Optimasi Penjadwalan Produksi Sayuran Organik (Studi Kasus di PT Kebun Sayur Segar, Bogor)

OPTIMASI PENJADWALAN PRODUKSI SAYURAN ORGANIK
(Studi Kasus di PT Kebun Sayur Segar, Bogor)

BILLY JONATHAN

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Optimasi
Penjadwalan Produksi Sayuran Organik (Studi Kasus di PT Kebun Sayur Segar,
Bogor) adalah benar karya saya dengan arahan dari komisi pembimbing dan
belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada

Institut Pertanian Bogor.
Bogor, November 2014

Billy Jonathan
NIM F14100057

ABSTRAK
BILLY JONATHAN. Optimasi Penjadwalan Produksi Sayuran Organik (Studi
Kasus di PT Kebun Sayur Segar, Bogor). Dibimbing oleh BAMBANG
PRAMUDYA.
PT Kebun Sayur Segar merupakan salah satu produsen sayuran organik
terbesar di Jabodetabek. Salah satu permasalahan yang terjadi dalam industri
tanaman di perusahaan ini adalah produksi tanaman yang kurang sesuai dengan
permintaan pasar. Tujuan penelitian ini adalah melakukan optimasi penjadwalan
produksi sayuran organik melalui pemodelan permintaan pasar untuk komoditas
caisim, pakchoy, selada, bayam, kangkung dan jagung muda. Pemodelan dilakukan
dengan metode statistik deret waktu ARIMA (Autoregressive Integrated Moving
Average). Model yang ditetapkan dalam penelitian ini yaitu model ARIMA (1,0,1)
untuk caisim, ARIMA (1,0,0) untuk pakchoy, ARIMA (0,0,1) untuk selada,
ARIMA (0,1,1) untuk bayam, ARIMA (2,1,3) untuk kangkung dan jagung muda.

Model-model tersebut digunakan untuk peramalan sebagai rekomendasi
perusahaan dalam merencanakan produksi satu periode tanam ke depan.
Kata kunci: ARIMA, deret waktu, PT. Kebun Sayur Segar, peramalan, sayuran
organik

ABSTRACT
BILLY JONATHAN. Organic Vegetable Production Scheduling Optimization
(Study Case in PT. Kebun Sayur Segar, Bogor). Supervised by BAMBANG
PRAMUDYA.
PT Kebun Sayur Segar is one of the largest producer of organic vegetables
in Jabodetabek. One of the problems that occur in the company is unappropriate
crop production according to market demand. The purpose of this study is to
optimize the production scheduling of organic vegetables through modeling the
market demand for commodities caisim, pakchoy, lettuce, spinach, kale and sweet
corn. Modeling is done by the statistical method of time series ARIMA
(Autoregressive Integrated Moving Average). The models decided in this research
are ARIMA (1,0,1) for caisim, ARIMA (1,0,0) for pakchoy, ARIMA (0,0,1) for
lettuce, ARIMA (0,1,1) for the spinach, ARIMA (2,1,3) for kale and sweet corn.
The models will used in forecasting as company recommendations in planning the
production for the next planting period.

Keywords: ARIMA, forecasting, organic vegetables, PT. Kebun Sayur Segar, time
series

OPTIMASI PENJADWALAN PRODUKSI SAYURAN ORGANIK
(Studi Kasus di PT Kebun Sayur Segar, Bogor)

BILLY JONATHAN

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Teknik
pada
Departemen Teknik Mesin dan Biosistem

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR
2014

Judul Skripsi : Optimasi Penjadwalan Produksi Sayuran Organik (Studi Kasus
di PT Kebun Sayur Segar, Bogor)
Nama
: Billy Jonathan
NIM
: F14100057

Disetujui oleh

Prof Dr Ir Bambang Pramudya, MEng
Pembimbing

Diketahui oleh

Dr Ir Desrial, MEng
Ketua Departemen

Tanggal Lulus:

PRAKATA

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus atas segala
kasih dan karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Skripsi
yang berjudul Optimasi Penjadwalan Produksi Sayuran Organik (Studi Kasus di
PT Kebun Sayur Segar, Bogor) ini merupakan karya tulis ilmiah dari hasil
penelitian yang dilakukan sejak bulan Februari hingga Juni 2014. Penulis
menyadari bahwa dalam penyusunan skripsi ini tidak lepas dari dukungan banyak
pihak. Penulis menyampaikan terima kasih kepada:
1. Ayah dan Ibu serta sanak saudara tercinta atas doa dan nasihatnya.
2. Prof. Dr. Ir. Bambang Pramudya, M.Eng selaku dosen pembimbing, yang telah
memberikan saran dan arahan penelitian dan penulisan skripsi ini.
3. Dr. Ir. Mohamad Solahudin, M.Si dan Dr. Ir. I Wayan Astika, M.Si selaku
dosen penguji atas saran dan masukkannya dalam skripsi ini.
4. Ibu Yenni Anggraeni, S.Si M.Si atas saran dan masukkannya dalam penulisan
skripsi ini.
5. Bapak Yudi Supriyono selaku Direktur Produksi dan Kemitraan PT Kebun
Sayur Segar yang telah membantu penyediaan data dan informasi yang
dibutuhkan penulis untuk skripsi ini.
6. Sahabat ZULFA (Well, Andreas, Yuda dan Edy), ART PMK IPB, KOPRAL
47, keluarga besar laboratorium bagian Teknik Bioinformatika TMB, Bang
Wem, Marlina, Sonirita, serta sahabat TMB 47 ANTARES.

Semoga karya ilmiah ini bermanfaat bagi pembaca, khususnya bagi
perusahaan PT. Kebun Sayur Segar dalam melakukan penjadwalan produksi
sayuran organik.

Bogor, November 2014

Billy Jonathan

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

1

Tujuan Penelitian

2

Manfaat Penelitian

2

TINJAUAN PUSTAKA

2

METODE

5

Tempat dan Waktu Penelitian

5

Alat dan Bahan

6

Metode Penelitian

6

HASIL DAN PEMBAHASAN
Eksplorasi Data

8
8

Seleksi Model

11

Validasi Model Peramalan

12

Penjadwalan Produksi

16

SIMPULAN DAN SARAN

17

Simpulan

17

Saran

17

DAFTAR PUSTAKA

17

LAMPIRAN

19

RIWAYAT HIDUP

24

DAFTAR GAMBAR
1
2
3
4
5
6
7

Plot deret waktu data permintaan pasar
Hasil peramalan dan data aktual permintaan pasar caisim
Hasil peramalan dan data aktual permintaan pasar pakchoy
Hasil peramalan dan data aktual permintaan pasar selada
Hasil peramalan dan data aktual permintaan pasar bayam
Hasil peramalan dan data aktual permintaan pasar kangkung
Hasil peramalan dan data aktual permintaan pasar jagung muda

9
13
13
13
14
14
14

DAFTAR TABEL
1 Hasil konversi data permintaan pasar harian serta pembagian data untuk
pemodelan dan validasi model
2 Hasil uji stasioneritas menggunakan metode Augmented Dickey Fuller
3 Model ARIMA terbaik yang ditetapkan untuk setiap komoditas
4 Hasil perhitungan MAPE ramalan
5 Hasil uji beda nyata nilai ramalan terhadap nilai aktual permintaan pasar
dengan metode uji t berpasangan
6 Hasil ramalan, jumlah komoditas yang dibutuhkan, produktivitas
tanaman dan luas tanam yang dibutuhkan setiap komoditas

