Selain itu juga perlu adanya antisipasi terhadap unsur musiman yang terjadi berdasarkan data yang terbentuk yaitu pada bulan-bulan tertentu seperti awal dan akhir tahun (Januari dan Desember), pengaruh iklim yang tidak menentu serta menjelang hari raya keagamaan seperti bulan puasa dan natal yang diperkirakan jatuh pada bulan Agustus dan September. Sehingga metode Indeks Musiman dapat dijadikan alternatif kedua setelah metode Trend kuadratik (non lenier). Peningkatan efektivitas PTPN diperlukan seperti kegiatan ekstensifikasi, intensifikasi dan penanganan pasca panen atau pengolahan Tandan Buah Segar (TBS), agar produksi CPO berlangsung optimal yang berakibat meningkatnya penjualan CPO perusahaan. 87
6.2. Saran 1. Perencanaan penjualan CPO menggunakan metode kuantitatif yaitu time series (runtun waktu) dengan metode trend kuadratik dapat digunakan oleh pihak perusahaan, hal ini dikarenakan dapat membantu perusahaan dalam merencanakan kegiatan penjualan CPO. Karena dengan metode peramalan kualitatif yang dilakukan perusahaan saat ini memiliki kelemahan yaitu tidak adanya prosedur yang sistematis untuk mengukur dan memperbaiki keakuratan hasil peramalan serta mengantisipasi tingginya subjektivitas pendapat. 2. Untuk mempermudah peramalan penjualan disarankan agar perusahaan menggunakan perangkat lunak (software) seperti Microsoft Excel dan Minitab 15 serta bagian khusus yang menangani peramalan penjualan, sehingga hasilnya dapat meningkatkan kesempatan perusahaan memperoleh laba dan mengurangi ketergantungan terhadap peramalan dari perusahaan lain. 3. Hasil dari peramalan dalam penelitian ini dapat dijadikan dasar dalam
pengambilan keputusan strategis sebagai dasar perencanaan penjualan CPO perusahaan untuk tahun 2011. Sedangkan untuk melengkapi penelitian ini ada baiknya dilakukan penelitian lanjutan mengenai manajemen persediaan CPO.
88
DAFTAR PUSTAKA
Firdaus, M. Analisis Deret Waktu Satu Ragam. (Jakarta: IPB Press, 2006). Handoko, T. Hani. Dasar-Dasar Manajemen Produksi dan Operasi Edisi Pertama, (Yogyakarta: BPFE-Yogyakarta, 2000). Iriawan, Nur dan Septian Puji.A. Mengolah Data Statistik dengan Mudah Menggunakan Minitab 14 Edisi I. (Yogyakarta: ANDI, 2006). Khaerunnisah, Fitria. Analisis Peramalan Penjualan untuk Perencanaan Pengendalian Persediaan Kecap Manis Sate PT. Korma Jaya Utama (KJU) [skripsi]. (Jakarta: Program Studi Sosial Ekonomi Pertanian/Agribisnis Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta. 2008). Kotler, P dan Amstrong. Dasar-dasar Pemasaran, Edisi 9 Jilid 1. (Jakarta. PT. Indeks, 2004). Kotler, P dan keller Kevin Lane. Manajemen Pemasaran. Edisi (Jakarta: Indeks, 2007).
12 Jilid I.
Laduni, A. Ilham. Uji Metode Peramalan Produksi di Usaha Dagang Safari Donat [skripsi]. (Jakarta: Jurusan Sosial Ekonomi Pertanian/Agribisnis, Fakultas Sains dan Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta. 2008). Makridakis, S., Wheelwright, S.C. dan McGee. V.E. Metode dan Aplikasi Peramalan. Edisi 2 Jilid 1. Terj. Untung Sus Adriyanto dan Abdul Basith. (Jakarta: Erlangga, 1999). Mangoensoekarjo, Soepadiyo. dan Haryono S. Manajemen Agrobisnis Kelapa Sawit. (Yogyakarta: Gadjah Mada University Press., 2003). Mulyono, Sri. Peramalan Bisnis dan Ekonometrika. Edisi 1. (Yogyakarta: BPFEYogyakarta, 2000). Nafarin, M. Penganggaran Perusahaan. (Jakarta: Salemba Empat, 2007). Nasution, Arman H, Manajemen Industri. (Yogyakarta: Penerbit Andi, 2006). Pardamean, Maruli. Panduan Lengkap Pengelolaan Kebun dan Pabrik Kelapa Sawit. (Jakarta: PT Agromedia Pustaka, 2008). 89
PT. Kharisma Pemasaran Bersama Nusantara. Profil PT. KPB Nusantara. http://www.kpbptpn.co.id, 2 hlm. 19 Juli 2010. Pkl 13.00 wib. ______Harga Ancar-Ancar Komoditi PTPN Tahun 2011. RKAP PTPN tahun 2011. (Jakarta: PT. KPBN, 2010). Rahayu, Eva Martha. Kuartal I Ekspor CPO Indonesia Capai 3,62 Juta Ton. 24 April, 2010. http://swa.co.id, 2 hlm. 30 Juli 2010. Pkl 15.57 wib. Rangkuti, F. Manajemen Persediaan (Jakarta: PT. Gramedia Pustaka Utama. 2005). Rawendra, Deo. CPO Outlook 2010. 17 Desember 2009, 5 hlm. http/www.CPO outlook 2010.pdf. 28 Juli 2010. pkl.14.00 wib. Render, B dan Jay H. Prinsip-prinsip Manajemen Operasi. (Jakarta : Penerbit Salemba Empat, 2001). Rokhah, Limif. Peramalan (forecasting) Volume Penjualan Pupuk Urea dengan Metode Exponential Smoothing Pada PT Pusri Semarang [Skripsi]. (Semarang: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Semarang. 2004). Siegel, Joel G dan Joe K. Shim (diterjemahkan oleh Moh. Kurdi), Kamus Istilah Akuntansi, (Jakarta : PT. Elex Media Komputindo, 1999). Stewart. Manajemen Penjualan. (Jakarta: Penerbit Erlangga, 1995). Susila, Wayan. Peluang Pengembangan Kelapa Sawit di Indonesia: Perspektif Jangka Panjang 2025. (Bogor: Lembaga Riset Perkebunan Indonesia, 2004). Sutiyono, Arga P. Outlook Industry Perkebunan 2009. 9 hlm. 30 November 2009. http://www.asiasecurities.co.id, 30 Juli 2010. Pkl.15.35 wib. Tryfino. Economic Review: Potensi dan Prospek Industri Kelapa Sawit http//www.economic review. 30 Desember 2006.7 hlm. 28 Juli 2010. Pkl 14.30 wib. Yamit, Zulian, Manajemen Persediaan, (Yogyakarta: Ekonisia, 2005).
90
Lampiran 1. Struktur Organisasi PT. Kharisma Pemasaran Bersama (KPB) Nusantara
92
Lampiran 2. Daftar Volume Penjualan CPO pada PT. KPBN Periode Tahun 2004-2010 (Ekspor dan Lokal)
Tahun
Bulan 2004
2005
2006
Jumlah
2007
2008
2009
2010
Januari
85,000
96,348
97,018
118,200
166,200
142,650
146,734
852,150
Februari
183,582
127,642
154,500
127,000
181,361
187,719
143,376
1,105,179
Maret
138,656
152,288
138,032
164,000
138,862
171,595
173,563
1,076,995
April
142,650
78,990
169,750
177,250
181,186
227,000
254,441
1,231,267
Mei
90,650
105,497
172,670
105,225
174,717
170,221
194,219
1,013,200
Juni
187,150
133,564
184,400
124,200
230,520
248,816
203,623
1,312,272
Juli
165,966
157,546
227,757
126,000
235,144
322,323
319,335
1,554,071
Agustus
268,350
205,487
191,500
131,200
240,889
236,527
216,704
1,490,657
September
160,379
157,221
170,589
312,500
249,015
187,086
190,200
1,426,990
Oktober
200,859
83,449
155,750
209,500
268,450
256,150
332,742
1,506,899
November
143,080
113,812
269,500
200,000
306,675
134,000
113,650
1,166,717
Desember
133,431
82,411
113,500
226,400
121,043
196,846
72,000
945,631
Total
1,899,753
1,494,252
2,044,966
2,021,475
2,494,062
2,366,933
2,360,587
14,682,028
Sumber: PT. KPBN, 2010
93
Lampiran 3. Hasil Uji Regresi Volume Penjualan CPO Terhadap Periode Waktu Pada PT. KPB Nusantara Periode Januari 2004 sampai Desember 2010 Regression Analysis: vol.penj.CPO versus periode
The regression equation is vol.penj.CPO = 133291 + 1008.3 periode Predictor Constant periode
Coef 133291 1008.3
S = 55645.2
SE Coef 12252 250.4
R-Sq = 16.5%
T 10.88 4.03
P 0.000 0.000
R-Sq(adj) = 15.5%
Analysis of Variance Source Regression Residual Error Total
DF 1 82 83
SS 50207531690 2.53904E+11 3.04111E+11
MS 50207531690 3096388694
F 16.21
P 0.000
Unusual Observations Obs 8 45 59 67 82 84
periode 8.0 45.0 59.0 67.0 82.0 84.0
vol.penj.CPO 268350 312500 306675 322323 332742 72000
Fit 141357 178664 192780 200846 215971 217987
SE Fit 10559 6104 7344 8631 11606 12035
Residual 126993 133836 113895 121477 116771 -145987
St Resid 2.32R 2.42R 2.06R 2.21R 2.15R -2.69R
R denotes an observation with a large standardized residual.
