Chapter I Perbandingan Metode Pemulusan (Smoothing) Eksponensial Ganda Dua Parameter Dari Holt Dan Metode BoxJenkins Dalam Meramalkan Hasil Produksi Kernel Kelapa Sawit PT. Eka Dura Indonesia.
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Indonesia merupakan salah satu negara penghasil kelapa sawit utama di dunia.
Perkebunan kelapa sawit yang ada di Indonesia, tidak hanya dimiliki oleh
pemerintah (BUMN) saja, tetapi juga pihak swasta, baik perorangan maupun
perusahaan. PT. Eka Dura Indonesia merupakan salah satu perusahaan kelapa
sawit yang memproduksi Kernel. Produksi Kernel merupakan buah tanaman
kelapa sawit yang telah dipisahkan dari daging tempurungnya serta dilanjutkan
dikeringkan yang menjadi bahan baku minyak alkohol dan industri kosmetika.
Pada produksi Kernel setiap periode tidak selalu sama sehingga hal ini akan sulit
bagi pengambil keputusan dalam memperkirakan hasil produksi Kernel. Untuk
melihat hasil produksi ini di masa yang akan datang diperlukannya suatu
peramalan. Ini sangat bermanfaat sekali, karena dengan perencanaan ramalan
perusahaan dapat melihat naik atau turunnya produksi, sehingga perusahaan dapat
berjalan baik ke depan.
Peramalan (forecasting) merupakan kegiatan memprediksi nilai-nilai sebuah
variabel berdasarkan nilai yang diketahui dari variabel yang berhubungan.
(Makridakis, S, Wheelwright S.C dan McGee V. E). Salah satu metodenya adalah
Metode Pemulusan Ganda Dua Parameter dari Holt (Holt’s Two Parameter
Double Eksponential Smoothing). Metode ini memuluskan nilai trend dengan
parameter yang berbeda dari parameter yang digunakan pada deret yang asli. Nilai
parameter � terletak antara 0 dan 1.
Autoregressive Integrated Moving Average (ARIMA) merupakan metode
yang secara intensif dikembangkan oleh George Box dan Gwilym Jenkins.
2
ARIMA adalah teknik untuk mencari pola yang paling cocok dari sekelompok
data. Metode ini merupakan gabungan dari metode regresi dan metode
dekomposisi.
Berdasarkan data hasil produksi kernel PT. Eka Dura Indonesia setiap
periode mengalami kenaikan dan penurunan, oleh karena itu bentuk grafik yang
dihasilkan adalah bentuk data musiman. Maka penulis mengambil metode BoxJenkins karena metode peramalan ini lebih akurat menggunakan data musiman.
Sedangkan dari data hasil produksi kernel, ada beberapa periode yang datanya
cenderung menaik atau menurun. Maka penulis mengambil metode Holt karena
metode peramalan ini dilihat berdasarkan nilai trend.
Dari uraian di atas, maka penulis ingin menguraikan penelitian terhadap
data produksi kernel pada masa lalu, untuk meramalkan produksi kernel pada
masa yang akan datang. Untuk itu penulis mengambil judul “Perbandingan
Metode Pemulusan (Smoothing) Eksponensial Ganda Dua Parameter Dari
Holt Dan Metode Box-Jenkins Dalam Meramalkan Hasil Produksi Kernel
Kelapa Sawit PT. Eka Dura Indonesia”.
1.2 Perumusan Masalah
Produksi kernel setiap periode tidak selalu sama sehingga diperlukan hasil
ramalan produksi kernel untuk periode mendatang dan memilih salah satu metode
peramalan menggunakan metode pemulusan (smoothing) eksponensial ganda dua
parameter dari Holt dan metode Box-Jenkins berdasarkan hasil nilai error
peramalan produksi kernel pada periode mendatang.
3
1.3 Batasan Masalah
Untuk menghindari terlalu meluasnya masalah dan adanya penyimpangan dalam
pengambilan kesimpulan, perlu adanya batasan-batasan untuk menyelesaikan
permasalahan, yaitu:
a. Data yang diambil adalah data sekunder dari PT. Eka Dura Indonesia di Riau.
b. Data yang diolah adalah data hasil produksi kelapa sawit yaitu produksi
kernel pada tahun 2010-2014.
c. Metode yang digunakan dalam penelitian adalah metode pemulusan
(smoothing) eksponensial ganda dua parameter dari Holt dan metode BoxJenkins.
d. Hasil ramalan dalam penelitian ini diarahkan untuk satu tahun mendatang.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah menganalisa produksi kernel pada PT. Eka Dura
Indonesia, dan memilih salah satu metode peramalan yaitu metode pemulusan
(smoothing) eksponensial ganda dua parameter dari Holt atau metode Box-Jenkins
berdasarkan hasil nilai error peramalan produksi kernel pada PT. Eka Dura
Indonesia selama tahun 2015.