8
10
12
15
15
16

DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Tabel pendugaan model berdasarkan pola ACF dan PACF
Plot ACF dan PACF caisim
Plot ACF dan PACF pakchoy
Plot ACF dan PACF selada
Plot ACF dan PACF bayam
Plot ACF dan PACF kangkung
Plot ACF dan PACF jagung muda
Hasil seleksi model
Tabel perhitungan ramalan caisim
Tabel perhitungan ramalan pakchoy
Tabel perhitungan ramalan selada
Tabel perhitungan ramalan bayam
Tabel perhitungan ramalan kangkung
Tabel perhitungan ramalan jagung muda

19
19
19
20
20
20
21
21
22
22
22
22
22
22

1

PENDAHULUAN
Latar Belakang
Kegiatan agribisnis hortikultura merupakan salah satu kegiatan yang
mempunyai prospek yang tinggi karena komoditas hortikultura mempunyai nilai
ekonomis yang tinggi. Hortikultura merupakan bagian dari sektor pertanian yang
terdiri atas sayuran, buah-buahan, tanaman hias dan biofarmaka. Komoditas
sayuran memegang peranan penting dalam mendukung ketahanan pangan
nasional dan pemenuhan kebutuhan manusia khususnya dalam hal kecukupan
pangan dan gizi. Sayuran merupakan salah satu komoditas hortikultura yang
bermanfaat sebagai sumber vitamin dan mineral. Permintaan sayuran terus
meningkat, sejalan dengan pertambahan jumlah penduduk dan peningkatan
kesadaran masyarakat akan manfaat mengkonsumsi sayuran.
Beberapa tahun terakhir bermunculan perusahaan industri tanaman
sayuran yang memproduksi sayuran dengan kualitas tinggi menggunakan
teknologi hidroponik dan aeroponik. Salah satu produsen sayuran yang
menggunakan teknologi tersebut adalah PT. Kebun Sayur Segar. PT. Kebun Sayur
Segar berlokasi di Kecamatan Parung, Kabupaten Bogor, Jawa Barat. PT. Kebun
Sayur Segar memulai usaha industri tanaman sayuran sejak tahun 2000 dan
sampai saat ini PT. Kebun Sayur Segar memproduksi lebih dari 10 komoditas
sayuran organik untuk dipasarkan ke supermarket-supermarket besar yang ada di
wilayah Jabodetabek.
Salah satu permasalahan yang terjadi dalam kegiatan industri tanaman
sayuran organik adalah produksi tanaman dengan jumlah produksi yang tidak
sesuai dengan permintaan pasar. Peramalan akan membantu kegiatan perencanaan
produksi sayuran untuk meminimalisir kelebihan produksi maupun kekurangan
produksi sehingga dengan adanya peramalan tersebut maka permintaan pasar
dapat terpenuhi dengan tepat.
Peramalan merupakan suatu kegiatan yang bertujuan untuk
memperkirakan apa yang akan terjadi pada masa yang akan datang. Mengingat
jumlah permintaan sayuran organik di PT. Kebun Sayur Segar berfluktuasi, maka
diperlukan kegiatan peramalan. Peramalan permintaan tersebut digunakan sebagai
informasi dasar untuk menyusun perencanaan dan keputusan dalam bidang
produksi. Penjadwalan merupakan salah satu kegiatan yang paling penting dalam
proses produksi. Penjadwalan yang tepat dalam proses produksi sayuran organik
akan memberikan informasi tentang berapa luas tanam yang dibutukan untuk
memenuhi permintaan pasar. Salah satu cara yang bisa dilakukan untuk
membangun penjadwalan produksi yang optimal adalah melakukan peramalan.
Perumusan Masalah
Dalam memenuhi permintaan pasar, bagian produksi PT. Kebun Sayur
Segar melakukan peramalan kualitatif berdasarkan data-data historis permintaan
pasar. Hasil ramalan tersebut akan menjadi salah satu pertimbangan bagian
produksi perusahaan untuk melakukan produksi. Diperlukan peramalan kuantitatif
sebagai pertimbangan dalam melakukan kegiatan produksi agar lebih sesuai
dengan permintaan yang ada di pasar.

2

Tujuan Penelitian
Tujuan dari penelitian ini adalah melakukan pemodelan permintaan pasar
sayuran organik di PT. Kebun Sayur Segar dengan mengolah data-data historis
permintaan pasar dengan metode analisis deret waktu ARIMA (Autoregressive
Integrated Moving Average) sehingga didapatkan model yang terbaik untuk
melakukan peramalan permintaan pasar sayuran organik di PT. Kebun Sayur
Segar. Optimasi penjadwalan produksi sayuran organik untuk memenuhi
permintaan pasar satu periode kedepan menggunakan model terbaik yang
ditetapkan pada penelitian ini.
Manfaat Penelitian
Manfaat dari penelitian ini adalah model permintaan pasar yang dapat
digunakan untuk peramalan sebagai rekomendasi bagi perusahaan PT. Kebun
Sayur Segar untuk melakukan optimasi penjadwalan produksi sayuran organik
dalam memenuhi permintaan pasar.

TINJAUAN PUSTAKA
Model ARIMA
Model Autoregressive Integrated Moving Average (ARIMA) adalah
model yang secara penuh mengabaikan independen variabel dalam membuat
ramalan. ARIMA diperkenalkan oleh Box dan Jenkins tahun 1971, pada model ini
terjadi proses Autoregressive (AR) berordo-p atau proses Moving Average (MA)
berordo-q atau merupakan kombinasi keduanya. Pembeda berordo-d dilakukan
jika data deret waktu bersifat non-stasioner, untuk memenuhi aspek-aspek AR dan
MA dari model ARIMA yang membutuhkan data stasioner. Bentuk umum model
ARIMA (p, d, q) terdapat pada Persamaan 1.
Φp(B)(1-B)dXt = θqεt …...………………………………………………………………(1)
Keterangan:
p
= Derajat autoregressive (AR)
d
= Derajat pembeda
q
= Derajat moving average (MA)
t
= Waktu
Xt
= Peubah acak ke-t
Φp
= Parameter yang menjelaskan AR
θq
= Parameter yang menjelaskan MA
εt
= Sisaan acak pada waktu ke-t yang diasumsikan menyebar normal bebas
stokastik
B
= Operator backshift