Durbin-Watson statistic = 1.50035
94
Lampiran 4. Grafik Normal Probability Plot Hasil Analisis Regresi Penjualan Crude Palm Oil (CPO) PT. KPB Nusantara Periode Januari 2004 Desember 2010
Normal Probability Plot (response is vol. Penj CPO) 99.9 99
Percent
95 90 80 70 60 50 40 30 20 10 5 1 0.1
-200000
-100000
0 Residual
100000
200000
95
Lampiran 5. Perhitungan Peramalan Penjualan CPO Menggunakan Metode Naif
Periode Data
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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49
Tahun
2004 2004 2004 2004 2004 2004 2004 2004 2004 2004 2004 2004 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2008
Penjualan CPO (ton) 85,000 183,582 138,656 142,650 90,650 187,150 165,966 268,350 160,379 200,859 143,080 133,431 96,348 127,642 152,288 78,990 105,497 133,564 157,546 205,487 157,221 83,449 113,812 82,411 97,018 154,500 138,032 169,750 172,670 184,400 227,757 191,500 170,589 155,750 269,500 113,500 118,200 127,000 164,000 177,250 105,225 124,200 126,000 131,200 312,500 209,500 200,000 226,400 166,200
Ramalan
85,000 183,582 138,656 142,650 90,650 187,150 165,966 268,350 160,379 200,859 143,080 133,431 96,348 127,642 152,288 78,990 105,497 133,564 157,546 205,487 157,221 83,449 113,812 82,411 97,018 154,500 138,032 169,750 172,670 184,400 227,757 191,500 170,589 155,750 269,500 113,500 118,200 127,000 164,000 177,250 105,225 124,200 126,000 131,200 312,500 209,500 200,000 226,400
Error
Squared Error
et
(et)
98,582 -44,926 3,994 -52,000 96,500 -21,184 102,384 -107,971 40,480 -57,779 -9,649 -37,084 31,294 24,647 -73,299 26,508 28,067 23,982 47,941 -48,266 -73,773 30,363 -31,401 14,607 57,482 -16,468 31,718 2,920 11,730 43,357 -36,257 -20,911 -14,839 113,750 -156,000 4,700 8,800 37,000 13,250 -72,025 18,975 1,800 5,200 181,300 -103,000 -9,500 26,400 -60,200
2
9,718,410,724 2,018,345,476 15,952,036 2,704,000,000 9,312,250,000 448,761,856 10,482,483,456 11,657,736,841 1,638,630,400 3,338,412,841 93,103,201 1,375,185,972 979,314,436 607,449,962 5,372,670,102 702,647,556 787,756,489 575,112,342 2,298,339,481 2,329,558,490 5,442,381,756 921,911,769 985,991,400 213,366,085 3,304,173,886 271,204,213 1,006,049,223 8,528,263 137,585,416 1,879,799,186 1,314,544,742 437,278,285 220,189,985 12,939,062,500 24,336,000,000 22,090,000 77,440,000 1,369,000,000 175,562,500 5,187,600,625 360,050,625 3,240,000 27,040,000 32,869,690,000 10,609,000,000 90,250,000 696,960,000 3,624,040,000
Absolut Error IetI 98,582 44,926 3,994 52,000 96,500 21,184 102,384 107,971 40,480 57,779 9,649 37,084 31,294 24,647 73,299 26,508 28,067 23,982 47,941 48,266 73,773 30,363 31,401 14,607 57,482 16,468 31,718 2,920 11,730 43,357 36,257 20,911 14,839 113,750 156,000 4,700 8,800 37,000 13,250 72,025 18,975 1,800 5,200 181,300 103,000 9,500 26,400 60,200
96
Lanjutan Lampiran 5 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85
2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010
181,361 138,862 181,186 174,717 230,520 235,144 240,889 249,015 268,450 306,675 121,043 142,650 187,719 171,595 227,000 170,221 248,816 322,323 236,527 187,086 256,150 134,000 196,846 146,734 143,376 173,563 254,441 194,219 203,623 319,335 216,704 190,200 332,742 113,650 72,000
166,200 181,361 138,862 181,186 174,717 230,520 235,144 240,889 249,015 268,450 306,675 121,043 142,650 187,719 171,595 227,000 170,221 248,816 322,323 236,527 187,086 256,150 134,000 196,846 146,734 143,376 173,563 254,441 194,219 203,623 319,335 216,704 190,200 332,742 113,650 72,000
Total Error MSE MAE MAPE
15,161 -42,499 42,324 -6,469 55,803 4,625 5,745 8,126 19,435 38,226 -185,633 21,608 45,069 -16,125 55,405 -56,779 78,594 73,507 -85,796 -49,441 69,063 -122,150 62,846 -50,113 -3,358 30,187 80,878 -60,222 9,404 115,713 -102,631 -26,505 142,543 -219,092 -41,650
229,849,705 1,806,136,442 1,791,305,401 41,848,621 3,113,968,894 21,387,193 33,000,062 66,032,039 377,703,677 1,461,211,021 34,459,436,194 466,884,488 2,031,201,240 260,007,563 3,069,767,214 3,223,809,418 6,177,085,999 5,403,295,221 7,360,950,184 2,444,387,167 4,769,746,589 14,920,519,406 3,949,651,265 2,511,282,300 11,273,773 911,243,921 6,541,318,175 3,626,701,931 88,429,969 13,389,428,941 10,533,118,056 702,509,724 20,318,454,963 48,001,478,861 1,734,722,500
15,161 42,499 42,324 6,469 55,803 4,625 5,745 8,126 19,435 38,226 185,633 21,608 45,069 16,125 55,405 56,779 78,594 73,507 85,796 49,441 69,063 122,150 62,846 50,113 3,358 30,187 80,878 60,222 9,404 115,713 102,631 26,505 142,543 219,092 41,650
-13,000
380,835,300,239 4588377111
4,216,980 50806.98916
96
f
Absolute Percentage Error (IetI/yt)(100) 53.699 32.401 2.800 57.363 51.563 12.764 38.153 67.322 20.153 40.382 7.231 38.489 24.517 16.184 92.795 25.126 21.014 15.222 23.330 30.699 88.405 26.678 38.102 15.056 37.205 11.931 18.685 1.691 6.361 19.036 18.933 12.258 9.527 42.208 137.445 3.976 6.929 22.561 7.475 68.449 15.278 1.429 3.963 58.016 49.165 4.750 11.661 36.221
96
8.359 30.605 23.359 3.703 24.207 1.967 2.385 3.263 7.240 12.465 153.361 15.147 24.009 9.397 24.408 33.356 31.587 22.805 36.273 26.427 26.962 91.156 31.927 34.152 2.342 17.392 31.787 31.007 4.618 36.235 47.360 13.935 42.839 192.778 57.847
2601.268
31.34057417
96
Lampiran 6. Perhitungan Metode Rata-rata Bergerak (Moving Average) dengan Ordo 12 Periode Data
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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
Tahun
2004 2004 2004 2004 2004 2004 2004 2004 2004 2004 2004 2004 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2007 2007 2007 2007 2007 2007 2007 2007 2007
Penjualan CPO (ton) 85,000 183,582 138,656 142,650 90,650 187,150 165,966 268,350 160,379 200,859 143,080 133,431 96,348 127,642 152,288 78,990 105,497 133,564 157,546 205,487 157,221 83,449 113,812 82,411 97,018 154,500 138,032 169,750 172,670 184,400 227,757 191,500 170,589 155,750 269,500 113,500 118,200 127,000 164,000 177,250 105,225 124,200 126,000 131,200 312,500
Jumlah
1,899,753 1,911,101 1,855,160 1,868,792 1,805,132 1,819,979 1,766,393 1,757,972 1,695,109 1,691,951 1,574,540 1,545,272 1,494,252 1,494,922 1,521,781 1,507,524 1,598,285 1,665,458 1,716,294 1,786,505 1,772,519 1,785,887 1,858,188 2,013,877 2,044,966 2,066,147 2,038,647 2,064,616 2,072,116 2,004,670 1,944,470 1,842,714 1,782,414 1,924,325
Ramalan MA (12) (tahunan)
158312.75 159258.375 154596.667 155732.667 150427.625 151664.875 147199.375 146497.667 141259.042 140995.875 131211.667 128772.625 124520.958 124576.838 126815.046 125627.023 133190.398 138788.175 143024.508 148875.437 147709.896 148823.879 154849.004 167823.046 170413.796 172178.958 169887.291 172051.314 172676.314 167055.871 162039.204 153559.483 148534.483
Error
Squared Error
Absolut Error
et
(et)2
IetI
-61,965 -31,617 -2,309 -76,743 -44,931 -18,101 10,346 58,989 15,962 -57,547 -17,400 -46,362 -27,503 29,923 11,217 44,123 39,480 45,612 84,732 42,625 22,879 6,926 114,651 -54,323 -52,214 -45,179 -5,887 5,199 -67,451 -42,856 -36,039 -22,359 163,966
3,839,692,208 999,626,785 5,329,942 5,889,513,630 2,018,761,063 327,641,676 107,042,303 3,479,682,458 254,784,114 3,311,700,369 302,765,800 2,149,400,273 756,409,637 895,395,624 125,813,791 1,946,837,092 1,558,664,156 2,080,438,610 7,179,536,057 1,816,853,350 523,444,267 47,971,153 13,144,850,903 2,950,993,281 2,726,280,449 2,041,138,208 34,660,194 27,026,334 4,549,679,783 1,836,625,672 1,298,824,243 499,946,495 26,884,690,656
