Peramalan Jumlah Pelanggan Listrik Di Kecamatan Medan Tuntungan Tahun 2015-2017

UNIVERSITAS SUMATERA UTARA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM PROGRAM STUDI D3STATISTIKA

Jl .Bioteknologi No. 1 Kampus USU Medan 20155 Telp: (061)8211050

SURAT KETERANGAN

Hasil Uji Program Tugas Akhir

Yang bertanda tangan di bawah ini menerangkan bahwa Mahasiswa Tugas Akhir program studi D3Statistika:

Nama : Andrie Tuahta Ginting Nomor Induk Mahasiswa : 132407035

Program Studi : D3 Statistika

Judul : Peramalan Jumlah Pelanggan Listrik di Kecamatan Medan Tuntungan Tahun 2015 - 2017

Telah melaksanakan test program Tugas Akhir mahasiswa tersebut di atas pada tanggal

Dengan Hasil: Sukses/ Gagal

Demikian diterangkan untuk digunakan melengkapi syarat pendaftaran Ujian Meja Hijau Tugas Akhir Mahasiswa bersangkutan di Jurusan D3 Statistika FMIPA USU.

Medan, Juli 2016 Dosen Pembimbing,

Dr. Faigiziduhu Bu’ulolo, M.Si NIP. 19531218 198003 1 003

KARTU BIMBINGAN TUGAS AKHIR MAHASISWA

Nama Mahasiswa : Andrie Tuahta Ginting Nomor Induk Mahasiswa : 132407035

Judul Tugas akhir : Peramalan Jumlah Pelanggan Listrik Di Kecamatan Medan Tuntungan Tahun 2015 - 2017 Dosen Pembimbing : Dr. Faigiziduhu Bu’ulölö, M.Si

Tanggal Mulai Bimbingan : 13 Maret 2016 Tanggal Selesai Bimbingan :

No Tanggal Asistensi Bimbingan

Pembahasan Asistensi Pada Bab

Paraf Dosen

Pembimbing Keterangan 1 2 3 4 5 6 7

*Kartu ini harap dikembalikan ke jurusan Matematika bila bimbingan mahasiswa telah selesai

Disetujui oleh

Program Studi D3 Statistika FMIPA USU

Ketua, Pembimbing,

Dr. Faigiziduhu Bu’ulölö, M.Si Dr. Faigiziduhu Bu’ulölö, M.Si NIP. 19531218 198003 1 003 NIP. 19531218 198003 1 003

Assauri, Sofjan. 1984. Teknik dan Metode Peramalan. Jakarta : Universitas Indonesia.

BPS. Provinsi Sumatera Utara 2007. 2008. 2009. 2010. 20011. 2012. 20013.

2014. Badan Pusat Statistik.

Bowerman, B. L. & O’Connell, R.T. (1987). Time Series Forecasting.Boston:

Duxbury Press.

Hanke, J. E. 2005. Business Forecasting. Eighth edition . Pearson Prantice Hall, Inc. New Jersey 07458.

http://syarifskses.blogspot.com http://www.google.com

Makridakis, S. Wheelwright, S, C, McGee, V, E. 1999. Metode dan Aplikasi

Peramalan. Edisi Kedua. Jakarta: Binarupa Aksara.

Manurung, Adler Haymans. 1990. Teknik Peramalan Bisnis dan Ekonomi. Jakarta: Rineka Cipta.

Taryana Suryana, Koesheryatin. 2009. Microsoft Office 2007 Word & Exel. Yogyakarta: Graha Ilmu.

3.1 Pengertian Pengolahan Data

Pengolahan berasal dari kata olah yang berarti mengerjakan, mengusahakan supaya menjadi lebih sempurna, sehingga pengolahan adalah proses, cara, dan pembuatan mengolah. Data adalah fakta empirik yang dikumpulkan oleh peneliti untuk kepentingan memecahkan masalah atau menjawab pertanyaan penelitian. Jadi, pengolahan data ialah proses, cara, mengolah semua keterangan untuk keperluan penelitian yang bersifat teratur (sistematis) dan terencana.

Data yang akan diolah oleh penulis adalah Data Jumlah Pelanggan Listrik di Kecamatan Medan Tuntungan Tahun 2007-2014. Metode yang digunakan untuk mengolah data tersebut adalah metode peramalan smoothing eksponensial ganda yatu metode linier satu parameter dari Brown.

Gambar 3.1 Grafik Data Jumlah Pelanggan Listrik di Kecamatan Medan Tuntungan Tahun 2007-2014

1990 2000 2010 2020 2030 2040 2050

1 2 3 4 5 6 7 8

Jumlah Pelanggan Tahun

GandaMetode Linier Satu Parameter dari Brown

Tabel 3.1 Data Jumlah Pelanggan Listrikdi Kecamatan Medan Tuntungan Tahun 2007-2014

NO Tahun Jumlah Pelanggan 1 2007 16.109 2 2008 16.989 3 2009 17.088 4 2010 18.702 5 2011 18.916 6 2012 25.279 7 2013 25.279 8 2014 26.116

Sumber : PT. PLN (Persero) Kecamatan Medan Tuntungan dan Badan Pusat Statistik Kota Medan

Langkah-langkah yang ditempuh untuk bentuk persamaan peramalan dengan menggunakan metode smoothing Eksponensial Linier Satu Parameter dari Brown adalah:

1. Menentukan harga parameter smoothingeksponensial ganda yang besarnya 0 < α < 1.

2. Menghitung harga smoothing eksponensial tunggal dengan menggunakan persamaan :

= + (1-α)

Untuk α = 0,1 maka dapat dihitung :

_{= 16.109}

Hasil dapat dilihat pada Tabel 3.2

4. Menghitung koefisien dan dengan menggunakan persamaan : = + ( - )= 2 -

Untuk α = 0,1 maka dapat dihitung : =

= 2 (16.197,00)– (16.117,80) = 158,4

= 2 (16.286,10)–(16.134,63) = 302,94

Hasil dapat dilihat pada Tabel 3.2 =

( - )

Untuk α = 0,1 maka dapat dihitung :

8,7912

Hasil dapat dilihat pada Tabel 3.2

5. Menghitung trend peramalan dengan menggunakan persamaan

Ft+m = a_t + bt m

Hasil Ft+mdapat dilihat pada Tabel 3.2

3.3 Metode Pemulusan Eksponensial Ganda Satu Parameter dari Brown 3.2.1 Penaksiran Model Peramalan

Dalam pengolahan dan penganalisaan data, penulis mengaplikasikan data (tabel 3.1) dengan peramalan bedasarkan metode pemulusan eksponensial satu parameter dari brown. Untuk memenuhi perhitungan pemulusan ganda, tunggal dan ramalan yang akan datang, makan terlebih dahulu kita menentukan parameter nilai α secara coba dan salah (trial and error). Suatu nilai αdipilih yang besarnya

0 < α < 1, dihitung Mean Square Error (MSE)yang merupakan suatu ukuran

tetapan perhitungan dengan mengkuadratkan masing-masing kesalahan untuk masing-masing item dalam sebuah susunan data dan kemudian memperoleh rata-rata atau nilai tengah kuadrat tersebut dan kemudian dicoba nilai α yang lain.

