Peramalan Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi Pada Sektor Pertanian Tahun 2012

PERAMALAN PRODUK DOMESTIK REGIONAL BRUTO

(PDRB) KABUPATEN DAIRI PADA SEKTOR PERTANIAN

TAHUN 2012

TUGAS AKHIR

DANIEL MANIK

082407101

PROGRAM STUDI DIPLOMA III STATISTIKA

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2011

PERAMALAN PRODUK DOMESTIK REGIONAL BRUTO

(PDRB) KABUPATEN DAIRI PADA SEKTOR PERTANIAN

TAHUN 2012

TUGAS AKHIR

Diajukan untuk melengkapi tugas akhir dan memenuhi syarat mencapai gelar Ahli Madya

DANIEL MANIK

082407101

PROGRAM STUDI DIPLOMA III STATISTIKA

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2011

PERSETUJUAN

Judul : PERAMALAN PRODUK DOMESTIK

REGIONAL BRUTO (PDRB) KABUPATEN DAIRI PADA SEKTOR PERTANIAN TAHUN 2012

Kategori : TUGAS AKHIR

Nama : DANIEL MANIK

Nomor Induk Mahasiswa : 082407101

Program Studi : D-3 STATISTIKA

Departemen : MATEMATIKA

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN

ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA

Diluluskan di Medan, Mei 2011

Diketahui oleh

Departemen Matematika FMIPA USU

Ketua, Pembimbing I

Prof. Dr. Tulus , MSi Drs. Rachmad Sitepu, M.Si NIP. 19620901 198803 1 002 NIP : 19530418 198703 1 001

PERNYATAAN

PERAMALAN PRODUK DOMESTIK REGIONAL BRUTO

(PDRB) KABUPATEN DAIRI PADA SEKTOR PERTANIAN

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, Mei 2011

DANIEL MANIK

082407101

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Pemurah dan Maha Penyayang, dengan limpah kurnia-Nya Tugas Akhir ini berhasil diselesaikan dalam waktu yang telah ditetapkan.

Pada kesempatan ini penulis ingin mengucapkan termakasih kepada semua pihak yang telah turut serta memberikan petunjuk dan motivasi dalam menyelesaikan Tugas Akhir ini khusunya kepada :

1. Bapak Dr. Sutarman, M.Sc. selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.

2. Bapak Prof. Dr. Tulus , MSi. selaku Ketua Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan Pengetahuan Alam Universitas Sumatera Utara.

3. Bapak Drs. Rachmad Sitepu, M.Si selaku Dosen Pembimbing pada penyelesaian tugas akhir ini yang telah memberikan panduan dan penuh kepercayaan kepada saya untuk menyempurnakan kajian ini.

4. Bapak Drs. Fagiziduhu Bu’ulölö, M.Si selaku Ketua Program Studi D-III Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.

5. Badan Pusat Statistika Provinsi Sumatera Utara, atas bimbingan dan pelayanan yang telah diberikan.

6. Semua dosen pada Departemen Matematika FMIPA USU serta pegawai di FMIPA USU atas bimbingan dan pelayanan yang telah diberikan.

7. Orang tua dan keluarga tersayang yang selama ini telah memberikan bantuan dan dorongan moril maupun materi, semoga Tuhan Yang Maha Esa akan membalasnya.

8. Rekan-rekan Kuliah yang telah bersedia meluangkan waktu untuk membantu penulis menyelesaikan Tugas Akhir ini.

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Daftar isi vi

Daftar Tabel viii

Daftar Gambar ix

Bab 1 Pendahuluan 1

1.1 Latar Belakang Masalah 1

1.2 Rumusan Masalah 4

1.3 Pembatasan Masalah 4

1.4 Tujuan Penelitian 4

1.5 Manfaat Penelitian 5

1.6 Sistematika Penulisan 6

Bab 2 Tinjaun Pustaka 8

2.1 Pengertian Peramalan 8

2.2 Kegunaan dan Peran Peramalan 8

2.3 Jenis-jenis Peramalan 9

2.4 Langkah-langkah dalam Metode Peramalan 10 2.5 Pengertian dan Kegunaan Metode Peramalan 10

2.6 Jenis-jenis Metode Peramalan 11

2.7 Metode Pemulusan (Smoothing) 12

2.7.1 Rata-rata Bergerak (Moving Average) 12 2.7.2 Pemulusan Eksponensial (Exponential Smoothing) 15 2.8 Varieble dan Metode Pengumpulan Data 18