61,965 31,617 2,309 76,743 44,931 18,101 10,346 58,989 15,962 57,547 17,400 46,362 27,503 29,923 11,217 44,123 39,480 45,612 84,732 42,625 22,879 6,926 114,651 54,323 52,214 45,179 5,887 5,199 67,451 42,856 36,039 22,359 163,966
98
Lanjutan Lampiran 6 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85
2007 2007 2007 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2008 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010
209,500 200,000 226,400 166,200 181,361 138,862 181,186 174,717 230,520 235,144 240,889 249,015 268,450 306,675 121,043 142,650 187,719 171,595 227,000 170,221 248,816 322,323 236,527 187,086 256,150 134,000 196,846 146,734 143,376 173,563 254,441 194,219 203,623 319,335 216,704 190,200 332,742 113,650 72,000
1,978,075 1,908,575 2,021,475 2,069,475 2,123,836 2,098,698 2,102,634 2,172,126 2,278,446 2,387,590 2,497,279 2,433,794 2,492,744 2,599,419 2,494,062 2,470,513 2,476,871 2,509,603 2,555,418 2,550,922 2,569,218 2,656,396 2,652,034 2,590,106 2,577,806 2,405,130 2,480,933 2,485,017 2,440,673 2,442,641 2,470,083 2,494,080 2,448,887 2,445,900 2,426,077 2,429,190 2,505,783 2,485,433 2,360,587
160360.417 164839.583 159047.917 168456.25 172456.25 176986.316 174891.494 175219.489 181010.481 189870.468 198965.84 208106.594 202816.181 207728.652 216618.272 207838.515 205876.05 206405.922 209133.622 212951.459 212576.835 214101.501 221366.374 221002.868 215842.133 214817.127 200427.507 206744.452 207084.713 203389.433 203553.451 205840.213 207840.016 204073.926 203824.969 202173.094 202432.541 208815.276 207119.442 196715.588 Total error MSE MAE MAPE
49,140 35,160 67,352 -2,256 8,905 -38,124 6,294 -503 49,509 45,274 41,923 40,908 65,633 98,947 -95,575 -65,188 -18,157 -34,811 17,866 -42,730 36,239 108,221 15,161 -33,917 40,307 -80,817 -3,581 -60,011 -63,709 -29,827 50,888 -11,621 -4,217 115,262 12,880 -11,974 130,310 -95,165 -135,119
2,414,698,650 1,236,254,900 4,536,303,129 5,090,664 79,290,922 1,453,453,501 39,620,141 252,600 2,451,176,950 2,049,735,468 1,757,554,670 1,673,501,800 4,307,752,231 9,790,466,856 9,134,649,821 4,249,487,665 329,668,642 1,211,833,738 319,207,481 1,825,857,964 1,313,265,514 11,711,882,024 229,843,666 1,150,338,627 1,624,690,122 6,531,408,017 12,825,395 3,601,307,769 4,058,811,495 889,632,356 2,589,557,324 135,051,679 17,785,248 13,285,221,220 165,881,816 143,365,045 16,980,658,962 9,056,429,661 18,257,263,651
49,140 35,160 67,352 2,256 8,905 38,124 6,294 -503 49,509 45,274 41,923 40,908 65,633 98,947 95,575 65,188 18,157 34,811 17,866 42,730 36,239 108,221 15,161 33,917 40,307 80,817 3,581 60,011 63,709 29,827 50,888 11,621 4,217 115,262 12,880 11,974 130,310 95,165 135,119
194,719
236233097959 3281015249
3269892 45415
98
Absolute Percentage Error (IetI/yt)(100)
64.314 24.770 1.516 97.156 42.589 13.552 6.567 28.707 10.153 68.962 15.289 56.257 28.348 19.368 8.126 25.993 22.864 24.735 37.203 22.258 13.412 4.447 42.542 47.862 44.174 35.574 3.590 2.933 64.102 34.506 28.603 17.042 52.469
98
23.456 17.580 29.749 1.358 4.910 27.455 3.474 -0.288 21.477 19.254 17.404 16.428 24.449 32.264 78.960 45.698 9.672 20.287 7.871 25.103 14.565 33.575 6.410 18.129 15.736 60.311 1.819 40.898 44.435 17.185 20.000 5.984 2.071 36.094 5.943 6.295 39.162 83.735 187.666
2077
29
98
Lampiran 7. Hasil Perhitungan Metode Pemulusan Eksponensial Tunggal (Single Exponential Smoothing) untuk Volume Penjualan CPO Data Length
vol. Penj CPO 84
Smoothing Constant
Accuracy Measures Alpha 0.1 MAPE MAD MSD
28 44434 3241386465
Smoothing Plot for vol. Penj CPO Single Exponential Method 350000
Variable A ctual Fits
vol. Penj CPO
300000
Smoothing C onstant A lpha 0.1
250000
A ccuracy Measures MA PE 28 MA D 44434 MSD 3241386465
200000 150000 100000
1
Time 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
vol. Penj CPO 85000 183582 138656 142650 90650 187150 165966 268350 160379 200859 143080 133431 96348 127642 152288 78990 105497 133564 157546 205487
Smooth 132653 137746 137837 138318 133552 138911 141617 154290 154899 159495 157854 155411 149505 147319 147816 140933 137389 137007 139061 145703
8
Predict 137948 132653 137746 137837 138318 133552 138911 141617 154290 154899 159495 157854 155411 149505 147319 147816 140933 137389 137007 139061
16
24
32
40 48 Index
56
64
72
80
Error -52948 50929 910 4813 -47668 53598 27055 126733 6089 45960 -16415 -24423 -59063 -21863 4969 -68826 -35436 -3825 20539 66426
1
Lanjutan Lampiran 7. 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84
157221 83449 113812 82411 97018 154500 138032 169750 172670 184400 227757 191500 170589 155750 269500 113500 118200 127000 164000 177250 105225 124200 126000 131200 312500 209500 200000 226400 166200 181361 138862 181186 174717 230520 235144 240889 249015 268450 306675 121043 142650 187719 171595 227000 170221 248816 322323 236527 187086 256150 134000 196846 146734 143376 173563 254441 194219 203623 319335 216704 190200 332742 113650 72000
146855 140515 137844 132301 128773 131345 132014 135788 139476 143968 152347 156262 157695 157501 168701 163180 158682 155514 156363 158451 153129 150236 147812 146151 162786 167457 170712 176281 175272 175881 172179 173080 173244 178971 184589 190219 196098 203333 213668 204405 198230 197179 194620 197858 195094 200467 212652 215040 212244 216635 208371 207219 201170 195391 193208 199331 198820 199300 211304 211844 209680 221986 211152 197237
145703 146855 140515 137844 132301 128773 131345 132014 135788 139476 143968 152347 156262 157695 157501 168701 163180 158682 155514 156363 158451 153129 150236 147812 146151 162786 167457 170712 176281 175272 175881 172179 173080 173244 178971 184589 190219 196098 203333 213668 204405 198230 197179 194620 197858 195094 200467 212652 215040 212244 216635 208371 207219 201170 195391 193208 199331 198820 199300 211304 211844 209680 221986 211152
11518 -63406 -26703 -55433 -35283 25727 6687 37736 36882 44924 83789 39153 14327 -1945 111999 -55201 -44980 -31682 8486 20887 -53226 -28929 -24236 -16612 166349 46714 32543 55688 -10081 6089 -37019 9007 1637 57276 56173 56300 58796 72352 103342 -92625 -61755 -10511 -25584 32380 -27637 53722 121856 23875 -27954 43906 -82635 -11525 -60485 -57794 -21828 61233 -5112 4803 120035 5400 -21644 123062 -108336 -139152
2
Lampiran 8. Hasil Perhitungan Metode Pemulusan Eksponensial Ganda (Double Exponential Smoothing) untuk Volume Penjualan CPO Data vol.penj cpo Length 84 Smoothing Constants Alpha (level) 0.10 Gamma (trend) 0.01 Accuracy Measures MAPE 29 MAD 44680 MSD 3216539234 Double Exponential Smoothing Plot for vol.penj cpo 350000
Variable A ctual Fits
vol.penj cpo
300000
Smoothing C onstants A lpha (lev el) 0.10 Gamma (trend) 0.01
250000
A ccuracy Measures MA PE 29 MA D 44680 MSD 3216539234
200000
150000
100000
1
vol.penj Time cpo 1 85000 2 183582 3 138656 4 142650 5 90650 6 187150 7 165966 8 268350 9 160379 10 200859 11 143080 12 133431 13 96348 14 127642 15 152288 16 78990 17 105497 18 133564 19 157546 20 205487 21 157221 22 83449 23 113812
8
Smooth 129369 135654 136865 138356 134503 140641 144093 157460 158805 164064 163057 161165 155727 153902 154698 148082 144710 144442 146588 153325 154614 148399 145777
