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