LAPORAN TUGAS BESAR
PEMROGRAMAN VISUAL
"SISTEM RESERVASI HOTEL ORLANDO"
DISUSUN OLEH :
1. Alexandro DM Tarigan 15102086
2. Dwi Astuti 15102094
3. Bowo 14
INSTITUT TEKNOLOGI TELKOM
JL. DI. PANJAITAN 128 PURWOKERTO
2018
BAB I
PENDAHULUAN
I. Latar Belakang
Salah satu komoditas pangan yang dikonsumsi oleh sebagian besar
penduduk Indonesia tanpa memperhatikan tingkatan sosial adalah cabai.
Jika dilihat dari hasil data yang diperoleh, harga cabai cenderung
fluktuatif atau naik turun setiap bulannya. Naik turunya harga cabai
dibegaruhi oleh beberapa faktor diantaranya yaitu faktor cuaca,
seranga hama, dan sistem distribusi.
II. Tujuan
a. Menentukan estimasi harga cabai
b. Mengenali faktor-faktor yang mempengaruhi naik turunnya harga cabai
c. Menerapkan algoritma linear regresi berganda dalam proses penentuan
estimasi harga cabai
III. Manfaat
a. Dapat mengetahui estimasi harga cabai
b. Dapat mengetahui faktor-faktor yang menyebabkan fluktuatif
c. Dapat mengetahui penerapan algoritma linear berganda
BAB II
LANDASAN TEORI (Dwi)
I. Peramalan (Forecasting)
Peramalan (forecasting) merupakan alat bantu yang penting dalam
perencanaan yang efektif dan efisien. Menurut Makridakis (1999), teknik
peramalan terbagi menjadi dua bagian, yang pertama metode peramalan
subjektif dan metode peramalan objektif[1]. Metode peramalan subjektif
mempunyai model kualitatif dan metode peramalan objektif mempunyai dua
model, yaitu model time series dan model kausal. Model kualitatif
berupaya memasukkan faktor-faktor subyektif dalam model peramalan,
model ini akan sangat bermanfaat jika data kuantitatif yang akurat
sulit diperoleh. Contoh dari metode ini ialah metode delphi, opini juri
eksekutif, komposit kekuatan dan survey pasar konsumen.
Model kausal memasukkan dan menguji variabel-variabel yang diduga
akan mempengaruhi variabel dependen, model ini biasanya menggunakan
analisis regresi untuk menentukan mana variabel yang signifikan
mempengaruhi variable dependen. Selain menggunakan analisis regresi,
model kausal juga dapat menggunakan metode ARIMA atau Box-Jenkins untuk
mencari model terbaik yang dapat digunakan dalam peramalan. Model time
series merupakan model yang digunakan untuk memprediksi masa depan
dengan menggunakan data historis. Dengan kata lain, model time series
mencoba melihat apa yang terjadi pada suatu kurun waktu tertentu dan
menggunakan data masa lalu untuk memprediksi. Contoh dari model time
series ini antara lain Moving average, Exponential Smoothing dan
proyeksi trend.
Jika dilihat dari segi waktu, forecasting dapat dibagi kedalam tiga
jenis, yaitu prediksi jangka panjang (Long-range forecasting), prediksi
jangka menengah (medium-term forecasting) dan prediksi jangka pendek
(short-term forecasting).
a. Long-range forecasting
Prediksi jangka panjang umumnya cenderung tidak akurat. Hal itu
telah dibuktikan oleh W. Ascher yang mencoba menguji ketepatan dari
prediksi (sering disebut proyeksi) dalam bidang ekonomi,
kependudukan, energi, transportasi dan teknologi, yang akhirnya
membuat ia menemukan banyaknya bisa, disamping kesalahan-kesalahan
yang cukup berarti, mulai dari angka presentase yang kecil sampai
pada presentase yang ratusan. Kecenderungan dari para pengambil
keputusan ialah menginginkan masukan dari beberapa peramal. Lalu
timbul masalah baru, yaitu prediksi siapa yang akan diikuti.
b. Mediun-term forecasting
Prediksi ini biasanya berjangka waktu antara tiga bulan sampai dua
tahun. Prediksi ini biasanya diangkat dari prediksi jangka panjang
atau dari jangka pendek.
c. Short-term forecasting
Prediksi jangka pendek pada umumnya masih berpedoman pada
perkembangan sekarang karena secara teoritis gejala-gejala yang
terjadi sekarang masih dapat berlaku paling tidak untuk jangka tiga
bulan berikutnya.