16
24
Predict 134299 130328 136666 137879 139375 135473 141663 145139 158630 159976 165276 164247 162324 156820 154966 155759 149067 145651 145371 147529 154324 155616 149329
32
40 48 Index
Error -49299 53254 1990 4771 -48725 51677 24303 123211 1749 40883 -22196 -30816 -65976 -29178 -2678 -76769 -43570 -12087 12175 57958 2897 -72167 -35517
56
24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
64
72
80
82411 97018 154500 138032 169750 172670 184400 227757 191500 170589 155750 269500 113500 118200 127000 164000 177250 105225 124200 126000 131200 312500 209500 200000 226400
140245 136669 139160 139770 143489 147154 151651 160067 164084 165635 165552 176842 171496 167097 163969 164816 166903 161589 158648 156147 154385 170906 175617 178941 184593
146671 141075 137455 139963 140571 144319 148012 152546 161037 165084 166641 166547 177940 172530 168076 164907 165754 167852 162476 159496 156961 155174 171852 176601 179948
-64260 -44057 17045 -1931 29179 28351 36388 75211 30463 5505 -10891 102953 -64440 -54330 -41076 -907 11496 -62627 -38276 -33496 -25761 157326 37648 23399 46452
102
Lanjutan Lampiran 8. 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84
166200 181361 138862 181186 174717 230520 235144 240889 249015 268450 306675 121043 142650 187719 171595 227000 170221 248816 322323 236527 187086 256150 134000 196846 146734 143376 173563 254441 194219 203623 319335 216704 190200 332742 113650 72000
183702 184399 180773 181700 181887 187628 193301 199022 205026 212417 222948 213946 207912 206923 204401 207639 204895 210250 222459 224967 222292 226755 218587 217435 211367 205505 203186 209157 208554 208938 220849 221404 219248 231534 220782 206834
185647 184736 185429 181757 182683 182862 188651 194370 200138 206191 213645 224268 215163 209056 208046 205488 208747 205965 211363 223682 226203 223489 227985 219723 218548 212408 206478 204126 210147 209528 209906 221926 222476 220288 232686 221816
-19447 -3375 -46567 -571 -7966 47658 46493 46519 48877 62259 93030 -103225 -72513 -21337 -36451 21512 -38526 42851 110960 12845 -39117 32661 -93985 -22877 -71814 -69032 -32915 50315 -15928 -5905 109429 -5222 -32276 112454 -119036 -149816
103
104
Lampiran 9. Perhitungan Peramalan Penjualan Metode Least Squared Periode Data 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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51
Tahun 2004 2004 2004 2004 2004 2004 2004 2004 2004 2004 2004 2004 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2008 2008 2008
Penjualan (Y) 85000 183582 138656 142650 90650 187150 165966 268350 160379 200859 143080 133431 96348 127642 152288 78990 105497 133564 157546 205487 157221 83449 113812 82411 97018 154500 138032 169750 172670 184400 227757 191500 170589 155750 269500 113500 118200 127000 164000 177250 105225 124200 126000 131200 312500 209500 200000 226400 166200 181361 138862
Periode waktu (X) -83 -81 -79 -77 -75 -73 -71 -69 -67 -65 -63 -61 -59 -57 -55 -53 -51 -49 -47 -45 -43 -41 -39 -37 -35 -33 -31 -29 -27 -25 -23 -21 -19 -17 -15 -13 -11 -9 -7 -5 -3 -1 1 3 5 7 9 11 13 15 17
XY
X2
Y'= 176143.23 + 504.15 X
-7055000 -14870142 -10953824 -10984050 -6798750 -13661950 -11783586 -18516150 -10745393 -13055835 -9014040 -8139291 -5684532 -7275594 -8375840 -4186470 -5380347 -6544636 -7404662 -9246915 -6760503 -3421409 -4438668 -3049207 -3395630 -5098500 -4278992 -4922750 -4662090 -4610000 -5238411 -4021500 -3241191 -2647750 -4042500 -1475500 -1300200 -1143000 -1148000 -886250 -315675 -124200 126000 393600 1562500 1466500 1800000 2490400 2160600 2720415 2360654
6889 6561 6241 5929 5625 5329 5041 4761 4489 4225 3969 3721 3481 3249 3025 2809 2601 2401 2209 2025 1849 1681 1521 1369 1225 1089 961 841 729 625 529 441 361 289 225 169 121 81 49 25 9 1 1 9 25 49 81 121 169 225 289
134298.78 135307.08 136315.38 137323.68 138331.98 139340.28 140348.58 141356.88 142365.18 143373.48 144381.78 145390.08 146398.38 147406.68 148414.98 149423.28 150431.58 151439.88 152448.18 153456.48 154464.78 155473.08 156481.38 157489.68 158497.98 159506.28 160514.58 161522.88 162531.18 163539.48 164547.78 165556.08 166564.38 167572.68 168580.98 169589.28 170597.58 171605.88 172614.18 173622.48 174630.78 175639.08 176647.38 177655.68 178663.98 179672.28 180680.58 181688.88 182697.18 183705.48 184713.78
105
Lanjutan Lampiran 9. 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 Jumlah
2008 2008 2008 2008 2008 2008 2008 2008 2008 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2009 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010 2010
∑Y Nilai a ∑XY Nilai b
181186 174717 230520 235144 240889 249015 268450 306675 121043 142650 187719 171595 227000 170221 248816 322323 236527 187086 256150 134000 196846 146734 143376 173563 254441 194219 203623 319335 216704 190200 332742 113650 72000 14796031 14796031 176143.23 99589135 504.15
19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 81 83 0
3442534 3669057 5301960 5878600 6504003 7221435 8321950 10120275 4236505 5278050 7321041 7035395 9761000 7659945 11694352 15793827 12062877 9915558 14088250 7638000 11613914 8950774 9032688 11281595 17047547 13401111 14457233 23311455 16252800 14645400 26286618 9205650 5976000 99589135
361 441 529 625 729 841 961 1089 1225 1369 1521 1681 1849 2025 2209 2401 2601 2809 3025 3249 3481 3721 3969 4225 4489 4761 5041 5329 5625 5929 6241 6561 6889 197540
185722.08 186730.38 187738.68 188746.98 189755.28 190763.58 191771.88 192780.18 193788.48 194796.78 195805.08 196813.38 197821.68 198829.98 199838.28 200846.58 201854.88 202863.18 203871.48 204879.78 205888.08 206896.38 207904.68 208912.98 209921.28 210929.58 211937.88 212946.18 213954.48 214962.78 215971.08 216979.38 217987.68 176143.23
Dimana a = ∑Y/n b = ∑XY/X2
Persamaan ( Y = a + bx) Y'= 176143.23 + 504.15 X
105
Lampiran 10. Perhitungan Peramalan Penjualan CPO Metode Indeks Musiman Bulan Januari Tahun Bulan Penjualan Periode Y'= 176143.23 + 504.15 X Rasio Penjualan (Y) (X) Terhadap Trend 2004 Januari 85000 -83 134298.78 0.63 2005 Januari 96348 -59 146398.38 0.66 2006 Januari 97018 -35 158497.98 0.61 2007 Januari 118,200 -11 170597.58 0.69 2008 Januari 166,200 13 182697.18 0.91 2009 Januari 142,650 37 194796.78 0.73 2010 Januari 146,734 61 206896.38 0.71 total 4.95 Rata-rata 0.71 Ket: 1-0.71 = 0.29 hal ini mengindikasikan 29% penjualan berada di bawah nilai trend tiap tahun Peramalan bulan januari 2011 Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 0.71 2011 Januari 85 218995.98 154,774.63 Bulan Februari Tahun Bulan
Penjualan Periode (Y) (X) 183,582 -81 127,642 -57 154,500 -33 127,000 -9 181,361 15 187,719 39 143,376 63
Y'= 176143.23 + 504.15 X
Rasio Penjualan Terhadap Trend 2004 Februari 135307.08 1.36 2005 Februari 147406.68 0.87 2006 Februari 159506.28 0.97 2007 Februari 171605.88 0.74 2008 Februari 183705.48 0.99 2009 Februari 195805.08 0.96 2010 Februari 207904.68 0.69 total 6.57 rata-rata 0.94 Ket: 1-0.94 = 0.06 hal ini mengindikasikan 6% penjualan berada dibawah tren tiap tahun Peramalan Bulan Februari 2011 Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 0.94 2011 Februari 86 219500.13 205,920.74
e=Y-Y' -49299 -50050 -61480 -52398 -16497 -52147 -60162
e=Y-Y' 48275 -19765 -5006 -44606 -2344 -8086 -64529
e2 2430369709.49 2505040538.14 3779787940.80 2745506389.86 272156947.95 2719286664.37 3619511967.26
