Proyeksi Produksi Kelapa Sawit (Tbs) Periode 2009-2010, Pada PT. PP London Sumatra Indonesia Tbk Di Bah Bulian Estate Kabupaten Simalungun Dengan Menggunakan Metode Eksponensial

PROYEKSI PRODUKSI KELAPA SAWIT (TBS) PERIODE

2009-2010, PADA PT. PP. LONDON SUMATRA INDONESIA Tbk DI

BAH BULIAN ESTATE KABUPATEN SIMALUNGUN

DENGAN MENGGUNAKAN METODE

EKSPONENSIAL

TUGAS AKHIR

NOVITALIA MIRANDA 052407092

PROGRAM STUDI D3 STATISTIKA

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2008

PERSETUJUAN

Judul : PROYEKSI PRODUKSI KELAPA SAWIT (OIL

PALM) PERIODE 2009-2010, PADA PT. PP.

LONDON SUMATRA INDONESIA Tbk DI BAH BULIAN ESTATE KABUPATEN SIMALUNGUN DENGAN METODE PEMULUSAN

EKSPONENSIAL

Kategori : TUGAS AKHIR

Nama : NOVITALIA MIRANDA

Nomor Induk Mahasiswa : 052407092

Program Studi : DIPLOMA-3 STATISTIKA

Departemen : MATEMATIKA

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN

ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA

Diketahui/Disetujui oleh

Departemen Matematika FMIPA USU

Ketua Pembimbing

Dr. Saib Suwilo, M. Sc

NIP. 131 796 149 NIP. 131 283 729

PERNYATAAN

PROYEKSI PRODUKSI KELAPA SAWIT (TBS) PERIODE 2009-2010 PADA PT. PP. LONDON SUMATRA INDONESIA Tbk Di BAH BULIAN ESTATE

KABUPATEN SIMALUNGUN DENGAN METODE PEMULUSAN EKSPONENSIAL

TUGAS AKHIR

Saya mengakui bahwa tugas akhir ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan-ringkasan yang masing-masing disebutkan sumbernya.

Medan, Juni 2008

NOVITALIA MIRANDA 052407092

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, yang telah memberikan penulis kesehatan dan kekuatan dalam menyelesaikan Tugas Akhir ini. Tugas Akhir ini merupakan syarat bagi mahasiswa untuk menyelesaikan Pendidikan Diploma III Program Studi Statistika FMIPA USU.

Adapun judul Tugas Akhir ini adalah “Proyeksi Produksi Kelapa Sawit (Oil

Palm) periode 2009-2010 Pada PT. PP. London Sumatra Indonesia tbk di Bah Bulian

Estate Kabupaten Simalungun”. Dalam menyelesaikan Tugas Akhir ini, penulis banyak mendapat bimbingan, pengarahan serta bantuan dari berbagai pihak. Untuk itu, pada kesempatan ini penulis ingin mengucapkan terima kasih dan penghargaan yang setulusnya kepada Dr. Eddy Marlianto M.Sc. selaku Dekan FMIPA USU, Ketua Departemen Dr. Saib Suwilo, M.Sc. dan Sekretaris Departemae sekaligus dosen pembimbing Drs. Henri Rani Sitepu M.Si., yang telah banyak membantu penulis dalam menyelesaikan Tugas Akhir ini. Dan semua dosen pada Departemen Matematika FMIPA USU, Pegawai di FMIPA USU, My LuPhLy Cb4 Kodong(Ka), Nucul (Rul), Onggiq(Yu), Centenk(Firman), Komeng(Heri) makasih buat kebersamaannya selama ini thanks 4 everything. Dan My LupHLy Jahe Uty(Uut), Ema(Emon), Riri(Mantili), Oly(Kuceng),de’ry, evy, makasih untuk kebersamaan yang sudah tejalin selama ini miz U aLL n 4 C UghH thanks. Dan semua teman-teman yang tidak bisa disebut satu per satu. Akhirnya tidak terlupakan kepada Ayahanda dan Manda tercinta atas pengorbanan, bimbingan, dukungan moril dan materil selama ini, juga buat adik dan saudara-saudara. Kiranya hanya Tuhan Yang Maha Esa yang akan membalasnya.

Penulis menyadari bahwa Tugas Akhir ini masih jauh dari sempurna, oleh karena itu dengan segala kerendahan hati penulis mengharapkan kesediaan para pembaca untuk memberikan saran dan kritik yang bersifat membangun demi kesempurnaan Tugas Akhir ini.

Medan, Mei 2008

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Daftar isi v

Daftar tabel vii

Daftar gambar viii

BAB 1 PENDAHULUAN

1.1 Latar Belakang 1

1.2 Tujuan dan Manfaat Penelitian 2

1.3 Identifikasi Masalah 3

1.4 Pembatasan Masalah 3

1.5 Metode Penelitian 4

1.6 Tinjauan Pustaka 5

1.7 Lokasi Penelitian dan Waktu 6

1.8 Sistematika Penulisan 6

BAB 2 TINJAUAN TEORITIS

2.1 Pengertian Peramalan 8

2.2Jenis-Jenis Peramalan 10

2.3Langkah-langkah Peramalan 10

2.4Metode Peramalan 11

BAB 3 GAMBARAN UMUM PERUSAHAAN

3.1 Sejarah Berdirinya Perusahaan 14

3.2 Bidang Kegiatan Perusahaan 16

3.3 Tujuan, Misi, Visi Perusahaan 20

BAB 4 ANALISA DAN PEMBAHASAN

4.1 Analisis 21

4.2 Size Sample(Kecukupan Sample) 23

4.3 Forecast dengan Double Eksponensial Smoothing (α=0,1) 23 4.4 Forecast dengan Double Eksponensial Smoothing (α=0,2) 26 4.5 Forecast dengan Double Eksponensial Smoothing (α=0,3) 28

4.6 Forecast dengan Double Eksponensial Smoothing (α=0,4) 30 4.7 Forecast dengan Double Eksponensial Smoothing (α=0,5) 32 4.8 Forecast dengan Double Eksponensial Smoothing (α=0,6) 34 4.9 Forecast dengan Double Eksponensial Smoothing (α=0,7) 36 4.10Forecast dengan Double Eksponensial Smoothing (α=0,8) 38 4.11Forecast dengan Double Eksponensial Smoothing (α=0,9) 40

4.12Nilai Rata-Rata Kesalahan ( Mean Square Error) 42

BAB 5 IMPLEMENTASI SISTEM

5.1 Tahapan Implementasi 51

5.2 Microsoft Excel 52

5.3 Langkah-Langkah Memulai Pengolahan Data dengan Excel 52

5.4 Penggambaran Hasil 57

BAB 6 PENUTUP

6.1 Kesimpulan 59

6.2 Saran 59

DAFTAR PUSTAKA LAMPIRAN

DAFTAR TABEL

Halaman

Tabel 4.1 Jumlah Produksi Kelapa Sawit (Oil Palm) 22

Tabel 4.2 Peramalan Produksi Kelapa Sawit (Oil Palm) 25

Tabel 4.3 Jumlah Produksi Kelapa Sawit (Oil Palm) 27

Tabel 4.4 Jumlah Produksi Kelapa Sawit (Oil Palm) 29

Tabel 4.5 Jumlah Produksi Kelapa Sawit (Oil Palm) 31

Tabel 4.6 Jumlah Produksi Kelapa Sawit (Oil Palm) 33

Tabel 4.7 Jumlah Produksi Kelapa Sawit (Oil Palm) 35

Tabel 4.8 Jumlah Produksi Kelapa Sawit (Oil Palm) 37

Tabel 4.9 Jumlah Produksi Kelapa Sawit (Oil Palm) 39

Tabel 4.10 Jumlah Produksi Kelapa Sawit (Oil Palm) 41

Tabel 4.11 Nilai Pemulusan Eksponensial 45

Tabel 4.12 Forecast dengan Double Eksponensial Smoothing (

α

=0,7) 50

DAFTAR GAMBAR

Halaman

Gambar 4.1 Grafik Jumlah Produksi Kelapa Sawit (Oil Palm) 22

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Dengan perkembangan teknologi dewasa ini, peramalan merupakan seni dan ilmu

memprediksi kejadian yang mungkin dihadapi pada masa mendatang. Apabila suatu

metode peramalan dapat dianalisa dengan baik, maka akan diperoleh suatu metode

peramalan yang memberi hasil ramalan yang dapat lebih dipercaya.

Pembangunan dibidang perkebunan adalah yang menunjang untuk suksesnya

pembangunan di Indonesia. Karena negara Indonesia mempunyai tanah yang subur

yang cocok untuk perkebunan, maka untuk itu perlu adanya suatu perkiraan atau

peramalan yang sangat akurat untuk menentukan produksi perkebunan di Indonesia..

Pada perkebunan PT. PP. London Sumatra Indonesia Tbk di Bah Bulian Estate

kabupaten Simalungun terdapat hasil produksi khususnya kelapa sawit (TBS) pada

tahun 2005 sampai dengan 2007, terdapat peningkatan terhadap hasil produksi kelapa

yaitu pada tahun 2009 sampai tahun 2010 hasil produksi kelapa sawit (TBS) akan

terus meningkat atau mengalami penurunan.

Untuk mengimplementasikan keadaan diatas penulis mengajukan tugas akhir

yang mengambil judul “PROYEKSI PRODUKSI KELAPA SAWIT (TBS)

PERIODE 2009-2010 PADA PT. PP. LONDON SUMATRA INDONESIA Tbk Di BAH BULIAN ESTATE KABUPATEN SIMALUNGUN DENGAN METODE PEMULUSAN EKSPONENSIAL”

1.2 Tujuan dan Manfaat Penelitian

Tujuan utama dari penulis adalah sebagai berikut:

1. Untuk malihat peningkatan atau penurunan hasil produksi kelapa sawit (TBS)

di PT. PP. London Sumatra Indonesia Tbk. di Bah Bulian Estate kabupaten

Simalungun dari tahun 2005 sampai dengan tahun 2007 dan meramalkan dua

tahun yang akan datang yaitu pada tahun 2009 sampai dengan tahun 2010.

2. Memberikan gambaran terhadap perubahan dalam peningkatan hasil produksi

kelapa sawit (TBS) di PT. PP. London Sumatra Indonesia Tbk. di Bah Bulian

Selain tujuan tersebut, penelitian ini diharapkan dapat memberikan manfaat,

yaitu:

1. Untuk menambah ilmu pengetahuan bagi penulis khususnya penelitian

2. untuk memberikan masukan dan sumbangan pemikiran berupa saran

yang mungkin berguna bagi PT. PP. London Sumatra Indonesia Tbk. di

Bah Bulian Estate kabupaten Simalungun.

1.3 Identifikasi Masalah

Dalam perkebunan mempunyai berbagai tujuan-tujuan tertentu untuk menghasilkan

keuntungan, salah satu dari tujuan tersebut adalah dapat meningkatkan hasil produksi.