Untuk menghitung MSE pertama dicari error terlebih dahulu yang merupakan hasil dari data asli dikurangi hasil ramalan. Lalu tiap error dikuadratkan dan dibagi dengan banyaknya error. Secara matematis MSE tahappertama perhitungan ini adalah nilai jumlah Jumlah Pelanggan Listrik di Kecamatan Medan Tuntungan harga berlaku,yaitu:

1,00 16.109 16.109,00 16.109,00

2,00 16.989 16.197,00 16.117,80 16.276,20 8,80

3,00 17.088 16.286,10 16.134,63 16.437,57 16,83 16.285,00 803,00 803,00 644.809,00 4,00 18.702 16.527,69 16.173,94 16.881,44 39,31 16.454,40 2.247,60 2.247,60 5.051.705,76 5,00 18.916 16.766,52 16.233,19 17.299,85 59,26 16.920,75 1.995,25 1.995,25 3.981.022,56 6,00 25.279 17.617,77 16.371,65 18.863,89 138,46 17.359,11 7.919,89 7.919,89 62.724.720,97 7,00 25.279 18.383,89 16.572,88 20.194,91 201,22 19.002,34 6.276,66 6.276,66 39.396.419,33 8,00 26.116 19.157,10 16.831,30 21.482,91 258,42 20.396,13 5.719,87 5.719,87 32.716.889,02

JUMLAH 24.962,27 24.962,27 144.515.566,65

ME 4.160,38

MAE 4.160,38

MSE 24.085.927,77

Untuk: α= 0,1 dan n= 6 Maka: MSE ∑

Tabel 3.3 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan Eksponensial Ganda Linier Satu Parameter dari Brown dengan menggunakan α = 0,2

t et |et| et2

1,00 16.109 16.109,00 16.109,00

2,00 16.989 16.285,00 16.144,20 16.425,80 35,20

3,00 17.088 16.445,60 16.204,48 16.686,72 60,28 16.461,00 627,00 627,00 393.129,00 4,00 18.702 16.896,88 16.342,96 17.450,80 138,48 16.747,00 1.955,00 1.955,00 3.822.025,00 5,00 18.916 17.300,70 16.534,51 18.066,90 191,55 17.589,28 1.326,72 1.326,72 1.760.185,96 6,00 25.279 18.896,36 17.006,88 20.785,85 472,37 18.258,45 7.020,55 7.020,55 49.288.150,38 7,00 25.279 20.172,89 17.640,08 22.705,70 633,20 21.258,22 4.020,78 4.020,78 16.166.691,11 8,00 26.116 21.361,51 18.384,37 24.338,66 744,29 23.338,90 2.777,10 2.777,10 7.712.276,41

JUMLAH 17.727,15 17.727,15 79.142.457,86

ME 2.954,53

MAE 2.954,53

MSE 13.190.409,64

Untuk: α= 0,2 dan n= 6 Maka: MSE = ∑

1,00 16.109 16.109,00 16.109,00

2,00 16.989 16.373,00 16.188,20 16.557,80 79,20

3,00 17.088 16.587,50 16.307,99 16.867,01 119,79 16.637,00 451,00 451,00 203.401,00 4,00 18.702 17.221,85 16.582,15 17.861,55 274,16 16.986,80 1.715,20 1.715,20 2.941.911,04 5,00 18.916 17.730,10 16.926,53 18.533,66 344,38 18.135,71 780,29 780,29 608.852,48 6,00 25.279 19.994,77 17.847,00 22.142,53 920,47 18.878,04 6.400,96 6.400,96 40.972.263,32 7,00 25.279 21.580,04 18.966,91 24.193,16 1.119,91 23.063,00 2.216,00 2.216,00 4.910.652,01 8,00 26.116 22.940,83 20.159,09 25.722,56 1.192,17 25.313,07 802,93 802,93 644.695,49

JUMLAH 12.366,38 12.366,38 50.281.775,35

ME 2.061,06

MAE 2.061,06

MSE 8.380.295,89

Untuk: α= 0,3 dan n= 6 Maka: MSE ∑

Tabel 3.5 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan Eksponensial Ganda Linier Satu Parameter dari Brown dengan menggunakan α = 0,4

t et |et| et2

1,00 16.109 16.109,00 16.109,00

2,00 16.989 16.461,00 16.249,80 16.672,20 140,80

3,00 17.088 16.711,80 16.434,60 16.989,00 184,80 16.813,00 275,00 275,00 75.625,00 4,00 18.702 17.507,88 16.863,91 18.151,85 429,31 17.173,80 1.528,20 1.528,20 2.335.395,24 5,00 18.916 18.071,13 17.346,80 18.795,46 482,89 18.581,16 334,84 334,84 112.117,83 6,00 25.279 20.954,28 18.789,79 23.118,76 1.442,99 19.278,34 6.000,66 6.000,66 36.007.872,43 7,00 25.279 22.684,17 20.347,54 25.020,79 1.557,75 24.561,76 717,24 717,24 514.440,10 8,00 26.116 24.056,90 21.831,28 26.282,52 1.483,74 26.578,54 -462,54 462,54 213.945,47