e2 2330467901.01 390642575.50 25062839.44 1989684530.57 5496586.47 65384689.77 4163950542.54
IeI 49299 50050 61480 52398 16497 52147 60162
IeI 48275 19765 5006 44606 2344 8086 64529
Percentage error 57.99882353 51.9471084 63.36968398 44.32994924 9.92599278 36.55590606 41.0007224
Percentage error 26.29615104 15.48471506 3.24012945 35.12283465 1.292449865 4.307502171 45.00683517
111
Bulan Maret Tahun
Rasio Penjualan Terhadap Trend 2004 Maret 136315.38 1.02 2005 Maret 148414.98 1.03 2006 Maret 160514.58 0.86 2007 Maret 172614.18 0.95 2008 Maret 184713.78 0.75 2009 Maret 196813.38 0.87 2010 Maret 208912.98 0.83 total 6.31 rata-rata 0.90 Ket : 1-0.90= 0.10 hal ini mengindikasikan 1% Penjualan berada di bawah tren tiap tahun Peramalan Bulan Maret 2011 Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 0.90 2011 Maret 87 220004.28 198,246.56 Bulan April Tahun
Bulan
Bulan
Penjualan Periode (Y) (X) 138,656 -79 152,288 -55 138,032 -31 164,000 -7 138,862 17 171,595 41 173,563 65
Y'= 176143.23 + 504.15 X
Penjualan Periode (Y) (X) 142,650 -77 78,990 -53 105,497 -29 177,250 -5 181,186 19 227,000 43 254,441 67
Y'= 176143.23 + 504.15 X
Rasio Penjualan Terhadap Trend 2004 April 137323.68 1.04 2005 April 149423.28 0.53 2006 April 161522.88 0.65 2007 April 173622.48 1.02 2008 April 185722.08 0.98 2009 April 197821.68 1.15 2010 April 209921.28 1.21 Total 6.58 Rata-rata 0.94 Ket: 1-0.94 = 0.06 hal ini mengindikasikan 6% penjualan berada di bawah Trend tiap tahun Peramalan Bulan April 2011 Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 0.94 2011 April 88 220508.43 207,170.95
e=Y-Y' 2,341 3,873 -22,483 -8,614 -45,852 -25,218 -35,350
e=Y-Y' 5,326 -70,433 -56,026 3,628 -4,536 29,178 44,520
e2 5478501.98 15000283.92 505466403.46 74204097.07 2102385729.17 635966689.82 1249621086.00
e2 28369684.74 4960846931.56 3138899229.77 13158901.35 20576021.77 851374358.02 1982005468.88
IeI 2,341 3,873 22,483 8,614 45,852 25,218 35,350
IeI 5,326 70,433 56,026 3,628 4,536 29,178 44,520
Percentage error 1.688076967 2.54322074 16.288252 5.252439024 33.01983264 14.69623241 20.36724417
Percentage error 3.733838065 89.16698316 53.10672341 2.046555712 2.503504686 12.85388546 17.49707005
111
Bulan Mei Tahun
Bulan
Rasio Penjualan Terhadap Trend 2004 Mei 138331.98 0.66 2005 Mei 150431.58 0.70 2006 Mei 162531.18 1.06 2007 Mei 174630.78 0.60 2008 Mei 186730.38 0.94 2009 Mei 198829.98 0.86 2010 Mei 210929.58 0.92 Total 5.73 Rata-rata 0.82 Ket : 1-0.82 = 0.18, Hal ini mngindikasikan 18% Penjualan berada di bawah Tren tiap tahun Peramalan Bulan Mei 2011 Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 0.82 2011 Mei 89 221012.58 181,043.89 Bulan Juni Tahun
Bulan
2004 2005 2006 2007 2008 2009 2010
Juni Juni Juni Juni Juni Juni Juni
Penjualan Periode (Y) (X) 90,650 -75 105,497 -51 172,670 -27 105,225 -3 174,717 21 170,221 45 194,219 69
Y'= 176143.23 + 504.15 X
Penjualan Periode (Y) (X) 187,150 -73 133,564 -49 184,400 -25 124,200 -1 230,520 23 248,816 47 203,623 71
Y'= 176143.23 + 504.15 X 139340.28 151439.88 163539.48 175639.08 187738.68 199838.28 211937.88
Total Rata-rata Ket : 1-1.07 =-0.07 , hal ini mengindikasikan bahwa 7% Penjualan secara normal Peramalan Bulan Mei 2011 Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X 2011 juni 90 221516.73
e=Y-Y' -47681.98 -44934.58 10138.82 -69405.78 -12013.38 -28608.98 -16710.58
Rasio Penjualan e=Y-Y' Terhadap Trend 1.34 47,810 0.88 -17,876 1.13 20,861 0.71 -51,439 1.23 42,781 1.25 48,978 0.96 -8,315 7.49 1.07 berada diatas Tren bulan tersebut
e2 2273571216.72 2019116479.78 102795670.99 4817162297.41 144321299.02 818473736.64 279243483.94
e2 2285769326.48 319547085.77 435161294.67 2645978951.25 1830241340.94 2398817056.40 69137229.41
IeI 47681.98 44934.58 10138.82 69405.78 12013.38 28608.98 16710.58
IeI 47,810 17,876 20,861 50,439 42,781 48,978 8,315
Percentage error 52.60008825 42.59323014 5.87179012 65.95940128 6.875907897 16.80696271 8.603988281
Percentage error 25.54620358 13.38384595 11.31264642 40.61111111 18.5586153 19.68431291 4.08352691
Y' x 1.07 237,133.50
111
Bulan Juli Tahun
Bulan
Rasio Penjualan e=Y-Y' Terhadap Trend 2004 Juli 140348.58 1.18 25,617 2005 Juli 152448.18 1.03 5,098 2006 Juli 164547.78 1.38 63,209 2007 Juli 176647.38 0.71 -50,647 2008 Juli 188746.98 1.25 46,397 2009 Juli 200846.58 1.60 121,476 2010 Juli 212946.18 1.50 106,389 Total 8.66 Rata-rata 1.24 Ket : 1-1.24 = -0.24 , Hal ini mengindikasikan bahwa 24% Penjualan secara normal berada diatas tren bulan tersebut Peramalan Bulan Juli 2011 Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 1.24 2011 Juli 91 222020.88 274,786.79 Bulan Agustus Tahun Bulan
Penjualan Periode (Y) (X) 165,966 -71 157,546 -47 227,757 -23 126,000 1 235,144 25 322,323 49 319,335 73
Y'= 176143.23 + 504.15 X
Penjualan Periode (Y) (X) 268,350 -69 205,487 -45 191,500 -21 131,200 3 240,889 27 236,527 51 216,704 75
Y'= 176143.23 + 504.15 X
Rasio Penjualan e=Y-Y' Terhadap Trend 2004 Agustus 141356.88 1.90 126,993 2005 Agustus 153456.48 1.34 52,031 2006 Agustus 165556.08 1.16 25,944 2007 Agustus 177655.68 0.74 -46,456 2008 Agustus 189755.28 1.27 51,134 2009 Agustus 201854.88 1.17 34,672 2010 Agustus 213954.48 1.01 2,750 Total 8.59 Rata-rata 1.23 Ket : 1-1.23 = -0.23 , Hal ini mengindikasikan bahwa 23% Penjualan berada diatas normal Tren bulan tersebut Peramalan Bulan Agustus 2011 Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 1.23 2011 Agustus 92 222525.03 272,966.66
e2 656252207.46 25987768.75 3995405493.01 2565157100.86 2152683464.88 14756520616.02 11318581020.99
e2 16127252527.33 2707175011.47 673086984.97 2158130204.26 2614657321.04 1202155905.29 7559860.23
IeI 25,617 5,098 63,209 50,647 46,397 121,476 106,389
IeI 126,993 52,031 25,944 -46,456 51,134 34,672 2,750
Percentage error 15.43534218 3.235766062 27.75292088 40.19603175 19.73132208 37.68779144 33.31574052
Percentage error 47.32368921 25.32058962 13.5477389 -35.40829268 21.22708799 14.65884233 1.268790608
111
Bulan September Tahun Bulan
Rasio Penjualan e=Y-Y' Terhadap Trend 2004 September 142365.18 1.13 18,014 2005 September 154464.78 1.02 2,756 2006 September 166564.38 1.02 4,025 2007 September 178663.98 1.75 133,836 2008 September 190763.58 1.31 58,251 2009 September 202863.18 0.92 -15,777 2010 September 214962.78 0.88 -24,763 Total 8.03 Rata-rata 1.15 Ket : 1-1.15 = -0.15 , hal Ini mengndikasikan bahwa 15% Penjualan secara normal berada di atas Tren bulan tersebut Peramalan Bulan September 2011 Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 1.15 2011 September 93 223029.18 255,847.07 Bulan Oktober Tahun Bulan
Penjualan Periode (Y) (X) 160,379 -67 157,221 -43 170,589 -19 312,500 5 249,015 29 187,086 53 190,200 77
Y'= 176143.23 + 504.15 X
Penjualan Periode (Y) (X) 200,859 -65 83,449 -41 155,750 -17 209,500 7 268,450 31 256,150 55 332,742 79
Y'= 176143.23 + 504.15 X
Rasio Penjualan e=Y-Y' Terhadap Trend 2004 Oktober 143373.48 1.40 57,486 2005 Oktober 155473.08 0.54 -72,024 2006 Oktober 167572.68 0.93 -11,823 2007 Oktober 179672.28 1.17 29,828 2008 Oktober 191771.88 1.40 76,678 2009 Oktober 203871.48 1.26 52,279 2010 Oktober 215971.08 1.54 116,771 Total 8.23 Rata-rata 1.18 Ket : 1-1.18 = -0.18 , Hal ini mengindikasikan bahwa 18% Penjualan secara normal berada diatas tren bulan tersebut Peramalan Bulan Oktober 2011 Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 1.18 2011 Oktober 94 223533.33 262,814.48