II. Moving Average
Moving average merupakan metode peramalanperataan nilai dengan
mengambil sekelompok nilai pengamatan yang kemudian dicari rata-ratanya
lalu rata-rata tersebut digunakan sebagai ramalan untuk melihat
bagaimana kemungkinan di periode berikutnya. Istilah moving average
digunakan karena setiap kali data observasi baru tersedia, maka angka
rata-rata yang baru akan dihitung dan digunakan sebagai peramalan.
Moving average bekerja paling baik ketika tidak ada tren atau musiman.
Rata-rata bergerak dari pesanan N atau MA (N) adalah rata-rata
pengamatan N terbaru. Berikut adalah rumus yang digunakan untuk
menggunakan peramalan menggunakan MA:
Ft = (Dt-N + Dt-N+1 + … + Dt-2 + Dt-1)/N
Keterangan:
Ft = Forecast demand in period
Dt-N = Actual demand in period t-N
N = The number of periods to use in computing average
N bisa berasal dari 2-12 periode, dengan 3-4 periode umum. Nilai N
kecil lebih banyak memberi bobot pada data saat ini. Nilai N yang besar
harus digunakan untuk permintaan yang stabil. Nilai N kecil digunakan
untuk nilai yang rentan terhadap perubahan rata-rata yang mendasarinya.
III. Weighted Moving Average
Metode yang dipilih dalam penelitian ini adalah Weighted Moving
Average karena metode ini memiliki kelebihan dibandingkan dengan Simple
Moving Average ataupun metode Exponential Moving Average, didalam
metode Weighted Moving Average, selain perhitungannya sederhana, pada
teknik Weighted Moving Average diberikan bobot yang berbeda untuk
setiap data historis masa lalu yang tersedia, dengan asumsi bahwa data
historis yang paling terakhir atau terbaru akan memiliki bobot lebih
besar dibandingkan dengan data historis yang lama karena data yang
paling terakhir atau terbaru merupakan data yang paling relevan untuk
peramalan. Keunggulan lainnya dari metode ini adalah pemberian nilai
bobotnya dapat disesuaikan, tetapi penentuan bobot optimalnya sulit.
Menurut DeLurgio (1998: 153), minimal 60 data yaitu lima musim harus
disimpan untuk peramalan bulanan, tanpa memperhatikan metode peramalan
manapun yang digunakan[2]. Setelah melakukan analisis pemilihan periode
masa lalu, didapat hasil bahwa periode masa lalu lima bulan lah yang
paling optimal karena menghasilkan nilai galat dan Mean Square Error
yang paling kecil daripada menggunakan periode masa lalu enam bulan,
tujuh bulan, delapan bulan, sembilan bulan, sepuluh bulan, sebelas
bulan dan dua belas bulan.
Rumus yang digunakan dalam sistem peramalan untuk pengadaan
material unit injection yaitu rumus dari metode Weighted Moving
Average, rumus menghitung galat dan rumus menghitung Mean Square Error
(MSE). Rumus dari dari metode Weighted Moving Average (WMA) adalah
sebagai berikut:
Ft = (Wt-NDt-N + … + Wt-2Dt-2 + Wt-1Dt-1) / (W
Keterangan
Ft = Forecast demand in period t
Dt-N = Actual demand in period t-N
Wt-N = Weight of demand in period t-N
N = The number of periods to use in computing average
IV. Simple Exponential Smoothing
Metode Exponential Smoothing (Makridakis, 1999) merupakan prosedur
perbaikan terus-menerus pada peramalan terhadap objek pengamatan
terbaru. Metode peramalan ini menitik-beratkan pada penurunan prioritas
secara eksponensial pada objek pengamatan yang lebih tua. Dalam
pemulusan eksponensial atau exponential smoothing terdapat satu atau
lebih parameterpemulusanyang ditentukan secara eksplisit, dan hasil ini
menentukan bobot yang dikenakan pada nilai observasi. Dengan kata lain,
observasi terbaru akan diberikan prioritas lebih tinggi bagi peramalan
daripada observasi yang lebih lama. Metode exponential smoothing dibagi
lagi berdasarkan menjadi beberapa metode.