JUMLAH 8.393,40 9.318,48 39.259.396,07

ME 1.398,90

MAE 1.553,08

MSE 6.543.232,68

Untuk: α= 0,4 dan n= 6 Maka: MSE ∑

1,00 16.109 16.109,00 16.109,00

2,00 16.989 16.549,00 16.329,00 16.769,00 220,00

3,00 17.088 16.818,50 16.573,75 17.063,25 244,75 16.989,00 99,00 99,00 9.801,00 4,00 18.702 17.760,25 17.167,00 18.353,50 593,25 17.308,00 1.394,00 1.394,00 1.943.236,00

5,00 18.916 18.338,13 17.752,56 18.923,69 585,56 18.946,75 -30,75 30,75 945,56

6,00 25.279 21.808,56 19.780,56 23.836,56 2.028,00 19.509,25 5.769,75 5.769,75 33.290.015,06 7,00 25.279 23.543,78 21.662,17 25.425,39 1.881,61 25.864,56 -585,56 585,56 342.883,44 8,00 26.116 24.829,89 23.246,03 26.413,75 1.583,86 27.307,00 -1.191,00 1.191,00 1.418.481,00

JUMLAH 5.455,44 9.070,06 37.005.362,07

ME 909,24

MAE 1.511,68

MSE 6.167.560,34

Untuk: α= 0,5 dan n= 6 Maka: MSE ∑

Tabel 3.7 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan Eksponensial Ganda Linier Satu Parameter dari Brown dengan menggunakan α = 0,6

t et |et| et2

1,00 16.109 16.109,00 16.109,00

2,00 _{16.989 16.637,00} 16.425,80 16.848,20 316,80

3,00 17.088 16.907,60 16.714,88 17.100,32 289,08 17.165,00 -77,00 77,00 5.929,00 4,00 18.702 17.984,24 17.476,50 18.491,98 761,62 17.389,40 1.312,60 1.312,60 1.722.918,76 5,00 _{18.916 18.543,30} 18.116,58 18.970,02 640,08 19.253,60 -337,60 337,60 113.973,76 6,00 25.279 22.584,72 20.797,46 24.371,98 2.680,89 19.610,10 5.668,90 5.668,90 32.136.472,56 7,00 25.279 24.201,29 22.839,76 25.562,82 2.042,30 27.052,86 -1.773,86 1.773,86 3.146.582,14 8,00 26.116 25.350,11 24.345,97 26.354,26 1.506,21 27.605,11 -1.489,11 1.489,11 2.217.458,36

JUMLAH 3.303,93 10.659,08 39.343.334,58

ME 550,65

MAE 1.776,51

MSE _6.557.222,43

Untuk: α= 0,6 dan n= 6 Maka: MSE ∑

1,00 16.109 16.109,00 16.109,00

2,00 _{16.989 16.725,00} 16.540,20 16.909,80 431,20

3,00 17.088 16.979,10 16.847,43 17.110,77 307,23 17.341,00 -253,00 253,00 64.009,00 4,00 18.702 18.185,13 17.783,82 18.586,44 936,39 17.418,00 1.284,00 1.284,00 1.648.656,00 5,00 _{18.916 18.696,74} 18.422,86 18.970,61 639,04 19.522,83 -606,83 606,83 368.242,65 6,00 25.279 23.304,32 21.839,88 24.768,76 3.417,02 19.609,66 5.669,34 5.669,34 32.141.438,71 7,00 _{25.279 24.686,60} 23.832,58 25.540,61 1.992,70 28.185,78 -2.906,78 2.906,78 8.449.370,55 8,00 26.116 25.687,18 25.130,80 26.243,56 1.298,22 27.533,31 -1.417,31 1.417,31 2.008.764,35

JUMLAH 1.769,42 12.137,26 44.680.481,26

ME 294,90

MAE 2.022,88

MSE 7.446.746,88

Untuk: α= 0,7 dan n= 6 Maka: MSE ∑

Tabel 3.9 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan Eksponensial Ganda Linier Satu Parameter dari Brown dengan menggunakan α = 0,8

t et |et| et2

1,00 16.109 16.109,00 16.109,00

2,00 16.989 16.813,00 16.672,20 16.953,80 563,20

3,00 17.088 17.033,00 16.960,84 17.105,16 288,64 17.517,00 -429,00 429,00 184.041,00 4,00 18.702 18.368,20 18.086,73 18.649,67 1.125,89 17.393,80 1.308,20 1.308,20 1.711.387,24 5,00 18.916 18.806,44 18.662,50 18.950,38 575,77 19.775,56 -859,56 859,56 738.843,39 6,00 25.279 23.984,49 22.920,09 25.048,89 4.257,59 19.526,15 5.752,85 5.752,85 33.095.260,11 7,00 25.279 25.020,10 24.600,10 25.440,10 1.680,01 29.306,48 -4.027,48 4.027,48 16.220.582,26 8,00 26.116 25.896,82 25.637,47 26.156,16 1.037,38 27.120,11 -1.004,11 1.004,11 1.008.227,41

JUMLAH 740,90 13.381,19 52.958.341,42

ME 123,48

MAE 2.230,20

MSE 8.826.390,24

Untuk: α= 0,8 dan n=6 Maka: MSE ∑

1,00 16.109 16.109,00 16.109,00

2,00 16.989 16.901,00 16.821,80 16.980,20 712,80

3,00 17.088 17.069,30 17.044,55 17.094,05 222,75 17.693,00 -605,00 605,00 366.025,00 4,00 18.702 18.538,73 18.389,31 18.688,15 1.344,76 17.316,80 1.385,20 1.385,20 1.918.779,04 5,00 18.916 18.878,27 18.829,38 18.927,17 440,06 20.032,91 -1.116,91 1.116,91 1.247.487,95 6,00 25.279 24.638,93 24.057,97 25.219,88 5.228,60 19.367,23 5.911,77 5.911,77 34.948.977,24 7,00 25.279 25.214,99 25.099,29 25.330,69 1.041,32 30.448,48 -5.169,48 5.169,48 26.723.499,69 8,00 26.116 26.025,90 25.933,24 26.118,56 833,95 26.372,01 -256,01 256,01 65.542,76

JUMLAH 149,57 14.444,37 65.270.311,68

ME 24,93

MAE 2.407,39

MSE 10.878.385,28

Untuk: α= 0,9 dan n= 6 Maka: MSE ∑

MSE tersebut dibandingkan untuk menentukan nilai α yang memberikan MSE terkecil/minimum. Perbandingan ukuran ketepatan metode peramalan jumlah pelanggan energi gas dengan MSE sebagai berikut:

