Menghitung Upah Minimum Regional (UMR) Kota Medan Menurut Lapangan Usaha Pada Sektor Bangunan Atau Konstruksi Tahun 2012 Berdasarkan Data Dari Tahun 2006-2010

MENGHITUNG UPAH MINIMUM REGIONAL (UMR) KOTA

MEDAN MENURUT LAPANGAN USAHA PADA SEKTOR

BANGUNAN ATAU KONSTRUKSI TAHUN 2012

TUGAS AKHIR

OLEH

WILLY RAMSAL

092407028

PROGRAM STUDI DIPLOMA III STATISTIKA

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2012

PERSETUJUAN

Judul : MENGHITUNG UPAH MINIMUM REGIONAL (UMR) KOTA MEDAN MENURUT LAPANGAN USAHA PADA SEKTOR BANGUNAN ATAU KONSTRUKSI TAHUN 2012 BERDASARKAN DATA DARI TAHUN 2006-2010

Kategori : TUGAS AKHIR

Nama : WILLY RAMSAL

Nomor Induk Mahasiswa : 092407028

Program Studi : DIPLOMA III STATISTIKA

Departemen : MATEMATIKA

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA

Disahkan di Diketahui

Ketua Departemen Matematika FMIPA USU Pembimbing I

Prof. Dr. Tulus, M.Si

NIP. 19620901 198803 1 002 NIP. 19730315 199903 2 Asima Manurung, S.Si, M.Si

PERNYATAAN

MENGHITUNG UPAH MINIMUM REGIONAL (UMR) KOTA

MEDAN MENURUT LAPANGAN USAHA PADA SEKTOR

BANGUNAN ATAU KONSTRUKSI

TAHUN 2012

TUGAS AKHIR

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

Medan, Juni 2012

WILLY RAMSAL 092407028

PENGHARGAAN

Assalamu’alaikum warahmatullahi wabarakatu.

Segala puji dan syukur Penulis ucapkan atas Kehadirat Allah SWT , yang tiada hentinya memberikan nikmat, rahmat dan hidayahnya serta semangat dan kekuatan sehingga Penulis dapat menyelesaikan penyusunan Tugas Akhir ini dengan sebaik – baiknya.

Adapun tujuan dari penulisan Tugas Akhir ini adalah merupakan salah satu syarat untuk menyelesaikan Program DIII Statistika pada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.

Dalam menyelesaikan Tugas Akhir ini Penulis tidak terlepas dari perhatian, bimbingan, fasilitas dan dorongan serta bantuan berbagai pihak secara langsung maupun tidak langsung, pada kesempatan ini Penulis dengan segala kerendahan hati serta rasa hormat perkenankanlah Penulis mengucapkan terima kasih yang sebesar – besarnya kepada :

1. Ibu Asima Manurung, M.Si, S.Si sebagai pembimbing yang telah memberikan bimbingannya kepada penulis sehingga dapat menyelesaikan Tugas Akhir ini dengan sebaik-baiknya.

2. Bapak Drs. Faigiziduhu Bu’ulolo, M.Si dan Bapak Drs. Suwarno Ariswoyo, M.Si sebagai Ketua dan Sekretaris Program Studi D3 Statistika FMIPA USU yang telah memberikan dukungan penuh kepada penulis untuk menyelesaikan penulisan Tugas Akhir ini sehingga dapat diselesaikan tepat pada waktunya 3. Bapak Prof. Dr. Tulus, M.Si dan Dra. Mardiningsih, M.Si sebagai ketua dan

Sekretaris Departemen Matematika FMIPA USU yang telah mendukung proses penyelesaian Tugas Akhir ini kepada penulis sehingga dapat diselesaikan tepat pada waktunya.

4. Bapak Dr. Sutarman, M.Sc sebagai Dekan FMIPA USU yang telah memberikan izin kepada penulis untuk mengambil data pada salah satu instansi sehubungan dengan rencana judul Tugas Akhir ini.

5. Bapak/Ibu dosen Departemen Matematika dan D3 Statistika FMIPA USU yang telah banyak memberikan ilmu kepada penulis sehingga Tugas Akhir ini dapat diselesaikan tepat pada waktunya.z

6. Bapak Alm. Saiful Akhyar Lubis dan Ibu Wismalina sebagai orang tua saya yang telah memberikan nasehat dan dukungannya sehingga dapat menyelesaikan tugas akhir ini dengan sebaik-baiknya.

7. Teman-teman se angkatan statistika A 2009.

Penulis menyadari bahwa penyusunan Tugas Akhir ini masih terdapat banyak kekurangan. Oleh karena itu, penulis sangat mengharapkan kritik dan saran yang bersifat membangun, agar dapat dimanfaatkan bagi kemajuan ilmu pengetahuan demi penyempurnaan Tugas Akhir ini.

Akhir kata penulis mengucapkan terima kasih, semoga Tugas Akhir ini dapat berguna bagi pembaca dan penulis pada khususnya.

Medan, Juni 2012

DAFTAR ISI PERSETUJUAN PERNYATAAN PENGHARGAAN DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR BAB 1 PENDAHULUAN

1.1 Latar Belakang

1.2 Identifikasi Masalah

1.3 Batasan Masalah

1.4 Maksud dan Tujuan

1.5 Metodologi Penelitian

1.6 Sistematika Penulisan

BAB 2 TINJAUAN TEORITIS

2.1 Pengertian Peramalan

2.2 Kegunaan Peramalan

2.3 Jenis - Jenis Peramalan

2.4 Metode Peramalan

2.4.1 Analisa Deret Berkala

2.4.2 Pemilihan Teknik dan Metode Peramalan

2.4.3 Penentuan Pola Data

2.5 Metode Pemulusan (Smoothing)

2.5.1 Metode yang Digunakan

2.6 Ketepatan Ramalan

2.7 Penentuan Koefisien Autokorelasi

BAB 3 SEJARAH DAN STRUKTUR BPS

3.1 Sejarah Badan Pusat Statistik (BPS)

3.1.1 Masa Pemerintahan Hindia Belanda

3.1.2 Masa Pemerintahan Jepang

3.1.3 Masa Kemerdekaan Republik

3.1.4 Masa Orde Baru Sampai Sekarang

3.2 Visi dan Misi Badan Pusat Statistik

3.3 Struktur Organisasi Badan Pusat Statistik 3.4 Tugas dan Wewenang Masing - Masing Bagian di BPS

3.4.1 Bidang Tata Usaha

3.4.2 Bidang Statistik Produksi

3.4.3 Bidang Statistik Distribusi

3.4.4 Bidang Pengolahan Data

3.4.5 Bidang Statistik Kependudukan

BAB 4 ANALISA DAN PENGOLAHAN DATA

4.1 Data yang Dibutuhkan

4.2 Analisa Deret Berkala Nilai Upah Minimum Regional (UMR) kota

Medan

4.3 Metode Smoothing Eksponensial Linear

Satu Parameter dari Brown

4.3.1 Penaksiran Model Peramalan

4.3.2 Penentuan Bentuk Persamaan Peramalan 4.4 Peramalan Nilai Upah Minimum Regional (UMR) BAB 5 IMPLEMENTASI SISTEM

5.1 Pengertiana Implementasi Sistem

5.2 Microsoft Excel

5.3 Langkah - Langkah Memulai Pengolahan Data dengan Excel

5.4 Menghitung Ketepatan Peramalan

5.5 Grafik dalam Microsoft Excel

BAB 6 KESIMPULAN DAN SARAN

6.1 Kesimpulan

6.2 Saran

DAFTAR PUSTAKA

DAFTAR TABEL

Tabel 4.1 Data Nilai Upah Minimum Regional (UMR) Kota Medan Tabel 4.2 Nilai Autokorelasi Data Nilai Upah Minimum Regional (UMR) dengan k=1 Tabel 4.3 Nilai Autokorelasi Data Nilai Upah Minimum Regional (UMR) dengan k=2

Tabel 4.4 Nilai Koefisien Autokorelasi

Tabel 4.5 Menentukan Nilai MSE dengan Menggunakan α = 0,1 Tabel 4.6 Menentukan Nilai MSE dengan Menggunakan α = 0,2 Tabel 4.7 Menentukan Nilai MSE dengan Menggunakan α = 0,3 Tabel 4.8 Menentukan Nilai MSE dengan Menggunakan α = 0,4 Tabel 4.9 Menentukan Nilai MSE dengan Menggunakan α = 0,5 Tabel 4.10 Menentukan Nilai MSE dengan Menggunakan α = 0,6 Tabel 4.11 Menentukan Nilai MSE dengan Menggunakan α = 0,7 Tabel 4.12 Menentukan Nilai MSE dengan Menggunakan α = 0,8 Tabel 4.13 Menentukan Nilai MSE dengan Menggunakan α = 0,9 Tabel 4.14 Perbandingan Ukuran Ketepatan Metode Peramalan Tabel 4.15 Aplikasi Pemulusan (Smoothing) Eksponensial Linear

Satu Parameter dari Brown Menggunakan α = 0,9 Pada Data Nilai Upah

Minimum Regional (UMR)

DAFTAR GAMBAR

Gambar 4.1 Plot Data Nilai Upah Minimum Regional (UMR) dari Tahun 2006-2010 Gambar 4.2 Distribusi Koefisien Autokorelasi Data Asli Gambar 4.3 Plot Pemulusan Peramalan dengan α = 0,9 Gambar 5.1 Langkah - Langkah Membuka Microsoft Office Excel 2007 Gambar 5.2 Tampilan Worksheet Microsoft Office Excel 2007 Gambar 5.3 Pengisian Data Pada Microsoft Office Excel 2007 Gambar 5.4 Aplikasi Pemulusan Eksponensial Linear Satu Parameter

dari Brown Menggunakan α = 0,9 Pada Microsoft

Office Excel 2007

Gambar 5.5 Langkah Pembuatan Grafik Pada Microsoft Office Excel 2007 Gambar 5.6 Grafik Pada Microsoft Office Excel 2007

BAB 1

PENDAHULUAN

1.1Latar Belakang

Manusia merupakan makhluk sosial yang memiliki kebutuhan yang berbeda-beda dengan penghasilan yang berbeda-beda pula. Manusia akan berusaha untuk mendapatkan penghasilan yang sebanyak-banyaknya untuk memenuhi kebutuhan sehari-hari dan kebutuhan yang akan datang. Upah Minimun Regional (UMR ) yang berubah setiap tahunnya akan mempengaruhi kesejahteraan manusia atau pekerja.