2.9 Metode Analisi Data 19

2.10 Pengertian Perdagangan 19

2.11 Produk Domestik Regional Bruto (PDRB) 20

Bab 3 Gambaran Umum 25

3.1 Sejarah BPS Provinsi Sumatera Utara 25

3.2 Visi dan Misi 26

3.3 Tugas, Fungsi dan Kewenangan 27

3.4 Struktur Organisasi BPS Provinsi Sumatera Utara 29 3.5 Program Kerja BPS Provinsi Sumatera Utara 30

Bab 4 Analisa Dan Evaluasi 34

4.1 Analisa Data 34

4.1.1 Pemulusan Eksponensial Tunggal 37

4.1.2 Pemulusan Eksponensial Ganda 46

4.2.1 Pemulusan Eksponensial Tunggal 76

4.2.2 Pemulusan Eksponensial Ganda 78

Bab 5 Implementasi Sistem 81

5.1 Pengertian Implementasi Sistem 81

5.2 Microsoft Excel 81

5.3 Pengoperasian Microsoft Excel 82

5.4 Pembuatan Grafik 87

Bab 6 Penutup 90

6.1 Kesimpulan 90

6.2 Saran 91

Daftar Pustaka 92

DAFTAR TABEL

Halaman Tabel 4.1 Data PDRB Kab. Grobogan Sub Sektor Tanaman Pangan

Atas Dasar Harga Berlaku Tahun 2000 – 2004 (Jutaan Rupiah) 35 Tabel 4.2 Mean Absolute Error, Mean Squared Error Dengan Single

Exponential Smoothing 77

Tabel 4.3 Mean Absolute Error, Mean Squared Error Dengan Double

DAFTAR GAMBAR

Halaman Gambar 3.1 Bagan Struktur Bada Pusat Statistik Provinsi Sumatera Utara 29 Gambar 3.2 Bagan Struktur Bada Pusat Statistik Kabupaten/Kota

Provinsi Sumatera Utara 30

Gambar 4.1 Grafik Data PDRB Kabupaten Dairi Sektor Pertanian

Tahun 2000 - 2009 36

Gambar 4.2 Grafik Ramalan PDRB Kota Medan Sektor Perdagangan

Dengan Pemulusan Eksponensial Tunggal (alpha = 0.9) 77 Gambar 4.3 Grafik Ramalan PDRB Kota Medan sektor Perdagangan

Dengan Pemulusan Eksponensial Ganda (Double

Exponential Smoothing) alpha = 0.6 79

Gambar 5.1 Tampilan Microsoft Excel 82

Gambar 5.2 Mengaktifkan Microsoft Excel 83

Gambar 5.3 Menyimpan File Pada Microsoft Excel 85

Gambar 5.4 Analisis Pada Microsoft Excel 87

Gambar 5.5 Proses Pembuatan Grafik 88

BAB 1

PENDAHULUAN

1.1 Latar Belakang Masalah

Pembangunan ekonomi merupakan yang sangat serius untuk diperhatikan dan dikaji lebih dalam bahkan perlu perencanaan yang tepat dilakukan untuk mendapatkan sarana atau tujuan yang diharapkan. Pembangunan ekonomi pada hakekatnya merupakan serangkaian usaha dan kebijaksanaan yang bertujuan untuk meningkatkan taraf hidup masyarakat, memperluas lapangan pekerjaan, meratakan pendapatan masyarakat dan meningkatkan hubungan ekonomi regional daerah.

Kondisi perekonomian suatu wilayah dapat dilihat dari pendapatan regional. Salah satu indikator yang mampu mengukur tingkat pertumbuhan perekonomian tersebut adalah dengan perhitungan tingkat kenaikan Produk Domestik Regional Bruto (PDRB). Hasil-hasil yang telah dicapai dapat dicerminkan dalam bentuk angka-angka pendapatan regional yang dapat digunakan sebagai alat pengukur tingkat pertumbuhan ekonomi maupun tingkat pendapatan secara periodik. Demikian juga dengan keadaan di Kabupaten Dairi , salah satu sektor yang memberi kontribusi besar dalam pencapaian Produk Domestik Regional Bruto (PDRB) yaitu dari sektor pertanian. Hal ini dapat terjadi di karenakan pada umumnya Kabupaten Dairi memiliki potensi pertanian yang cukup luas dan sangat besar hasilnya, sehingga mata

pencaharian penduduk yang utama adalah pertanian. Sebagian besar tanahnya didapati gunung-gunung dan bukit-bukit dengan kemiringan bervariasi sehingga terjadi iklim hujan tropis yang sangat baik bagi pertanian dengan berbagai variasi jenis tanaman. Potensi areal/lahan bagi usaha pertanian tanaman pangan dan hortikultura terdiri dari areal sawah seluas 10.225 Ha dan lahan kering 181.555 Ha. Komoditas yang banyak diusahakan masyarakat adalah padi, jagung, ubi jalar, sayuran, buah-buahan dan tanaman perkebunan. Ditambah lagi Kabupaten Dairi memiliki potensi besar dalam pengembangan peternakan, hal ini terlihat dari besarnya minat masyarakat untuk beternak, dimana animo masyarakat untuk beternak cukup tinggi di Kabupaten Dairi sesuai dengan sosial budaya masyarakat. Dalam berbagai aspek kegiatan masyarakat tidak terlepas dari kehadiran ternak seperti pesta adat, pesta tahunan/desa, acara keluarga dan lain-lain. Selain itu ternak merupakan pabrik pembuat kompos alamiah yang berguna untuk menunjang usaha pertanian tanaman pangan.