Dari data yang diperoleh di PT. PP. London Sumatra Indonesia Tbk khususnya di

Bah Bulian Estate pada tahun 2005 sampai dengan tahun 2007 mengalami

peningkatan hasil produksi, sehingga penulis merasa tertarik untuk mengetahui apakah

pada dua tahun yang akan datang yaitu tahun 2009 sampai dengan tahun 2010 hasil

1.4 Pembatasan Masalah

Untuk dapat memecahkan suatu masalah yang terdapat pada produksi kelapa sawit

(TBS) di PT. PP. London Sumatra Indonesia Tbk khususnya di Bah Bulian Estate,

sehingga penulis mengadakan pembatasan masalah agar pembahasan tidak terlalu luas

dan menyimpang dari permasalahan yang sebenarnya. Adapun pembatasan

permasalahan adalah sebagai berikut:

1. Pembahasan hanya dilakukan pada data produksi kelapa sawit (TBS) PT. PP.

London Sumatra Indonesia khususnya di Bah Bulian Estate pada tahun 2005

sampai dengan tahun 2007.

2. Melakukan uji kecukupan sample (size sample)

3. Peramalan dilakukan dengan metode smoothing eksponensial linier satu-

parameter dari Brown.

4. Pemilihan α =0,1 sampai α =0,9dan menghitung MSE (Mean Square

Error)

1.5 Metode Penelitian.

Dalam penelitian Tugas Akhir ini metode yang penulis gunakan adalah: 1. Studi Kepustakaan (library research)

Penulis membuat penulisan Tugas Akhir dengan membaca buku-buku

diperpustakaan dan di PT. PP. London Sumatra Tbk Bah Bulian Estate

Simalungun.

2. Penelitian Lapangan

Penulis mengadakan penelitian langsung ke PT. PP. London Sumatra Tbk di Bah

Bulian Estate Simalungun di Divisi Bah Bulian dengan melihat data yang

dibutuhkan dalam mengerjakan Tugas Akhir ini.

3. Metode Pengumpulan Data

Adapun data yang digunakan dalam penelitian ini adalah berupa data sekunder.

Data sekunder adalah data yang diperoleh atau dirangkum ulang berdasarkan data

yang telah tersedia dan disusun oleh PT. PP. London Sumatra Tbk di Bah Bulian

Estate Simalungun di Divisi Bah Bulian.

Data yang dikumpulkan tersebut kemudian diatur, disusun dan disajikan dalam

bentuk angka-angka dengan tujuan untuk mendapatkan gambaran yang jelas

1.6 Tinjauan Pustaka

Teori-teori yang digunakan dikutip dari buku-buku antara lain:

1. Metode dan Aplikasi Peramalan, oleh Sypros Makri Dakis. Lembaga penerbit

Airlangga, 1993, Jakarta. Dari buku ini dikutip rumus peramalan dengan

menggunakan metode eksponensial smoothing.

' 1

' _{(1 )}

− − +

= t t

t X S

S α α

" 1 " ) 1 ( − ₋ +

= t t

t S S

S α α

" '

2 _{t t}

t S S

a = −

) ( 1 " ' t t

t S S

b −

− = α_α

) (m

b a F_t+m = _t + _t

2. Teknik Proyeksi Bisnis, oleh Drs. H. Indriyo Gitosodarmo. M. Com. Lembaga

penerbit Fakultas ekonomi Universitas Gajah Mada, 2000, Yogyakarta. Dari

buku ini dijelaskan lebih terperinci mengenai langkah-langkah penggunaan

eksponensial smoothing.

3. Teknik dan Metode Peramalan, oleh Sofian Assauri. Lembaga penerbit

Fakultas Ekonomi Universitas Indonesia, 1984, Jakarta. Dari buku ini dikutip

1.7 Lokasi Penelitian dan Waktu

Lokasi pengambilan data diperoleh dari PT. PP. London Sumatra Indonesia, Tbk. Bah

Bulian Estate kabupaten Simalungun. Sedangkan waktu pengambilan data adalah

tanggal 14 Maret 2008.

1.8 Sistematika Penulisan

Adapun sistematika penulisan “Tugas Akhir” secara garis besar dibagi dalam 6 Bab

masing-masing bab dibagi atas beberapa sub-sub bab yaitu:

BAB 1 : PENDAHULUAN

Bab ini menjelaskan latar belakang, identifikasi masalah, pembatasan

masalah, tujuan dan manfaat penelitian, metode penelitian, tinjauan

pustaka, sistematika penulisan Tugas Akhir.

BAB 2 : TINJAUAN TEORITIS

Bab ini menguraikan tentang teori-teori dan tinjauan tentang segala

sesuatu yang menyangkut terhadap penyelesaian masalah yang

BAB 3 : GAMBARAN UMUM PERUSAHAAN

Bab ini menguraikan tentang sekilas tentang perusahaan dimana

peneliti melakukan penelitian.

BAB 4 : ANALISIS DAN PEMBAHASAN

Bab ini menguraikan tentang data yang dibutuhkan, analisis tentang

size sample (uji kecukupan sampel), metode smoothing eksponensial

linier satu- parameter dari Brown.

BAB 5 : IMPLEMENTASI SISTEM

Bab ini menguraikan tentang penerapan hasil desain tertulis dengan

programming. program yang digunakan Microsoft excel.

BAB 6 : KESIMPULAN DAN SARAN

Bab ini berisikan kesimpulan dari pembahasan didalam penyelesaikan

Tugas Akhir serta saran-saran yang mungkin berguna bagi kemajuan

PT. PP. London Sumatra Indonesia Tbk di Bah Bulian Estate

kabupaten Simalungun di masa yang akan datang, didalam menghadapi

BAB 2

TINJAUAN TEORITIS

2.1 Pengertian Peramalan

Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi dimasa yang

akan datang. Sedangkan ramalan adalah suatu situasi yang diperkirakan akan terjadi

pada masa yang akan datang. Ramalan dapat diperoleh dari berbagai metode

peramalan.

Jadi peramalan adalah cara untuk memperkirakan secara kuantitatif apa yang

akan terjadi dimasa depan dengan dasar data yang relevan pada masa yang lalu. Pada

umumnya ramalan ini sangat berguna dalam pengambilan keputusan. Jadi baik

tidaknya suatu keputusan sangat ditentukan oleh baik tidaknya suatu peramalan.

2.2 Jenis-jenis Peramalan

Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari cara

melihatnya. Apabila dilihat dari sifat penyusunannya, sehingga peramalan dapat

1. Peramalan yang subjektif, yaitu peramalan yand didasarkan atas perasaan atau

intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau

“judgesment” dari orang yang menyusunnya sangat menentukan baik tidaknya

hasil ramalan tersebut.

2. Peramalan yang objektif, yaitu peramalan yang didasarkan atas data yang

relevan pada masa lalu, dengan menggunakan teknik-teknik dan metode dalam

penganalisaan data tersebut.

Disamping itu, jika dilihat dari jangka waktu ramalan yang disusun dapat

dibedakan atas dua macam yaitu:

1. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan

hasil ramalan jangka waktunya lebih dari setengah tahun atau tiga semester.

Peramalan seperti ini misalnya diperlukan dalam penyusunan rencana atau

suatu daerah, corporate planning, rencana investi atau ekspansi dari suatu

perusahaan.

2. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan

hasil ramalan jangka waktu yang kurang dari setengah tahun atau tiga

semester. Peramalan seperti ini diperlukan dalam penyusunan rencana tahunan,

rencana kerja operasional, rencana produksi, rencana penjualan, anggaran

Berdasarkan sifat ramalan yang telah disusun, peramalan dapat dibedakan atas

dua macam, yaitu:

1. Peramalan kualitatif, yaitu peramalan yang didasarkan atas dua kualitatif

pada masa lalu. Hasil peramalan yang buat sangat tergantung pada orang

yang menyusunnya. Hal ini penting karena hasil peramalan tersebut

ditentukan berdasarkan pemikiran yang bersifat intuisi, pendapat, dan

pengetahuan serta pengalaman dari penyusunnya. Biasanya peramalan secara

kualitatif ini didasarkan atas hasil penyelidikan.

2. Metode peramalan kuantitatif, yaitu peramalan yang didasarkan atas data

kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung

pada metode yang digunakan dalam peramalan tersebut. Dengan peramalan

yang berbeda akan diperoleh hasil peramalan yang berbeda. Adapun yang

perlu diperhatikan dari penggunaan metode-metode tersebut, adalah baik

tidaknya metode yang dipergunakan, sangat ditentukan oleh perbedaan atau

penyimpangan antara hasil peramalan dengan kenyataan yang terjadi. Metode

yang baik adalah metode yang memberikan nilai-nilai perbedaan atau

penyimpangan yang mungkin terjadi, peramalan kuantitatif hanya dapat

digunakan apabila terdapat tiga kondisi sebagai berikut:

b. Informasi tersebut dapat dikuantifikasikan dalam bentuk data.

c. Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada

masa yang akan datang.

2.3 Langkah-langkah Peramalan

Kualitas atau mutu dari hasil peramalan yang disusun sangat ditentukan oleh proses

pelaksanaan penyusunannya. Peramalan yang baik adalah peramalan yang dilakukan

dengan mengikuti langkah-langkah atau prosedur penyusunan yang baik. Pada

dasarnya ada tiga langkah peramalan yang penting, yaitu:

1. Menganalisa data yang lalu. Tahap ini berguna untuk pola yang terjadi pada

masa lalu. Analisa ini dilakukan dengan cara membuat tabulasi data, sehingga

dapat diketahui pola data tersebut.

2. Menentukan metode yang digunakan. Masing-masing metode akan

memberikan hasil peramalan yang berbeda. Dimana metode peramalan yang

baik adalah metode yang menghasilkan penyimpangan antara hasil peramalan

dengan nilai kenyataan yang sekecil mungkin.

3. Memproyeksikan data yang lalu dengan menggunakan metode yang

Faktor-faktor perubahan tersebut antara lain terdiri dari perubahan

kebijakan-kebijakan yang mungkin terjadi, termasuk kebijakan-kebijakan pemerintah.

Proyeksi adalah adanya suatu kecenderungan suatu hal pada masa yang akan datang

yang masih belum diketahui dan mempunyai nilai masa yang akan datang yang

merupakan petunjuk tentang jumlah sesuai hal tersebut dimasa yang akan datang.