Tabel 3.11 Perbandingan Ukuran Ketetapan Metode Peramalan

α MSE

0.1 24.085.927,77

0.2 13.190.409,64

0.3 8.380.295,89

0.4 6.543.232,68

0.5 6.167.560,34

0.6 6.557.222,43

0.7 7.446.746,88

0.8 8.826.390,24

Medan Tuntungan Tahun 2015dengan menggunakan persamaan:

Ft+m = ɑt + btm

Ft+m = 26.413,75+1.583,86 (m)

Setelah diperoleh bentuk persamaan peramalan maka dapat dihitung untuk periode tiga tahun kedepan yaitu tahun 2015-2017.

a. Untuk periode 11 (tahun 2015) Ft+m = 26.413,75+1.583,86 (m) F10+1 = 26.413,75+1.583,86(1) F11 = 27.99761

b. Untuk periode 12 (tahun 2016) Ft+m = 26.413,75+1.583,86 (m) F10+2 = 26.413,75+1.583,86(2) F12 = 29.58147

c. Untuk periode 13 (tahun 2017) Ft+m = 26.413,75+1.583,86 (m) F10+3 = 26.413,75+1.583,86(3) F12 = 31.16533

Tahun 2015-2017

Tahun Periode Peramalan (Forecasting)

2015 9 27.99761

2016 10 29.58147

4.1 Pengertian Implementasi Sistem

Implementasi adalah hasil desain ke dalam pemograman sedangkan sistem adalah kumpulan dari elemen-elemen yang berinteraksi untuk mencapai suatu tujuan tertentu. Implementasi sistem merupakan kumpulan dari elemen-elemen yang telah didesain kedalam bentuk program untuk menghasilkan suatu tujuan yang dibuat berdasarkan kebutuhan.

Dalam menjalankan kegiatan implementasi perlu dilakukan beberapa hal yaitu:

 Pengumpulan Data (Data Gathering) apabila ada sistem yang berjalan sebelumnya maka perlu dilakukan pengumpulan datan dan informasi yang dihasilkan dari sistem yang ada. Tahapan ini lebih menekan kepada studi kelayakan dan definifi sistem.

 Analisa Sistem, mendeskripsikan objek-objek yang terlibat dalam sistem dan batasan sistem.

 Perencanaan Sistem (Design), merancang alur kerja (workflow) dari sistem dalam bentuk diagram alur (flowchart) atau data flow diagram.

4.2 Pengaktifan Microsoft Excel

Dalam pengolahan data dan implementasi sistem untuk menyelesaikan permasalahan yang telah dibahas dalam Tugas Akhir ini, penulis menggunakan salah satu perangkat bagian dari Microsoft Offiice yaitu Microsoft Excel.

Microsoft Excel adalah salah sau produk unggulan dari Microsoft Corporation

yang banyak berperan dalam pengolahan informasi khususnya data yang berbentuk angka.

1. Klik start pada dekstop

2. Kemudian pilih dan klik program

3. Pilih dan klik Microsoft Office lalu Microsoft Exel, sehingga akan tampil jendela utama aplikasi Microsoft Office Excel pada layar monitor seperti Gambar 4.1.

Gambar 4.1 Tampilan Lembar Kerja Microsoft Exel

4.3Langkah-langkah Pengolahan Data

Adapun langkah-langkah pengolahan akan diuraikan sebagai berikut: 1. Masukkan (entry) data yang akan diolah seperti pada Gambar 4.2

selanjutnya seperti pada Gambar 4.3

Gambar 4.3 Tampilan Hasil Olah data untuk persamaan 2.1

 Persamaan 2.2 untuk nilai α = 0,5 yaitu dengan memasukkan rumus =(0.5*C5)+(1-0.5)*D4, kemudian melanjutkan rumus untuk baris seperti pada Gambar 4.4

=(0.5*C5)+(1-0.5)*D4, kemudian melanjutkan rumus untuk baris seperti pada Gambar 4.5

Gambar 4.5 Hasil Olah Data untuk Persamaan 2.3

 Persamaan 2.4 untuk nilai α = 0,5 yaitu dengan memasukkan rumus =(2*C5)-D5, kemudian melanjutkan rumus untuk baris seperti pada Gambar 4.6

Gambar 4.7 Hasil Olah Data untuk Persamaan 2.5

 Persamaan 2.6 untuk nilai α = 0,5 yaitu dengan memasukkan rumus =E5+F5, kemudian melanjutkan rumus untuk baris seperti pada Gambar 4.8

=B6-G6, kemudian melanjutkan rumus untuk baris seperti pada Gambar 4.8

Gambar 4.9 Hasil Olah Data untuk Persamaan 2.7

 Kuadratkan nilai setiap dengan rumus =G6^2 untuk baris dilanjutkan dengan rumus tersebut, kemudian jumlahkan hasil kuadrat tersebut dengan rumus =SUM(I4:I11) seperti pada Gambar 4.9

1. Blok seluruh tabel yang akan dijadikan grafik 2. Pilih menu Insert, kemudian pilih line pada chart. 3. Lalu pilih jenis chart yang akan ditentukan.

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulan yang dapat diambil dari perhitungan pertumbuhan Jumlah Pelanggan Listrik pada bab 4 adalah sebagai berikut:

1. Dari data yang disajikan dapat dilihat Pelanggan Listrik pada PT PLN Kecamatan Medan Tuntungan mengalami Peningkatan.

2. Dari Perhitungan rumus: F = at + bt (m) didapat peramalan pada tahun: 2007 sebesar 16.109

2008 sebesar 16.989 2009 sebesar 17.088 2010 sebesar 18.702 2011 sebesar 18.916 2012 sebesar 25.279 2013 sebesar 25.279 2014 sebesar 26.116 2015 sebesar 27.997 2016 sebesar 29.581 2017 sebesar 31.165

Berdasarkan hasil peramalan diatas pada tahun 2007-2014 mengalami peningkatan jumlah pelanggan listrik dan pada tahun 2015-2017 juga terus mengalami peningkatan.

5.2 Saran

1. Sebagai bahan pertimbangan atau perbandingan ada baiknya membahas metode peramalan apa yang akan digunakan, guna mengetahui besarnya pertumbuhan kredit pada tahun yang akan datang.