e2 324497710.99 7596748.69 16197566.14 17912080249.44 3393227932.02 248919408.75 613195273.33
e2 3304585009.67 5187468099.85 139775762.38 889692880.40 5879534086.73 2733043653.39 13635447757.65
IeI 18,014 2,756 4,025 133,836 58,251 15777 24763
IeI 57,486 72,024 11,823 29,828 76,678 52,279 116,771
Percentage error 11.23203163 1.75308642 2.359249424 42.8275264 23.39273538 8.433020108 13.01945321
Percentage error 28.6198378 86.3090031 7.591011236 14.23757518 28.56327808 20.40933828 35.09353193
111
Bulan November Tahun Bulan
Rasio Penjualan e=Y-Y' Terhadap Trend 2004 November 144381.78 0.99 -1,302 2005 November 156481.38 0.73 -42,669 2006 November 168580.98 1.60 100,919 2007 November 180680.58 1.11 19,319 2008 November 192780.18 1.59 113,895 2009 November 204879.78 0.65 -70,880 2010 November 216979.38 0.52 -103,329 Total 7.19 Rata-rata 1.03 Ket: 1-1.03 = -0.03 , Hal ini mengindikasikan bahwa 3% Penjualan secara normal berada di atas tren pada bulan ini Peramalan Bulan November 2011 Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 1.03 2011 November 95 224037.48 230,198.31 Bulan Desember Tahun Bulan
Penjualan Periode (Y) (X) 143,080 -63 113,812 -39 269,500 -15 200,000 9 306,675 33 134,000 57 113,650 81
Y'= 176143.23 + 504.15 X
Penjualan Periode (Y) (X) 133,431 -61 82,411 -37 113,500 -13 226,400 11 121,043 35 196,846 59 72,000 83
Y'= 176143.23 + 504.15 X
Rasio Penjualan e=Y-Y' Terhadap Trend 2004 Desember 145390.08 0.92 -11,959 2005 Desember 157489.68 0.52 -75,079 2006 Desember 169589.28 0.67 -56,089 2007 Desember 181688.88 1.25 44,711 2008 Desember 193788.48 0.62 -72,745 2009 Desember 205888.08 0.96 -9,042 2010 Desember 217987.68 0.33 -145,988 Total 5.27 Rata-rata 0.75 Ket: 1-0.75= 0.25 , Hal ini mengindikasikan bahwa 25% Penjualan berada di bawah tren bulan tersebut Peramalan Bulan Desember 2011 Tahun Bulan Periode(X) Y'= 176143.23 + 504.15 X Y' x 0.75 2011 Desember 96 224541.63 168,963.22 Jumlah Jumlah e2 Nilai MSE nilai MAE nilai MAPE
e2 1694631.17 1820675989.58 10184648597.76 373239989.14 12972030022.83 5023943212.85 10676960771.18
e2 143019594.45 5636808190.54 3146007330.92 1999084251.65 5291904860.43 81759210.73 21312402711.78
IeI 1,302 42,669 100,919 19,319 113,895 70,880 103,329
IeI 11,959 75,079 56,079 44,711 72,745 9,042 145,988
e IeI -64253.32 3566702.14 256975086671.13 3059227222.28 42460.74 27.80
Percentage error 0.909980431 37.49077426 37.44676067 9.65971 37.13860602 52.89552239 90.91860977
Percentage error 8.962684833 91.10312944 49.40881057 19.74872792 60.0984774 4.593438526 202.7611111
% error 2335.404676
111
periode 85 86 87 88 89 90 91 92 93 94 95 96
peramalan IM jumlah penjualan trend kuadratik selisih jan 154,774.63 213913 59,138.37 feb 205,920.74 214562 8,641.26 mar 198,246.56 215204 16,957.44 apr 207,170.95 215836 8,665.05 mei 181,043.89 216461 35,417.11 jun 237,133.50 217077 -20,056.50 jul 274,786.79 217685 -57,101.79 ags 272,966.66 218284 -54,682.66 sept 255,847.07 218875 -36,972.07 okt 262,814.48 219458 -43,356.48 nov 230,198.31 220032 -10,166.31 des 168,963.22 220598 51,634.78
Lampiran 11. Nilai Perhitungan Peramalan Metode Trend Analysis Model Regresi Lenier Sederhana Volume Penjualan CPO Trend Analysis for vol.penj.CPO Data Length NMissing
vol.penj.CPO 84 0
Fitted Trend Equation Yt = 133291 + 1008.29*t Accuracy Measures MAPE 28 MAD 43010 MSD 3022665154 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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
vol.penj.CPO 85000 183582 138656 142650 90650 187150 165966 268350 160379 200859 143080 133431 96348 127642 152288 78990 105497 133564 157546 205487 157221 83449 113812 82411 97018 154500 138032 169750 172670 184400 227757 191500 170589 155750 269500 113500 118200 127000 164000 177250 105225 124200 126000 131200 312500 209500 200000 226400 166200 181361
Trend 134299 135307 136316 137324 138332 139341 140349 141357 142365 143374 144382 145390 146399 147407 148415 149423 150432 151440 152448 153457 154465 155473 156482 157490 158498 159506 160515 161523 162531 163540 164548 165556 166564 167573 168581 169589 170598 171606 172614 173622 174631 175639 176647 177656 178664 179672 180681 181689 182697 183705
Detrend -49299 48275 2340 5326 -47682 47809 25617 126993 18014 57485 -1302 -11959 -50051 -19765 3873 -70433 -44935 -17876 5098 52030 2756 -72024 -42670 -75079 -61480 -5006 -22483 8227 10139 20860 63209 25944 4025 -11823 100919 -56089 -52398 -44606 -8614 3628 -69406 -51439 -50647 -46456 133836 29828 19319 44711 -16497 -2344
51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84
138862 181186 174717 230520 235144 240889 249015 268450 306675 121043 142650 187719 171595 227000 170221 248816 322323 236527 187086 256150 134000 196846 146734 143376 173563 254441 194219 203623 319335 216704 190200 332742 113650 72000
184714 185722 186730 187739 188747 189755 190763 191772 192780 193788 194797 195805 196813 197822 198830 199838 200846 201855 202863 203871 204880 205888 206896 207904 208913 209921 210929 211938 212946 213954 214963 215971 216979 217987
-45852 -4536 -12013 42781 46397 51134 58252 76678 113895 -72745 -52147 -8086 -25218 29178 -28609 48978 121477 34672 -15777 52279 -70880 -9042 -60162 -64528 -35350 44520 -16710 -8315 106389 2750 -24763 116771 -103329 -145987
112
117
118
Lampiran 12. Perhitungan Peramalan Menggunakan Metode Trend Analysis Model Regresi Non Lenier (Kuadratik) Volume Penjualan CPO Terhadap Waktu Trend Analysis for vol.penj.CPO vol.penj.CPO Data Length 84 NMissing 0 Fitted Trend Equation Yt = 128208 + 1362.91*t - 4.17196*t**2 Accuracy Measures MAPE 28 MAD 43083 MSD 3017854357 vol. 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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46
penj.CPO 85000 183582 138656 142650 90650 187150 165966 268350 160379 200859 143080 133431 96348 127642 152288 78990 105497 133564 157546 205487 157221 83449 113812 82411 97018 154500 138032 169750 172670 184400 227757 191500 170589 155750 269500 113500 118200 127000 164000 177250 105225 124200 126000 131200 312500 209500
Trend 129567 130917 132259 133593 134918 136235 137544 138844 140136 141420 142695 143962 145221 146471 147713 148946 150172 151389 152597 153797 154989 156173 157348 158515 159673 160823 161965 163099 164224 165340 166449 167549 168641 169724 170799 171866 172924 173974 175016 176049 177074 178091 179099 180099 181091 182074
Detrend -44567 52665 6397 9057 -44268 50915 28422 129506 20243 59439 385 -10531 -48873 -18829 4575 -69956 -44675 -17825 4949 51690 2232 -72724 -43536 -76104 -62655 -6323 -23933 6651 8446 19060 61308 23951 1948 -13974 98701 -58366 -54724 -46974 -11016 1201 -71849 -53891 -53099 -48899 131409 27426
47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84
200000 226400 166200 181361 138862 181186 174717 230520 235144 240889 249015 268450 306675 121043 142650 187719 171595 227000 170221 248816 322323 236527 187086 256150 134000 196846 146734 143376 173563 254441 194219 203623 319335 216704 190200 332742 113650 72000
183049 184015 184974 185924 186865 187798 188723 189640 190548 191448 192339 193222 194097 194963 195822 196671 197513 198346 199171 199987 200795 201595 202386 203169 203944 204710 205468 206218 206959 207692 208416 209133 209841 210540 211231 211914 212589 213255