Menteri Tenaga Kerja ( Menaker ) Republik Indonesia, menimbang :

1. Bahwa peningkatan kesejahteraan pekerja sebagai bagian dari upaya memajukan kesejahteraan masyarakat, sangat penting artinya untuk mendorong peningkatan peran serta pekerja dalam pelaksanaan proses produksi melalui mekanisme penetapan upah minimum;

2. Bahwa kondisi perekonomian pada saat ini telah memungkinkan untuk mewujudkan penetapan upah yang lebih realistis sesuai kondisi daerah dan kemampuan perusahaan secara sektoral, sehingga perlu penetapan Upah Minimum Regional Tingkat I dan Upah Minimum Regional Tingkat II serta Upah Minimum Sektoral Regional Tingkat I dan Upah Minimum Sektoral Regional Tingkat II yang mengacu kepada pemenuhan Kebutuhan Hidup Minimum;

3. Bahwa Keputusan Menteri Tenaga Kerja No. Kep-23/MEN/1999 tanggal 17 Pebruari 1999 tentang Penetapan Upah Minimum Regional pada 27 (dua puluh tujuh) Propinsi di Indonesia dan UpahMinimum Sektoral Regional pada 19 (sembilan belas) Propinsi di Indonesia, Keputusan Menteri Tenaga Kerja No. Kep-26/MEN/1999 tanggal 19 Pebruari 1999 tentang Penetapan Upah Minimum Sektoral Regional Propinsi Jawa Tengah: Keputusan Menteri Tenaga Kerja No. Kep-29/MEN/1999 tanggal 17 Maret 1999 tentang Penetapan Upah Minimum Sektoral Regional Propinsi Kalimantan Selatan, Keputusan Menteri Tenaga Kerja No. Kep-131/M/BWI1999 tanggal 13 April 1999 tentang Ralat Keputusan Menteri Tenaga Kerja No. Kep-23/MEN/1999 tentang Penetapan Upah Minimum Regional pada 27 (dua puluh tujuh) Propinsi di Indonesia dan Upah Minimum Sektoral Regional pada 19 (sembilan belas) Propinsi di Indonesia, Keputusan Menteri Tenaga Kerja No. Kep-110/MEN/1999 tanggal 17 Juni 1999 tentang. Penetapan Upah Minimum Sektoral Regional Propinsi Kalimantan Timur; dan Keputusan Menteri Tenaga Kerja No. Kep-151/MEN/1999 tanggal 16 Agustus 1999 tentang Penetapan Upah Minimum Sektoral Regional Propinsi Riau Untuk Sektor Pertanian, Peternakan, Kehutanan, Perburuan dan Perikanan, Sub Sektor Penebangan Hutan dan Sektor Industri Pengolahan, Sub Sektor Industri Penggergajian dan Pengolahan Kayu serta Sub Sektor Industri Kayu Lapis, sudah tidak sesuai lagi dengan perkembangan sehingga perlu ditinjau kembali;

Dari semua sektor yang telah ditetapkan Upah Minimum Regional (UMR) nya, penulis ingin meneliti Upah Minimum Regional (UMR) kota Medan untuk sektor

industri. Penulis memilih sektor industri karena dikota Medan terdapat banyak sekali Industri yang berkembang di kota Medan, mulai dari industri kecil-kecilan sampai industri yang sangat besar. Kemudian banyaknya pekerja yang ingin bekerja pada bidang industri dan berbondong-bondong mengejar untuk sukses dalam bidang industri. Melihat itu semua, pasti para pekerja juga mempertimbangkan Upah Minimum Regional (UMR) yang akan didapat. Semua manusia pasti berusaha mendapatkan upah diatas UMR yang telah ditetapkan Menteri Keuangan Republik Indonesia.

Sesuai dengan pembahasan sebelumnya maka penulis mencoba untuk meramalkan besarnya nilai Upah Minimum Regional ( UMR ) kota Medan pada tahun . Untuk mencapai tujuan yang diinginkan penulis tersebut diatas, maka penulis mencoba membuat sebuah Tugas Akhir yang berjudul “MENGHITUNG UPAH MINIMUM REGIONAL ( UMR ) KOTA MEDAN MENURUT LAPANGAN USAHA PADA SEKTOR BANGUNAN ATAU KONSTRUKSI TAHUN 2012.

1.2Identifikasi Masalah

Adapun yang menjadi permasalahan dalam tulisan ini adalah bagaimana menghitung Upah Minimum Regional (UMR) kota Medan menurut sektor bangunan atau konstruksi tahun 2012 berdasarkan data dari tahun 2006-2010.

1.3Batasan Masalah

Untuk mengarahkan pembahasan dalam tugas akhir ini agar tidak menyimpang dari sasaran yang dituju, maka perlu membuat batasan ruang lingkup permasalahan. Sebagai pembatasan masalah ini adalah hanya terbatas pada analisa untuk mengetahui Metode Pemulusan (Metode Smoothing) yang akan digunakan untuk meramalkan Upah Minimum Regional (UMR) kota Medan untuk sektor bangunan atau konstruksi tahun 2012.

1.4Maksud dan Tujuan

Maksud dari penelitian ini adalah untuk meramalkan Upah Minimum Regional (UMR) kota Medan menurut sektor bangunan atau konstruksi tahun 2012. Adapun tujuan penulis melakukan penelitian ini adalah untuk mengetahui peramalan Upah Minimum Regional (UMR) kota Medan menurut sektor bangunan atau konstruksi tahun 2012, berdasarkan data sekunder yang diperoleh dari BPS Provinsi Sumatera Utara dari tahun 2006-2010.

Adapun manfaat dari penelitian ini adalah untuk tambahan literatur dan pengetahuan pembaca yang sedang mempelajari metode pemulusan (Smoothing)

sederhana, semoga penelitian ini bermanfaat bagi pembaca dan penelitian lain yang ingin meneliti masalah yang menggunakan konsep yang sama. Dan secara umum dapat memberikan pengetahuan atau informasi tentang upah minimum regional pada sektor industri.

1.5 Lokasi Penelitian

Penelitian dilakukan dengan mengambil data sekunder dari kantor Badan Pusat Statistik (BPS) Provinsi Sumatera Utara Jl. Kapten Muslim No. 71, Medan.

1.6 Metodologi Penelitian

Metode penelitian adalah salah satu cara yang terdiri dari langkah – langkah atau urutan kegiatan yang berfungsi sebagai pedoman umum yang digunakan untuk melaksanakan tugas akhir sehingga apa yang menjadi tujuan dari penelitian itu terwujud. Penulis melakukan beberapa langkah – langkah untuk menyelesaikan penelitian, antara lain :

1.6.1 Metode Penelitian Kepustakaan

Disini penulis mengadakan penulisan Tugas Akhir dengan membaca buku-buku di perpustakaan di Badan Pusat Statistik (BPS) Medan yang ada kaitannya dengan Upah Minimum Regional (UMR) khususnya di kota Medan.

1.6.2 Metode Pengumpulan Data

Keperluan data untuk keperluan tugas akhir ini penulis lakukan dengan menggunakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS) Provinsi Sumatera Utara jl. Kapten Muslim 71, Medan. Data yang dikumpulkan tersebut kemudian

diatur, disusun dan disajikan dalam bentuk angka-angka dengan tujuan untuk mendapatkan gambaran yang jelas tentang sekumpulan data tersebut.

1.6.3 Metode analisis yang digunakan

Metode Smoothing

Adapun pengolahan data dalam meramalkan Upah Minimum Regional (UMR) pada sektor industri kota Medan menggunakan Metode Pemulusan (Metode Smoothing). Metode Pemulusan (smoothing) dapat digunakan untuk menghilangkan atau mengurangi keteracakan (randomness) dari data deret waktu (time series). Metode yang biasa digunakan untuk keperluan pemulusan data adalah metode rata-rata bergerak (moving average) dari pengukuran responden dalam periode waktu tertentu atau metode pemulusan eksponensial.

Persamaan yang dipakai dalam Metode Pemulusan (Smoothing) Eksponensial Ganda Satu Parameter dari Brown adalah sebagai berikut:

S't = αXt + (1 - α) S't – 1 S"t = αS't + (1 - α) S"t – 1

at = S't + (S't - S"t) = 2 S't - S"t

bt =

Ft+m = at + btm α α

−

Dimana,

S't = nilai pemulusan eksponensial tunggal (single eksponensial smoothing value)

S"t = nilai pemulusan eksponensial ganda (double eksponensial smoothing value)

α = parameter pemulusan eksponensial dengan besar 0 < α < 1

at, , bt = konstanta pemulusan

Ft+m = hasil peramalan untuk m periode ke depan yang diramalkan

1.7 Sistematika Penulisan

Adapun sistematika dalam penulisan “ Tugas Akhir “ secara garis besarnya dibagi dalam 6 (enam) bab yang masing – masing bab dibagi atas beberapa sub – sub bab yaitu sebagai berikut :

BAB 1 : PENDAHULUAN

Bab ini berisi latar belakang masalah, identifikasi masalah, batasan masalah, maksud dan tujuan, metodologi penelitian, dan sistematika penulisan.

BAB 2 : TINJAUAN TEORITIS

Bab ini menguraikan tentang teori-teori yang digunakan yang menyangkut terhadap penyelesaian masalah yang dihadapi, sesuai dengan judul yang diutarakan.

BAB 3 : SEJARAH DAN STRUKTUR BPS

Bab ini menjelaskan/menceritakan tentang sejarah singkat berdirinya BPS Propinsi Sumatera Utara.

BAB 4 : ANALISIS DAN PEMBAHASAN DATA

Bab ini menganalisa data yang telah dikumpulkan beserta pembahasannya.

BAB 5 : IMPLEMENTASI SISTEM

Bab ini menguraikan tentang program atau software yang dipakai sebagai analisis terhadap data yang diperoleh yaitu dengan menggunakan Program Excel.

BAB 6 : KESIMPULAN DAN SARAN

Bab ini memuat kesimpulan dan saran dari hasil pembahasan di dalam penyelesaian Tugas Akhir ini.

BAB 2

TINJAUAN TEORITIS

2.1 Pengertian Peramalan

Kegiatan manusia senantiasa diarahkan pada kondisi pada waktu yang akan datang, yang keberadaannya tidak dapat diketahui secara pasti. Usaha untuk meminimalkan ketidakpastian tersebut lazim dilakukan dengan metode atau teknik peramalan tertentu (teknik merupakan bagian dari metode). Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi atau kapan suatu peristiwa akan terjadi/timbul, sehingga tindakan atau keputusan yang tepat dapat dilakukan. Dalam peramalan didasarkan pada bermacam – macam cara yaitu Metode Perataan (Average), Metode Pemulusan (Smoothing) Eksponensial, dan Metode Box Jenkins.

Disamping itu, melalui metode atau teknik peramalan diharapkan dapat diidentifikasikan model yang akan digunakan untuk meramalkan kondisi pada waktu yang akan datang. Model peramalan itu secara umum dapat dikemukakan sebagai : Yt = pola + error. Jadi, data dibedakan menjadi komponen yang dapat diidentifikasi (pola) dan yang tidak dapat diidentifikasi (error). Maka, penggunaan metode peramalan adalah untuk mengidentifikasikan suatu model peramalan sedemikian rupa sehingga error-nya menjadi seminimal mungkin.

Penggunaan teknik peramalan diawali dengan pengeksplorasian kondisi (pola data) pada waktu – waktu yang lalu guna mengembangkan model yang sesuai dengan

pola data dengan menggunakan asumsi bahwa pola data pada waktu yang lalu itu akan berulang lagi pada waktu yang akan datang. Selanjutnya, model itu digunakan untuk meramalkan kondisi – kondisi pada waktu – waktu yang akan datang. Bila uraian mengenai kegiatan peramalan tersebut diamati, ada dua dimensi waktu yang tercakup, yaitu waktu yang lalu dimana data tersedia dan waktu yang akan datang dimana data tidak tersedia.

Kegiatan penerapan model yang telah dikembangkan pada waktu lalu dinamakan proyeksi, sedangkan kegiatan penerapan model yang telah dikembangkan pada waktu yang akan datang dinamakan peramalan. Penggunaan metode atau teknik peramalan dengan model yang diidentifikasikan secara tepat juga didukung oleh baik tidaknya data maupun informasi yang digunakan. Selama data maupun informasi yang digunakan tidak dapat meyakinkan seperti sumber dari data atau informasi yang tidak jelas, maka hasil peramalan yang disusun juga akan sulit dipercaya akan ketepatan dan keakuratannya.

2.2 Kegunaan Peramalan

Sering terdapat senjang waktu (time lag) antara kesadaran akan peristiwa atau kebutuhan mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang (lead time) ini merupakan alasan utama bagi perencanaan dan peramalan. Jika waktu tenggang ini nol atau sangat kecil, maka perencanaan tidak diperlukan. Jika waktu tenggang ini panjang dan hasil peristiwa akhir bergantung pada faktor – faktor yang dapat diketahui, maka perencanaan dapat memegang peranan penting.

