METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
PREDIKSI HARGA KELAPA SAWIT MENGGUNAKAN METODE REGRESI LINEAR BERGANDA (Studi Kasus PT.
Bakrie Sumatera Plantations.
Tb.
Agnes Lasmaria Elizabeth.
Darwis Robinson ManaluA.
Margaretha Yohanna Fakultas Ilmu Komputer.
Universitas Methodist Indonesia.
Medan.
Indonesia Email: manaludarwis@gmail.
DOI: https://doi.
org/10.
46880/jmika.
Vol8No1.
ABSTRACT
Indonesia's plantation sector, especially palm oil, has a high selling value and its attractiveness continues to The price of palm oil is strongly influenced by external factors, especially the price of crude oil (CPO) and palm oil production globally.
Unstable price fluctuations have become a challenge for companies such as PT Bakrie Sumatera Plantations.
Tbk.
in planning harvest time and optimizing profits.
To overcome this uncertainty, this study proposes the use of the Multiple Linear Regression method to predict palm oil prices.
Price and production data from 2021 to 2023 are the main basis for developing the prediction model.
In this study, 4 independent variables were used, namely year, month, oil price and total production.
The amount of data used in this study is 33 data.
In testing the Multiple Linear Regression method has an RMSE value of 0.
24 and the predicted value of palm oil prices from January to December 2024 is the price of palm oil with the highest value in January 2024 of Rp.
2,276.
931 / kg and with the lowest value in December 2024 of Rp.
1,474.
75 / kg.
Keyword: Linear Regression.
Price Prediction.
Bakri Plantation.
ABSTRAK
Sektor perkebunan Indonesia, khususnya kelapa sawit memiliki nilai jual yang tinggi dan daya tariknya yang terus Harga kelapa sawit sangat dipengaruhi oleh faktor eksternal, terutama harga minyak mentah (CPO) dan produksi kelapa sawit secara global.
Fluktuasi harga yang tidak stabil telah menjadi tantangan bagi perusahaan seperti PT.
Bakrie Sumatera Plantations.
Tbk.
dalam merencanakan waktu panen dan mengoptimalkan keuntungan.
Untuk mengatasi ketidakpastian ini, penelitian ini mengusulkan penggunaan metode Regresi Linear Berganda untuk memprediksi harga kelapa sawit.
Data harga dan produksi dari tahun 2021 hingga 2023 menjadi landasan utama dalam pengembangan model prediksi.
Pada penelitian ini menggunakan 4 variabel independen yang digunakan yaitu tahun, bulan, harga minyak dan jumlah produksi.
Jumlah data yang digunakan pada penelitian ini adalah sebanyak 33 data.
Pada pengujian metode Regresi Linear Berganda memiliki nilai RMSE sebesar 0.
24 dan nilai prediksi harga kelapa sawit pada januari sampai desember 2024 adalah harga kelapa sawit dengan nilai tertinggi di bulan januari tahun 2024 sebesar Rp.
276,931/kg dan dengan nilai terendah pada bulan desember tahun 2024 sebesar Rp.
474,75/kg.
Kata Kunci: Regresi Linier.
Prediksi Harga.
Bakri Plantation.
PENDAHULUAN
Sektor tanaman perkebunan di Indonesia banyak didominasi oleh tanaman kelapa sawit, kakao, karet, tebu dan kopi, dari kelima tanaman ini kelapa sawit yang paling menguntungkan (Ema Agasta.
Imam Cholissodin, 2.
Pada perusahaan PT.
Bakrie Sumatera Plantations.
Tbk harga kelapa sawit masih memiliki kendala dalam memprediksi harga buah kelapa sawit yang terus mengalami kenaikan dan penurunan atau tidak stabil.
Sehingga menyebabkan perusahaan kecewa dengan ketepatan waktu memanen kelapa sawit.
Salah satu metode yang dapat digunakan dalam melakukan prediksi harga kelapa sawit adalah metode regresi linear berganda.