2.4 Metode Peramalan

Dalam hal ini metode yang digunakan dalam peramalan ini adalah metode Smoothing

Eksponensial Linier Satu – Parameter dari Brown, dengan rumus:

' 1 '

) 1

( − ₋

+

= t t

t X S

S α α

Dimana:

'

t

S = Smoothing pertama periode t

t

X = Nilai riil periode t

' 1 −

t

Pada metode ini proses penentuan ramalan dimulai dengan menentukan besarnya α, α adalah merupakan parameter, sedangkan tahap-tahap dalam menentukan ramalan adalah sebagai berikut:

1. Menentukan smoothing pertama (S ) _t' ' 1 ' ) 1 ( − ₋ +

= t t

t X S

S α α

Dimana:

'

t

S = Smoothing pertama periode t

t

X = Nilai riil periode t

' 1 −

t

S = Smoothing pertam periode t-1

2. Menentukan smoothing kedua ( "

t S ) " 1 " ) 1 ( − ₋ +

= t t

t S S

S α α

Dimana:

"

t

3. Menentukan besarnya konstanta (a ) _t "

'

2 _{t t}

t S S

a = −

4. Menentukan besarnya slope (b ) _t

) (

1

" '

t t

t S S

b −

− = α_α

5. Menentukan forcast (F_t+m) )

(m

b a F_t+m = _t + _t

Dimana m adalah jangka waktu forecast

BAB 3

GAMBARAN UMUM PERUSAHAAN

3.1 Sejarah Berdirinya Perusahaan

PT. PP. London Sumatra Indonesia Tbk yang berkantor pusat di Jalan Jenderal Ahmad Yani No. 2 Medan - Sumatra Utara pada tahun 1904, berdasarkan Akta Notaris Raden Kadiman No. 93 tanggal 18 Desember 1963. Akta pendirian ini disahkan oleh Menteri Kehakiman Republik Indonesia dengan surat keputusan No. J.A5/121/20 Tanggal 14 September 1963, tambahan N0.531.

Perusahaan ini mengelola bermacam –macam usaha antara lain : 1. Industri dan bahan kimia.

2. Perkebunan.

3. Pauls (yang terdiri dari bermacam-macan dagang). 4. Perdagangan umum internasional.

Semua usaha diatas tersebar diseluruh dunia tetapi untuk di Indonesia perusahaan ini hanya bergerak di bidang perkebunan saja. Harrison dan Crosfield mulai beroperasi di Indonesia sejak tahun 1906 dan perkebunan ini pada mulanya merupakan bekas hak

konsensi berdasarkan perjanjian antara zelf B elstuut dengan beberapa perusahaan Rubber Company Ltd, yang disahkan residen Sumatera Timur.

Untuk memperluas usahanya pada tahun 1962 sampai 1963 perusahaan ini menggabungkan diri dengan perusahaan perkebunan di sumatera utara. Dengan penggabungan kedua perusahaan ini terbentuklah PT. PP. London Sumatra Utara Tbk Pada masa konfrontasi dengan Malaysia, terjadi konflik antara pemerintah inggris dengan Indonesia yang menyebabkan kaum buruh perkebunan dan pemerintah Republik Indonesia berinisiatif mengambil alih kepengurusan perusahaan untuk meneruskan aktivitas yang terkendala.

Selanjutnya pada tahun 1964 kepengurusan ini diserahkan kepada badan pengawas pemerintah daerah. Tetapi dalam tahun tersebut terjadi lagi perubahan berdasarkan ketetapan Presiden No.6 tahun 1964 diadakan perjanjian antara pemerintah dengan Harrison dan Crossfield Ltd. London dan perjanjian ini mulai berlaku tanggal 20 Maret 1968. isi perjanjian ini adalah:

1. Pengembalian hak milik dari pemerintah kepada Harrison dan Crosfield Ltd. Di Sumatera Utara .

2. Kerjasama di bidang perkebunan karet, kelapa sawit, proyek pertanian lainnya dan proyek bahan pangan.

1. Instruksi Presidium Kabinet No. 28/U/IN/12/1966, tanggal 12 Desember 1966 dan semua peraturan lain yang berhubungan dengan pengendalian perusahaan-perusahaan asing.

2. Undang-undang No. 1 tahun 1967 mengenai Penanaman Modal Asing di Indonesia.

Anggaran Dasar Perseroan mengalami beberapa kali perubahan. Perubahan terakhir terjadi pada tanggal 25 Juli 1967, sehubungan dengan perubahan Menteri Kehakiman Republi Indonesia dengan surat keputusan No. C2-6275.HT.01.04 tahun 1997 tanggal 19 Juli 1997. sehubungan dengan perubahan Anggaran Dasar Perseroan sebagaimana diatur oleh Undang-undang No. 1/1995, perubahan nama perusahaan menjadi PT.PP. London Sumatra Indonesia, Tbk. Serta perubahan tempat kedudukan perusahaan menjadi di Jakarta.

Perusahaan ini mengelola hak tanah perkebunan yang di sebut Hak Guna Usaha ( HGU), berlaku selama 30 tahun dengan opsi pembaharuan. Semua Hak Guna berakhir tahun 1998. pada tanggal 31 Desember 1997 perusahaan telah memperoleh kembali perpanjangan Hak Guna Usaha selama 25 tahun hingga tahun 2003.

PT.PP. London Sumatra Indonesia Tbk Adalah perusahaan perkebunan terpadu dengan 3 aktivasi utama di bidang pembibitan dan penanaman, pengelolaan dan pemprosesan, serta manajemen pemasaran. Segmen pemuliaan dan penanaman memproduksi benih dan bibit sawit, karet, kakao, kopi, kelapa dan the untuk ditanam dan dikelola di 40 (empat puluh) kebun tersebar di Sumatera Utara, Sumatera Selatan , Jawa Barat , Jawa Timur, Sulawesi Utara, Sulawesi Selatan serta Kalimantan Timur. Segmen pabrik dan pengolahan mengoperasikan 19 (Sembilan belas) pabrik pengelolaan yang memproduksi CPO dan inti sawit dari TBS, Karet Lembaran dan Karet Remah.

Adapun hasil perkebunan dan pengolahan dari pabrik-pabrik yang dijual kedalam dan keluar negeri terdiri dari:

1. Karet

2. Biji Kelapa Sawit 3. Cokelat

4. Kopra

5. Minyak Kelapa Sawit 6. Teh

7. Kopi

8. Bibit Kelapa Sawit 9. Bibit Karet

Hasil-hasil perkebunan tersebut dihasilkan oleh banyak perusahaan perkebunan yang tersebar di berbagai tempat di Indonesia, yaitu:

1. Daerah serdang a. Sei Merah b. Begerpang 2. Daerah Rampah

a. Rambong Sialang b. Bah Bulian c. Sibulan 3. Daerah Asahan

a. Gunung Melayu b. Sei rumbiya 4. Daerah Kalimantan

a. Pahu Permai b. Issu Makmur c. Sari Jempang d. Pahu Makmur 5. Daerah Sulawesi

a. Palang Isang b. Tibona

c. Pungkol d. Bolombissie 6. Daerah Jawa

a. Kertasari b. Treblasala 7. Daerah Langkat

a. Turangie b. Pulau Rambong c. Bungara

8. Daerah Cengal

a. Kubu Pakaran b. Tulung Gelam c. Bebah Permata

9. Daerah Musi Rawas ( Palembang) a. Sei Lakitan

b. Riam Indah c. Sei Gemang d. Gunung Bais 10. Daerah Muba

a. Tirta agung b. Budi Tirta

c. Suka Damai 11. Daerah Lahat

a. Arta Kencana b. Kencana Sari

c. Arta Kencana Plasma

Hasil hsil perkebunan diolah dibeberapa perusahaan yang terbesardi beberapa daerah, yaitu:

1. Pabrik Karet

a. Sei Rumbiya (Daerah Asahan) b. Sei Merah (Daerah Serdang) 2. Pabrik Minyak Kelapa Sawit

a. Turangie (Daerah Langkat) b. Bagerpang (Daerah Serdang) c. Dolok (Daerah Lima Puluh) d. Belani Elok

e. Gunung Bais 3. Pabrik Cokelat

a. Bah Lias ( Daerah Lima Puluh) b. Rambong Sialang (Daerah Rampah) c. Treblasala (Daerah Jawa)

4. Pabrik Kopi

a. Treblasala (Daerah Jawa) 5. Pabrik Teh

a. Kertasari (Daerah Jawa)

3.3 Tujuan, Misi, dan Visi Perusahaan

Tujuan PT. PP London Sumatra Indonesia Tbk adalah menjadi perusahaan terbaik dan menghasilkan keuntungan yang telah ditargetkan.

Misi perusahaan adalah meningkatkan kesejahteraan rakyat dengan penyediaan lapangan pekerjaan yang luas dan menjadi salah satu penghasil pajak terbesar untuk negara.

Visi perusahaan adalah menjadi perusahaan perkebunan yang paling efisien dengan memberikan strategi yang meliputi:

1. Perusahaan perkebunan dan peningkatan kapasitas produksi. 2. Effisiensi operasi dan biaya.

3. Pengembangan secara terus-menerus dalam program penelitian, pengembangan serta produksi CPO (Crude Palm Oil), karet dan cokelat.

BAB 4

ANALISIS DAN PEMBAHASAN

4.1 Analisis

Analisis data dilakukan agar diperoleh hasil sesuai dengan yang diinginkan. Dalam

bab ini akan dicoba menganalisa tentang perkembangan produks i kelapa sawit (oil

palm) untuk periode 2009 sampai peride 2010 berdasarkan data tahun 2005 sampai

dengan tahun 2007 di PT. PP. London Sumatra Tbk Bah Bulian Estate Simalungun di

Tabel 4.1 Jumlah Produksi Kelapa sawit (oil palm) PT. PP. London Sumatra Tbk Bah Bulian Estate Simalungun

Periode 2005 2006 2007

Januari 423.120 409.610 380.870

Februari 460.200 495790 237.130

Maret 730.900 749.070 696.500

April 618.210 780.870 839.880

Mei 799.950 847.870 845.680

Juni 839.130 814.080 761.760

Juli 849.290 680.930 908.850

Agustus 756.460 823.440 937.800

September 603.880 761.130 870.340

Oktober 730.320 649.770 698.130

Nopember 515.970 547.440 880.200

Desember 396.630 588.950 996.205

Dari tabel diatas dapat kita lihat bahwa jumlah produksi kelapa sawit (oil

palm) setiap bulan ada yang mengalami penurunan dan peningkatan tetapi pada setiap

tahunnya mengalami peningkatan hasil produksi. Dapat kita lihat juga hasil tersebut

Jumlah Produksi Ke lapa sawit 0 200.000 400.000 600.000 800.000 1.000.000 1.200.000

1 2 3 4 5 6 7 8 9 10 11 12

PERIODE JU M LA H P R O D U K S

2005 2006 2007

Gambar 4.1 Jumlah Produksi Kelapa Sawit (oil palm)

Dalam proses analisa data ini secara sistematis akan dilakukan

langkah-langkah sebagai berikut:

4.2 Size Sampel ( Uji Kecukupan Sampel)

Sebelum memulai perhitungan peramalan terlebih dahulu dilakukan uji kecukupan sampel. Dari data diatas dapat dihitung sampel sizenya, dengan rumus, yaitu:

2 2 2

' 20 ( )

i i i Y Y Y N N ∑ ∑ − ∑ =

2 '

000 . 220 . 24

400 . 750 . 491 . 084 . 38 20 =

N

= 25,97

Dari hasil diatas didapatkan bahwa N' < N (25,97< 36), data periode 2005 sampai dengan 2007 telah cukup untuk mewakili populasi produksi kelapa sawit tersebut.