1.5 Kontribusi Penelitian
Manfaat dari penelitian ini adalah:
1. Sebagai referensi bacaan untuk mahasiswa matematika terlebih bagi
mahasiswa yang melakukan penelitian serupa.
2. Sebagai informasi kepada pembaca bahwa permasalahan untuk peramalan
hasil produksi kelapa sawit bisa diselesaikan dengan menggunakan metode
pemulusan (smoothing) eksponensial ganda dua parameter dari Holt dan
metode Box-Jenkins.
4
3. Sebagai bahan masukan bagi para pembuat kebijakan dan pengambil
keputusan dalam merumuskan dan merencanakan upaya peningkatan hasil
produksi kelapa sawit pada PT. Eka Dura Indonesia.
1.6 Tinjauan Pustaka
Rosnaini Ginting (2007) dalam bukunya yang berjudul “Sistem Produksi”
mengemukakan bahwa metode peramalan sangat berguna karena akan membantu
dalam mengadakan pendekatan analisis terhadap tingkah laku atau pola dari data
yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan
yang sistematis serta memberikan tingkat keyakinan yang lebih besar atas
ketepatan hasil ramalan yang dibuat atau disusun.
Spyros Makridakis et al. (1993) dalam bukunya yang berjudul “Metode
dan Aplikasi Peramalan” mengemukakan bahwa pemulusan eksponensial ganda
dua parameter dari Holt pada prinsipnya serupa dengan Brown, kecuali bahwa
Holt tidak menggunakan rumus pemulusan berganda secara langsung. Sebagai
gantinya Holt memuluskan nilai trend dengan parameter yang berbeda dari
parameter yang digunakan pada deret yang asli. Ramalan dari pemulusan
eksponensial ganda dua parameter dari Holt didapat dengan menggunakan 2
konstanta pemulusan � dan � (dua parameter) yang nilainya antara 0 dan 1.
Persamaan yang digunakan dalam metode pemulusan eksponensial ganda
dua parameter dari Holt yaitu sebagai berikut:
1. ��
2. ��
= ∝ �� + (1−∝)(��−1 + ��−1 )
= �(�� − ��−1 ) + (1 − �)��−1
3. ��+� = �� + �� �
di mana:
∝
�
��
: parameter pertama perataan antara nol dan satu
: parameter kedua untuk pemulusan trend
: data pada periode ke-t
5
��
: trend pada periode ke-t
��
: nilai pemulusan pada saat t
m
: jumlah periode yang akan diramalkan
��+� : hasil peramalan ke- (t + m)
ARIMA Box-Jenkins mengemukakan bahwa hal yang penting dalam
analisa deret berkala adalah koefisien autokorelasi yang menunjukkan hubungan
antara suatu data deret berkala dengan deret berkala itu sendiri pada suatu
keterlambatan waktu (time lag) k periode. Autokorelasi untuk time lag dapat
dicari dengan notasi �� sebagai berikut:
�� =
di mana:
��
��
��
�
�
∑�−�
�=1 (�� − � )( ��+� − � )
∑��=1(�� − ��)2
= nilai koefisien korelasi pada saat k, k = 1, 2, 3, ... , k
= data aktual periode ke t
= mean dari data aktual
��+� = data aktual pada periode t dengan lag k
Model Box-Jenkins (ARIMA) dibagi kedalam tiga kelompok yaitu model
Autoregressive
(AR),
Moving
Average
(MA),
dan
model
campuran
Autoregressive Moving Average (ARIMA) yang mempunyai karakteristik dari dua
model pertama.
