peramalan penjualan untuk perencanaan...
TRANSCRIPT
PERAMALAN PENJUALAN UNTUK PERENCANAAN PENGADAAN PERSEDIAAN BUAH DURIAN DI
RUMAH DURIAN HARUM BINTARO, JAKARTA
Sri Ajeng
PROGRAM STUDI AGRIBISNIS FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA 2011 M/1432 H
PERAMALAN PENJUALAN UNTUK PERENCANAAN PENGADAAN PERSEDIAAN BUAH DURIAN DI
RUMAH DURIAN HARUM BINTARO, JAKARTA
Sri Ajeng
106092002999
Skripsi
Sebagai Salah Satu Syarat untuk Memperoleh Gelar
Sarjana Pertanian pada Program Studi Agribisnis
PROGRAM STUDI AGRIBISNIS
FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI
SYARIF HIDAYATULLAH JAKARTA
2011 M/1432 H
PERNYATAAN
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-
BENAR HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN
SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI
ATAU LEMBAGA MANAPUN.
Jakarta, Juli 2011
Sri Ajeng
106092002999
Curriculum Vitae Personal Information
Name
Sri Ajeng
Address Pondok Benda Indah Block J no.11, RT 06 RW 015,
Pamulang, 15416, Tangerang Selatan, Banten
Mobile Phone (+62) 8567577317
Email [email protected]
Nationality Indonesia
Date of Birth October, 03 1988
Gender Female
Education Background
Dates 2006 – 2011
University Islamic State University Syarif Hidayatullah Jakarta
Majors Agribusiness
GPA 3,30 / 4,00
Dates 2003 – 2006
Principal subjects Natural Sciences
Senior High School SMAN 1 Cisauk
Working Experiences Company PT. TESCO Indonesia
Year 2010 Position Purchasing Support Staff
Scope Works - Handling the Purchase Order - Handling invoices - Administration works (correspondences, taking
note, etc) - Support the “after sales service” works
Company
Balai Pengujian Mutu dan Sertifikasi Hasil Pertanian dan Hasil Hutan, Dinas Pertanian DKI Jakarta (internship)
Year 2010 Position Assistant Analyst
Scope Works - Assisting on the laboratory works (testing seeds sample process, etc)
- Administration works (taking note, filing, recapitulation, etc)
Activities Organizational Experiwences - Agribusiness Student union,
minister of spiritual department (2008-2009) - Litbang Most Event
(Science and Technology Faculty Student union Event),Secretary (2008)
-Science and Technology Faculty Student union, active
member of household affairs bureau (2007-2008)
Training / Seminar / Course data Name of Training English for Adults : High Intermediate Levels
Provider / Year LIA Ciputat / 2008-2009 Name of Training Entrepreneurship Development for Campus Community
Provider / Year Kementrian Negara KUKM/ 2009 Name of Course Heritage Emergency Response Teams Provider / Year Badan Pelestarian Pustaka Indonesia / 2009
RINGKASAN
SRI AJENG, Peramalan Penjualan untuk Perencanaan Pengadaan Persediaan di Rumah Durian Harum Bintaro, Jakarta. (Di bawah bimbingan TASWA SUKMADINATA dan IWAN AMINUDIN).
Persediaan bila ditentukan terlalu besar akan menghadapi berbagai resiko
seperti besarnya beban bunga yang harus ditanggung, memperbesar biaya penyimpanan dan pemeliharaan di gudang, memperbesar kemungkinan kerugian karena kerusakan dan turunnya kualitas bahan, sehingga semua ini akan memperkecil keuntungan yang akan didapat perusahaan. Pengantisipasian permasalahan tersebut dilakukan prediksi terhadap kemungkinan-kemungkinan terjadinya penurunan atau kenaikan penjualan pada periode yang akan datang dengan diperolehnya informasi yang akurat sehingga perusahaan dapat mempersiapkan strategi-strategi yang akan ditempuh menghadapi kondisi tersebut. Terkait dengan pemenuhan kebutuhan pasar, walaupun Rumah Durian Harum telah mampu memenuhi kebutuhan pasar, tetapi jika menghadapi kondisi pasar yang berubah-ubah, maka perushaan membutuhkan adanya suatu peramalan penjualan untuk perencanaan pengadaan persediaan sehingga nantinya biaya yang ditimbulkan akibat penetuan persediaan dapat diminimalkan.
Tujuan penelitian ini adalah: 1) Melakukan peramalan penjualan buah durian Rumah Durian Harum satu tahun kedepan. 2) Merekomendasikan alternatif pengendaliaan persediaan buah durian yang optimal berdasarkan hasil ramalan.
Penelitian ini dilaksanakan di Rumah Durian Harum yang berlokasi di Jl. Bintaro Utama sektor 3A no.45,Bintaro Jaya. Penentuan lokasi ini dilakukan secara sengaja (purposive), dengan pertimbangan bahwa Rumah Durian Harum adalah salah satu retail besar yang memasarkan buah durian baik produk segar maupun olahan sepanjang tahun. Data yang digunakan adalah data primer dan data sekunder. Peramalan penjualan buah durian dilakukan dengan menghitung tingkat penjualan menggunakan metode time series sedangkan perencanaan pengadaan persediaan buah durian menggunakan metode Economic Order Quantity (EOQ) dan Safety Stock (SS).
Penggunaan metode peramalan yang terdiri atas metode double moving average, metode double eksponensial smoothing, metode dekomposisi, metode indeks musiman dan metode winter’s. Metode peramalan time series yang dipilih adalah metode peramalan yang memiliki MSE (mean standar error) terkecil yaitu metode winter’s untuk buah durian medan 722629, buah monthong Thailand 2747612 dan buah frozen durian 219518.
Berdasarkan perencanaan penjualan buah durian periode Maret 2011 hingga Februari 2012, kemudian dibuat suatu perencanaan pengadaan persediaan buah durian menggunakan EOQ menghasilkan untuk buah durian medan sebesar 203,79 kg, buah durian monthong Thailand 158,83 kg dan durian frozen monthong 227,71 kg. Besarnya frekuensi pemesanan untuk buah durian medan sebanyak 122 kali, buah durian monthong Thailand sebanyak 95 kali dan durian frozen monthong 137 kali. Persediaan pengaman (safety stock) dengan asumsi
tingkat pelayanan sebesar 90% dikarenakan adanya konsep service to customer, dihasilkan persediaan pengaman untuk buah durian medan sebesar 38,96 kg, buah durian monthong sebesar 51,86 kg dan durian frozen monthong 37,27 kg.
v
KATA PENGANTAR
Alhamdulillah penulis panjatkan puji dan syukur kehadirat Allah SWT,
karena berkat rahmat dan hidayah Nya, penulis dapat menyelesaikan Skripsi yang
berjudul : Peramalan Penjualan untuk Perencanaan Pengadaan Persedian Buah
Durian di Rumah Durian Harun Bintaro, Jakarta. Shalawat dan salam semoga
tercurah kepada junjungan kita Nabi Muhammnad SAW beserta keluarga dan sahabat
yang telah membawa umat manusia menuju jalan kebaikan.
Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada pihak-
pihak yang telah memberi banyak bantuan baik dalam bentuk dukungan moril
maupun materi selama penulis melaksanakan kegiatan penelitian hingga dalam
penulisan skripsi ini. Secara khusus penulis ingin menyampaikan terima kasih
kepada:
1. Bapak dan Ibu tercinta yang tidak henti-hentinya memanjatkan doa kepada yang
Maha Kuasa demi kebaikan anaknya tercinta serta adik-adik penulis Intan dan Rio
yang memberi semangat. Bulek Nila serta Mamak yang selalu memberikan
nasehat serta dukungan moril kepada penulis.
2. Dr. Taswa Sukmadinata, M.Si dan Ir. Iwan Aminudin, M.Si selaku dosen
pembimbing yang telah membantu mengarahkan, menyumbangkan tenaga dan
pikirannya demi terselesaikannya skripsi ini.
vi
3. Rizki Adi Puspita Sari, MM selaku penguji I dan Ir. Junaidi, M.Si selaku penguji
II yang telah memberikan banyak masukan sehingga skripsi ini menjadi lebih
baik.
4. Drs. Acep Muhib, MM dan Rizki Adi Puspita Sari, MM selaku Ketua dan
Sekretaris Program Studi Agribisnis yang telah memberikan suatu komitmen,
dorongan, dan program pendidikan sesuai kebutuhan mahasiswanya.
5. Dosen – dosen Agribisnis yang telah memberikan kesempatan kepada penulis
untuk menimba ilmu pengetahuan.
6. Dr. Syopiansyah Jaya Putra, M.Sis selaku Dekan Fakultas Sains dan Teknologi
Universitas Islam Negeri (UIN) Syarif Hidayatullah Jakarta.
7. Pak Lie Fie Min dan Pak Sadino yang telah memberikan izin kepada penulis
untuk melakukan penilitian di Rumah Durian Harum.
8. Mba Tya dan karyawan Rumah Durian Harum outet Bintaro Jaya yang telah
membantu penulis memberikan data-data yang dibutuhkan.
9. Kak Mughni yang telah bersedia meluangkan waktu kepada penulis untuk
berdiskusi serta membantu penulis dalam pengerjaan skripsi.
10. Sahabat tercinta Finna yang selalu menemani penulis dari SMP hingga kini.
Semoga persahabatan kita terus berlanjut hingga beranak cucu.
11. The Princess yaitu Rifa ”Aurora’’ Maulidah, Andhieka ”Rapunzel” Ulfa, Wiwin
”Mulan” Iswardani, Rinrin ”Snow White” Rindyani, Yuniawati ”Cinderella”,
Regina ”Ariel” Sari dan Fajar ”Jasmine” Khoirunnisa atas kebersamaan,
vii
kehangatan dan kekeluargaan yang terjalin selama kuliah. Ayo kita laksanakan
Princess Holidays yang belum terlaksana dari kapan tahu.
12. Seluruh teman jurusan Agribisnis angkatan 2006 yang sama-sama berjuang
dalam masa perkuliahan ini. Sukses selalu untuk kita semua.
13. Budhew, Mizz Orange, Sheshe dan semua kakak dan adik kelas yang tidak bisa
disebutkan satu persatu atas kesediaan mendengar keluhan dan memberikan
nasehat-nasehatnya.
14. Seluruh pihak yang telah membantu dan namanya tidak dapat disebutkan satu per
satu. Terima kasih atas dukungan dan motivasinya, Semoga Allah SWT
membalas segala kebaikan yang telah diberikan kepada penulis.
Akhir kata, penulis berharap semoga skripsi ini dapat bermanfaat dalam
pengembangan Ilmu Pengetahuan Amin…..
Wassalamu’alaikum. Wr. Wb.
Jakarta, Juni 2011
Penulis
DAFTAR ISI
Halaman
DAFTAR ISI ............................................................................................................... viii
DAFTAR TABEL ....................................................................................................... xi
DAFTAR GAMBAR .................................................................................................. xii
DAFTAR LAMPIRAN .............................................................................................. xiii
BAB I PENDAHULUAN.......................................................................................... 1
1.1 Latar Belakang ............................................................................................. 1
1.2 Rumusan Masalah ........................................................................................ 3
1.3 Tujuan ........................................................................................................... 3
1.4 Manfaat Penelitian ....................................................................................... 3
1.5 Ruang Lingkup Penelitian ........................................................................... 4
BAB II TINJAUAN PUSTAKA .............................................................................. 5
2.1 Buah Durian ................................................................................................. 5
2.2 Pengertian Bisnis Retail .............................................................................. 7
2.3 Konsep Peramalan ....................................................................................... 8 2.3.1 Jenis-Jenis Peramalan ........................................................................ 9 2.3.2 Identifikasi Pola Data Penjualan ....................................................... 10 2.3.2 Metode Peramalan ............................................................................. 13
2.4 Pesediaan ..................................................................................................... 19 2.4.1 Jenis-Jenis Persediaan ........................................................................ 19 2.4.2 Fungsi Persediaan .............................................................................. 20 2.4.3 Biaya Persediaan ................................................................................ 21
2.5 Pengendalian Pesediaan .............................................................................. 24
2.6 Model Pengendalian Persedian Economic Order Quantity (EOQ) ......... 24
2.7 Penelitian Terdahulu ................................................................................... 25
2.8 Kerangka Pemikiran Konseptual ............................................................... 27
ix
BAB III Metodologi Penelitian ............................................................................... 30
3.1 Lokasi dan Waktu Penelitian ...................................................................... 30
3.2 Jenis dan Sumber Data ................................................................................ 30
3.3 Metode Pengolahan dan Analisis Data ..................................................... 31
3.3.1 Identifikasi Pola Penjualan ................................................................ 31 3.3.2 Metode Time Series ........................................................................... 32 3.4.3 Pemilihan Metode Peramalan ........................................................... 36
3.4 Pengendalian Persediaan ............................................................................. 37 3.4.1 Economic Order Quantity (EOQ) ........................................... 37
3.4.2 Safety Stock (SS) ....................................................................... 40
3.5 Definisi Operasional.................................................................................... 41
BAB IV Gambaran Umum Perusahaan ................................................................ 43
4.1 Sejarah Umum Perusahaan ......................................................................... 43
4.2 Struktur Organisasi dan Ketenagakerjaan.................................................. 44
4.3 Jenis Produk ................................................................................................. 46 4.3.1 Buah Durian Segar ............................................................................. 46 4.3.2 Produk Olahan .................................................................................... 50 4.3.3 Produk Pelengkap .............................................................................. 51
4.4 Penyimpanan dan Penangan Mutu Produk ................................................ 51
4.5 Sistem Pengendalian Persediaan ................................................................ 52 4.5.1 Penetuan Tingkat Persediaan Buah Durian ...................................... 53 4.5.2 Prosedur Pembelian Buah Durian ..................................................... 54
4.6 Volume Penjualan ....................................................................................... 55
BAB V Hasil dan Pembahasan ................................................................................ 57
5.1 Identifikasi Pola Data Penjualan Buah Durian .......................................... 57 5.1.1 Pola Penjualan Buah Durian Medan ................................................. 58 5.1.2 Pola Penjualan Buah Durian Monthong Thailand ........................... 59 5.1.3 Pola Penjualan Buah Durian Frozen Monthong .............................. 60
5.2 Metode Peramalan Penjualan Buah Durian ............................................... 62 5.2.1 Metode Double Moving Average ...................................................... 62 5.2.2 Metode Doubke Eksponensial Smoothing ........................................ 63 5.2.3 Metode Dekomposisi ......................................................................... 65 5.2.4 Metode Winter’s ................................................................................. 67 5.2.5 Metode Indeks Musiman ................................................................... 68
5.3 Pemilihan Metode Peramalan ..................................................................... 69
x
5.4 Ramalan Penjualan Buah Durian ............................................................... 70
5.5 Penerapaan Peramalan untuk Pengendalian Persediaan Buah Durian ..... 72 5.5.1 Proyeksi Persediaan Buah Durian dengan EOQ .............................. 72 5.5.2 Titik Pemesanan Kembali dan Persediaan Pengaman ..................... 75
BAB VI KESIMPULAN DAN SARAN .................................................................. 78
6.1 Kesimpulan .................................................................................................. 78
6.2 Sarans ........................................................................................................... 79
DAFTAR PUSTAKA ................................................................................................. 80
LAMPIRAN ................................................................................................................ 82
DAFTAR TABEL
Halaman
1. Nilai Gizi Buah Durian .............................................................................................. 6
2. Karakteristik Buah Durian ......................................................................................... 48
3. Nilai MSE Perhitungan Metode Double Moving Average ...................................... 63
4. Nilai MSE Perhitungan Metode Double Eksponensial Smoothing ......................... 64
5. Nilai MSE Perhitungan Metode Decomposition Additive ....................................... 65
6. Nilai MSE Perhitungan Metode Decomposition Multipicative ............................... 66
7. Nilai MSE Perhitungan Metode Winter’s ................................................................. 67
8. Nilai MSE Perhitungan Metode Indeks Musiman ................................................... 68
9. Perbandingkan Nilai MSE Perhitungan Metode Peramalan yang digunakan ........ 70
10. Ramalan Penjualan Buah Durian Maret 2011 – Februari 2012 dengan Metode Perhitungan Winter’s.................................................................................................. 71
11. Perhitungan Tingkat Pemesanan Optimal Berdasarkan Metode EOQ .................. 73
12. Proyeksi Total Biaya Persediaan Ruamh Durian Harum Periode Maret 2011
sampai Februari 2012 ................................................................................................. 74
13. Perhitungan Titik Pemesanan Kembali berdasarkan Metode EOQ ........................ 75
14. Perhitungan Persediaan Pengaman ........................................................................... 76
DAFTAR GAMBAR
Halaman
1. Jalur Distribusi Barang Dagangan .................................................................... 8
2. Pola data metode time series ............................................................................. 12
3. Kerangka Pemikiran Konseptual ....................................................................... 29
4. Struktur Organisasi Toko Rumah Durian Harum ............................................ 44
5. Alur Pemesanan Rumah Durian Harum ........................................................... 54
6. Grafik Penjualan Bulanan Buah Durian Medan Periode Maret 2009 hingga Februari 2011 ......................................................................................... 58
7. Grafik Penjualan Bulanan Buah Durian Monthong Thailand Periode Maret 2009 hingga Februari 2011 .................................................................... 60
8. Grafik Penjualan Bulanan Buah Durian Frozen Monthong Periode Maret 2009 hingga Februari 2011 ............................................................................... 61
DAFTAR LAMPIRAN
1. Perkembangan Penjualan Buah Durian .................................................................... 83
2. Uji ADF Statistik ........................................................................................................ 85
3. Metode Double Moving Average Buah Durian Medan ........................................... 88
4. Metode Double Moving Average Buah Durian Monthong Thailand ...................... 90
5. Metode Double Moving Average Buah Durian Frozen Monthong ......................... 92
6. Metode Double Exponential Smoothing Buah Durian Medan ................................ 94
7. Metode Double Exponential Smoothing Buah Durian Monthong Thailand .......... 96
8. Metode Double Exponential Smoothing Buah Durian Frozen Monthong ............. 98
9. Metode Decomposition Buah Durian Medan ........................................................... 100
10. Metode Decomposition Buah Durian Monthong Thailand ..................................... 106
11. Metode Decomposition Buah Durian Frozen Monthong ........................................ 112
12. Metode winter’s Buah Durian Medan....................................................................... 118
13. Metode winter’s Buah Durian Monthong Thailand ................................................. 124
14. Metode winter’s Buah Durian Frozen Monthong .................................................... 130
15. Perhitungan Peramalan Penjualan Medan dengan Least Square ............................ 136
16. Perhitungan Peramalan Penjualan Monthong Thailand dengan Least Square....... 137
17. Perhitungan Peramalan Penjualan Frozen Monthong dengan Least Square.......... 138
18. Perhitungan Indeks Musiman Medan ....................................................................... 139
19. Perhitungan Indeks Musiman Monthong Thailand .................................................. 147
20. Perhitungan Indeks Musiman Frozen Monthong ..................................................... 155
21. Surat Keterangan Penelitian ...................................................................................... 163
BAB I PENDAHULUAN
1.1 Latar Belakang
Setiap perusahaan, baik itu perusahaan manufaktur maupun perusahaan
perdagangan haruslah menjaga persediaan yang cukup agar kegiatan operasi
perusahaannya dapat berjalan dengan lancar. Hal yang perlu diperhatikan
adalah bahan baku yang dibutuhkan hendaknya cukup tersedia sehingga dapat
menjamin kelancaran produksi. Penting bagi setiap jenis perusahaan untuk
mengadakan perencanaan atas persediaan, karena dapat membantu efisiensi
penggunaan dalam persediaan.
Persediaan bila ditentukan terlalu besar akan menghadapi berbagai resiko
seperti besarnya beban bunga yang harus ditanggung, memperbesar biaya
penyimpanan dan pemeliharaan di gudang, memperbesar kemungkinan
kerugian karena kerusakan dan turunnya kualitas bahan, sehingga semua ini
akan memperkecil keuntungan yang akan didapat perusahaan. Demikian pula
sebaliknya, bila persediaan terlalu kecil akan mempunyai efek yang menekan
keuntungan, karena kemungkinan kekurangan bahan baku mengakibatkan
perusahaan tidak bisa bekerja dengan luas produksi yang optimal (Sutrisno,
2003:96).
Pengantisipasian permasalahan tersebut dilakukan prediksi terhadap
kemungkinan-kemungkinan terjadinya penurunan atau kenaikan penjualan
pada periode yang akan datang dengan diperolehnya informasi yang akurat
2
sehingga perusahaan dapat mempersiapkan strategi-strategi yang akan
ditempuh menghadapi kondisi tersebut (Rangkuti, 2007:1).
Peramalan tidak hanya dilakukan untuk menentukan jumlah produk yang
akan diproduksi dan dijual tetapi bermanfaat pula untuk perencanaan
persediaan barang jadi. Ketersedian barang jadi menjadi penting, sebagai salah
satu alat untuk mengantisipasi keadaan pasar sehingga produk senantiasa
tersedia dan dapat memenuhi konsumen.
Rumah Durian Harum merupakan salah satu pelaku usaha dalam bisnis
ritel yang berfokus memasarkan produk durian baik segar maupun olahannya.
Keunggulan yang dimiliki oleh Rumah Durian Harum adalah kemampuan
untuk menyediakan buah durian sepanjang tahun dan konsep service to
customer. Sejak didirikannya pada bulan Mei 2007, dari tahun ke tahun
Rumah Durian Harum terus melakukan ekpansi. Rumah Durian Harum kini
telah memiliki delapan outlet yakni, di Jalan Raya Panjang, Cipondoh, Buncit,
Lebak Bulus, Serpong (Bumi Serpong Damai), Kalimalang, Cimone dan
Bintaro Jaya.
Rumah Durian Harum Bintaro dalam menjaga komitmennya untuk
menyediakan buah durian sepanjang tahun masih belum bisa dipenuhi karena
beberapa jenis durian dalam satu tahun masih ada yang tidak tersedia seperti
data Lampiran 1.Berdasarkan hal tersebut, penulis tertarik untuk membahas
perencanaan persediaan yang terdapat pada Rumah Durian Harum dalam
sebuah penelitian dengan judul “Peramalan Penjualan untuk Perencanaan
3
Pengadaan Persediaan Buah Durian di Rumah Durian Harum Bintaro,
Jakarta”.
1.2 Rumusan Masalah
1. Bagaimana ramalan penjualan buah durian Rumah Durian Harum satu
tahun kedepan?
2. Bagaimana Alternatif pengadaan persediaan buah durian yang optimal
di masa yang akan datang berdasarkan hasil ramalan?
1.3 Tujuan
1. Melakukan peramalan penjualan buah durian Rumah Durian Harum
satu tahun kedepan.
2. Merekomendasikan alternatif pengendaliaan persediaan buah durian
yang optimal berdasarkan hasil ramalan.
1.4 Manfaat Penelitian
1. Bagi perusahaan, sebagai suatu masukan bagi pihak manajemen dalam
pengambilan kebijakan pengendalian persediaan berdasarkan peramalan
penjualan.
2. Bagi peneiliti, untuk menambah wawasan ilmu pengetahuan dan
menerapkan serta membandingkan antara teori yang dipelajari dengan
4
kenyataan yang ada di dunia nyata, serta sebagai salah satu syarat
kelulusan studi program sarjana strata satu (S-1) program studi agribisnis.
3. Bagi pembaca, sebagai informasi tentang pengadaan persediaan dan
peramalan penjualan buah durian maupun masukkan bagi penelitian
selanjutnya.
1.5 Ruang Lingkup
Penelitian ini hanya akan melakukan peramalan penjualan berdasarkan
data time series dan merekomendasikan alternatif pengendalian persediaan
berdasarakan ramalan pada beberapa jenis buah durian yaitu Medan,
Monthong Thailand dan frozen Monthong selama satu tahun. Hal ini
dikarenakan ketiga jenis buah durian tersebut paling tinggi tingkat
penjualannya dan paling sering frekuensi ketersediaannya tetapi memiliki
biaya persediaan yang besar. Batasan ini dilakukan karena keterbatasan yang
dimiliki peneliti dalam hal waktu, biaya, dan tenaga.
BAB II TINJAUAN PUSTAKA
2.1 Buah Durian
Durian merupakan tanaman pohon asli nusantara, dengan pusat keragaman
di Pulau Kalimantan. Kata “durian” mengacu pada bentuk kulit buahnya yang
berduri sehingga diberi nama duri dengan akhiran an, jadilah kata durian. Kata ini
terutama dipergunakan untuk menyebut buah yang kulitnya berduri tajam. Durian
dikenal dengan nama yang berberda di beberapa daerah, yaitu duren (Jawa,
Betawi, Gayo), kadu (Sunda), duriang (Manado), duliang (Toraja), dan rulem
(Pulau Seram Timur) (Sobir dan Napitulu, 2010:6).
Pada awalnya durian merupakan tanaman hutan di Indonesia lalu
berkembang menjadi tanaman perkarangan selanjutnya di kebunkan. Sedangkan
di Thailand karena jauh dari pusat keragaman, durian berkembang secara cepat
menjadi tanaman budidaya komersial. Seiring perkembangan teknologi dan
budidaya pertanian, di Indonesia durian mulai dibudidayakan secara intesif
sehingga kualitasnya meningkat. Hal ini menjadi penting terutama karena
Indonesia memiliki varietas durian yang sangat beragam.
Indonesia sangat kaya dengan varietas durian unggul yang tersebar
disetiap daerah. Masing-masing daerah memiliki nama khas untuk durian
unggulannya misalnya, durian perwira karena jadi pesanannya perwira, durian
sicamat karena pesanannya pak camat atau durian selat karena berasal dari Desa
Selat di Jambi. Berdasarkan data dari Direktorat Perbenihan dan Sarana
Pertanian, Direktorat Jenderal Hortikultura hingga tahun 2009 sudah ditetapkan
6
sebanyak 71 varietas unggul nasional yang tersebar di Sumatera 14 varietas, Jawa
12 varietas, Kalimantan 21 varietas, Bali 1 varietas, Sulawesi 5 varietas, NTB 6
varietas, dan Maluku 3 varietas. Jumlah ini sangat banyak dibanding Thailand
yang memiliki 4 varietas unggul yaitu monthong, kradum, chanee, dan
pongmanea sedangkan Malaysia hanya mempunyai 1 varietas yaitu D24 (Sobir
dan Napitulu, 2010:7).
Buah Durian merupakan salah satu buah yang sangat digemari oleh banyak
orang. Selain karena rasanya yang sangat lezat dan aromanya yang harum,
ternyata buah durian merupakan salah satu makanan sehat karena memiliki
banyak manfaat bagi kesehatan tubuh. Buah durian mempunyai kandungan gizi
yang cukup tinggi yaitu vitamin B, C, E dan zat besi. Tabel 1 menunjukkan nilai
gizi buah durian per 100 gram daging buah.
Tabel 1. Nilai Gizi Buah Durian
No. Zat Gizi Jumlah Satuan
1. Air 65 gram
2. Protein 2,5 gram
3. Lemak 3 gram
4. Karbohidrat 28 gram
5. Kalsium 7,4 miligram
6. Fosfor 4,4 miligram
7. Besi 1,3 miligram
8. Vitamin A 175 miligram
9. Vitamin C 53 miligram
Sumber : Setiadi (2008:6)
7
Pada Tabel 1 dapat diketahui bahwa tiap 100 gram daging buah
mengandung 65 gram air, 2,5 gram protein, 3 gram lemak, 28 gram karbohidrat,
7,4 miligram kalsium, 4,4 miligram fosfor, 1,3 miligram besi, 175 miligram
vitamin A, serta 53 miligram vitamin C. Fosfor dan zat besi yang terdapat dalam
durian ternyata 10 kali lebih banyak daripada buah pisang sehingga baik untuk
tubuh jika dimakan tanpa berlebihan karena menghasilkan energi sebesar kurang
lebih 520 kJ (Setiadi, 2008:6).
2.2 Pengertian Bisnis Retail
Berbagai cara dan usaha bisa dijadikan sebagai strategi untuk memasarkan
sebuah produk. Salah satu strategi yang sudah dijalankan masyarakat dari dulu
hingga sekarang adalah pemasaran dengan sistem retail atau eceran. Sebagian
besar pelaku usaha memilih untuk menggunakan strategi pemasaran ini, sebab
peluang pasar yang paling potensial datang dari konsumen akhir, yang rata-rata
membeli suatu produk untuk keperluan mereka sehari-hari. Tak heran bila saat ini
perkembangan bisnis retail juga sangat pesat, dari toko kelontong, minimarket,
hingga bisnis retail yang sudah besar seperti Matahari, Alfamart, Indomart, dan
Hero banyak dicari para konsumen.