3
Jika ditetapkan nilai q = 0 model tersebut menjadi model autoregressive
ordo p yang disingkat AR(p). Sebaliknya jika ditentukan bahwa p = 0, menjadi
model moving average ordo q yang disingkat MA(q) (Cryer 1986).
Metode Box-Jenkins
Metode yang biasa digunakan dalam pembuatan model ARIMA adalah
metode Box-Jenkins (Makridaskis et al. 1983) dengan prosedur sebagai berikut:
1. Identifikasi model
Identifikasi model beranjak dari struktur data yang bersifat stasioner. Dari data
yang stasioner dapat diperoleh model sementara dengan mengamati fungsi
korelasi diri / autocorrelation function (ACF) dan fungsi korelasi parsialnya /
partial autocorrelation function (PACF). Ordo proses AR dapat ditentukan
dengan melihat berapa banyak koefisien korelasi diri parsial (PACF) yang
tidak nol. Sedangkan ordo proses MA ditentukan dengan melihat berapa
banyak koefisien korelasi diri (ACF) pertama yang tidak nol (Bowerman &
O’Connel 1987). Identifikasi proses ARIMA dari plot autokorelasi dan plot
korelasi parsialnya.
2. Pendugaan parameter
Banyaknya parameter yang akan diduga bergantung pada banyaknya koefisien
model awal. Penduga parameter dikatakan berpengaruh jika nilai mutlak t
yang berpadanan dengan parameter tersebut lebih besar daripada nilai-t tabel
pada taraf nyata α/2 berderajat bebas n minus banyaknya parameter
(Bowerman & O’Connel 1987).
3. Diagnostik model
Statistik uji Q Box-Pierce dapat digunakan untuk menguji kelayakan model,
yaitu dengan menguji apakah sekumpulan korelasi diri untuk nilai sisa
tersebut tidak nol. Statistik uji Q Box-Pierce menyebar mengikuti sebaran x2
dengan derajat bebas (m – p – q), dimana m adalah lag maksimum yang
diamati, p adalah ordo AR dan q adalah ordo MA. Jika nilai Q lebih besar dari
nilai x2(m – p – q) untuk tingkat kepercayaan tertentu atau nilai peluang
statistik Q lebih kecil dari taraf nyata α maka dapat disimpulkan bahwa model
tidak layak. Persamaan statistik uji Q Box-Piece menurut Makridaskis et al.
(1983) terdapat pada Persamaan 2.
.
2
Q = (N – d) ∑
k ..….……………………………………………………(2)
Keterangan:
rk2 = Nilai korelasi pada lag ke-k
N = Banyaknya amatan pada data awal
d = Ordo pembedaan
m = Lag maksimum
4. Peramalan
Peramalan merupakan suatu proses untuk memperoleh data beberapa periode
waktu ke depan. Perhitungan dilakukan secara rekursif, yaitu menghitung
peramalan satu periode kemudian dua periode, dan seterusnya sampai periode
x ke depan. Setelah melakukan peramalan, ketepatan peramalan dapat dicari
dengan menghitung Mean Absolute Percentage Error (MAPE), yang terdapat
pada Persamaan 3.

4

∑

|

|

MAPE =
……………………………………………….(3)
Keterangan:
xt
= Pengamatan pada waktu ke-t
ft
= Ramalan pada waktu ke-t
Semakin kecil nilai MAPE menunjukkan data hasil peramalan
semakin mendekati nilai aktual. (Makridaskis et al. 1983).
Peramalan
Pengertian Peramalan
Peramalan adalah kegiatan memperkirakan apa yang terjadi pada waktu
yang akan datang sedangkan rencana merupakan penentuan apa yang akan
dilakukan pada waktu yang akan datang. Peramalan menjadi sangat penting
karena penyusunan suatu rencana diantaranya didasarkan pada suatu proyeksi atau
ramalan. Pada hakikatnya banyak keputusan penting yang dilakukan secara
pribadi, instansi, maupun perusahaan kepada kejadian-kejadian dimasa yang akan
mendatang sehingga memerlukan ramalan tentang keadaan lingkungan masa
depan tersebut. Sehingga setiap kebijakan ekonomi tidak akan terlepas dari usaha
untuk meningkatkan kesejahteraan masyarakat dan meningkatkan keberhasilan
pembangunan untuk mencapai tujuannya pada masa yang akan datang, dimana
kebijaksanaan tersebut dilaksanakan (Assauri 1984).
Kegunaan dan Peran Peramalan
Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Setiap
orang selalu dihadapkan pada masalah pengambilan keputusan. Keputusan yang
baik adalah keputusan yang didasarkan pertimbangan apa yang akan terjadi pada
waktu keputusan itu dilaksanakan. Kurang tepat ramalan yang kita susun atau
yang kita buat maka kurang baiklah keputusan yang kita ambil. Walaupun
demikian perlu disadari bahwa suatu ramalan adalah tetap ramalan, dimana selalu
ada unsur kesalahan. Sehingga yang paling diperhatikan adalah usaha untuk
memperkecil kemungkinan kesalahannya (Assauri 1984).
Jenis-jenis Peramalan
Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat
dibedakan atas dua macam, yaitu :
1. Peramalan Kualitatif
Peramalan Kualitatif adalah peramalan yang didasarkan atas data kualitatif
pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang
yang menyusunnya.
2. Peramalan Kuantitatif
Peramalan Kuantitatif adalah peramalan yang didasarkan atas data kuantitatif
pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode
yang dipergunakan dalam peramalan tersebut (Assauri 1984).

5
Peramalan Kuantitatif dapat diterapkan bila terdapat kondisi berikut :
a. Tersedia informasi (data) tentang masa lalu.
b. Informasi (data) dapat dikuantitatifkan dalam bentuk data numerik.
c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut pasa masa yang akan datang.
Optimasi
Optimasi merupakan serangkaian proses untuk mendapatkan gugus
kondisi yang diperlukan untuk mendapatkan hasil terbaik dalam situasi tertentu,
juga merupakan pendekatan normatif dengan mengidentifikasi penyelesaian
terbaik dari suatu masalah yang diarahkan pada titik maksimum atau minimum
fungsi tujuan (Nasendi & Anwar 1985).
Optimasi memegang peranan penting dalam bagian manajemen produksi
perusahaan yang biasanya mengarah kepada maksimasi keuntungan dan minimasi
kerugian perusahaan. Proses optimasi membutuhkan bantuan software dalam
menyelesaikan permasalahan yang ditemukan untuk mendapatkan solusi yang
optimal dengan komputasi yang lebih singkat dan akurat.
Studi Terdahulu
Penelitian yang dilakukan oleh Ningsih (2004) bertujuan untuk
mendapatkan metode peramalan yang paling sesuai dalam meramalkan
permintaan brokoli, kedelai jepang, lettuce head, dan tomat ceri di PT. Saung
Mirwan. Metode peramalan yang digunakan adalah metode ARIMA, regresi,
linier, dekomposisi, Winter dan naif. Hasil penelitian menunjukkan bahwa metode
ARIMA terpilih menjadi metode peramalan terbaik karena hasil peramalannya
mempunyai nilai kesalahan terkecil dari metode lainnya.
Susanti (2006) juga melakukan penelitian yang bertujuan mendapatkan
metode peramalan terbaik untuk permintaan cabai merah di pasar induk Kramat
Jati. Metode peramalan yang digunakan adalah metode ARIMA, single
exponential smoothing, adaftif, Winter, simple moving average, dekomposisi dan
simple average. Hasil penelitian juga menunjukkan bahwa metode ARIMA
merupakan metode peramalan yang terbaik karena memberikan hasil peramalan
dengan tingkat kesalahan terkecil sebagai ukuran keakuratan model.

METODE
Tempat dan Waktu Penelitian
Penelitian ini dilaksanakan pada bulan Februari 2014 sampai dengan bulan
Juni 2014 di PT. Kebun Sayur Segar dan Laboratorium Teknik Bioinformatika,
Fakultas Teknologi Pertanian, Institut Pertanian Bogor.