Dalam sebuah instansi pemerintah maupun swasta, perencanaan sangat dibutuhkan untuk pengambilan keputusan untuk beberapa waktu kedepan. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Apalagi saat ini, telah terjadi kemajuan yang pesat dalam bidang peramalan. Beberapa kegunaan peramalan dalam bagian organisasi yaitu :

1. Penjadwalan sumber daya yang tersedia.

Penggunaan sumber daya yang efisien memerlukan penjadwalan produksi, transportasi, kas, personalia, dan sebagainya. Input yang penting untuk penjadwalan seperti itu adalah ramalan tingkat permintaan untuk produk, bahan, tenaga kerja, finansial, atau jasa pelayanan.

2. Penyediaan sumber daya tambahan.

Waktu tenggang (lead time) untuk memperoleh bahan baku, menerima pekerja baru, atau membeli mesin dan peralatan dapat berkisar antara beberapa hari sampai beberapa tahun. Peramalan diperlukan untuk menentukan kebutuhan sumber daya di masa mendatang.

3. Penentuan sumber daya yang diinginkan.

Setiap organisasi harus menentukan sumber daya yang ingin dimiliki dalam jangka panjang. Keputusan semacam itu bergantung pada kesempatan pasar, faktor – faktor lingkungan, dan pengembangan internal dari sumber daya finansial, manusia, produk, dan teknologis. Semua penentuan ini memerlukan ramalan yang baik dan manajer yang dapat menafsirkan pendugaan serta membuat keputusan yang tepat.

Tiga kelompok di atas merupakan bentuk khas dari keperluan peramalan jangka pendek, menengah, dan panjang dari organisasi saat ini selain bidang

lainnya.Organisasi dalam membangun suatu sistem peramalan perlu memiliki pengetahuan dan keterampilan yang meliputi paling sedikit empat bidang : identifikasi dan definisi masalah peramalan ; aplikasi serangkaian metode peramalan ; prosedur pemilihan metode yang tepat untuk situasi tertentu ; dan dukungan organisasi untuk menerapkan dan menggunakan metode peramalan secara formal.

Berdasarkan uraian di atas, maka dapat dikatakan bahwa metode peramalan sangat dibutuhkan dan berguna untuk menganalisis data masa lalu untuk keperluan waktu yang akan datang. Sehingga, dengan metode peramalan akan diperoleh perencanaan yang teratur, terarah, dan sistematis sesuai hasil analisis yang tepat.

2.3 Jenis – Jenis Peramalan

Berdasarkan sifat penyusunannya, teknik peramalan dapat dibagi dalam dua kategori utama yaitu :

1. Peramalan yang subjektif

Peramalan yang subjektif adalah yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan dari orang yang menyusunnya sangat menentukan baik tidaknya hasil ramalan tersebut.

2. Peramalan yang objektif

Peramalan yang objektif adalah peramalan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan teknik – teknik dan metode – metode dalam penganalisaan data tersebut.

Berdasarkan jangka waktu disusun, maka peramalan dapat dibedakan atas dua kategori utama yaitu :

1. Peramalan Jangka Panjang

Peramalan jangka panjang adalah peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya lebih dari satu setengah tahun. Misalnya, diperlukan penyusunan rencana pembangunan suatu negara atau daerah dan lain sebagainya.

2. Peramalan Jangka Pendek

Peramalan jangka pendek adalah peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya kurang dari satu setengah tahun. Misalnya, peramalan penyusunan rencana produksi, rencana penjualan, rencana persediaan, dan lain sebagainya.

Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat dibedakan atas dua kategori utama yaitu :

1. Peramalan Kualitatif

Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada orang yang menyusunnya. Hal ini sangat penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, pendapat, dan pengetahuan dari orang yang menyusunnya. Metode kualitatif dapat dibagi menjadi dua yaitu metode eksploratoris dan normatif.

2. Peramalan Kuantitatif

Peramalan kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung kepada metode yang dipergunakan dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil peramalan yang berbeda pula. Baik tidaknya metode yang digunakan ditentukan oleh perbedaan atau penyimpangan hasil ramalan dengan kenyataan yang tejadi. Semakin kecil penyimpangan antara hasil dengan kenyataan yang terjadi berarti metode yang dipergunakan semakin baik. Metode kuantitatif dapat dibagi dalam deret berkala (time series) dan metode kausal.

Saat ini telah dikembangkan beberapa metode atau teknik – teknik peramalan untuk menghadapi bermacam – macam keadaan yang akan terjadi. Tetapi dalam hal ini penulis membatasi bahwa metode peramalan yang akan digunakan dalam penyusunan Tugas Akhir ini adalah cara memperkirakan sesuatu yang akan terjadi di masa depan secara kuantitatif. Oleh karena itu, dalam pembahasan selanjutnya akan ditekankan pada peramalan kuantitatif. Pada dasarnya metode peramalan kuantitatif ini dibedakan atas :

1. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antar variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu (time series).

2. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya, bukan waktu, yang disebut dengan metode korelasi atau sebab akibat (causal methods).

Dalam penulisan Tugas Akhir ini, digunakan metode peramalan yang pertama, yaitu peramalan dengan menggunakan variabel waktu atau yang dikenal dengan “time series”.

Peramalan kuantitatif dapat digunakan bila terdapat tiga kondisi yaitu : 1. Adanya informasi tentang masa lalu

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data

3. Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa yang akan datang.

Kondisi yang terakhir ini dibuat sebagai asumsi yang berkesinambungan

(assumtion of mend continuity). Asumsi ini merupakan modal yang mendasari dari semua metode peramalan kuantitatif dan banyak metode peramalan teknologis, terlepas dari bagaimana canggihnya metode tersebut.

2.4 Metode Peramalan

Metode – metode peramalan dengan analisa deret waktu yaitu : 1. Metode Pemulusan Eksponensial dan Rata – Rata Bergerak

Sering digunakan untuk jangka pendek dan jarang dipakai untuk peramalan jangka panjang.

2. Metode Regresi

Metode ini bisa digunakan untuk ramalan jangka menengah dan jangka panjang.

Jarang dipakai, namun baik untuk ramalan jangka pendek, menengah dan jangka panjang.

2.4.1 Analisa Deret Berkala

Data berkala (time series) adalah data yang dikumpulkan dari waktu ke waktu untuk memberikan gambaran tentang perkembangan suatu kegiatan dari waktu ke waktu. Analisis data berkala memungkinkan untuk mengetahui perkembangan satu atau beberapa kejadian serta hubungannya dengan kejadian lain.

Metode time series merupakan metode peramalan kuantitatif didasarkan atas penggunaan analisis pola hubungan antar variabel yang akan diperkirakan dengan variabel waktu. Tujuan time series ini mencakup meneliti pola data yang digunakan untuk meramalkan apakah data tersebut stasioner atau tidak dan ekstrapolasi ke masa yang akan datang. Stasioner itu sendiri berarti bahwa tidak dapat pertumbuhan atau penurunan data. Data secara kasar harus horizontal sepanjang waktu, dengan kata lain fluktuasi data tetap konstan setiap waktu.

2.4.2 Pemilihan Teknik dan Metode Peramalan

Dalam pemilihan teknik dan metode peramalan, pertama – tama perlu diketahui ciri– ciri penting yang perlu diperhatikan bagi pengambilan keputusan dan analisa keadaan dalam mempersiapkan peramalan.

Ada enam faktor utama yang diidentifikasikan sebagai teknik dan metode peramalan, yaitu :

1. Horizon Waktu

Ada dua aspek dari horizon waktu yang berhubungan dengan masing – masing metode peramalan. Pertama adalah cakupan waktu di masa yang akan datang. Aspek kedua adalah jumlah periode untuk peramalan yang diinginkan.

2. Pola Data

Dasar utama dari metode peramalan adalah anggapan bahwa macam dari pola yang didapati di dalam data yang diramalkan akan berkelanjutan.

3. Jenis dari Model

Model – model merupakan suatu deret dimana waktu digambarkan sebagai unsur yang penting untuk menentukan perubahan – perubahan dalam pola. Model – model perlu diperhatikan karena masing – masing model mempunyai kemampuan yang berbeda dalam analisa keadaan untuk pengambilan keputusan.

4. Biaya yang Dibutuhkan

Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu prosedur peramalan. Yakni biaya – biaya pengembangan, penyimpanan (storage) data, operasi pelaksanaan, dan kesempatan dalam penggunaan teknik – teknik dan metode peramalan.

5. Ketepatan Metode Peramalan

Tingkat ketepatan yang dibutuhkan sangat erat kaitannya dengan tingkat perincian yang dibutuhkan dalam suatu peramalan.

6. Kemudahan dalam Penerapan

Metode – metode yang dapat dimengerti dan mudah dialokasikan sudah merupakan suatu prinsip umum bagi pengambil keputusan.

2.4.3 Penentuan Pola Data

Hal penting harus diperhatikan dalam metode deret berkala adalah menentukan jenis pola data historisnya. Sehingga pola data yang tepat dengan pola data historis tersebut dapat diuji, dimana pola data umumnya dapat dibedakan sebagai berikut :

1. Pola Data Horizontal

Pola ini terjadi bila berfluktuasi di sekitar nilai rata – rata yang konstan.

2. Pola Data Musiman (Seosonal)

Pola yang menunjukkan perubahan yang berulang – ulang secara periodik dalam deret waktu. Pola yang ini terjadi bila suatu deret dipengaruhi oleh faktor musiman, misalnya : kuartal tahun tertentu, bulanan, atau hari – hari pada minggu tertentu.

3. Pola Siklis (Cyclical)

Pola data yang menunjukkan gerakan naik turun dalam jangka panjang dari suatu kurva trend. Terjadi bila datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklis bisnis.

4. Pola Data Trend

Pola yang menunjukkan kenaikan atau penurunan jangka panjang data.

2.5 Metode Pemulusan (Smoothing)

Metode pemulusan (smoothing) adalah metode peramalan dengan mengadakan penghalusan terhadap masa lalu, yaitu dengan mengambil rata – rata dari nilai beberapa tahun lalu untuk menaksir nilai pada beberapa tahun ke depan. Secara umum metode pemulusan (smoothing) diklasifikasikan menjadi dua bagian :

1. Metode Rata - Rata

Metode rata – rata dibagi atas empat bagian : a. Nilai rata-rata (mean)

b. Rata – rata bergerak tunggal (single moving average)

c. Rata – rata bergerak ganda (double moving average)

d. Kombinasi rata – rata bergerak lainnya.

Metode rata – rata tujuannya adalah untuk memanfaatkan data masa lalu untuk mengembangkan suatu sistem peramalan pada periode mendatang.

2. Metode Pemulusan Eksponensial

Ft+1= α Xt + (1-α) Ft

Dimana :

Ft+1 = ramalan suatu periode ke depan Xt = data aktual pada periode ke-t Ft = ramalan pada periode ke-t

α = parameter pemulusan

Metode pemulusan (smoothing) eksponensial merupakan sekelompok metode yang menunjukkan pembobotan menurun secara eksponensial terhadap nilai observasi yang lebih tua atau dengan kata lain nilai observasi yang baru diberikan bobot yang relatif lebih besar dibandingkan nilai observasi yang lebih tua. Metode ini terdiri atas : 1. Metode Pemulusan (Smoothing) Eksponensial Tunggal

a. Satu Parameter (One Parameter)

b. Pendekatan Aditif

Digunakan untuk data yang bersifat stasioner dan tidak menunjukkan pola data atau trend.

2. Metode Pemulusan (Smoothing) Eksponensial Ganda a. Metode Linear Satu Parameter dari Brown b. Metode Dua Parameter dari Holt

3. Metode Pemulusan (Smoothing) Eksponensial Triple a. Metode Kuadratik Satu Parameter dari Brown

b. Metode Kecendrungan dan Musim Tiga Parameter dari Winter Digunakan untuk data berbentuk trend dan musiman.