a. Single Exponential Smoothing Juga dikenal sebagai simple
exponential smoothing yang digunakan pada peramalan jangka pendek,
biasanya hanya 1 bulan ke depan. Model mengasumsikan bahwa data
berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola
pertumbuhan konsisten. (Makridakis, 1999). Rumus untuk Simple
exponential smoothing adalah sebagai berikut:
Ft+1 = α * Xt + (1 – α) * Ft (1)
dimana:
Ft = peramalan untuk periode t.
Xt + (1-α) = Nilai aktual time series
Ft+1 = peramalan pada waktu
t + 1 α = konstanta perataan antara 0 dan 1
b. Double Exponential Smoothing Metode ini digunakan ketika data
menunjukkan adanya trend. Exponential smoothing dengan adanya trend
seperti pemulusan sederhana kecuali bahwa dua komponen harus
diupdate setiap periode – level dan trendnya. Level adalah estimasi
yang dimuluskan dari nilai data pada akhir masingmasing periode.
Trend adalah estimasi yang dihaluskan dari pertumbuhan rata-rata
pada akhir masing-masing periode. (Makridakis, 1999).
Rumus double exponential smoothing adalah:
St = α * Yt + (1 – α) * (St - 1 + bt - 1)
bt = γ * (St – St - 1) + (1 – γ) * bt – 1
Ft + m = St + bt m
dimana:
St = peramalan untuk periode t.
Yt + (1-α) = Nilai aktual time series bt = trend pada periodeke
- t
α = parameter pertama perataan antara nol dan 1
, = untuk pemulusan nilai observasi ??= parameter kedua,
untuk pemulusan trend
Ft+m = hasil peramalan ke - m
m = jumlah periode ke muka yang akan diramalkan
c. Triple Exponential Smoothing metode ini digunakan ketika data
menunjukan adanya trend dan perilaku musiman (Makridakis, 1999).
Untuk menangani musiman, telah dikembangkan parameter persamaan
ketiga yang disebut metode "Holt- Winters" sesuai dengan nama
penemuya. Terdapat dua model Holt-Winters tergantung pada tipe
musimannya yaitu Multiplicative seasonal model dan Additive seasonal
model yang akan dibahas pada bagian lain dari blog ini. 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 dengan baik.
V. Pengujian Hipotesis
Pengujian hipotesis adalah prosedur yang didasarkan pada bukti
sample yang dipakai untuk menentukan apakah hipotesis merupakan suatu
pernyataan yang wajar dan oleh karenanya tidak ditolak, atau hipotesis
tersebut tidak wajar dan oleh karena itu harus ditolak[3]. Hipotesis
merupakan pernyataan atau suatu pernyataan yang sering digunakan
sebagai dasar pembuatan keputusan dan dasar dari penelitian lanjutan.
Hipotesis statistik merupakan pernyataan mengenai bentuk fungsi suatu
variable atau nilai sebenernya suatu parameter. Hipotesis penelitian
merupakan hipotesis yang dirumuskan dengan harapan akan ditolak disebut
nihil/null (Ho) yang mengakibatkan penerimaan hipotesis alternatif
(Ha). Pada taraf signifikasi, probablilita keliru atau resiko keliru
pada keputusan untuk menolak hipotesis nol contohnya pada taraf
signifikasi . Pada 5% artinya lima dari seratus keputusan
penolakan hipotesis nol adalah keputusan yang keliru. Pada 1%
artinya satu dari seratus keputusan penolakan hipotesis nol adalah
keputusan yang keliru. Berikut adalah tabel 1 jenis kesalahan.