6
Alat dan Bahan
Bahan dasar dari penelitian ini adalah data historis permintaan pasar dari
komoditas sayuran yang diproduksi PT. Kebun Sayur Segar dari bulan Januari
tahun 2010 sampai bulan Maret tahun 2014.
Alat-alat dan perlengkapan utama yang digunakan dalam penelitian ini
adalah :
1. Perangkat komputer/laptop
2. Software Microsoft Excel 2010 sebagai program pengolah data mentah
3. Software Minitab 16 sebagai program pengolah data
4. Software Eviews 6 sebagai program uji Augmented Dikckey-Fuller
Metode Penelitian
Penelitian mengenai pemodelan permintaan pasar sayuran organik di PT.
Kebun Sayur Segar ini menggunakan metode statistik untuk peramalan yaitu
ARIMA. Data-data historis yang telah didapat diolah dengan metode ARIMA
dengan menggunakan alat bantu software Microsoft Excel 2010 dan Minitab 16.
Data historis yang diolah adalah data permintaan pasar harian dari 10 komoditas
yang diproduksi oleh PT. Kebun Sayur Segar dari bulan Januari tahun 2010
sampai bulan Maret tahun 2014. Data permintaan pasar tersebut digunakan
sebagai dasar untuk melakukan peramalan permintaan pasar satu periode kedepan.
Komoditas-komoditas tersebut adalah caisim, bayam, pakchoy, kangkung, selada,
buncis, kacang merah, wortel, labu siam, jagung muda.
Langkah-langkah analisis data yang dilakukan dalam penelitian ini ialah
sebagai berikut :
1. Mempersiapkan data.
2. Mengkonversi data permintaan pasar harian sesuai dengan umur tanam
masing-masing komoditas.
3. Membagi data menjadi 2 bagian yaitu 85% data untuk pembuatan model dan
15% data untuk validasi.
4. Melakukukan seleksi model ARIMA menggunakan data permintaan pasar
dengan langkah sebagai berikut :
a) Melakukan eskplorasi data, yaitu dengan membuat plot data deret waktu
untuk mengidentifikasi stasioneritas data.
b) Uji stasioneritas data dengan metode Augmented Dickey-Fuller, jika data
tidak stasioner dilakukan proses pembedaan hingga data stasioner.
c) Menduga model berdasarkan pola ACF dan PACF yang mengacu pada
tabel pendugaan model pada Lampiran 1.
d) Melakukan uji parameter model-model yang teridentifikasi, model yang
nilai parameternya signifikan terhadap data diikutsertakan pada tahap
diagnostik model.
e) Diagnostik model dengan uji Ljung-Box, jika semua nilai-p dari model
lebih besar dari 0.05 maka model tersebut layak untuk data. Persamaan uji
Q Box-Pierce terdapat pada Persamaan 4. Pemeriksaan diagnosis model
dilakukan untuk memeriksa apakah {et} mengikuti proses white noise
dengan dilakukan uji independensi residual dengan hipotesis :

7
:
1 = 2 = …= K = 0 (residual independent)
: Minimal ada satu
1 ≠ 0, untuk i = 1,2, … ,K
(residual dependent)
Taraf signifikansi : α = 0,05
Statistik Uji
: Ljung-Box

H0
H1

∑

̂ ……………………………………(4)

Keterangan:
k
= Selisih lag
K
= Banyak lag yang diuji
= Autokorelasi residual periode k

Kriteria keputusan : H0 ditolak jika
dengan p
adalah banyak parameter AR dan q adalah banyak parameter MA atau pvalue < α (Fitriyana 2010).
5. Melakukan peramalan dengan model yang telah ditetapkan beberapa periode
kedepan sebanyak data validasi.
6. Melakukan validasi dengan menggunakan uji t berpasangan dengan selang
kepercayaan 95% dan perhitungan MAPE (Mean Average Percentage Error).
7. Melakukan pendjadwalan produksi dari hasil ramalan satu periode kedepan
menggunakan model yang valid.

8

HASIL DAN PEMBAHASAN
Ekplorasi Data
Konversi Data Permintaan Pasar
Langkah pertama dalam pemodelan adalah melakukan ekplorasi data. Data
dasar dalam penelitian ini adalah data permintaan pasar harian dari 10 komoditas
sayuran organik yang diproduksi oleh PT. Kebun Sayur Segar. Data permintaan
pasar harian tersebut dikonversi menjadi data permintaan pasar per periode tanam
yang disesuaikan dengan umur tanam setiap komoditas yang ada. Tabel 1
menampilkan hasil konversi data permintaan pasar tiap-tiap komoditas beserta
pembagian jumlah data yang akan dipakai untuk pemodelan dan data yang akan
dipakai untuk validasi model. Data yang dipakai untuk validasi model adalah 15%
dari jumlah data permintaan pasar keseluruhan.
Tabel 1 Hasil konversi data permintaan pasar harian serta pembagian data untuk
pemodelan dan validasi model

Komoditas

Caisim
Pakchoy
Selada
Kangkung
Bayam
Jagung muda
Buncis
Wortel
Kacang merah
Labu siam

Jumlah
data
harian
1531
1531
1531
1531
1531
1531
1531
1531
1531
1531

Umur
Tanam

Jumlah
data per
periode
tanam

Jumlah
data untuk
pemodelan

25 hari
25 hari
25 hari
40 hari
40 hari
45 hari
60 hari
60 hari
75 hari
120 hari

61
61
61
38
38
34
25
25
20
12

53
53
53
33
33
30
-

Jumlah
data
untuk
validasi
model
8
8
8
5
5
4
-

Tabel 1 menunjukkan bahwa hanya enam komoditas yaitu caisim,
pakchoy, selada, kangkung, bayam dan jagung muda yang dimodelkan karena
jumlah data komoditas-komoditas tersebut memenuhi syarat pemodelan dengan
metode ARIMA, dimana menurut Hanke et al. (1998) data minimum yang
diperlukan untuk pemodelan dengan metode ARIMA adalah dua puluh empat
data. Komoditas buncis, wortel, kacang merah dan labu siam tidak diikutsertakan
dalam pemodelan karena tidak memenuhi syarat kecukupan data. Komoditas
buncis dan wortel memenuhi syarat kecukupan data untuk pemodelan namun data
yang tersisa hanya satu data untuk validasi model sehingga kedua komoditas ini
tidak dimodelkan karena kurangnya data untuk validasi model.

9
Plot Deret Waktu Data
Model ARIMA merupakan model yang menghendaki data yang stasioner,
salah satu metode uji stasioneritas data adalah menggunakan plot deret waktu
untuk melihat pola data. Menurut Wei (2006), suatu data pengamatan dikatakan
stasioner apabila proses tidak mengalami perubahan seiring dengan waktu yang
berubah. Dengan kata lain, fluktuasi data berada di sekitar suatu nilai rata-rata
yang konstan sehingga data berada dalam ragam rata-rata yang sama. Gambar 1
menunjukkan plot deret waktu caisim, pakchoy, selada, kangkung, bayam dan
jagung muda.
4000
Permintaan Pasar (pack)

Permintaan Pasar (pack)

4000

3000

2000

1000

0

3000

2000

1000

0
1

5

10

15

20 25 30 35
Periode ke-

40

45

50

1

5

10

15

20 25 30 35
Periode ke-

(a)

50

8000
Permintaan Pasar (pack)

Permintaan Pasar (pack)

45

(b)

4000

3000

2000

1000

7000

6000

5000

4000

0
1

5

10

15

20 25 30 35
Periode ke-

40

45

3

50

6

9

(c)