4. Metode Pemulusan (Smoothing) Eksponensial Menurut Klasifikasi Pegels.

2.5.1 Metode yang Digunakan

Untuk mendapatkan hasil ramalan yang baik, maka harus diketahui cara peramalan yang tepat. Data nilai UMR ke dalam grafis menunjukkan pola data trend linear yang dapat dilihat dari plot autokorelasi nilai - nilai autokorelasi yang menunjukkan pola data trend linear. Maka metode peramalan deret berkala yang digunakan untuk meramalkan nilai penjualan energi gas pada pemecahan masalah ini adalah dengan menggunakan Metode Pemulusan (Smoothing) Eksponensial Ganda Satu Parameter dari Brown.

Metode ini merupakan metode linear yang dikemukakan oleh Brown. Dasar pemikiran dari Metode Pemulusan (Smoothing) Eksponensial Linear Satu Parameter dari Brown adalah serupa dengan rata - rata bergerak linear, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data sebenarnya. Bila terdapat unsur trend, perbedaan nilai pemulusan tunggal dan ganda dapat ditambahkan kepada pemulusan tunggal dan disesuaikan untuk trend.

Persamaan yang dipakai dalam pelaksanaan metode Pemulusan (Smoothing) Ekponensial Linear Satu Parameter dari Brown adalah sebagai berikut :

S"t = αS't + (1 - α) S"t – 1

at = S't + (S't - S"t) = 2 S't - S"t

bt =

Ft+m = at + btm Dimana,

S't = nilai pemulusan eksponensial tunggal (single eksponensial smoothing value)

S"t = nilai pemulusan eksponensial ganda (double eksponensial smoothing value)

α = parameter pemulusan eksponensial dengan besar 0 < α < 1 at, , bt =konstanta pemulusan

Ft+m = hasil peramalan untuk m periode ke depan yang diramalkan

2.6 Ketepatan Ramalan

Ketepatan ramalan adalah suatu hal yang mendasar dalam peramalan yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data yang diberikan. Ketepatan dipandang sebagai kriteria penolakan untuk memilih suatu metode peramalan. Dalam pemodelan deret berkala (time series) dari data masa lalu dapat diramalkan situasi yang akan terjadi pada masa yang akan datang. Maka untuk menguji kebenaran ramalan digunakan kriteria ketepatan ramalan.

Beberapa kriteria yang digunakan untuk menguji ketepatan ramalan adalah : 1. ME (Mean Error) / Nilai Tengah Kesalahan

ME =

α α

−

1

(

S't−S ''t

)

N e

N

t t

∑

2. MSE (Mean Square Error) / Nilai Tengah Kesalahan Kuadrat

MSE =

3. MAE (Mean Absolute Error) / Nilai Tengah Kesalahan Absolut

MAE =

4. MAPE (Mean Absolute Percentage Error) / Nilai Tengah Kesalahan Persentase Absolut

MAPE =

5. MPE (Mean Percentage Error) / Nilai Tengah Kesalahan Persentase

MPE =

Dimana :

et = Xt -Ft (kesalahan pada periode ke-t) Xt = data aktual pada periode ke-t

PEt = 100 (kesalahan persentase pada periode ke-t)

Ft = nilai ramalan pada periode ke-t N = banyaknya periode waktu

N e N t t

∑

=1 2 N e N t t

∑

=1 N PE N t t

∑

=1 N PE N t t

∑

=1       − t t t X F X

Metode peramalan yang dipilih adalah metode yang memberikan nilai MSE yang terkecil.

2.7 Penentuan Koefisien Autokorelasi

Koefisien autokorelasi berfungsi untuk menunjukkan suatu deret berkala itu sendiri dengan selisih 1,2 periode atau lebih. Koefisien autokorelasi yang menggambarkan hubungan antar suatu deret berkala dengan deret berkala itu sendiri pada kelambatan waktu (lag) k periode. Secara sistematis untuk menghitung koefisien autokorelasi dapat menggunakan rumus sebagai berikut :

rk =

Dimana :

rk = koefisien autokorelasi Yt = data aktual pada periode ke-t

= nilai tengah dari data aktual

Yt+k = data aktual pada periode ke-t dengan kelambatan (time lag) k

Rumus sederhana yang biasa digunakan untuk menghitung kesalahan standar adalah :

Serk =

Dimana :

n = banyak data asli

Serk = kesalahan standar dari rk

(

)(

)

(

)

∑

∑

= − = − − − − n t t k n t k t t Y Y Y Y Y Y 1 2 1 Y n 1

Batas signifikan koefisien autokorelasi adalah : -1,96 Serk ≤ rk ≤ +1,96 Serk

Dengan koefisien autokorelasi dapat ditentukan apakah suatu pola data bersifat acak, konstan, atau musiman. Koefisien autokorelasi juga dapat memperlihatkan ketidakstasioneran data.

Apabila berada di luar rentang nilai maka koefisien autokorelasi tersebut berada secara signifikan dari nol maka data tersebut menunjukkan pola trend.

BAB 3

SEJARAH DAN STRUKTUR BPS

3.1 Sejarah Badan Pusat Statistik (BPS)

Badan Pusat Statistik (BPS) adalah Lembaga Negara Non Departemen. Badan Pusat Statistik melakukan kegiatan yang ditugaskan oleh pemerintah antara lain pada bidang pertanian, agraria, pertambangan, kependudukan, sosial, ketenagakerjaan, keuangan, pendapatan, dan keagamaan. Selain hal - hal tersebut Badan Pusat Statistik juga bertugas untuk melaksanakan koordinasi di lapangan, kegiatan statistik dari segenap instansi baik di pusat maupun daerah dengan tujuan mencegah dilakukannya pekerjaan yang serupa oleh dua atau lebih instansi, memajukan keseragaman dalam penggunaan definisi, klasifikasi, dan ukuran - ukuran lainnya. Berikut ini beberapa masa peralihan di BPS yaitu :

3.1.1 Masa Pemerintahan Hindia Belanda

Pada bulan Februari 1920, Kantor Statistik pertama kali didirikan oleh Direktur Pertanian, Kerajinan dan Perdagangan (Directur Vand Land Bouw Nijeverbeid en Handel), dan berkedudukan di Bogor. Kantor ini ditugaskan untuk mengelola dan mempublikasikan data statistik.

Pada bulan Maret 1923, dibentuk suatu Komisi untuk statistik yang anggotanya merupakan tiap – tiap Departemen. Komisi tersebut diberi tugas merencanakan tindakan yang mengarah sejauh mungkin untuk mencapai kesatuan dalam kegiatan di bidang statistik di Indonesia.

Pada tanggal 24 September 1924, nama lembaga tersebut diganti dengan nama Central Kantor Vor de Statistik (CKS) atau Kantor Statistik dan dipindahkan ke Jakarta. Bersama dengan itu, beralih juga pekerjaan mekanisme statistik perdagangan yang semula dilakukan oleh Kantor Invoer Uitvoer en Accijnsen (IUA) yang disebut sekarang Kantor Bea dan Cukai.

3.1.2 Masa Pemerintahan Jepang

Pada bulan Juni 1944, pemerintahan Jepang baru mengaktifkan kembali kegiatan statistik yang utamanya diarahkan untuk memenuhi kebutuhan perang atau militer. Pada masa ini juga CKS diganti nama menjadi Shomubu Chosasitu Gunseikanbu.

3.1.3 Masa Kemerdekaan Republik

Setelah proklamasi kemerdekaan Republik Indonesia tanggal 17 Agustus 1945, kegiatan statistik ditangani oleh lembaga atau instansi baru sesuai dengan suasana kemerdekaan yaitu KPPURI (Kantor Penyelidikan Perangkaan Umum Republik Indonesia). Tahun 1946, kantor KPPURI dipindahkan ke Yogyakarta sebagai hasil dari perjanjian Linggarjati. Sementara itu, pemerintahan Belanda (NICA) di Jakarta mengaktifkan kembali CKS.

Dengan surat Menteri Perekonomian tanggal 1 Maret 1952 No. P/44, lembaga KPS berada di bawah dan bertanggung jawab kepada Menteri Perekonomian. Selanjutnya, keputusan Menteri Perekonomian tanggal 24 September 1953 No. 18.009/M KPS dibagi menjadi 2 (dua) bagian, yaitu bagian research yang disebut Afdeling A dan bagian penyelenggaraan tata usaha yang disebut Afdeling B.

Dengan Keputusan Presiden RI No. 131 tahun 1957, kementerian perekonomian dipecah menjadi kementerian perdagangan dan kementerian perindustrian. Untuk selanjutnya, Keputusan Presiden RI No. 172 tahun 1957, terhitung mulai tanggal 1 Juni 1957 KPS diubah menjadi Biro Pusat Statistik.

3.1.4 Masa Orde Baru Sampai Sekarang

Pada pemerintahan Orde Baru, khususnya untuk memenuhi kebutuhan dalam perencanaan dan evaluasi pembangunan, maka untuk mendapatkan statistik yang handal, lengkap, tepat, akurat, dan terpercaya mulai diadakan pembenahan Organisasi Biro Pusat Statistik.

Dalam masa orde baru ini BPS telah mengalami empatkali perubahan Struktur Organisasi yaitu :

1. Peraturan Pemerintah No. 16 tahun 1968 tentang Organisasi BPS. 2. Peraturan Pemerintah No. 6 tahun 1980 tantang Organisasi BPS.

3. Peraturan Pemerintah No. 2 tahun 1992 tentang kedudukan, tugas, fungsi, suasana, dan tata kerja BPS.

4. Undang – Undang No. 16 tahun 1997 tentang Statistik. 5. Keputusan Presiden RI No. 86 tahun 1998 tentang BPS.

6. Keputusan Kepala BPS No. 100 tahun 1998 tentang organisasi dan tata kerja BPS.

7. PP 51 tahun 1999 tentang penyelenggaraan statistik.

Tahun 1968, ditetapkan Peraturan Pemerintah No. 16 tahun 1968 yaitu yang mengatur organisasi dan tata kerja di pusat dan di daerah. Tahun 1980, Peraturan Pemerintah No. 6 tahun 1980 tentang organisasi sebagai pengganti Peraturan Pemerintah No. 16 tahun 1968 di tiap Propinsi dan di Kabupaten atau Kotamadya terdapat cabang perwakilan Badan Pusat Statistik. Pada tanggal 19 Mei 1997 menetapkan tentang statistik sebagai pengganti Undang - Undang Nomor : 6 dan 7 tentang sensus dan statistik. Pada tanggal 17 Juni 1998 dengan Keputusan RI No. 86 tahun 1998 ditetapkan Biro Pusat Statistik sekaligus mengatur tata kerja dan struktur organisasi Badan Pusat Statistik yang baru.

3.2 Visi dan Misi Badan Pusat Statistik

3.2.1 Visi Badan Pusat Statistik

Badan Pusat Statistik mempunyai visi menjadikan informasi statistik sebagai tulang punggung informasi pembangunan nasional dan regional, didukung sumber daya manusia yang berkualitas, ilmu pengetahuan dan teknologi informasi yang mutakhir.

3.2.2 Misi Badan Pusat Statistik

Dalam perjuangan pembangunan nasional, Badan Pusat Statistik mengembangkan misi mengarahkan pembangunan statistik pada penyajian data statistik yang bermutu

handal, efektif, dan efisien, peningkatan kesadaran masyarakat akan arti dan kegunaan statistik dan pengembangan ilmu pengetahuan statistik.

3.3 Struktur Organisasi Badan Pusat Statistik

Organisasi merupakan suatu fungsi manajemen yang mempunyai peranan dan kegiatan langsung dengan instansi sosial yang terjadi di antara individu - individu dalam rangka kerjasama untuk mencapai tujuan yang telah ditetapkan. Struktur organisasi perusahaan merupakan salah satu faktor penting yang mempengaruhi tingkat keberhasilan suatu perusahaan dalam mencapai suatu tujuan yang ditetapkan. Dengan adanya struktur organisasi maka akan jelaslah pemisahan tugas dari para pegawai/staf.