4.3 Forecast dengan Double Exponensial Smoothing (α= 0,1)

Untuk α=0,1 kita ambil sebagai sampel pada bulan kedua, dengan menggunakan langkah-langkah seperti diatas, sehingga dapat dihitung:

Bulan 2:

t

X = 460.200

1. S_t' =αX_t +(1−α)S_t'₋₁

= (0,1*460.200) + ((1-0,1) (423.120)) = 426.828

2. S_t" =αS_t' +(1−α)S_t"₋₁

= (0,1*426.828) + ((1-0,1) (423.120)) = 423.490,8

3. a_t =2S_t' −S_t"

= (2*426.828) – 423.490,8 = 430.165,2

4. ( )

1

" '

t t

t S S

b −

− = α_α

= (426.828 423.490,8) 1

, 0 1

1 , 0

− −

= 370,8

5. Forecast bulan ke-2 (m=1) )

(m

b a F_t+m = _t + _t

= 430.165,2 +370,8 (1) = 430.536,0

Tabel 4.2 PeramalanProduksi Kelapa Sawit (Oil Palm)

Bulan Periode Jumlah

Produksi S_t' S_t" a_t b_t

Forecast (m=1)

Januari 1 423.120 423.120 423.120,0 - - -

Februari 2 460.200 426.828 423.490,8 430.165,2 370,8 -

Maret 3 730.900 487.270 429.868,7 544.671,3 6.377,9 430.536,0

April 4 618.210 719.631 458.844,9 980.417,1 28.976,2 551.049,2

Mei 5 799.950 636.384 476.598,9 796.169,1 17.753,9 1.009.393,3

juni 6 839.130 803.868 509.325,8 1.098.410,2 32.726,9 813.923,1

Juli 7 849.290 840.146 542.407,8 1.137.884,2 33.082,0 1.131.137,1

Agustus 8 756.460 840.007 572.167,7 1.107.846,3 29.759,9 1.170.966,2

September 9 603.880 741.202 589.071,1 893.332,9 16.903,4 1.137.606,2

Oktober 10 730.320 616.524 591.816,4 641.231,6 2.745,3 910.236,3

Nopember 11 515.970 708.885 603.523,3 814.246,7 11.706,9 643.976,9

Desember 12 396.630 504.036 593.574,6 414.497,4 (9.948,7) 825.953,6

Januari 13 409.610 397.928 574.009,9 221.846,1 (19.564,7) 404.548,7

Februari 14 495.790 418.228 558.431,7 278.024,3 (15.578,2) 202.281,4

Maret 15 749.070 521.118 554.700,3 487.535,7 (3.731,4) 262.446,1

April 16 780.870 752.250 574.455,3 930.044,7 19.755,0 483.804,3

Mei 17 847.870 787.570 595.766,8 979.373,2 21.311,5 949.799,7

juni 18 814.080 844.491 620.639,2 1.068.342,8 24.872,4 1.000.684,7

Juli 19 680.930 800.765 638.651,8 962.878,2 18.012,6 1.093.215,2

Agustus 20 823.440 695.181 644.304,7 746.057,3 5.652,9 980.890,8

September 21 761.130 817.209 661.595,1 972.822,9 17.290,4 751.710,2

Oktober 22 649.770 749.994 670.435,0 829.553,0 8.839,9 990.113,3

Nopember 23 547.440 639.537 667.345,2 611.728,8 (3.089,8) 838.392,9

Desember 24 588.950 551.591 655.769,8 447.412,2 (11.575,4) 608.639,0

Januari 25 380.870 568.142 647.007,0 489.277,0 (8.762,8) 435.836,8

Februari 26 237.130 366.496 618.955,9 114.036,1 (28.051,1) 480.514,2

Maret 27 696.500 283.067 585.367,0 (19.233,0) (33.588,9) 85.985,0

April 28 839.880 710.838 597.914,1 823.761,9 12.547,1 (52.821,9)

Mei 29 845.680 840.460 622.168,7 1.058.751,3 24.254,6 836.309,0

juni 30 761.760 837.288 643.680,6 1.030.895,4 21.511,9 1.083.005,9

Juli 31 908.850 776.469 656.959,5 895.978,5 13.278,8 1.052.407,3

Agustus 32 937.800 911.745 682.438,0 1.141.052,0 25.478,6 909.257,4

September 33 870.340 931.054 707.299,6 1.154.808,4 24.861,6 1.166.530,5

Oktober 34 698.130 853.119 721.881,6 984.356,4 14.581,9 1.179.670,0

Nopember 35 880.200 716.337 721.327,1 711.346,9 (554,5) 998.938,4

Desember 36 996.205 891.801 738.374,4 1.045.226,6 17.047,3 710.792,4

4.4Forecast dengan Double Exponensial Smoothing (α= 0,2)

Langkah-langkah yang dilakukan sama dengan langkah-langkah sebelumnya

perbedaannya hanya pada penggunaan α sebesar 0,2. Bulan 2:

t

X = 460.200

1. S_t' =αX_t +(1−α)S_t'₋₁

= (0,2*460.200)+((1-0,2)( 423.120)) = 430.536

2. S_t" =αS_t' +(1−α)S_t"₋₁

= (0,2*430.536)+(( 1-0,2)( 423.120)) = 424.603,2

3. a_t =2S_t' −S_t"

=(2*430.536) – 424.603,2 = 436.468,8

4. ( )

1

" '

t t

t S S

b −

− = α_α

= (430.536 424.603,2) 2 , 0 1 2 , 0 − −

= 1.483,2

) (m

b a F_t+m = _t + _t

= 436.468,8+ 1.483,2 (1) = 437.952,0

Tabel 4.3 Peramalan Produksi Kelapa Sawit (Oil Palm)

Bulan Periode Jumlah

Produksi ' t

S S_t" a_t b_t

Forecast (m=1) Januari 1 423.120 423.120 423.120,0 - - - Februari 2 460.200 430.536 424.603,2 436.468,8 1.483,2 - Maret 3 730.900 514.340 442.550,6 586.129,4 17.947,4 437.952,0 April 4 618.210 708.362 495.712,8 921.011,2 53.162,3 604.076,8 Mei 5 799.950 654.558 527.481,9 781.634,1 31.769,0 974.173,4 juni 6 839.130 807.786 583.542,7 1.032.029,3 56.060,8 813.403,2 Juli 7 849.290 841.162 635.066,6 1.047.257,4 51.523,9 1.088.090,1 Agustus 8 756.460 830.724 674.198,0 987.250,0 39.131,5 1.098.781,3 September 9 603.880 725.944 684.547,2 767.340,8 10.349,2 1.026.381,4 Oktober 10 730.320 629.168 673.471,4 584.864,6 (11.075,8) 777.690,0 Nopember 11 _{515.970 687.450 676.267,1 698.632,9 2.795,7 573.788,8} Desember 12 396.630 492.102 639.434,1 344.769,9 (36.833,0) 701.428,6 Januari 13 409.610 399.226 591.392,5 207.059,5 (48.041,6) 307.936,9 Februari 14 495.790 426.846 558.483,2 295.208,8 (32.909,3) 159.017,9 Maret 15 749.070 546.446 556.075,7 536.816,3 (2.407,4) 262.299,5 April 16 _{780.870 755.430 595.946,6 914.913,4 39.870,9 534.408,8} Mei 17 847.870 794.270 635.611,3 952.928,7 39.664,7 954.784,3 juni 18 814.080 841.112 676.711,4 1.005.512,6 41.100,1 992.593,4 Juli 19 680.930 787.450 698.859,1 876.040,9 22.147,7 1.046.612,7 Agustus 20 823.440 709.432 700.973,7 717.890,3 2.114,6 898.188,6 September 21 761.130 810.978 722.974,6 898.981,4 22.000,9 720.004,9 Oktober 22 649.770 738.858 726.151,3 751.564,7 3.176,7 920.982,3 Nopember 23 _{547.440 629.304 706.781,8 551.826,2 (19.369,5) 754.741,4} Desember 24 588.950 555.742 676.573,8 434.910,2 (30.208,0) 532.456,7 Januari 25 _{380.870 547.334 650.725,9 443.942,1 (25.848,0) 404.702,2}

Maret 27 696.500 329.004 538.604,9 119.403,1 (52.400,2) 53.518,1 April 28 839.880 725.176 575.919,1 874.432,9 37.314,2 67.002,9 Mei 29 845.680 841.040 628.943,3 1.053.136,7 53.024,2 911.747,1 juni 30 761.760 828.896 668.933,8 988.858,2 39.990,5 1.106.160,9 Juli 31 908.850 791.178 693.382,7 888.973,3 24.448,8 1.028.848,7 Agustus 32 937.800 914.640 737.634,1 1.091.645,9 44.251,5 913.422,2 September 33 870.340 924.308 774.968,9 1.073.647,1 37.334,8 1.135.897,3 Oktober 34 698.130 835.898 787.154,7 884.641,3 12.185,8 1.110.981,9 Nopember 35 880.200 734.544 776.632,6 692.455,4 (10.522,1) 896.827,1 Desember 36 _{996.205 903.401 801.986,3 1.004.815,7 25.353,7 681.933,3}

Total 24.908.928,9

4.5Forecast dengan Double Exponensial Smoothing (α= 0,3)

Langkah-langkah yang dilakukan sama dengan langkah-langkah sebelumnya

perbedaannya hanya pada penggunaan α sebesar 0,3 Bulan 2:

t

X = 460.200

1. S_t' =αX_t +(1−α)S_t'₋₁

= (0,3*460.200)+((1-0,3)( 423.120)) = 434.244

2. "

1 '

"

) 1

( − ₋

+

= t t

t S S

S α α

= (0,3*423.120 )+(( 1-0,3)( 423.120)) = 426.457,2

=(2*423.120 ) – 426.457,2 = 442.030,8

4. ( )

1

" '

t t

t S S

b −

− = α_α

= (423.120 426.457,2) 3 , 0 1 3 , 0 − −

= 3.337,2

5. Forecast bulan ke-2 (m=1) )

(m

b a F_t+m = _t + _t

= 442.030,8 + 3.337,2 (1) = 445.368,0

Tabel 4.4 Peramalan Produksi Kelapa Sawit (Oil Palm)

Bulan Periode Jumlah

Produksi S_t' "

t

S a_t b_t

Forecast (m=1)