Metode regresi linear berganda diimplementasikan dalam proses prediksi harga kelapa sawit, karena metode ini dapat mengestimasi koefisien regresi yang mewakili pengaruh variebel independen terhadap harga kelapa Sehingga model dapat digunakan untuk memprediksi harga kelapa sawit berdasarkan nilai-nilai variabel independen yang diberikan, sehingga penggunaan metode ini lebih tepat diimplementasikan pada prediksi harga kelapa sawit (Maula et al.
, 2.
Untuk memenuhi kebutuhan kelapa sawit maka dilakukan prediksi, prediksi adalah proses perkiraan tentang sesuatu yang akan terjadi pada waktu yang akan datang berdasarkan data yang ada(Salomo Silaban.
Haidar Mirza, 2.
Teknik regresi digunakan Halaman 89 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
untuk mengetahui ada tidaknya pengaruh signifikan dua atau lebih variabel bebas terhadap variabel terikat (Rivandi et al.
, 2.
METODE PENELITIAN
Framework Penelitian Framework penelitian merupakan langkahlangkah yang dilakukan untuk mengumpulkan ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
informasi atau data yang dapat diperoleh dari seorang ahli sebagai gambaran rancangan penelitian yang akan dibuat (Sudipa et al.
, 2.
Dalam metode ini biasanya ada perancangan percobaan berdasarkan data yang telah didapatkan, berikut penjelasan dari tahapan dalam penelitian dapat dilihat pada Gambar 1.
Gambar 1.
Framework Penelitian Pengumpulan Data Pada pengumpulan data penelitian ini memakai data sekunder, data diambil secara langsung dari perusahaan PT.
Bakrie Sumatera Plantations.
Tbk.
Data yang digunakan merupakan data harga kelapa sawit pada tahun 2021-2023.
Pengumpulan data harga kelapa sawit dapat dilihat pada tabel 1.
Tabel 1.
Data Harga Kelapa Sawit Harga Kelapa Harga CPO Sawit (Rp/k.
(Rp/k.
Tahun Bulan Produksi .
Januari 507,84 196,94 318,90 Januari 845,07 673,48 366,65 Januari 170,62 490,75 330,82 A A A A A September 102,68 566,89 418,74 A A A A A Sumber: PT.
Bakrie Sumatera Plantations.
Tbk.
Halaman 90 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Penerapan Regresi Linear Berganda ycIycAycIya = Ocycuycn = 1Oo.
cuycn Oe yce.
2/ycu Regresi Linier Berganda merupakan model regresi linier yang melibatkan lebih dari satu variabel HASIL DAN PEMBAHASAN bebas atau independen yang biasanya diwakili oleh3.
1 Penentuan Variabel Dependen dan Independen variabel X dan satu variabel respon atau dependen yang Dalam penelitian ini terdapat 4 variabel biasanya diwakili oleh variabel Y, teknik tersebut independen yang digunakan yaitu tahun, bulan, harga digunakan untuk ada tidaknya pengaruh signifikan dua minyak dan jumlah produksi.
Implementasi dalam atau lebih variabel bebas (X1.
X2.
X3A.
terhadap melakukan pemisahan antara variabel independen .
variabel terikat (Y) (Luthfiarta et al.
, 2.
Untuk dan dependen .
dapat dilihat pada Gambar 3.
lebih jelas metode prediksi menggunakan metode regresi linear berganda dapat dilihat dalam flowchart pada gambar 2.
Gambar 3.
Penentuan Variabel X dan Y Pelatihan Model Regresi Setelah menentukan variabel independen .
dan variabel dependen .
, maka untuk langkah selanjutnya adalah melakukan training untuk model regresi linear berganda.
Program untuk melakukan training model dapat dilihat pada Gambar 4.
Gambar 4.
Program Pelatihan Model Regresi Prediksi Harga Kelapa Sawit Prediksi dilakukan dengan menggunakan data testing yang telah di pisahkan sebelumnya.
Proses prediksi juga membandingkan hasil yang diprediksi dengan hasil sebenarnya guna untuk menghitung seberapa akurat model regresi yang telah di latih Program untuk melakukan prediksi harga kelapa sawit dapat dilihat pada Gambar 5.
Gambar 2.
Flowchart Regresi Linear Berganda Mencari Nilai RMSE (Root Mean Square Erro.