Struktur organisasi yang ditetapkan di Kantor Badan Pusat Statistik adalah struktur organisasi ini dan staf. Struktur ini mengandung unsur - unsur spesialisasi kerja, standardisasi kegiatan, sentralisasi dan desentralisasi dalam pembuatan keputusan dan ukuran satuan yang menunjukkan lokasi kekuasaan, pembuatan keputusan, dan ukuran satuan yang menunjukkan suatu kelompok kerja.

Adapun tujuan dari struktur organisasi ini dan staf di Kantor Badan Pusat Statistik (BPS) Propinsi Sumatera Utara adalah :

a. Pengkoordinasian yaitu yang memungkinkan komunikasi integrasi berbagai departemen dan kegiatan - kegiatan yang saling berhubungan satu sama lain.

b. Pemberian saran yaitu memberikan saran atau membuat rekomendasi bagi manajemen.

c. Pembuatan keputusan yaitu membuat keputusan - keputusan dan mengamati bagaimana pelaksanaan dari keputusan tersebut.

Adapun bagan struktur organisasi Badan Pusat Statistik Propinsi Sumatera Utara adalah sebagai berikut :

Peraturan Presiden Republik Indonesia Nomor : 86 tahun 1998 ditetapkan Badan Pusat Statistik sebagaimana lampiran dalam organisasi Kantor Badan Pusat Statistik Propinsi Sumatera Utara dipimpin oleh seorang Kepala Kantor.

Kepala Kantor dibantu tata usaha yang terdiri dari : a. Sub Bagian Urusan Dalam

b. Sub Bagian Perlengkapan c. Sub Bagian Keuangan d. Sub Bagian Kepegawaian

e. Sub Bagian Bina Potensi/Bina Program

Sedangkan Bidang Penunjang Statistik terdiri dari 5(lima) bidang yaitu : 1. Bidang Statistik Produksi

Bidang Statistik Produksi mempunyai tugas untuk melaksanakan kegiatan statistik pertanian, industri, konstruksi pertambangan dan energi.

2. Bidang Statistik Distibusi

Bidang Statistik Distribusi mempunyai tugas melaksanakan kegiatan statistik konsumen, perdagangan besar, statistik keuangan dan harga produsen serta niaga dan jasa.

3. Bidang Statistik Kependudukan

Bidang BPS Kependudukan mempunyai tugas melaksanakan kegiatan statistik demografi dan rumah tangga, statistik tenaga kerja, serta statistik kesejahteran.

4. Bidang Integrasi Pengolahan dan Diseminasi Statistik (IPDS)

Bidang IPDS mempunyai tugas untuk penyiapan data, penyusunan sistem, dan program serta operasional pengolahan data dengan program komputer.

5. Bidang Neraca Wilayah dan Analisis Statistik

Bidang Neraca Wilayah dan Analisis Statistik mempunyai tugas untuk penyusunan neraca produksi, neraca konsumsi, dan akumulasi penyajian analisis serta kegiatan penerapan statistik.

3.4 Tugas dan Wewenang Masing - Masing Bagian di Badan Pusat Statistik

3.4.1 Bidang Tata Usaha

1. Menyusun program kerja tahunan bidang.

2. Mengatur dan melaksanakan perhimpunan dan penyusunan program kerja tahunan, baik rutin maupun proyek kantor BPS propinsi dan menyampaikan ke BPS.

3. Mengatur dan melaksanakan urusan dalam yang meliputi surat - surat penggandaan atau percetakan, kearsipan, rumah tangga, pemeliharaan gedung, keamanan dan ketertiban lingkungan serta perjalanan dinas dalam dan luar negeri.

4. Mengatur dan melaksanakan urusan perlengkapan dan pembekalan yang meliputi penyusunan rencana kebutuhan, penyaluran, dan pengemasan penyimpanan pergudangan, iventarisasi, penghapusan serta pemeliharaan peralatan dan perlengkapan.

5. Mengatur dan melaksanakan urusan keuangan yang meliputi tata usaha keuangan, pembendaharaan, verifikasi, dan pembukuan.

6. Mengatur dan melaksanakan urusan dan mutasi pegawai, pembinaan pegawai, kesejahteraan pegawai, administrasi jabatan fungsional, hukum, organisasi tata laksana serta penyajian.

7. Menyusun laporan kegiatan sevara berkala dan sewaktu - waktu.

8. Mengatur dan melaksanakan urusan penyelenggaraan berbagai pelatihan teknis dan pelatihan administratif.

3.4.2 Bidang Statistik Produksi

1. Menyusun program kerja tahunan bidang yang meliputi kegiatan statistik pertanian, industri, konstruksi energi, dan statistik produksi lainnya yang ditemukan.

2. Mengatur keikutsertaan program latihan yang diselenggarakan oleh pusat bidang statistik produksi.

3. Membantu kepala kantor BPS atau pimpinan proyek atau bagian proyek untuk menyiapkan program petugas bagian lapangan.

4. Mengatur dan mengkoordinasi penyelenggaraan pelatihan petugas lapangan di pusat pelatihan serta mengatur penjatahan pelatihan.

5. Mengatur dan melaksanakan penjatahan dan pengawasan lapangan terhadap pelaksanaan lapangan produksi.

6. Mengatur dan melaksanakan pengawasan dan pemeriksaan dokumen hasil pengumpulan data statistik produksi.

7. Bersama - sama dengan bidang pengolahan data, mengatur dan menyiapkan data statistik produksi melalui komputer sesuai yang diterapkan.

8. Mengatur dan melaksanakan evaluasi hasil kerja kegiatan statistik produksi. 9. Mengatur dan menyiapkan hasil pengolahan statistik produksi yang akan

dikirim ke pusat melalui komputer sesuai dengan jadwal yang ditentukan. 10.Membantu Kepala Kantor Badan Pusat Statistik melakukan pembinaan secara

teratur petugas pencacah, pengawas, dan pemeriksaan pengumpulan data statistik produksi, kabupaten, kotamadya maupun kecamatan.

3.4.3 Bidang Statistik Ditribusi

1. Menyusun program kerja tahunan bidang yang meliputi kegiatan statistik pertanian, industri, konstruksi energi, dan statistik produksi lainnya yang ditemukan.

2. Mengatur keikutsertaan program pelatihan yang diselenggarakan oleh pusat di bidang statistik ditribusi.

3. Membantu kepala kantor BPS propinsi atau pimpinan proyek untuk menyiapkan program tugas lapangan.

4. Mengatur dan mengkoordinasi penyelenggaraan pelatihan petugas lapangan di pusat pelatihan serta mengatur penjatahan pelatihannya.

5. Mengatur dan melaksanakan penjatahan dan pengawasan lapangan terhadap pelaksanaan lapangan statistik distribusi.

3.4.4 Bidang Pengolahan Data

1. Menyusun program kerja tahunan bidang.

2. Meneliti jenis data yang diolah melalui komputer dan bersama - sama dengan bidang yang bersangkutan serta menentukan sistem pengolahan dengan komputer.

3. Mengatur pembuatan sistem dan program pelaksanaan penyiapan data dan operasi pengolahannya.

4. Mengatur dan melaksanakan penerimaan dokumen yang diolah dengan komputer.

5. Mengatur dan melaksanakan tugas yang langsung diberikan atasan.

3.4.5 Bidang Statistik Kependudukan

1. Menyusun program kerja tahunan bidang.

2. Melaksanakan kegiatan statistik demografi dan rumah tangga, ketenagakerjaan, kesejahteraan rakyat dan statistik kependudukan lainnya yang ditentukan.

3. Mengatur dan melaksanakan penjatahan dokumen yang diperlukan untuk pelaksanaan lapangan.

4. Melakukan pembinaan, pengamatan lanjut dan pengawasan lapangan terhadap pelaksanaan kegiatan statistik kependudukan.

5. Mengatur dan menyiapkan dokumen dan hasil pengolahan statistik kependudukan melalui komputer sesuai dengan jadwal yang telah ditentukan.

3.4.6 Bidang Neraca Wilayah dan Analisa

1. Menyusun program kerja tahunan.

2. Menyusun dan melaksanakan penerangan kegiatan statistik kepada masyarakat, instansi lainnya maupun media massa.

BAB 4

ANALISIS DAN PEMBAHASAN DATA

4.1 Data yang Dibutuhkan

Tabel 4.1 Data Upah Minimum Regional ( UMR ) Menurut Lapangan Usaha Pada Sektor Bangunan atau Konstruksi Kota Medan 2006-2010

PERIODE TAHUN NILAI UMR (Rp.)

1 2006 825.000

2 2007 902.000

3 2008 1.009.800

4 2009 1.071.000

5 2010 1.210.000

Gambar 4.1 Grafik Plot Data Nilai UMR (Upah Minimum Regional) dari Tahun 2006 – 2010

4.2 Analisa Deret Berkala Nilai UMR ( Upah Minimum Regional) kota Medan

Untuk menganalisa data deret berkala. terlebih dahulu kita harus melakukan plot data pada tabel 4.1 secara grafis. seperti yang terlihat pada gambar 4.1. Sesudah melakukan plot data deret berkala untuk pemeriksaan secara visual. maka alat statistik yang utama adalah koefisien autokorelasi (rk). Statistik ini menggambarkan hubungan antara suatu deret berkala dengan deret berkala itu sendiri pada kelambatan waktu (lag time) k periode.

Bentuk visual dari suatu plot deret berkala sering kali cukup untuk meyakinkan orang yang melakukan peramalan terhadap suatu data deret berkala tertentu bahwa data tersebut adalah stasioner atau tidak stasioner. Dengan demikian plot data autokorelasi data memperlihatkan ketidakstasioneran.

0 200000 400000 600000 800000 1000000 1200000 1400000

1 2 3 4 5

Ni

la

i UMR

(Rp

.)

Time Series Plot UMR

Tampilan plot data nilai Upah Minimum Regional (UMR) di atas menunjukkan bahwa data asli tersebut tidak stasioner. Untuk memperkuat gambar 4.1 ini perlu dihitung koefisien autokorelasi dari data tabel 4.1 pada berbagai time lag. Nilai autokorelasi ini sangat berpengaruh dalam peramalan deret berkala. Dari table 4.1 dapat dicari nilai autokorelasinya dengan menggunakan rumus dibawah ini:

rk =

(

)(

)

(

)

∑

∑

= − = − − − − n t t k n t k t t Y Y Y Y Y Y 1 2 1

Tabel 4.2 Nilai - nilai autokorelasi data nilai upah minimum regional kota Medan dengan k=1

Sumber : Perhitungan

t Tahun Yt Yt-1

Y

Y_t − Yt−1−Y

(

Yt −Y

)(

Yt−1−Y

)

(

)

2

Y Y_t −

1 2006 825.000 - -178.560 - - 31.883.673.600 2 2007 902.000 825.000 -101.560 -178.560 18.134.553.600 10.314.433.600 3 2008 1.009.800 902.000 6.240 -101.560 -633.734.400 38.937.600 4 2009 1.071.000 1.009.800 67.440 6.240 420.825.600 4.548.153.600 5 2010 1.210.000 1.071.000 206.440 67.440 13.922.313.600 42.617.473.600

Maka untuk r1 .dengan kelambatan (k) 1 periode r1 =

(

)(

)

(

)

∑

∑

= − = − − − − 5 1 2 1 5 1 1 t t t t t Y Y Y Y Y Y r1 =

(

)(

)

(

)

∑

∑

= = − − − − 5 1 2 4 1 1 t t t t t Y Y Y Y Y Y r1= 2 2 ) 560 . 003 . 1 000 . 210 . 1 ( .. ) 560 . 003 . 1 000 . 825 ( ) 560 . 003 . 1 000 . 210 . 1 )( 560 . 003 . 1 000 . 071 . 1 ( .. ) 560 . 003 . 1 000 . 902 )( 560 . 003 . 1 000 . 825 ( − + + − − − + + − −

r1= _{2 2}

) 206.440 ( ... ) 560 . 178 ( ) 440 . 206 )( 440 . 67 ( ... ) -101.560 )( -178.560 ( + + − + + r1= .000 89.402.672 .400 31.843.958

r1 = 0.36

(

)