Januari 1 423.120 423.120 423.120,0 - - -

Februari 2 460.200 434.244 426.457,2 442.030,8 3.337,2 -

Maret 3 730.900 541.410 460.943,0 621.877,0 34.485,8 445.368,0

April 4 618.210 697.093 531.788,0 862.398,0 70.845,0 656.362,8

Mei 5 799.950 672.732 574.071,2 771.392,8 42.283,2 933.243,0

juni 6 839.130 811.704 645.361,1 978.046,9 71.289,8 813.676,0

Juli 7 849.290 842.178 704.406,1 979.949,9 59.045,1 1.049.336,8

Agustus 8 756.460 821.441 739.516,6 903.365,4 35.110,5 1.038.994,9

September 9 603.880 710.686 730.867,4 690.504,6 (8.649,2) 938.475,9

Desember 12 396.630 480.168 628.947,4 331.388,6 (63.762,6) 627.879,2

Januari 13 409.610 400.524 560.420,4 240.627,6 (68.527,0) 267.625,9

Februari 14 495.790 435.464 522.933,5 347.994,5 (37.486,9) 172.100,6

Maret 15 749.070 571.774 537.585,6 605.962,4 14.652,2 310.507,6

April 16 780.870 758.610 603.892,9 913.327,1 66.307,3 620.614,5

Mei 17 847.870 800.970 663.016,1 938.923,9 59.123,1 979.634,4

juni 18 814.080 837.733 715.431,1 960.034,9 52.415,1 998.047,1

Juli 19 680.930 774.135 733.042,3 815.227,7 17.611,2 1.012.449,9

Agustus 20 823.440 723.683 730.234,5 717.131,5 (2.807,8) 832.838,9

September 21 761.130 804.747 752.588,3 856.905,7 22.353,7 714.323,7

Oktober 22 649.770 727.722 745.128,4 710.315,6 (7.459,9) 879.259,5

Nopember 23 547.440 619.071 707.311,2 530.830,8 (37.817,2) 702.855,7

Desember 24 588.950 559.893 663.085,7 456.700,3 (44.225,4) 493.013,6

Januari 25 380.870 526.526 622.117,8 430.934,2 (40.967,9) 412.474,8

Februari 26 237.130 337.748 536.806,9 138.689,1 (85.310,9) 389.966,3

Maret 27 696.500 374.941 488.247,1 261.634,9 (48.559,8) 53.378,2

April 28 839.880 739.514 563.627,2 915.400,8 75.380,1 213.075,1

Mei 29 845.680 841.620 647.025,0 1.036.215,0 83.397,8 990.780,9

juni 30 761.760 820.504 699.068,7 941.939,3 52.043,7 1.119.612,8

Juli 31 908.850 805.887 731.114,2 880.659,8 32.045,5 993.983,0

Agustus 32 937.800 917.535 787.040,4 1.048.029,6 55.926,2 912.705,3

September 33 870.340 917.562 826.196,9 1.008.927,1 39.156,5 1.103.955,8

Oktober 34 698.130 818.677 823.940,9 813.413,1 (2.256,0) 1.048.083,6

Nopember 35 880.200 752.751 802.584,0 702.918,0 (21.357,0) 811.157,1

Desember 36 996.205 915.002 836.309,2 993.693,8 33.725,3 681.561,1

Total 24.451.953,8

4.6Forecast dengan Double Exponensial Smoothing (α= 0,4)

Langkah-langkah yang dilakukan sama dengan langkah-langkah sebelumnya

perbedaannya hanya pada penggunaan α sebesar 0,4 Bulan 2:

t

1. S_t' =αX_t +(1−α)S_t'₋₁

= (0,4*460.200)+((1-0,4)( 423.120)) = 437.952

2. S_t" =αS_t' +(1−α)S_t"₋₁

= (0,4*437.952)+(( 1-0,4)( 423.120)) = 429.052,8

3. a_t =2S_t' −S_t"

=(2*437.952) – 429.052,8 = 446.851,2

4. ( )

1

" '

t t

t S S

b −

− = α_α

= (429.052,8 429.052,8) 4 , 0 1 4 , 0 − −

= 5.932,8

5. Forecast bulan ke-2 (m=1) )

(m

b a F_t+m = _t + _t

= 446.851,2+5.932,8 (1) = 452.784,0

Tabel 4.5 Peramalan Produksi Kelapa Sawit (Oil Palm)

Bulan Periode Jumlah

Produksi S_t' S_t" a_t b_t

Forecast (m=1)

Januari 1 423.120 423.120 423.120,0 - - -

Februari 2 460.200 437.952 429.052,8 446.851,2 5.932,8 -

Maret 3 730.900 568.480 484.823,7 652.136,3 55.770,9 452.784,0

April 4 618.210 685.824 565.223,8 806.424,2 80.400,1 707.907,2

Mei 5 799.950 690.906 615.496,7 766.315,3 50.272,9 886.824,3

juni 6 839.130 815.622 695.546,8 935.697,2 80.050,1 816.588,2

Juli 7 849.290 843.194 754.605,7 931.782,3 59.058,9 1.015.747,3

Agustus 8 756.460 812.158 777.626,6 846.689,4 23.020,9 990.841,2

September 9 603.880 695.428 744.747,2 646.108,8 (32.879,4) 869.710,3

Oktober 10 730.320 654.456 708.630,7 600.281,3 (36.116,5) 613.229,4

Nopember 11 515.970 644.580 683.010,4 606.149,6 (25.620,3) 564.164,8

Desember 12 396.630 468.234 597.099,9 339.368,1 (85.910,6) 580.529,3

Januari 13 409.610 401.822 518.988,7 284.655,3 (78.111,1) 253.457,6

Februari 14 495.790 444.082 489.026,0 399.138,0 (29.962,7) 206.544,1

Maret 15 749.070 597.102 532.256,4 661.947,6 43.230,4 369.175,3

April 16 780.870 761.790 624.069,8 899.510,2 91.813,4 705.178,0

Mei 17 847.870 807.670 697.509,9 917.830,1 73.440,1 991.323,6

juni 18 814.080 834.354 752.247,5 916.460,5 54.737,6 991.270,2

Juli 19 680.930 760.820 755.676,5 765.963,5 3.429,0 971.198,1

Agustus 20 823.440 737.934 748.579,5 727.288,5 (7.097,0) 769.392,5

September 21 761.130 798.516 768.554,1 828.477,9 19.974,6 720.191,5

Oktober 22 649.770 716.586 747.766,9 685.405,1 (20.787,2) 848.452,5

Nopember 23 547.440 608.838 692.195,3 525.480,7 (55.571,5) 664.617,9

Desember 24 588.950 564.044 640.934,8 487.153,2 (51.260,5) 469.909,1

Januari 25 380.870 505.718 586.848,1 424.587,9 (54.086,7) 435.892,7

Februari 26 237.130 323.374 481.458,4 165.289,6 (105.389,6) 370.501,2

Maret 27 696.500 420.878 457.226,3 384.529,7 (24.232,2) 59.899,9

April 28 839.880 753.852 575.876,6 931.827,4 118.650,3 360.297,6

Mei 29 845.680 842.200 682.405,9 1.001.994,1 106.529,4 1.050.477,7

juni 30 761.760 812.112 734.288,4 889.935,6 51.882,4 1.108.523,4

Juli 31 908.850 820.596 768.811,4 872.380,6 34.523,1 941.818,1

Agustus 32 937.800 920.430 829.458,9 1.011.401,1 60.647,4 906.903,6

September 33 870.340 910.816 862.001,7 959.630,3 32.542,9 1.072.048,6

Oktober 34 698.130 801.456 837.783,4 765.128,6 (24.218,3) 992.173,1

Nopember 35 880.200 770.958 811.053,3 730.862,7 (26.730,2) 740.910,3

Desember 36 996.205 926.602 857.272,8 995.931,2 46.219,5 704.132,6

4.7Forecast dengan Double Exponensial Smoothing (α= 0,5)

Langkah-langkah yang dilakukan sama dengan langkah-langkah sebelumnya

perbedaannya hanya pada penggunaan α sebesar 0,5 Bulan 2:

t

X = 460.200

1. S_t' =αX_t +(1−α)S_t'₋₁

= (0,5*460.200)+((1-0,5)( 423.120)) = 441.660

2. S_t" =αS_t'(1−α)S_t"₋₁

= (0,5*441.660)+(( 1-0,5)( 423.120)) = 432.390,0

3. a_t =2S_t' −S_t"

=(2*441.660) – 432.390,0 = 450.930,0

4. ( )

1

" '

t t

t S S

b −

− = α_α

= (441.660 432.390) 5

, 0 1

5 , 0

− −

5. Forecast bulan ke-2 (m=1) )

(m

b a F_t+m = _t + _t

= 450.930,0+ 9.270,0 (1) = 460.200,0

Tabel 4.6 Peramalan Produksi Kelapa Sawit (Oil Palm)

Bulan Periode Jumlah

Produksi S_t' S_t" at bt

Forecast (m=1)

Januari 1 423.120 423.120 423.120,0 - - -

Februari 2 460.200 441.660 432.390,0 450.930,0 9.270,0 -

Maret 3 730.900 595.550 513.970,0 758.710,0 81.580,0 460.200,0

April 4 618.210 674.555 594.262,5 835.140,0 80.292,5 840.290,0

Mei 5 799.950 709.080 651.671,3 823.897,5 57.408,8 915.432,5

juni 6 839.130 819.540 735.605,6 987.408,8 83.934,4 881.306,3

Juli 7 849.290 844.210 789.907,8 952.814,4 54.302,2 1.071.343,1

Agustus 8 756.460 802.875 796.391,4 815.842,2 6.483,6 1.007.116,6

September 9 603.880 680.170 738.280,7 563.948,6 (58.110,7) 822.325,8

Oktober 10 730.320 667.100 702.690,4 595.919,3 (35.590,4) 505.837,9

Nopember 11 515.970 623.145 662.917,7 543.599,6 (39.772,7) 560.328,9

Desember 12 396.630 456.300 559.608,8 249.682,3 (103.308,8) 503.827,0

Januari 13 409.610 403.120 481.364,4 246.631,2 (78.244,4) 146.373,5

Februari 14 495.790 452.700 467.032,2 424.035,6 (14.332,2) 168.386,7

Maret 15 749.070 622.430 544.731,1 777.827,8 77.698,9 409.703,4

April 16 780.870 764.970 654.850,6 985.208,9 110.119,4 855.526,7

Mei 17 847.870 814.370 734.610,3 973.889,4 79.759,7 1.095.328,3

juni 18 814.080 830.975 782.792,6 927.339,7 48.182,4 1.053.649,2

Juli 19 680.930 747.505 765.148,8 712.217,4 (17.643,8) 975.522,1

Agustus 20 823.440 752.185 758.666,9 739.221,2 (6.481,9) 694.573,5

September 21 761.130 792.285 775.476,0 825.903,1 16.809,0 732.739,3

Oktober 22 649.770 705.450 740.463,0 635.424,0 (35.013,0) 842.712,1

Nopember 23 547.440 598.605 669.534,0 456.747,0 (70.929,0) 600.411,1

Desember 24 588.950 568.195 618.864,5 466.856,0 (50.669,5) 385.818,0

Januari 25 380.870 484.910 551.887,2 350.955,5 (66.977,2) 416.186,5

Maret 27 696.500 466.815 448.629,3 503.186,4 18.185,7 (55.330,9)