Ritel berasal dari bahasa Perancis, ritellier, yang berarti memotong atau
memecah sesuatu. Usaha ritel atau eceran (retailing) dapat dipahami sebagai
semua kegiatan yang terlibat dalam penjualan barang atau jasa secara langsung
kepada konsumen akhir untuk penggunaan pribadi dan bukan penggunaan bisnis
8
(Utami, 2006: 4). Ritel juga merupakan perangkat dari aktivitas-aktivitas bisnis
yang melakukan penambahan nilai terhadap produk-produk dan layanan
penjualan kepada para konsumen untuk penggunaan atau konsumsi perorangan
maupun keluarga. Hal ini akan membentuk suatu jalur distribusi, antara produsen
ke konsumen akhir seperti terilustrasikan pada Gambar 1.
Gambar 1. Jalur Distribusi Barang Dagangan
Sumber : Utami (2006:5)
Dari ilustrasi Gambar 1 dapat dipahami bahwa produsen mendistribusikan
produknya ke pedagang besar yang mana kemudian pedagang besar
mendistibusikannya lagi ke ritel yang tujuan akhirnya adalah konsumen terakhir
yang langsung menggunakan produk tersebut untuk kebutuhan sehari-hari.
2.3 Konsep Peramalan
Peramalan (forecasting) merupakan seni atau ilmu memprediksi peristiwa-
peristiwa di masa depan (Render dan Heizer, 2001:136). Peramalan dapat
didefinisikan sebagai suatu proses memperkirakan secara sistematis tentang apa
yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan
sekarang yang dimiliki agar kesalahannya dapat diperkecil (Mulyono dalam
Elawati 2010:19). Kesalahan atau error merupakan selisih antara yang terjadi
dengan hasil perkiraan. Peramalan tidak memberikan jawaban yang pasti tentang
apa yang akan terjadi, tetapi berusaha mecari sedekat mungkin dengan yang akan
9
terjadi. Peramalan memerlukan pengambilan data historis dan
memproyeksikannya ke masa depan dengan beberapa bentuk model matematis.
Metode peramalan dapat bersifat objektif (proyeksi dengan metode
kuantitatif maupun kualitatif) atau subjektif (menggunakan informasi yang
bersifat intuitif berdasarkan pengalaman sebelumnya). Ramalan penjualan
merupakan proses aktivasi memperkirakan produk yang akan dijual dimasa
mendatang dalam keadaan tertentu dibuat berdasarkan data-data yang pernah
terjadi atau mungkin akan terjadi (Nafarin dalam Khaerunnisah, 2008:9).
2.3.1 Jenis-jenis Peramalan
Berdasarkan sifat peramalannya dapat dibedakan atas 2 macam (Mulyono,
2000:3-4), yaitu :
1. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif
pada masa lalu. Hasil ramalan yang dibuat 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, seperti Delphi, S-
Curve, dan decision trees.
2. Peramalan kuantitatif, yaitu peramalan yang didasarkaan atas data
kuantitatif pada masa lalu. Hasil Peramalan yang dibuat sangat tergantung
pada metode yang dipergunakan dalam peramalan tersebut. Penggunaan
metode yang berbeda akan diperoleh hasil peramalan yang berbeda.
10
Render dan Heizer (2001:46) menyatakan jika dilihat dari jangka waktu
ramalan yang telah disusun, maka peramalan dapat dibedakan 3 macam,yaitu :
1. peramalan jangka pendek, yaitu peramalan yang memiliki rentang waktu
kurang dari tiga bulan. Peramalan jangka pendek digunakan untuk
merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja,
penugasan dan tingkat produksi.
2. Peramalan jangka menengah. Peramalan jangka menengah biasanya
berjangka tiga bulan hingga tiga tahun. Peramalan ini sangat bermanfaat
dalam perencanaan penjualan, perencanaan dan penganggaran produksi,
penganggaran kas, dan menganalisis berbagai rencana operasi.
3. Peramalan jangka panjang, yakni peramalan yang memiliki rentang waktu
biasanya tiga tahun atau lebih; digunakan dalam merencanakan produk
baru, pengeluaran modal, lokasi fasilitas, atau ekspansi, dan penelitian
serta pengembangan.
Adapun yang perlu diperhatikan dari penggunaan metode-metode tersebut,
adalah baik tidaknya metode yang dipergunakan, sangat ditentukan oleh
perbedaan atau penyimpangan antara hasil ramalan dengan kenyaataan yang
terjadi.
2.3.2 Identifikasi Pola Data Penjualan
Firdaus (2006:2) menyatakan peramalan dapat dilakukan, dengan sebelumnya
mengidentifikasi pola data deret waktu. Identifikasi data menekankan pada
bagaimana perilaku data sepanjang periode pengamatan. Jika pola data di masa
11
lalu telah diketahui maka dapat ditetapkan metode peramalan untuk
memperkirakan ramalan di masa yang akan datang.
Identifikasi pola data dapat dilakukan dengan visualisasi plot data secara
grafik dan uji akar unit (ADF). Identifikasi pola data penjualan bertujuan untuk
mengetahui komponen unsur-unsur yang ada seperti trend, stasioner, musiman
dan siklus. Trend adalah komponen data deret waktu yang menunjukkan
peningkatan atau penurunan dalam jangka panjang selama periode waktu yang
diamati. Unsur variasi musiman adalah fluktuasi data yang berulang setiap
beberapa hari, minggu atau bulanan karena faktor cuaca, hari raya dll. Siklus
adalah fluktuasi seperti gelombang di sekitar trend, dengan kata lain pola
musiman dalam jangka waktu yang lebih panjang berulang biasanya setiap lima
sampai sepuluh tahun. Unsur stasioner adalah fluktuasi data dimana relatif
konstan walaupun ada kenaikan atau penurunan, jika dirata-ratakan masih berada
pada titik rata-rata. Pola data penjualan lebih jelas dipaparkan pada Gambar 2.
Cara selanjutnya dengan menggunakan uji akar unit (ADF). Uji ini
merupakan pengujian yang populer, dikembangkan oleh David Dickey dan
Wayne Fuller dengan sebutan Augmented Dickey-Fuller (ADF) Test. Suatu deret
waktu dikatakan stasioner apabila memiliki nilai ADF lebih besar dari pada nilai
kritis. (Insukindro, 1994:42).
12
Gambar 2. Pola data metode time series; (a) stasioner, (b) musiman, (c) sklus dan (d) trend Sumber : Herjanto (2008:80)
Dari Gambar 2 jelas terlihat bahwa (a) data berfluktuasi (bergerak) di
sekitar nilai rata-rata yang konstan. Deret seperti ini adalah stasioner terhadap
nilai rata-ratanya. Suatu deret waktu dipengaruhi oleh fakor musiman yang terjadi
secara berulang, misalnya harian, mingguan, bulanan, atau kuartalan seperti
terlihat pada (b). Bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka
panjang, seperti yang berhubungan dengan siklus bisnis (c) dan apabila terjadi
13
kecenderungan (menaik atau menurun) dalam jangka panjang dalam data dikatan
pola data tersebut mengandung unsur trend (d).
2.3.3 Metode Peramalan
Berdasarkan Mulyono (2000:91) metode kuantitaif yang digunakan dalam
perkiraan, pada dasarnya dapat dikelompokkan dalam 2 jenis, yaitu metode time
series dan metode kausal (regresi).
1) Metode time series
Metode peramalan time series didasarkan atas penggunaan analisa pola
hubungan variabel yang akan diperkirakan dengan variabel waktu yang
merupakan data deret waktu (time series). Tujuan metode time series ialah
menemukan pola dalam data deret waktu dan mengekstrapolasikan data tersebut
ke masa depan. Metode-metode yang digunakan dalam peramalan times series
terdiri dari beberapa metode yaitu :
a. Metode Naïve
Menurut Firdaus (2006:4) metode ini didasarkan pada asumsi bahwa periode
saat ini merupakan prediktor terbaik dari masa mendatang. Metode ini merupakan
metode sederhana karena perhitungan peramalannya dengan menggunakan data
yang lewat (pass data) yang dijadikan sebagai peramalan waktu mendatang.
Metode naïve cocok pada pola data stasioner.
b. Metode rata-rata bergerak sederhana (moving average)
Metode ini menetapkan bahwa ramalan periode mendatang merupakan nilai
rataan dengan menggunakan nilai dari periode yang terlama dan memasukkan
14
nilai dari periode terbaru dari sekelompok data yang terlama dan memasukkan
nilai periode terbaru dari sekelompok data yang jumlahnya konstan. Prosedur
moving average yang berarti jika observasi baru telah tersedia, rata-rata yang baru
dapat dihitung dengan menghilangkan data yang tertua dan menggantinya dengan
yang terbaru.
Metode rata-rata bergerak sederhana cocok untuk pola data stasioner dan
berusaha menghilangkan data musiman dan trend. Jika moving average
digunakan, pemilihan n perlu memperhatikan periode data. Nilai n yang optimal
dapat dicari dengan trial and error (coba-coba). Hal ini dimaksudkan untuk
menghindari nilai penyimpangan yang besar dari fluktuasi data yang telah
memberikan pengaruh terhadap ramalan yang dihasilkan. Jika periode data
bulanan, paling tidak digunakan n=12. Jika n makin besar pengaruh penghalusan
makin terasa (Firdaus, 2006:128).
c. Metode Pelicinan Eksponensial Tunggal (Single Eksponensial Smoothing)
Metode ini sangat baik diterapkan pada serial data yang memiliki pola
stasioner dan kemungkinan tidak efektif dalam menangani peramalan dengan
kecendrungan data yang dimiliki komponen trend dan pola musiman. Hal ini
dikarenakan jika diterapkan pada serial data yang memiliki trend yang konstan,
ramalan yang akan dibuat akan selalu berada di belakang trend. Selain itu, metode
eksponensial ini juga memberikan bobot yang relatif lebih tinggi pada nilai
pengamatan terbaru dibanding periode sebelumnya.
15
Metode ini menggunakan α sebagai koefisien pelicinan. Handoko (2008:280)
menyatakan nilai-nilai α rendah akan menyebabkan jarak yang lebih lebar dengan
trend, karena hal itu memberikan bobot yang lebih kecil pada permintaan
sekarang. Nilai α yang rendah cocok digunakan bila data bersifat stabil. Nilai-nilai
α yang lebih tinggi berguna dimana perubahan-perubahan yang sesungguhnya
cenderung terjadi karena lebih responsive terhadap fluktuasi permintaan. Mencari
nilai α yang tepat umumnya dapat ditentukan dengan pengujian trial and error
(coba-coba) terhadap α yang berbeda-beda untuk menemukan nilai α yang akan
menghasilkan nilai kesalahan terkecil.
d. Metode Pelicinan Eksponensial Ganda (Double Eksponensial Smoothing)
Metode Double Eksponensial Smoothing memiliki dasar pemikiran yang
sama dengan rata-rata bergerak linier. Berkaitan dengan hal tersebut, penerapan
metode double eksponensial smoothing ini cukup baik untuk deret data yang
memiliki unsur trend. Metode double eksponensial smoothing memproses time
series yakni dengan mengekstrapolasikan data atas dasar trend terkahir yang
terbentuk, sehingga ramalan yang akan terlihat nantinya cenderung ke suatu arah
yakni sesuai dengan trend terkahir.
e. Metode Perhitungan Indeks Musiman
Perhitungan indeks musiman dalam Handoko (2008:278) dapat dihitung
dengan mencari nilai rata-rata berbagai rasio kuartal nyata terhadap nilai garis
trend untuk setiap periode. Peramalan model ini merupakan estimasi penjualan
yang hanya memasukan komponen trend dan musiman tanpa memperhatikan
pengaruh silikal. Rangkuti (2007:13) menyatakan indeks musiman perlu
16
dilakukan untuk mengetahui secara jelas apakah data time series yang dimiliki
mengandung unsur musiman atau tidak.
f. Metode Dekomposisi
Salah satu pendekatan dalam analisis data runtut waktu adalah berusaha
untuk mengidentifikasi faktor-faktor komponen yang mempengaruhi nilai-nilai
periodik dalam satu serial. Proses identifikasi ini disebut dekomposisi. Setiap
komponen diidentifikasi sehingga data runtut waktu dapat diproyesikan ke masa
yang akan datang dan dapat digunakan untuk peramalan jangka pendek maupun
jangka panjang (Arsyad, 1994:207).
Subagyo (1994:31) mengatakan bahwa metode dekomposisi adalah salah
satu metode peramalan yang didasarkan pada kenyataan bahwa biasanya apa yang
telah terjadi akan berulang atau terjadi kembali dengan pola yang sama, artinya
yang dulu selalu naik pada waktu yang akan datang biasanya akan naik, yang
biasanya berkurang akan berkurang juga, yang biasanya berfluktuatif akan
berfluktuatif juga dan yang biasanya tidak teratur maka akan tidak teratur juga.
g. Metode Winter’s
Metode ini digunakan ketika data menunjukan adanya trend dan perilaku
musiman . Metode exponentian smoothing yang telah dibahas sebelumnya dapat
digunakan untuk hampir segala jenis data stasioner atau non – stasioner sepanjang
data tersebut tidak mengandung faktor musiman. Tetapi bilamana terdapat
musiman, metode ini dijadikan cara untuk meramalkan data yang mengandung
faktor musiman, namun metode ini sendiri tidak dapat mengatasi masalah tersebut
17
dengan baik. Meskipun demikian, metode ini dapat menangani faktor musiman
secara langsung (Makridakis, 1999:40).
h. Metode Box Jenkis (ARIMA)
Metode peramalan Box-Jenkis merupakan suatu prosedur iterative memilih
model terbaik untuk series yang stasioner dari suatu kelompok model time series
linier (Mulyono, 2000:147). ARIMA merupakan singkatan dari autoegressive
integrated moving average. Metode ini tidak menggunakan variabel independen,
melainkan menggunakan nilai-nilai sekarang dan nilai-nilai masa lampau dari
variabel dependen. Metode ARIMA adalah metode yang tepat untuk mengatasi
terlalu rumitnya data deret waktu (terdapat variasi dari pola data) dan situasi
peramalan lainnya.
Firdaus (2006:19), prosedur ARIMA terdiri dari beberapa tahapan yaitu
identifikasi, estimasi, evaluasi model dan peramalan. Penjelasan dengan tahap
tersebut adalah sebagai berikut :
1. Indentifikasi. Pada tahap ini dilakukan identifikasi terhadap tiga hal, yaitu
terhadap pola data; apakah terdapat unsur musiman atau tidak. Kedua,
identifikasi terhadap kestasioneran data. Ketiga, identifikasi terhadap pola
atau perilaku ACF dan PACF.
2. Estimasi model. Pada tahap estimasi, pertama-tama dihitung nilai estimasi
awal untuk parameter-parameter dari model tentatif, untuk menghitung
estimasi awal biasanya digunakan nilai 0 atau 1 sebagai koefisien estimasi
untuk masing-masing parameter.
18
3. Evaluasi mode. Setelah diperoleh persamaan untuk model tentatif, dilakukan
pengujian kedekatan model dengan data. Uji ini dilakukan dengan menguji
nilai residual, signifikasi dan hubungan-hubungan antara parameter. Nilai
residual merupakan nilai yang diperoleh dari selisih antara nilai skyual
dengan nilai ramalan. Jika terdapat hasil uji yang tidak diterima atau tidak
memenuhi syarat, maka model harus diperbaiki dan langkah-langkah
sebelumnya diulang kembali. Uji diagnostik untuk evaluasi model terdapat 6
kriteria, yaitu residual peramalan bersifat acak, model parsimonius
(sederhana), parameter yang diperoleh berbeda nyata dengan nol, proses
iterasi harus convergence dan memiliki nilai MSE terkecil.
2) Metode Kausal (Regresi)
Metode peramalan kausal didasarkan atas penggunaan analisa pola hubungan
antara variabel yang diperkirakan (dependen) dengan variabel lain yang
mempengaruhinya (independen), yang bukan waktu yang disebut metode korelasi
atau sebab akibat (causal method). Metode ini sering disebut metode regresi.
Metode regresi adalah suatu penyederhanaan pola hubungan suatu variabel
dengan suatu variabel lain (Mulyono, 2000:53). Kriteria yang digunakan untuk
menunjukkan keakuratannya yaitu nilai R-Square (Rangkuti, 2007:19). Semakin
besar nilai R-Square berarti model semakin akurat dalam meramalkan. Untuk
pengujian regresi dilakukan dengan membandingkan nilai ρ dengan tingkat α
yang akan digunakan. Nilai α yang digunakan 0,05 dengan derajat kepercayaan 95
persen. Jika ρ lebih kecil dari α maka variabel tersebut signifikan (Muhidin dan
19
Abdurrahman, 2007:198). Hal tersebut menunjukkan bahwa variabel tersebut
berpengaruh nyata terhadap variabel dependen.
2.4 Persediaan
Chopra dan Meindl dalam Elawati (2010:14) menyatakan persediaan
merupakan seluruh bahan baku, bahan setengah jadi, dan barang jadi yang
terdapat dalam suatu penyediaan. Berbeda dengan Shore dalam Zulfikarijah
(2005:4) mendefinisikan bahwa persediaan sebagai sumberdaya menganggur yang
memiliki nilai potensial, definisi tersebut memasukan perlengkapan dan tenaga
kerja yang menganggur sebagai persediaan.
2.4.1 Jenis-jenis Persediaan
Indrajit dan Djokopranoto (2003:4) mengklasifikasikan barang persediaan
sebagai berikut:
1. Bahan baku (raw material) adalah bahan mentah yang belum diolah, yang
akan diolah menjadi barang jadi, sebagai hasil utama dari barang yang
bersangkutan.
2. Barang setengah jadi (semi final product) adalah hasil olahan bahan
mentah sebelum menjadi barang jadi yang sebagian akan diolah lebih
lanjut menjadi barang jadi dan sebagian kadang-kadang dijual seperti apa
adanya untuk menjadi bahan baku perusahaan lain.
20
3. Barang jadi (finished product) adalah barang yang sudah selesai
diproduksi atau diolah, yang merupakan hasil utama perusahaan yang
bersangkutan dan siap untuk dipasarkan atau dijual.
4. Barang umum dan suku cadang (general material and spare parts) adalah
segala jenis barang atau suku cadang yang digunakan untuk operasi
menjalankan perusahaan/pabrik dan untuk memelihara peralatan yang
digunakan.
5. Barang untuk proyek (work in progress) adalah barang-barang yang
ditumpuk menunggu pemasangan dalam proyek baru.
6. Barang dagangan (commodities) adalah barang yang dibeli, sudah
merupakan barang jadi dan disimpan digudang menunggu penjualan
kembali dengan keuntungan tertentu.
2.4.2 Fungsi Persediaan
Handoko (2008:335), menyatakan efensiensi operasional suatu organisasi
dapat ditingkatkan karena berbagai fungsi penting persediaan. Fungsi-fungsi
persediaan tersebut adalah sebagai berikut:
1. Fungsi Decoupling
Fungsi Decoupling adalah memungkinkan operasi-operasi perusahaan
internal dan eksternal mempunyai kebebasan (independence). Fungsi ini
memungkinkan perusahaan dapat memenuhi permintaan langganan tanpa
tergantung pada supplier.
21
2. Fungsi Economic Lot Sizing
Fungsi Economic Lot Sizing yaitu fungsi yang menyimpan persediaan
sehingga perusahaan dapat memproduksi dan membeli sumber daya dalam
kuantitas yang dapat mengurangi biaya per unit. Persediaan “lot size” ini perlu
mempertimbangkan “penghematan-penghematan” (potongan pembelian, biaya
pengangkutan per unit lebih murah dan sebagainya) karena perusahaan
melakukan pembelian dalam kuantitas yang lebih besar, dibandingkan dengan
biaya-biaya yang timbul karena besarnya persediaan (biaya sewa gudang,
investasi, resiko, dan sebagainya).
3. Fungsi Antisipasi
Fungsi antisipasi merupakan fungsi yang berguna bagi perusahaan dalam
menghadapi ketidakpastian jangka waktu pengiriman dan permintaan akan
barang-barang selama periode pemesanan kembali sehingga memerlukan
persediaan pengaman.
2.4.3 Biaya Persediaan
Menurut Tampubolon (2004:194) biaya persediaan terdiri dari :
1. Biaya penyimpanan (Holding cost atau carrying costs)
Biaya penyimpanan merupakan biaya yang timbul di dalam menyimpan
persediaan, di dalam usaha mengamankan persediaan dari kerusakan,
keusangan atau keausan, dan kehilangan. Biaya-biaya yang termasuk sebagai
biaya penyimpanan sebagai berikut :
22
a. Biaya fasilitas-fasilitas penyimpanan (termasuk penerangan, pendingin
ruangan dan sebagainya).
b. Biaya modal (opportunity cost of capital) yaitu alternative pendapatan
atas dana yang diinvestasikan dalam persediaan.
c. Biaya keusangan.
d. Biaya penghitungan fisik.
e. Biaya asuransi persediaan.
f. Biaya pajak persediaan.
g. Biaya pencuriaan, pengrusakan atau perampokan.
h. Biaya penanganan persediaan.
2. Biaya pemesanan atau pembeliaan (ordering costs atau procurement cost)
Biaya pemesanan adalah biaya-biaya yang timbul selama proses
pemesanan sampai barang tersebut dapat dikirim pemasok. Biaya-biaya
yang termasuk biaya pemesanan yaitu :
a. Pemrosesan pesanan dan biaya ekspedisi
b. Upah
c. Biaya telepon
d. Pengeluaran surat menyurat
e. Biaya pengepakan dan penimbangan
f. Biaya pemeriksaan penerimaan
g. Biaya pengiriman ke gudang
h. Biaya utang lancar
23
3. Biaya Penyiapan (manufacturing) atau set-up cost
Biaya penyiapan merupakan biaya-biaya yang timbul di dalam
menyiapkan mesin dan peralatan untuk dipergunakan dalam proses
konversi. Biaya-biaya yang termasuk biaya penyiapan adalah :
a. Biaya mesin-mesin menganggur
b. Biaya persiapan tenaga kerja langsung
c. Biaya penjadwalan
d. Biaya ekspedisi
4. Biaya kehabisan atau kekurangan bahan (shortage costs)
Biaya kehabisan atau kekurangan bahan adalah biaya yang timbul akibat
kehabisan persediaan karena kesalahan perhitungan. Biaya-biaya yang
termasuk biaya kekurangan bahan adalah :
a. Kehilangan penjualan
b. Kehilangan langganan
c. Biaya pemesanan khusus
d. Biaya ekspedisi
e. Selisih harga
f. Terganggunya operasi
g. Tambahan pengeluaran kegiatan manajerial.
24
2.5. Pengendalian persediaan
Pengedalian persediaan berupa mengatur dan mengontrol persediaan untuk
kebutuhan selama periode tertentu. Fungsi pengendalian untuk komoditas
pertanian sangat penting, baik yang dilakukan oleh produsen, lembaga perantara
pemasaran, konsumen maupun yang dilakukan suatu badan pemerintahan yang
berwenang (Said dan Intan; 2001:95-99).
Menurut Assauri (2004:177), tujuan dari pengendalian persediaan secara rinci
dapat dinyatakan sebagai usaha untuk :
1. Menjaga agar perusahaan tidak kehabisan persediaan sehingga produksi
terhenti.
2. Menjaga supaya pembentukkan persediaan oleh perusahaan tidak terlalu
besar atau berlebihan, sehingga biaya yang timbul dari persediaan tidak
terlalu besar.
3. Menjaga agar pembelian secara kecil-kecilan dapat dihindari karena ini
akan berakibat biaya pemesanan menjadi besar.
2.6 Model Pengendalian Persediaan Economic Order Quantity (EOQ)
EOQ merupakan salah satu teknik pengendalian persediaan tertua dan paling
terkenal. Teknik ini relatif mudah digunakan, tetapi didasarkan pada asumsi
(Render dan Heizer, 2001:320) :
a. Tingkat permintaan diketahui dan bersifat konstan.
b. Lead time diketahui dan bersifat konstan.
25
c. Persediaaan diterima dengan segera, dengan kata lain, persediaan yang
dipesan tiba dalam bentuk kumpulan produk pada satu waktu.
d. Tidak mungkin diberikan diskon.
e. Biaya variabel yang muncul hanya biaya pemasangan atau pesanan dan
biaya penahanan atau penyimpanan persediaan sepanjang waktu.
f. Keadaan kehabisan (kekurangan) dapat dihindari sama sekali bila
pemesanan dilakukan dengan tepat.
2.7 Penelitian Terdahulu
Khaerunnisa (2009) melakukan penelitian mengenai Analisis Peramalan
Penjualan unrtuk Perencanaan Pengendalian Persediaan Kecap Manis Sate PT.
Korma Jaya Utama (KJU). Hasil penelitian menunjukan pola data penjualan kecap
manis sate periode Januari 2003 hingga Desember 2007 pola stasioner dan pola
musimam. Berdasarkan pola data tersebut didapatkan nilai penjualan yang relatif
konstan berada disekitar garis rata-rata. Pola musiman disebabkan oleh perilaku
sales (agen) dan pengaruh hari besar keagamaan.
Berdasarkan pengolahan data, metode peramalan penjualan yang terbaik
yaitu metode indek musiman dengan nilai MSE terkecil yaitu 153086792
sedangkan penggunakan metode EPQ menghasilkan prediksi produksi sebesar
115.020,34 botol, kemudian dikonversikan ke dalam hari kerja dihasilkan jumlah
produksi sebesar 3.995,15 botol/produksi.
26
Perusahaan menerapkan persediaan berupa persediaan pengaman yakni
31.795,28 botol memerlukan biaya sebesar Rp. 470.252,19, sedangkan dengan
perhitungan EPQ dengan presentase tingkat pelayanan 99,9 persen perusahaan
dapat memenuhi permintaan pelanggan, dihasilkan persediaan pengaman 28.922,8
botol memerlukan biaya Rp. 427.776,21. Dengan selisih sebesar 42.475,98 maka,
metode EPQ lebih optimal dibandingkan dengan metode yang diterapkan
perusahaan.
Penelitian mengenai Analisis Perencanaan Pengadaan Persediaan Tuna pada
PT. Tridaya Eramina Bahari Muara Baru Jakarta oleh Elawati (2010). Sistem
pengadaan bahan baku yang dilakukan PT. Tridaya Eramina Bahari belum
optimal. Hal ini dapat dilihat dari belum adanya perencanaan dalam pengadaan
persediaan bahan baku dengan menggunakan metode tertentu sehingga
penggunaan bahan baku belum tertata baik dan biaya persediaan bahan baku
belum minimum. Analisis perbandingan antara metode perusahaan dengan metode
EOQ, menunjukkan pengendalian persediaan bahan baku dengan menggunakan
metode EOQ lebih efisien. Peramalan permintaan (volume ekspor) tuna loin untuk
tahun 2010 dilakukan dengan menggunakan metode time series. Berdasarkan nilai
MAD terkecil didapatkan metode peramalan terbaik untuk digunakan yaitu
Dekomposisi Aditif dengan indeks musiman 12. Perencanaan persediaan bahan
baku perusahaan tahun 2010 dengan menggunakan metode EOQ yang didasarkan
pada proyeksi kebutuhan bahan baku berdasarkan hasil ramalan permintaan
27
(volume ekspor), diperoleh besarnya kuantitas pemesanan sebesar 1.139 kg per
pesanan dengan nilai frekuensi pemesanan sebesar 377 kali pemesanan.
2.8 Kerangka Pemikiran Konseptual
Pertama kali yang dilakukan dalam penelitian mengenai peramalan penjualan
untuk perencanaan pengadaan buah durian di Rumah Durian Harum adalah
menentukan objek penelitian yang akan diteliti berdasarkan jenis buah durian.