(

)

560 . 003 . 1 5 800 . 017 . 5 5 1.210.000 1.071.000 1.009.800 902.000 825.000 10 10 9 8 7 6 5 4 3 2 1 1 = = + + + + = + + + + + + + + + = =

∑

= Y Y Y Y Y Y Y Y Y Y Y Y Y Y n Y Y n t t

Tabel 4.3 Nilai - nilai autokorelasi data nilai upah minimum regional kota Medan dengan k=2

t Tahun Yt Yt-2

Y

Y_t − Yt−2−Y

(

Yt −Y

)(

Yt−2 −Y

)

(

)

2

Y Y_t −

2006 825.000 - -178.560 - - 31.883.673.600 2007 902.000 - -101.560 - - 10.314.433.600 2008 1.009.800 825.000 6.240 -178.560 -1.114.214.400 38.937.600 2009 1.071.000 902.000 67.440 -101.560 -6.849.206.400 4.548.153.600 2010 1.210.000 1.009.800 206.440 6.240 1.288.185.600 42.617.473.600 jumlah 5.017.800 2.736.800 0 -273.880 -6.675.235.200 89.402.672.000

Sumber : Perhitungan

Maka untuk r2 , dengan kelambatan (k) 2 periode

r2 =

(

)(

)

(

)

∑

∑

= − = − − − − 5 1 2 2 5 1 2 t t t t t Y Y Y Y Y Y r2 =

(

)(

)

(

)

∑

∑

= = − − − − 5 1 2 3 1 2 t t t t t Y Y Y Y Y Y

r2=

2 2 ) 1003560 1210000 ( ... ) 1003560 825000 ( ) 1003560 1210000 )( 1003560 1009800 ( ... ) 1003560 1009800 )( 1003560 825000 ( − + + − − − + + − −

r2 = _{2 2}

) 206.440 ( ... ) 560 . 178 ( ) 206.440 )( 6240 ( ... ) 6.240 )( -178.560 ( + + − + + r2 = .000 89.402.672 200 6.675.235.

Dengan demikian, maka autokorelasi untuk time lag ke-3 dan seterusnya dapat kita peroleh dari persamaan tersebut dengan menggunakan data dalam table untuk mempermudah penulis dalam mengolah data tersebut dengan tepat dan akurat. Maka dengan cara yang sama akan diperoleh koefisien autokorelasi yang selanjutnya. Dari cara datas diperoleh data nilai autokorelasi sebagai berikut :

Tabel 4.4 Nilai Koefisien Autokorelasi

Time Lag r

1 0.36

2 -0.075

3 -0.37

4 -0.41

Sumber : Perhitungan

Dari data analisis deret berkala dengan autokorelasi serta nilai - nilai autokorelasi data nilai Upah Minimum Regional ( UMR ) dapat dilihat bahwa pola trend linear menunjukkan bahwa data tersebut tidak stasioner. Maka dapat diplot autokorelasi data pertumbuhan nilai Upah Minimum Regional ( UMR ) setelah dicari autokorelasinya.

Gambar 4.2 Diagram Batang Koefisien Autokorelasi Data Asli

Dari plot autokorelasi data di atas dapat dilihat trend searah diagonal. bersama dengan jumlah time lag dimana nilai - nilai autokorelasi menurun secara perlahan - lahan. Dan dapat meyakinkan peramalan dalam menganalisa adanya kestasioneran atau ketidakstasioneran data.

Adapun kesalahan standar (Se)rk =

n

1

= 5 1

= 0.4472

Dengan tingkat kepercayaan 95% dari seluruh koefisien berdasarkan sampel harus terletak dalam daerah tengah ditambah atau dikurangi 1.96 kali kesalahan standar. Dengan demikian suatu deret data dapat dituliskan dengan :

-1.96(0.4472) ≤ rk ≤ 1.96(0.4472) -0.87654 ≤ rk ≤ 0.87654

-0,6 -0,4 -0,2 0 0,2 0,4

1 2 3 4

Ni

la

i r

Time Lag

Nilai koefisien autokorelasi time lag 1 berada di dalam rentang. jadi berbeda secara signifikan dari nol. yang berarti tidak ada hubungan yang signifikan antara nilai suatu variabel dengan nilai variabel itu sendiri dengan time lag suatu periode yang menunjukkan pola trend.

4.3 Metode Pemulusan (Smoothing) Eksponensial Linear Satu Parameter dari Brown

4.3.1 Penaksiran Model Peramalan

Dalam pengolahan dan penganalisaan data. penulis mengaplikasikan data (tabel 4.1) dengan metode peramalan (forecasting) berdasarkan metode pemulusan (smoothing) eksponensial linear satu parameter dari Brown. Persamaan yang dipakai dalam Metode Pemulusan (Smoothing) Eksponensial Ganda Satu Parameter dari Brown adalah sebagai berikut:

• Nilai Pemulusan Eksponensial Tunggal

S't = αXt + (1 - α) S't – 1

Agar dapat menggunakan rumus tersebut, karena nilai S't – 1 tidak diketahui, maka nilainya dapat ditetepakan dari nilai rata-rata Xt atau nilai X pada saat t=1 sebagai titik awal. Dari data yang telah diperoleh maka nilai S't dimana t mulai dari 1 sampai 5,

dan α mulai dari 0,1 sampai 0,9 (namun yang dijelaskan penulis hanya menggunakan

Untuk t=1

S'1 = nilai X1 = 825.000

Untuk mendapatkan nilai S' yang selanjutnya.

Untuk t=2

S'2 = 0,1 X2 + (1 – 0,1) S'2- 1 S'2 = 0,1 (902.000) + (1 – 0,1) S'1 S'2 = 0,1 (902.000)+ (0,9) (825.000) S'2 = 90.200+ 742.500

S'2 = 832.700

Untuk t=3

S'3 = 0,1 X3 + (1 – 0,1) S'3- 1 S'3 = 0,1 (1.009.800) + (1 – 0,1) S'2 S'3 = 0,1 (1.009.800)+ (0,9) (832.700) S'3 = 100.980 + 749.430

S'3 = 850.410

Untuk S't mulai dari t=3 sampai t=5 dapat dilihat pada table selanjutnya.

• Nilai Pemulusan Eksponensial Ganda

Sama dengan S't, Agar dapat menggunakan rumus tersebut, karena nilai S"t – 1 tidak diketahui, maka nilainya dapat ditetepakan dari nilai rata-rata Xt atau nilai X pada saat t=1 sebagai titik awal. Dari data yang telah diperoleh maka nilai S't dimana t mulai

dari 1 samapai 10, dan α mulai dari 0,1 samapai 0,9 (namun yang dijelaskan penulis hanya menggunakan α=0,1) adalah sebagai berikut:

Untuk t=1

S"1 = nilai S'1 = 825.000

Untuk mendapatkan nilai S״ yang selanjutnya.

Untuk t=2

S"2 = 0,1 S'2 + (1 – 0,1) S"2 – 1 S"2 = 0,1 (832.700)+ (1 – 0,1) S"1 S"2 = 0,1 (832.700) + (0,9) (825.000) S"2 = 83.270+ 742.500

S"2 = 825.770

Untuk t=3

S"3 = 0,1 S'3 + (1 – 0,1) S"3-1 S"3 = 0,1 (850.410) + (1 – 0,1) S"2 S"3 = 0,1 (850.410) + (0,9) (825.770) S"3 = 85.041+ 743.193

Untuk S't mulai dari t=3 sampai t=5 dapat dilihat pada table selanjutnya.

• Konstanta Pemulusan at dan bt

at = S't + (S't - S"t) = 2 S't - S"t

bt = _1−�� � St′ − St"�

Untuk t=1

a1 = 2 S'1 - S"1

b1 = 0,1

1−0,1� S1

′ _{− S} 1"�

untuk nilai a dan b pada saat t=1 nilainya tidak ada karena nilai pemulusan tunggal dan ganda memakai nilai pada X untuk t=1.

Untuk t=2

a2 = 2 S'2 - S"2

a2 = 2 (832.700) - (825.770) a2 = 1.665.400 - 825.770 a2 = 839.630

b2 = 0,1

1−0,1� S2

′ _{− S} 2"�

b2 = 0₀,1

,9( 832.700 − 825.770)

b2 = 0,1

0,9( 6.930)

untuk t=3

a3 = 2 S'3 - S"3

a3 = 2 (850.410) - (828.234) a3 = 1.700.820 - 828.234 a3 = 872.586

b3 = 0,1

1−0,1� S3

′ _{− S} 3"�

b3 = 0

,1

0,9( 850.410 − 828.234)

b3 = 0,1

0,9( 22.176)

b3 = 2.464

Untuk a dan bmulai dari t=4 sampai t=5 dapat dilihat pada table selanjutnya.

• Hasil Peramalan Untuk m Periode Kedepan Ft+m = at + btm

Untuk nilai Ft+m , dapat ditentukan dengan melihat nilai m ( selisih waktu peramalan dimana m=1,2,3,…). Namun penulis membuat nilai ramalan untuk tahun berikutnya dipakai 1 tahun sebelumnya. Maka untuk nilai F dapat dicari mulai dari t=2 untuk memperoleh nilai F3 karena nilai a dan b dimulai dari t=2. Dengan menggunakan rumus diatas diperoleh sebagai berikut:

Untuk t=2

F2+1 = a2 + b2(1)

F3 = 839.630 + 770(1) F3 = 839.630 + 770 F3 = 840.400

Untuk t=3

F3+1 = a3 + b3(1)

F4 = 872.586 + 2.464(1) F4 = 872.586 + 2.464 F4 = 875.050

Untuk Ft mulai dari t=5 dapat dilihat pada table selanjutnya.

Untuk memenuhi perhitungan smoothing eksponensial ganda. tunggal. dan ramalan yang akan datang maka terlebih dahulu penulis akan menentukan parameter

nilai α yang biasanya dihitung secara trial and error (coba dan salah). Suatu nilai α

dipilih yang besarnya 0<α<1. dihitung Mean Square Error (MSE) yang merupakan

suatu ukuran ketepatan perhitungan dengan mengkuadratkan masing - masing kesalahan untuk masing - masing item dalam sebuah susunan data dan kemudian

dicoba nilai α yang lain.