2.1 Pengertian Peramalan

Peramalan (forecasting) adalah suatu kegiatan yang memperkirakan apa yang akan terjadi pada masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Metode peramalan merupakan cara untuk memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar data yang relevan pada masa lalu. Dengan kata lain, metode peramalan ini digunakan dalam peramalan yang bersifat objektif.

Metode peramalan merupakan cara untuk memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar data yang relevan pada masa lalu. Oleh karena itu, metode peramalan termasuk dalam kegiatan peramalan kuantitatif. Keberhasilan dari suatu peramalan sangat ditentukan oleh pengetahuan teknik tentang informasi lalu yang dibutuhkan yaitu informasi yang bersifat kuantitatif.

2.2 Kegunaan Peramalan

Di dalam bagian organisasi terdapat beberapa kegunaan peramalan diantaranya: 1. Berguna untuk 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 konsumennya atau si pelanggan.

2. Berguna dalam penyediaan sumber daya tambahan. Waktu tenggang (lead

time) untuk memperoleh bahan baku, menerima pekerja baru atau pembelian

mesin dan peralatan dapat berkisar antara beberapa hari sampai beberapa tahun. Peramalan digunakan untuk menentukan kebutuhan sumber daya di masa yang akan datang.

menentukan sumber daya yang dimiliki dalam waktu jangka panjang. Keputusan semacam ini bergantung kepada faktor-faktor lingkungan, manusia dan pengembangan sumber daya keuangannya. Semua penentuan ini memerlukan peramalan yang baik dan dapat menafsirkan pendugaan serta membuat keputusan yang baik.

Walaupun banyak bidang lain yang memerlukan peramalan, namun tiga kelompok di atas merupakan bentuk khas dari kegunaan peramalan jangka pendek, menengah dan panjang.

2.3 Jenis Peramalan

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

1. Peramalan yang kualitatif atau teknologis

Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung kepada orang yang menyusunnya. Hal ini sangat penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, pendapat dan pengetahuan dari orang yang menyusunnya.

2. Peramalan Kuantitatif

Peramalan kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung kepada metode yang diperguanakan dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil peramalan yang berbeda pula. Metode kuantitaif dapat dibagi dalam deret berkala (time series) dan metode kausal.

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

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

Dalam penulisan Tugas Akhir ini, digunakan metode peramalan yang pertama, yaitu metode 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 dimasa yang akan datang.

Kondisi yang terakhir ini dibuat sebagai asumsi yang berkesinambungan (asumption 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 Jenis-Jenis Metode Peramalan

Metode-metode peramalan dengan analisa deret waktu yaitu: 1. Metode pemulusan eksponensial dan rata-rata bergerak

Sering digunakan untuk ramalan jangka pendek dan jarang dipakai untukperamalan jangka panjang.

2. Metode Regresi

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

3. Metode Box-Jenkins

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

Dalam penulisan Tugas Akhir ini, yang akan digunakan adalah metode

time series yang pertama, yaitu metode pemulusan eksponensial.

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. Analisa deret berkala memungkinkan untuk mengetahui perkembangan suatu 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. Stasioner itu sendiri berarti bahwa tidak terdapat 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:

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 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.

2.5Metode 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 smoothing diklasifikasikan menjadi dua bagian:

1. Metode Rata-rata

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

a. Rata-rata sederhana

b. Rata-rata bergerak tunggal (Single moving average) c. Rata-rata bergerak ganda (Double moving average) d. Kombinasi rata-rata bergerak lainnya.

2. Metode Pemulusan Eksponensial

Bentuk umum dari 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 ini terdiri atas:

1. Pemulusan Eksponensial Tunggal a. Satu Parameter (One Parameter) b. Parameter Adaptif

2. Pemulusan Eksponensial Ganda

a. Satu Parameter (Metode Linier) dari Brown b. Dua Parameter dari Holt

3. Pemulusan Eksponensial Triple

a. Satu Parameter (Metode Kuadratik) dari Brown

Digunakan untuk pola kuadratik, kubik, atau orde yang lebih tinggi. b. Metode Kecenderungan Dan Musim Tiga Parameter Dari Winter

Dapat digunakan untuk data berbentuk trend dan musiman.

2.5.1Metode yang Digunakan

Untuk mendapatkan hasil yang baik harus diketahui cara peramalan yang tepat. Makametode peramalan analisis deret berkala yang digunakan untuk meramalkan

= + (1-α)

_{= α + (1-α)}

= + ( - )= 2 - =

( - ) = + m

Dengan:

m = Jumlah periode di depan yang diramalkan = Nilai eksponensial smoothing tunggal

= Nilai eksponensial smoothing ganda

α = Parameter Pemulusan Ekponensial

a_t= Nilai konstanta pada periode ke-t

bt= Nilai slope

Ft+m= Hasil peramalan untuk m periode ke depan yang akan diramalkan.

2.6 Ketepatan Peramalan

Ketepatan ramalan adalah suatu hal yang mendasar dalam peramalan yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data yang diberikan. Beberapa krikteria yang digunakan untuk menguji ketepatan ramalan adalah:

∑

2. Nialai tengah kesalahan kuadrat (Mean Square Error)

∑

3. Nilai tengah kesalahan absolut (Mean Absolut Error)

∑

4. Nilai tengah kesalahan persentase (Mean Percentage Error)

∑

5. Nilai tengah kesalahan persentase absolut (Mean Absolute Percentage Error)

∑

Dengan:

(Kesalahan pada periode ke-t)

Data aktual pada periodeke-t

Nilai ramalan pada periode ke-t

(100) (Kesalahan persentase pada periodeke-t)

Banyaknya periode waktu

Metode peramalan yang dipilih adalah metode yang memberikan nilai MSE paling kecil.

1.1 Latar Belakang

Energi mempunyai peranan yang sangat penting dalam kehidupan manusia dan dalam proses pembangunan dalam sektor energi perlu dilaksanakan secara berdayaguna dan berhasilguna. Dilihat dari sumbernya, energi dapat dikelompokkan menjadi dua kategori yaitu energi primer dan energi final. Energi primer yaitu energi yang belum mengalami pengolahan teknologi dan biasanya diperlukan sebagai bahan untuk menghasilkan energi final, misalnya adalah minyak bumi, gas bumi, batu bara, tenaga air, panas bumi, dan lain sebagainya. Sedangkan energi final merupakan energi yang siap digunakan oleh konsumen akhir, misalnya adalah Bahan Bakar Minyak dan listrik yang siap dipakai.