1. Model Autoregressive (AR)
Bentuk umum model Autoregressive dengan ordo p (AR (p)) atau model
ARIMA (p,0,0) dinyatakan sebagai berikut:
di mana:
�′
��−�
�� = �′ + �1 ��−1 + �2 ��−2 + ⋯ + �� ��−� + ��
= suatu konstanta
= nilai pengamatan periode ke-p
�� = parameter Autoregressive ke-p
��
= nilai kesalahan pada saat t
6
2. Model Moving Average (MA)
Bentuk umum model Moving Average ordo q (MA(q)) atau ARIMA (0,0,q)
dinyatakan sebagai berikut:
�� = �′ + �� − �1 ��−1 + �2 ��−2 + ⋯ + �� ��−�
di mana:
�′
= suatu konstanta
��−�
= nilai kesalahan pada saat t-q
�1 , �2
= parameter-parameter moving average
3. Model campuran
a. Proses ARMA
Model umum untuk campuran proses AR (p) murni dan MA (q) murni,
misalnya ARMA (p,q) dinyatakan sebagai berikut:
�� = �′ + �1 ��−1 + �2 ��−2 + ⋯ + �� ��−� − �1 ��−1 − �2 ��−2 − ⋯ − �� ��−� + ��
b. Proses ARIMA
Apabila nonstasioneritas ditambah pada campuran proses ARMA, maka
model umum ARIMA (p,d,q) terpenuhi. Persamaan untuk kasus
sederhana ARIMA (p,d,q) adalah sebagai berikut:
�� = �′ + �1 ��−1 + �2 ��−2 + ⋯ + �� ��−� + �� − �1 ��−1 − �2 ��−2 − ⋯ − �� ��−�
Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala
bersifat nonstasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA
hanya berkenaan dengan deret berkala yang stasioner. Stasioneritas berarti tidak
terdapat pertumbuhan atau penurunan pada data. Data secara kasarnya harus
horizontal sepanjang sumbu waktu. Suatu deret waktu yang tidak stasioner harus
diubah menjadi data stasioner dengan melakukan differencing. Yang dimaksud
dengan differencing adalah menghitung perubahan atau selisih nilai observasi.
Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak. Jika belum
stasioner maka dilakukan differencing lagi. Jika varians tidak stasioner, maka
dilakukan transformasi logaritma.
Lerbin R. Aritonang R dalam bukunya “Peramalan Bisnis” (2002)
menyatakan eksponensial ganda dua parameter Holt adalah teknik ini komponen
trend dihaluskan secara terpisah dengan menggunakan parameter yang berbeda.
7
Teknik ini memiliki keunggulan yaitu lebih fleksibel karena trendnya dapat
dihaluskan dengan menggunakan bobot yang berbeda, namun demikian kedua
parameternya perlu dioptimalkan sehingga pencarian kombinasi terbaik parameter
tersebut lebih rumit daripada hanya menggunakan satu parameter. Selain itu,
komponen musim pada teknik ini tidak diperhitungkan.
Sedangkan Metode ARIMA Box-Jenkins mengemukakan bahwa data yang
dianalisa dalam model ARIMA Box-Jenkins adalah data yang bersifat stasioner,
yaitu data yang mempunyai rata-rata dan variansi yang konstan dari periode ke
periode.
1.7 Metodologi Penelitian
Penelitian ini dibuat berdasarkan studi kasus pada PT. Eka Dura Indonesia dengan
langkah-langkah sebagai berikut:
1. Penelusuran referensi ini bersumber dari buku, jurnal maupun penelitian yang
telah ada sebelumnya mengenai hal-hal yang berhubungan dengan metode
yang dipakai.
2. Mengumpulkan data produksi kernel pada PT. Eka Dura Indonesia.
3. Menganalisis
data
menggunakan
metode
eksponensial ganda dua parameter dari Holt.
Mulai
Menentukan Nilai � dan �
Mencari Nilai Pemulusan
(�� )
Mencari Nilai Trend
Pemulusan (�� )
Melakukan Peramalan
selesai
pemulusan
(smoothing)
8
4. Menganalisa data menggunakan metode Box-Jenkins.
mulai
•
•
Membuat time series plot
Membuat plot ACF dan PACF
Melakukan
differencing
Data sudah
stasioner?
Identifikasi
model
Estimasi
Parameter model
Verifikasi
parameter model
Menentukan model
yang terbaik
Melakukan
peramalan
9
5. Melakukan perbandingan hasil analisis ramalan dengan menggunakan metode
pemulusan (smoothing) eksponensial ganda dua parameter dari Holt dan
metode Box-Jenkins berdasarkan hasil nilai error peramalan produksi kernel.