Jenis buah durian yang akan dijadikan objek penelitian diambil berdasarkan
tingkat penjualan tertinggi dan frekuensi ketersedian paling sering tetapi memiliki
biaya persediaan yang besar. Kemudian setelah mengetahui jenis buah durian
yang akan diteliti maka tahap berikutnya adalah ramalan penjualan meliputi
identifikasi pola data penjualan selama 2 tahun terakhir periode yang kemudian
akan dilakukan peramalan. Peramalan dilakukan menggunakan metode time
series yang terdiri atas metode moving average, metode ekpsonensial smoothing,
metode dekomposisi, metode winter’s dan indeks musiman yang turut
mempengaruhi penjualan. Berdasarkan beberapa metode peramalan yang akan
digunakan kemudian dipilih metode peramalan yang paling akurat. Salah satu
kriteria yang digunakan dalam memilih metode peramalan adalah kesalahan
peramalannya (nilai error) yang terkecil. Akurasi peramalan yang digunakan
adalah Mean Standard Error (MSE)
Perubahan tingkat penjualan di masa yang akan datang dengan prediksi
penjualan akan mempengaruhi pengendalian persediaan. Kebutuhan persediaan
28
yang optimal akan diprediksi menggunakan Economic Order Quantity (EOQ) dan
Safety Stock (SS). Hal ini dikarenakan tingkat permintaan telah diketahui
berdasarkan ramalam penjualan dan diasumsikan konstan 1 tahun kedepan. Lead
time diketahui dan bersifat konstan yaitu 1 hari serta persediaan diterima dengan
segera.
Hasil penelitian nanti akan memperlihatkan jumlah buah durian yang
dibutuhkan satu tahun kedepan. Peramalan jumlah buah durian yang dihasilkan
menggambarkan pula berapa persediaan bauh yang optimal sehingga dapat
meminimalisirkan biaya. Secara garis besar, uraian diatas merupakan suatu
kerangka pemikiran konseptual skripsi ini digambarkan pada Gambar 3.
29
Rumah Durian Harum
Gambar 3. Kerangka Pemikiran Konseptual
Keterangan
: sasaran penelitian : kegiatan penelitian
: arah kegiatan penelitian : alat penelitian
Identifikasi Pola Penjualan
Ramalan Penjualan 1 tahun kedepan
Perencanaan Pengadaan Persediaan
Rekomendasi Perencanaan Pengadaan Persedian
Penentuan Objek Penelitian Berdasarkan Jenis Buah Durian
Peramalan Penjualan
Metode Time Series 1) metode double moving
average 2) metode double
eksponensial smoothing 3) metode dekomposisi 4) metode winter’s 5) metode indeks musiman
Pemilihan metode peramalan terbaik
EOQ Safety stock
Visualisasi Grafik Uji Akar Unit
(ADF)
MSE
BAB III METODOLOGI PENELITIAN
3.1. Lokasi dan Waktu Penelitian
Penelitian ini dilaksanakan di Rumah Durian Harum yang berlokasi di Jl.
Bintaro Utama sektor 3A no.45,Bintaro Jaya. Penentuan lokasi ini dilakukan
secara sengaja (purposive), dengan pertimbangan bahwa Rumah Durian Harum
adalah salah satu retail besar yang memasarkan buah durian baik produk segar
maupun olahan sepanjang tahun. Penelitian ini dilaksanakan mulai bulan
Desember 2010 sampai Februari 2011.
3.2. Jenis dan Sumber Data
Jenis data dalam penelitian ini adalah data primer dan sekunder. Data primer
diperoleh melalui wawancara menggunakan daftar pertanyaan. Data sekunder
diperoleh dari data pola penjualan buah durian selama 2 tahun terakhir periode
Maret 2009 hingga Februari 2011 dan pengendalian persediaan buah durian yang
diterapkan oleh Rumah Durian Harum serta data penunjang yang diperoleh
melalui literatur, dokumen dan informasi dari berbagai instansi terkait seperti
BPS, dan perpustakaan-perpustakaan instansi terkait. Data yang dibutuhkan yaitu
gambaran umum perusahaan, persediaan dan penjualan buah durian Rumah
Durian Harum.
31
3.3. Metode Pengolahan dan Analisis Data
Data dan informasi yang diperoleh kemudian diolah menggunakan program
Microsoft Excel, Minitab 15 dan Eview 4.1.Volume penjualan 1 tahun yang akan
datang dapat dilihat dari pola penjualan periode sebelumnya. Berdasarkan
penjualan tersebut kemudian data diolah menggunakan metode peramalan time
series. Pemilihan metode peramalan yang terakurat kemudian dapat
memproyeksikan sejumlah persediaan dengan metode EOQ dan SS.
3.3.1. Identifikasi Pola Penjualan
Identifikasi pola data dilakukan dengan visualisasi plot data secara grafik
dan pengujian menggunakan uji akar unir (ADF). Identifikasi pola data bertujuan
untuk mengetahui komponen unsur-unsur yang ada seperti trend, stasioner,
musiman dan siklus.
Uji akar unit merupakan pengujian yang dikembangkan oleh David Dickey
dan Wayne Fuller dengan sebutan Augmented Dickey-Fuller (ADF) Test.
Beberapa model yang dapat dipilih untuk melakukan Uji ADF (Nachrowi dan
Usman, 2006:355) sebagai berikut :
ΔYt = δYt-1 + ut (tanpa intercept) (1)
ΔYt = β + δYt-1 + ut (dengan intercept) (2)
ΔYt = β1 + β2t + δYt-1 + ut (intercept dengan trend waktu) (3)
Dimana :
ΔYt = first difference dari variabel yang digunakan
t = variabel trend
32
Hipotesis untuk pengujian ini adalah :
H0 : δ = 0 (terdapat unit root, tidak stasioner)
H1 : δ ≠ 0 (tidak terdapat unit root, stasioner)
Prosedur menentukan apakah data satsioner atau tidak adalah dengan cara
membandingkan antara nilai statistik DF dengan nilai kritisnya yaitu distribusi
statistik, Runtun waktu yang diamati stasioner jika memiliki nilai ADF lebih besar
dari nilai kritis. Beberapa piranti lunak ekonometrika seperti EViews, SPlus, dan
R menyediakan nilai kritis ini setiap kali kita melakukan running data.
3.3.2. Metode Time Series
Penelitian ini akan menggunakan metode peramalan time series. Metode ini
terdiri atas beberapa metode diantaranya metode naïve, metode rata-rata bergerak
ganda (double moving average), metode dekomposisi, metode Double
Eksponensial Smoothing, metode winter’s dan Metode Indeks Musiman.
1. Metode rata-rata bergerak ganda/double moving average (Arsyad,1994:82)
M’(n)t =
Keterangan :
n = jumlah periode (orde) yang diikutkan dalam panjang
moving average
33
M’t = nilai moving average dari moving average pada periode t
= nilai ramalan penjualan untuk p periode mendatang
at = nilai moving average pada periode t
bt = nilai trend moving average pada periode t
p = jumlah periode mendatang yang akan diramalkan
2. Metode Dekomposisi
Penulisan matematis dari pendekatan metode ini sebagai berikut (Firdaus,
2006: 14):
Yt = f (Xt , Ct , It, Et)
A. Dekomposisi Aditif
Model ini dipilih bila gelombang-gelombang kecil (swing) dari variasi
musiman bersifat konstan sepanjang waktu. Penulisan modelnya sebagai
berikut:
Yt = Xt + Ct + It + Et
B. Dekomposisi Multiplikatif
Model ini dipilih bila gelombang-gelombang kecil (swing) dari variasi
musiman meningkat secara proporsional dengan bertambahnya waktu.
Penulisan modelnya sebagai berikut:
Yt = Xt x Ct x It x Et
Keterangan :
Xt = nilai aktual penjualan buah durian terpilih pada periode t
34
Ct = komponen siklus pada periode t
It = komponen musiman pada periode t
Et = komponen kesalahan atau error pada periode t
3. Metode Double Eksponensial Smoothing (Subagyo, 1994:24)
Metode ini dapat dirumuskan sebagai berikut :
Keterangan :
= nilai pemulusan baru data aktual penjualan
= nilai aktual pada periode t
= koefisien pemulusan (smoothing) (0< <1)
= nilai perkiraan trend
= koefisien pemulusan (smoothing) untuk trend (0< <1)
p = jumlah periode penjualan mendatang yang akan diramalkan
= nilai ramalan penjualan untuk p periode mendatang
4. Metode Winter’s
Model ini dapat dirumuskan sebagai berikut (Subagyo, 1994: 26):
35
Keterangan :
= nilai pemulusan baru data aktual
= nilai aktual penjualan pada periode t
= koefisien pemulusan (smoothing) (0< <1)
= nilai perkiraan trend
= koefisien pemulusan (smoothing) untuk trend (0< <1)
= nilai perkiraan musiman
= koefisien pemulusan (smoothing) untuk musiman (0< <1)
p = jumlah periode penjualan mendatang yang akan diramalkan
= panjang variabel musiman
= nilai ramalan penjualan untuk p periode mendatang
5. Metode Indeks Musiman
Persamaan dalam indeks musiman dapat dihitung melalui :
Y = a+ b X
a = ∑Y
n
b = ∑XY
∑X2
ŕ = Yt
Y
ŕ (rata-rata) = ∑ ŕ
n
36
ŷ t+1 = (Y) (ŕ (rata-rata)
keterangan :
a, b = konstanta
n = banyaknya data
Y = penjualan aktual
X = pengkodean dari titik tengah periode
ŕ = rasio penjualan
Yt = nilai garis trend
ŷ t+1 = nilai ramalan periode mendatang
3.3.3. Pemilihan Metode Peramalan
Pemilihan metode peramalan terakurat perlu dipertimbangkan beberapa
faktor yakni forecasting power dari metode tersebut yaitu menguji nilai
kesalahannya. Ukuran akurasi yang sering digunakan adalah nilai mean squared
error (MSE). Metode ini mengavaluasi akurasi peramalan dengan
mengkuadratkan nilai kesalahan peramalan (error). Hasilnya dijumlahkan dan
dibagi dengan jumlah obsevarsi. Metode peramalan yang memiliki nilai MSE
paling kecil mengandung pengertian bahwa semakin kecil nilai MSE suatu
peramalan, maka hasil ramalan tersebut semakin mendekati aktualnya
(forescasting power semakin kuat (Firdaus, 2006:4). Nilai MSE dirumuskan
sebagai berikut:
37
Keterangan :
yi = nilai variabel
ŷi = nilai ramalan
(yi- ŷi) = kesalahan ramalan (error)
n = banyaknya observasi
3.4. Pengendalian Persediaan
3.4.1 Economic Order Quantity (EOQ)
Model persediaan EOQ dapat dilakukan dengan cara grafik dan tabel, atau
dengan formula (rumus). Cara tabel dan grafik, atau menggunakan pengujian uji
coba untuk mengetahui jumlah pesanan yang paling ekonomis. Caranya dimulai
dengan menghitung biaya-biaya yang timbul pada setiap kemungkinan frekuensi
pesanan yaitu pemesanan dan jumlah pesanan yang paling ekonomis, yaitu
memberikan biaya total terendah dapat diketahui dengan membandingkan biaya
total dari setiap frekuensi pesanan.
Rumus EOQ yang biasa digunakan adalah (Handoko, 2008:340)
EOQ = HSD2
Dimana:
D : penggunaan atau permintaan yang diperkirakan per periode waktu.
S : Biaya pemesanan ( persiapan pesanan dan penyiapan mesin ) per
pesanan
H : Biaya penyimpanan per unit per tahun.
38
Adapun asumsi yang perlu diperhatikan pada model EOQ adalah sebagai
berikut (Handoko, 2008 : 341):
1. Permintaan akan produk adalah konstan, seragam dan diketahui
(deterministik).
2. Harga per unit produk adalah konstan.
3. Biaya penyimpanan per unit per tahun (H) adalah konstan.
4. Biaya pemesanan per pesanan (S) adalah konstan.
5. Waktu antara pesanan dilakukan dan barang-barang diterima (leadtime)
adalah konstan.
6. Tidak terjadi kekurangan barang atau back order.
Komponen biaya yang harus diketahui untuk menentukan kuantitas pesanan
ekonomis adalah sebagai berikut :
Biaya pemesanan pertahun = frekuensi pesanan x biaya pemesanan
= SQD
Frekuensi pemesanan merupakan permintaan pertahun dibagi dengan jumlah
pesanan dalam satu tahun, sehingga jumlah frekuensi pesananan yang paling
ekonomis adalah :
F’ = *Q
D
Sedangkan untuk mengetahui banyaknya pemesanan dilakukan dengan
membagi jumlah hari kerja dengan frekuensi pemesanan yang paling ekonomis,
dengan rumus :
39
T’ = esananfrekuensip
jaJumlahhari ker
Biaya penyimpanan pertahun:
= persediaan rata-rata x biaya penyimpanan
= HQ2
EOQ terjadi bila biaya pemesanan = biaya penyimpanan
xSQD
= xHQ2
2SD = HQ2
Q2 = HSD2
Q* = HSD2
Q* adalah EOQ, yaitu pemesanan yang memberikan biaya total persediaan
terendah, EOQ juga dapat diperoleh dari fungsi biaya total (TC), yaitu dengan
membuat turunan pertama fungsi biaya total terhadap Q sama dengan nol, sebagai
berikut :
TC = xSQD
+ xHQ2
dQ
dTC = -
2QDS
+ 2H
= 0
2SD = HQ2
Keterangan :
D = jumlaj kebutuhan barang (kg/tahun)
40
S = biaya pemesanan atau biaya setup (rupiah/pemesanan)
h = biaya pemesanan (% terhadap nilai barang)
C = harga barang (rupiah/unit)
H = h x C = biaya penyimpanan (rupiah/kg/tahun)
Q = jumlah pemesanan (unit/pesanan)
F = frekuensi pemesanan (kali/tahun)
T = jarak waku antar pesanan (tahun,hari)
TC = biaya total persediaan (rupiah/tahun)
3.4.2. Safety Stock (SS)
Persediaan pengaman apabila penggunaan persediaan melebih dari
perkiraan. Safety stock sering disebut dengan buffer stock. Semakin besar safety
stock maka semakin kecil kemungkinan terjadi stock out. Menentukan besarnya
persediaan pengaman dengan pendekatan timgkat pelayanan (service level).
Tingkat pelayanan dapat didefinisikan sebagai probabilitas permintaan tidak akan
melebihi persediaan selama jangka waktu tenggang (Rangkuti,2007:11). Rumus
SS yang biasa digunakan adalah :
SS = z Lt ( d)
Dimana :
SS = Safety Stock
Z = tngkat pelayanan
Lt = masa tenggang
( d) = standar deviasi dari penjualan buah durian
41
3.5 Definisi Operasional
Definisi operasional adalah suatu definisi yang diberikan kepada suatu
variabel dengan cara memberikan arti, atau menspesifikasikan kegiatan, ataupun
memberikan suatu operasional yang diperlukan untuk mengukur variabel tersebut
(Nazir, 2005:126). Definisi operasional yang digunakan dalam penelitian ini
adalah :
1. Data time series adalah data penjualan bulanan buah durian medan, buah
durian monthong thailand, dan buah durian frozen monthong.
2. Permalan penjualan adalah aktivitas memperkirakan jumlah buah duah
durian yang akan dijual dalam rentang waktu satu tahun kedepan
berdasarkan data time series.
3. Stasioner adalah pola data yang horizontal, data berfluktuasi di sekitar
nilai rata-rata konstan dan data tidak memiliki kecendrungan (trend).
4. Biaya pemesanan adalah biaya-biaya yang terkait langsung dangan
kegiatan pemesanan dan pembelian bahan yang dilakukan perusahaan.
Biaya pemesanan dihitung dalam satuan Rupiah (Rp).
5. Biaya penyimpanan adalah biaya yang timbul karena adanya buah durian
yang disimpan oleh perusahaan. Biaya penyimpanan dihitung dalam
satuan Rupiah (Rp).
6. Jumlah permintaan adalah banyaknya kebutuhan buah durian yang
diperlukan untuk dipasarkan dalam satu periode. Jumlah permintaan
dihitung dalam satuan kilogram (Kg).
42
7. Harga buah durian yaitu harga yang ditentukan oleh suppllier, dimana
harga sewaktu-waktu dapat berubah tergantung kebijakan suppllier yang
diukur dalam satuan rupiah (Rp) .
BAB IV GAMBARAN UMUM PERUSAHAAN
4.1 Sejarah Umum Perusahaan
Rumah Durian Harum pertama kali didirikan pada bulan Mei tahun 2007
oleh kelompok kerja dan bertempat di Jalan Raya Panjang No. 29, Jakarta Barat.
Sesuai dengan namanya Rumah Durian Harum bergerak dibidang pemasaran
buah durian baik dalam bentuk fresh maupun olahannya seperti eskrim dan jus.
Rumah Durian Harum dari tahun ke tahun terus melakukan pengembangan
usaha. Sekarang tercatat telah memiliki delapan cabang, dimana salah satunya
beralamat di Jl. Bintaro Utama Sektor 3A No. 45, Bintaro Jaya pada Maret tahun
2009. Setiap cabang memiliki kewenangannya masing-masing dalam menjalankan
usaha, namun tetap saling bekerja sama dalam pengadaan persediaan buah dan
pertukaran sumber daya manusia.
Visi dari Rumah Durian Harum adalah menyediakan buah durian berkualitas
tinggi sepanjang tahun. Untuk mencapai visinya perusahaan membentuk misi
sebagai berikut :
a. Memperluas hubungan dengan supplier.
b. Selalu berusaha menjaga kualitas buah durian yang dipasarkan.
44
4.2 Struktur Organisi dan Ketenagakerjaan
Struktur organisasi dibuat perusahaan agar koordinasi antara pusat dan
cabang serta masing-masing bagian berjalan lancar dan memudahkan dalam
melakukan kegiatan atau pekerjaan sehingga akitivitas perusahaan dapat lebih
terarah dan dapat mempermudah pencapaian tujuan perusahaan. Bagan umum
struktur organisasi Rumah Durian Harum disajikan pada Gambar 4.
Gambar 4. Struktur Organisasi Toko Rumah Durian Harum Sumber : ( Rumah Durian Harum, 2010)
Gambar 4 memaparkan bahwa pemilik hanya berada di pusat untuk
mengawasi jalannya usaha dibantu oleh kepala toko untuk memimpin kinerja toko
dan karyawan. Setiap cabang memiliki kepala toko masing-masing dibantu oleh
PEMILIK
KEPALA TOKO
ADMINISTRASI KASIR DRIVER PRAMUSAJI
45
bagian administrasi, kasir, driver dan pramusaji yang jumlahnya tergantung dari
kebutuhan toko. Tugas dari masing-masing bagian adalah sebagai berikut:
1. Pemilik Perusahaan
Pemilik perusahaan mempunyai wewenang untuk melakukan kegiatan
perusahaan terutama merencanakan strategi, mengambil keputusan, mengawasi
jalannya usaha, menetapkan kebijakan yang berhubungan dengan pemasok, serta
menentukan visi dan misi perusahaan.
2. Pimpinan Toko
Pimpinan toko bertanggung jawab untuk memimpin kinerja masing-masing
toko, mengawasi kinerja para karyawan serta menciptakan ketertiban, ketenangan,
dan gairah kerja karyawan, memantau ketersediaan pasokan barang, melakukan
pemesanan barang kepada pemasok, dan melakukan monitoring, serta evaluasi
akan segala kegiatan pemasaran yang berlangsung kepada pemilik perusahaan.
3. Bagian Administrasi
Bagian administrasi adalah mencatat, menyusun laporan keuangan,
mengkoordinir pengendalian keuangan, serta melaporkan pendapatan dan
pengeluaran perusahaan kepada pemilik perusahaan.
4. Bagian Kasir
Bagian kasir bertugas untuk menyambut kedatangan konsumen, membantu
konsumen dengan memberikan informasi jenis atau karakteristik produk yang
dipilih, serta membantu konsumen dalam transaksi pembelian.
46
5. Bagian Pramusaji
Bagian pramusaji tugasnya adalah melakukan sortir durian dan penataan
pada display, melayani pesanan konsumen, memberikan informasi kepada
konsumen tentang jenis atau karakteristik durian, membantu konsumen memilih
durian yang sesuai dengan selera konsumen, serta mengantarkan durian pilihan ke
meja penyajian.
6. Bagian Driver
Bagian driver bertugas untuk mengambil pesanan buah durian di pusat
ataupun gudang serta mengantarkan pesanan konsumen yang memesan melalui
system delivery.
Rumah Durian Harum cabang Bintaro memiliki jumlah tenaga kerja sebanyak
6 orang teridiri dari 1 orang wanita dibagian administrasi, sedangkan 5 orang
lainnya pria untuk kasir, delivery dan pramusaji. Jam kerja yang berlaku di
Rumah Durian Harum yaitu setiap hari dimulai pukul 10.00 – 22.00 WIB dengan
waktu istirahat 1 jam. Setiap karyawan berhak memiliki libur seminggu sekali
dimana harinya dibebaskan kepada karyawan, dengan ketentuan kecuali hari
weekend (sabtu dan minggu).
4.3 Jenis Produk
4.3.1 Buah Durian Segar
Rumah Durian Harum cabang Bintaro memasarkan buah durian baik lokal
maupun impor. Durian lokal yang dipasarkan ada 6 jenis yaitu Medan, Monthong
47
Lokal, Monosobo, Jepara, Semarang dan Bayumas. Durian Impor terdapat 8 jenis
antara lain, Kradum, Chanee, Monthong Thailand, Malaysia, Nokyib, Kanyao,
dan Pongmanee.
Seluruh buah durian baik lokal maupun impor yang dipasarkan Rumah Durian
Harum semuanya dalam keadaan fresh, tetapi untuk jenis durian Monthong
Thailand selain dalam keadaan fresh juga dipasarkan dalam keadaan beku yang
dikenal dengan nama durian frozen monthong. Durian frozen monthong diimpor
dalam keadaan beku, sehingga mendapatkan perlakuan lebih yaitu dengan
memasukkan ke dalam cool room (ruang pendingin) di bawah suhu 0 derajat
Celcius sehingga durian tersebut mengalami pembekuan. Cool room merupakan
teknologi yang digunakan Rumah Durian Harum agar buah durian dapat bertahan
hingga waktu yang lama. Tidak ada tambahan pengemasan untuk durian yang
dipasarkan dalam keadaan fresh, tetapi untuk Frozen Monthong digunakan jaring
khusus buah untuk memudahkan pengambilan dari dalam frezer.
Durian Monthong Thailand yang membeku ini dikenal dengan sebutan
Monthong Salju atau Monthong Frozen. Sebutan Monthong Salju ini dikarenakan
lapisan kulit durian dilapisi biang es yang membeku dan daging buah yang dingin
ketika dimakan. Karakteristik buah durian di Rumah Durian Harum, dapat
dijelaskan sebagai berikut:
48
Tabel 2. Karakteristik Buah Durian
Jenis Durian Kriteria
Durian Medan Berat 1,5 – 2,5 kilogram, bentuk lonjong, daging sedang dan
tipis, kondisi sedang dan lembek, warna kuning dan putih,
tekstur lembut, rasa manis sekali namun kadang-kadang
pahit, biji besar, aroma harum tajam.
Durian Monthong
Lokal
Berat 2 – 5 kilogram, daging tebal, bentuk buah lancip,
kondisi kering sedang tidak lembek, warna daging kuning
tua dan kuning muda, serat lembut, rasa durian manis (brix
20-29%), biji kecil, aroma harum sedang.
Durian Petruk /
Jepara
Berat 1 – 2,5 kilogram, daging berwarna kuning tebal,
berserat halus agak lembek, bentuk bulat lonjong, bijinya
kecil, kulit tipis (3mm), warna kulit hijau kekuningan,
durinya kecil dan rapat, aroma harum menyengat.
Durian Semarang Berat 1,5 – 2,5 kilogram, daging tebal berwarna kuning
gading, tekstur pulen, bentuk bulat lonjong, isinya tidak
terlalu kecil, rasa manis.
Durian Banyumas Berat 1,5 – 2,5 kilogram, daging tebal, biji sedang, aroma
harum sedang, rasa manis legit.
Durian Palembang Berat 1 – 2 kilogram, daging berwarna putih, duri jarang,
bentuk bulat lonjong, biji kecil-kecil, daging tipis,
rasa manis, aroma harum sedang.
49
Durian Kradium Berat 1,5 – 2,5 kilogram, daging sedang, bentuk bulat,
kondisi sedang dan lembek, warna daging kuning tua,
tekstrur lembut, rasa manis (brix 20-29%), aroma harum
sedang (daging kuning yang menggoda).
Durian Chanee Berat 2 - 5 kilogram, daging tebal, bentuk lonjong, kondisi
kering sedang, warna kuning tua dan kuning muda, serat
sedang dan lembut, rasa manis, aroma harum sedang.
Durian Monthong
Thailand
Berat 2 – 5 kilogram, daging tebal, bentuk bulat lancip,
kondisi kering sedang tidak lembek, warna kuning muda,
serat sedang dan lembut, rasa manis (brix 20 -29%) tidak
legit, aroma harum sedang.
Durian Malaysia Berat 1 – 2,5 kilogram, daging sedang, kondisi kering,
warna kuning muda dan putih, serat lembut, rasa manis
namun kadang-kadang pahit, aroma harum sedang. (Legit
dan Lembut)
Durian Nokyib Berat 2 – 4 kilogram, daging sedang, bentuk bulat lancip,
kondisi kering sedang, warna kuning tua, serat lembut, rasa
manis (brix 20-29%), aroma harum sedang. (Durian kelas 1)
Durian Kanyao Berat 1,5 – 3 kilogram, daging sedang, bentuk bulat, warna
kuning tua, serat lembut, rasa manis sekali (brix > 29%),
aroma harum sedang. (Rajanya durian Thailand)
50
Durian Pongmanea Berat 1,5 – 3 kilogram, daging sedang, bentuk lonjong,
kondisi sedang, warna kuning tua dan kuning muda, tekstur
lembut, rasa manis (brix 20-29%), aroma buah harum
sedang.
Sumber : (Rumah Durian Harum, 2010)
Buah durian di Rumah Durian Harum tersedia sepanjang musim, namun
disetiap bulannya jenis buah durian yang ditawarkan berbeda-beda, tergantung
kepada musim jenis durian tersebut. Tidak semua durian yang ada pada Tabel 2
tersedia setiap saat, namun yang hampir musim setiap bulannya adalah durian
Medan. Apabila musim durian segar tidak menentu maka Rumah Durian Harum
mengandalkan teknologi dalam penyimpanan buah duriannya, seperti durian
Monthong Frozen yang disimpan di dalam cool room (ruang pendingin) sehingga
buah durian dapat bertahan hingga waktu yang lama.
4.4.2 Produk Olahan
Produk durian yang sudah tidak layak dikonsumsi oleh konsumen atau telah
turun kualitasnya maka buah durian tersebut akan diolah menjadi produk olahan
durian. Kriteria buah durian yang telah turun kualitasnya dapat dilihat dari tekstur
buah yang lembek, aroma buah masam, dan rasa durian yang tidak manis. Rumah
Durian Harum menciptakan beberapa variasi produk olahan durian, seperti:
a. Bahan durian
b. Jus durian
c. Ice cream durian
51
d. Dodol atau lempuk durian
e. Keripik durian
f. Kolak durian
g. Serabi durian
Eskrim durian hadir dalam 3 ukuran; cup berisi 120 gram, 220 gram, sampai
750 gram. Variasi produk olahan durian ini bertujuan untuk memberi varian rasa
dan bentuk yang berbeda-beda sesuai dengan kebutuhan, selera dan lifestyle
konsumen. Pilihan produk olahan ini juga diperuntukan bagi konsumen yang tidak
menyukai bau durian.
4.4.3 Produk Pelengkap
Rumah Durian Harum tidak hanya menjual produk durian saja, namun
menyediakan produk pelengkap juga seperti aneka minuman, aneka makanan
ringan (snack), manisan buah, permen, dan kelapa kopyor. Tujuan dari produk
pelengkap ini adalah untuk memberikan variasi pilihan produk kepada konsumen.
dan menarik lebih banyak konsumen.
4.5 Penyimpanan dan Penanganan Mutu Produk
Buah yang dipesan dari supplier merupakan buah yang tingkat
kematangannya kurang lebih 80% pada saat dipanen. Hal ini dikarenakan buah
durian pada tingkat kematangan 80% dapat disimpan hingga 2-3 minggu. Buah
durian tersebut langsung disimpan di gudang pusat. Penyimpanan di gudang
bertujuan untuk menghindarkan buah dari pengaruh fisik lingkungan yang buruk
52
seperti angin, panas dan hujan karena akan berpengaruh pada visual buah.
Persediaan yang disimpan di dalam gudang disusun sedemikian rupa
menggunakan sistem First In First Out (FIFO). Selanjutnya didistribusikan sesuai
dengan kebutuhan masing-masing toko. Ketika sampai di toko pesanan
dimasukkan ke dalam gudang toko dengan kapasitas kurang lebih 40 dus dengan
rincian durian medang 25 kg/dus dan durian monthong 16 kg/dus. Daya simpan
optimal untuk buah durian dalam keadaan fresh yaitu selama 10 hari sedangkan
30 hari untuk buah durian dalam keadaan beku.