(http://www.dairikab.go.id/3pilarpembangunan.php?Nomor=2)

Dari semua paparan tersebut menurut harga berlaku tahun 2000 - 2009 sektor pertanian memberikan sokongan yang begitu besar bagi Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi, akan tetapi dengan berjalannya waktu masihkah sektor pertanian memberikan kontribusi yang sama besarnya bagi Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi? Bagaimanakah keadaan sektor pertanian pada saat sekarang ini?

Atas dasar itu, maka dilakukan proyeksi (peramalan) untuk mengetahui terjadi tidaknya fluktuasi pada perekonomian Kabupaten Dairi dari salah satu potensi terbesarnya yakni sektor pertanian, untuk mendapatkan informasi apakah sektor

pertanian masih menjadi penyumbang terbesar pada Produk Domestik Regional Bruto (PDRB) dan mengetahui besarnya sumbangan sektor pertanian bagi Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi.

Peramalan sendiri merupakan suatu proses memperkirakan secara sistematik tentang apa yang paling mungkin terjadi dimasa depan berdasarkan informasi masa lalu dan sekarang yang dimiliki agar kesalahannya (selisih apa yang terjadi dengan hasil perkiraan) dapat diperkecil. Peramalan dapat juga diartikan sebagai usaha memperkirakan perubahan. Agar tidak disalahpahami bahwa peramalan tidak memberi jawaban pasti tentang apa yang akan terjadi, melainkan berusaha mencari yang sedekat mungkin dengan yang terjadi.

Saat ini hampir semua organisasi memerlukan perkiraan masa depan untuk membantu menentukan keputusan terbaik. Begitu pula pemerintah daerah khususnya daerah Kabupaten Dairi, kiranya perlu mengadakan proyeksi atau peramalan untuk menentukan kebijakan demi kemajuan perekonomian daerah apalagi dengan telah digulirkannya undang-undang tentang otonomi daerah yang menuntut kemandirian suatu daerah dalam mengurusi daerahnya sendiri.

Dalam melakukan proyeksi atau peramalan digunakan metode Metode Pemulusan Eksponensial (metode eksponensial smoothing), dengan asumsi bahwa pendapatan daerah selalu berfluktuasi setiap tahunnya, itulah yang menjadi pertimbangan penggunaan metode tersebut.

1.2 Rumusan Masalah

Berdasarkan latar belakang tersebut diatas dapat disimpulkan sebagai berikut.

1. Berapa ramalan jumlah Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi pada sektor pertanian tahun 2012?

2. Bagaimana fluktuasi Produk Domestik Regional Bruto (PDRB) pada sektor pertanian tahun 2000 sampai 2012 di Kabupaten Dairi?

3. Adakah peningkatan kontribusi yang diberikan sektor pertanian bagi Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi tahun 2012?

4. Apakah masih relevan sektor pertanian dijadikan komoditas utama penopang perekonomian Kabupaten Dairi tahun 2012?

1.3 Pembatasan Masalah

Dalam penyusunan Tugas Akhir ini dibatasi pada masalah peramalan Produk Domestik Regional Bruto (PDRB) Atas Dasar Harga Berlaku Menurut Lapangan Usaha Kabupaten Dairi pada sektor pertanian pada tahun 2000-2012 dengan Metode Pemulusan Eksponensial (metode eksponensial smoothing).

1.4 Tujuan Penelitian

Tujuan dari penulisan Tugas Akhir ini adalah:

1. Mengetahui berapa ramalan jumlah Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi pada sektor pertanian tahun 2012.

2. Mengetahui fluktuasi Produk Domestik Regional Bruto (PDRB) pada sektor pertanian tahun 2000 sampai dengan 2012 di Kabupaten Dairi.

3. Memperkirakan seberapa besar peningkatan Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi pada sektor pertanian tahun 2012.

4. Mengetahui relevansi sektor pertanian dijadikan sebagai komoditas utama penopang perekonomian Kabupaten Dairi pada tahun 2012.

1.5 Manfaat Penelitian

Dengan tujuan yang telah disebutkan diatas, diharapkan dapat memberikan manfaat sebagai berikut.

a. Bagi penulis

1) Sebagai penerapan ilmu dari matakuliah yang telah diperoleh.

2) Sebagai syarat untuk menyelesaikan program studi D3 Statistika Departeme Matematika Fakultas Matematika dan Ilmu Pegetahuan Alam, Universitas Sumatera Utara.

b. Bagi Lembaga / Instasi dan masyarakat pada umumnya

1) Dapat memperkirakan Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi pada sektor pertanian pada tahun 2012.

2) Sebagai informasi mengenai fluktuasi Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi pada sektor pertanian tahun 2000 – 2012.

3) Sebagai pertimbangan pada pengambilan kebijakan dalam masalah pengembangan sektor pertanian bagi pemeritah daerah yang bersangkutan.