"Keputusan "Ho (Benar) "Ho (Salah) "
"Situasi " " "
"Menerima Ho "Keputusan Tepat"Kesalahan Jenis"
" " "II "
"Menolak Ho "Kesalahan Jenis"Keputusan Tepat"
" "I " "
Tabel 1 Jenis Kesalahan
Dalam pengujian hipotesis ada beberapa langkah yang harus dilewati,
langkah-langkah tersebut yaitu:
a. Menentukan Ho dan Ha
Ho : U=Uo
Ha : U Uo (pengujian dua sisi)
U> Uo (pengujian satu sisi kanan)
U< Uo (pengujian satu sisi kiri)
b. Menentukan Level of Significance
Menenutkan taraf keyakinan dan tingkat toleransi .
c. Kriteria Pengujian
Jika n > 30, digunakan Z tabel.
Jika n 30, digunakan t tabel.
Gambar 2.1 Statistik Uji Hipotesis 1 Sisi
- Ho diterima jika –Z Z hitung Atau -t( ;df(n-1)) t
hitung
Ho ditolak jika -Z hitung > +Z Atau t hitung > +t( ;df(n-
1))
- Ho diterima jika Z hitung +Z Atau t hitung +t( ;df(n-
1))
Ho ditolak jika -Z hitung > -Z Ataut hitung > +t( ;df(n-1))
Gambar 2.1 Statistik Uji Hipotesis 2 Sisi
- Ho diterima jika –Z /2 Z hitung +Z /2 Atau
t( /2;df(n-1)) t hitung +t( /2;df(n-1))
Ho ditolak jika Z hitung < –Z /2 atau Z hitung > +Z /2
Atau t hitung < t( /2;df(n-1)) atau t hitung > +t( /2;df(n-1))
d. Pengujian
n>30, maka rumusnya Z=
n<30, maka rumusnya t=
e. Penarikan Kesimpulan
Berdasarkan pengujiandan kriteria pengujian, kita menentukan Ho
diterima atau ditolak.
VI. Cabai
Cabai (Capsicum annum L.) merupakan salah satu komoditi
hortikultura yang menpunyai peranan penting dalam kehidupan manusia,
karena selain sebagai penghasil gizi, juga sebagai bahan campuran
makanan dan obat-obatan. Di indonesia tanaman cabai mempunyai nilai
ekonomi penting dan menduduki tempat kedua setelah kacang-kacangan
(Rompas, 2001)[4].
Cabai merupakan salah satu jenis sayuran yang disukai banyak orang
di Indonesia. Cabai terbagi dalam beberapa jenis, setiap jenis cabai
memiliki keistimewaanya sendiri. Misalnya cabai rawit dan cabai kriting
rasanya lebih pedas dibandingkan jenis cabai lainnya. Cabai besar
rasanya agak manis dan kurang pedas. Paprika rasanya tidak pedas sama
sekali akan tetapi jenis cabai ini memiliki penggemarnya sendiri.
Berikut adalah jenis-jenis cabai yang ada di budidayakan oleh petani
Indonesia[7]:
a. Cabai Rawit (Capsiucum frutescens L.) bentuknya kecil, namun
memiliki rasa yang lebih pedas dibandingkan denegan cabai merah
besar atau cabe merah keriting. Di Kerala, India, terdapat masakan
tradisional yang menggunakan cabai rawit dan dinamakan kanthari
mulagu.
b. Cabai merah bentukmnya ada yang runcing mengerucut, ada pula yang
membulat. Kulitnya tebal, rasanya kurang pedas
c. Cabai hijau sebenarnya adalah cabe merah besar, tapi sudah dipanen
saat masih muda ketika warnanya masih hijau. Rasanya tidak sepedas
cabe merah besar atau cabai rawit.
d. Paprika bentuknya seperti lonceng, besar, tekstur renyah dan keras,
bagian dalamnya berongga. Dijual dalam keadaan segar dan bubuk.
Sedangkan yang bubuk dapat memberikan efek pedas sedang pada
masakan. Paprika memiliki beragam warna cantik, yaitu paprika
merah, hijau dan kuning
e. Cabai Keriting Bentukanya keriting, kurus dan panjang. Terdapat
cabe keriting merah dan cabe keriting hijau. Ukurannya lebih kecil
daripada cabe merah besar.