6. Menetapkan metode yang lebih efektif berdasarkan hasil peramalan produksi
kernel PT. Eka Dura Indonesia.
7. Penyusunan laporan.
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Indonesia merupakan salah satu negara penghasil kelapa sawit utama di dunia.
Perkebunan kelapa sawit yang ada di Indonesia, tidak hanya dimiliki oleh
pemerintah (BUMN) saja, tetapi juga pihak swasta, baik perorangan maupun
perusahaan. PT. Eka Dura Indonesia merupakan salah satu perusahaan kelapa
sawit yang memproduksi Kernel. Produksi Kernel merupakan buah tanaman
kelapa sawit yang telah dipisahkan dari daging tempurungnya serta dilanjutkan
dikeringkan yang menjadi bahan baku minyak alkohol dan industri kosmetika.
Pada produksi Kernel setiap periode tidak selalu sama sehingga hal ini akan sulit
bagi pengambil keputusan dalam memperkirakan hasil produksi Kernel. Untuk
melihat hasil produksi ini di masa yang akan datang diperlukannya suatu
peramalan. Ini sangat bermanfaat sekali, karena dengan perencanaan ramalan
perusahaan dapat melihat naik atau turunnya produksi, sehingga perusahaan dapat
berjalan baik ke depan.
Peramalan (forecasting) merupakan kegiatan memprediksi nilai-nilai sebuah
variabel berdasarkan nilai yang diketahui dari variabel yang berhubungan.
(Makridakis, S, Wheelwright S.C dan McGee V. E). Salah satu metodenya adalah
Metode Pemulusan Ganda Dua Parameter dari Holt (Holt’s Two Parameter
Double Eksponential Smoothing). Metode ini memuluskan nilai trend dengan
parameter yang berbeda dari parameter yang digunakan pada deret yang asli. Nilai
parameter � terletak antara 0 dan 1.
Autoregressive Integrated Moving Average (ARIMA) merupakan metode
yang secara intensif dikembangkan oleh George Box dan Gwilym Jenkins.
2
ARIMA adalah teknik untuk mencari pola yang paling cocok dari sekelompok
data. Metode ini merupakan gabungan dari metode regresi dan metode
dekomposisi.
Berdasarkan data hasil produksi kernel PT. Eka Dura Indonesia setiap
periode mengalami kenaikan dan penurunan, oleh karena itu bentuk grafik yang
dihasilkan adalah bentuk data musiman. Maka penulis mengambil metode BoxJenkins karena metode peramalan ini lebih akurat menggunakan data musiman.
Sedangkan dari data hasil produksi kernel, ada beberapa periode yang datanya
cenderung menaik atau menurun. Maka penulis mengambil metode Holt karena
metode peramalan ini dilihat berdasarkan nilai trend.
Dari uraian di atas, maka penulis ingin menguraikan penelitian terhadap
data produksi kernel pada masa lalu, untuk meramalkan produksi kernel pada
masa yang akan datang. Untuk itu penulis mengambil judul “Perbandingan
Metode Pemulusan (Smoothing) Eksponensial Ganda Dua Parameter Dari
Holt Dan Metode Box-Jenkins Dalam Meramalkan Hasil Produksi Kernel
Kelapa Sawit PT. Eka Dura Indonesia”.
1.2 Perumusan Masalah
Produksi kernel setiap periode tidak selalu sama sehingga diperlukan hasil
ramalan produksi kernel untuk periode mendatang dan memilih salah satu metode
peramalan menggunakan metode pemulusan (smoothing) eksponensial ganda dua
parameter dari Holt dan metode Box-Jenkins berdasarkan hasil nilai error
peramalan produksi kernel pada periode mendatang.
3
1.3 Batasan Masalah
Untuk menghindari terlalu meluasnya masalah dan adanya penyimpangan dalam
pengambilan kesimpulan, perlu adanya batasan-batasan untuk menyelesaikan
permasalahan, yaitu:
a. Data yang diambil adalah data sekunder dari PT. Eka Dura Indonesia di Riau.
b. Data yang diolah adalah data hasil produksi kelapa sawit yaitu produksi
kernel pada tahun 2010-2014.
c. Metode yang digunakan dalam penelitian adalah metode pemulusan
(smoothing) eksponensial ganda dua parameter dari Holt dan metode BoxJenkins.
d. Hasil ramalan dalam penelitian ini diarahkan untuk satu tahun mendatang.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah menganalisa produksi kernel pada PT. Eka Dura
Indonesia, dan memilih salah satu metode peramalan yaitu metode pemulusan
(smoothing) eksponensial ganda dua parameter dari Holt atau metode Box-Jenkins
berdasarkan hasil nilai error peramalan produksi kernel pada PT. Eka Dura
Indonesia selama tahun 2015.