Energi listrik membawa peranan yang sangat penting bagi masyarakat, industri dan pemerintah. Fungsi listrik juga sangat berperan dalam pembangunan seperti pada bidang produksi, penelitian dan riset, bidang pertahanan dan keamanan, bidang komunikasi dan media, bidang rumah tangga. Bahkan tingkat pemakaian listrik juga menjadi salah satu ukuran bagi perkembangan dan kemajuan suatu Negara.

Salah satu lembaga yang menangani listrik di Indonesia adalah PLN (Perusahaan Listrik Negara). Jenis pembangkit listrik PLN di Sumatera Utara pada saat ini terdiri dari PLTU (Pembangkit Listrik Tenaga Uap), PLTG (Pembangkit Listrik Tenaga Gas), PLTM (Pembangkit Listrik Tenaga Minihydro), dan PLTA (Pembangkit Listrik Tenaga Air). Pembangkit-pembangkit ini bertugas untuk menyediakan tenaga listrik sesuai dengan kebutuhan masyarakat yang berkembang dengan begitu pesatnya.

Sementara itu jumlah cabang PLN (Perusahaan Listrik Negara) di wilayah Sumatera Utara mengalami penambahan jumlah menjadi 7 cabang yaitu cabang Medan, cabang Binjai, cabang P. Siantar, cabang Sibolga, cabang Padang

tugas akhir ini akan dibahas cabang Medan.

Meningkatnya jumlah pelanggan listrik secara terus menerus sangat berpengaruh terhadap besarnya arus yang dipakai. Ini menunjukkan bahwah peranan listrik dalam menunjang pembangunan, perbaikan kesehatan, pendidikan dan sebagainya sangatlah pentingdan sejalah dengan peningkatan kebutuhan akan listrik itu sendiri.

Meningkatnya jumlah pelanggan listrik secara terus menerus sangat berpengaruh terhadap besarnya arus yang dipakai. Ini menunjukkan bahwa peranan listrik dalam menunjang pembangunan, perbaikan kesehatan, pendidikan dan sebagainya sangatlah penting dan sejalan dengan peningkatan kebutuhan akan listrik itu sendiri. Hal ini mengakibatkan semakin sulitnya bagi para pengambil kebutusan untuk melihat jumlah pelanggan listrik menurut besar arus yang dipakai dimasa mendatang dengan mempertimbangkan semua kelompok pelanggan serta besarnya arus yang dipakai.

Melihat betapa pentingnya peranan yang dijalankan PLN dalam mengalirkan listrik kepada masyarakat luas dari tiap cabang khususnya PLN cabang Medan, mendorong minat penulis untuk mengadakan penganalisaan untuk melihat peningkatan jumlah pelanggan listrik menurut besar arus yang dipakai. Berdasarkan pemikiran di atas maka penulis memilih judul “PERAMALAN

JUMLAH PELANGGAN LISTRIK DI KECAMATAN MEDAN

TUNTUNGAN TAHUN 2015-2017”.

1.2 Rumusan Masalah

Listrik sebagai sumber energi yang sangat penting dalam kehidupan manuasia. Demikian halnya kota Medan sebagai salah satu kota besar maupun ibu kota di Sumatera Utara yang sekarang ini mengarah kepada industrialisasi dan modernisasi maka besar kemungkinan kondisi seperti ini juga akan sangat

1.3 Batasan Masalah

Sehubungan dengan keterbatasan waktu dan kemampuan penulis serta untuk menghindari kesimpangsiuran dalam penulisan Tugas Akhir yang sesuai dengan judul dan latar belakang masalah yang telah diuraikan, penulis membatasi ruang lingkup penelitian pada peramalan jumlah pelanggan listrik (dalam jiwa) yang di peroleh khususnya di wilayah Medan PT. PLN (persero) untuk tahun 2015-2017. menurut besar arus listrik rumah pada daya 900 watt.

1.4 Tujuan Penelitian

Secara umum penelitian ini bertujuan untuk Meramalkan banyaknya jumlah pelanggan listrik di Kecamatan Medan Tuntungan untuk Tahun 2015-2017.

1.5 Manfaat Penelitian

Adapun manfaat dari penelitian ini yaitu dapat memberikan masukan dan menjadi bahan pertimbangan untuk menghadapi naik atau turunnya tingkat permintaan energi listrik dari masyarakat.

1.6 Tinjauan Pustaka

Penulis menggunakan buku-buku statistika untuk mendukung serta merangkum penelitian ini, termasuk buku yang memuat informasi mengenai peramalan dengan menggunakan metode pemulusan smoothing eksponensial ganda: metode linier satu parameter dari Brown, yaitu metode peramalan yang digunakan penulis untuk mendapatkan hasil penelitian.

1. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu kejadian atau peristiwa di waktu yang akan datang.

(J. Supranto,1993).

2. Metode peramalan adalah suatu cara memperkirakan secara kuantitatif maupun kualitatif apa yang akan terjadi pada masa depan, berdasarkan data yang relevan pada masa lalu. Metode peramalan akan membantu dalam mengadakan pendekatan analisa terhadap tingkah laku atau pola dari data yang lalu sehingga dapat memberikan cara pemikiran, pengerjaan, dan pemecahan yang sistematis, serta memberikan tingkat keyakinan yang lebih besar atau ketepatan hasil ramalan yang dibuat (Sofjan Assauri, 1984).

3. Smoothing ekponensial adalah suatu metode peramalan rata-rata yang

melakukan pembobotan menurun secara ekponensial terhadap nilai observasi yang lebih tua atau dengan kata lain observasi yang baru diberikan bobot yang relative besar dengan nilai observasi yang lebih tua (Spyros Markridakis, 1999).

1.7 Metode Penelitian

Metode yang penulis gunakan dalam melaksanakan penelitian ini adalah: 1. Studi Kepustakaan (Library Research)

Suatu cara penelitian yang digunakan untuk memperoleh data atau informasi dari perpustakaan yaitu dengan membaca buku-buku, referensi, bahan-bahan yang bersifat teoritis yang membantu dalam menyusun Tugas Akhir ini.