12

15 18 21
Periode ke-

24

27

30

33

27

30

(d)

6000

4000
Permintaan Pasar (pack)

Permintaan Pasar (pack)

40

5000

4000

3000

2000

3000

2000

1000

0

3

6

9

12

15 18 21
Periode ke-

24

27

30

33

3

6

9

12 15 18 21
Periode ke-

24

(e)
(f)
Gambar 1 Plot deret waktu permintaan pasar komoditas (a) caisim (b) pakchoy
(c) selada (d) bayam (e) kangkung (f) jagung muda

10
Secara keseluruhan pola data seluruh komoditas yang ditampilkan pada
Gambar 1 tidak menunjukkan adanya pola trend, siklikal maupun musiman. Pola
data permintaan pasar seluruh komoditas yang ditampilkan pada Gambar 1
cenderung mempunyai pola horizontal. Pada gambar 1 dapat dilihat fluktuasi dari
data permintaan pasar caisim, pakchoy, selada dan jagung muda tidak terlalu
signifikan. Secara subyektif keempat komoditas tersebut dapat dikatakan
mempunyai data yang stasioner karena data cenderung menyebar di satu nilai
tengah, sedangkan plot deret waktu permintaan pasar komoditas bayam dan
kangkung terlihat mempunyai data yang fluktuasinya signifikan sehingga dapat
dikatakan bahwa kedua komoditas tersebut mempunyai data yang tidak stasioner.
Pengujian stasioneritas data tidak cukup hanya dengan melihat pola data melalui
plot deret waktu saja karena pengujian tersebut bersifat subyektif, maka dilakukan
pengujian dengan metode Augmented Dickey Fuller (ADF) menggunakan
software Eviews 6. Uji stasioner dengan ADF merupakan pengujian stasioner
dengan menentukan apakah data runtun waktu mengandung unit root. Data
dikatakan stasioner jika tidak mengandung unit root. Tabel 2 menampilkan hasil
uji ADF dari masing-masing komoditas.
Tabel 2 Hasil uji stasioneritas menggunakan metode Augmented Dickey Fuller

Komoditas

Nilai
probabilitas

Caisim
Pakchoy
Selada
Kangkung

0.0002
0.0018
0.0002
0.0171

Nilai
probabilitas
pada tingkat
pembedaan
pertama
0.0024

Bayam

0.0065

0.0001

Jagung muda

0.0296

0.0001

Kesimpulan

Data stasioner
Data stasioner
Data stasioner
Data stasioner
pada tingkat
pembedaan 1
Data stasioner
pada tingkat
pembedaan 1
Data stasioner
pada tingkat
pembedaan 1

Uji ADF merupakan uji stasioneritas nilai tengah yang mempunyai
hipotesis sebagai berikut :
H0
: Nilai probabilitas > 0.005 (terdapat unit roots, data tidak stasioner)
H1
: Nilai probabilitas ≤ 0.005 (tidak terdapat unit roots, data stasioner)
Hasil uji pada Tabel 2 menyimpulkan bahwa data permintaan pasar
komoditas caisim, pakchoy dan selada stasioner sehingga tidak memerlukan
proses pembedaan. Data permintaan pasar komoditas kangkung, bayam dan
jagung muda terbukti tidak stasioner sehingga diperlukan proses pembedaan.
Proses pembedaan dilakukan pada data permintaan pasar komoditas kangkung,
bayam dan jagung muda. Pada Tabel 2 dapat dilihat nilai probabilitas pada tingkat
pembedaan pertama ketiga komoditas tersebut sudah kurang dari 0.005 sehingga

11
disimpulkan data sudah stasioner dan tidak diperlukan proses pembedaan lebih
lanjut.
Seleksi Model
Model umum ARIMA adalah ARIMA (p,d,q), p merupakan derajat
autoregressive, d merupakan derajat pembeda dan q merupakan derajat moving
average. Data 1 periode kedepan dipengaruhi oleh berapa n data sebelumnya
tergantung nilai n yang teridentifikasi pada derajat p atau q. Data yang tidak
mengalami proses pembedaan sudah pasti mempunyai nilai d nol. Karena nilai d
dari model ARIMA diambil dari tingkat proses pembedaan data. Komoditas yang
tidak memerlukan proses pembedaan adalah caisim, pakchoy dan selada. Pada
Lampiran 2 terlihat bahwa pada plot ACF dan PACF data permintaan pasar caisim
mempunyai nilai korelasi yang tidak nyata pada berbagai lag sehingga untuk
mendapatkan model terbaik untuk komoditas caisim diperlukan proses trial and
error. Komoditas pakchoy dan selada pada Lampiran 3 dan Lampiran 4 terlihat
mempunyai plot ACF dan PACF yang mempunyai nilai korelasi yang nyata pada
lag pertama. Nilai korelasi yang nyata pada plot ACF merepresentasikan ordo dari
proses moving average sedangkan plot PACF merepresentasikan ordo dari proses
autoregressive sehingga model yang teridentifikasi dari kedua data tersebut adalah
model ARIMA (1,0,0), ARIMA (0,0,1) atau gabungan dari keduanya yaitu model
ARIMA (1,0,1). Model terbaik dipilih dari ketiga model yang teridentifikasi
tersebut, lalu dilakukan overfitting pada model yaitu membandingan model
dengan model yang satu tingkat ordo diatasnya.
Komoditas kangkung, bayam dan jagung muda mempunyai data yang
tidak stasioner sehingga dibutuhkan proses pembedaan satu kali untuk membuat
data menjadi stasioner, oleh karena itu model dari ketiga komoditas tersebut dapat
dipastikan mempunyai nilai d satu. Komoditas kangkung, bayam dan jagung
muda dapat dilihat dalam Lampiran 5-7 tidak mempunyai nilai korelasi yang
nyata di berbagai lag pada plot ACF dan PACF, sehingga perlu dilakukan proses
trial and error untuk mendapatkan model terbaiknya.
Lampiran 8 menunjukkan hasil seleksi model dari semua komoditas yang
dianalisis. Proses trial and error pada komoditas caisim menghasilkan 5 model
yang teruji layak untuk komoditas tersebut. Model yang terbaik yang
teridentifikasi untuk komoditas pakchoy adalah model ARIMA (1,0,0), model
tersebut dilakukan overfitting dengan model ARIMA (2,0,0). Model yang terbaik
yang teridentifikasi untuk komoditas selada adalah model ARIMA (0,0,1)
sehingga model tersebut dilakukan overfitting dengan model ARIMA (0,0,2).
Proses trial and error yang dilakukan untuk komoditas bayam, kangkung dan
jagung muda masing-masing menghasilkan model yang teruji layak untuk
komoditas tersebut, 1 model untuk bayam, 2 model untuk kangkung dan 1 model
untuk jagung muda. Model yang layak untuk data adalah model yang semua nilai
parameternya signifikan terhadap data dan lolos uji diagnostik model yang
menyatakan bahwa sudah tidak ada lagi autokorelasi antar sisaan pada data.
Model terbaik ditetapkan dari model yang teridentifikasi dengan memilih model
yang mempunyai nilai MSE terkecil. Tabel 3 menampilkan model terbaik yang
ditetapkan untuk semua komoditas yang dianalisis pada penelitian ini.