16951 42385 -18774 -4563 -48003 -6612 -14006 40880 44596 49441 56676 75228 112578 -73920 -53172 -8952 -25918 28654 -28950 48829 121528 34932 -15300 52981 -69944 -7864 -58734 -62842 -33396 46749 -14197 -5510 109494 6164 -21031 120828 -98939 -141255
113
118
119
Lampiran 13. Nilai Koefisien Korelasi ACF, Grafik dan Nilai Korelasi PACF Pembedaan Pertama Data Volume Penjualan CPO PT. KPB Nusantara Autocorrelation Function: diff reg
Partial Autocorrelation Function: diff reg
Lag 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Lag 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
ACF -0.403125 -0.039421 0.113196 -0.098892 -0.031853 0.041104 -0.128976 -0.024141 0.048533 0.042814 -0.061302 0.145674 -0.021174 0.019689 0.002245 -0.104055 0.015654 -0.029088 -0.009967 0.077620 -0.069395
T -3.67 -0.31 0.89 -0.77 -0.25 0.32 -1.00 -0.19 0.37 0.33 -0.47 1.11 -0.16 0.15 0.02 -0.78 0.12 -0.22 -0.07 0.58 -0.51
LBQ 13.98 14.12 15.25 16.12 16.21 16.37 17.91 17.97 18.19 18.37 18.74 20.84 20.89 20.93 20.93 22.07 22.10 22.19 22.20 22.87 23.42
PACF -0.403125 -0.241114 -0.004724 -0.067992 -0.103142 -0.051601 -0.173073 -0.202593 -0.133183 -0.008022 -0.078377 0.075780 0.066222 0.087499 0.035938 -0.090968 -0.057913 -0.078528 -0.022672 0.103114 0.028607
T -3.67 -2.20 -0.04 -0.62 -0.94 -0.47 -1.58 -1.85 -1.21 -0.07 -0.71 0.69 0.60 0.80 0.33 -0.83 -0.53 -0.72 -0.21 0.94 0.26
Partial Autocorrelation Function for diff reg (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 2
4
6
8
10
12
14
16
18
20
Lag
114
Lampiran 14. Nilai Koefisien ACF dan PACF Pembedaan Regular Pertama dan Pembedaan Musiman Pertama
Autocorrelation Function: dif reg diff mus
Partial Autocorrelation Function: dif reg diff mus
Lag 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Lag 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
ACF -0.419022 -0.095111 0.071766 -0.071785 0.089959 0.047245 -0.202426 0.042837 0.041251 0.081213 0.162258 -0.425105 0.076709 0.285123 -0.247279 0.018904 -0.005796 0.020970
T -3.53 -0.69 0.52 -0.51 0.64 0.34 -1.44 0.30 0.28 0.56 1.11 -2.86 0.47 1.73 -1.44 0.11 -0.03 0.12
LBQ 13.00 13.68 14.07 14.47 15.11 15.28 18.60 18.75 18.90 19.46 21.73 37.61 38.13 45.52 51.18 51.22 51.22 51.26
PACF -0.419022 -0.328339 -0.161451 -0.189095 -0.037437 0.078680 -0.146874 -0.163298 -0.132261 0.039795 0.341104 -0.176031 -0.269487 0.093266 -0.099196 -0.200351 -0.145212 0.107403
T -3.53 -2.77 -1.36 -1.59 -0.32 0.66 -1.24 -1.38 -1.11 0.34 2.87 -1.48 -2.27 0.79 -0.84 -1.69 -1.22 0.90
115
Lampiran 15. Perhitungan Metode Box - Jenkins Tentatif Model ARIMA (0,1,q)(0,1,Q)L untuk Peramalan Penjualan CPO PT. KPB Nusantara Model ARIMA (0,1,1)(0,1,1)12 Estimates at each iteration Iteration SSE 0 4.17529E+11 0.100 1 3.45435E+11 0.250 2 2.97408E+11 0.400 3 2.63640E+11 0.550 4 2.38846E+11 0.700 5 2.26381E+11 0.820 6 2.26187E+11 0.823 7 2.26174E+11 0.828 8 2.26172E+11 0.827 9 2.26171E+11 0.828 10 2.26171E+11 0.828 11 2.26171E+11 0.828 12 2.26171E+11 0.828
Parameters 0.100 -1918.125 0.226 -1231.368 0.336 -823.868 0.440 -521.742 0.557 -255.983 0.683 -36.403 0.674 -196.359 0.675 -174.008 0.674 -190.657 0.674 -182.448 0.674 -184.402 0.674 -184.628 0.674 -184.763
Relative change in each estimate less than 0.0010 Final Estimates of Parameters Type MA 1 SMA 12 Constant
Coef 0.8276 0.6737 -184.8
SE Coef 0.0801 0.1429 586.4
T 10.33 4.71 -0.32
P 0.000 0.000 0.754
Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 84, after differencing 71 Residuals: SS = 216830368343 (backforecasts excluded) MS = 3188681887 DF = 68 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 9.4 19.4 35.0 43.3 DF 9 21 33 45 P-Value 0.401 0.562 0.374 0.542 Forecasts from period 84 95 Percent Limits Period Forecast Lower Upper 85 128621 17921 239321 86 151846 39512 264181 87 152853 38908 266797 88 197543 82010 313076 89 154918 37819 272017 90 193440 74795 312085 91 252034 131864 372205 92 205146 83469 326824 93 195186 72021 318352 94 245571 120935 370208 95 158031 31941 284120 96 116350 -11177 243876
Actual
116
Lanjutan Lampiran 15. Model ARIMA (0,1,0)(0,1,2)12 Estimates at each iteration Iteration SSE 0 4.33086E+11 0.100 1 3.50417E+11 0.250 2 2.97180E+11 0.400 3 2.61745E+11 0.550 4 2.37885E+11 0.700 5 2.27442E+11 0.820 6 2.26649E+11 0.833 7 2.26533E+11 0.841 8 2.26513E+11 0.843 9 2.26510E+11 0.845 10 2.26509E+11 0.845 11 2.26509E+11 0.845 12 2.26509E+11 0.845
Parameters 0.100 0.100 -1918.125 0.236 0.083 -1197.378 0.352 0.058 -805.419 0.462 0.035 -526.984 0.574 0.020 -297.141 0.675 0.000 -173.495 0.700 -0.041 -179.532 0.708 -0.052 -183.621 0.712 -0.058 -183.943 0.714 -0.060 -184.214 0.715 -0.061 -184.346 0.715 -0.062 -184.410 0.715 -0.062 -184.415
Relative change in each estimate less than 0.0010 Final Estimates of Parameters Type MA 1 SMA 12 SMA 24 Constant
Coef 0.8452 0.7151 -0.0615 -184.4
SE Coef 0.0749 0.1454 0.1618 416.8
T 11.29 4.92 -0.38 -0.44
P 0.000 0.000 0.705 0.660
Differencing: 1 regular, 1 seasonal of order 12 Number of observations: Original series 84, after differencing 71 Residuals: SS = 215610305579 (backforecasts excluded) MS = 3218064262 DF = 67 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 8.8 18.6 32.6 42.7 DF 8 20 32 44 P-Value 0.359 0.550 0.435 0.529 Forecasts from period 84 95 Percent Limits Period Forecast Lower Upper 85 135699 24489 246908 86 159328 46795 271862 87 158024 44182 271866 88 203021 87885 318157 89 160756 44340 277171 90 201753 84072 319434 91 258288 139355 377221 92 211055 90883 331227 93 203396 81998 324795 94 250613 128000 373225 95 168626 44811 292441 96 130845 5839 255850
Actual
117
Lampiran 16. Grafik Fitted Line Plot Uji Statistik Metode Trend Analysis Model Regresi Kuadratik Polynomial Regression Analysis: vol.penj.CPO versus periode The regression equation is vol.penj.CPO = 128208 + 1363 periode - 4.17 periode**2 S = 55943.1
R-Sq = 16.6%
R-Sq(adj) = 14.6%
Analysis of Variance Source Regression Error Total
DF 2 81 83
SS 5.06116E+10 2.53500E+11 3.04111E+11
MS 2.53058E+10 3.12963E+09
F 8.09
P 0.001
Fitted Line Plot vol.penj.CPO = 128208 + 1363 periode - 4.17 periode**2 350000
S R-Sq R-Sq(adj)
vol.penj.CPO
300000
55943.1 16.6% 14.6%
250000 200000 150000 100000
0
10
20
30
40 50 periode
60
70
80
90
118
Lampiran 17. Grafik Pergerakan Hasil Peramalan Penjualan CPO Menggunakan Metode Trend Analysis Model Kuadratik Trend Analysis for vol.penj.CPO Data vol.penj.CPO Length 84 NMissing 0 Fitted Trend Equation Yt = 128208 + 1362.91*t - 4.17196*t**2 Accuracy Measures MAPE 28 MAD 43083 MSD 3017854357 Forecasts Period Forecast 85 213913 86 214562 87 215204 88 215836 89 216461 90 217077 91 217685 92 218284 93 218875 94 219458 95 220032 96 220598
Trend Analysis Plot for vol.penj.CPO Quadratic Trend Model Yt = 128208 + 1362.91*t - 4.17196*t**2 350000
Variable Actual Fits Forecasts
vol.penj.CPO
300000
Accuracy Measures MAPE 28 MAD 43083 MSD 3017854357
250000 200000 150000 100000
1
10
20
30
40
50 Index
60
70
80
90
119
Lampiran 18. Hasil Wawancara kepada Pihak PT. KPB Nusantara
Nama Jabatan
: Pak Subandi, : Manajer Analisis Pasar dan Pengembangan Usaha PT. KPB Nusantara Akhmat Tohir (AT) Pak Subandi (S) Pembicara AT S
AT S
AT S
AT
S