Pelayanan konsumen sangat diperhatikan dengan konsep service to customer,
dimana pelayan akan terus mencarikan durian sampai sesuai dengan keinginan
pelanggan sehingga menyebabkan penurunan kualitas dari buah durian. Buah
durian yang telah menurun kualitasnya, daging buahnya akan di-wrapping
kemudian dijual kembali dengan harga Rp. 40.000,-/box. Jika tidak laku dalam
waktu dua hari setelah dimasukan kedalam pendingin maka kondisi buah durian
akan berair sehingga tidak layak dipajang lagi. Durian yang sudah di-wrapping
diolah menjadi bahan durian kemudian dijual lagi dengan harga Rp. 30.000,-/kg
agar tidak banyak mengalami kerugian.
4.6. Sistem Pengendalian Persediaan
Sistem pengendalian buah durian yang dilakukan Rumah Durian Harum
Bintaro pada umumnya masih sederhana yaitu dengan menyesuaikan ketersediaan
buah durian yang ada di gudang toko setiap hari. Pengadaan persediaan akan
53
dilakukan apabila stok dalam gudang telah terjual antara 70-80 persen, atau
apabila stok hanya tersisa 30-20%.
Tahapan sistem pengendalian persediaan buah durian Rumah Durian Harum
Bintaro antara lain : tahap identifikasi persediaan, tahap pemesanan, tahap
pengangkutan, tahap penyimpanan dan tahap penjualan. Tahap pertama adalah
identifikasi persediaan dengan melihat kebutuhan dan ketersediaan stok setiap
hari. Identifikasi juga dapat memudahkan toko untuk menentukan jumlah buah
yang harus dipesan.
Setelah kebutuhan diketahui, maka pihak toko akan menghubungi gudang
atau pusat setelah itu barang akan dikirm oleh gudang atau pusat pada hari
berikutnya. Sebelumnya pihak gudang atau pusat telah melakukan pemesanan
kepada pihak supplier. Buah yang sudah dipesan akan dikirim menggunakan
mobil box atau mobil bak tertutup dan disimpan di gudang pusat. Hari berikutnya
buah dikirim ke toko yang mengajukan pemesanan kemudian diperiksa jumlah
dan jenis buah sesuai pesanan kemudian dimasukkan kedalam gudang toko untuk
disimpan. Jika buah durian yang diletakkan di display hampir habis terjual, maka
persediaan buah yang disimpan di gudang dikeluarkan untuk dijual. Tahap
penjualan ini merupakan tahapan terkahir dalam sistem pengendalian persediaan.
4.6.1. Penentuan Tingkat Persediaan Buah Durian
Rumah Durian Harum selama ini belum menggunakan metode atau cara
perhitungan tertentu dalam menentukan tingkat persediaan yang harus dimiliki
atau yang harus dipesan kepada pihak pusat atau gudang. Pesanan ditentukan
54
berdasarkan penilaian kepala toko. Kepala toko membuat perkiraan penjualan tiap
harinya.
Kondisi ini dapat menyebabkan frekuensi pemesanan dan besarnya pesanan
yang tidak diperhitungkan dengan baik dapat menyebabkan penumpukan
persediaan. Penumpukan persediaan yang melebihi permintaan akan memberikan
efek yang negatif bagi perusahaan, salah satunya adalah kerugian besarnya tingkat
kerusakan buah yang nantinya membuat perusahaan rugi.
4.6.2. Prosedur Pembelian Buah Durian
Rumah Durian Harum Bintaro dalam memperoleh buah durian dimulai
dengan penentuan tingkat kebutuhan tiap harinya yang dilakukan oleh kepala
toko. Kepala toko akan meminta bagian administrasi untuk menghubungi pusat
atau gudang untuk melakukan pemesanan. Jika pihak pusat tidak dapat memenuhi
pemesanan maka kekurangannya akan dipenuhi gudang. Pihak pusat sebelumnya
telah melakukan pemesanan kepada pihak supplier seperti diilustrasikan pada
Gambar 5. Pihak pusat juga melakukan pemesanan setiap hari untuk mencukupi
kebutuhan tiap outlet.
Order
Order via telepon
Gambar 5. Alur Pemesanan Rumah Durian Harum Sumber : (Data Primer diolah,2011)
Supplier Pusat
Rumah Durian Harum Bintaro
55
Dari Gambar 5 terlihat bahwa pusat memesan langsung kepada supplier
setiap harinya untuk memenuhi kebutuhannya sendiri dan juga kebutuhan cabang.
Supplier akan mengirimkan buah durian sesuai dengan pemesanan pusat. Rumah
Durian Harum Bintaro akan memesan kepada pihak pusat sesuai dengan
kebutuhan yang ditentukan oleh kepala toko. Pihak pusat tidak akan mengirimkan
pesanan, tetapi pihak Rumah Durian Harum Bintaro sendiri yang langsung
mengambilnya di pusat satu hari setelah pemesanan.
Pesanan outlet akan diambil pada kesokan harinya menggunakan sepeda
motor atau mobil tergantung jumlah pesanan. Barang yang telah diterima
dilakukan penginputan data penerimaannya oleh adminsitrasi kemudian disiapkan
untuk dipanjang pada rak display atau disimpan di dalam gudang toko. Hal ini
dapat meminimalisir terjadinya kehilangan penjualan dikarenakan
ketidaktersediaan persediaan.
4.7 Volume Penjualan
Sistem pemakaian bahan baku yang dilakukan oleh Rumah Harum Durian
menggunakan sistem FIFO (First In First Out), bahan baku yang pertama kali
masuk akan digunakan lebih dahulu untuk proses produksi. Jumlah pemakaian
bahan baku setiap bulannya terdapat pada Lampiran 2. Penjualan buah durian
mengalami kenaikan dan penurunan yang tidak sama. Penjualan tertinggi buah
Medan terjadi pada bulan Maret sampai September 2009 sebesar 14.116 kg, hal
ini dikarenakan pada rentang waktu tersebut Rumah Durian Harum tetap dapat
56
menyediakan durian Medan padahal pasokan durian lokal mulai berkurang atau
kosong dipasaran. Buah durian monthong Thailand penjualan tertingginya terjadi
pada bulan Maret sampai September 2009 sebesar 37.253,04 kg, hal ini
dikarenakan permintaan konsumen meningkat. Durian frozen monthong pada
bulan Oktober 2010 sampai Februari 2011 mengalami penjualan terbesar sebesar
6.225,82 kg, hal ini dikarenakan pada rentang waktu tersebut supply durian impor
khususnya durian monthong Thailand mengalami penurunan bahkan kosong
sehingga konsumen penikmat durian monthong Thailand beralih ke durian frozen
yang tak lain adalah durian monthong Thailand yang dibekukan.
BAB V HASIL DAN PEMBAHASAN
5.1 Identifikasi Pola Penjualan Buah Durian
Sebelum melakukan peramalan penjualan buah durian terlebih dahulu
diketahui data historis penjualan buah durian selama kurung waktu 2 tahun. Hal
ini akan membantu menghasilkan prediksi penjualan di tahun depan yang
mendekati data aktualnya. Data penjualan buah durian yang akan digunakan
dalam perhitungan metode time series 2 tahun terakhir dimulai dari Maret 2009
sampai Februari 2011. Jenis buah durian yang akan diramalkan penjualannya
untuk 1 tahun kedepan adalah durian medan, durian monthong dan durian frozen
monthong. Deret waktu data penjualan ketiga jenis buah durian yang disajikan
merupakan data bulanan perusahan. Deret waktu data penjualan buah durian akan
menggambarkan pola data yang membantu menentukan komponen unsur pola
data yang terkandung dalam data penjualan buah durian. Panjang dari deret waktu
sebanyak 24 deret waktu atau 2 tahun.
Pola data penjualan diidentifikasikan dengan mengamati secara visual plot
data penjualan yang diperoleh dari program minitab 15. Berdasarkan plot data
penjualan ketiga jenis buah durian diperoleh sebaran datanya, sehingga dapat
diketahui unsur-unsur yang terdapat pada data penjualan. Plot data penjualan
tersebut akan diketahui apakah data stasioner atau tidak, memiliki unsur musiman,
unsur trend dan siklus atau tidak.
58
5.1.1 Pola Penjualan Buah Durian Medan
Berdasarkan plot penjualan buah durian medan periode Maret 2009 –
Februari 2011, maka data penjualan buah durian medan merupakan data tidak
stasioner. Data dikatakan staisoner bila memiliki rata-rata dan kecendrungan
bergerak menuju rata-rata (Kennedy, 2000:274) sedangkan pola data penjualan
buah durian medan terlihat dari sebaran data penjualan buah durian medan tidak
berada pada garis rata-rata mean seperti dipaparkan pada Gambar 6.
Gambar 6. Grafik Penjualan Bulanan Buah Durian Medan Periode Maret 2009-Februari 2011
Sumber : (Data primer diolah, 2011)
Gambar 6 memaparkan bahwa pola data penjualan buah durian medan
merupakan data trend dan musiman terlihat dari pola pergerakan berulang pada
bulan Juli, Agustus dan September sebagaimana terlihat pada gambar yang diberi
lingkaran berwarna hijau. Hal ini dipengaruhi oleh kelebihan Rumah Durian
59
Harum untuk menyediakan jenis buah ini disaat buah lokal sedang tidak panen
musim (Juli) dan pihak supplier yang tidak bisa memenuhi tingkat kebutuhan
Rumah Durian Harum (Agustus dan September). .
Indentifikasi komponen unsur yang terkandung dalam pola data penjualan
buah durian medan selain plot time series juga menggunakan uji akar unit atau
ADF (Augmented Dickey-Fuller). Hasil uji ADF menghasilkan bahwa nilai
statistik penjualan buah durian medan lebih kecil dari nilai kritis MacKinnon pada
derajat kepercayaan 1% dan 5% yaitu sebesar -2,979052 sehingga jelas bahwa
pola penjualan buah durian medan tidak stasioner, untuk lebih jelas
perhitungannya disajikan pada Lampiran 3.
5.1.2 Pola Penjualan Buah Durian Monthong Thailand
Buah Durian Monthong Thailand data penjualan yang tidak stasioner,
penjelasan mengenai ini disajikan pada Gambar 7. Selain menggunakan plot time
series, mengidentifikasikan komponen unsur yang terkandung dalam deret data
penjualan buah durian Monthong Thailand yaitu dengan menggunakan uji akar
unit atau ADF (Augmented Dickey-Fuller). Hasil uji ADF menghasilkan bahwa
nilai statistik penjualan buah durian Monthong Thailand lebih kecil dari nilai
kritis MacKinnon pada derajat kepercayaan berapapun yaitu -2,547350 sehingga
pola datanya tidak stasioner sama halnya dengan pola data buah durian medan,
untuk lebih jelas perhitungannya dipaparkan pada Lampiran 3.
60
24222018161412108642
10000
8000
6000
4000
2000
0
Bulan
Penju
alan
P lot Time SeriesPenjualan Buah Durian Monthong Thailand Periode Mar 2009-Feb 2011
Gambar 7. Grafik Penjualan Bulanan Buah Durian Monthong Thailand
Periode Maret 2009-Februari 2011 Sumber : (Data primer diolah, 2011)
Berdasarkan Gambar 7, plot penjualan buah durian monthong Thailand
periode Maret 2009 – Februari 2011 merupakan data trend dan musiman pada
Gambar 7. Hal ini dipengaruhi oleh pihak supplier yang tidak bisa memenuhi
tingkat kebutuhan Rumah Durian Harum.
5.1.3 Pola Penjualan Buah Durian Frozen Monthong
Buah Durian frozen monthong sama halnya dengan buah durian medan dan
monthong Thailand memiliki data penjualan yang tidak stasioner, pada Gambar
8. Berdasarkan plot penjualan buah durian frozen monthong periode Maret 2009
hingga Februari 2011 terlihat pola data penjualannya merupakan data trend dan
musiman. Hal ini dipengaruhi oleh perilaku konsumen ketika buah monthong
61
Thailand sedang tidak memiliki persediaan, mereka beralih ke durian frozen
monthong yang tak lain adalah mothong Thaliand yang dibekukan.
24222018161412108642
2500
2000
1500
1000
500
0
Bulan
Penj
uala
n
Plot Time SeriesPenjualan Durian Frozen Monthong Periode Mar 2009-Feb 2011
Gambar 8. Grafik Penjualan Bulanan Buah Durian Frozden Monthong
Periode Maret 2009-Februari 2011 Sumber : (Data primer diolah, 2011)
Pengidentifikasikan komponen unsur yang terkandung dalam deret data
penjualan buah durian frozen monthong selain menggunakan plot time series
yaitu dengan menggunakan uji akar unit atau ADF (Augmented Dickey-Fuller).
Hasil uji ADF menghasilkan bahwa nilai statistik penjualan buah durian frozen
monthong lebih kecil dari nilai kritis MacKinnon pada derajat kepercayaan
berapapun yaitu -1,650026 sehingga jelas bahwa pola data penjualannya tidak
stasioner, untuk lebih jelas perhitungannya dipaparkan pada Lampiran 3.
62
5.2 Metode Peramalan Penjualan Buah Durian
Hasil identifikasi pada pola data penjualan buah durian telah memberikan
informasi bahwa pola data penjualan ketiga jenis buah durian yaitu trend dan
musiman. Berdasarkan pola data yang ada, maka metode peramalan time series
yang sesuai untuk diterapkan diantaranya double moving average, double
eksponesial smoothing, dekomposisi, indeks musiman dan winter’s.
Metode peramalan time series yang terpilih nantinya akan menjadi acuan
prediksi penjualan buah durian pada periode 1 tahun kedepan. Perhitungan
disesuaikan dengan rumus, ketentuan yang berlaku dan dengan melihat tingkat
error dari selisih antara nilai aktual dan nilai ramalan sehingga akan menghasilkan
nilai kesalahan. Nilai kesalahan akan menjadi parameter terhadap pemilihan
metode peramalan time series yang terbaik untuk mengestimasikan penjualan
buah durian pada periode 1 tahun kedepan.
5.2.1 Metode Double Moving Average
Salah satu cara untuk meramalkan periode mendatang yang memiliki trend
linier adalah dengan menggunakan model rata-rata bergerak ganda. Model ini
sebagaimana namanya, kelompok pertama beregerak dihitung, dan kemudian
kelompok kedua dhitung rata-rata bergerak hasil pada kelompok pertama
(Sugiarto dan Harjono, 2000:80). Banyaknya data yang diikutsertakan pada
ramalan disebut ordo. Penentuan ordo yang sesuai dengan memberikan pengaruh
terhadap ramalan yang dihasilkan. Ordo yang dicoba adalah 2 untuk menganalisa
pola dua harian dan 7 untuk pola mingguan. Berikut nilai MSE dan hasil ramalan
63
permintaan buah durian yang dipasarkan oleh Rumah Durian Harum dari tiap ordo
pada Tabel 4.
Tabel 4. Nilai MSE Perhitungan Metode Double Moving Average
Sumber : (Data Primer diolah, 2011)
Berdasarkan Tabel 4 dapat diketahui bahwa buah durian medan dengan
pola 2 harian memiliki MSE terkecil, sedangkan untuk buah durian mothong
Thailand dan frozen monthong menunjukkan bahwa pola 7 harian yang memiliki
MSE terkecil untuk perhitungannya disajikan pada Lampiran 4,5 dan 6.
5.2.2 Metode Doubke Eksponensial Smoothing
Metode ini memproses data permintaan buah durian dengan
mengekstrapolasi data atas trend terakhir pada data permintaan buah durian.
Metode ini menggunakan dua koefisien pemulusan diantaranya adalah koefisien
pemulusan α dan β. Koefisien pemulusan α menunujukkan nilai koefisein
terhadap pemulusan model double eksponensial smoothing dan koefisien
pemulusan β menunjukkan nilai koefisien terhadap trend. Penggunaan ini
memiliki kelemahan yakni tingkat kerumitan dan kompleksitas yang cukup tinggi.
Hal ini dapat dilihat dari penentuan nilai koefisien pemulusan α dan β yang
No. Ordo Durian Medan Durian Monthong Thailand
Durian Frozen Monthong
1. 2 3880427,8 9250885,9 721289,7
2. 7 2138859,9 29148752,2 1089304,7
64
optimal dengan cara trial and error agar dapat menghasilkan nilai kesalahan
terkecil.
Program komputer Eviews 4.1 memberikan fasilitas untuk membantu
peramalan model double eksponensial smoothing sehingga mempermudah proses
peramalan karena mampu mencari nilai pemulusan α dan β yang optimal berikut
nilai MSE dari ketiga jenis buah durian yang dihasilkan dari perhitungan model
double eksponensial smoothing berdasarkan nilai koefisien α dan β yang optimal
terlihat pada Tabel 5.
Tabel 5. Nilai MSE Perhitungan Metode Double Eksponensial Smoothing
Sumber : (Data Primer diolah, 2011)
Berdasarakan Tabel 5 dapat diketahui bahwa buah durian medan dengan
koefisien α sebesar 0,03 dan β sebesar 0,00 memiliki MSE terkecil, untuk buah
durian mothong Thailand koefisien α 0,646 dan β sebesar 0,00 memiliki nilai
MSE yang terkecil sedangkan frozen monthong menunjukkan bahwa koefisien α
0,416 dan β sebesar 0,00 memiliki MSE terkecil untuk perhitungannya disajikan
pada Lampiran 7,8 dan 9.
Jenis Durian Α Β MSE
Medan 0,03 0,00 1467326
Monthong Thailand 0,646 0,00 6924399
Frozen Monthong 0,416 0,00 394421
65
5.2.3 Metode Dekomposisi
5.2.3.1 Metode Dekomposisi Aditif
Metode dekomposisi aditif merupakan dekomposisi yang dipilih bila
gelombang-gelombang kecil (swing) dari variasi musiman bersifat konstan
sepanjang waktu. Langkah awal metode ini adalah dengan menentukan panjang
musiman (seasonal length) pada data permintaan buah durian. Besarnya panjang
musiman akan dimasukan dalam perhitungan rata-rata bergerak (moving average).
Hal ini bertujuan untuk menghilangkan musiman dan acakan dalam data. Berikut
nilai MSE yang dihasilkan dari perhitungan model additive decomposition dapat
dlilihat pada Tabel 6.
Tabel 6. Nilai MSE Perhitungan Metode Decomposition Additive
Sumber : (Data Primer diolah, 2011)
Berdasarkan Tabel 6 diketahui bahwa buah durian medan dengan length
12 length 12 memiliki MSE terkecil sebesar 110225, buah durian monthong
Thailand dengan length 12 memiliki MSE terkecil sebesar 4533146 serta buah
durian frozen monthong dengan length 12 memiliki MSE terkecil sebesar 386354.
Perhitungannya disajikan pada Lampiran 10,11 dan 12.
Length. Durian Medan Durian Monthong Thailand
Durian Frozen Monthong
3. 1345436 7953166 406962
6. 1146955 8518440 399822
12. 1102251 4533146 386354
66
5.2.3.2 Metode Dekomposisi Multipikatif
Metode dekomposisi multipikatikat merupakan dekomposisi yang dipilih
bila gelombang-gelombang kecil (swing) dari variasi musiman meningkat secara
proposional dengan bertambahnya waktu. Langkah awal metode ini adalah
dengan menentukan panjang musiman (seasonal length) pada data permintaan
buah durian. Besarnya panjang musiman akan dimasukan dalam perhitungan rata-
rata bergerak (moving average). Hal ini bertujuan untuk menghilangkan musiman
dan acakan dalam data. Beriku nilai MSE yang dihasilkan dari perhitungan model
additive decomposition dapat dlilihat pada Tabel 7.
Tabel 7. Nilai MSE Perhitungan Metode Decomposition Multipicative
Sumber : (Data Primer diolah, 2011)
Tabel 7 memaparkan bahwa buah durian medan dengan length 3 length
memiliki MSE terkecil sebesar 1363075, buah durian monthong Thailand dengan
length 3 memiliki MSE terkecil sebesar 8091224 serta buah durian frozen
monthong dengan length 12 memiliki MSE terkecil sebesar 467580.
Perhitungannya disajikan pada Lampiran 13,14 dan 15.
Length. Durian Medan Durian Monthong Thailand
Durian Frozen Monthong
3. 1363075 8091224 467580
6. 15421982 11417548 526474
12. 2037079 49355830 470165
67
5.2.4 Metode Winter’s
Metode winter’s merupakan suatu pendekatan pemulusan eksponensial
(eksponensial smoothing) yang dapat menangani data musiman. Pendekatan dari
metode tersebut adalah anggapan terhadap data yang memiliki trend linear dan
variasi sehingga dalam penerapan metode winter’s memerlukan tiga parameter
untuk memuluskan unsur-unsur yang berkaitan dengan pola data, yaitu unsur
stasioner, unsur trend (kecendrungan), dan unsure musiman. Pencarian nilai
parameter α, β dan γ digunakan program Eviews 4.1 untuk mempermudah
pencarian nilai parameter tersebut. Hal ini dapat dilihat pada Tabel.8.
Tabel 8. Nilai MSE Perhitungan Metode Winter’s
Sumber : (Data Primer diolah, 2011)
Jenis Durian
Length Α β γ MSE
Medan
3 0,41 0,00 0,00 3677279
6 0,41 0,00 0,00 1094716
12 0,41 0,00 0,00 722629
Monthong Thailand
3 1,00 0,00 0,00 10078323
6 1,00 0,00 0,00 9225869
12 1,00 0,00 0,00 2747612
Frozen Monthong
3 0,91 0,00 0,00 349445
6 0,91 0,00 0,00 321318
12 0,91 0,00 0,00 219518
68
Berdasarkan Tabel 8 diketahui bahwa buah durian medan dengan length
12 length memiliki MSE terkecil sebesar 722629, buah durian monthong
Thailand dengan length 12 memiliki MSE terkecil sebesar 2747612 serta buah
durian frozen monthong dengan length 12 memiliki MSE terkecil sebesar 219518.
Perhitungannya disajikan pada Lampiran 15,16 dan 17.
5.2.5 Metode Indeks Musiman
Metode ini merupakan estimasi penjualan atas dasar analisa runtun waktu
yang hanya memasukan komponen trend dan musiman. Perhitungan ini dilakukan
perbulan, artinya perhitungan dilakukan pada bulan yang sama namun di tahun
yang berbeda. Nilai aktual yang dimiliki dibagi dengan nilai ramalan yang ada.
Nilai ramalan diperoleh dari persamaan yang dihitung dengan menggunakan
metode least suare. Kemudian didapatkan rasio penjualan nyata terhadap trend.
Hasil rasio yang didapat lalu dirata-ratakan dengan banyaknya data yang
diikutsertakan. Berdasarkan perhitungan indeks musiman didapatkan nilai MSE
yang dapat dilihat pada Tabel 9. Perhitungan dengan metode least square
dilampirkan pada Lampiran 18, 19 dan 20 sedangkan metode indeks musiman
dilampirkan pada Lampiran 20, 21 dan 22.
Tabel 9. Nilai MSE Perhitungan Metode Indeks Musiman
Sumber : (Data Primer diolah, 2011)
No. Jenis Buah MSE
1. Durian Medan 1428966,9
2. Durian Monthong Thailand 7478580,5
3. Durian Frozen Monthong 400092,4
69
Tabel 9 memaparkan bahwa buah durian medan memiliki MSE sebesar
1428966,9, buah durian monthong Thailand memiliki MSE sebesar 7478580,5
serta buah durian frozen monthong memiliki MSE sebesar 400092,4.
5.3 Pemilihan Metode Peramalan
Pemilihan metode peramalan untuk buah durian dilakukan dengan
membandingkan nilai MSE pada beberapa metode. Pemilihan metode berdasarkan
nilai MSE terkecil. Nilai MSE diperoleh dari selisih antara nilai aktual dengan
nilai ramalan yang dikuadratkan kemudian dibagi dengan banyaknya deret waktu.
Beberapa metode yang digunakan antara lain : metode double moving
average¸metode double ekpsonensial smoothing, metode winter’s, metode indeks
musiman dan metode dekomposisi.
Berdasarkan hasil metode peramalan kuantiatif yang digunakan
menunjukan bahwa metode perhitungan winter’s merupakan metode permalan
terbaik, karena menghasilkan nilai MSE terkecil dibandingkan dengan model-
model lain. Semakin kecil nilai MSE suatu peramalan, maka hasil ramalan
tersebut akan mendekati nilai aktualnya. Hasil perhitungan beberapa metode
peramalan penjualan buah durian dapat disajikan pada Tabel 10.
70
Tabel 10. Perbandingkan Nilai MSE Perhitungan Metode Peramalan yang digunakan
Sumber : (Data Primer diolah, 2011)
Tabel 10 memaparkan nilai MSE berdasarkan perhitungan metode
peramalan yang digunakan. Nilai MSE terkecil diperoleh menggunakan metode
peramalan Winter’s untuk ketiga jenis buah durian. Besarnya nilai MSE untuk
masing-masing jenis durian, yaitu durian medan sebesar 722629, durian
monthong Thailand memiliki MSE sebesar 2747612 serta buah durian frozen
monthong memiliki MSE sebesar 219518.
5.4 Ramalan Penjualan Buah Durian
Metode peramalan yang terpilih kemudian dijadikan perencanaan untuk
meramalkan besarnya penjualan untuk periode berikutnya. Peramalan penjualan
buah durian menghasilkan nilai prediksi penjualan untuk satu tahun mendatang
periode Maret 2011 – Februari 2012. Hasil ramalan yang diperoleh untuk bulan
No. Metode Peramalan Durian Medan
Durian Monthong Thailand
Durian Frozen Monthong
1. Double Moving Average
2138859,9 9250885,9 721289,7
2. Double Eksponensial Smoothing
1467326 6924399 394421
3. Dekomposisi Adiktif 1102251 4533146 386354
4. Dekomposisi Multipikatif
1363075 8091224 467580
5. Winter’s 722629 2747612 219518
6. Indeks Musiman 1428966,9 7478580,5 400092,4
71
Maret 2011 – Februari 2012 dapat diramalkan bahwa pola yang ada untuk 12
bulan mendatang disajikan dalam Tabel 11.
Tabel 11. Ramalan Penjualan Buah Durian Maret 2011 – Februari 2012 dengan Metode Perhitungan Winter’s.
Periode Data
(Bulan)
Durian Medan (Kg)
Durian Monthong Thailand
(Kg)
Durian Frozen Monthong
(Kg)
Maret '11 1.464,49 0 2.364,12 April 1.977,43 0 2.039,43 Mei 389,82 2.597,80 1.858,72 Juni 1.295,92 2.657,40 2.264,88 Juli 2.886,98 3.856,96 2.238,15 Agustus 1.946,91 3.257,44 2.224,97 September 1.588,64 2.765,76 2.421,90 Oktober 1.827,48 0 2.785,79 November 1.928,36 0 3.801,40 Desember 3.546,83 0 3.827,45 Januari '12 3.183,48 0 4.006,57 Februari 2.881,40 0 3.640,56
Total 24.917,74 15.135,36 31.109,82 Rata-rata 2.076,48 1.261,28 2.828,17 Standar Deviasi 897,94 1.591,37 821,73
Sumber : (Data Primer diolah, 2011)
Berdasarkan hasil peramalan pada Tabel 11, total penjualan buah durian
selama Maret 2011 sampai Februari 2012 yakni buah durian medan sebesar
24,917.74 kg dengan rata-rata penjualan 2.076,48 kg dan standar deviasi 897,94 ,
buah durian monthong Thailand sebesar 15.135,36 1 kg dengan rata-rata
penjualan 1.261,28 kg dan standar deviasi 1.591,37 serta buah durian frozen
72
monthong sebesar 31.109,82 kg dengan rata-rata penjualan 2.828,17 kg dan
standar deviasi sebesar 821,73.
5.5 Penerapan Metode Peramalan untuk Pengendalian Persediaan Buah Durian
Tingkat permintaan pasar yang merupakan tingkat penjualan di masa yang
akan datang, diperolah dari hasil peramalan dengan menggunakan metode
peramalan yang menghasilkan nilai MSE terkecil. Perbandingan beberapa metode
menghasilkan metode peramalan dengan MSE terkecil yakni metode perhitungan
winter’s. Hasil peramalan tersebut selanjutnya digunakan untuk menghitung
jumlah dan frekuensi buah durian yang optimal berdasarkan penerapan Economic
Order Quantity(EOQ) dan persediaan pengaman.