2. Pengumpulan Data.

Pengumpulan Data untuk keperluan riset ini penulis melakukan cara dengan menggunakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS). Data sekunder adalah data yang diperoleh atau dirangkum ulang berdasarkan data yang telah tersedia atau disusun oleh Badan Pusat

Data diolah menggunakan metode rata-rata bergerak ganda. Langkah-langkah yang dilakukan dalam pengolahan data adalah:

a. Menghitung nilai rata-rata bergerak tunggal, dengan menggunakan persamaan:

=

b. Menghitung nilai rata-rata bergerak kedua dari rata-rata bergerak pertama, yaitu rata-rata bergerak ganda, dengan menggunakan persamaan:

Dilihat dari sumbernya, energi dapat dikelompokkan menjadi dua kategori yaitu energi primer dan energi final. Energi primer yaitu energi yang belum mengalami pengolahan teknologi dan biasanya diperlukan sebagai bahan untuk menghasilkan energi final, misalnya adalah minyak bumi, gas bumi, batu bara, tenaga air, panas bumi, dan lain sebagainya. Sedangkan energi final merupakan energi yang siap digunakan oleh konsumen akhir, misalnya adalah Bahan Bakar Minyak dan listrik yang siap dipakai

TUGAS AKHIR

ANDRIE TUAHTA GINTING 132407035

PROGRAM STUDI D3 STATISTIKA DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2016

MEDAN TUNTUNGAN TAHUN 2015-2017

TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Ahli Madya

ANDRIE TUAHTA GINTING 132407035

PROGRAM STUDI D3 STATISTIKA DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

TAHUN 2015-2017 Kategori : TUGAS AKHIR

Nama : ANDRIE TUAHTA GINTING Nomor Induk Mahasiswa : 132407035

Program studi : DIPLOMA 3 STATISTIKA Departemen : MATEMATIKA

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

Diluluskan di Medan, Juli 2015

Disetujui oleh:

Program Studi D3 Statistika FMIPA USU Pembimbing Ketua

Dr. FaigiziduhuBu’ul ̈l ̈, M.Si Dr. FaigiziduhuBu’ul ̈l ̈, M.Si

PERNYATAAN

PERAMALAN JUMLAH PELANGGAN LISTRIK DI

KECAMATAN MEDAN TUNTUNGAN TAHUN 2015-2017

TUGAS AKHIR

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

Medan, Juli 2016

ANDRIE TUAHTA GINTING 132407035

Penyayang, dengan limpah karunia-Nya penulis dapat menyelesaikan penyusunan Tugas Akhir ini dengan judul Peramalan Jumlah Pelanggan Listrik Di Kecamatan Medan Tuntungan Berdasarkan Data Tahun 2007 – 2014.

Terimakasih penulis sampaikan kepada Bapak Dr. Faigiziduhu Bu’ul ̈l ̈, M.Si selaku pembimbing yang telah meluangkan waktunya selama penyusunan tugas akhir ini dan telah memberikan pengarahan. Terimakasih kepada bapak Prof. Dr. Tulus, M.Si. Ph.D dan ibu Dr. Mardiningsih, M.Si selaku ketua dan Sekretaris Departemen Matematika FMIPA USU, Bapak Dr. Kerista Sebayang, M.S selaku Dekan FMIPA USU, seluruh staf dan Dosen Program Studi D3 Statistika FMIPA USU dan rekan-rekan kuliah. Akhirnya tidak terlupakan kepada ayah Drs. Josep Ginting, ibu Soretta br Karo dan keluarga yang selama ini memberikanbantuan dan dorongan yang diperlukan. Semoga Tuhan Yang Maha Esa membalasnya.

Medan, Juli 2016 Penulis

Halaman

PERSETUJUAN i

PERNYATAAN ii

PENGHARGAAN iii

DAFTAR ISI iv

DAFTAR TABEL vi

DAFTAR GAMBAR vii

BAB 1 PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 2

1.3 Batasan Masalah 2

1.4 Tujuan Penelitian 3

1.5 Manfaat Penelitian 3

1.6 Tinjauan Pustaka 3

1.7 Metode Penelitian 4

BAB 2 LANDASAN TEORI 6

2.1 Pengertian Peramalan 6

2.2 Kegunaan Peramalan 6

2.3 Jenis Peramalan 7

2.4 Jenis-Jenis Metode Peramalan 8

2.4.1 Analisa Deret Berkala 8

2.4.2 Pemilihan Teknik Dan Metode Peramalan 9 2.5 Metode Pemulusan (Smoothing) 10

2.5.1 Metode Yang Digunakan 11

2.6 Ketepatan Peramalan 12

BAB 3 ANALISA DATA 14

3.1 Pengertian Pengolahan Data 14

3.2 Pengolahan Data dengan Metode Smoothing 15 Eksponensial Ganda Metode Linier Satu

Parameter dari Brown

3.3 Metode Pemulusan Eksponensial Ganda Satu 17 Parameter dari Brown

3.3.1 Penaksiran Model Peramalan 17 3.3.2 Penentuan Bentuk Persamaan dan Nilai Peramalan 28

BAB 4 IMPLEMENTASI SISTEM 30

4.1 Pengertian Implementasi Sistem 30 4.2 Pengaktifan Microsoft Excel 30 4.3 Langkah-Langkah Pengolahan Data 31

Halaman Tabel 3.1 Data Jumlah Pelanggan Listrik di Kecamatan Medan 15

Tuntungan Tahun 2007-2014

Tabel 3.2 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 18 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,1

Tabel 3.3 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 19 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,2

Tabel 3.4 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 20 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,3

Tabel 3.5 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 21 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,4

Tabel 3.6 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 22 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,5

Tabel 3.7 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 23 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,6

Tabel 3.8 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 24 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,7

Tabel 3.9 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 25 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,8

Tabel 3.10 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 26 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,9

Tabel 3.11 Perbandingan Ukuran Ketetapan Metode Peramalan 27 Tabel 4.12 Peramalan Jumlah Pelanggan Listrik di Kecamatan Medan 29

Gambar 3.1 Grafik Jumlah Pelanggan Listrik di

Kecamatan Medan Tuntungan Tahun 2007-2014 14 Gambar 4.1 Tampilan Lembar Kerja Microsoft Exel 31