April 28 839.880 768.190 608.409,7 1.087.750,7 159.780,3 521.372,1

Mei 29 845.680 842.780 725.594,8 1.077.150,3 117.185,2 1.247.531,0

juni 30 761.760 803.720 764.657,4 881.845,2 39.062,6 1.194.335,5

Juli 31 908.850 835.305 799.981,2 905.952,6 35.323,8 920.907,8

Agustus 32 937.800 923.325 861.653,1 1.046.668,8 61.671,9 941.276,4

September 33 870.340 904.070 882.861,6 946.486,9 21.208,4 1.108.340,7

Oktober 34 698.130 784.235 833.548,3 685.608,4 (49.313,3) 967.695,3

Nopember 35 880.200 789.165 811.356,6 744.781,7 (22.191,6) 636.295,2

Desember 36 996.205 938.203 874.779,6 1.065.048,4 63.422,9 722.590,1

Total 24.433.929,9

4.8Forecast dengan Double Exponensial Smoothing (α= 0,6)

Langkah-langkah yang dilakukan sama dengan langkah-langkah sebelumnya

perbedaannya hanya pada penggunaan α sebesar 0,6 Bulan 2:

t

X = 460.120

1. S_t' =αX_t +(1−α)S_t'₋₁

= (0,6*460.200)+((1-0,6)( 423.120)) = 445.368

" '

= (0,6*445.368)+(( 1-0,6)( 423.120)) = 436.468,8

3. a_t =2S_t' −S_t"

=(2*445.368) – 436.468,8

= 454.267,2

4. ( )

1

" '

t t

t S S

b −

− = α_α

= (445.368 436.468,8) 6 , 0 1 6 , 0 − −

= 13.348,8

5. Forecast bulan ke-2 (m=1) )

(m

b a F_t+m = _t + _t

= 454.267,2+13.348,8 (1) = 467.616,0

Tabel 4.7 Peramalan Produksi Kelapa Sawit (Oil Palm)

Bulan Periode Jumlah

Produksi S_t' S_t" a_t b_t

Forecast (m=1)

Januari 1 423.120 423.120 423.120,0 - - -

Februari 2 460.200 445.368 436.468,8 454.267,2 13.348,8 -

Maret 3 730.900 622.620 548.159,5 697.080,5 111.690,7 467.616,0

April 4 618.210 663.286 617.235,4 709.336,6 69.075,9 808.771,2

juni 6 839.130 823.458 767.373,4 879.542,6 84.126,9 837.272,6

Juli 7 849.290 845.226 814.085,0 876.367,0 46.711,5 963.669,4

Agustus 8 756.460 793.592 801.789,2 785.394,8 (12.295,8) 923.078,6

September 9 603.880 664.912 719.662,9 610.161,1 (82.126,3) 773.099,0

Oktober 10 730.320 679.744 695.711,6 663.776,4 (23.951,3) 528.034,8

Nopember 11 515.970 601.710 639.310,6 564.109,4 (56.400,9) 639.825,1

Desember 12 396.630 444.366 522.343,8 366.388,2 (116.966,8) 507.708,4

Januari 13 409.610 404.418 451.588,3 357.247,7 (70.755,5) 249.421,4

Februari 14 495.790 461.318 457.426,1 465.209,9 5.837,8 286.492,2

Maret 15 749.070 647.758 571.625,3 723.890,7 114.199,1 471.047,7

April 16 780.870 768.150 689.540,1 846.759,9 117.914,8 838.089,9

Mei 17 847.870 821.070 768.458,0 873.682,0 78.917,9 964.674,7

juni 18 814.080 827.596 803.940,8 851.251,2 35.482,8 952.599,9

Juli 19 680.930 734.190 762.090,3 706.289,7 (41.850,5) 886.734,0

Agustus 20 823.440 766.436 764.697,7 768.174,3 2.607,4 664.439,2

September 21 761.130 786.054 777.511,5 794.596,5 12.813,8 770.781,7

Oktober 22 649.770 694.314 727.593,0 661.035,0 (49.918,5) 807.410,3

Nopember 23 547.440 588.372 644.060,4 532.683,6 (83.532,6) 611.116,5

Desember 24 588.950 572.346 601.031,8 543.660,2 (43.028,6) 449.151,0

Januari 25 380.870 464.102 518.873,9 409.330,1 (82.157,9) 500.631,6

Februari 26 237.130 294.626 384.325,2 204.926,8 (134.548,7) 327.172,2

Maret 27 696.500 512.752 461.381,3 564.122,7 77.056,1 70.378,1

April 28 839.880 782.528 654.069,3 910.986,7 192.688,0 641.178,8

Mei 29 845.680 843.360 767.643,7 919.076,3 113.574,4 1.103.674,7

juni 30 761.760 795.328 784.254,3 806.401,7 16.610,6 1.032.650,7

Juli 31 908.850 850.014 823.710,1 876.317,9 39.455,8 823.012,3

Agustus 32 937.800 926.220 885.216,0 967.224,0 61.505,9 915.773,7

September 33 870.340 897.324 892.480,8 902.167,2 7.264,8 1.028.729,9

Oktober 34 698.130 767.014 817.200,7 716.827,3 (75.280,1) 909.432,0

Nopember 35 880.200 807.372 811.303,5 803.440,5 (5.897,2) 641.547,2

Desember 36 996.205 949.803 894.403,2 1.005.202,8 83.099,7 797.543,3

4.9Forecast dengan Double Exponensial Smoothing (α= 0,7)

Langkah-langkah yang dilakukan sama dengan langkah-langkah sebelumnya

perbedaannya hanya pada penggunaan α sebesar 0,7 Bulan 2:

t

X = 460.200

1. S_t' =αX_t +(1−α)S_t'₋₁

= (0,7*460.200)+((1-0,7)( 423.120)) = 449.076

2. S_t" =αS_t' +(1−α)S_t"₋₁

= (0,7*449.076)+(( 1-0,7)( 423.120)) = 441.289,2

3. a_t =2S_t' −S_t"

=(2*449.076) – 441.289,2 = 456.862,8

4. ( )

1

" '

t t

t S S

b −

− = α_α

= (449.076 441.289,2) 7 , 0 1 7 , 0 − −

= 18.169,2

) (m

b a F_t+m = _t + _t

= 456.862,8+ 18.169,2 (1) = 475.032,0

Tabel 4.8 Peramalan Produksi Kelapa Sawit (Oil Palm)

bulan Periode Jumlah

Produksi S_t' S_t" a_t b_t

Forecast (m=1)

Januari 1 423.120 423.120 423.120,0 - - -

Februari 2 460.200 449.076 441.289,2 456.862,8 18.169,2 -

Maret 3 730.900 649.690 587.169,8 712.210,2 145.880,6 475.032,0

April 4 618.210 652.017 632.562,8 671.471,2 45.393,1 858.090,8

Mei 5 799.950 745.428 711.568,4 779.287,6 79.005,6 716.864,2

juni 6 839.130 827.376 792.633,7 862.118,3 81.065,3 858.293,2

Juli 7 849.290 846.242 830.159,5 862.324,5 37.525,8 943.183,6

Agustus 8 756.460 784.309 798.064,2 770.553,8 (32.095,4) 899.850,3

September 9 603.880 649.654 694.177,0 605.131,0 (103.887,1) 738.458,5

Oktober 10 730.320 692.388 692.924,7 691.851,3 (1.252,3) 501.243,8

Nopember 11 515.970 580.275 614.069,9 546.480,1 (78.854,8) 690.599,0

Desember 12 396.630 432.432 486.923,4 377.940,6 (127.146,5) 467.625,3

Januari 13 409.610 405.716 430.078,2 381.353,8 (56.845,2) 250.794,1

Februari 14 495.790 469.936 457.978,7 481.893,3 27.900,5 324.508,6

Maret 15 749.070 673.086 608.553,8 737.618,2 150.575,1 509.793,8

April 16 780.870 771.330 722.497,1 820.162,9 113.943,3 888.193,3

Mei 17 847.870 827.770 796.188,1 859.351,9 73.691,0 934.106,2

juni 18 814.080 824.217 815.808,3 832.625,7 19.620,2 933.042,9

Juli 19 680.930 720.875 749.355,0 692.395,0 (66.453,3) 852.245,9

Agustus 20 823.440 780.687 771.287,4 790.086,6 21.932,4 625.941,7

September 21 761.130 779.823 777.262,3 782.383,7 5.974,9 812.019,0

Oktober 22 649.770 683.178 711.403,3 654.952,7 (65.859,0) 788.358,6

Nopember 23 _{547.440 578.139 618.118,3 538.159,7 (93.285,0) 589.093,7}

Desember 24 588.950 576.497 588.983,4 564.010,6 (29.134,9) 444.874,7

Januari 25 380.870 443.294 487.000,8 399.587,2 (101.982,6) 534.875,7

April 28 839.880 796.866 705.935,8 887.796,2 212.170,5 775.101,4

Mei 29 845.680 843.940 802.538,7 885.341,3 96.602,9 1.099.966,7

juni 30 761.760 786.936 791.616,8 782.255,2 (10.921,9) 981.944,2

Juli 31 908.850 864.723 842.791,1 886.654,9 51.174,3 771.333,3

Agustus 32 937.800 929.115 903.217,8 955.012,2 60.426,7 937.829,2

September 33 870.340 890.578 894.370,0 886.786,0 (8.847,9) 1.015.438,9

Oktober 34 698.130 749.793 793.166,1 706.419,9 (101.203,9) 877.938,2

Nopember 35 880.200 825.579 815.855,1 835.302,9 22.689,0 605.216,0

Desember 36 996.205 961.404 917.739,0 1.005.068,0 101.883,9 857.991,9

Total 23.930.956,2

4.10 Forecast dengan Double Exponensial Smoothing (α = 0,8)

Langkah-langkah yang dilakukan sama dengan langkah-langkah sebelumnya

perbedaannya hanya pada penggunaan α sebesar 0,8 Bulan 2:

t

X = 460.200

1. S_t' =αX_t +(1−α)S_t'₋₁

= (0,8*460.200 )+((1-0,8)( 423.120)) = 452.784

2. "

1 '

"

) 1

( − ₋

+

= t t

t S S

= (0,8*452.784)+(( 1-0,8)( 423.120)) = 446.851,2

3. a_t =2S_t' −S_t"

= (2*452.784) – 446.851,2 = 458.716,8

4. ( )

1

" '

t t

t S S

b −

− = α_α

= (452.784 446.851,2) 8 , 0 1 8 , 0 − −

= 23.731,2

5. Forecast bulan ke-2 (m=1) )

(m

b a F_t+m = _t + _t

= 458.716,8+ 23.731,2 (1) = 482.448,0

Tabel 4.9 Peramalan Produksi Kelapa Sawit (Oil Palm)

Bulan Periode Jumlah

Produksi S_t' S_t" a_t b_t

Forecast (m=1)