1.4Sistematika Penulisan

Untuk memudahkan dalam memahami keseluruhan isi Laporan Tugas Akhir ini, maka disusun sistematika sebagai berikut :

BAGIAN AWAL

Meliputi : halaman judul dan halaman persetujuan.

BAB 1

Pendahuluan, yang akan mengatur pada pembahasan berikutnya meliputi : latar belakang masalah, perumusan masalah, pembatasan masalah, tujuan penelitian, manfaat penelitian serta sistematika penulisan.

BAB 2

Tinjauan Pustaka, menguraikan tentang teori yang digunakan dalam pembahasan tugas akhir. Landasan teori merupakan alat yang penting untuk memahami dan menafsirkan setiap data dan informasi yang terkumpul.

BAB 3

Gambaran Umum, menguraikan gambaran umum tentang keadaan badan atau lembaga tempat peneliti melakukan riset.

BAB 4

Analisa dan Evaluasi Data, akan menganalisis semua data dan informasi yang ada secara kuantitatif dan merupakan isi pokok dari tugas akhir.

BAB 5

Implementasi Sistem, menguraikan prosedur yang dilakukan untuk menyelesaikan desain sistem yang ada dalam dokumen yang telah disetujui, menginstal dan memulai sistem baru atau sistem yang diperbaiki.

BAB 6

Penutup, menguraikan tentang kesimpulan dan saran.

BAGIAN AKHIR

BAB 2

TINJAUAN PUSTAKA

2.1 Pengertian Peramalan

Peramalan adalah kegiatan memperkirakan apa yang terjadi pada waktu yang akan datang sedangkan rencana merupakan penentuan apa yang akan dilakukan pada waktu yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu rencana diantaranya didasarkan pada suatu proyeksi atau ramalan. Pada hakekatnya banyak keputusan penting yang dilakukan secara pribadi, instansi, maupun perusahaan kepada kejadian-kejadian dimasa yang akan mendatang sehingga memerlukan ramalan tentang keadaan lingkungan masa depan tersebut. Sehingga setiap kebijakan ekonomi tidak akan terlepas dari usaha untuk meningkatkan kesejahteraan masyarakat dan meningkatkan keberhasilan pembangunan untuk mencapai tujuannya pada masa yang akan datang, dimana kebijaksanaan tersebut dilaksanakan. (Sofjan Assauri, 1984)

2.2 Kegunaan dan Peran Peramalan

Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Setiap orang selalu dihadapkan pada masalah pengambilan keputusan. Keputusan yang baik adalah keputusan yang didasarkan pertimbangan apa yang akan terjadi pada waktu keputusan

itu dilaksanakan. Kurang tepat ramalan yang kita susun atau yang kita buat maka kurang baiklah keputusan yang kita ambil. Walaupun demikian perlu disadari bahwa suatu ramalan adalah tetap ramalan, dimana selalu ada unsur kesalahan. Sehingga yang paling diperhatikan adalah usaha untuk memperkecil kemungkinan kesalahannya.

(Sofjan Assauri, 1984)

2.3 Jenis-jenis Peramalan

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

1. Peramalan Kualitatif

Peramalan Kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya.

2. Peramalan Kuantitatif

Peramalan Kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan dalam peramalan tersebut. (Sofjan Assauri, 1984)

Peramalan Kuantitatif dapat diterapkan bila terdapat kondisi berikut : a. Tersedia informasi (data) tentang masa lalu

b. Informasi (data) dapat dikuantitatifkan dalam bentuk data numerik

c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut pasa masa yang akan datang.

Baik tidaknya metode yang digunakan oleh perbedaan atau penyimpangan antara hasil ramalan dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara hasil ramalan dengan kenyataan yang terjadi, maka semakin baik pula metode yang digunakan.

2.4 Langkah-langkah Dalam Metode Peramalan

Langkah-langkah dalam metode peramalan adalah : a. Langkah pertama adalah mengumpulkan data

b. Langkah kedua adalah menyeleksi dan memilih data, data-data yang kurang relevan harus dibuang supaya tidak mempengaruhi akurasi peramalan.

c. Langkah ketiga adalah menganalisis data

d. Langkah keempat adalah menentukan metode yang dipergunakan

e. Langkah kelima adalah memproyeksikan data dengan menggunakan metode yang dipergunakan dan mempertimbangkan adanya beberapa faktor perubahan.

2.5 Pengertian dan Kegunaan Metode Peramalan

Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa depan, berdasarkan data yang relevan pada masa lalu. Oleh karena metode peramalan didasarkan atas data yang relevan pada masa lalu, maka metode peramalan ini dipergunakan dalam peramalan yang obyektif.

