EXECUTIVE SUMMARY

NAMA : INDI ANDIRA BUTAR-BUTARNIM: 111402007

JUDUL :Proyeksi Realisasi Produksi Hasil Pengolahan Kelapa Sawit pada PT.XYZ Menggunakan Metode Autoregressive Integrated Moving Average (ARIMA).

1. RUMUSAN MASALAH Kebutuhan atau permintaan produksi minyak kelapa sawit di Indonesia setiap tahunnya mengalami peningkatan. Hal ini disebabkan dengan bertambahnya jumlah penduduk. Namun di sisi lain, peningkatan produksi ini seringkali tidak diimbangi dengan kinerja produksi yang semakin baik. Sehingga realisasi produksi tidak mencapai sasaran mutu yang telah ditetapkan. Oleh karena itu dibutuhkan pendekatan untuk menyelesaikan permasalahan ini yaitu diperlukannya proyeksi atau peramalan produksi pengolahan kelapa sawit. Dimana dengan proyeksi ini nantinya akan diperoleh suatu informasi yakni berupa prediksi pencapaian realisasi produksi yang akan dicapai di tahun berikutnya. Dengan demikian, diharapkan dapat memberikan gambaran realisasi produksi bagi perusahaan kelapa sawit ditahun berikutnya dan dapat digunakan untuk mengambil keputusan atau tindakan secara cepat dan tepat dari permasalahan produksi. Dengan begitu, tingkat efisiensi dan efektivitas produksi CPO dapat ditingkatkan sehingga dapat memenuhi sasaran mutu yang telah ditetapkan.

2. METODOLOGI

Pada penelitian ini penulis merancang tahapan metodologi yaitu :

INPUT

Data historis produksi Kelapa sawit

SAS Modeling Software

Penginputan data ke sistem

METODE ARIMA

Identifikasi

estimasi

Estimasikan Parameter Model Identifikasi model dugaan sementara

PROSES

TidakDiagnosis Verifikasi Model Sesuai ?

sfs

Ya

peramalan

Gunakan Model Untuk Peramalan

Web Service

OUTPUTWeb Server PHP Javascript

Laporan VisualRealisasi produksi

End User PC

Gambar 1. Arsitektur UmumPada Gambar 1 terdapat arsitektur umum program yang akan dibangun, yang terdiri atas tiga bagian, yaitu input, proses, dan output.

1. Adapun input dari proses ini adalah data historis produksi kelapa sawit. Data historis tersebut berupa data produksi yang diambil dari 3 tahun terakhir yaitu tahun 2012 sampai dengan tahun 2014 di Perkebunan Kelapa Sawit PT.XYZ. Informasi yang dibutuhkan mengenai produksi meliputi data produksi dan data sasaran mutu. Data-data inilah yang kemudian akan diproses untuk mendapatkan pola produksi. 2. Pemrosesan a. Penginputan data ke sistemPada tahap ini, data-data mengenai produksi dan sasaran mutu diinputkan oleh user ke dalam sistem agar tersimpan ke database.

b. Tahap IdentifikasiSuatu datatime seriesyang tidak stasioner harus diubah menjadi data stasioner, karena aspek-aspek AR dan MA dari model ARIMA hanya berkenaan dengan datatime seriesyang stasioner. Salah satu cara yang paling sering dipakai adalah metode pembedaan (differencing) yaitu menghitung perubahan atau selisih nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak. Jika belum stasioner maka dilakukandifferencinglagi.

Langkah berikutnya adalah penetapan model ARIMA (p,d,q) yang sesuai. Jika data tidak mengalamidifferencing, maka d bernilai 0, jika data menjadi stasioner setelahdifferencingke- 1 maka d bernilai 1 dan seterusnya. Dalam menetapkanpdanqdapat dibantu dengan mengamati polaAutocorrelation Function(ACF) danPartial Autocorrelation Function(PACF) dengan acuan pada Tabel 1. Dalam penetapanPdan Qpada model SARIMA memiliki acuan yang mirip dengan penetapanpdanqpada model ARIMA (Wei, 2006).

Tabel 1Acuan pola ACF dan PACF untuk penentuan model ARIMA

ModelPola ACFPola PACF

AR (p)menurun secara cepat (dies down)Munculspikeyang signifikan hinggalagke-p dancut offsetelahlagke-p

MA (q)munculspikeyang signifikan hinggalagke-q dancut offsetelahlagke-qmenurun secara cepat (dies down)

ARMA (p,q)menurun secara cepat (dies down)menurun secara cepat (dies down)

AR (p) atau MA (q)munculspikeyang signifikan hinggalagke-q dancut offsetelahlagke-qmunculspikeyang signifikan hinggalagke-p dancut offsetelahlagke-p

Bukan AR(p) atau MA(q) (white noiseataurandom process)tidak adaspikeyang signifikantidak adaspikeyang signifikan

Bowerman dan OConnel (1993)

c. Tahap EstimasiSetelah diperoleh model yang diperkirakan sesuai, langkah selanjutnya adalah mengestimasi parameter model dan pengujian signifikansi parameter.Hipotesis :H0: parameter = 0 (parameter tidak signifikan terhadap model)H1: parameter 0 (parameter signifikan terhadap model)Taraf signifikansi : Statistik uji :

Kriteria uji :Tolak H0jika ataup-value