Januari 1 423.120 423.120 423.120,0 - - -

Februari 2 460.200 452.784 446.851,2 458.716,8 23.731,2 -

Maret 3 730.900 676.760 630.778,2 722.741,8 183.927,0 482.448,0

April 4 618.210 640.748 638.754,0 642.742,0 7.975,8 906.668,8

Mei 5 799.950 763.602 738.632,4 788.571,6 99.878,4 650.717,8

Agustus 8 756.460 775.026 788.092,5 761.959,5 (52.266,2) 881.754,3

September 9 603.880 634.396 665.135,3 603.656,7 (122.957,2) 709.693,3

Oktober 10 730.320 705.032 697.052,7 713.011,3 31.917,4 480.699,5

Nopember 11 515.970 558.840 586.482,5 531.197,5 (110.570,1) 744.928,7

Desember 12 396.630 420.498 453.694,9 387.301,1 (132.787,6) 420.627,3

Januari 13 409.610 407.014 416.350,2 397.677,8 (37.344,7) 254.513,5

Februari 14 495.790 478.554 466.113,2 490.994,8 49.763,1 360.333,1

Maret 15 749.070 698.414 651.953,8 744.874,2 185.840,6 540.757,8

April 16 780.870 774.510 749.998,8 799.021,2 98.044,9 930.714,8

Mei 17 847.870 834.470 817.575,8 851.364,2 67.577,0 897.066,2

juni 18 814.080 820.838 820.185,6 821.490,4 2.609,8 918.941,2

Juli 19 680.930 707.560 730.085,1 685.034,9 (90.100,4) 824.100,2

Agustus 20 823.440 794.938 781.967,4 807.908,6 51.882,3 594.934,4

September 21 761.130 773.592 775.267,1 771.916,9 (6.700,3) 859.790,9

Oktober 22 649.770 672.042 692.687,0 651.397,0 (82.580,1) 765.216,6

Nopember 23 _{547.440 567.906 592.862,2 542.949,8 (99.824,8) 568.816,9}

Desember 24 588.950 580.648 583.090,8 578.205,2 (9.771,4) 443.125,0

Januari 25 380.870 422.486 454.607,0 390.365,0 (128.483,9) 568.433,8

Februari 26 237.130 265.878 303.623,8 228.132,2 (150.983,2) 261.881,2

Maret 27 696.500 604.626 544.425,6 664.826,4 240.801,8 77.149,0

April 28 839.880 811.204 757.848,3 864.559,7 213.422,8 905.628,2

Mei 29 845.680 844.520 827.185,7 861.854,3 69.337,4 1.077.982,4

juni 30 761.760 778.544 788.272,3 768.815,7 (38.913,3) 931.191,7

Juli 31 908.850 879.432 861.200,1 897.663,9 72.927,7 729.902,3

Agustus 32 937.800 932.010 917.848,0 946.172,0 56.647,9 970.591,7

September 33 870.340 883.832 890.635,2 877.028,8 (27.212,8) 1.002.819,9

Oktober 34 698.130 732.572 764.184,6 700.959,4 (126.450,6) 849.816,0

Nopember 35 880.200 843.786 827.865,7 859.706,3 63.681,1 574.508,8

Desember 36 996.205 973.004 943.976,3 1.002.031,7 116.110,6 923.387,4

Total 23.921.546,2

Langkah-langkah yang dilakukan sama dengan langkah-langkah sebelumnya

perbedaannya hanya pada penggunaan α sebesar 0,9 Bulan 2:

t

X = 460.200

1. S_t' =αX_t +(1−α)S_t'₋₁

= (0,9*460.200)+((1-0,9)( 423.120)) = 456.492

2. S_t" =αS_t' +(1−α)S_t"₋₁

= (0,9*456.492)+(( 1-0,9)( 423.120)) = 453.154,8

3. a_t =2S_t' −S_t"

=(2*456.492) –453.154,8 = 459.829,2

4. ( )

1

" '

t t

t S S

b −

− = α_α

= (456.492 453.154,8) 9

, 0 1

9 , 0

− −

= 30.034,8

= 459.829,2+ 30.034,8 (1) = 489.864,0

Tabel 4.10 Peramalan Produksi Kelapa Sawit (Oil Palm)

Bulan Periode Jumlah

Produksi S_t' S_t" a_t b_t

Forecast (m=1)

Januari 1 423.120 423.120 423.120,0 - - -

Februari 2 460.200 456.492 453.154,8 459.829,2 30.034,8 -

Maret 3 730.900 703.830 678.762,5 728.897,5 225.607,7 489.864,0

April 4 618.210 629.479 634.407,3 624.550,7 (44.355,1) 954.505,2

Mei 5 799.950 781.776 767.039,1 796.512,9 132.631,8 580.195,5

juni 6 839.130 835.212 828.394,7 842.029,3 61.355,6 929.144,7

Juli 7 849.290 848.274 846.286,1 850.261,9 17.891,4 903.384,9

Agustus 8 756.460 765.743 773.797,3 757.688,7 (72.488,8) 868.153,3

September 9 603.880 619.138 634.603,9 603.672,1 (139.193,4) 685.199,9

Oktober 10 730.320 717.676 709.368,8 725.983,2 74.764,9 464.478,7

Nopember 11 515.970 537.405 554.601,4 520.208,6 (154.767,4) 800.748,1

Desember 12 396.630 408.564 423.167,7 393.960,3 (131.433,6) 365.441,2

Januari 13 409.610 408.312 409.797,6 406.826,4 (13.370,2) 262.526,6

Februari 14 495.790 487.172 479.434,6 494.909,4 69.637,0 393.456,3

Maret 15 749.070 723.742 699.311,3 748.172,7 219.876,7 564.546,4

April 16 780.870 777.690 769.852,1 785.527,9 70.540,9 968.049,4

Mei 17 847.870 841.170 834.038,2 848.301,8 64.186,1 856.068,7

juni 18 814.080 817.459 819.116,9 815.801,1 (14.921,3) 912.487,9

Juli 19 680.930 694.245 706.732,2 681.757,8 (112.384,7) 800.879,8

Agustus 20 823.440 809.189 798.943,3 819.434,7 92.211,1 569.373,1

September 21 761.130 767.361 770.519,2 764.202,8 (28.424,1) 911.645,8

Oktober 22 649.770 660.906 671.867,3 649.944,7 (98.651,9) 735.778,7

Nopember 23 547.440 557.673 569.092,4 546.253,6 (102.774,9) 551.292,8

Desember 24 588.950 584.799 583.228,3 586.369,7 14.135,9 443.478,7

Januari 25 380.870 401.678 419.833,0 383.523,0 (163.395,3) 600.505,6

Februari 26 237.130 251.504 268.336,9 234.671,1 (151.496,1) 220.127,7

Maret 27 696.500 650.563 612.340,4 688.785,6 344.003,5 83.175,0

April 28 839.880 825.542 804.221,8 846.862,2 191.881,4 1.032.789,1

juni 30 761.760 770.152 777.238,0 763.066,0 (63.774,2) 885.978,2

Juli 31 908.850 894.141 882.450,7 905.831,3 105.212,7 699.291,8

Agustus 32 937.800 934.905 929.659,6 940.150,4 47.208,9 1.011.044,0

September 33 870.340 877.086 882.343,4 871.828,6 (47.316,2) 987.359,3

Oktober 34 698.130 715.351 732.050,2 698.651,8 (150.293,1) 824.512,4

Nopember 35 880.200 861.993 848.998,7 874.987,3 116.948,5 548.358,6

Desember 36 996.205 984.605 971.043,9 998.165,1 122.045,2 991.935,8

4.12 Nilai Rata-rata Kesalahan ( Mean Square Error)

MSE =

n e_i2

∑

1. Maka untuk α = 0.1 MSE =

n e_i2

∑ MSE = 36 7 , 096 . 660 . 371 . 532 . 3 = 98.121.435.002,7

2. Maka untuk α = 0.2 MSE = n ei 2 ∑ = 36 9 , 842 . 082 . 765 . 815 . 2 = 78.215.696.745,6

3. Maka untuk α = 0.3 MSE =

n e_i2

∑ = 36 5 , 716 . 835 . 392 . 251 . 2 = 62.538.689.881,0

4. Maka untuk α = 0.4 MSE =

n e_i2

∑ = 36 8 , 500 . 170 . 068 . 815 . 1 = 50.418.560.291,7

5. Maka untuk α = 0,5 MSE =

n e_i2

∑ = 36 1 , 807 . 813 . 336 . 245 . 2 = 62.370.467.050,2

6. Maka untuk α = 0.6 MSE =

n e_i2

∑ = 36 1 , 159 . 951 . 137 . 311 . 1 = 36.420.498.643,3

MSE = n ei 2 ∑ = 36 9 , 334 . 900 . 198 . 223 . 1 = 33.977.747.231,5

8. Maka untuk α = 0.8 MSE =

n e_i2

∑ = 36 9 , 743 . 810 . 370 . 2335 . 1 = 34.315.855.854 9. Maka untuk α = 0.9

MSE =

n e_i2

∑ = 36 1 , 372 . 638 . 150 . 347 . 1 = 37.420.851.065,9

Untuk menentukan nilai α yang optimal, maka diambil dari nilai MSE yang paling minimum yaitu MSE padaα = 0,7