Sebagaimana diketahui bahwa metode peramalan merupakan cara berfikir yang sistematis dan pragmatis atas pemecahan suatu masalah. Disamping itu metode

peramalan juga memberikan urutan pengerjaan dan pemecahan atas pendekatan suatu masalah dalam peramalan. Selain itu, metode peramalan memberikan cara pengerjaan yang teratur dan terarah, sehingga dengan demikian dapat dimungkinkannya penggunaan tekni-teknik penganalisaan yang lebih maju. Dengan penggunaan teknik-teknik tersebut, maka diharapkan dapat memberikan kepercayaan atau keyakinan yang lebih besar, karena dapat diuji dan dibuktikan penyimpangan atau deviasi yang terjadi secara ilmiah.

Dari uraian diatas, dapat disimpulkan bahwa metode peramalan sangat berguna, karena akan membantu dalam mengadakan pendekatan analisis terhadap tingkah laku atau pola dari data yang lalu. Sehingga dapat memberikan cara pemikiran, pengajaran dan pemecahan yang sistematis dan pragmatis, serta memberikan tingkat keyakinan yang lebih besar atas ketetapan hasil ramalan yang dibuat atau disusun. (Sofjan Assauri, 1984)

2.6 Jenis-jenis Metode Peramalan

1. Metode peramalan yang digunakan atas penggunaan analisa hubungan antar variabel yang diperkirakan dengan variabel waktu merupakan deret berkala (Time Series). Metode peramalan yang termasuk pada jenis ini yaitu :

a. Metode Pemulusan (Smoothing) b. Metode Box Jenkins

c. Metode Proyeksi Trend dengan regresi

2. Metode peramalan yang didasarkan atas penggunaan analisis pola hubungan antar variabel yang akan diperkirakan dengan variabel lain yang

mempengaruhinya, yang bukan waktunya disebut Metode Korelasi atau sebab akibat (metode causal). Metode yang termasuk dalam jenis ini adalah :

a. Metode Regresi dan Korelasi b. Metode Ekonometri

c. Metode Input Output

2.7 Metode Pemulusan (Smoothing)

Metode Pemulusan (Smoothing) adalah metode peramalan dengan mengadakan penghalusan atau pemulusan data masa lalu yaitu dengan mengambil rata-rata dari nilai beberapa tahun untuk menaksir nilai pada tahun yang akan datang. Smoothing dilakukan dengan dua cara yaitu rata-rata bergerak (moving average)dan pemulusan eksponensial (exponential smoothing).

2.7.1 Rata-rata Bergerak (Moving Average)

Dengan rata-rata bergerak (moving averages) ini dilakukan peramalan dengan mengambil sekelompok nilai pengamatan, mencari rata-ratanya, lalu menggunakan rata-rata tersebut sebagai ramalan untuk periode berikutnya. Istilah rata-rata bergerak digunakan, karena setiap kali data observasi baru tersedia, maka angka rata-rata yang baru dihitung dan dipergunakan sebagi ramalan.

1. Rata-rata Bergerak Tunggal (Single Moving Averages)

Menetukan ramalan dengan metode rata-rata bergerak tunggal (single moving averages) cukup mudah dilakukan. Bila akan menerapkan 4 bulan rata-rata

bergerak maka maka ramalan pada bulan Mei dihitung sebesar rata-rata dari 4 bulan sebelumnya, yaitu bulan Januari, Februari, Maret, April.

Persamaan Matematis dari teknik ini adalah :

N

X X

X X

F t t t t n

t 1 2 1 1 ... _{ }      

 (Indriyo dan Najmudin,2000:8)

Keterangan :

1 

t

F : ramalan untuk periode ke t + 1 X

t : nilai riil periode ke t

n : jangka waktu rata-rata bergerak.

a. Karakteristik Khusus Rata-rata Bergerak Tunggal (Single Moving Averages) Metode single moving average memiliki karakteristik khusus.

a. Untuk menentukan ramalan pada periode yang akan datang memerlukan data historis selam jangka waktu tertentu.

b. Semakin panjang jangka waktu rata-rata bergerak (moving average), efek pelicinan semakin terlihat dalam ramalan atau menghasilkan rata-rata bergerak (moving average) yang semakin halus. Artinya pada rata-rata bergerak (moving average) yang jangka waktunya lebih panjang, perbedaan ramalan terkecil dengan ramalan terbesar menjadi lebih kecil.

b. Menghitung Kesalahan Ramalan

Hasil proyeksi yang akurat adalah ramalanyang bisa meminimalkan kesalahan meramal. Besarnya kesalahan meramal dihitung dengan mengurangi data riil dengan besarnya ramalan.

Error (E) = X

Keterangan : X

t = data riil periode ke-t

F

t = ramalan periode ke-t

Dalam menghitung kesalahan ramalandigunakan. a)Mean Absolute Error

Mean Absolute Error adalah rata-rata absolute dari kesalahan meramal, tanpa menghiraukan tanda positif maupun negatif.

n F X

MAE



t  t (Indriyo dan Najmudin,2000: 11)

b) Mean Squared Error

Mean Squared Error adalah kuadrat rata-rata kesalahan meramal.





n F X

MSE t t

2





 (Indriyo dan Najmudin,2000:11)

Metode ini mudah menghitungnya dan sederhana, tetapi mempunyai kelemahan-kelemahan antara lain :

(1) perlu data histories yang cukup,

(2) data tiap periode diberi weight (bobot) sama,

(3) kalau fluktuasi data tidak random, tidak menghasilkan forecasting yang baik. (Pangestu Subagyo, 1986:11).