VII. Perkembangan Harga Cabai Di Indonesia
Berdasarkan data dari Badan Pusat Statistik (BPS), perkembangan
harga cabai merah di tingkat produsen dan konsumen di Indonesia selama
tahun 1983-2014 menunjukkan kecenderungan meningkat[5]. Pada periode
tersebut harga cabai merah di tingkat produsen mengalami pertumbuhan
dengan rata-rata sebesar 12,80% per tahun. Sedangkan di tingkat
konsumen sebesar 16,06%. Pada periode 5 tahun terakhir (2010-2014).
Harga cabai merah di tingkat prosdusen cabai merah sebesar Rp 16.343,-
per kg dan di tahun 2014 menjadi Rp 19.237,- per kg, sementara harga
cabai merah tahun 2010 ditingkat konsumen sebesar Rp 31.260,- per kg
sedangkan tahun 2014 menjadi Rp 44.519,- per kg.
Margin terbesar terjadi pada tahun 2012 sebesar Rp 35.712,11/kg,
dimana harga cabai merah di tingkat produsen sebesar Rp.19.206,89/kg,
sedangkan di tingkat konsumen mencapai Rp 54.919,00/kg. Menjelang akhir
tahun sampai awal tahun, harga cabai melonjak cukup tinggi mencapai
lebih dari Rp 100.000/kg, sedangkan pada saat tertentu harganya bisa
jatuh di bawah Rp 10.000/kg. Fluktuasi harga musiman ini terjadi hampir
setiap tahun. Lonjakan harga cabai disebabkan oleh pasokan yang
berkurang, sementara konsumsi konstan dan kontinu setiap hari, bahkan
meningkat pada musim tertentu. Fluktuasi harga cabai terjadi karena
produksi cabai bersifat musiman, faktor hujan, biaya produksi dan
panjangnya saluran distribusi (Farid dan Subekti, 2012). Sementara itu,
disparitas harga cabai antar daerah terjadi karena pusat produksi cabai
terkonsentrasi di Jawa dan kualitas infrastruktur jalan kurang memadai
(Irawan, 2007). Upaya untuk mengurangi lonjakan harga cabai adalah
dengan tetap menyediakan pasokan cabai yang cukup di pasar melalui
penanaman cabai sepanjang musim, termasuk pada musim hujan.
VIII. Faktor yang Mempengaruhi Fluktuasi Harga Cabai
Harga pasar suatu komuditas dan jumlah yang di perjualbelikan
ditentukan oleh permintaan dan penawaran dari komuditas tersebut.
Menurut Sukirno (2005) dalam hukum permintaan dijelaskan sifat hubungan
antara permintaan suatu barang dengan tingkat harganya. Hukum
permintaan pada hakikatnya merupakan suatu hipotesis yang menyatakan
bahwa makin rendah harga suatu barang maka makin banyak permintaan
terhadap barang tersebut. Sebaliknya, makin tinggi harga suatu barang
maka makin sedikit permintaan terhadap barang tersebut. Permintaan
seseorang atau sesuatu masyarakat kepada sesuatu barang ditentukan oleh
banyak faktor. Di antara faktor-faktor tersebut yang terpenting adalah
seperti yang dinyatakan di bawah ini[6]:
a. Permintaan Konsumen Terhadap Cabai
Cabai merupakan salah satu komoditi yang paling dicari oleh
masyarakat Kota Manado. Masyarakat kota Manado sudah terkenal
dengan masakan yang pedas atau bisa dikatakan masakan dengan
menggunakan banyak cabai. Di musim dingin juga permintaan akan
cabai meningkat karena ketika musim dingin tiba maka konsumen
berkeinginan untuk mengkonsumsi makanan yang bersifat pedas yang
bias menghangatkan tubuh dan menambah nafsu makan. Sehingga
permintaan akan cabai menjadi salah satu variabel yang menentukan
harga cabai di Kota Manado Sulawesi Utara. Untuk menentukan
permitaan konsumen terhadap cabai, perlu di ketahui terlebih dahulu
jumlah populasi masyarakat kota Manado karena dengan mengetahui
populasi akan lebih mempermudah untuk mengetahui jumlah permintaan,
dan setelah itu mencari tahu total penjualan cabai setiap harinya.