Untuk menghitung MSE pertama kali dicari error terlebih dahulu. yang merupakan hasil dari data asli dikurangi hasil ramalan. Lalu tiap error dikuadratkan dan dibagi dengan banyaknya error. Secara matematik rumus MSE (Mean Square Error) sebagai berikut :

MSE =

N e

N

t t

∑

=1 2

Dari rumus tersebut maka dapat di cari nilainya dengan menggunakan tabel yang

diolah dengan microsoft excel. Dengan menggunakan nilai α= 0,1 sampai α=0,9

diperoleh dalam tabel sebagai berikut:

Tabel 4.5 Menentukan Nilai MSE dengan Menggunakan α = 0.1

Sumber : Perhitungan

Untuk α = 0.1 . N = 3

Maka :

MSE =

N e

N

t t

∑

=1 2

=

3

6.116 153.115.30

= 51.038.435.372

t Xt S't S"t at bt Ft+m et et2

1

825.000 825.000 825.000 - - - -

-2

902.000 832.700 825.770 839.630 770 - - -3

1.009.800 850.410 828.234 872.586 2.464 840.400 169.400 28.696.360.000 4

1.071.000 872.469 832.657,5 912.280,5 4.423,5 875.050 195.950 38.396.402.500 5

1.210.000 906.222,1 840.013,96 972.430,24 7.356,46 916.704 293.296 86.022.543.616 Jumlah

Tabel 4.6 Menentukan Nilai MSE dengan Menggunakan α = 0.2

t Xt S't S"t at bt Ft+m et et2

1 825.000 825.000 825.000 - - - -

-2 902.000 840.400 828.080 852.720 3.080 - - -3 1.009.800 874.280 837.320 911.240 9.240 855.800 154.000 23.716.000.000 4 1.071.000 913.624 852.580,8 974.667,2 15.260,8 920.480 150.520 22.656.270.400 5 1.210.000 972.899,2 876.644,48 1.069.153,92 24.063,68 989.928 220.072 48.431.685.184

Jumlah 94.803.955.584

Sumber : Perhitungan

Untuk α = 0.2 . N = 3

Maka :

MSE =

N e

N

t t

∑

=1 2

=

3

.584 94.803.955

Tabel 4.7 Menentukan Nilai MSE dengan Menggunakan α = 0.3

t Xt S't S"t at bt Ft+m et et2

1 825.000 825.000 825.000 - - - -

-2 902.000 848.100 831.930 864.270 6.930 - - -3 1.009.800 896.610 851.334 941.886 19.404 871.200 138.600 19.209.960.000 4 1.071.000 948.927 880.611.,9 1.017.242 292.77,9 961.290 109.710 12.036.284.100 5 1.210.000 1.027.248,9 924.603 1.129.895 43.991,1 1.046.520 163.480 26.725.710.400

Jumlah 57.971.954.500

Sumber : Perhitungan

Untuk α = 0.3 . N = 3

Maka :

MSE =

N e

N

t t

∑

=1 2

=

3

.500 57.971.954

Tabel 4.8 Menentukan Nilai MSE dengan Menggunakan α = 0.4

t Xt S't S"t at bt Ft+m et et2

1 825.000 825.000 825.000 - - - -

-2 902.000 855.800 837.320 874.280 12.320 - - -3 1.009.800 917.400 869.352 965.448 32.032 886.600 123.200 15.178.240.000 4 1.071.000 978.840 913.147,2 1.044.532,8 43.795,2 997.480 73.520 5.405.190.400 5 1.210.000 1.071.304 976.409,92 1.166.198,08 63.262,72 1.088.328 121.672 14.804.075.584

Jumlah 35.387.505.984

Sumber : Perhitungan

Untuk α = 0.4 . N = 3

Maka :

MSE =

N e

N

t t

∑

=1 2

=

3 .984 35.387.505

Tabel 4.9 Menentukan Nilai MSE dengan Menggunakan α = 0.5

t Xt S't S"t at bt Ft+m et et2

1 825.000 825.000 825.000 - - - -

-2 902.000 863.500 844.250 882.750 19.250 - - -3 1.009.800 936.650 890.450 982.850 46.200 902.000 107.800 11.620.840.000 4 1.071.000 1.003.825 947.137,5 1.060.512,5 56.687,5 1.029.050 41.950 1.759.802.500 5 1.210.000 1.106.912,5 1.027.025 1.186.800 79.887,5 1.117.200 92.800 8.611.840.000

Jumlah 21.992.482.500

Sumber : Perhitungan

Untuk α = 0.5 . N = 3

Maka :

MSE =

N e

N

t t

∑

=1 2

=

3

.500 21.992.482

Tabel 4.10 Menentukan Nilai MSE dengan Menggunakan α = 0.6

t Xt S't S"t at bt Ft+m et et2

1 825.000 825.000 825.000 - - - -

-2 902.000 871.200 852.720 889.680 27.720 - - -3 1.009.800 954.360 913.704 995.016 60.984 917.400 92.400 8.537.760.000 4 1.071.000 1.024.344 980.088 1.068.600 66.384 1.056.000 15.000 225.000.000 5 1.210.000 1.135.737,6 1.073.477,76 1.197.997 93.389,76 1.134.984 75.016 5.627.400.256

Jumlah 14.390.160.256

Sumber : Perhitungan

Untuk α = 0.6 . N = 3

Maka :

MSE =

N e

N

t t

∑

=1 2

=

3

.256 14.390.160

Tabel 4.11 Menentukan Nilai MSE dengan Menggunakan α = 0.7

t Xt S't S"t at bt Ft+m et et2

1 825.000 825.000 825.000 - - - -

-2 902.000 878.900 862.730 895.070 37.730 - -

-3 1.009.800 970.530 938.190 1.002.870 75.460 932.800 77.000 5.929.000.000 4 1.071.000 1.040.859 1.010.058,3 1.071.659,7 71868,3 1.078.330 -7.330 53.728.900 5 1.210.000 1.159.257,7 1.114.497,88 1.204.017,52 104.439,58 1.143.528 66.472 4.418.526.784

Jumlah 10.401.255.684

Sumber : Perhitungan

Untuk α = 0.7 . N = 3

Maka :

MSE =

N e

N

t t

∑

=1 2

=

3

.684 10.401.255

Tabel 4.12 Menentukan Nilai MSE dengan Menggunakan α = 0.8

t Xt S't S"t at bt Ft+m et et2

1 825.000 825.000 825.000 - - - -

-2 902.000 886.600 874.280 898.920 49.280 - - -3 1.009.800 985.160 962.984 1.007.336 88.704 948.200 61.600 3.794.560.000 4 1.071.000 1.053.832 1.035.662,4 1.072.001,6 72.678,4 1.096.040 -25.040 627.001.600 5 1.210.000 1.178.766,4 1.150.145,6 1.207.387,2 114.483,2 1.144.680 65.320 4.266.702.400

Jumlah 8.688.264.000

Sumber : Perhitungan

Untuk α = 0.8 . N = 3

Maka :

MSE =

N e

N

t t

∑

=1 2

=

3 000 8.688.264.

Tabel 4.13 Menentukan Nilai MSE Menggunakan α = 0.9

t Xt S't S"t at bt Ft+m et et2

1 825.000 825.000 825.000 - - - -

-2 902.000 894.300 887.370 901.230 62.370 - - -3 1.009.800 998.250 987.162 1.009.338 99.792 963.600 46.200 2.134.440.000 4 1.071.000 1.063.725 1.056.068,7 1.071.381 68.906,7 1.109.130 -38.130 1.453.896.900 5 1.210.000 1.195.372,5 1.181.442,12 1.209.303 125.373,42 1.140.288 69.712 4.859.762.944

Jumlah 8.448.099.844

Sumber : Perhitungan

Untuk α = 0.9 . N = 3

Maka :

MSE =

N e

N

t t

∑

=1 2

=

3 844 8.448.099.

Kemudian salah satu nilai MSE tersebut dibandingkan untuk menentukan nilai α yang

memberikan nilai MSE yang terkecil / minimum. Perbandingan ukuran ketepatan metode peramalan peningkatan nilai Upah Minimum Regional ( UMR ) kota Medan dengan melihat MSE sebagai berikut :

Tabel 4.14 Perbandingan Ukuran Ketepatan Metode Peramalan

α _∑e

t2 MSE

0.1 153.115.306.116 51.038.435.372

0.2 94.803.955.584 31.601.318.528

0.3 57.971.954.500 19.323.984.833

0.4 35.387.505.984 11.795.835.328

0.5 21.992.482.500 7.330.827.500

0.6 14.390.160.256 4.796.720.085

0.7 10.401.255.684 3.467.085.228

0.8 8.688.264.000 2.896.088.000

0.9 8.448.099.844 2.816.033.281

Sumber : Perhitungan

Dari Tabel 4.13 di atas. dapat dilihat bahwa yang menghasilkan nilai MSE yang

Tabel 4.15 Aplikasi Pemulusan (Smoothing) Eksponensial Linear Satu Parameter dari Brown Menggunakan α = 0.9 Pada Nilai Upah Minimum Regional ( UMR ) t Xt S't S"t at bt Ft+m et abs et et2

1 825000 825000 825000 - - -

-2 902000 894300 887370 901230 62370 - -

-3 1009800 998250 987162 1009338 99792 963600 46200 46200 2134440000 4 1071000 1063725 1056068,7 1071381 68906,7 1109130

-38130 38130 1453896900 5 1210000 1195372,5 118442,12 1209303 125373,4 1140288 69712 69712 4859762944

Jumlah 77782 154042 8448099844

Sumber : Perhitungan

Dari table 4.15, dapat digunakan untuk mengetahui nilai kesalahan untuk mengukur ketepatan peramalan. Dimana data yang telah diperoleh dilampirkan didalam table

4.15 dengan α = 0,9.

Ukuran ketepatan Metode Peramalan dengan α = 0.9 :

1. ME (Mean Error) / Nilai Tengah Kesalahan

ME =

N e

N

t t

∑

=1

= 3 77.782

2. MSE (Mean Square Error) / Nilai Tengah Kesalahan Kuadrat MSE = N e N t t

∑

=1 2 = 3 844 8.448.099. = 2.816.033.281

3. MAE (Mean Absolute Error) / Nilai Tengah Kesalahan Absolut

MAE = N e N t t

∑

=1 = 3 154.042 = 51.347,33

4. MAPE (Mean Absolute Percentage Error) / Nilai Tengah Kesalahan Persentase Absolut MAPE = N PE N t t

∑

=1 _{Dimana nilai PE}

t = 100      ₋ t t t X F X = 3 13,90 = 4,63%

5. MPE (Mean Percentage Error) / Nilai Tengah Kesalahan Persentase

MPE =

N PE

N

t t

∑

=1

= 3 6,78

= 2,26%

Dari hasil tersebut terlihat bahwa dengan α=0,9 memiliki ketepatan yang

sangat tepat dengan ME (Mean Error) / Nilai Tengah Kesalahan sebesar 25.927,33 , MSE (Mean Square Error) / Nilai Tengah Kesalahan Kuadrat sebesar 2.816.033.281 , MAE (Mean Absolute Error) / Nilai Tengah Kesalahan Absolut sebesar 51.347,33 dan nilai MAPE (Mean Absolute Percentage Error) / Nilai Tengah Kesalahan Persentase Absolut serta MPE (Mean Percentage Error) / Nilai Tengah Kesalahan Persentase berturut-turut sebesar 4,63% dan 2,26% yang berarti bahwa persentase kesalahan untuk peramalan sangat kecil.

4.3.2 Penentuan Bentuk Persamaan Peramalan

Setelah ditentukan harga parameter smoothing eksponensial yang besarnya 0<α<1

dengan cara trial and error didapat perhitungan peramalan smoothing eksponensial

Perhitungan pada tabel 4.14 di atas didasarkan pada α = 0.9 dan ramalan untuk satu periode ke depan yaitu dalam perhitungan periode ke-6. serta gambar smoothing

eksponensial linear satu parameter dari Brown.

Gambar 4.3 Grafik Plot Pemulusan Peramalan dengan α = 0.9

Berdasarkan data terakhir pada table 4.15 dapat dibuat peramalan untuk satuan tahun berikutnya dengan bentuk persamaan peramalan sebagai berikut:

Ft+m = 1.209.303 + 125.373,42 (m)

4.4 Peramalan Nilai Upah Minimum Regional ( UMR ) kota Medan tahun 2011

Setelah diketahui bahwa error yang didapat pada model peramalan bersifat random maka dilakukan peramalan nilai upah minimum regional kota Medan untuk tahun 2012 dengan menggunakan persamaan :

0 1000000 2000000 3000000 4000000 5000000 6000000

1 2 3 4 5

NI

LA

I UMR

PLOT PEMULUSAN

Ramalan

Pemulusan Kedua Pemulusan Pertama Data Asli

Ft+m = 1.209.303 + 125.373,42 (m)

Setelah diperoleh model peramalan nilai upah minimum regional untuk kota Medan tahun 2012 dapat dihitung dengan cara sebagai berikut:

a. Untuk Periode 6 (tahun 2011)

Ft+m = 1.209.303 + 125.373,42 (m) F10+1 = 1.209.303 + 125.373,42 (1) F11 = 1.209.303 + 125.373,42 F11 = 1.334.676,3

b. Untuk Periode 7 (tahun 2012)

Ft+m = 1.209.303 + 125.373,42 (m) F10+2 = 1.209.303 + 125.373,42 (2) F12 =1.209.303 + 250.746,84 F12 = 1.460.049,72

Tabel 4.16 Peramalan Nilai Upah Minimum Regional ( UMR ) kota Medan

Tahun Periode

Peramalan (Forecasting) (dalam Rp.)