12
Tabel 3 Model ARIMA terbaik yang ditetapkan untuk setiap komoditas
Komoditas
Caisim
Pakchoy
Selada
Bayam
Kangkung
Jagung muda

Model
ARIMA (1,0,1)
ARIMA (1,0,0)
ARIMA (0,0,1)
ARIMA (0,1,1)
ARIMA (2,1,3)
ARIMA (2,1,3)

Persamaan matematis yang didapatkan dari tiap model yang ditetapkan
adalah sebagai berikut :
1. Persamaan matematis komoditas caisim adalah :
Xt = 1.0002Xt-1 – 0.9170εt-1
2. Persamaan matematis komoditas pakchoy adalah :
Xt = 1127.04 + 0.4188Xt-1
3. Persamaan matematis komoditas selada adalah :
Xt = 1766.95 + 0.3741εt-1
4. Persamaan matematis komoditas bayam adalah :
Xt = Xt-1 – 0.9446εt-1 + 36.16
5. Persamaan matematis komoditas kangkung adalah :
Xt = 1.3884Xt-1 – 1.3102Xt-2 + 0.9218Xt-3 – 0.9947εt-1 + 0.9762εt-2 – 0.8446εt-3
6. Persamaan matematis untuk komoditas jagung muda adalah :
Xt = 2.3358Xt-1 – 2.3388Xt-2 + 1.0030Xt-3 – 1.9807εt-1 + 1.8316εt-2 – 0.6906εt-3
Dengan,
Xt = Nilai permintaan pasar pada periode ke-t
εt = Nilai error peramalan permintaan pasar pada periode ke-t
Validasi Model Peramalan
Peramalan tiap-tiap komoditas dilakukan menggunakan model terbaik
yang telah ditetapkan. Peramalan dilakukan beberapa periode kedepan sesuai
dengan jumlah data yang digunakan untuk validasi model. Hasil ramalan
dibandingkan dengan data aktual. Gambar 2-7 menampilkan hasil ramalan tiaptiap komoditas menggunakan model terbaik yang telah ditetapkan beserta nilai
aktualnya. Tabel perhitungan nilai ramalan seluruh komoditas terdapat pada
Lampiran 9-14.
Hasil peramalan komoditas caisim, pakchoy, selada, kangkung dan jagung
muda pada Gambar 2-7 terlihat mempunyai nilai yang tidak terlalu jauh
intervalnya dengan nilai aktual. Hasil peramalan komoditas bayam mempunyai
nilai yang cenderung konstan hal ini diduga terjadi karena fluktuasi data
permintaan pasar bayam yang digunakan untuk melakukan pemodelan sangat
signifikan sehingga dibutuhkan data yang lebih banyak untuk mendapatkan model
yang lebih baik. Pengujian hasil peramalan dilakukan dengan menghitung nilai
MAPE dan uji t berpasangan.

13

Permintaan pasar (pack)

4000

3000
2000

Ramalan
Aktual

1000
0
54

55

56

57
58
Periode ke-

59

60

61

Gambar 2 Hasil peramalan dan data aktual permintaan pasar caisim

Permintaan pasar (pack)

4000
3000
2000

Ramalan
Aktual

1000
0
54

55

56

57
58
Periode ke-

59

60

61

Gambar 3 Hasil peramalan dan data aktual permintaan pasar pakchoy
Permintaan pasar (pack)

4000
3000
2000

Ramalan
Aktual

1000
0
54

55

56

57
58
Periode ke-

59

60

61

Gambar 4 Hasil peramalan dan data aktual permintaan pasar selada

14

Permintaan pasar (pack)

10000
9000
8000
7000

Ramalan

6000

Aktual

5000
4000
34

35

36
Periode ke-

37

38

Gambar 5 Hasil peramalan dan data aktual permintaan pasar bayam

Permintaan pasar (pack)

6000
5000
4000

Ramalan
Aktual

3000
2000
34

35

36
Perode ke-

37

38

Gambar 6 Hasil peramalan dan data aktual permintaan pasar kangkung
Permintaan pasar (pack)

4000
3000
2000

Ramalan
Aktual

1000
0
31

32
33
Periode ke-

34

Gambar 7 Hasil peramalan dan data aktual permintaan pasar jagung muda

15
MAPE merupakan rata-rata dari keseluruhan persentase kesalahan antara
data aktual dengan data hasil peramalan, nilai MAPE ditunjukkan dalam
persentase. Hasil perhitungan MAPE dari hasil ramalan masing-masing komoditas
yang dibandingkan dengan data aktualnya ditampilkan pada Tabel 4. Hasil
ramalan menggunakan model terbaik masing-masing komoditas dapat dikatakan
baik, dinyatakan dengan nilai kesalahan yang kurang dari 25%.
Tabel 4 Hasil perhitungan MAPE ramalan
Komoditas
Caisim
Pakchoy
Selada
Bayam
Kangkung
Jagung muda

Nilai MAPE
15.52%
21.11%
9.03%
18.30%
16.45%
20.99%

Validasi model juga dilakukan dengan melakukan uji t berpasangan.
Analisis ini digunakan apabila kita ingin membandingkan mean dan keragaman
dari dua kelompok data. Hasil ramalan masing-masing komoditas diuji beda nyata
dengan nilai aktualnya. Hasil uji t berpasangan tersebut ditampilkan pada Tabel 5.
Tabel 5 Hasil uji beda nyata nilai ramalan terhadap nilai aktual permintaan pasar
dengan metode uji t berpasangan
Komoditas
Caisim
Pakchoy
Selada
Bayam
Kangkung
Jagung muda

Nilai-p uji t berpasangan
0.929
0.160
0.097
0.882
0.788
0.137

Hasil uji t berpasangan pada Tabel 5 menunjukkan bahwa nilai peramalan
dari semua komoditas tidak berbeda nyata dengan nilai aktualnya pada selang
kepercayaan 95% yang dinyatakan oleh nilai-p dari semua komoditas mempunyai
nilai-p yang lebih besar dari 0.05. Hasil validasi menyimpulkan bahwa semua
model terbaik dari tiap komoditas yang telah ditetapkan dapat digunakan untuk
melakukan peramalan permintaan pasar satu periode tanam kedepan.

16
Penjadwalan Produksi
Penjadwalan produksi dilakukan dengan melakukan peramalan satu
periode tanam kedepan menggunakan data yang tersedia dari setiap komoditas.
Tabel 6 menunjukkan hasil ramalan setiap komoditas satu periode tanam kedepan.
Hasil ramalan dalam satuan pack dikonversi menjadi satuan kilogram, dari
informasi yang didapat satu pack berisi 0.25 kg sayuran. Masing-masing
komoditas mempunyai produktivitas yang berbeda, infomasi produktivitas
tanaman didapat dari perusahaan dan ditampilkan pada Tabel 6. Penjadwalan
produksi dilakukan dengan mencari luas tanam yang dibutuhkan dari infomasi
jumlah komoditas yang dibutuhkan dan produktivitas tanaman. Luas tanam yang
dibutuhkan tiap komoditas satu periode kedepan ditampilkan pada Tabel 6.
Tabel 6 Hasil ramalan, jumlah komoditas yang dibutuhkan, produktivitas
tanaman dan luas tanam yang dibutuhkan setiap komoditas