5.5.1 Proyeksi Persediaan Buah Durian dengan Metode EOQ
Pengadaan persediaan bahan baku dengan metode EOQ menjelaskan
bagaimana perusahaan dapat memesan produk dalam jumlah pemesanan dan
frekuensi pemesanan yang optimal dengan biaya persediaan yang minimal.
Frekuensi yang tidak terjadwal dengan baik dan jumlah pemesanan yang tidak
tentu menjadi salah satu faktor penyebab belum efisiennya biaya persediaan.
Penerapan metode EOQ dapat dijadikan sebagai alternatif cara untuk mencapai
biaya persediaan yang lebih efisien.
Perhitungan perencanaan persediaan bahan baku satu tahun mendatang
dengan menggunakan metode EOQ memerlukan asumsi biaya persediaan yang
akan terjadi pada periode tersebut. Asumsi biaya persediaan diasumsikan tidak
73
memiliki perbedaan dengan tahun lalu. Perhitungan perencanaan pengadaan
bahan baku dengan menggunakan metode EOQ dapat dilihat pada Tabel 12.
Tabel 12. Perhitungan Tingkat Pemesanan Optimal Berdasarkan Metode EOQ
Sumber : (Data Primer diolah, 2011)
Berdasarkan hasil perhitungan metode EOQ pada Tabel 12, diperoleh
kuantitas pemesanan optimal untuk buah durian medan sebesar 203,79 kg, buah
durian monthong Thailand 158,83 kg dan durian frozen monthong 227,71 kg.
setelah diketahui kuantitas pemesanan optimal, maka dapat dihitung frekuensi
pemesanan optimal selama satu tahun, yaitu membagi jumlah proyeksi kebutuhan
bahan baku berdasarkan hasil ramalan dengan nilai EOQ. Besarnya frekuensi
pemesanan untuk buah durian medan sebanyak 122 kali, buah durian monthong
Thailand sebanyak 95 kali dan durian frozen monthong 137 kali.
Setelah diketahui kuantitas pemesanan optimal dan frekuensi pemesanan
optimal, maka dapat dihitung proyeksi total biaya untuk periode satu tahun.
Proyeksi total biaya persediaan bahan baku periode Maret 2011 sampai Februari
2012 lebih lengkap pada Tabel 13.
Jenis Proyeksi Biaya Proyeksi Pemakaian Proyeksi Biaya EOQ
Durian Pemesanan (Rp) Buah Durian(Kg)
Penyimpanan (Rp) (Kg)
(1) (2) (3) √2(1) (2)/(3)
Medan 35.000 24.917,74 42.000,00 203,79 Montong 35.000 15.135,48 42.000,00 158,83 Frozen 35.000 31.109,82 42.000,00 227,71
74
Berdasarkan Tabel 13, diperoleh biaya persediaan selama satu tahun
untuk buah durian medan sebesar Rp. 8.549.590 atau sebesar Rp. 343,88/kg,
buah monthong Thailand sebesar Rp. 6.660.430 atau sebesar Rp. 441,41/kg dan
buah durian frozen monthong sebesar Rp. 9.579.430 atau sebesar Rp. 306,91/kg.
5.5.2 Titik Pemesanan Kembali dan Persediaan Pengaman
Titik pemesanan merupakan batas dari jumlah persediaan yang ada di toko
saat pesanan harus dilakukan kembali. Hal ini bertujuan agar perusahaan dapat
mengetahui kapan waktu yang tepat untuk melakukan pemesanan. Titik
pemesanan kembali dapat ditentukan dengan cara menghitung rata-rata pemakaian
bahan baku per hari selama waktu tunggu. Perhitungan titik pemesanan kembali
berdasarkan metode EOQ disajikan pada Tabel 14. Rata-rata pemakaian per hari
ditentukan dengan cara membagi total kebutuhan per tahun dengan jumlah hari
dalam setahun.
Tabel 14. Perhitungan Titik Pemesanan Kembali berdasarkan Metode EOQ
Sumber : (Data Primer diolah, 2011)
Berdasarkan Tabel 14 di atas, perusahaan harus segera melakukan
pemesanan pada saat persediaan di toko sudah mencapai tingkat untuk buah
durian medan 68,27 kg, durian monthong Thailand 41,47 kg dan durian frozen
monthong 85,23 kg. Hal ini berarti bahwa pada saat persediaan buah durian
Jenis Durian Waktu Tunggu (Hari)
Rata-Rata Pemakaian/Hari
(kg)
Titik Pemesanan Kembali (kg)
Medan 1 68,27 68,27 Monthong Thailand 1 41,47 41,47 Frozen Thailand 1 85,23 85,23
75
benar-benar habis, pesanan buah durian yang dipesan 1 hari sebelumnya sudah
tiba di toko. Pada saat inilah persediaan yang tadinya sudah habis akan segera
terisi lagi dengan buah durian yang telah sudah diterima sesuai dengan pesanan
hingga jumlah kuantitas persediaan optimal terpenuhi kembali.
Pada kenyataannya, jumlah pemakaian bahan baku setiap bulan tidak
benar-benar konstan. Jumlah pemakaian bisa saja meningkat untuk memenuhi
permintaan, pada saat itulah dibutuhkan persediaan pengaman. Persediaan
pengaman merupakan persediaan tambahan yang dilakukan untuk menjaga
kelangsungan pernjualan dari kemngkinan terjadinya kekurangan persediaan.
Persediaan pengaman digunakan untuk menghadapi permintaan yang
bervariasi dengan menyediakan sejumlah persediaan selama waktu tenggang.
Persediaan tambahan ini muncul untuk menjaga kelancaran penjualan serta
menghindari kekurangan buah durian akibat adanya permintaan lebih besar dari
prediksi awal atau terjadi masalah.
Analisis persediaan pengaman membandingkan tingkat pelayanan dengan
cara membandingkan rata-rata tingkat penjualan terhadap persediaan perusahaan.
Asumsi tingkat pelayanan Rumah Durian Harum menentukan tingkat pelayanan
sebesar 90% dikarenakan adanya konsep service to customer, sehingga nilai
policy faktor (K) pada frequency level of service 90% adalah 1,3(tabel z) artinya
90% perusahaan mampu memenuhi permintaan dari pelanggan, sehingga 10%
tingkat kehabisan.
Perhitungan safety stock yang dibutuhkan yakni waktu tunggu rata-rata
dari penjualan rata-rata dan standar deviasi dari penjualan buah durian. Penjualan
76
rata-rata per bulan durian medan sebesar 2.076,48 kg, durian monthong Thailand
1.261,28kg, durian frozen monthong 2.828,17 kg. perhitungan persediaan
pengaman yang optimal dengan tingkat pelayanan 90% diperoleh persediaan
pengaman untuk penjualan buah durian dapat dilihat pada Tabel 15.
Tabel 15. Perhitungan Persediaan Pengaman
Sumber : (Data Primer diolah, 2011)
Berdasarkan Tabel 15 diperoleh persediaan pengaman untuk buah durian
medan sebesar 38,96 kg, buah durian monthong sebesar 51,86 kg dan durian
frozen monthong 37,27 kg.
Jenis Durian
Tingkat Pelayanan
90% (tabel z)
Lead Time
Standar Deviasi SS
(hari) (Kg) (1) (2) (3) (1) √(2) (3)
Medan 1,3 1 897,94 38,96 Montong Thailand 1,3 1 1.591,37 51,86 Frozen Monthong 1,3 1 821,73 37,27
74
Tabel 13. Proyeksi Total Biaya Persediaan Rumah Durian Harum Periode Maret 2011 sampai Februari 2012
Variabel Satuan Notasi Durian Medan Durian Monthong
Thailand
Durian Frozen
Monthong
Frekuensi Pemesanan Kali (1) 122 95 137
Jumlah/Pemesanan Kg (2) 203,79 158,83 227,83
Biaya Pesan Rp/Pesanan (3) 35.000 35.000 35.000
Biaya Penyimpanan Rp/Kg/Tahun (4) 42.000 42.000 42.000
Biaya Pesan Per Tahun Rp (5) = (1) x (3) 4.270.000 3.325.000 4.795.000
Biaya Simpan Per Tahun Rp (6) = (2)x(4)x0,5 4.279.590 3.335.430 4.784.430
Biaya Total Persediaan Rp (7) = (5)+(6) 8.549.590 6.660.430 9.579.430
Biaya Persediaan Rata-rata Rp/Kg/Tahun (8) = (7):(1x2) 343,88 441,41 306,91
Sumber : (Data Primer diolah, 2011)
BAB VI KESIMPULAN DAN SARAN
6.1 Kesimpulan
Berdasarkan hasil pembahasan pada bab sebelumnya maka penulis
menarik kesimpulan sebagai berikut :
1. Metode peramalan time series dengan nilai MSE yang terkecil yang sesuai
dengan peramalan penjualan buah durian yaitu metode winter’s. Metode
winter’s memiliki nilai MSE terkecil yaitu untuk buah durian medan 722629,
buah monthong Thailand 2747612 dan buah frozen durian 219518. Nilai
ramalan yang dihasilkan metode winter’s untuk periode ke 25 hingga ke 36
untuk buah durian medan, masing-masing diramalkan sebesar 1.464,49 kg,
1.977,43 kg, 89,82 kg, 1.295,92 kg, 2.886,98 kg, 1.946,91 kg, 1.588,64 kg,
1.827,48 kg, 1.928,36 kg, 3.546,83 kg, 3.183,48 kg, dan 2.881,40 kg.
Periode ke 25 hingga ke 36 untuk buah durian monthong Thailand, masing-
masing diramalkan sebesar 0 kg, 0 kg, 2.597,80 kg, 2.657,40 kg, 3.856,96 kg,
3.257,44 kg, 2.765,76 kg, 0 kg, 0 kg, 0 kg, 0 kg, 0 kg, dan 15.135,36 kg.
Periode ke 25 hingga ke 36 untuk buah durian frozen monthong, masing-
masing diramalkan sebesar 2.364,122 kg, 2.039,43 kg, 1.858,72 kg, 2.264,88
kg, 2.238,15 kg, 2.224,97 kg, 2.421,90 kg, 2.785,79 kg, 3.801,40 kg, 3.827,45
kg, 4.006,57 kg dan 3.640,56 kg.
2. Pengadaan persediaan buah durian perusahaan periode Maret 2011 hingga
Februari 2012 menggunakan EOQ yang didsarkan pada proyeksi kebutuhan
79
buah durian hasil ramalan penjualan, diperoleh kuantitas pemesanan optimal
untuk buah durian medan sebesar 203,79 kg, buah durian monthong Thailand
158,83 kg dan durian frozen monthong 227,71 kg. Besarnya frekuensi
pemesanan untuk buah durian medan sebanyak 122 kali, buah durian
monthong Thailand sebanyak 95 kali dan durian frozen monthong 137 kali.
6.2 Saran
1. Perencanaan penjualan buah durian menggunakan metode time series terutama
metode winter’s diharapkan agar selalu diterapkan oleh perusahaan. Hal
tersebut akan membantu perusahaan untuk membuat perencanaan lebih baik.
2. Perlu dilakukan penelitian lebih lanjut mengenai faktor-faktor yang
mempengaruhi penjualan buah durian yang terjadi di Rumah Durian Harum,
agar kecendrungan penurunan penjualan perusahaan dapat diatasi.
LAMPIRAN
83
Lampiran 1. Perkembangan Penjualan Buah Durian, Tahun 2009- 2011
Bulan
Jenis Durian (Kg) Monthong Thailand Medan
Monthong Frozen Malaysia Kanyao Chanee Kradum
Maret '09 174,56 1.968,15 * * * 366,93 778,62 April 768 3.329,26 * * * 1.763,22 851,80 Mei 4.257 118,59 * 2.529,74 1.372,54 928,37 256.93 Juni 6.487,70 898,97 * 327,04 3.067,43 0 0 Juli 9.527.30 3.560,53 * 0 83,68 0 0 Agustus 9.019,16 2.300,99 * 0 0 0 0 September 7.019,32 1.939,51 * 0 0 0 Oktober 295,41 2.653,59 992,15 605,78 0 0 0 November 73,63 329,62 2.036,62 2.703,59 0 0 0 Desember 840,82 2.596,77 1.796,53 0 0 0 0 Januari '10 153,66 2.693,02 1.144,70 0 0 0 0 Februari 0 1.804,34 0 0 0 0 0 Maret 0 370,66 1.315,98 4.524,25 0 52 0 April 887,5 0 514,02 1.090,50 282,99 628,25 115,67 Mei 5.005,95 0 0 0 0 0 0 Juni 3.310,85 996,36 659,73 0 0 0 0 Juli 3.086,77 1.481,48 453,69 0 105,84 0 0 Agustus 2.812,28 825,43 274,74 0 0 0 0 September 4.245,16 434,92 516,02 0 0 0 0 Oktober 5,317,50 163,07 99,05 0 0 0 0 November 500,61 2.653,36 933,23 0 0 0 0 Desember 1.117,98 3.587,70 1.072,83 0 0 0 0 Januari '11 579,45 2.729,30 1.930,30 0 0 0 0 Februari 0 2.978.38 2.190,41 0 0 0 0
total 65.480,61 37.435,62 13.739,59 11.780,90 4.912,48 3.738,77 2.003,02
Ket :
*belum ada penjualan
84
Bulan
Jenis Durian (Kg)
Pongmane Banyumas Monthong
Lokal Semarang Jepara Nokyib Maret '09 * * * * * * April * * * 398,23 * * Mei 728,56 * * 0 * 192 Juni 0 * * 0 * 0 Juli 0 * * 0 * 0 Agustus 0 * * 0 * 0 September 0 * 258,08 0 * 0 Oktober 0 * 114,13 0 * 0 November 0 * 0 0 * 0 Desember 0 * 81,31 0 * 0 Januari '10 0 974,02 0 0 * 0 Februari 0 243,54 66,57 0 * 0 Maret 0 0 462,53 0 * 0 April 894,20 0 0 0 * 0 Mei 0 0 0 0 * 0 Juni 0 0 0 0 * 0 Juli 0 0 0 0 * 0 Agustus 0 0 0 0 * 0 September 0 0 0 0 * 0 Oktober 0 0 0 0 369,49 0 November 0 0 0 0 0 0 Desember 0 0 0 0 0 0 Januari '11 0 0 0 0 0 0 Februari 0 0 0 0 0 0
total 1.622,76 1.217,56 982,62 398,23 369,49 192
Ket :
*belum ada penjualan
85
Lampiran 2. Uji ADF Statistik
Null Hypothesis: DUREN_MEDAN has a unit root Exogenous: Constant Lag Length: 1 (Fixed)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -2.979052 0.0526 Test critical values: 1% level -3.769597
5% level -3.004861 10% level -2.642242
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(DUREN_MEDAN) Method: Least Squares Date: 06/07/11 Time: 14:13 Sample(adjusted): 3 24 Included observations: 22 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. DUREN_MEDAN(-1) -0.791812 0.265793 -2.979052 0.0077 D(DUREN_MEDAN(-
1)) 0.146014 0.224982 0.649001 0.5241
C 1255.525 495.5811 2.533439 0.0203 R-squared 0.366304 Mean dependent var -15.94909 Adjusted R-squared 0.299599 S.D. dependent var 1439.472 S.E. of regression 1204.694 Akaike info criterion 17.15196 Sum squared resid 27574447 Schwarz criterion 17.30074 Log likelihood -185.6716 F-statistic 5.491411 Durbin-Watson stat 1.521292 Prob(F-statistic) 0.013118
86
Null Hypothesis: DUREN_MONTHONG has a unit root Exogenous: Constant Lag Length: 1 (Fixed)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -2.547350 0.1186 Test critical values: 1% level -3.769597
5% level -3.004861 10% level -2.642242
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(DUREN_MONTHONG) Method: Least Squares Date: 06/07/11 Time: 14:15 Sample(adjusted): 3 24 Included observations: 22 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. DUREN_MONTHON
G(-1) -0.438379 0.172092 -2.547350 0.0197
D(DUREN_MONTHONG(-1))
0.379836 0.212887 1.784213 0.0904
C 1259.409 690.2885 1.824467 0.0838 R-squared 0.274710 Mean dependent var -34.90909 Adjusted R-squared 0.198364 S.D. dependent var 2440.962 S.E. of regression 2185.494 Akaike info criterion 18.34320 Sum squared resid 90751313 Schwarz criterion 18.49197 Log likelihood -198.7751 F-statistic 3.598213 Durbin-Watson stat 2.092227 Prob(F-statistic) 0.047300
87
Null Hypothesis: DUREN_FROZEN has a unit root Exogenous: Constant Lag Length: 1 (Fixed)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -1.650026 0.4414 Test critical values: 1% level -3.769597
5% level -3.004861 10% level -2.642242
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(DUREN_FROZEN) Method: Least Squares Date: 06/07/11 Time: 14:06 Sample(adjusted): 3 24 Included observations: 22 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. DUREN_FROZEN(-1) -0.391023 0.236980 -1.650026 0.1154 D(DUREN_FROZEN(
-1)) 0.097747 0.254340 0.384317 0.7050
C 335.1921 190.7056 1.757641 0.0949 R-squared 0.140491 Mean dependent var 99.56409 Adjusted R-squared 0.050017 S.D. dependent var 638.0503 S.E. of regression 621.8890 Akaike info criterion 15.82952 Sum squared resid 7348174. Schwarz criterion 15.97830 Log likelihood -171.1248 F-statistic 1.552826 Durbin-Watson stat 1.972333 Prob(F-statistic) 0.237344
88
Lampiran 3. Metode Double Moving Average Buah Durian Medan
Periode Permintan MA (2) Double a b at +b.pt Error Squared
Data Buah MA (2) Error (Kg)
Maret '09 1968.15 April 3329.26 2648.705 Mei 118.59 1723.925 2186.315 1261.535 -924.78 Juni 898.97 508.78 1116.3525 -98.7925 -1215.145 336.755 562.215 316085.7062 Juli 3560.53 2229.75 1369.265 3090.235 1720.97 -1313.938 4874.4675 23760433.41 Agustus 2300.99 2930.76 2580.255 3281.265 701.01 4811.205 -2510.215 6301179.346 September 1939.51 2120.25 2525.505 1714.995 -810.51 3982.275 -2042.765 4172888.845 Oktober 2653.59 2296.55 2208.4 2384.7 176.3 904.485 1749.105 3059368.301 November 329.62 1491.605 1894.0775 1089.1325 -804.945 2561 -2231.38 4979056.704 Desember 2596.77 1463.195 1477.4 1448.99 -28.41 284.1875 2312.5825 5348037.819 Januari '10 2693.02 2644.895 2054.045 3235.745 1181.7 1420.58 1272.44 1619103.554 Februari 1804.34 2248.68 2446.7875 2050.5725 -396.215 4417.445 -2613.105 6828317.741 Maret 370.66 1087.5 1668.09 506.91 -1161.18 1654.3575 -1283.698 1647879.272 April 0 185.33 636.415 -265.755 -902.17 -654.27 654.27 428069.2329 Mei 0 0 92.665 -92.665 -185.33 -1167.925 1167.925 1364048.806 Juni 996.36 498.18 249.09 747.27 498.18 -277.995 1274.355 1623980.666 Juli 1481.48 1238.92 868.55 1609.29 740.74 1245.45 236.03 55710.1609 Agustus 825.43 1153.455 1196.1875 1110.7225 -85.465 2350.03 -1524.6 2324405.16 September 434.92 630.175 891.815 368.535 -523.28 1025.2575 -590.3375 348498.3639 Oktober 163.07 298.995 464.585 133.405 -331.18 -154.745 317.815 101006.3742 November 2653.36 1408.215 853.605 1962.825 1109.22 -197.775 2851.135 8128970.788 Desember 3587.7 3120.53 2264.3725 3976.6875 1712.315 3072.045 515.655 265900.079 Januari '11 2729.3 3158.5 3139.515 3177.485 37.97 5689.0025 -2959.703 8759838.889 Februari 2978.38 2853.84 3006.17 2701.51 -304.66 3215.455 -237.075 56204.55563 2396.85
Total Error
1795.1175 81488983.77
MSE 3880427.799
89
Periode Permintan MA (7) Double a b at +b.pt Error Squared Data Buah MA (7) Error
(Kg)
Maret '09 1968.15 April 3329.26 Mei 118.59 Juni 898.97 Juli 3560.53 Agustus 2300.99 September 1939.51 Oktober 2653.59 2096.1988 November 329.62 1891.3825 Desember 2596.77 1799.8213 Januari '10 2693.02 2121.625
Februari 1804.34 2234.7963 Maret 370.66 1836.0625 April 0 1548.4388 1905.3544 1191.5231 -713.8313 Mei 0 1306 1427.2194 1184.7806 -242.4388 477.69188 -477.6919 228189.5274 Jni 996.36 1098.8463 1706.5129 491.17964 -1215.333 942.34188 54.018125 2917.957829 Juli 1481.48 1242.8288 1626.9425 858.715 -768.2275 -724.1536 2205.6336 4864819.451 Agustus 825.43 1021.4113 1469.7691 573.05339 -896.7157 90.4875 734.9425 540140.4783 September 434.92 739.14875 1256.1052 222.19232 -1033.913 -323.6623 758.58232 575447.1384 Oktober 163.07 533.99 1070.0948 -2.114821 -1072.21 -811.7205 974.79054 950216.5885 November 2653.36 819.3275 965.93607 672.71893 -293.2171 -1074.324 3727.6845 13895631.47 Desember 3587.7 1267.79 1043.5588 1492.0213 448.4625 379.50179 3208.1982 10292535.78 Januari '11 2729.3 1608.9525 1041.5369 2176.3681 1134.8313 1940.4838 788.81625 622231.0763
Februari 2978.38 1856.705 1136.2692 2577.1408 1440.8716 3311.1994 -332.8194 110768.7364 4018.0123
Total Error
11642.155 32082898.2
MSE 2138859.88
90
Lampiran 4. Metode Double Moving Average Buah Durian Monthong Thailand
Periode Permintan MA (2) Double a b at +b.pt Error Squared
Data Buah MA (2) Error
(Kg)
Maret '09 174.56
April 768.00 471.28
Mei 4,257.00 2512.5 1491.89 3533.11 2041.22
Juni 6,487.70 5372.35 3942.425 6802.275 2859.85 5574.33 913.37 834244.7569
Juli 9,527.30 8007.5 6689.925 9325.075 2635.15 9662.125 -134.825 18177.78063
Agustus 9,019.16 9273.23 8640.365 9906.095 1265.73 11960.225 -2941.065 8649863.334
September 7,019.32 8019.24 8646.235 7392.245 -1253.99 11171.825 -4152.505 17243297.78
Oktober 295.41 3657.365 5838.3025 1476.4275 -4361.875 6138.255 -5842.845 34138837.69
November 73.63 184.52 1920.9425 -1551.9025 -3472.845 -2885.4475 2959.0775 8756139.651
Desember 840.82 457.225 320.8725 593.5775 272.705 -5024.7475 5865.5675 34404882.1
Januari '10 153.66 497.24 477.2325 517.2475 40.015 866.2825 -712.6225 507830.8275
Februari 0.00 76.83 287.035 -133.375 -420.41 557.2625 -557.2625 310541.4939
Maret 0.00 0 38.415 -38.415 -76.83 -553.785 553.785 306677.8262
April 887.50 443.75 221.875 665.625 443.75 -115.245 1002.745 1005497.535
Mei 5,005.95 2946.725 1695.2375 4198.2125 2502.975 1109.375 3896.575 15183296.73
Juni 3,310.85 4158.4 3552.5625 4764.2375 1211.675 6701.1875 -3390.3375 11494388.36
Juli 3,086.77 3198.81 3678.605 2719.015 -959.59 5975.9125 -2889.1425 8347144.385
Agustus 2,812.28 2949.525 3074.1675 2824.8825 -249.285 1759.425 1052.855 1108503.651
September 4,245.16 3528.72 3239.1225 3818.3175 579.195 2575.5975 1669.5625 2787438.941
Oktober 5,317.50 4781.33 4155.025 5407.635 1252.61 4397.5125 919.9875 846377.0002
November 500.61 2909.055 3845.1925 1972.9175 -1872.275 6660.245 -6159.635 37941103.33
Desember 1,117.98 809.295 1859.175 -240.585 -2099.76 100.6425 1017.3375 1034975.589
Januari '11 579.45 848.715 829.005 868.425 39.42 -2340.345 2919.795 8525202.842
Februari 0.00 289.725 569.22 10.23 -558.99 907.845 -907.845 824182.544
-548.76
Total Error
-4917.4275 194268604.2
MSE 9250885.912
91
Periode Permintan MA (7) Double a b at +b.pt Error Squared
Data Buah MA (7) Error
(Kg)
Maret '09 174.56
April 768.00
Mei 4,257.00
Juni 6,487.70
Juli 9,527.30
Agustus 9,019.16
September 7,019.32 5,321.86
Oktober 295.41 5,339.13
November 73.63 5,239.93
Desember 840.82 4,751.91
Januari '10 153.66 3,847.04
Februari 0.00 2,486.00
Maret 0.00 1,197.55 4,026.20 -1631.10551 -5657.308163
April 887.50 321.57 3,311.88 -2668.727143
-5980.602857
-7288.413673 8,175.91 66845564.4
Mei 5,005.95 994.51 2,691.22 -702.1987755
-3393.414694 -8649.33 13655.28 186466671.9
Juni 3,310.85 1,456.97 2,150.79 763.1444898 -1387.648163
-4095.613469 7406.463469 54855701.12
Juli 3,086.77 1,777.82 1,725.92 1829.714082 103.7910204 -624.5036735 3711.273673 13773552.28
Agustus 2,812.28 2,157.62 1,484.58 2830.665714 1346.088571 1933.505102 878.774898 772245.3213
September 4,245.16 2,764.07 1,524.30 4003.843878 2479.542041 4176.754286 68.40571429 4679.341747
Oktober 5,317.50 3,523.72 1,856.61 5190.82 3334.208571 6483.385918 -1165.885918 1359289.975
November 500.61 3,468.45 2,306.16 4630.726939 2324.562449 8525.028571 -8024.418571 64391293.41
Desember 1,117.98 2,913.02 2,580.24 3245.805102 665.5673469 6955.289388 -5837.309388 34074180.89
Januari '11 579.45 2,522.82 2,732.50 2313.140408 -419.3620408 3911.372449 -
3331.922449 11101707.21
Februari 0.00 2,081.85 2,775.94 1387.772449 -1388.163673 1893.778367 -
1893.778367 3586396.505
-0.39122449
Total Error 13642.79673 437231282.3
MSE
29148752.15
92
Lampiran 5. Metode Double Moving Average Buah Durian Frozen Monthong
Periode Permintan MA (2) Double a b at +b.pt Error Squared
Data Buah MA (2) Error
(Kg)
Maret '09 0.00
April 0.00 0
Mei 0.00 0 0 0 0
Juni 0.00 0 0 0 0 0 0 0
Juli 0.00 0 0 0 0 0 0 0
