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.