Komoditas

Caisim
Pakchoy
Selada
Bayam
Kangkung
Jagung muda

Ramalan
permintaan pasar
(pack)
1985
2066
1766
6106
4398
1664

Jumlah
komoditas
yang
dibutuhkan
(kg)
497
517
442
1527
1100
416

Produktivitas
tanaman
(kg/m2)

Luas tanam
yang
dibutuhkan
(m2)

0.5
0.5
0.7
0.6
0.7
0.3

994
1034
632
2545
1572
1387

Perusahaan dapat melakukan penjadwalan produksi satu periode kedepan
dengan cara melakukan peramalan menggunakan model yang ditetapkan pada
penelitian ini secara berkelanjutan jika data aktual satu periode sebelumnya sudah
tersedia. Hasil ramalan tersebut dapat dijadikan rekomendasi untuk melakukan
penjadwalan produksi seperti yang telah dilakukan pada penelitian ini. Optimasi
yang mengarah kepada maksimasi keuntungan dan minimasi kerugian dapat
dilakukan dengan memproduksi sayuran organik sesuai dengan hasil ramalan
tersebut.
Evaluasi model peramalan harus dilakukan secara berkelanjutan setelah
model ditetapkan untuk menjamin bahwa hasil peramalan dengan model tersebut
memuaskan (Montgomery et al. 2008). Hasil validasi menunjukkan adanya nilai
kesalahan pada hasil ramalan, nilai kesalahan tersebut akan terakumulasi dari
waktu ke waktu. Hal ini merupakan sifat dasar dari peramalan sehingga untuk
menanggulangi nilai kesalahan yang besar maka model harus dievaluasi secara
periodik pada waktu tertentu.

17

SIMPULAN DAN SARAN
Simpulan
Hasil penelitian menghasilkan model yang dapat digunakan perusahaan
untuk melakukan peramalan sebagai rekomendasi dalam melakukan penjadwalan
produksi. Model-model yang ditetapkan dalam penelitian ini yaitu ARIMA (1,0,1)
untuk caisim, ARIMA (1,0,0) untuk pakchoy, ARIMA (0,0,1) untuk selada,
ARIMA (0,1,1) untuk bayam, ARIMA (2,1,3) untuk kangkung dan jagung muda.
Komoditas yang tidak dilakukan pemodelan dalam penelitian ini adalah buncis,
wortel, kacang merah dan labu siam karena jumlah data yang ada tidak memenuhi
syarat pemodelan dengan metode ARIMA. Hasil uji validasi yang dilakukan
menyatakan bahwa semua model yang ditetapkan dalam penelitian ini valid,
dibuktikan dengan nilai MAPE yang kurang dari 25% dan hasil uji beda nyata
yang mempunyai nilai-p yang lebih dari 0.05. Optimasi penjadwalan produksi
dapat dilakukan dengan melakukan peramalan satu periode kedepan
menggunakan model yang telah ditetapkan pada penelitian ini. Hasil ramalan
tersebut digunakan untuk mencari luas tanam yang dibutuhkan tiap-tiap
komoditas untuk memenuhi permintaan pasar sehingga sehingga produksi dapat
dilakukan secara optimal.
Saran
Data sebelum tahun 2010 diperlukan untuk melengkapi data permintaan
pasar komoditas buncis, wortel, kacang merah dan labu siam supaya memenuhi
syarat kecukupan data sehingga komoditas-komoditas tersebut dapat dilakukan
peramalan. Nilai kesalahan peramalan menggunakan model yang ditetapkan pada
penelitan ini akan terus terakumulasi dari waktu ke waktu, untuk menanggulangi
nilai kesalahan yang semakin besar disarankan untuk melakukan evaluasi model
secara periodik pada waktu tertentu. Dalam penerapannya perusahaan disarankan
menggunakan software Minitab untuk melakukan peramalan dalam melakukan
proses penjadwalan produksi sayuran organik.

DAFTAR PUSTAKA
Assauri S. 1984. Teknik dan Metode Peramalan. Jakarta (ID): Penerbit Fakultas
Ekonomi Universitas Indonesia.
Bowerman BL, O’Connel RT. 1987. Time series Forecasting. Inufied Copcepts
and Computer Implementation.2nd edition. Boston (US): Duxburry Press.
Bowerman BL, O’Connell RT. 1993. Forecasting and Time Series: An Applied
Approach,
edition. Belmont, California (US): Duxbury Press.
Cryer JD. 1986. Time Series Analysis. Boston (US): Duxbury Press.
Fitriyana L. 2010. Meramalkan harga beras wilayah Jakarta dengan menggunakan
model intervensi [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Hanke JE, Reitsch AG, Wichern D. 1998. Business Forecasting (6th ed.).
Englewood Cliffs, NJ (US): Prentice-Hall.

18
Makridaskis S, Whelwright SC, McGee VE. 1983. Forecasting : Methods and
Application.2nd edition. New York (US): John Wiley and Sons.
Montgomery DC, Cheryl LJ, Murat K. 2008. Introduction to Time Series Analysis
and Forecasting. New Jersey (US): John Wiley & Sons, Inc.
Nasendi BDE, Anwar. 1985. Program Linier dan Variasinya. Jakarta (ID): PT.
Gramedia Pustaka Utama.
Ningsih AR. 2004. Peramalan permintaan beberapa komoditi sayuran pada PT.
Saung Mirwan, Bogor [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Susanti N. 2006. Peramalan permintaan cabai merah : studi kasus pasar induk
Kramat Jati, DKI Jakarta [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Wei WWS. 2006. Time Series Analysis Univariate and Multivariate Methods.
New York (US): Addison-Wesley Company Inc.

19
Lampiran 1 Tabel pendugaan model berdasarkan pola ACF dan PACF
Model

Pola ACF

Pola PACF
Muncul spike yang
menurun secara cepat (tails
AR (p)
signifikan hingga lag ke-p
off)
dan cut off setelah lag ke-p
muncul spike yang
menurun secara cepat (tails
MA (q)
signifikan hingga lag ke-q
off)
dan cut off setelah lag ke-q
menurun secara cepat (tails menurun secara cepat (tails
ARMA (p,q)
off)
off)
muncul spike yang
muncul spike yang
AR (p) atau MA (q) signifikan hingga lag ke-q signifikan hingga lag ke-p
dan cut off setelah lag ke-q dan cut off setelah lag ke-p
Bukan AR(p) atau
tidak ada spike yang
tidak ada spike yang
MA(q) (white noise
signifikan
signifikan
atau random process)
Sumber : Bowerman dan O’Connel (1993)

Autocorrelation Function for Caisim

Partial Autocorrelation Function for Caisim

(with 5% significance limits for the autocorrelations)

(with 5% significance limits for the partial autocorrelations)

1.0

1.0

0.8

0.8

0.6

0.6

Partial A utocorrelation

Autocorrelation

Lampiran 2 Plot ACF dan PACF caisim

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8

-1.0

-1.0
1

2

3

4

5

6

7
Lag

8

9

10

11

12

13

1

2

3

4

5

6

7
Lag

8

9

10

11

12

13

Autocorrelation Function for Pakchoy

Partial Autocorrelation Function for Pakchoy

(with 5% significance limits for the autocorrelations)

(with 5% significance limits for the partial autocorrelations)