Agustus 0.00 0 0 0 0 0 0 0
September 0.00 0 0 0 0 0 0 0
Oktober 992.15 496.075 248.0375 744.1125 496.075 0 992.15 984361.6225
November 2,036.62 1514.385 1005.23 2023.54 1018.31 1240.1875 796.4325 634304.7271
Desember 1,796.53 1916.575 1715.48 2117.67 402.19 3041.85 -1245.32 1550821.902
Januari '10 1,144.70 1470.615 1693.595 1247.635 -445.96 2519.86 -1375.16 1891065.026
Februari 0.00 572.35 1021.4825 123.2175 -898.265 801.675 -801.675 642682.8056
Maret 1,315.98 657.99 615.17 700.81 85.64 -775.0475 2091.0275 4372396.006
April 514.02 915 786.495 1043.505 257.01 786.45 -272.43 74218.1049
Mei 0.00 257.01 586.005 -71.985 -657.99 1300.515 -1300.515 1691339.265
Juni 659.73 329.865 293.4375 366.2925 72.855 -729.975 1389.705 1931279.987
Juli 453.69 556.71 443.2875 670.1325 226.845 439.1475 14.5425 211.4843062
Agustus 274.74 364.215 460.4625 267.9675 -192.495 896.9775 -622.2375 387179.5064
September 516.02 395.38 379.7975 410.9625 31.165 75.4725 440.5475 194082.0998
Oktober 99.05 307.535 351.4575 263.6125 -87.845 442.1275 -343.0775 117702.171
November 933.23 516.14 411.8375 620.4425 208.605 175.7675 757.4625 573749.4389
Desember 1,072.83 1003.03 759.585 1246.475 486.89 829.0475 243.7825 59429.90731
Januari '11 1,930.30 1501.565 1252.2975 1750.8325 498.535 1733.365 196.935 38783.39423
Februari 2,190.41 2060.355 1780.96 2339.75 558.79 2249.3675 -58.9575 3475.986806
2898.54
Total Error
903.2125 15147083.43
MSE 721289.6874
93
Periode Permintan MA (7) Double a b at +b.pt Error Squared
Data Buah MA (7) Error
(Kg)
Maret '09 0.00
April 0.00
Mei 0.00
Juni 0.00
Juli 0.00
Agustus 0.00
September 0.00 482.53
Oktober 992.15 597.00
November 2,036.62 597
Desember 1,796.53 728.598
Januari '10 1,144.70 780
Februari 0.00 780
Maret 1,315.98 845.973 601.28 855.91 254.63
April 514.02 891.342 745.70 814.30 68.60 1110.55 -596.53 355843.27
Mei 0.00 819.601 721.40 838.60 117.20 882.89 -882.89 779502.57
Juni 659.73 667.541 783.64 908.30 124.66 955.80 -296.07 87658.33
Juli 453.69 497.793 824.33 958.36 134.03 1032.96 -579.27 335558.08
Agustus 274.74 476.646 834.23 804.97 -29.26 1092.38 -817.64 668538.03
September 516.02 583.929 806.11 528.96775 -277.1465 775.72 -259.70 67442.53
Oktober 99.05 645.361 719.07 276.51675 -442.5525 251.82125 -152.77 23339.05
November 933.23 813.00 615.40 337.89675 -277.4985 -166.03575 1099.27 1208385.19
Desember 1,072.83 903.33 556.48 611.38075 54.9035 60.39825 1012.43 1025018.05
Januari '11 1,930.30 933.78 550.93 739.78975 188.8575 666.28425 1264.02 1597735.82
Februari 2,190.41 1002.37 629.73 996.266 366.532 928.64725 1261.76 1592045.24
1362.798
Total Error 4484.70475 5446523.346
MSE
1089304.669
94
Lampiran 6. Metode Double Exponential Smoothing Buah Durian Medan
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Data medan Length 24 Smoothing Constants Alpha (level) 0.0300000 Gamma (trend) 0.0000001 Accuracy Measures MAPE 182 MAD 1070 MSD 1467326 Time medan Smooth Predict Error 1 1968.15 1738.42 1731.32 236.83 2 3329.26 1782.15 1734.30 1594.96 3 118.59 1728.24 1778.03 -1659.44 4 898.97 1699.37 1724.12 -825.15 5 3560.53 1751.21 1695.25 1865.28 6 2300.99 1763.70 1747.08 553.91 7 1939.51 1764.98 1759.58 179.93 8 2653.59 1787.64 1760.85 892.74 9 329.62 1739.90 1783.51 -1453.89 10 2596.77 1761.61 1735.78 860.99 11 2693.02 1785.55 1757.48 935.54 12 1804.34 1782.12 1781.43 22.91 13 370.66 1735.77 1777.99 -1407.33 14 0.00 1679.70 1731.65 -1731.65 15 0.00 1625.31 1675.58 -1675.58 16 996.36 1602.45 1621.19 -624.83 17 1481.48 1594.82 1598.32 -116.84 18 825.43 1567.74 1590.70 -765.27 19 434.92 1529.76 1563.62 -1128.70 20 163.07 1484.76 1525.63 -1362.56 21 2653.36 1515.82 1480.64 1172.72 22 3587.70 1573.98 1511.70 2076.00 23 2729.30 1604.64 1569.85 1159.45 24 2978.38 1641.85 1600.52 1377.86 Forecasts Period Forecast Lower Upper 25 1637.73 -983.76 4259.22 26 1633.61 -989.07 4256.29 27 1629.49 -994.40 4253.37 28 1625.36 -999.74 4250.47 29 1621.24 -1005.11 4247.59 30 1617.12 -1010.48 4244.73 31 1613.00 -1015.88 4241.88 32 1608.88 -1021.29 4239.05 33 1604.75 -1026.73 4236.24 34 1600.63 -1032.17 4233.44 35 1596.51 -1037.64 4230.66 36 1592.39 -1043.12 4227.90
95
3632282420161284
5000
4000
3000
2000
1000
0
-1000
Periode (Bulan)
Penj
uala
n (K
g) Alpha (level) 0.0300000Gamma (trend) 0.0000001
Smoothing Constants
MAPE 182MAD 1070MSD 1467326
Accuracy Measures
ActualFitsForecasts95.0% PI
Variable
Smoothing Plot for medanDouble Exponential Method
96
Lampiran 7. Metode Double Exponential Smoothing Buah Durian Monthong Thailand
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Data monthong Length 24 Smoothing Constants Alpha (level) 0.646000 Gamma (trend) 0.000000 Accuracy Measures MAPE 485 MAD 1855 MSD 6924399 Time monthong Smooth Predict Error 1 174.56 1556.63 4078.72 -3904.16 2 768.00 1005.61 1439.21 -671.21 3 4257.00 3064.44 888.19 3368.81 4 6487.70 5234.30 2947.02 3540.68 5 9527.30 7966.01 5116.88 4410.42 6 9019.16 8604.78 7848.59 1170.57 7 7019.32 7539.00 8487.35 -1468.03 8 295.41 2818.07 7421.58 -7126.17 9 73.63 1003.60 2700.65 -2627.02 10 840.82 856.87 886.17 -45.35 11 153.66 361.03 739.45 -585.79 12 0.00 86.24 243.61 -243.61 13 0.00 -11.04 -31.19 31.19 14 887.50 527.85 -128.46 1015.96 15 5005.95 3379.13 410.43 4595.52 16 3310.85 3293.45 3261.71 49.14 17 3086.77 3118.37 3176.03 -89.26 18 2812.28 2879.07 3000.95 -188.67 19 4245.16 3720.00 2761.64 1483.52 20 5317.50 4710.42 3602.57 1714.93 21 500.61 1949.31 4592.99 -4092.38 22 1117.98 1370.70 1831.89 -713.91 23 579.45 817.99 1253.28 -673.83 24 0.00 248.00 700.56 -700.56 Forecasts Period Forecast Lower Upper 25 130.58 -4413.1 4674.3 26 13.15 -5547.5 5573.8 27 -104.27 -6776.2 6567.6 28 -221.69 -8059.2 7615.9 29 -339.12 -9375.6 8697.4 30 -456.54 -10713.7 9800.6 31 -573.96 -12066.5 10918.6 32 -691.39 -13429.8 12047.0 33 -808.81 -14800.7 13183.1 34 -926.23 -16177.4 14325.0 35 -1043.65 -17558.6 15471.3 36 -1161.08 -18943.3 16621.2
97
3632282420161284
20000
10000
0
-10000
-20000
Periode (Bulan)
Penj
uala
n (K
g) Alpha (level) 0.646000Gamma (trend) 0.000000
Smoothing Constants
MAPE 485MAD 1855MSD 6924399
Accuracy Measures
ActualFitsForecasts95.0% PI
Variable
Smoothing Plot for monthongDouble Exponential Method
98
Lampiran 8. Metode Double Exponential Smoothing Buah Durian frozen Monthong
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Data frozen Length 24 Smoothing Constants Alpha (level) 0.416000 Gamma (trend) 0.000000 Accuracy Measures MAPE 82 MAD 471 MSD 394421 Time frozen Smooth Predict Error 1 0.00 53.76 92.06 -92.06 2 0.00 60.43 103.48 -103.48 3 0.00 64.32 110.14 -110.14 4 0.00 66.60 114.03 -114.03 5 0.00 67.92 116.31 -116.31 6 0.00 68.70 117.64 -117.64 7 0.00 69.15 118.41 -118.41 8 992.15 482.15 118.86 873.29 9 2036.62 1157.84 531.86 1504.76 10 1796.53 1452.57 1207.55 588.98 11 1144.70 1353.53 1502.28 -357.58 12 0.00 819.49 1403.24 -1403.24 13 1315.98 1055.06 869.20 446.78 14 514.02 859.02 1104.77 -590.75 15 0.00 530.70 908.73 -908.73 16 659.73 613.41 580.41 79.32 17 453.69 576.00 663.12 -209.43 18 274.74 479.71 625.71 -350.97 19 516.02 523.84 529.42 -13.40 20 99.05 376.16 573.56 -474.51 21 933.23 636.93 425.87 507.36 22 1072.83 847.30 686.65 386.18 23 1930.30 1326.86 897.01 1033.29 24 2190.41 1715.13 1376.57 813.84 Forecasts Period Forecast Lower Upper 25 1764.84 609.843 2919.84 26 1814.55 552.936 3076.17 27 1864.26 484.799 3243.73 28 1913.98 408.066 3419.89 29 1963.69 324.726 3602.65 30 2013.40 236.261 3790.54 31 2063.11 143.778 3982.45 32 2112.82 48.108 4177.54 33 2162.54 -50.122 4375.19 34 2212.25 -150.431 4574.93 35 2261.96 -252.447 4776.37 36 2311.67 -355.878 4979.22
99
Double Exponential Smoothing Plot for frozen
3632282420161284
5000
4000
3000
2000
1000
0
Periode (Bulan)
Penj
uala
n (K
g) Alpha (level) 0.416000Gamma (trend) 0.000000
Smoothing Constants
MAPE 82MAD 471MSD 394421
Accuracy Measures
ActualFitsForecasts95.0% PI
Variable
Smoothing Plot for frozenDouble Exponential Method
100
Lampiran 9. Metode Decomposition Buah Durian Medan
Time Series Decomposition for medan * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Model Data medan Length 24 NMissing 0 Fitted Trend Equation Yt = 1713 - 2.31454*t Seasonal Indices Period Index 1 -44.701 2 349.202 3 -304.501 Accuracy Measures MAPE 175 MAD 1044 MSD 1345436 Time medan Trend Seasonal Detrend Deseason Predict Error 1 1968.15 1710.53 -44.701 257.62 2012.85 1665.83 302.32 2 3329.26 1708.22 349.202 1621.04 2980.06 2057.42 1271.84 3 118.59 1705.90 -304.501 -1587.31 423.09 1401.40 -1282.81 4 898.97 1703.59 -44.701 -804.62 943.67 1658.89 -759.92 5 3560.53 1701.28 349.202 1859.25 3211.33 2050.48 1510.05 6 2300.99 1698.96 -304.501 602.03 2605.49 1394.46 906.53 7 1939.51 1696.65 -44.701 242.86 1984.21 1651.95 287.56 8 2653.59 1694.33 349.202 959.26 2304.39 2043.53 610.06 9 329.62 1692.02 -304.501 -1362.40 634.12 1387.52 -1057.90 10 2596.77 1689.70 -44.701 907.07 2641.47 1645.00 951.77 11 2693.02 1687.39 349.202 1005.63 2343.82 2036.59 656.43 12 1804.34 1685.07 -304.501 119.27 2108.84 1380.57 423.77 13 370.66 1682.76 -44.701 -1312.10 415.36 1638.06 -1267.40 14 0.00 1680.44 349.202 -1680.44 -349.20 2029.65 -2029.65 15 0.00 1678.13 -304.501 -1678.13 304.50 1373.63 -1373.63 16 996.36 1675.82 -44.701 -679.46 1041.06 1631.11 -634.75 17 1481.48 1673.50 349.202 -192.02 1132.28 2022.70 -541.22 18 825.43 1671.19 -304.501 -845.76 1129.93 1366.69 -541.26 19 434.92 1668.87 -44.701 -1233.95 479.62 1624.17 -1189.25 20 163.07 1666.56 349.202 -1503.49 -186.13 2015.76 -1852.69 21 2653.36 1664.24 -304.501 989.12 2957.86 1359.74 1293.62 22 3587.70 1661.93 -44.701 1925.77 3632.40 1617.23 1970.47 23 2729.30 1659.61 349.202 1069.69 2380.10 2008.82 720.48 24 2978.38 1657.30 -304.501 1321.08 3282.88 1352.80 1625.58
101
Forecasts Period Forecast 25 1610.28 26 2001.87 27 1345.85 28 1603.34 29 1994.93 30 1338.91 31 1596.40 32 1987.99 33 1331.97 34 1589.45 35 1981.04 36 1325.02
3632282420161284
4000
3000
2000
1000
0
Index
med
an
MAPE 175MAD 1044MSD 1345436
Accuracy Measures
ActualFitsTrendForecasts
Variable
Time Series Decomposition Plot for medanAdditive Model length 3
102
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Model Data medan Length 24 NMissing 0 Fitted Trend Equation Yt = 2013 - 26.3440*t Seasonal Indices Period Index 1 -675.51 2 -811.84 3 -629.30 4 443.28 5 1237.41 6 435.97 Accuracy Measures MAPE 124 MAD 910 MSD 1146955 Time medan Trend Seasonal Detrend Deseason Predict Error 1 1968.15 1986.87 -675.51 -18.72 2643.66 1311.36 656.79 2 3329.26 1960.53 -811.84 1368.73 4141.10 1148.69 2180.57 3 118.59 1934.18 -629.30 -1815.59 747.89 1304.88 -1186.29 4 898.97 1907.84 443.28 -1008.87 455.69 2351.12 -1452.15 5 3560.53 1881.50 1237.41 1679.03 2323.12 3118.91 441.62 6 2300.99 1855.15 435.97 445.84 1865.02 2291.12 9.87 7 1939.51 1828.81 -675.51 110.70 2615.02 1153.30 786.21 8 2653.59 1802.46 -811.84 851.13 3465.43 990.62 1662.97 9 329.62 1776.12 -629.30 -1446.50 958.92 1146.82 -817.20 10 2596.77 1749.78 443.28 846.99 2153.49 2193.05 403.72 11 2693.02 1723.43 1237.41 969.59 1455.61 2960.85 -267.83 12 1804.34 1697.09 435.97 107.25 1368.37 2133.06 -328.72 13 370.66 1670.74 -675.51 -1300.08 1046.17 995.23 -624.57 14 0.00 1644.40 -811.84 -1644.40 811.84 832.56 -832.56 15 0.00 1618.06 -629.30 -1618.06 629.30 988.75 -988.75 16 996.36 1591.71 443.28 -595.35 553.08 2034.99 -1038.63 17 1481.48 1565.37 1237.41 -83.89 244.07 2802.78 -1321.30 18 825.43 1539.02 435.97 -713.59 389.46 1974.99 -1149.56 19 434.92 1512.68 -675.51 -1077.76 1110.43 837.17 -402.25 20 163.07 1486.34 -811.84 -1323.27 974.91 674.50 -511.43 21 2653.36 1459.99 -629.30 1193.37 3282.66 830.69 1822.67 22 3587.70 1433.65 443.28 2154.05 3144.42 1876.93 1710.77 23 2729.30 1407.30 1237.41 1322.00 1491.89 2644.72 84.58 24 2978.38 1380.96 435.97 1597.42 2542.41 1816.93 1161.45 Forecasts Period Forecast
103
25 679.11 26 516.43 27 672.62 28 1718.86 29 2486.65 30 1658.86 31 521.04 32 358.37 33 514.56 34 1560.80 35 2328.59 36 1500.80 * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Model
3632282420161284
4000
3000
2000
1000
0
Index
med
an
MAPE 124MAD 910MSD 1146955
Accuracy Measures
ActualFitsTrendForecasts
Variable
Time Series Decomposition Plot for medanAdditive Model length 6
104
Data medan Length 24 NMissing 0 Fitted Trend Equation Yt = 2240 - 44.4625*t Seasonal Indices Period Index 1 -770.12 2 -974.32 3 -967.37 4 -109.12 5 333.20 6 -373.28 7 94.05 8 1013.41 9 -1166.90 10 1101.13 11 1279.95 12 539.38 Accuracy Measures MAPE 150 MAD 820 MSD 1102251 Time medan Trend Seasonal Detrend Deseason Predict Error 1 1968.15 2195.23 -770.12 -227.08 2738.27 1425.11 543.04 2 3329.26 2150.77 -974.32 1178.49 4303.58 1176.45 2152.81 3 118.59 2106.31 -967.37 -1987.72 1085.96 1138.94 -1020.35 4 898.97 2061.85 -109.12 -1162.88 1008.09 1952.72 -1053.75 5 3560.53 2017.39 333.20 1543.14 3227.33 2350.58 1209.95 6 2300.99 1972.92 -373.28 328.07 2674.27 1599.64 701.35 7 1939.51 1928.46 94.05 11.05 1845.46 2022.51 -83.00 8 2653.59 1884.00 1013.41 769.59 1640.18 2897.41 -243.82 9 329.62 1839.54 -1166.90 -1509.92 1496.52 672.64 -343.02 10 2596.77 1795.07 1101.13 801.70 1495.64 2896.21 -299.44 11 2693.02 1750.61 1279.95 942.41 1413.07 3030.56 -337.54 12 1804.34 1706.15 539.38 98.19 1264.96 2245.53 -441.19 13 370.66 1661.69 -770.12 -1291.03 1140.78 891.56 -520.90 14 0.00 1617.22 -974.32 -1617.22 974.32 642.90 -642.90 15 0.00 1572.76 -967.37 -1572.76 967.37 605.39 -605.39 16 996.36 1528.30 -109.12 -531.94 1105.48 1419.17 -422.81 17 1481.48 1483.84 333.20 -2.36 1148.28 1817.03 -335.55 18 825.43 1439.37 -373.28 -613.94 1198.71 1066.09 -240.66 19 434.92 1394.91 94.05 -959.99 340.87 1488.96 -1054.04 20 163.07 1350.45 1013.41 -1187.38 -850.34 2363.86 -2200.79 21 2653.36 1305.99 -1166.90 1347.37 3820.26 139.09 2514.27 22 3587.70 1261.52 1101.13 2326.18 2486.57 2362.66 1225.04 23 2729.30 1217.06 1279.95 1512.24 1449.35 2497.01 232.29 24 2978.38 1172.60 539.38 1805.78 2439.00 1711.98 1266.40 Forecasts
105
Period Forecast 25 358.01 26 109.35 27 71.84 28 885.62 29 1283.48 30 532.54 31 955.41 32 1830.31 33 -394.46 34 1829.11 35 1963.46 36 1178.43
3632282420161284
4000
3000
2000
1000
0
Index
med
an
MAPE 150MAD 820MSD 1102251
Accuracy Measures
ActualFitsTrendForecasts
Variable
Time Series Decomposition Plot for medanAdditive Model length 12
106
Lampiran 10. Metode Decomposition Buah Durian Monthong Thailand
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Model Data monthong Length 24 NMissing 0 Fitted Trend Equation Yt = 4181 - 116.231*t Seasonal Indices Period Index 1 124.559 2 -77.718 3 -46.841 Accuracy Measures MAPE 518 MAD 2427 MSD 7953166 Time monthong Trend Seasonal Detrend Deseason Predict Error 1 174.56 4065.01 124.559 -3890.45 50.00 4189.57 -4015.01 2 768.00 3948.78 -77.718 -3180.78 845.72 3871.06 -3103.06 3 4257.00 3832.55 -46.841 424.45 4303.84 3785.71 471.29 4 6487.70 3716.32 124.559 2771.38 6363.14 3840.88 2646.82 5 9527.30 3600.09 -77.718 5927.21 9605.02 3522.37 6004.93 6 9019.16 3483.86 -46.841 5535.30 9066.00 3437.02 5582.14 7 7019.32 3367.63 124.559 3651.69 6894.76 3492.19 3527.13 8 295.41 3251.40 -77.718 -2955.99 373.13 3173.68 -2878.27 9 73.63 3135.17 -46.841 -3061.54 120.47 3088.32 -3014.69 10 840.82 3018.94 124.559 -2178.12 716.26 3143.49 -2302.67 11 153.66 2902.70 -77.718 -2749.04 231.38 2824.99 -2671.33 12 0.00 2786.47 -46.841 -2786.47 46.84 2739.63 -2739.63 13 0.00 2670.24 124.559 -2670.24 -124.56 2794.80 -2794.80 14 887.50 2554.01 -77.718 -1666.51 965.22 2476.30 -1588.80 15 5005.95 2437.78 -46.841 2568.17 5052.79 2390.94 2615.01 16 3310.85 2321.55 124.559 989.30 3186.29 2446.11 864.74 17 3086.77 2205.32 -77.718 881.45 3164.49 2127.60 959.17 18 2812.28 2089.09 -46.841 723.19 2859.12 2042.25 770.03 19 4245.16 1972.86 124.559 2272.30 4120.60 2097.42 2147.74 20 5317.50 1856.63 -77.718 3460.87 5395.22 1778.91 3538.59 21 500.61 1740.40 -46.841 -1239.79 547.45 1693.56 -1192.95 22 1117.98 1624.17 124.559 -506.19 993.42 1748.73 -630.75 23 579.45 1507.94 -77.718 -928.49 657.17 1430.22 -850.77 24 0.00 1391.71 -46.841 -1391.71 46.84 1344.87 -1344.87
107
Forecasts Period Forecast 25 1400.03 26 1081.53 27 996.17 28 1051.34 29 732.84 30 647.48 31 702.65 32 384.14 33 298.79 34 353.96 35 35.45 36 -49.90
3632282420161284
10000
8000
6000
4000
2000
0
Index
mon
thon
g MAPE 518MAD 2427MSD 7953166
Accuracy Measures
ActualFitsTrendForecasts
Variable
Time Series Decomposition Plot for monthongAdditive Model length 3
108
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Model Data monthong Length 24 NMissing 0 Fitted Trend Equation Yt = 4082 - 108.295*t Seasonal Indices Period Index 1 1518.17 2 -614.12 3 -1391.40 4 742.32 5 179.53 6 -434.50 Accuracy Measures MAPE 455 MAD 2395 MSD 8518440 Time monthong Trend Seasonal Detrend Deseason Predict Error 1 174.56 3973.75 1518.17 -3799.19 -1343.61 5491.92 -5317.36 2 768.00 3865.46 -614.12 -3097.46 1382.12 3251.33 -2483.33 3 4257.00 3757.16 -1391.40 499.84 5648.40 2365.76 1891.24 4 6487.70 3648.87 742.32 2838.83 5745.38 4391.19 2096.51 5 9527.30 3540.57 179.53 5986.73 9347.77 3720.10 5807.20 6 9019.16 3432.28 -434.50 5586.88 9453.66 2997.78 6021.38 7 7019.32 3323.98 1518.17 3695.34 5501.15 4842.15 2177.17 8 295.41 3215.69 -614.12 -2920.28 909.53 2601.56 -2306.15 9 73.63 3107.39 -1391.40 -3033.76 1465.03 1715.99 -1642.36 10 840.82 2999.10 742.32 -2158.28 98.50 3741.42 -2900.60 11 153.66 2890.80 179.53 -2737.14 -25.87 3070.33 -2916.67 12 0.00 2782.51 -434.50 -2782.51 434.50 2348.01 -2348.01 13 0.00 2674.21 1518.17 -2674.21 -1518.17 4192.38 -4192.38 14 887.50 2565.92 -614.12 -1678.42 1501.62 1951.79 -1064.29 15 5005.95 2457.62 -1391.40 2548.33 6397.35 1066.22 3939.73 16 3310.85 2349.33 742.32 961.52 2568.53 3091.65 219.20 17 3086.77 2241.03 179.53 845.74 2907.24 2420.56 666.21 18 2812.28 2132.74 -434.50 679.54 3246.78 1698.24 1114.04 19 4245.16 2024.44 1518.17 2220.72 2726.99 3542.61 702.55 20 5317.50 1916.15 -614.12 3401.35 5931.62 1302.02 4015.48 21 500.61 1807.85 -1391.40 -1307.24 1892.01 416.45 84.16 22 1117.98 1699.56 742.32 -581.58 375.66 2441.88 -1323.90 23 579.45 1591.26 179.53 -1011.81 399.92 1770.79 -1191.34 24 0.00 1482.97 -434.50 -1482.97 434.50 1048.47 -1048.47 Forecasts Period Forecast
109
25 2892.84 26 652.26 27 -233.32 28 1792.11 29 1121.02 30 398.70 31 2243.07 32 2.49 33 -883.09 34 1142.34 35 471.25 36 -251.07
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Model Data monthong Length 24 NMissing 0 Fitted Trend Equation Yt = 3288 - 44.7570*t Seasonal Indices
3632282420161284
10000
8000
6000
4000
2000
0
Index
mon
thon
g MAPE 455MAD 2395MSD 8518440
Accuracy Measures
ActualFitsTrendForecasts
Variable
Time Series Decomposition Plot for monthongAdditive Model legth 6
110
Period Index 1 -1269.08 2 -475.24 3 3416.17 4 1691.73 5 1438.36 6 1146.13 7 4381.06 8 -2340.55 9 -2598.52 10 -1730.17 11 -2016.60 12 -1643.29 Accuracy Measures MAPE 142 MAD 1539 MSD 4533146 Time monthong Trend Seasonal Detrend Deseason Predict Error 1 174.56 3243.06 -1269.08 -3068.50 1443.64 1973.99 -1799.43 2 768.00 3198.31 -475.24 -2430.31 1243.24 2723.07 -1955.07 3 4257.00 3153.55 3416.17 1103.45 840.83 6569.72 -2312.72 4 6487.70 3108.79 1691.73 3378.91 4795.97 4800.52 1687.18 5 9527.30 3064.04 1438.36 6463.26 8088.94 4502.39 5024.91 6 9019.16 3019.28 1146.13 5999.88 7873.03 4165.40 4853.76 7 7019.32 2974.52 4381.06 4044.80 2638.26 7355.59 -336.27 8 295.41 2929.77 -2340.55 -2634.36 2635.96 589.21 -293.80 9 73.63 2885.01 -2598.52 -2811.38 2672.15 286.49 -212.86 10 840.82 2840.25 -1730.17 -1999.43 2570.99 1110.09 -269.27 11 153.66 2795.49 -2016.60 -2641.83 2170.26 778.89 -625.23 12 0.00 2750.74 -1643.29 -2750.74 1643.29 1107.45 -1107.45 13 0.00 2705.98 -1269.08 -2705.98 1269.08 1436.90 -1436.90 14 887.50 2661.22 -475.24 -1773.72 1362.74 2185.98 -1298.48 15 5005.95 2616.47 3416.17 2389.48 1589.78 6032.63 -1026.68 16 3310.85 2571.71 1691.73 739.14 1619.12 4263.44 -952.59 17 3086.77 2526.95 1438.36 559.82 1648.41 3965.31 -878.54 18 2812.28 2482.20 1146.13 330.08 1666.15 3628.32 -816.04 19 4245.16 2437.44 4381.06 1807.72 -135.90 6818.50 -2573.34 20 5317.50 2392.68 -2340.55 2924.82 7658.05 52.13 5265.37 21 500.61 2347.92 -2598.52 -1847.31 3099.13 -250.59 751.20 22 1117.98 2303.17 -1730.17 -1185.19 2848.15 573.00 544.98 23 579.45 2258.41 -2016.60 -1678.96 2596.05 241.81 337.64 24 0.00 2213.65 -1643.29 -2213.65 1643.29 570.37 -570.37 Forecasts Period Forecast 25 899.82 26 1648.90 27 5495.55 28 3726.35 29 3428.23 30 3091.24 31 6281.42 32 -484.95 33 -787.68 34 35.92 35 -295.27
111
36 33.28
3632282420161284