Tabel 4.11 Nilai Pemulusan Eksponensial

Periode Jumlah Produksi

α=0,1 α=0,2 α=0,3

Forecast

2

i

e _Forecast e_i2 _Forecast e_i2

3 _{730.900 430.536,0 90.218.532.496,0 437.952,0 85.818.530.704,0 445.368,0 81.528.523.024,0} 4 _{618.210 551.049,2 4.510.573.056,6 604.076,8 199.747.342,2 656.362,8 1.455.636.147,8} 5 799.950 1.009.393,3 43.866.487.537,2 974.173,4 30.353.807.045,4 933.243,0 17.767.013.185,6 6 _{839.130 813.923,1 635.390.227,5 813.403,2 661.870.708,0 813.676,0 647.907.541,4} 7 849.290 1.131.137,1 79.437.814.159,3 1.088.090,1 57.025.498.076,2 1.049.336,8 40.018.714.348,4 8 _{756.460 1.170.966,2 171.815.416.466,3 1.098.781,3 117.183.870.571,5 1.038.994,9 79.825.995.869,4} 9 603.880 1.137.606,2 284.863.666.075,3 1.026.381,4 178.507.464.963,3 938.475,9 111.954.391.132,5 10 _{730.320 910.236,3 32.369.870.693,9 777.690,0 2.243.912.187,6 681.855,4 2.348.817.096,7} 11 _{515.970 643.976,9 16.385.756.006,2 573.788,8 3.343.009.031,9 552.756,6 1.353.252.657,5} 12 _{396.630 825.953,6 184.318.730.585,9 701.428,6 92.902.191.539,9 627.879,2 53.476.196.109,0} 13 409.610 404.548,7 25.616.596,1 307.936,9 10.337.422.002,1 267.625,9 20.159.471.743,3 14 _{495.790 202.281,4 86.147.272.229,1 159.017,9 113.415.441.124,2 172.100,6 104.774.852.387,4} 15 749.070 262.446,1 236.802.820.118,1 262.299,5 236.945.493.013,8 310.507,6 192.336.984.591,5 16 _{780.870 483.804,3 88.248.036.094,6 534.408,8 60.743.112.308,1 620.614,5 25.681.820.378,6} 17 847.870 949.799,7 10.389.655.780,2 954.784,3 11.430.658.461,9 979.634,4 17.361.846.752,1 18 _{814.080 1.000.684,7 34.821.312.140,0 992.593,4 31.867.036.128,5 998.047,1 33.843.876.403,2} 19 _{680.930 1.093.215,2 169.979.107.054,2 1.046.612,7 133.723.855.228,3 1.012.449,9 109.905.468.459,8} 20 _{823.440 980.890,8 24.790.755.311,3 898.188,6 5.587.350.189,9 832.838,9 88.338.488,9} 21 _{761.130 751.710,2 88.732.207,3 720.004,9 1.691.276.820,7 714.323,7 2.190.829.812,8} 22 649.770 990.113,3 115.833.562.053,0 920.982,3 73.556.106.846,6 879.259,5 52.665.425.700,9 23 547.440 838.392,9 84.653.572.713,6 754.741,4 42.973.884.075,9 702.855,7 24.154.053.020,7 24 _{588.950 608.639,0 387.656.060,9 532.456,7 3.191.487.712,8 493.013,6 9.203.789.053,8} 25 380.870 435.836,8 3.021.347.443,6 404.702,2 567.973.616,0 412.474,8 998.865.521,5 26 _{237.130 480.514,2 59.235.871.935,1 418.094,2 32.748.026.349,2 389.966,3 23.358.929.609,7} 27 _{696.500 85.985,0 372.728.582.589,5 53.518,1 413.425.690.151,8 53.378,2 413.605.651.465,2} 28 _{839.880 (52.821,9) 796.916.705.115,1 67.002,9 597.339.010.332,5 213.075,1 392.884.333.768,1} 29 _{845.680 836.309,0 87.816.044,3 911.747,1 4.364.864.438,9 990.780,9 21.054.270.398,1} 30 761.760 1.083.005,9 103.198.915.823,5 1.106.160,9 118.611.977.556,9 1.119.612,8 128.058.646.587,8 31 _{908.850 1.052.407,3 20.608.696.249,9 1.028.848,7 14.399.692.142,7 993.983,0 7.247.624.228,9} 32 937.800 909.257,4 814.682.109,1 913.422,2 594.278.410,1 912.705,3 629.744.682,0 33 _{870.340 1.166.530,5 87.728.828.273,5 1.135.897,3 70.520.700.319,5 1.103.955,8 54.576.342.029,5} 34 _{698.130 1.179.670,0 231.880.746.832,6 1.110.981,9 170.446.667.581,6 1.048.083,6 122.467.494.177,5} 35 _{880.200 998.938,4 14.098.802.138,1 896.827,1 276.460.354,2 811.157,1 4.766.923.142,2} 36 _{996.205 710.792,4 81.460.329.879,9 681.933,3 98.766.715.506,6 681.561,1 99.000.806.200,7} 3.532.371.660.096,7 2.815.765.082.842,9 2.251.392.835.716,5

Forecast

2

i

e _Forecast e_i2 _Forecast 2

i

e

1 423.120 _{- - - - - -}

2 460.200 - - - -

3 _{730.900 452.784,0 77.348.509.456,0 460.200,0 73.278.490.000,0 467.616,0 69.318.464.656,0} 4 618.210 707.907,2 8.045.587.687,8 840.290,0 49.319.526.400,0 808.771,2 36.313.570.945,4 5 _{799.950 886.824,3 7.547.147.475,5 915.432,5 13.336.207.806,3 778.412,5 463.864.767,8} 6 839.130 816.588,2 508.133.107,9 881.306,3 1.778.836.064,1 837.272,6 3.449.964,5 7 _{849.290 1.015.747,3 27.708.037.783,6 1.071.343,1 49.307.590.322,3 963.669,4 13.082.655.562,7} 8 756.460 990.841,2 54.934.541.813,3 1.007.116,6 62.828.712.324,3 923.078,6 27.761.749.441,7 9 _{603.880 869.710,3 70.665.755.560,6 822.325,8 47.718.559.345,9 773.099,0 28.635.080.076,2} 10 _{730.320 613.229,4 13.710.211.399,1 505.837,9 50.392.217.429,4 528.034,8 40.919.297.302,3} 11 _{515.970 564.164,8 2.322.741.913,4 560.328,9 1.967.716.029,2 639.825,1 15.340.091.934,8} 12 396.630 580.529,3 33.818.952.433,8 503.827,0 11.491.190.946,7 507.708,4 12.338.422.035,0 13 _{409.610 253.457,6 24.383.578.326,2 146.373,5 69.293.462.130,1 249.421,4 25.660.393.988,7} 14 495.790 206.544,1 83.663.162.959,6 168.386,7 107.192.892.586,8 286.492,2 43.805.589.183,3 15 _{749.070 369.175,3 144.319.991.645,3 409.703,4 115.169.708.483,8 471.047,7 77.296.421.097,3} 16 _{780.870 705.178,0 5.729.282.914,7 855.526,7 5.573.620.733,3 838.089,9 3.274.112.872,5} 17 _{847.870 991.323,6 20.578.930.746,8 1.095.328,3 61.235.631.468,6 964.674,7 13.643.348.624,4} 18 _{814.080 991.270,2 31.396.349.387,2 1.053.649,2 57.393.387.908,2 952.599,9 19.187.762.222,5} 19 680.930 971.198,1 84.255.564.200,2 975.522,1 86.784.496.971,1 886.734,0 42.355.269.670,3 20 _{823.440 769.392,5 2.921.137.214,3 694.573,5 16.606.563.775,3 664.439,2 25.281.259.575,6} 21 761.130 720.191,5 1.675.963.035,6 732.739,3 806.033.468,7 770.781,7 93.154.801,2 22 649.770 848.452,5 39.474.729.244,8 842.712,1 37.226.667.734,5 807.410,3 24.850.454.535,3 23 _{547.440 664.617,9 13.730.657.926,5 600.411,1 2.805.934.030,0 611.116,5 4.054.697.640,3} 24 _{588.950 469.909,1 14.170.727.764,8 385.818,0 41.262.595.639,9 449.151,0 19.543.759.533,3} 25 _{380.870 435.892,7 3.027.495.362,1 416.186,5 1.247.256.370,5 500.631,6 14.342.841.131,9} 26 _{237.130 370.501,2 17.787.879.192,7 283.978,3 2.194.759.322,8 327.172,2 8.107.605.073,6} 27 696.500 59.899,9 405.259.655.546,0 (55.330,9) 565.249.658.226,1 70.378,1 392.028.638.419,9 28 _{839.880 360.297,6 229.999.321.577,5 521.372,1 101.447.304.899,7 641.178,8 39.482.151.589,6} 29 845.680 1.050.477,7 41.942.111.435,5 1.247.531,0 161.484.252.168,8 1.103.674,7 66.561.283.489,9 30 _{761.760 1.108.523,4 120.244.883.175,3 1.194.335,5 187.121.577.176,9 1.032.650,7 73.381.768.180,7} 31 908.850 941.818,1 1.086.893.235,6 920.907,8 145.389.529,9 823.012,3 7.368.114.576,1 32 _{937.800 906.903,6 954.585.164,8 941.276,4 12.085.211,2 915.773,7 485.157.404,2} 33 _{870.340 1.072.048,6 40.686.352.453,7 1.108.340,7 56.644.328.211,7 1.028.729,9 25.087.355.488,5} 34 _{698.130 992.173,1 86.461.373.942,5 967.695,3 72.665.475.095,4 909.432,0 44.648.515.667,2} 35 _{880.200 740.910,3 19.401.623.345,8 636.295,2 59.489.564.936,4 641.547,2 56.955.167.774,1} 36 _{996.205 704.132,6 85.306.302.072,2 722.590,1 74.865.121.059,3 797.543,3 39.466.481.932,3} 1.815.068.170.500,8 2.245.336.813.807,1 1.311.137.951.159,1

angka 18.169,2. untuk bulan-bulan berikutnya tinggal mengcopy rumus tersebut.

5. Forecast untuk bulan ketiga pada sel H44 dapat dicari dengan menggunakan rumus = F43+G43*1 dengan hasil angka 475.032,0, untuk bulan-bulan berikutnya tinggal mengcopy rumus tersebut.

5.4 Penggambaran Hasil

Grafik pada Excel dapat ditulis menjadi satu dengan data terpisah pada lembar grafik tersendiri, namun masih berada di file yang sama. Untuk membuat garfik pada Excel, bias menggunakan icon wizard yang terdapat pada toolbar. Adapun langkah-langkah yang diperlukan sebagai berikut:

1. Sorot sel atau range yang ingin dibuat grafik 2. Klik icon wizard. Tampil kotak dialog Chart Type

3. Klik tipe grafik yang diinginkan dan kili Next. Tampil kotak dialog Chart source data.

4. Pada tampilan akan terlibat range data yang telah disorot dan klik ratio button row atau coulum yang diinginkan, klik Next. Tampil kotak dialog Option.

5. Pada Chart Option, ketik judul grafik, setelah itu klik Next. Tampil kotak dialog Chart Location.

6. Pilih tempat untuk meletakan grafik ini dan klik Finish, maka grafik akan ditempatkan dilembar kerja.

BAB 6

KESIMPULAN DAN SARAN

Berdasarkan uraian proyeksi yang telah dikemukakan pada bab-bab sebelumnya maka dapat disimpulkan dan disarankan hal-hal berikut:

6.1 Kesimpulan

Berdasarkan analisa dan evaluasi pada jumlah produksi kelapa sawit pada tahun 2005 sampai tahun 2007 dan membuat ramalan jumlah produksi kelapa sawit tahun 2009 sampai tahun 2010 maka penulis dapat membuat suatu kesimpulan, yaitu:

1. Jumlah produksi kelapa sawit tahun 2009 sampai tahun 2010 akan semakin meningkat.

2. Nilai koefisien proyeksi yang paling tepat digunakan adalah α= 0,7 karena memiliki MSE yang paling rendah.

6.2. Saran

1. Sebagai bahan pertimbangan atau perbandingan ada baiknya membahas metode peramalan apa yang dapat digunakan, guna mengetahui besar yang akan diproduksi untuk bulan berikutnya, sehingga dapat mengurangi kerugian.

2. Sebagian usaha untuk menghasilkan laba, diharapkan ada peramalan meskipun tidak 100% benar, namun dapat menjadi kriteria dalam peningkatan hasil produksi kelapa sawit.

DAFTAR PUSTAKA

Assauri, sofian. 1984. Teknik dan Metode Peramalan. Jakarta : Fakultas Ekonomi Universitas Indonesia

Makridakis Spyros, Wheelwright Steven C, McGee Victor E, Metode dan Aplikasi Peramalan, edisi 2, Erlangga, Jakarta, Tahun 1999

Gitosudarmao, Idriyo. 2000. Teknik Proyeksi Bisnis. Yogyakarta: Fakultas Ekonomi Universitas Gajah Mada