RMSE ini digunakan karena dapat menjadi pengukur untuk menjadi pembeda antara nilai-nilai yang diprediksi dengan nilai-nilai sebenarnya atau dapat menghitung besarnya kesalahan dalam melakukan prediksi.
Hasil prediksi dinyatakan semakin baik jika semakin rendah nilai RMSE nya.
Rumus dari Root Mean Square Error (RMSE).
Gambar 5.
Program Proses Prediksi Harga Kelapa Sawit Data digunakan untuk melakukan prediksi adalah sebanyak 10 data, hasil prediksi dan perbandingan dengan data yang asli dapat dilihat pada Halaman 91 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Tabel 2.
Perbandingan Hasil Prediksi dan Data Asli
2914,54
1977,52
Hasil
Prediksi
1902,08
2018,208
1012,46
-40,6877
330,82
2170,62
2455,478
-284,858
671,79
336,84
1740,58
2209,187
-468,607
299,64
2843,48
2549,923
293,5572
375,18
2305,67
2350,004
-44,3343
883,41
348,87
2305,67
2317,362
-11,6923
2211,68
2318,638
-106,958
212,91
368,35
2899,65
1993,086
906,5639
566,89
418,74
2102,68
1922,073
180,6067
Tahun Bulan HargaCPO Produksi DataAsli 641,24 479,15 359,06 377,38 490,75 Berdasarkan perbandingan pada Tabel 2 ada beberapa yang memiliki selisih antara hasil prediksi dan data aktual yang tinggi.
Untuk melihat perbandingan hasil prediksi dengan data aktual dalam bentuk visualisasi dapat dilihat pada Gambar 6 Gambar 6.
Visualisasi Hasil Prediksi Error Evaluasi Root Mean Square Error Untuk mengevaluasi sejauh mana model regresi yang telah dibangun mampu memberikan prediksi yang akurat, dapat dihitung menggunakan Root Mean Square Error (RMSE).
Program untuk menghitung nilai RMSE dapat dilihat pada gambar Gambar 7.
Program Menghitung Nilai RMSE Berdasarkan visualisasi pada Gambar 6, terlihat bahwa sebagian data menunjukkan perbedaan yang cukup besar antara nilai prediksi dan data aktual.
Sementara sebagian lainnya memiliki perbedaan yang tidak signifikan.
Perhitungan Regresi Linear Berganda Perhitungan regresi linear berganda melibatkan penentuan koefisien regresi, termasuk koefisien intercept dan koefisien regresi untuk setiap variabel Dalam perhitungan regresi linear berganda dapat dilihat pada tabel 3.
Tabel 3.
Data Variabel Dependen dan Independen Tahun (X.
Bulan(X.
196,94 170,35 318,90 304,62 507,84 670,30 632,20 299,64 843,48 860,09
303,18
024,83
513,68
301,16
109,02
Harga CPO(X.
Produksi(X.
Harga Kelapa Sawit(Y) Halaman 92 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
089,82 315,39 881,87 181,52 299,36 950,30 848,83 334,25 114,85 436,49
400,34
209,23
268,46
378,24
484,13
212,91
368,35
899,65
641,24
359,06
914,54
673,48
366,65
845,07
233,99
342,16
034,93
028,76
351,61
256,01
490,11
344,39
149,78
731,90
361,90
211,68
671,79
336,84
740,58
467,09
388,88
329,53
698,44
379,51
877,93
479,15
377,38
977,52
655,23
368,09
017,10
191,10
368,79
318,27
401,12
363,61
291,80
490,75
330,82
170,62
375,18
309,40
305,67
883,41
348,87
305,67
513,68
362,65
362,32
016,98
394,71
683,94
303,19
348,85
752,35
376,78
431,11
885,22
539,78
415,19
820,88
566,89
418,74
102,68
Menghitung Nilai Koefisien Regresi Untuk dapat memprediksi Y atau variabel terikat, jika semua nilai pada variabel bebas diketahui, digunakan persamaan Regresi Linear Berganda.
Untuk mencari koefisien regresi a, b1, b2, b3, b4 digunakan persamaan simultan menggunakan rumus sebagai OcX1.
Y = b1 OcX 2 b2 OcX1OcX2 b3 OcX1OcX3 b4 OcX1OcX4 OcX2.