1.0

1.0

0.8

0.8

0.6

0.6

Partial Autocorrelation

Autocorrelation

Lampiran 3 Plot ACF dan PACF pakchoy

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8

-1.0

-1.0
1

2

3

4

5

6

7
Lag

8

9

10

11

12

13

1

2

3

4

5

6

7
Lag

8

9

10

11

12

13

20

Autocorrelation Function for Selada

Partial Autocorrelation Function for Selada

(with 5% significance limits for the autocorrelations)

(with 5% significance limits for the partial autocorrelations)

1.0

1.0

0.8

0.8

0.6

0.6

Partial Autocorrelation

Autocorrelation

Lampiran 4 Plot ACF dan PACF selada

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8

-1.0

-1.0
1

2

3

4

5

6

7
Lag

8

9

10

11

12

13

1

2

3

4

5

6

7
Lag

8

9

10

11

12

13

Autocorrelation Function for Bayam

Partial Autocorrelation Function for Bayam

(with 5% significance limits for the autocorrelations)

(with 5% significance limits for the partial autocorrelations)

1.0

1.0

0.8

0.8

0.6

0.6

Partial A utocorrelation

A utocorrelation

Lampiran 5 Plot ACF dan PACF bayam

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8

-1.0

-1.0
1

2

3

4

5

6

7

8

1

2

3

4

Lag

5

6

7

8

Lag

Autocorrelation Function for Kangkung

Partial Autocorrelation Function for Kangkung

(with 5% significance limits for the autocorrelations)

(with 5% significance limits for the partial autocorrelations)

1.0

1.0

0.8

0.8

0.6

0.6

Partial Autocorrelation

A utocorrelation

Lampiran 6 Plot ACF dan PACF kangkung

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8

-1.0

-1.0

1

2

3

4

5
Lag

6

7

8

1

2

3

4

5
Lag

6

7

8

21
Lampiran 7 Plot ACF dan PACF jagung muda
Autocorrelation Function for Jagung Muda

Partial Autocorrelation Function for Jagung Muda
(with 5% significance limits for the partial autocorrelations)

1.0

1.0

0.8

0.8

0.6

0.6

Partial A utocorrelation

Autocorrelation

(with 5% significance limits for the autocorrelations)

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8

0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8

-1.0

-1.0
1

2

3

4

5

6

7

8

1

2

Lag

3

4

5

6

7

8

Lag

Lampiran 8 Hasil seleksi model
Komoditas
Caisim

Pakchoy

Selada

Bayam
Kangkung
Jagung muda

Model
ARIMA (1,0,0)
ARIMA (2,0,0)
ARIMA (1,0,1)
ARIMA (2,0,2)
ARIMA (4,0,1)
ARIMA (1,0,0)
ARIMA (0,0,1)
ARIMA (1,0,1)
ARIMA (2,0,0)
ARIMA (1,0,0)
ARIMA (0,0,1)
ARIMA (1,0,1)
ARIMA (0,0,2)
ARIMA (0,1,1)
ARIMA (2,1,2)
ARIMA (2,1,3)
ARIMA (2,1,3)

Nilai
parameter
signifikan
YA
YA
YA
YA
YA
YA
YA
TIDAK
TIDAK
YA
YA
TIDAK
TIDAK
YA
YA
YA
YA

Lolos uji
diagnostik
model
YA
YA
YA
YA
YA
YA
YA
YA
YA
YA
YA
YA
YA

Nilai
MSE
205001
190625
150217
171913
154352
126673
128545
152828
152035
985418
476916
435604
104570

22
Lampiran 9 Tabel perhitungan nilai ramalan caisim
Caisim
Periode
53
54
55
56
57
58
59
60
61

Nilai error
1487
18
121
-423
-497
-204
-87
528
447

Xt = 1.0002Xt-1 – 0.9170εt-1
Nilai aktual
Nilai ramalan
3353
2008
1990
2113
1992
1579
2002
1471
1968
1723
1927
1823
1910
2431
1903
2395
1948

Lampiran 10 Tabel perhitungan nilai ramalan pakchoy
Pakchoy
Periode
53
54
55
56
57
58
59
60
61

Xt = 1127.04 + 0.4188Xt-1
Nilai aktual
Nilai ramalan
2940
1708
2358
1752
1842
1335
1861
1286
1686
1361
1666
1581
1697
2109
1789
2241
2010

Lampiran 11 Tabel perhitungan nilai ramalan selada
Selada
Periode
53
54
55
56
57
58
59
60
61

Nilai error
58
-40
130
-188
-198
-314
-208
17
-3

Xt = 1766.95 + 0.3741εt-1
Nilai aktual
Nilai ramalan
1973
1749
1789
1882
1752
1628
1816
1499
1697
1379
1693
1441
1649
1706
1689
1770
1773

23

Lampiran 12 Tabel perhitungan nilai ramalan bayam
Bayam
Periode
33
34
35
36
37
38

Nilai error
2267
169
-1053
-904
-737
3148

Xt = Xt-1 – 0.9446εt-1 + 36.16
Nilai aktual
Nilai ramalan
7996
6060
5891
4884
5937
5010
5914
5163
5900
9044
5896

Lampiran 13 Tabel perhitungan nilai ramalan kangkung
Kangkung
Periode
31
32
33
34
35
36
37
38

Xt = 1.3884Xt-1 – 1.3102Xt-2 + 0.9218Xt-3 – 0.9947εt-1 + 0.9762εt-2
– 0.8446εt-3
Nilai error
Nilai aktual
Nilai ramalan
223
3290
-441
3332
948
5422
-984
3649
4633
-44
3267
3311
-77
2958
3035
-874
3181
4055
1373
5757
4384

Lampiran 14 Tabel perhitungan nilai ramalan jagung muda
Jagung
Muda
Periode
28
29
30
31
32
33
34

Xt = 2.3358Xt-1 – 2.3388Xt-2 + 1.0030Xt-3 – 1.9807εt-1 + 1.8316εt-2 –
0.6906εt-3
Nilai error
Nilai aktual
Nilai ramalan
197
1792
201
1712
956
2465
-420
1470
1890
-486
1343
1829
-213
1492
1705
85
1725
1640

24

RIWAYAT HIDUP
Penulis dilahirkan di Bandung pada tanggal 23 Oktober 1992 dari
pasangan Ihin Senjaya dan Rahayu Utami. Penulis adalah putra kedua dari dua
bersaudara. Tahun 2010 penulis lulus dari SMA Negeri 3 Tangerang Selatan dan
pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor (IPB)
melalui Undangan Seleksi Masuk IPB dan diterima di Departemen Teknik Mesin
dan Biosistem, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama mengikuti perkuliahan, penulis aktif menjadi asisten responsi mata
kuliah Agama Kristen pada tahun ajaran 2011/2012 dan 2013/2014. Penulis aktif
sebagai Koordinator Komisi Kesenian tahun 2012 dan sebagai Penilik tahun 2013
pada UKM Persekutuan Mahasiswa Kristen Institut Pertanian Bogor. Selain itu
penulis pun aktif dalam berbagai kepanitiaan seperti Natal Civa IPB maupun
Retreat PMK IPB. Pada bulan Juli-Agustus 2013 penulis melaksanakan Praktik
Lapang di pabrik kelapa sawit PT. Salim Ivomas Pratama yang bertujuan untuk
mempelajari manajemen alat dan mesin pengolahan kelapa sawit. Penulis juga
pernah menjadi Peserta Program Kreativitas Mahasiswa (PKM) didanai DIKTI
untuk kategori Kewirausahaan tahun 2013.