1.5 Kontribusi Penelitian
Manfaat dari penelitian ini adalah:
1. Sebagai referensi bacaan untuk mahasiswa matematika terlebih bagi
mahasiswa yang melakukan penelitian serupa.
2. Sebagai informasi kepada pembaca bahwa permasalahan untuk peramalan
hasil produksi kelapa sawit bisa diselesaikan dengan menggunakan metode
pemulusan (smoothing) eksponensial ganda dua parameter dari Holt dan
metode Box-Jenkins.
4
3. Sebagai bahan masukan bagi para pembuat kebijakan dan pengambil
keputusan dalam merumuskan dan merencanakan upaya peningkatan hasil
produksi kelapa sawit pada PT. Eka Dura Indonesia.
1.6 Tinjauan Pustaka
Rosnaini Ginting (2007) dalam bukunya yang berjudul “Sistem Produksi”
mengemukakan bahwa metode peramalan sangat berguna karena akan membantu
dalam mengadakan pendekatan analisis terhadap tingkah laku atau pola dari data
yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan
yang sistematis serta memberikan tingkat keyakinan yang lebih besar atas
ketepatan hasil ramalan yang dibuat atau disusun.
Spyros Makridakis et al. (1993) dalam bukunya yang berjudul “Metode
dan Aplikasi Peramalan” mengemukakan bahwa pemulusan eksponensial ganda
dua parameter dari Holt pada prinsipnya serupa dengan Brown, kecuali bahwa
Holt tidak menggunakan rumus pemulusan berganda secara langsung. Sebagai
gantinya Holt memuluskan nilai trend dengan parameter yang berbeda dari
parameter yang digunakan pada deret yang asli. Ramalan dari pemulusan
eksponensial ganda dua parameter dari Holt didapat dengan menggunakan 2
konstanta pemulusan � dan � (dua parameter) yang nilainya antara 0 dan 1.
Persamaan yang digunakan dalam metode pemulusan eksponensial ganda
dua parameter dari Holt yaitu sebagai berikut:
1. ��
2. ��
= ∝ �� + (1−∝)(��−1 + ��−1 )
= �(�� − ��−1 ) + (1 − �)��−1
3. ��+� = �� + �� �
di mana:
∝
�
��
: parameter pertama perataan antara nol dan satu
: parameter kedua untuk pemulusan trend
: data pada periode ke-t
5
��
: trend pada periode ke-t
��
: nilai pemulusan pada saat t
m
: jumlah periode yang akan diramalkan
��+� : hasil peramalan ke- (t + m)
ARIMA Box-Jenkins mengemukakan bahwa hal yang penting dalam
analisa deret berkala adalah koefisien autokorelasi yang menunjukkan hubungan
antara suatu data deret berkala dengan deret berkala itu sendiri pada suatu
keterlambatan waktu (time lag) k periode. Autokorelasi untuk time lag dapat
dicari dengan notasi �� sebagai berikut:
�� =
di mana:
��
��
��
�
�
∑�−�
�=1 (�� − � )( ��+� − � )
∑��=1(�� − ��)2
= nilai koefisien korelasi pada saat k, k = 1, 2, 3, ... , k
= data aktual periode ke t
= mean dari data aktual
��+� = data aktual pada periode t dengan lag k
Model Box-Jenkins (ARIMA) dibagi kedalam tiga kelompok yaitu model
Autoregressive
(AR),
Moving
Average
(MA),
dan
model
campuran
Autoregressive Moving Average (ARIMA) yang mempunyai karakteristik dari dua
model pertama.