10000
8000
6000
4000
2000
0
Index
mon
thon
g MAPE 142MAD 1539MSD 4533146
Accuracy Measures
ActualFitsTrendForecasts
Variable
Time Series Decomposition Plot for monthongAdditive Model length 12
112
Lampiran 11. Metode Decomposition Buah Durian Frozen Monthong
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Model Data frozen Length 24 NMissing 0 Fitted Trend Equation Yt = 30 + 50.7*t Seasonal Indices Period Index 1 93.0028 2 -48.7589 3 -44.2439 Accuracy Measures MAPE 121 MAD 523 MSD 406962 Time frozen Trend Seasonal Detrend Deseason Predict Error 1 0.00 81.08 93.0028 -81.08 -93.00 174.09 -174.09 2 0.00 131.75 -48.7589 -131.75 48.76 82.99 -82.99 3 0.00 182.42 -44.2439 -182.42 44.24 138.17 -138.17 4 0.00 233.08 93.0028 -233.08 -93.00 326.09 -326.09 5 0.00 283.75 -48.7589 -283.75 48.76 234.99 -234.99 6 0.00 334.42 -44.2439 -334.42 44.24 290.17 -290.17 7 0.00 385.08 93.0028 -385.08 -93.00 478.09 -478.09 8 992.15 435.75 -48.7589 556.40 1040.91 386.99 605.16 9 2036.62 486.42 -44.2439 1550.20 2080.86 442.17 1594.45 10 1796.53 537.08 93.0028 1259.45 1703.53 630.09 1166.44 11 1144.70 587.75 -48.7589 556.95 1193.46 538.99 605.71 12 0.00 638.42 -44.2439 -638.42 44.24 594.17 -594.17 13 1315.98 689.08 93.0028 626.90 1222.98 782.09 533.89 14 514.02 739.75 -48.7589 -225.73 562.78 690.99 -176.97 15 0.00 790.42 -44.2439 -790.42 44.24 746.17 -746.17 16 659.73 841.08 93.0028 -181.35 566.73 934.09 -274.36 17 453.69 891.75 -48.7589 -438.06 502.45 842.99 -389.30 18 274.74 942.42 -44.2439 -667.68 318.98 898.17 -623.43 19 516.02 993.08 93.0028 -477.06 423.02 1086.09 -570.07 20 99.05 1043.75 -48.7589 -944.70 147.81 994.99 -895.94 21 933.23 1094.42 -44.2439 -161.19 977.47 1050.17 -116.94 22 1072.83 1145.08 93.0028 -72.25 979.83 1238.09 -165.26 23 1930.30 1195.75 -48.7589 734.55 1979.06 1146.99 783.31 24 2190.41 1246.42 -44.2439 943.99 2234.65 1202.17 988.24 Forecasts Period Forecast 25 1390.09
113
26 1298.99 27 1354.17 28 1542.09 29 1450.99 30 1506.17 31 1694.09 32 1602.99 33 1658.17 34 1846.09 35 1754.99 36 1810.17
3632282420161284
2500
2000
1500
1000
500
0
Index
froz
en
MAPE 121MAD 523MSD 406962
Accuracy Measures
ActualFitsTrendForecasts
Variable
Time Series Decomposition Plot for frozenAdditive Model length 3
Time Series Decomposition for frozen * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Model Data frozen
114
Length 24 NMissing 0 Fitted Trend Equation Yt = 12 + 52.2*t Seasonal Indices Period Index 1 33.443 2 7.124 3 10.487 4 231.292 5 11.472 6 -293.818 Accuracy Measures MAPE 123 MAD 517 MSD 399822 Time frozen Trend Seasonal Detrend Deseason Predict Error 1 0.00 64.01 33.443 -64.01 -33.44 97.46 -97.46 2 0.00 116.16 7.124 -116.16 -7.12 123.29 -123.29 3 0.00 168.32 10.487 -168.32 -10.49 178.80 -178.80 4 0.00 220.47 231.292 -220.47 -231.29 451.76 -451.76 5 0.00 272.62 11.472 -272.62 -11.47 284.09 -284.09 6 0.00 324.77 -293.818 -324.77 293.82 30.95 -30.95 7 0.00 376.92 33.443 -376.92 -33.44 410.36 -410.36 8 992.15 429.07 7.124 563.08 985.03 436.19 555.96 9 2036.62 481.22 10.487 1555.40 2026.13 491.71 1544.91 10 1796.53 533.37 231.292 1263.16 1565.24 764.66 1031.87 11 1144.70 585.52 11.472 559.18 1133.23 597.00 547.70 12 0.00 637.67 -293.818 -637.67 293.82 343.86 -343.86 13 1315.98 689.83 33.443 626.15 1282.54 723.27 592.71 14 514.02 741.98 7.124 -227.96 506.90 749.10 -235.08 15 0.00 794.13 10.487 -794.13 -10.49 804.61 -804.61 16 659.73 846.28 231.292 -186.55 428.44 1077.57 -417.84 17 453.69 898.43 11.472 -444.74 442.22 909.90 -456.21 18 274.74 950.58 -293.818 -675.84 568.56 656.76 -382.02 19 516.02 1002.73 33.443 -486.71 482.58 1036.17 -520.15 20 99.05 1054.88 7.124 -955.83 91.93 1062.01 -962.96 21 933.23 1107.03 10.487 -173.80 922.74 1117.52 -184.29 22 1072.83 1159.18 231.292 -86.35 841.54 1390.48 -317.65 23 1930.30 1211.34 11.472 718.96 1918.83 1222.81 707.49 24 2190.41 1263.49 -293.818 926.92 2484.23 969.67 1220.74 Forecasts Period Forecast 25 1349.08 26 1374.91 27 1430.43 28 1703.38 29 1535.71 30 1282.57 31 1661.99
115
32 1687.82 33 1743.33 34 2016.29 35 1848.62 36 1595.48
3632282420161284
2500
2000
1500
1000
500
0
Index
froz
en
MAPE 123MAD 517MSD 399822
Accuracy Measures
ActualFitsTrendForecasts
Variable
Time Series Decomposition Plot for frozenAdditive Model length 6
Time Series Decomposition for frozen * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Model Data frozen Length 24 NMissing 0 Fitted Trend Equation Yt = 182 + 38.6*t
116
Seasonal Indices Period Index 1 446.37 2 -339.87 3 -770.71 4 -34.85 5 -243.47 6 -546.42 7 -634.76 8 281.14 9 1304.20 10 1036.62 11 338.39 12 -836.66 Accuracy Measures MAPE 114 MAD 407 MSD 386354 Time frozen Trend Seasonal Detrend Deseason Predict Error 1 0.00 220.29 446.37 -220.29 -446.37 666.67 -666.67 2 0.00 258.85 -339.87 -258.85 339.87 -81.02 81.02 3 0.00 297.42 -770.71 -297.42 770.71 -473.29 473.29 4 0.00 335.98 -34.85 -335.98 34.85 301.13 -301.13 5 0.00 374.54 -243.47 -374.54 243.47 131.07 -131.07 6 0.00 413.10 -546.42 -413.10 546.42 -133.32 133.32 7 0.00 451.66 -634.76 -451.66 634.76 -183.09 183.09 8 992.15 490.22 281.14 501.93 711.01 771.37 220.78 9 2036.62 528.78 1304.20 1507.84 732.42 1832.98 203.64 10 1796.53 567.35 1036.62 1229.18 759.91 1603.96 192.57 11 1144.70 605.91 338.39 538.79 806.31 944.30 200.40 12 0.00 644.47 -836.66 -644.47 836.66 -192.19 192.19 13 1315.98 683.03 446.37 632.95 869.61 1129.41 186.57 14 514.02 721.59 -339.87 -207.57 853.89 381.72 132.30 15 0.00 760.15 -770.71 -760.15 770.71 -10.55 10.55 16 659.73 798.72 -34.85 -138.99 694.58 763.87 -104.14 17 453.69 837.28 -243.47 -383.59 697.16 593.81 -140.12 18 274.74 875.84 -546.42 -601.10 821.16 329.42 -54.68 19 516.02 914.40 -634.76 -398.38 1150.78 279.64 236.38 20 99.05 952.96 281.14 -853.91 -182.09 1234.10 -1135.05 21 933.23 991.52 1304.20 -58.29 -370.97 2295.72 -1362.49 22 1072.83 1030.08 1036.62 42.75 36.21 2066.70 -993.87 23 1930.30 1068.65 338.39 861.65 1591.91 1407.04 523.26 24 2190.41 1107.21 -836.66 1083.20 3027.07 270.55 1919.86 Forecasts Period Forecast 25 1592.14 26 844.46 27 452.19 28 1226.61 29 1056.55 30 792.16 31 742.38 32 1696.84 33 2758.46 34 2529.44
117
35 1869.78 36 733.29
3632282420161284
3000
2500
2000
1500
1000
500
0
-500
Index
froz
en
MAPE 114MAD 407MSD 386354
Accuracy Measures
ActualFitsTrendForecasts
Variable
Time Series Decomposition Plot for frozenAdditive Model length 12
118
Lampiran 12. Metode winter’s Buah Durian Medan
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Method Data medan Length 24 Smoothing Constants Alpha (level) 0.41 Gamma (trend) 0.00 Delta (seasonal) 0.00 Accuracy Measures MAPE 146 MAD 1597 MSD 3677279 Time medan Smooth Predict Error 1 1968.15 3094.39 2452.57 -484.42 2 3329.26 2735.23 2093.41 1235.85 3 118.59 1904.29 1262.47 -1143.88 4 898.97 1008.02 366.20 532.77 5 3560.53 1065.91 424.09 3136.44 6 2300.99 1014.21 372.39 1928.60 7 1939.51 1377.66 735.84 1203.67 8 2653.59 1710.62 1068.80 1584.79 9 329.62 1022.74 380.92 -51.30 10 2596.77 574.44 -67.39 2664.16 11 2693.02 1506.19 864.37 1828.65 12 1804.34 918.30 276.47 1527.87 13 370.66 1117.45 475.63 -104.97 14 0.00 913.86 272.04 -272.04 15 0.00 -535.32 -1177.14 1177.14 16 996.36 -479.96 -1121.78 2118.14 17 1481.48 227.93 -413.89 1895.37 18 825.43 -332.61 -974.43 1799.86 19 434.92 -21.94 -663.76 1098.68 20 163.07 267.97 -373.85 536.92 21 2653.36 -849.53 -1491.35 4144.71 22 3587.70 422.53 -219.30 3807.00 23 2729.30 1822.85 1181.03 1548.27 24 2978.38 1120.00 478.18 2500.20 Forecasts Period Forecast Lower Upper 25 1075.99 -2836.4 4988.33 26 915.44 -3262.7 5093.55 27 -422.20 -4916.0 4071.62 28 -849.48 -5699.2 4000.27 29 -1010.02 -6247.7 4227.65 30 -2347.67 -7998.7 3303.37 31 -2774.94 -8859.6 3309.71 32 -2935.49 -9470.0 3598.98
119
33 -4273.13 -11270.5 2724.26 34 -4700.40 -12171.4 2770.56 35 -4860.95 -12814.2 3092.33 36 -6198.59 -14641.5 2244.27
3632282420161284
5000
0
-5000
-10000
-15000
Periode (Bulan)
Penj
uala
n (K
g) Alpha (level) 0.41Gamma (trend) 0.00Delta (seasonal) 0.00
Smoothing Constants
MAPE 146MAD 1597MSD 3677279
Accuracy Measures
ActualFitsForecasts95.0% PI
Variable
Winters' Method Plot for medanAdditive Method length 3
Winters' Method for medan * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Method Data medan
120
Length 24 Smoothing Constants Alpha (level) 0.41 Gamma (trend) 0.00 Delta (seasonal) 0.00 Accuracy Measures MAPE 151 MAD 830 MSD 1094716 Time medan Smooth Predict Error 1 1968.15 1199.66 1289.33 678.82 2 3329.26 1929.94 2019.61 1309.65 3 118.59 1799.60 1889.27 -1770.68 4 898.97 2411.97 2501.64 -1602.67 5 3560.53 2444.80 2534.47 1026.06 6 2300.99 2320.48 2410.15 -109.16 7 1939.51 1545.81 1635.48 304.03 8 2653.59 2122.42 2212.09 441.50 9 329.62 1636.14 1725.81 -1396.19 10 2596.77 2402.05 2491.72 105.05 11 2693.02 3135.04 3224.71 -531.69 12 1804.34 2372.04 2461.71 -657.37 13 370.66 1372.60 1462.27 -1091.61 14 0.00 1377.00 1466.67 -1466.67 15 0.00 108.37 198.04 -198.04 16 996.36 1365.52 1455.19 -458.83 17 1481.48 1867.32 1956.99 -475.51 18 825.43 1127.36 1217.03 -391.60 19 434.92 236.89 326.56 108.36 20 163.07 733.28 822.94 -659.87 21 2653.36 -204.57 -114.90 2768.26 22 3587.70 2268.77 2358.43 1229.27 23 2729.30 3462.69 3552.36 -823.06 24 2978.38 2580.23 2669.90 308.48 Forecasts Period Forecast Lower Upper 25 2066.46 33.77 4099.15 26 2518.42 347.65 4689.19 27 1851.12 -483.68 4185.92 28 3189.47 669.74 5709.19 29 3879.39 1158.11 6600.67 30 3334.38 398.34 6270.43 31 2604.47 -556.86 5765.80 32 3056.43 -338.61 6451.47 33 2389.13 -1246.42 6024.68 34 3727.48 -154.12 7609.08 35 4417.40 285.20 8549.60 36 3872.39 -514.17 8258.95 Winters' Method Plot for medan
121
3632282420161284
8000
6000
4000
2000
0
Periode (Kg)
Penj
uala
n (K
g) Alpha (level) 0.41Gamma (trend) 0.00Delta (seasonal) 0.00
Smoothing Constants
MAPE 151MAD 830MSD 1094716
Accuracy Measures
ActualFitsForecasts95.0% PI
Variable
Winters' Method Plot for medanAdditive Method length 6
Winters' Method for medan * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Method Data medan Length 24 Smoothing Constants Alpha (level) 0.41
122
Gamma (trend) 0.00 Delta (seasonal) 0.00 Accuracy Measures MAPE 110 MAD 666 MSD 722629 Time medan Smooth Predict Error 1 1968.15 1390.52 1404.12 564.03 2 3329.26 2134.72 2148.32 1180.94 3 118.59 1031.29 1044.89 -926.30 4 898.97 1557.60 1571.20 -672.23 5 3560.53 2873.05 2886.65 673.88 6 2300.99 2209.27 2222.87 78.12 7 1939.51 1883.03 1896.63 42.88 8 2653.59 2139.45 2153.05 500.54 9 329.62 2445.55 2459.15 -2129.53 10 2596.77 3190.91 3204.51 -607.74 11 2693.02 2578.39 2591.99 101.03 12 1804.34 2317.73 2331.33 -526.99 13 370.66 847.97 861.57 -490.91 14 0.00 1159.65 1173.25 -1173.25 15 0.00 -909.00 -895.40 895.40 16 996.36 364.21 377.81 618.55 17 1481.48 2208.88 2222.48 -741.00 18 825.43 965.00 978.60 -153.17 19 434.92 543.93 557.53 -122.61 20 163.07 732.50 746.10 -583.03 21 2653.36 594.34 607.94 2045.42 22 3587.70 3051.43 3065.03 522.67 23 2729.30 2902.37 2915.97 -186.67 24 2978.38 2523.76 2537.36 441.02 Forecasts Period Forecast Lower Upper 25 1464.49 -166.56 3095.54 26 1977.43 235.59 3719.28 27 389.82 -1483.64 2263.29 28 1295.92 -725.93 3317.77 29 2886.98 703.40 5070.56 30 1946.91 -409.00 4302.82 31 1588.64 -948.04 4125.32 32 1827.48 -896.73 4551.69 33 1928.36 -988.84 4845.56 34 3546.83 432.20 6661.46 35 3183.48 -132.23 6499.19 36 2881.40 -638.42 6401.22
123
3632282420161284
7000
6000
5000
4000
3000
2000
1000
0
-1000
-2000
Periode (Bulan)
Penj
uala
n (K
g) Alpha (level) 0.41Gamma (trend) 0.00Delta (seasonal) 0.00
Smoothing Constants
MAPE 110MAD 666MSD 722629
Accuracy Measures
ActualFitsForecasts95.0% PI
Variable
Winters' Method Plot for medanAdditive Method length 12
124
Lampiran 13. Metode winter’s Buah Durian Monthong Thailand
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Method Data monthong Length 24 Smoothing Constants Alpha (level) 1 Gamma (trend) 0 Delta (seasonal) 0 Accuracy Measures MAPE 560 MAD 2487 MSD 10078323 Time monthong Smooth Predict Error 1 174.56 -2631.52 -388.7 563.24 2 768.00 -30.62 2212.2 -1444.22 3 4257.00 1017.05 3259.9 997.11 4 6487.70 4213.12 6456.0 31.73 5 9527.30 6282.52 8525.4 1001.94 6 9019.16 9776.35 12019.2 -3000.03 7 7019.32 8975.28 11218.1 -4198.81 8 295.41 6814.14 9057.0 -8761.57 9 73.63 544.46 2787.3 -2713.67 10 840.82 29.75 2272.6 -1431.78 11 153.66 635.64 2878.5 -2724.82 12 0.00 402.71 2645.6 -2645.55 13 0.00 -43.88 2199.0 -2198.97 14 887.50 -205.18 2037.7 -1150.16 15 5005.95 1136.55 3379.4 1626.56 16 3310.85 4962.07 7204.9 -3894.07 17 3086.77 3105.67 5348.5 -2261.74 18 2812.28 3335.82 5578.7 -2766.38 19 4245.16 2768.40 5011.2 -766.09 20 5317.50 4039.98 6282.8 -965.32 21 500.61 5566.55 7809.4 -7308.78 22 1117.98 456.73 2699.6 -1581.60 23 579.45 912.80 3155.6 -2576.19 24 0.00 828.50 3071.3 -3071.34 Forecasts Period Forecast Lower Upper 25 2199.0 -3893.4 8291.4 26 4236.6 -4379.3 12852.6 27 6728.5 -4937.5 18394.6 28 8927.5 -5995.8 23850.8 29 10965.2 -7312.0 29242.3 30 13457.1 -8225.9 35140.0 31 15656.0 -9463.6 40775.6
125
32 17693.7 -10882.2 46269.5 33 20185.6 -11859.9 52231.0 34 22384.5 -13139.9 57909.0 35 24422.2 -14588.2 63432.6 36 26914.1 -15587.4 69415.6
3632282420161284
70000
60000
50000
40000
30000
20000
10000
0
-10000
-20000
Periode (Bulan)
Penj
uala
n (K
g) Alpha (level) 1Gamma (trend) 0Delta (seasonal) 0
Smoothing Constants
MAPE 560MAD 2487MSD 10078323
Accuracy Measures
ActualFitsForecasts95.0% PI
Variable
Winters' Method Plot for monthongAdditive Method length 3
Winters' Method for monthong * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Method
126
Data monthong Length 24 Smoothing Constants Alpha (level) 1 Gamma (trend) 0 Delta (seasonal) 0 Accuracy Measures MAPE 583 MAD 2249 MSD 9225869 Time monthong Smooth Predict Error 1 174.56 -2396.36 -318.3 492.88 2 768.00 -750.67 1327.4 -559.37 3 4257.00 1527.62 3605.7 651.34 4 6487.70 4854.46 6932.5 -444.81 5 9527.30 7002.58 9080.6 446.67 6 9019.16 9265.79 11343.8 -2324.67 7 7019.32 8333.95 10412.0 -3392.67 8 295.41 6094.09 8172.1 -7876.72 9 73.63 1055.03 3133.1 -3059.44 10 840.82 671.09 2749.1 -1908.32 11 153.66 1355.70 3433.7 -3280.09 12 0.00 -107.85 1970.2 -1970.19 13 0.00 -685.21 1392.8 -1392.83 14 887.50 -925.23 1152.8 -265.31 15 5005.95 1647.12 3725.2 1280.79 16 3310.85 5603.41 7681.5 -4370.61 17 3086.77 3825.73 5903.8 -2817.01 18 2812.28 2825.26 4903.3 -2091.02 19 4245.16 2127.07 4205.1 40.05 20 5317.50 3319.93 5398.0 -80.47 21 500.61 6077.12 8155.2 -7654.55 22 1117.98 1098.07 3176.1 -2058.14 23 579.45 1632.86 3710.9 -3131.46 24 0.00 317.94 2396.0 -2395.98 Forecasts Period Forecast Lower Upper 25 1392.8 -4118.1 6903.7 26 2545.6 -5248.0 10339.2 27 5383.3 -5169.3 15935.9 28 8058.8 -5440.1 21557.7 29 10651.7 -5881.0 27184.5 30 12468.3 -7145.2 32081.7 31 13861.1 -8860.9 36583.2 32 15013.9 -10834.5 40862.4 33 17851.6 -11135.3 46838.5 34 20527.1 -11606.7 52660.9 35 23120.0 -12167.0 58407.0 36 24936.5 -13508.4 63381.5
127
3632282420161284
70000
60000
50000
40000
30000
20000
10000
0
-10000
-20000
Periode (Bulan)
Penj
uala
n (K
g) Alpha (level) 1Gamma (trend) 0Delta (seasonal) 0
Smoothing Constants
MAPE 583MAD 2249MSD 9225869
Accuracy Measures
ActualFitsForecasts95.0% PI
Variable
Winters' Method Plot for monthongAdditive Method legth 6
Winters' Method for monthong * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Method Data monthong Length 24
128
Smoothing Constants Alpha (level) 1 Gamma (trend) 0 Delta (seasonal) 0 Accuracy Measures MAPE 310 MAD 1200 MSD 2747612 Time monthong Smooth Predict Error 1 174.56 2047.69 1722.07 -1547.51 2 768.00 1032.45 706.83 61.17 3 4257.00 4689.15 4363.52 -106.52 4 6487.70 4642.22 4316.60 2171.10 5 9527.30 8012.88 7687.26 1840.04 6 9019.16 9253.41 8927.78 91.38 7 7019.32 8853.10 8527.48 -1508.16 8 295.41 4310.96 3985.33 -3689.92 9 73.63 -2106.50 -2432.13 2505.76 10 840.82 883.33 557.71 283.11 11 153.66 345.40 19.77 133.89 12 0.00 -95.47 -421.10 421.10 13 0.00 -1204.37 -1530.00 1530.00 14 887.50 857.89 532.27 355.23 15 5005.95 4808.65 4483.02 522.93 16 3310.85 5391.17 5065.55 -1754.70 17 3086.77 4836.03 4510.41 -1423.64 18 2812.28 2812.88 2487.25 325.03 19 4245.16 2646.22 2320.60 1924.56 20 5317.50 1536.80 1211.17 4106.33 21 500.61 2915.59 2589.96 -2089.35 22 1117.98 1310.31 984.69 133.29 23 579.45 622.56 296.93 282.52 24 0.00 330.32 4.69 -4.69 Forecasts Period Forecast Lower Upper 25 -1530.00 -4471.2 1411.2 26 -997.73 -5157.2 3161.7 27 2597.80 -3034.1 8229.7 28 2657.40 -4546.9 9861.7 29 3856.96 -4966.5 12680.4 30 3257.44 -7210.2 13725.1 31 2765.76 -9361.0 14892.5 32 -268.23 -14063.5 13527.0 33 -2995.76 -18466.0 12474.5 34 -2511.68 -19661.5 14638.1 35 -3332.73 -22165.4 15499.9 36 -3907.48 -24425.5 16610.5
129
3632282420161284
20000
10000
0
-10000
-20000
-30000
Periode (Bulan)
Penj
uala
n (K
g) Alpha (level) 1Gamma (trend) 0Delta (seasonal) 0
Smoothing Constants
MAPE 310MAD 1200MSD 2747612
Accuracy Measures
ActualFitsForecasts95.0% PI
Variable
Winters' Method Plot for monthongAdditive Method length 12
130
Lampiran 14. Metode winter’s Buah Durian Frozen Monthong
* NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Method Data frozen Length 24 Smoothing Constants Alpha (level) 0.91 Gamma (trend) 0.00 Delta (seasonal) 0.00 Accuracy Measures MAPE 74 MAD 434 MSD 349445 Time frozen Smooth Predict Error 1 0.00 56.10 56.10 -56.10 2 0.00 -73.06 -73.06 73.06 3 0.00 -18.65 -18.65 18.65 4 0.00 88.51 88.51 -88.51 5 0.00 -70.14 -70.14 70.14 6 0.00 -18.39 -18.39 18.39 7 0.00 88.53 88.53 -88.53 8 992.15 -70.14 -70.14 1062.29 9 2036.62 884.47 884.47 1152.15 10 1796.53 2023.11 2023.11 -226.58 11 1144.70 1738.81 1738.81 -594.11 12 0.00 1186.09 1186.09 -1186.09 13 1315.98 196.93 196.93 1119.05 14 514.02 1137.16 1137.16 -623.14 15 0.00 558.03 558.03 -558.03 16 659.73 140.41 140.41 519.32 17 453.69 534.88 534.88 -81.19 18 274.74 448.92 448.92 -174.18 19 516.02 380.60 380.60 135.42 20 99.05 425.72 425.72 -326.67 21 933.23 116.37 116.37 816.86 22 1072.83 949.90 949.90 122.93 23 1930.30 983.66 983.66 946.64 24 2190.41 1833.03 1833.03 357.38 Forecasts Period Forecast Lower Upper 25 2248.43 1185.21 3311.65 26 2170.32 742.28 3598.36 27 2158.25 287.55 4028.94 28 2248.43 -99.14 4596.00 29 2170.32 -671.17 5011.81 30 2158.25 -1186.66 5503.15 31 2248.43 -1605.67 6102.53 32 2170.32 -2196.73 6537.38
131
33 2158.25 -2724.34 7040.83 34 2248.43 -3151.52 7648.38 35 2170.32 -3748.34 8088.99 36 2158.25 -4280.17 8596.66
3632282420161284
10000
7500
5000
2500
0
-2500
-5000
Periode (Bulan)
Penj
uala
n (K
g) Alpha (level) 0.91Gamma (trend) 0.00Delta (seasonal) 0.00
Smoothing Constants
MAPE 74MAD 434MSD 349445
Accuracy Measures
ActualFitsForecasts95.0% PI
Variable
Winters' Method Plot for frozenAdditive Method length 3
Winters' Method for frozen * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt. Additive Method
132
Data frozen Length 24 Smoothing Constants Alpha (level) 0.91 Gamma (trend) 0.00 Delta (seasonal) 0.00 Accuracy Measures MAPE 69 MAD 446 MSD 321318 Time frozen Smooth Predict Error 1 0.00 -81.47 -81.47 81.47 2 0.00 -113.74 -113.74 113.74 3 0.00 281.21 281.21 -281.21 4 0.00 115.41 115.41 -115.41 5 0.00 -39.43 -39.43 39.43 6 0.00 -319.15 -319.15 319.15 7 0.00 61.55 61.55 -61.55 8 992.15 -100.87 -100.87 1093.02 9 2036.62 1185.22 1185.22 851.40 10 1796.53 2050.09 2050.09 -253.56 11 1144.70 1769.54 1769.54 -624.84 12 0.00 885.34 885.34 -885.34 13 1315.98 169.95 169.95 1146.03 14 514.02 1106.43 1106.43 -592.41 15 0.00 858.78 858.78 -858.78 16 659.73 167.39 167.39 492.34 17 453.69 565.61 565.61 -111.92 18 274.74 148.17 148.17 126.57 19 516.02 353.62 353.62 162.40 20 99.05 395.00 395.00 -295.95 21 933.23 417.13 417.13 516.10 22 1072.83 976.88 976.88 95.95 23 1930.30 1014.38 1014.38 915.92 24 2190.41 1532.27 1532.27 658.14 Forecasts Period Forecast Lower Upper 25 2221.45 1129.93 3312.97 26 2115.04 649.00 3581.08 27 2406.49 486.01 4326.97 28 2496.59 86.54 4906.64 29 2446.77 -470.34 5363.88 30 2131.18 -1302.75 5565.10 31 2221.45 -1735.22 6178.12 32 2115.04 -2368.23 6598.32 33 2406.49 -2606.03 7419.01 34 2496.59 -3047.07 8040.24 35 2446.77 -3629.40 8522.95 36 2131.18 -4478.58 8740.93
133
3632282420161284
10000
7500
5000
2500
0
-2500
-5000
Periode (Waktu)
Penj
uala
n (K
g) Alpha (level) 0.91Gamma (trend) 0.00Delta (seasonal) 0.00
Smoothing Constants
MAPE 69MAD 446MSD 321318
Accuracy Measures
ActualFitsForecasts95.0% PI
Variable
Winters' Method Plot for frozenAdditive Method length 6
Winters' Method Plot for frozen Winters' Method for frozen * NOTE * Zero values of Yt exist; MAPE calculated only for non-zero Yt.