Y = b1 OcX1OcX2 b2 OcX 2 b3 OcX2OcX3 b4 OcX2OcX4 OcX3 .
Y = b1 OcX1 OcX3 b2 OcX2 OcX3 b3 OcX3 b4 OcX3 OcX4 OcX Y = b1 OcX1OcX4 b2 OcX2OcX4 b3 OcX3OcX4 b4 OcX 2 4 a = Y - b1.
X1 - b2.
X2 - b3 X3 - b4.
Y = a b1.
X1 b2.
X2 b3.
X3 b4.
X4 A
Bn.
Keterangan :
X1.
X2.
A Xn b1,b2, b3, b4 = Variabel Bebas = Variabel Terikat = Nilai Konstanta = Koefisien Regresi Dengan persamaan diatas jika dilakukan prediksi dengan menggunakan nilai X1 (Tahu.
X2 (Bula.
X3 (Harga CPO).
X4 (Jumlah Produks.
maka Y adalah Harga Kelapa Sawit.
Jika dilakukan prediksi menggunakan nilai dari masing masing variabel seperti pada Tabel 4:
Halaman 93 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
Tabel 4.
Tabel Data Prediksi Harga CPO (Rp/K.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Tahun Bulan Jumlah Produksi (To.
303,18 196,94 388,88 268,46 362,65 363,61 303,19 344,39 016,98 698,44
368,79
490,75
330,82
415,19
513,68
415,19
436,49
368,35
467,09
366,65
Pengujian Sistem Berdasarkan nilai RMSE yang di dapat sebelumnya dapat disimpulkan bahwa model regresi linear yang dibangun cukup bagus untuk melakukan prediksi harga sawit.
Oleh karena itu dengan model tersebut dapat dilakukan untuk melakukan prediksi harga sawit untuk tahun 2024 dari bulan Januari Desember.
Program untuk melakukan prediksi harga kelapa sawit dapat dilihat pada Gambar 8.
Gambar 8.
Program Prediksi Kelapa Sawit Hasil yang didapatkan ketika melakukan prediksi dapat dilihat pada Tabel 5 berikut :
Tabel 5.
Prediksi Harga Sawit Tahun 2024 Bulan Januari Ae Desember Harga CPO (Rp/K.
Produksi (To.
Prediksi Harga (Rp/K.
Tahun Bulan 196,94 303,18 388,88 276,931 211,809 12,268,46 362,65 188,183 363,61 109,593 303,19 344,39 006,827 016,98 947,876 698,44 368,79 876,409 490,75 330,82 750,938 415,19 771,783 513,68 415,19 692,347 436,49 368,35 556,342 467,09
366,65
474,75
KESIMPULAN
Berdasarkan pengujian dan implementasi Prediksi Harga Kelapa Sawit Menggunakan Metode Regresi Linear Berganda (Studi Kasus Pt.
Bakrie Sumatera Plantations.
Tbk.
) maka ditarik kesimpulan sebagai berikut:
Hasil Prediksi menggunakan metode regresi linier berganda untuk melakukan prediksi harga kelapa sawit cukup Halaman 94 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
akurat dengan nilai RMSE sebesar 0,24 dan nilai prediksi harga kelapa sawit pada januari sampai desember 2024 adalah harga kelapa sawit dengan nilai tertinggi di bulan januari tahun 2024 sebesar Rp.
276,931/kg dan dengan nilai terendah pada bulan desember tahun 2024 sebesar Rp.
474,75/kg.
Hasil yang diperoleh menunjukkan bahwa dengan menggunakan algoritma Regresi Linier Berganda memiliki tingkat akurasi yang cukup akurat.
Penerapan metode Regresi Linear Berganda dalam upaya memprediksi harga kelapa sawit merupakan sebuah simulasi awal yang masih memerlukan perbaikan yang cermat.
Dalam konteks ini, saran bagi peneliti selanjutnya adalah untuk melakukan perbandingan antara metode Regresi Linear Berganda dengan berbagai metode alternatif atau metode lain yang dapat digunakan untuk meningkatkan kualitas prediksi.
DAFTAR PUSTAKA