1. Model Autoregressive (AR)
Bentuk umum model Autoregressive dengan ordo p (AR (p)) atau model
ARIMA (p,0,0) dinyatakan sebagai berikut:
di mana:
�′
��−�
�� = �′ + �1 ��−1 + �2 ��−2 + ⋯ + �� ��−� + ��
= suatu konstanta
= nilai pengamatan periode ke-p
�� = parameter Autoregressive ke-p
��
= nilai kesalahan pada saat t
6
2. Model Moving Average (MA)
Bentuk umum model Moving Average ordo q (MA(q)) atau ARIMA (0,0,q)
dinyatakan sebagai berikut:
�� = �′ + �� − �1 ��−1 + �2 ��−2 + ⋯ + �� ��−�
di mana:
�′
= suatu konstanta
��−�
= nilai kesalahan pada saat t-q
�1 , �2
= parameter-parameter moving average
3. Model campuran
a. Proses ARMA
Model umum untuk campuran proses AR (p) murni dan MA (q) murni,
misalnya ARMA (p,q) dinyatakan sebagai berikut:
�� = �′ + �1 ��−1 + �2 ��−2 + ⋯ + �� ��−� − �1 ��−1 − �2 ��−2 − ⋯ − �� ��−� + ��
b. Proses ARIMA
Apabila nonstasioneritas ditambah pada campuran proses ARMA, maka
model umum ARIMA (p,d,q) terpenuhi. Persamaan untuk kasus
sederhana ARIMA (p,d,q) adalah sebagai berikut:
�� = �′ + �1 ��−1 + �2 ��−2 + ⋯ + �� ��−� + �� − �1 ��−1 − �2 ��−2 − ⋯ − �� ��−�
Hal yang perlu diperhatikan adalah bahwa kebanyakan deret berkala
bersifat nonstasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA
hanya berkenaan dengan deret berkala yang stasioner. Stasioneritas berarti tidak
terdapat pertumbuhan atau penurunan pada data. Data secara kasarnya harus
horizontal sepanjang sumbu waktu. Suatu deret waktu yang tidak stasioner harus
diubah menjadi data stasioner dengan melakukan differencing. Yang dimaksud
dengan differencing adalah menghitung perubahan atau selisih nilai observasi.
Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak. Jika belum
stasioner maka dilakukan differencing lagi. Jika varians tidak stasioner, maka
dilakukan transformasi logaritma.
Lerbin R. Aritonang R dalam bukunya “Peramalan Bisnis” (2002)
menyatakan eksponensial ganda dua parameter Holt adalah teknik ini komponen
trend dihaluskan secara terpisah dengan menggunakan parameter yang berbeda.
7
Teknik ini memiliki keunggulan yaitu lebih fleksibel karena trendnya dapat
dihaluskan dengan menggunakan bobot yang berbeda, namun demikian kedua
parameternya perlu dioptimalkan sehingga pencarian kombinasi terbaik parameter
tersebut lebih rumit daripada hanya menggunakan satu parameter. Selain itu,
komponen musim pada teknik ini tidak diperhitungkan.
Sedangkan Metode ARIMA Box-Jenkins mengemukakan bahwa data yang
dianalisa dalam model ARIMA Box-Jenkins adalah data yang bersifat stasioner,
yaitu data yang mempunyai rata-rata dan variansi yang konstan dari periode ke
periode.
1.7 Metodologi Penelitian
Penelitian ini dibuat berdasarkan studi kasus pada PT. Eka Dura Indonesia dengan
langkah-langkah sebagai berikut:
1. Penelusuran referensi ini bersumber dari buku, jurnal maupun penelitian yang
telah ada sebelumnya mengenai hal-hal yang berhubungan dengan metode
yang dipakai.
2. Mengumpulkan data produksi kernel pada PT. Eka Dura Indonesia.
3. Menganalisis
data
menggunakan
metode
eksponensial ganda dua parameter dari Holt.
Mulai
Menentukan Nilai � dan �
Mencari Nilai Pemulusan
(�� )
Mencari Nilai Trend
Pemulusan (�� )
Melakukan Peramalan
selesai
pemulusan
(smoothing)
8
4. Menganalisa data menggunakan metode Box-Jenkins.
mulai
•
•
Membuat time series plot
Membuat plot ACF dan PACF
Melakukan
differencing
Data sudah
stasioner?
Identifikasi
model
Estimasi
Parameter model
Verifikasi
parameter model
Menentukan model
yang terbaik
Melakukan
peramalan
9
5. Melakukan perbandingan hasil analisis ramalan dengan menggunakan metode
pemulusan (smoothing) eksponensial ganda dua parameter dari Holt dan
metode Box-Jenkins berdasarkan hasil nilai error peramalan produksi kernel.
6. Menetapkan metode yang lebih efektif berdasarkan hasil peramalan produksi
kernel PT. Eka Dura Indonesia.
7. Penyusunan laporan.