Hasil wawancara sebelumnya bisa di ceritakan pak perkembangan PT. KPB Nusantara ini dalam penjualan CPO? awalnya perusahaan ini berbentuk unit kerja dibawah PTPN I sampai PTPN XIV, yaitu berawal dari tahun 1968, waktu itu penjualanya masih sedikit, karena memang kondisi pabrik dan kebun PTPN itu masih sedikit, waktu itu juga masih berbentuk KPB-PTPN, dan pemasarannya belum luas seperti sekarang.walaupun sudah ekspor tapi jumlahnya tidak sebanyak penjualan untuk pasar domestik. Mulai awal tahun 2010 berubah nama menjadi PT.KPBN, maksudnya agar lebih mandiri dalam kegiatan usaha. memang pembagian penjualanya bagaimana pak?antara penjualan untuk domestik dan penjualan ekspor? kalo untuk CPO kita memang paling banyak ke pasar domestik yaitu bisa sampai 80%, sisanya sekitar 20% diekspor. Karena ini merupakan perusahaan dibawah pemerintah maka kebijakanya ya tergantung oleh kebijakan pemerintah. lalu apa saja produk yang saat itu di pasarkan melalui KPBN? produk yang di pasarkan ya semua produk perkebunan yang dihasilkan oleh PTPN. Seperti minyak sawit mentah (CPO), karet, lateks, kopi, teh, kakao, tetes/gula, kalo mengenai pembeli CPO, siapa saja pak yang menjadi pembeli PT. KPB Nusantara, baik pembeli local maupun pembeli ekspor? kalo yang menjadi pembeli lokal di sini ya seperti perusahaan pengolahan CPO seperti PT Bukit Kapur Reksa, Multimas Nabati Asahan, Musim Mas, Astra Agro Lestari, Permata Hijau Sawit, selain itu juga ada trader yang menjual kembali. kalo pembeli ekspor seperti Eropa (Wilmar, ISISA, Safic Alcan), India (protea), China (Wilmar), Malaysia, Singapura (Gladale, 120
AT S
AT S
AT S
AT S
AT S
Ltd, Wilmar). kalo dari segi kualitas CPO yang di pasarkan bagaimana pak? kalo produk CPO yang dipasarkan tentunya sudah mengikuti standar nasional yang mengacu kepada Dirjen Perkebunan RI seperti kadar ALB antara maks 3,5%, atau sesuai dengan keinginan konsumen. kalo dari system pejualan CPO yang dilakukan bagaimana? biasanya kami membuka jadwal tender, atau lelang yang dilakukan disini (dikantor pusat Jakarta) dan kita ada jadwal khusus, untuk tender penjualan CPO lokal kita laksanakan setiap hari senin sampai jumat jam 15.00 wib.kalo penjualan CPO ekspor kita lakukan setiap minggu pertama awal bulan. kalo dari segi harga yang ditawarkan terhadap produk CPO bagaimana pak? kalau harga, kita memantaunya dari harga pasar derifatif MDEX Malaysia , Rotterdam, Singapura, Tokyo, dan new York, karena kita dekat dengan Malaysia kita mengacu juga ke sana. Jadi harganya bisa kompetitif, selain itu juga dalam menentukan harga kita biasanya melakukan rapat dengan bagian Analisa pasar dan pengembangan usaha, dan bagian terkait, untuk menentukan harga penutupan CPO harian. Sedangkan kalo untuk jangka panjangnya kita selalu membuat harga ancar-ancar CPO untuk tahunan, yang mengacu kepada harga sebelumnya. kalo dari harga apa dibedakan pak, antara penjualan CPO lokal dan CPO ekspor? kalo dari segi harga kita sama saja antara lokal dan ekspor, hanya saja kalo ekspor harganya belumtermasuk pajak ekspor.sedangkan CPO lokal harganya sudah termasuk pajak PPn 10% dari segi promosi CPO dari perusahaan, apa saja yang dilakukan pak? karena CPO itu merupakan produk yang memiliki permintaanyang tinggi dibandingkan penawaranya, maka kita tidak terlalu membuat promosi untuk CPO, tapi untuk memperkenalkan CPO produk Indonesia, kami biasanya mengikuti pameran baik didalam maupun luar negeri, seminar nasional, dan juga membuat situs perusahaan (www.kpbn.co.id). Dari sana saja kita selalu kehabisan stok.untuk memenuhi kebutuhan lokal saja kita masih kurang,karena produk dari PTPN itu masih sedikit menghasilkan CPO akibat dari tanaman 121
AT S AT S
AT S
AT S
AT S
AT S
sawit yang sudah berumur tua. Akibatnya ya produksinya kurang optimal. apa ada ketentuan khusus untuk menjadi pembeli CPO? ada semuanya ada di situs kami,disana juga ada jadwal tender, dan penawaran harga CPO. dari segi pendistribusiannya, bagaimana proses pendistribusian CPO kepada pembeli? kalo proses pendistribusiannya ya disesuaikan dengan permintaan pembeli, ada system FOB (free on board) dan system CIF (Cost, Insurance, Freight), tapi untuk pendistribusian CPO lokal biasanya FOB belawan/ dumai, dan untuk CPO ekspor bisanya kita CIF. segentasi, target dan posisi CPO PT. KPBN bagaimana pak? kalo dari segmentasinya lebih ke perusahaan lokal yang mengolah CPO, dan untuk ekspor paling ke Negara pelanggan CPO yang memiliki permintaan cukup tinggi seperti India, cina, uni eropa. Target dari penjualan CPO selain perusahaan dan Negara pelanggan juga para trader/eksportir , juga terkadang ada yang membeli dari kami. bagaimana cara peramalan yang dilakukan untuk mengantisipasi permintaan CPO? yang kita lakukan adalah memonitor langsung melalui website pasar CPO internasional mengenai harga yang terjadi dan juga perkembangan perekonomian global, karena CPO itu sangat terpengaruh oleh perkembangan kondisi perekonomian global,selain melalui website kita juga berlangganan buku prediksi/peramalan yang dikeluarkan oleh Oil world dan Reuters setiap tahunya, yang berisi mengenai, produk-produk yang dihasilkan berbagai Negara, sekaligus jumlah stok, permintaan, perkembangan harga CPO. lalu faktor apa saja yang mempengaruhi penjualan CPO pada PT. KPBN? sebenernya ada banyak faktor penting seperti harga, iklim, terus perkembangan perekonomian global, permintaan dan penawaran perusahaan atau negara konsumen. bagaimana dengan kebijakan dari pemerintah, apakah juga mempengaruhi penjualan CPO? ya tentu saja, tidak dapat dipungkiri bahwa kita juga masih berada dibawah pemerintah, termasuk juga untuk 122
AT S
mengendalikan kebutuhan CPO domestik. Dan memang kita ditargetkan dalam kegiatan usaha, lalu menurut bapak bagaimana perkembangan usaha CPO yang dilakukan PT. KPB Nusantara kedepannya? berdasarkan kegiatan usaha selama ini, usaha CPO akan terus berkembang dan permintaan akan CPO terus meningkat, sedangkan penawaran atau persediaan terhadap CPO masih kurang, oleh karena itu perusahaan ini akan terus mengembangkan usaha, terutama penjualan CPO, dan akan terus mengembangkan pasar CPO,
123
_..EE[R -€
pT.KHARISMA NUSANTARA BERSAMA PEMASARAN
|n4,9,:'*:::y:lTllT],,. 10330'ND'NE''A
- 3907554 (Hunting) (021)3106685 Telephone: (P'Karet) (P.Gula),3143989 (P.Sawit),31931883 (P.Teh),31936919 (021) (Sekret),31903910 Fax: 31935091 E-mail: kanpusqkpbn.co.id
KETERANGAN SURAT No :$z/KPBN/X/21-sDM/xtt/ 20L0 Yangbertandatangandibawahini : Nama
: Drs.GatotK.Gusti,MM
Jabatan
: M a n a j eS r D M& U m u m P T .K P BN u s a n t a r a J l .T a m a nC u tM u t i a hN o .L L- J a k a r t aP u s a t
M e n e r a n g k abna h w a: Nama
: AkhmatTohir
N o m o rP o k o k
: 106092003005
Mahasifwa
S t u dA i g r i b i s n -i sF a k u l t aSsa i n s& T e k n o l o g i : Program f i d a y a t u l l aJha k a r t a U n i v e r s i t al ssl a r nN e g e r(i U l N )S y a r iH
Pne n e l i t i a/nR i s edt i P T .K P BN u s a n t a rpaa d at a n g g a2l 8 J u n i s . d2 8 J u l i2 0 1 0 t e l a hm e l a k s a n a k a d a l a mr a n g k ap e n y e l e s a i at ung a ss k r i p s i . D e m i k i aS n u r a tK e t e r a n g ai n i d i b u a tu n t u kd i p e r g u n a k asne b a g a i m a nmae s t i n y a . Jakarta, 14Desember20LO PT,KPBNUSANTARA
#*s *ffiKPBlf '
w
M a n a j eS r D M& U m u m