Gambar 4.2 Tampilan Pemasukan Data 31

Gambar 4.3 Tampilan Hasil Olah Data untuk persamaan 2.1 32 Gambar 4.4 Tampilan Hasil Olah Data untuk Persamaan 2.2 32 Gambar 4.5 Tampilan Hasil Olah Data untuk Persamaan 2.3 33 Gambar 4.6 Tampilan Hasil Olah Data untuk Persamaan 2.4 33 Gambar 4.7 Tampilan Hasil Olah Data untuk Persamaan 2.5 34 Gambar 4.8 Tampilan Hasil Olah Data untuk Persamaan 2.6 34 Gambar 4.9 Tampilan Hasil Olah Data untuk Persamaan 2.7 35 Gambar 4.10 Hasil Kuadrat Persamaan 2.8 35 Gambar 4.10 Tampilan Chart untuk Memilih Range Data 36

PERNYATAAN

PERAMALAN JUMLAH PELANGGAN LISTRIK DI KECAMATAN MEDAN TUNTUNGAN TAHUN 2015-2017

TUGAS AKHIR

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

Medan, Juli 2016

ANDRIE TUAHTA GINTING 132407035

PENGHARGAAN

Puji syukur penulis panjatkan kepada Tuhan Yang Maha Pemurah dan Maha Penyayang, dengan limpah karunia-Nya penulis dapat menyelesaikan penyusunan Tugas Akhir ini dengan judul Peramalan Jumlah Pelanggan Listrik Di Kecamatan Medan Tuntungan Berdasarkan Data Tahun 2007 – 2014.

Terimakasih penulis sampaikan kepada Bapak Dr. Faigiziduhu Bu’ul ̈l ̈, M.Si selaku pembimbing yang telah meluangkan waktunya selama penyusunan tugas akhir ini dan telah memberikan pengarahan. Terimakasih kepada bapak Prof. Dr. Tulus, M.Si. Ph.D dan ibu Dr. Mardiningsih, M.Si selaku ketua dan Sekretaris Departemen Matematika FMIPA USU, Bapak Dr. Kerista Sebayang, M.S selaku Dekan FMIPA USU, seluruh staf dan Dosen Program Studi D3 Statistika FMIPA USU dan rekan-rekan kuliah. Akhirnya tidak terlupakan kepada ayah Drs. Josep Ginting, ibu Soretta br Karo dan keluarga yang selama ini memberikanbantuan dan dorongan yang diperlukan. Semoga Tuhan Yang Maha Esa membalasnya.

Medan, Juli 2016 Penulis

DAFTAR ISI

Halaman

PERSETUJUAN i

PERNYATAAN ii

PENGHARGAAN iii

DAFTAR ISI iv

DAFTAR TABEL vi

DAFTAR GAMBAR vii

BAB 1 PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 2

1.3 Batasan Masalah 2

1.4 Tujuan Penelitian 3

1.5 Manfaat Penelitian 3

1.6 Tinjauan Pustaka 3

1.7 Metode Penelitian 4

BAB 2 LANDASAN TEORI 6

2.1 Pengertian Peramalan 6

2.2 Kegunaan Peramalan 6

2.3 Jenis Peramalan 7

2.4 Jenis-Jenis Metode Peramalan 8

2.4.1 Analisa Deret Berkala 8

2.4.2 Pemilihan Teknik Dan Metode Peramalan 9

2.5 Metode Pemulusan (Smoothing) 10

2.5.1 Metode Yang Digunakan 11

2.6 Ketepatan Peramalan 12

BAB 3 ANALISA DATA 14

3.1 Pengertian Pengolahan Data 14

3.2 Pengolahan Data dengan Metode Smoothing 15 Eksponensial Ganda Metode Linier Satu

Parameter dari Brown

3.3 Metode Pemulusan Eksponensial Ganda Satu 17 Parameter dari Brown

3.3.1 Penaksiran Model Peramalan 17

3.3.2 Penentuan Bentuk Persamaan dan Nilai Peramalan 28

BAB 4 IMPLEMENTASI SISTEM 30

4.1 Pengertian Implementasi Sistem 30

4.2 Pengaktifan Microsoft Excel 30

4.3 Langkah-Langkah Pengolahan Data 31

4.4 Pembuatan Grafik 36

BAB 5 KESIMPULAN DAN SARAN 37

5.1 Kesimpulan 37

5.2 Saran 37

DAFTAR PUSTAKA LAMPIRAN

DAFTAR TABEL

Halaman Tabel 3.1 Data Jumlah Pelanggan Listrik di Kecamatan Medan 15

Tuntungan Tahun 2007-2014

Tabel 3.2 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 18 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,1

Tabel 3.3 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 19 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,2

Tabel 3.4 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 20 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,3

Tabel 3.5 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 21 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,4

Tabel 3.6 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 22 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,5

Tabel 3.7 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 23 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,6

Tabel 3.8 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 24 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,7

Tabel 3.9 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 25 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,8

Tabel 3.10 Peramalan Jumlah Pelanggan Listrik dengan Pemulusan 26 Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,9

Tabel 3.11 Perbandingan Ukuran Ketetapan Metode Peramalan 27 Tabel 4.12 Peramalan Jumlah Pelanggan Listrik di Kecamatan Medan 29

Tuntungan Tahun 2015-2017

DAFTAR GAMBAR

Halaman Gambar 3.1 Grafik Jumlah Pelanggan Listrik di

Kecamatan Medan Tuntungan Tahun 2007-2014 14 Gambar 4.1 Tampilan Lembar Kerja Microsoft Exel 31

Gambar 4.2 Tampilan Pemasukan Data 31

Gambar 4.3 Tampilan Hasil Olah Data untuk persamaan 2.1 32 Gambar 4.4 Tampilan Hasil Olah Data untuk Persamaan 2.2 32 Gambar 4.5 Tampilan Hasil Olah Data untuk Persamaan 2.3 33 Gambar 4.6 Tampilan Hasil Olah Data untuk Persamaan 2.4 33 Gambar 4.7 Tampilan Hasil Olah Data untuk Persamaan 2.5 34 Gambar 4.8 Tampilan Hasil Olah Data untuk Persamaan 2.6 34 Gambar 4.9 Tampilan Hasil Olah Data untuk Persamaan 2.7 35

Gambar 4.10 Hasil Kuadrat Persamaan 2.8 35