2. Rata-rata Bergerak Ganda (Double Moving Average)

Menentukan ramalan dengan metode rata-rata bergerak ganda (double moving average) sedikit lebih sulit dibandingkan dengan metode rata-rata bergerak tunggal (single moving average). Ada beberapa langkah dalam menentukan

ramalan dengan metode rata-rata bergerak ganda (double moving average), antara lain sebagai berikut.

1. Menghitung moving average/ rata-rata bergerak pertama, diberi simbol S

I

t, dihitung dari data historis yang ada. Hasilnya diletakkan pada periode

terakhir moving average pertama.

2. Menghitung moving average/rata-rata bergerak kedua, diberi simbol S

II t,

dihitung dari rata-rata bergerak pertama. Hasilnya diletakkan pada periode terakhir moving average kedua.

3. Menentukan besarnya nilai a

t (konstanta)



It IIt



t I

t s s s

a   

4. Menentukan besarnya nilai b

t (slope)





1 2    V s s b t II t I t

V adalah jangka waktu moving average. 5. Menentukan besarnya peramalan

) (m b a m

F_t   

m adalah jangka waktu forecast kedepan. (Indriyo dan Najmudin,2000:13).

2.7.2 Pemulusan Eksponensial (Exponential Smoothing)

Metode pemulusan eksponensial (exponential smoothing) merupakan pengembangan dari metode rata-rata bergerak (moving averages). Dalam metode ini peramalan dilakukan dengan mengulang perhitungan secara terus menerus dengan menggunakan

data terbaru. Setiap data diberi bobot, data yang lebih baru diberi bobot yang lebih besar.

Dua metode dalam pemulusan eksponensial (exponential smoothing) diantaranya pemulusan eksponensial tunggal (single exponential smoothing) dan pemulusan eksponensial ganda (double exponential smoothing).

1. Pemulusan Eksponensial Tunggal(Single Exponential Smoothing)

Pada metode single exponential smoothing bobot yang diberikan pada data yang ada adalah sebesar α untuk data yang terbaru, α(1-α) untuk data yang lama, α(1-α)

2

untuk data yang lebih lama, dan seterusnya. Besarnya α adalah antara 0 dan 1. Semakin mendekati 1 berarti data terbaru lebih diperhatikan. Secara matematis besarnya peramalan adalah:

F

t+1= α Xt+ (1-α) Ft (Indriyo dan Najmudin,2000:17)

F

t+1 : ramalan untuk periode ke t + 1

X

t : nilai riil periode ke t

F

t : Ramalan untuk periode ke t

Dari persamaan di atas besarnya peramalan periode yang akan datang dijelaskan sebagai berikut.

F

t+1 = α Xt + (1-α) Ft

F

t+1 = α Xt + Ft - α Ft

F

t+1 = Ft + αXt - α Ft

F

t+1 = Ft + α (Xt – Ft) (Indriyo dan Najmudin,2000:17)

(X

t - Ft) merupakan kesalahan forecast atau forecast error periode ke t. Dengan

sebelumnya ditambah α (alpha) dikalikan dengan kesalahan forecast periode sebelumnya.

Dalam melakukan peramalan dengan menggunakan metode single exponential smoothing besarnya α (alpha) ditentukan secarat trial dan error sampai diketemukan α (alpha) yang menghasilkan forecast error terkecil. Metode ini lebih cocok digunakan untuk meramal data-data yang fluktuatif secara random (tidak teratur). (Pangestu Subagyo, 1986:22).

2. Pemulusan Eksponensial Ganda (Double Exponential Smoothing)

Pada metode ini proses penentuan ramalan dimulai dengan menentukan alpha secara trial dan error. Sedangkan tahap-tahap dalam menentukan ramalan adalah sebagai berikut.

1. Menentukan Smoothing pertama (S

I t)



1



1



 _t It

t I

S X

S   (Indriyodan Najmudin,2000:23)

S

I t

: smoothing pertama periode ke t X

t : nilai riil periode t

SI

t-1 : smoothing pertama periode t - 1

2. Menentukan Smoothing kedua (S

II t)



1



1



 It IIt t

II _{S S}

S   (Indriyo dan Najmudin,2000:23)

1 

t II

S : smoothing kedua periode t-1 3. Menentukan besarnya konstanta (a

t)

t II t I t S S

4. Menentukan besarnya slope (b

t)



It IIt



t S S

b 

 

  1

5. Menentukan besarnya forecast (F

t + m)

F

t + m = at + bt (m), dimana m adalah jangka waktu peramalan.

Metode pemulusan eksponensial ganda (double exponential smoothing) ini biasanya lebih tepat untuk meramalkan data yang mengalami trend kenaikan. (Pangestu Subagyo, 1986:2).