2011 6 1.334.676,3

2012 7 1.460.049,72

BAB 5

IMPLEMENTASI SISTEM

5.1 Pengertian Implementasi Sistem

Implementasi sistem adalah prosedur yang dilakukan untuk menyelesaikam desain sistem yang ada dalam desain sistem yang telah disetujui, menginstal, dan memulai sistem baru yang diperbaiki.

Tujuan dari implementasi sistem adalah sebagai berikut :

1. Menyelesaikan desain sistem yang ada dalam dokumen sistem yang disetujui. 2. Menulis, menguji, dan mendokumentasikan program - program dan prosedur -

prosedur yang diperlukan oleh dokumen desain sistem yang disetujui. 3. Memastikan bahwa personal dapat mengoperasikan sistem baru. 4. Memperhitungkan bahwa sistem memenuhi permintaan pemakai.

5. Memastikan bahwa konveksi ke sistem yang baru berjalan dengan benar.

Implementasi yang sudah selesai harus diuji coba kehandalannya sehingga dapat diketahui kehandalannya dari sistem yang ada dan telah sesuai dengan apa yang diinginkan. Dalam pengolahan data pada Tugas Akhir ini penulis menggunakan suatu

perangkat lunak sebagai implementasi sistem yaitu program Excel dalam masalah memperoleh hasil perhitungan.

5.2Microsoft Excel

Microsoft Excel merupakan program aplikasi lembar kerja elektronik (spread sheet) dari program paket Microsoft Office. Excel merupakan salah satu software pengolah angka yang cukup banyak digunakan di dunia. Excel merupakan program unggulan dari Microsoft Corporation yang banyak berperan dalam pengelolaan informasi khususnya data yang berbentuk angka, dihitung, diproyeksikan, dianalisis dan dipresentasikan data pada lembar kerja. Microsoft telah mengeluarkan Excel dalam berbagai versi mulai dari versi 4, versi 5, versi 97, versi 2000, versi 2002, versi 2003, dan versi 2007.

Sheet atau lembar kerja Excel terdiri dari 256 kolom dan 65.536 baris. Kolom diberi nama dengan huruf mulai dari A, B, C, … , Z kemudian dilanjutkan AA, AB, AC, … , sampai kolom IV. Sedangkan baris ditandai dengan angka mulai 1, 2, 3, … , 65.536.

5.3 Langkah - Langkah Memulai Pengolahan Data dengan Excel

Sebelum mengoperasikan software ini, pastikan bahwa pada komputer terpasang program Excel. Langkah - langkahnya sebagai berikut :

a. Klik tombol start

b. Pilih All Program dan klik Microsoft office, kemudian klik Microsoft Office Excel 2007 seperti di bawah ini :

Gambar 5.1 Langkah - Langkah Membuka Microsoft Office Excel 2007 c. Setelah itu akan muncul tampilan worksheet (lembar kerja) seperti di bawah ini :

Pengisian data tiap tahun pada 3 kolom pertama :

a. Pada kolom ke-1 (kolom A) diisi dengan nomor untuk menyatakan periode. b. Pada kolom ke-2 (kolom B) diisi dengan tahun.

c. Pada kolom ke-3 (kolom C) diisi dengan data nilai Upah Minimum Regional (UMR) kota Medan.

Maka muncul tampilan seperti di bawah ini :

Gambar 5.3 Pengisian Data Pada Microsoft Office Excel 2007

Dari data di atas, kita dapat menentukan besarnya ramalan dengan α = 0,9. Dan untuk setiap perhitungan akan diberi nama tiap kolom sebagai berikut : 1. Pada kolom ke-4, ditulis keterangan dengan S't

2. Pada kolom ke-5, ditulis keterangan dengan S"t 3. Pada kolom ke-6, ditulis keterangan dengan at 4. Pada kolom ke-7, ditulis keterangan dengan bt

5. Pada kolom ke-8, ditulis keterangan dengan Ft+m (Forecast/ramalan) 6. Pada kolom ke-9, ditulis keterangan dengan error (e)

7. Pada kolom ke-10, ditulis keterangan dengan e atau absolute error

8. Pada kolom ke-11, ditulis keterangan dengan e2 atau square error

Maka perhitungan masing - masing pemulusan pertama (S't), pemulusan kedua (S"t), konstanta (at), slope (bt), forecast (Ft+m), error (e), absolute error ( e), dan

square error (e2) adalah sebagai berikut : 1. Pemulusan Pertama

Untuk tahun pertama yaitu tahun 2006 ditentukan sebesar periode pertama dari data historisnya, sehingga rumus yang tertera pada sel D6 adalah : =C6

Sedangkan untuk periode kedua yaitu untuk tahun 2007 dapat menggunakan rumus =0,9*C7+(1-0,9)*D6

Untuk periode ketiga sampai periode kesepuluh kita hanya menyalin rumus pada sel D7.

2. Pemulusan Kedua

Untuk periode pertama ditentukan sebesar periode pertama dari data historisnya. Sehingga rumus yang tertera pada sel E6 adalah : =D6

Sedangkan untuk rumus periode kedua dapat dihitung dengan menggunakan rumus =0,9*D7+(1-0,9)*E6

Untuk periode ketiga sampai periode kesepuluh kita hanya menyalin rumus pada sel E7.

3. Konstanta

Nilai at baru bisa dicari pada periode kedua yaitu pada tahun 2001. Rumus yang dapat kita gunakan untuk sel F7 adalah =(2*D7)-E7 Untuk tahun - tahun berikutnya kita hanya menyalin rumus pada sel F7.

4. Slope

Nilai bt baru bisa dicari pada tahun kedua yaitu 2007.

Rumus yang kita gunakan untuk sel G7 adalah =(0,9/(1-0,9))*(D7-E7) Untuk tahun - tahun berikutnya kita hanya menyalin rumus pada sel G7.

5. Forecast

Nilai Ft+m baru bisa dicari pada periode ketiga yaitu pada tahun 2008. Rumus yang kita gunakan untuk sel H8 adalah =F7+G7

Untuk tahun - tahun berikutnya kita hanya menyalin rumus pada sel H8.

6. Error

Untuk periode ketiga yaitu pada sel I8 dapat dicari dengan menggunakan rumus C8-H8

Untuk tahun - tahun berikutnya kita hanya menyalin rumus pada sel I8.

7. Absolute Error

Menunjukkan kesalahan meramal, tanpa menghiraukan tanda positif maupun negatif. Sehingga pada sel J8 pada periode ketiga dapat dihitung dengan menggunakan rumus =ABS(I8)

b. Menghitung MAE dapat menggunakan rumus =J16/8 Maka hasilnya adalah 51.347,33.

c. Menghitung MSE dapat menggunakan rumus =K16/8 Maka hasilnya adalah 2.816.033.281.

Hasil yang diperoleh dari Aplikasi Pemulusan Eksponensial Linear Satu Parameter dari Brown Menggunakan α = 0,9 pada Data Nilai Upah Minimum Regional untuk Kota Medan dapat dilihat sebagai berikut :

Gambar 5.4 Aplikasi Pemulusan Eksponensial Linear Satu Parameter dari

5.5 Grafik dalam Microsoft Excel

Salah satu fasilitas Microsoft Excel adalah kemampuan untuk membuat grafik (chart) sehingga data dalam bentuk angka - angka yang tersusun dalam tabel dapat dipresentasikan ke dalam bentuk yang lebih menarik yakni dalam grafik bentuk batang, garis, kolom, lingkaran, dan bentuk grafik lainnya. Grafik ini sering digunakan untuk menunjukkan persentasi dari sebuah penelitian atau menampilkan hasil dari data yang telah diolah.

Langkah - langkah dalam membuat grafik adalah :

a. Arahkan pointer sel pada tabel data yang akan dibuat grafik.

b. Klik menu Insert, chart, kemudian pilih line dan tentukan tipe grafiknya dan klik OK. Maka akan muncul tampilan di bawah ini :

c. Klik menu Layout, kemudian tentukan keterangan pendukung grafik seperti chart title(judul grafik), axis title(judul - judul pada sumbu koordinat), dan legend (keterangan tambahan) pada grafik.

d. Atur warna pada grafik, klik menu Format dan pilih warna pada shape fill. Maka akan muncul tampilan seperti di bawah ini :

BAB 6

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan hasil pengolahan dan analisa data yang telah dilakukan sebelumnya pada BAB 4 maka kesimpulan yang diperoleh adalah sebagai berikut :

a. Bentuk metode peramalan yang dipilih untuk meramalkan data nilai Upah Minimum Regional ( UMR ) kota Medan pada sektor bangunan atau konstruksi berdasarkan data tahun 2006 sampai dengan tahun 2010 adalah Metode Pemulusan (Smoothing) Eksponensial Linear Satu Parameter dari Brown berdasarkan kriteria MSE terkecil dengan α = 0,9 dan MSE 2.816.033.281.

b. Bentuk persamaan peramalan nilai Upah Minimum Regional ( UMR ) kota Medan pada sektor bangunan atau konstruksi berdasarkan data tahun 2006 sampai dengan tahun 2010 untuk periode ke depan atau tahun 2012 adalah :

Ft+m = 1.209.303 + 125.373,42 (m)

Dimana m adalah jumlah periode ke depan yang ingin diramalkan (m = 1,2,…,n)

c. Nilai ramalan Upah Minimum Regional (UMR) kota Medan pada Sektor Bangunan atau Konstruksi untuk tahun 2012 adalah sebesar Rp. 1.460.049,72

d. Dari perhitungan yang telah dilakukan sebelumnya dengan data yang ada untuk nilai Upah Minimum Regional (UMR) kota Medan pada Sektor Bangunan atau Konstruksi selalu mengalami kenaikan, serta untuk peramalan yang didapat untuk tahun 2012 juga mengalami kenaikan.

6.2Saran

Adapun saran yang dapat diberikan oleh penulis adalah sebagai berikut :

a. Dalam menentukan nilai Upah Minimum Regional ( UMR ) kota Medan pada sektor bangunan atau konstruksi, Pemerintah dapat menggunakan analisis peramalan dengan Metode Pemulusan (Smoothing) Eksponensial Ganda.

b. Dalam menaksir nilai Upah Minimum Regional ( UMR ) kota Medan pada sektor bangunan atau konstruksi dengan menggunakan Metode Pemulusan (Smoothing) Eksponensial Ganda akan sangat membantu jika kita mengolah data dengan menggunakan alat bantu komputer sebagai implementasi sistem khususnya program aplikasi Microsoft Office Excel.

c. Sebagai bahan pertimbangan dan perbandingan dalam mengambil berbagai kebijakan, metode peramalan yang dibahas dalam Tugas Akhir ini akan sangat membantu.

DAFTAR PUSTAKA

Assauri, Sofjan. 1984. Teknik dan Metode Peramalan. Edisi ke-1. Jakarta : Fakultas Ekonomi Universitas Indonesia.

BPS. 2006. Sumut dalam Angka. Badan Pusat Statistik. BPS. 2010. Sumut dalam Angka. Badan Pusat Statistik.

Lerbin R, Aritonang. 2002. Peramalan Bisnis. Edisi ke-2. Ghalia Indonesia.

Makridakis, Spyros. 1993. Metode dan Aplikasi Peramalan. Edisi ke-2. Jakarta : Erlangga.