Setelah mengetahui jumlah populasi, selanjutnya di tentukan sampel.
b. Harga Komoditas Pengganti (Substitusi)
Komuditas pengganti adalah komuditas yang dapat menggantikan fungsi
komuditas lain sehingga harga komuditas pengganti dapat
mempengaruhi permintaan komuditas yang dapat di gantikannya
(Sugiarto, 2000). Apabila harga komuditas utama meningkat maka
penjual akan meningkatkan jumlah komuditas pengganti yang
ditawarkan. Penjual berharap, konsumen akan beralih dari komuditas
utama ke komuditas pengganti yang ditawarkan, karena harganya lebih
rendah.
c. Harga Komoditas Pelengkap (Complement)
Menurut Sugiarto (2000), komuditas penggenap atau complement adalah
suatu komoditas yang selalu di gunakan bersama-sama dengan
komuditas utama. Untuk komuditas complement atau komuditas
pelegkap, dapat dinyatakan bahwa apabila harga
d. Cita rasa atau Selera Masyarakat
Selera masyarakat seringkali berubah-ubah pada saat tertentu,
pada musim panas mereka mengkonsumsi Barang A dan pada musim
lainnya cenderung mengkonsumsi barang Y. Pergeseran permintaan dari
satu barang ke barang lain akan berpengaruh juga terhadap
pergeseran penawaran keadaan ini akan mengakibatkan naik dan
turunnya permintaan, serta naik turunnya harga barang yang di
tawarkan.
Menurut Sugiarto (2000) Cita rasa masyarakat berpengaruh
terhadap penentuan harga . apabila terjadi perubahan cita rasa
masyarakat maka akan mempengaruhi permintaan suatu komuditas. Bila
selera konsumen terhadap suatu komuditas meningkat maka permintaan
komuditas tersebut akan meningkat demikian pula bila selera
konsumen berkurang maka permintaan akan komuditas tersebut menurun.
BAB III
METODOLOGI (Syafiq)
I. Teknik Pengumpulan Data
II. Metode Analisis
BAB IV
HASIL DAN PEMBAHASAN (Waskito)
BAB V
PENUTUP (Bareng2)
DAFTAR PUSTAKA
[1] A. Raharja, W. Angraeni, S. Si, M. Kom, R. A. Vinarti, and S. Kom,
"Peramalan Penggunaan Waktu Telepon Di Pt . Telkomsel Divre3
Surabaya," Sist. Inf. Fak. Teknol. Inf. Inst. Teknol. Sepuluh Novemb.,
no. Forecasting, p. 8, 2011.
[2] A. A. Gofur and U. D. Widianti, "Sistem Peramalan Untuk Pngadaan
Material Unit Injection DI PT . XYZ Jurnal Ilmiah Komputer dan
Informatika ( KOMPUTA )," Sist. peramalan untuk pengadaan Mater. unit
Inject. di PT. XYZ J. Ilm. Komput. dan Inform. (komputa ), vol. 2, no.
2, pp. 13–17, 2013.
[3] Heilani, "Heliani, 2012 Pengaruh Sistem Pengendalian Manajemen
Terhadap Kinerja Manajerial Dengan Gaya Kepemimpinan Sebagai Variabel
Moderating Universitas Pendidikan Indonesia," J. Univ. Pendidik.
Indones., pp. 50–68, 2012.
[4] T. Djarwaningsih, "Jenis-Jenis Capsicum L. (Solanaceae) di
Indonesia," Ber. Biol., vol. 3, no. 5, pp. 225–228, 1986.
[5] S. Indarti Diah, "Outlook Komoditas Pertanian Sub Sektor Hortikultura
Cabai Merah," no. Komoditas Pertanian, p. 89, 2016.
[6] E. G. Tangkere, P. Nathania, and P. A. Pangemanan, "Faktor yang
Mempengaruhi Harga CAbai Rawit Di Kota Manado," Agri-sosioekonomi,
vol. 12, no. Faktor-faktor yang mempengaruhi Harga Cabai Rawit, pp.
105–120, 2016.
[7] MasPary. (2014, April 7). Gerbang Pertanian. Retrieved from
gerbangpertanian.com: http://www.gerbangpertanian.com/2014/04/jenis-
jenis-cabai-indonesia.html