2.8 Variabel dan Metode pengumpulan data

1. Variabel

Variabel dalam penelitian ini adalah volume besarnya Produk Domestik Regional Bruto (PDRB) Kota Medan tiap tahun.

2. Metode pengumpulan data

Metode pengumpulan data yang digunakan adalah sebagai berikut. a. Metode literatur

Metode ini digunakan untuk memperkuat teori-teori yang telah ada yaitu dengan membaca buku-buku.

b. Metode Dokumentasi

Data yang dianalisis diperoleh dari BPS Provinsi Sumatera Utara yaitu Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi dari tahun 2000 sampai dengan tahun 2009.

2.9 Metode Analisis Data

Metode analisis data yang digunakan dalam tugas akhir ini adalah metode pemulusan (smoothing) dengan pemulusan eksponensial (exponential smoothing). Metode ini adalah pengembangan dari metode perataan (average).Dalam metode ini peramalan dilakukan dengan mengulang perhitungan secara terus menerus dengan menggunakan data terbaru. Setiap data diberi bobot, data yang lebih baru diberi bobot yang lebih besar.

Dua metode dalam pemulusan eksponensial (exponential smoothing) yang akan digunakan ialah pemulusan eksponensial tunggal (single exponential smoothing) dan pemulusan eksponensial ganda (double exponential smoothing).

2.10 Pengertian Pertanian

Pertanian adalah kegiatan pemanfaatan sumber daya hayati yang dilakukan manusia untuk menghasilkan bahan pangan, bahan baku industri, atau sumber energi, serta untuk mengelola lingkungan hidupnya. Kegiatan pemanfaatan sumber daya hayati yang termasuk dalam pertanian biasa difahami orang sebagai budidaya tanaman atau bercocok tanam (bahasa Inggris: crop cultivation) serta pembesaran hewan ternak (raising), meskipun cakupannya dapat pula berupa pemanfaatan mikroorganisme dan bioenzim dalam pengolahan produk lanjutan, seperti pembuatan keju dan tempe, atau sekedar ekstraksi semata, seperti penangkapan ikan atau eksploitasi hutan.

Dalam Produk Domestik Regional Bruto (PDRB) pertanian merupakan kegiatan pengusahaan dan pemanfaatan benda-benda biologis (hidup) yang diperoleh dari alam dengan tujuan untuk konsumsi. Sektor pertanian meliputi sub sektor tanaman Bahan makanan, Tanaman Perkebunan, Peternakan dan Hasil-hasilnya, Kehutanan dan Perikanan.

Jasa pertanian merupakan jasa-jasa khusus yang diberikan untuk menunjang kegiatan ekonomi pertanian berdasarkan suatu pungutan atau kontrak tertentu. Termasuk dalam jasa pertanian adalah penyewaan alat pertanian dengan operatornya dengan syarat pengelolaan dan resiko usaha tersebut dilakukan secara terpisah. Dalam penghitungan nilai tambah sektor pertanian, secara konsep nilai tambah jasa pertanian ini terdistribusi pada masing-masing sub-sektor (misalnya jasa dokter hewan pada sub-sektor peternakan, jasa memetik kopi pada sub-sektor perkebunan).

(Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi Tahun 2005 - 2009)

2.11 Produk Domestik Regional Bruto (PDRB)

Produk Domestik Regional Bruto (PDRB) didefinisikan sebagai jumlah nilai tambah yang dihasilkan oleh seluruh unit usaha dalam suatu wilayah, atau merupakan jumlah seluruh nilai barang dan jasa akhir yang dihasilkan oleh seluruh unit usaha. Kegunaan PDRB antara lain memperlihatkan:

a. tingkat pertumbuhan ekonomi

Laju pertumbuhan ekonomi regional baik total maupun sektoral umumnya dihitung berdasarkan angka indeks berantai baik total PDRB maupun sektor –

sektornya. Yang dimaksud dengan pertumbuhan ekonomi adalah perubahan persentase PDRB atas dasar harga konstan dari suatu kurun waktu.

b. tingkat kemakmuran ekonomi

Tingkat kemakmuran ekonomi biasanya diukur dengan pendapatan perkapita yang merupakan hasil bagi pendapatan regional dengan angka penduduk pertengahan tahun.

c. tingkat inflasi dan deflasi

Tingkat inflasi dan deflasi dapat diketahui bila PDRB atas dasar harga berlaku dibandingkan dengan PDRB atas dasar harga konstan, hasil baginya disebut indeks harga implisit.

d. struktur perekonomian

Struktur perekonomian biasanya terdiri atas sektor – sektor menurut klasifikasi lapangan usaha.