134
Additive Method Data frozen Length 24 Smoothing Constants Alpha (level) 0.91 Gamma (trend) 0.00 Delta (seasonal) 0.00 Accuracy Measures MAPE 89 MAD 363 MSD 219518 Time frozen Smooth Predict Error 1 0.00 -53.88 72.13 -72.13 2 0.00 -444.20 -318.20 318.20 3 0.00 -335.36 -209.35 209.35 4 0.00 261.31 387.32 -387.32 5 0.00 -117.87 8.13 -8.13 6 0.00 -138.46 -12.45 12.45 7 0.00 69.81 195.81 -195.81 8 992.15 255.50 381.51 610.64 9 2036.62 1826.81 1952.81 83.81 10 1796.53 1929.12 2055.13 -258.60 11 1144.70 1872.91 1998.92 -854.22 12 0.00 729.57 855.58 -855.58 13 1315.98 186.62 312.62 1003.36 14 514.02 774.99 900.99 -386.97 15 0.00 242.13 368.13 -368.13 16 659.73 313.28 439.29 220.44 17 453.69 487.16 613.16 -159.47 18 274.74 328.86 454.86 -180.12 19 516.02 361.88 487.88 28.14 20 99.05 751.37 877.37 -778.32 21 933.23 1058.71 1184.72 -251.49 22 1072.83 855.91 981.91 90.92 23 1930.30 1117.76 1243.76 686.54 24 2190.41 1376.50 1502.51 687.90 Forecasts Period Forecast Lower Upper 25 2364.12 1475.19 3253.05 26 2039.43 845.49 3233.37 27 1858.72 294.68 3422.75 28 2264.88 302.14 4227.61 29 2238.15 -137.54 4613.84 30 2224.97 -571.61 5021.55 31 2421.90 -800.40 5644.20 32 2785.79 -865.38 6436.95 33 3801.40 -280.78 7883.59 34 3827.45 -687.28 8342.19 35 4006.57 -941.85 8954.99 36 3640.56 -1742.40 9023.53
135
3632282420161284
10000
7500
5000
2500
0
Periode (Bulan)
Penj
uala
n (K
g) Alpha (level) 0.91Gamma (trend) 0.00Delta (seasonal) 0.00
Smoothing Constants
MAPE 89MAD 363MSD 219518
Accuracy Measures
ActualFitsForecasts95.0% PI
Variable
Winters' Method Plot for frozenAdditive Method length 12
136
Lampiran 15. Perhitungan Peramalan Penjualan Medan dengan Least Square
Periode Permintaan Data Buah
(Bulan) (Kg)
Y X XY X2 y= 1,683.92 -2.06 X
Maret '09 1,968.15 -23 -45,267.45 529 1,731.32 April 3,329.26 -21 -69,914.46 441 1,727.20 Mei 118.59 -19 -2,253.21 361 1,723.07 Juni 898.97 -17 -15,282.49 289 1,718.95 Juli 3,560.53 -15 -53,407.95 225 1,714.83 Agustus 2,300.99 -13 -29,912.87 169 1,710.71 September 1,939.51 -11 -21,334.61 121 1,706.59 Oktober 2,653.59 -9 -23,882.31 81 1,702.46 November 329.62 -7 -2,307.34 49 1,698.34 Desember 2,596.77 -5 -12,983.85 25 1,694.22 Januari '10 2,693.02 -3 -8,079.06 9 1,690.10 Februari 1,804.34 -1 -1,804.34 1 1,685.98 Maret 370.66 1 370.66 1 1,681.86 April 0.00 3 0.00 9 1,677.73 Mei 0.00 5 0.00 25 1,673.61 Juni 996.36 7 6,974.52 49 1,669.49 Juli 1,481.48 9 13,333.32 81 1,665.37 Agustus 825.43 11 9,079.73 121 1,661.25 September 434.92 13 5,653.96 169 1,657.12 Oktober 163.07 15 2,446.05 225 1,653.00 November 2,653.36 17 45,107.12 289 1,648.88 Desember 3,587.70 19 68,166.30 361 1,644.76 Januari '11 2,729.30 21 57,315.30 441 1,640.64 Februari 2,978.38 23 68,502.74 529 1,636.52 40,414.00 0.00 -9,480.24 4,600.00 40,414.00
a 1,683.92
jadi y= 1,683.92 -2.06 X
b -2.06
137
Lampiran 16. Perhitungan Peramalan Penjualan Monthong Thailand dengan Least Square
Periode Permintaan Data Buah
(Bulan) (Kg) Y X XY X2 jadi Y= 2,728.36 - 58.71 X
Maret '09 174.56 -23 -4,014.88 529 4,078.72 April 768.00 -21 -16,128.00 441 3,961.30 Mei 4,257.00 -19 -80,883.00 361 3,843.88 Juni 6,487.70 -17 -110,290.90 289 3,726.45 Juli 9,527.30 -15 -142,909.50 225 3,609.03 Agustus 9,019.16 -13 -117,249.08 169 3,491.61 September 7,019.32 -11 -77,212.52 121 3,374.19 Oktober 295.41 -9 -2,658.69 81 3,256.76 November 73.63 -7 -515.41 49 3,139.34 Desember 840.82 -5 -4,204.10 25 3,021.92 Januari '10 153.66 -3 -460.98 9 2,904.49 Februari 0.00 -1 0.00 1 2,787.07 Maret 0.00 1 0.00 1 2,669.65 April 887.50 3 2,662.50 9 2,552.22 Mei 5,005.95 5 25,029.75 25 2,434.80 Juni 3,310.85 7 23,175.95 49 2,317.38 Juli 3,086.77 9 27,780.93 81 2,199.96 Agustus 2,812.28 11 30,935.08 121 2,082.53 September 4,245.16 13 55,187.08 169 1,965.11 Oktober 5,317.50 15 79,762.50 225 1,847.69 November 500.61 17 8,510.37 289 1,730.26 Desember 1,117.98 19 21,241.62 361 1,612.84 Januari '11 579.45 21 12,168.45 441 1,495.42 Februari 0.00 23 0.00 529 1,377.99
65,480.61 0.00 -270,072.83 4,600.00 65,480.61
a 2,728.36
jadi y= 2,728.36 - 58.71 X
b -58.71
138
Lampiran 17. Perhitungan Peramalan Penjualan Frozen Monthong dengan Least Square
Periode Permintaan Data Buah
(Bulan) (Kg)
Y X XY X2 jadi Y= 663.75 + 24.86 X
Maret '09 0.00 -23 0.00 529 92.06 April 0.00 -21 0.00 441 141.77 Mei 0.00 -19 0.00 361 191.49 Juni 0.00 -17 0.00 289 241.20 Juli 0.00 -15 0.00 225 290.91 Agustus 0.00 -13 0.00 169 340.62 September 0.00 -11 0.00 121 390.33 Oktober 992.15 -9 -8,929.35 81 440.05 November 2,036.62 -7 -14,256.34 49 489.76 Desember 1,796.53 -5 -8,982.65 25 539.47 Januari '10 1,144.70 -3 -3,434.10 9 589.18 Februari 0.00 -1 0.00 1 638.89 Maret 1,315.98 1 1,315.98 1 688.61 April 514.02 3 1,542.06 9 738.32 Mei 0.00 5 0.00 25 788.03 Juni 659.73 7 4,618.11 49 837.74 Juli 453.69 9 4,083.21 81 887.45 Agustus 274.74 11 3,022.14 121 937.17 September 516.02 13 6,708.26 169 986.88 Oktober 99.05 15 1,485.75 225 1,036.59 November 933.23 17 15,864.91 289 1,086.30 Desember 1,072.83 19 20,383.77 361 1,136.01 Januari '11 1,930.30 21 40,536.30 441 1,185.73 Februari 2,190.41 23 50,379.43 529 1,235.44 15,930.00 0.00 114,337.48 4,600.00 15,930.00
a 663.75
jadi Y= 663.75 - 24.86 X
b 24.86
139
Lampiran 18. PERHITUNGAN INDEKS MUSIMAN MEDAN
Perhitungan Musiman untuk Bulan Maret
Tahun Bulan Y X Y' = 1,683.92 -2.06 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 Maret 1,968.15 -23 1,731.32 1.14 236.83 56,089.46
2010 Maret 370.66 1 1,681.86 0.22 -
1,311.20 1,719,234.28
total
1.36
rata-rata 0.68
1-0.68 = 0.32 berati 32% dibawah trend setiap tahun
Prediksi Maret 2011 Tahun Bulan X Y= 1,683.92 -2.06 X Y x 0.68
2011 Maret 25 1632.42 1,107.74
Perhitungan Musiman untuk Bulan April
Tahun Bulan Y X Y' = 1,683.92 -2.06 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2 2009 April 3,329.26 -21 1,727.20 1.93 1,602.06 2,566,608.99
2010 April 0.00 3 1,677.73 0.00 -
1,677.73 2,814,791.04
total
1.93
rata-rata 0.96
1-0.96 = 0.04 berati 4% dibawah trend setiap tahun
140
Prediksi April 2011 Tahun Bulan X Y= 1,683.92 -2.06 X Y x 0.96
2011 April 27 1628.3 1,569.32
Perhitungan Musiman untuk Bulan Mei
Tahun Bulan Y X Y' = 1,683.92 -2.06 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2
2009 Mei 118.59 -19 1,723.07 0.07 -
1,604.48 2,574,369.48
2010 Mei 0.00 5 1,673.61 0.00 -
1,673.61 2,800,977.32
total
0.07
rata-rata 0.03
1-0.03 = 0.97 berati 97% dibawah trend setiap tahun
Prediksi Mei 2011 Tahun Bulan X Y= 1,683.92 -2.06 X Y x 0.03
2011 Mei 29 1624.18 55.89
141
Perhitungan Musiman untuk Bulan Juni
Tahun Bulan Y X Y' = 1,683.92 -2.06 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 Juni 898.97 -17 1,718.95 0.52 -819.98 672,371.03 2010 Juni 996.36 7 1,669.49 0.60 -673.13 453,104.29
total 1.12 rata-rata 0.56
1-0.56 = 0.44 berati 44% dibawah trend setiap tahun
Prediksi Juni 2011 Tahun Bulan X Y= 1,683.92 -2.06 X Y x 0.56
2011 Juni 31 1620.06 907.06
Perhitungan Musiman untuk Bulan Juli
Tahun Bulan Y X Y' = 1,683.92 -2.06 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2 2009 Juli 3,560.53 -15 1,714.83 2.08 1,845.70 3,406,606.67 2010 Juli 1,481.48 9 1,665.37 0.89 -183.89 33,814.93
total 2.97 rata-rata 1.48
1-1.48 = -0.48 berati 48% secara normal diatas
perhitungan trend bulan tersebut
Prediksi Juli 2011 Tahun Bulan X Y= 1,683.92 -2.06 X Y x 1.48
2011 Juli 33 1615.94 2,396.36
142
Perhitungan Musiman untuk Bulan Agustus
Tahun Bulan Y X Y' = 1,683.92 -2.06 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2 2009 Agustus 2,300.99 -13 1,710.71 1.35 590.28 348,432.07 2010 Agustus 825.43 11 1,661.25 0.50 -835.82 698,589.27
total 1.84 rata-rata 0.92
1-0.92 = 0.08 berati 8% dibawah trend dalam setiap tahun
Prediksi Agustus 2011 Tahun Bulan X Y= 1,683.92 -2.06 X Y x 0.92
2011 Agustus 35 1611.82 1,484.43
Perhitungan Musiman untuk Bulan September
Tahun Bulan Y X Y' = 1,683.92 -2.06 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2 2009 September 1,939.51 -11 1,706.59 1.14 232.92 54,253.21
2010 September 434.92 13 1,657.12 0.26 -
1,222.20 1,493,784.29 total 1.40
rata-rata 0.70
1-0.70 = 0.30 berati 30% dibawah trend dalam setiap tahun
143
Prediksi Septmber 2011
Tahun Bulan X Y= 1,683.92 -2.06 X Y x 0.70 2011 September 37 1607.7 1,124.54
Perhitungan Musiman untuk Bulan Oktober
Tahun Bulan Y X Y' = 1,683.92 -2.06 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2 2009 Oktober 2,653.59 -9 1,702.46 1.56 951.13 904,638.84
2010 Oktober 163.07 15 1,653.00 0.10 -
1,489.93 2,219,899.87 total 1.66
rata-rata 0.83
1-0.83 = 0.17 berati 17% dibawah trend dalam setiap tahun
Prediksi Oktober 2011 Tahun Bulan X Y= 1,683.92 -2.06 X Y x 0.83
2011 Oktober 39 1603.58 1,328.83
144
Perhitungan Musiman untuk Bulan November
Tahun Bulan Y X Y' = 1,683.92 -2.06 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 November 329.62 -7 1,698.34 0.19 -
1,368.72 1,873,402.98 2010 November 2,653.36 17 1,648.88 1.61 1,004.48 1,008,978.07
total 1.80 rata-
rata 0.90
1-0.90 = 0.10 berati 10% dibawah trend dalam setiap tahun
Prediksi November 2011
Tahun Bulan X Y= 1,683.92 -2.06 X Y x 0.90 2011 November 41 1599.46 1,442.13
Perhitungan Musiman untuk Bulan Desember
Tahun Bulan Y X Y' = 1,683.92 -2.06 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2 2009 Desember 2,596.77 -5 1,694.22 1.53 902.55 814,594.20 2010 Desember 3,587.70 19 1,644.76 2.18 1,942.94 3,775,019.13
total 3.71 rata-rata 1.86
1-1.86 = -0.86 berati 86% secara normal diatas
145
perhitungan trend bulan tersebut
Prediksi Desember 2011
Tahun Bulan X Y= 1,683.92 -2.06 X Y x 1.86 2011 Desember 43 1595.34 2,962.56
Perhitungan Musiman untuk Bulan Januari
Tahun Bulan Y X Y' = 1,683.92 -2.06 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2 2010 Januari 2,693.02 -3 1,690.10 1.59 1,002.92 1,005,849.67 2011 Januari 2,729.30 21 1,640.64 1.66 1,088.66 1,185,186.45
total 3.26 rata-
rata 1.63
1-1.63 = -0.63 berati 63% secara normal diatas
perhitungan trend bulan tersebut
Prediksi Januari 2012 Tahun Bulan X Y= 1,683.92 -2.06 X Y x 1.63
2012 Januari 45 1591.22 2,591.28
146
Perhitungan Musiman untuk Bulan Februari
Tahun Bulan Y X Y' = 1,683.92 -2.06 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2010 Februari 1,804.34 -1 1,685.98 1.07 118.36 14,009.66 2011 Februari 2,978.38 23 1,636.52 1.82 1,341.86 1,800,600.43
total 2.89 rata-
rata 1.45
1-1.45 = -0.45 berati 45% secara normal diatas
perhitungan trend bulan tersebut
Prediksi Desember 2011
Tahun Bulan X Y= 1,683.92 -2.06 X Y x 1.45 2012 Februari 47 1587.1 2,293.48
∑e2
: 34,295,205.63
MSE=∑e2/24 : 1,428,966.90
147
Lampiran 19. Perhitungan Indeks Musiman Monthong
Perhitungan Musiman untuk Bulan Maret
Tahun Bulan Y X Y'= 2,728.36 - 58.71 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 Maret 174.56 -23 4,078.72 0.04
-3,904.16 15,242,487.95
2010 Maret 0.00 1 2,669.65 0.00
-2,669.65 7,127,016.52
total
0.04 rata-
rata 0.02
1-0.02= 0.98 berati 98% dibawah trend setiap tahun
Prediksi Maret 2011 Tahun Bulan X Y'= 2,728.36 - 58.71 X Y x 0.02
2011 Maret 25 1260.61 26.98
Perhitungan Musiman untuk Bulan April
Tahun Bulan Y X Y'= 2,728.36 - 58.71 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2 2009 April 768.00 -21 1,727.20 0.44 -959.20 920,057.01 2010 April 887.50 3 1,677.73 0.53 -790.23 624,469.62
total
0.97
rata-rata 0.49
1-0.49 = 0.51 berati 51% dibawah trend setiap tahun
148
Prediksi April 2011 Tahun Bulan X Y'= 2,728.36 - 58.71 X Y x 0.49
2011 April 27 1143.19 556.53
Perhitungan Musiman untuk Bulan Mei
Tahun Bulan Y X Y'= 2,728.36 - 58.71 X Rasio Penjualan e = Y - Y' e2
2009 Mei 4,257.00 -19 3,843.88 1.11 413.12 170,670.65 2010 Mei 5,005.95 5 2,434.80 2.06 2,571.15 6,610,805.50
total
3.16
rata-rata 1.58
1-1.58 = -0.58 berati 58% secara normal diatas
perhitungan trend bulan tersebut
Prediksi Mei 2011 Tahun Bulan X Y'= 2,728.36 - 58.71 X Y x 1.58
2011 Mei 29 1025.77 1,622.50
149
Perhitungan Musiman untuk Bulan Juni
Tahun Bulan Y X Y'= 2,728.36 - 58.71 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 Juni 6,487.70 -17 3,726.45 1.74 2,761.25 7,624,479.52 2010 Juni 3,310.85 7 2,317.38 1.43 993.47 986,985.91 total 3.17
rata-rata 1.58
1-01.58 = -0.58 berati 58% secara normal diatas
perhitungan trend bulan tersebut
Prediksi Juni 2011 Tahun Bulan X Y'= 2,728.36 - 58.71 X Y x 1.58
2011 Juni 31 908.35 1,439.59
Perhitungan Musiman untuk Bulan Juli
Tahun Bulan Y X Y'= 2,728.36 - 58.71 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2 2009 Juli 9,527.30 -15 3,609.03 2.64 5,918.27 35,025,907.70 2010 Juli 3,086.77 9 2,199.96 1.40 886.81 786,440.16 total 4.04
rata-rata 2.02
1-2.02 = -1.02 berati 102% secara normal diatas
perhitungan trend bulan tersebut
150
Prediksi Juli 2011 Tahun Bulan X Y'= 2,728.36 - 58.71 X Y x 2.02
2011 Juli 33 790.93 1,598.85
Perhitungan Musiman untuk Bulan Agustus
Tahun Bulan Y X Y'= 2,728.36 - 58.71 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2 2009 Agustus 9,019.16 -13 3,491.61 2.58 5,527.55 30,553,830.54 2010 Agustus 2,812.28 11 2,082.53 1.35 729.75 532,531.53 total 3.93
rata-rata 1.97
1-1.97 = -0.97 berati 97% secara normal diatas
perhitungan trend bulan tersebut
Prediksi Agustus 2011 Tahun Bulan X Y'= 2,728.36 - 58.71 X Y x 1.97
2011 Agustus 35 673.51 1,324.63
151
Perhitungan Musiman untuk Bulan September
Tahun Bulan Y X Y'= 2,728.36 - 58.71 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 September 7,019.32 -11 3,374.19 2.08 3,645.13 13,287,008.57 2010 September 4,245.16 13 1,965.11 2.16 2,280.05 5,198,630.52 total 4.24
rata-rata 2.12
1-2.12 = -1.12 berati 112% secara normal diatas
perhitungan trend bulan tersebut
Prediksi Septmber 2011 Tahun Bulan X Y'= 2,728.36 - 58.71 X Y x 2.12
2011 September 37 556.09 1,179.07
Perhitungan Musiman untuk Bulan Oktober
Tahun Bulan Y X Y'= 2,728.36 - 58.71 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2
2009 Oktober 295.41 -9 3,256.76 0.09 -
2,961.35 8,769,606.34 2010 Oktober 5,317.50 15 1,847.69 2.88 3,469.81 12,039,605.88 total 2.97
rata-rata 1.48
1-1.48 = -0.48 berarti 48% secara normal diatas
perhitungan trend bulan tersebut
152
Prediksi Oktober 2011 Tahun Bulan X Y'= 2,728.36 - 58.71 X Y x 1.48
2011 Oktober 39 438.67 651.12
Perhitungan Musiman untuk Bulan November
Tahun Bulan Y X Y'= 2,728.36 - 58.71 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2
2009 November 73.63 -7 3,139.34 0.02 -
3,065.71 9,398,572.55
2010 November 500.61 17 1,730.26 0.29 -
1,229.65 1,512,047.75 total 0.31
rata-rata 0.16
1-0.16= 0.84 berati 84% dibawah trend dalam setiap tahun
Prediksi November 2011
Tahun Bulan X Y'= 2,728.36 - 58.71 X Y x 0.16 2011 November 41 321.25 50.24
153
Perhitungan Musiman untuk Bulan Desember
Tahun Bulan Y X Y'= 2,728.36 - 58.71 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 Desember 840.82 -5 3,021.92 0.28
-2,181.10 4,757,180.52
2010 Desember 1,117.98 19 1,612.84 0.69 -494.86 244,886.95 total 0.97
rata-rata 0.49
1-0.49 = 0.51 berati 51% dibawah trend dalam setiap tahun
Prediksi Desember 2011 Tahun Bulan X Y'= 2,728.36 - 58.71 X Y x 0.49
2011 Desember 43 203.83 99.00
Perhitungan Musiman untuk Bulan Januari
Tahun Bulan Y X Y'= 2,728.36 - 58.71 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2
2010 Januari 153.66 -3 2,904.49 0.05 -
2,750.83 7,567,083.32 2011 Januari 579.45 21 1,495.42 0.39 -915.97 838,996.59 total 0.44
rata-rata 0.22
1-0.22 = 0.78 berati 78% dibawah trend dalam setiap tahun
154
Prediksi Januari 2012 Tahun Bulan X Y'= 2,728.36 - 58.71 X Y x 0.22
2012 Januari 45 86.41 19.03
Perhitungan Musiman untuk Bulan Februari
Tahun Bulan Y X Y'= 2,728.36 - 58.71 X Rasio Penjualan
Nyata Terhadap Trend e = Y - Y' e2
2010 Februari 0.00 -1 2,787.07 0.00 -
2,787.07 7,767,760.49
2011 Februari 0.00 23 1,377.99 0.00 -
1,377.99 1,898,869.12 total 0.00
rata-rata 0.00
1-0.00= 1.00 berati 100% secara normal diatas
perhitungan trend bulan tersebut
Prediksi Desember 2011 Tahun Bulan X Y'= 2,728.36 - 58.71 X Y x 0.00
2012 Februari 47 -31.01 0.00
∑e2
: 179,485,931.20
MSE=∑e2/24 : 7,478,580.47
Lampiran 20. PERHITUNGAN INDEKS MUSIMAN FROZEN
Perhitungan Musiman untuk Bulan Maret
Tahun Bulan Y X Y'= 663.75 + 24.86 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 Maret 0.00 -23 92.06 0.00 -92.06 8,475.52 2010 Maret 1,315.98 1 688.61 1.91 627.37 393,598.17
total
1.91
rata-rata 0.96
1-0.96= 0.04 berati 4% dibawah trend setiap tahun
Prediksi Maret 2011 Tahun Bulan X Y'= 663.75 + 24.86 X Y x 0.96
2011 Maret 25 1285.25 1,228.11
Perhitungan Musiman untuk Bulan April
Tahun Bulan Y X Y'= 663.75 + 24.86 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 April 0.00 -21 141.77 0.00 -141.77 20,100.02 2010 April 514.02 3 738.32 0.70 -224.30 50,309.56
Total
0.70
rata-rata 0.35
1-0.35 = 0.65 berati 65% dibawah trend setiap tahun
Prediksi April 2011 Tahun Bulan X Y'= 663.75 + 24.86 X Y x 0.35
2011 April 27 1334.97 464.71
Perhitungan Musiman untuk Bulan Mei
Tahun Bulan Y X Y'= 663.75 + 24.86 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 Mei 0.00 -19 191.49 0.00 -191.49 36,667.08 2010 Mei 0.00 5 788.03 0.00 -788.03 620,991.08
Total
0.00
rata-rata 0.00
1-0.00 = 1.00 berati 100% secara normal diatas
perhitungan trend bulan tersebut
Prediksi Mei 2011 Tahun Bulan X Y'= 663.75 + 24.86 X Y x 0.00
2011 Mei 29 1384.69 0.00
Perhitungan Musiman untuk Bulan Juni
Tahun Bulan Y X Y'= 663.75 + 24.86 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 Juni 0.00 -17 241.20 0.00 -241.20 58,176.69 2010 Juni 659.73 7 837.74 0.79 -178.01 31,688.21
Total 0.79 rata-
rata 0.39
1-0.39 = 0.61 berati 61% dibawah trend setiap tahun
Prediksi Juni 2011 Tahun Bulan X Y'= 663.75 + 24.86 X Y x 0.39
2011 Juni 31 1434.41 564.81
Perhitungan Musiman untuk Bulan Juli
Tahun Bulan Y X Y'= 663.75 + 24.86 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 Juli 0.00 -15 290.91 0.00 -290.91 84,628.86 2010 Juli 453.69 9 887.45 0.51 -433.76 188,151.00
Total 0.51 rata-
rata 0.26
1-0.26 = 0.74 berati 74% dibawah trend setiap tahun
Prediksi Juli 2011 Tahun Bulan X Y'= 663.75 + 24.86 X Y x 0.26
2011 Juli 33 1484.13 379.36
Perhitungan Musiman untuk Bulan Agustus
Tahun Bulan Y X Y'= 663.75 + 24.86 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 Agustus 0.00 -13 340.62 0.00 -340.62 116,023.58 2010 Agustus 274.74 11 937.17 0.29 -662.43 438,807.83
Total 0.29 rata-
rata 0.15
1-0.15 = 0.85 berati 85% dibawah trend setiap tahun
Prediksi Agustus 2011
Tahun Bulan X Y'= 663.75 + 24.86 X Y x 0.15 2011 Agustus 35 1533.85 224.83
Perhitungan Musiman untuk Bulan September
Tahun Bulan Y X Y'= 663.75 + 24.86 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 September 0.00 -11 390.33 0.00 -390.33 152,360.86 2010 September 516.02 13 986.88 0.52 -470.86 221,706.94
Total 0.52 rata-
rata 0.26
1-0.26 = 0.74 berati 74% dibawah trend setiap tahun
Prediksi Septmber 2011 Tahun Bulan X Y'= 663.75 + 24.86 X Y x 0.26
2011 September 37 1583.57 414.01
Perhitungan Musiman untuk Bulan Oktober
Tahun Bulan Y X Y'= 2,728.36 - 58.71 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 Oktober 992.15 -9 440.05 2.25 552.10 304,818.57 2010 Oktober 99.05 15 1,036.59 0.10 -937.54 878,980.52
Total 2.35 rata-
rata 1.18
1-1.18 = -0.18 berarti 18% secara normal diatas
perhitungan trend bulan tersebut
Prediksi Oktober 2011 Tahun Bulan X Y'= 663.75 + 24.86 X Y x 1.18
2011 Oktober 39 1633.29 1,919.28
Perhitungan Musiman untuk Bulan November
Tahun Bulan Y X Y'= 2,728.36 - 58.71 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 November 2,036.62 -7 489.76 4.16 1,546.86 2,392,781.48 2010 November 933.23 17 1,086.30 0.86 -153.07 23,430.90
Total 5.02 rata-
rata 2.51
1-2.51= -1.51 berarti 151% secara normal diatas
perhitungan trend bulan tersebut
Prediksi November 2011 Tahun Bulan X Y'= 663.75 + 24.86 X Y x 2.51
2011 November 41 1683.01 4,222.26
Perhitungan Musiman untuk Bulan Desember
Tahun Bulan Y X Y'= 663.75 + 24.86 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2009 Desember 1,796.53 -5 539.47 3.33 1,257.06 1,580,199.52 2010 Desember 1,072.83 19 1,136.01 0.94 -63.18 3,992.16
Total 4.27 rata-
rata 2.14
1-2.14 = -1.14 berarti 114% secara normal diatas
perhitungan trend bulan tersebut
Prediksi Desember 2011 Tahun Bulan X Y'= 663.75 + 24.86 X Y x 2.14
2011 Desember 43 1732.73 3,703.33
Perhitungan Musiman untuk Bulan Januari
Tahun Bulan Y X Y'= 663.75 + 24.86 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2010 Januari 1,144.70 -3 589.18 1.94 555.52 308,600.16 2011 Januari 579.45 21 1,185.73 0.49 -606.28 367,569.92
Total 2.43 rata-
rata 1.22
1-1.22 = -0.22 berarti 22% secara normal diatas
perhitungan trend bulan tersebut
Prediksi Januari 2012 Tahun Bulan X Y'= 663.75 + 24.86 X Y x 1.22
2012 Januari 45 1782.45 2,167.06
Perhitungan Musiman untuk Bulan Februari
Tahun Bulan Y X Y'= 663.75 + 24.86 X
Rasio Penjualan Nyata Terhadap Trend e = Y - Y' e2
2010 Februari 0.00 -1 638.89 0.00 -638.89 408,185.58 2011 Februari 2,190.41 23 1,235.44 1.77 954.97 911,972.67
Total 1.77 rata-
rata 0.89
1-0.89= 0.11 berati 11% secara normal diatas
perhitungan trend bulan tersebut
Prediksi Februari 2012 Tahun Bulan X Y'= 663.75 + 24.86 X Y x 0.89
2012 Februari 47 1832.17 1,624.20
∑e2
: 9,602,216.84
MSE=∑e2/24 : 400,092.37