Data PDRB disajikan dalam dua bentuk yaitu menurut klasifikasi lapangan usaha (sektoral) dan menurut penggunaannya.

a. PDRB menurut lapangan usaha

Penyajian PDRB menurut lapangan usaha akan memberikan gambaran mengenai peranan masing – masing sektor. PDRB menurut lapangan usaha dirinci menurut 11 sektor yaitu:

1. sektor pertanian

2. sektor pertambangan dan penggalian 3. sektor industri pengolahan

4. sektor listrik, gas, dan air minum 5. sektor bangunan

6. sektor perdagangan, hotel dan restoran 7. sektor pengangkutan dan komunikasi 8. sektor bank, lembaga keuangan lainnya 9. sektor sewa rumah

10.sektor pemerintahan dan pertahanan 11.sektor jasa-jasa

Untuk memperoleh angka – angka PDRB menurut lapangan usaha dilakukan penghitungan sebagai berikut:

NTB = NPB – NBA NP(NPB) = HP x KP NBA(BA) = HBA x KBA dimana :

NTB = nilai tambah bruto

NPB = nilai produksi bruto (nilai produksi) NBA = nilai biaya antara

HP = harga produksi KP = kuantum produksi HBA = harga biaya antara KBA = kuantum biaya antara

b. PDRB menurut penggunaannya

Penyajian PDRB menurut penggunaannya menggambarkan bagaimana penggunaan barang dan jasa akhir oleh berbagai kegiatan ekonomi. Secara rinci penyajiannya berbentuk sebagai berikut:

1. pengeluaran konsumsi akhir rumah tangga 2. pengeluaran konsumsi lembaga non-profit 3. pengeluaran konsumsi akhir pemerintah 4. pembentukan modal tetap bruto

5. ekspor neto

Untuk memperoleh angka – angka PDRB menurut penggunaannya, dilakukan penghitungan secara langsung pada komponen – komponen yang tercakup. Namun karena mengalami kesulitan dalam kelengkapan data, sehingga data komponen yang dihitung secara rasional berdasar pada penghitungan sektoral. Dari komponen – komponen yang tercakup dalam perhitungan PDRB menurut penggunaan dapat dinotasikan dalam suatu rumus persamaan sebagai berikut:

Y + M = C + IF + IS +E dimana :

Y = Produk Domestik Regional Bruto M = impor

C = konsumsi rumah tangga, pemerintah, lembaga swasta tidak mencari untung

If = pembentukan modal tetap bruto

Is = perubahan stok

Dengan berdasarkan pada persamaan tersebut maka PDRB menurut penggunaan dapat digolongkan menjadi:

1. pengeluaran konsumsi rumah tangga 2. pengeluaran konsumsi lembaga non-profit 3. pembentukan modal tetap Bruto

4. perubahan stok

BAB 3

GAMBARAN UMUM

3.1 Sejarah Badan Pusat Statistik (BPS) Provinsi Sumatera Utara

Tahun1968, ditetapkan Peraturan Pemerintah No.16 tahun 1968, yang mengatur Organisasi dan Tata Kerja BPS (di Pusat dan Daerah).

Tahun 1980, ditetapkan Peraturan Pemerintah No.6 tahun 1980, tentang Organisasi BPS sebagai pengganti PP No.16 tahun 1968. Berdasarkan PP No. 6/1980 di setiap Provinsi terdapat kantor statistik dengan nama KANTOR STATISTIK PROVINSI dan begitu juga di setiap Kabupaten/ Kotamadya terdapat kantor statistik dengan nama KANTOR STATISTIK KABUPATEN/KOTAMADYA. Dengan demikian mulai saat itu Kantor Statistik Provinsi secara resmi ada diseluruh Indonesia, tidak terkecuali di Provinsi Sumatera Utara dengan nama Kantor Statistik Provinsi Sumatera Utara. Demikian juga untuk Kabupaten/Kotamadya seluruh Provinsi Sumatera Utara berdiri Perwakilan BPS Kantor Statistik Kabupaten/Kotamadya pada saat itu.

Tahun 1992, ditetapkan Peraturan Pemerintah No.2 tahun 1992, tentang Organisasi BPS sebagai pengganti PP No. 6/1980. Kedudukan , tugas, fungsi, susunan

organisasi , dan tata kerja Biro Pusat Statistik selanjutnya diatur dengan Keputusan Presiden.

Tahun 1997, ditetapkan Undang-undang No. 16 Tahun 1997 tentang Statistik sebagai pengganti Undang No.6 Tahun 1960 tentang Sensus dan Undang-undang No.7 Tahun 1960 tentang Statistik.

Tahun 1998, ditetapkan Keputusan Presiden no. 86 Tahun 1998 tentang Badan Pusat Statistik sebagai pengganti Keputusan Presiden No.6 Tahun 1992 tentang Kedudukan, tugas, fungsi, susunan organisasi dan tata kerja Biro Pusat Statistik. Berdasarkan Keputusan Presiden ini "Kantor Statistik Provinsi Sumatera Utara" berubah menjadi BADAN PUSAT STATISTIK (BPS) PROVINSI SUMATERA UTARA.

3.2 Visi dan Misi

3.2.1 Visi

Visi Badan Pusat Statistik (BPS) ialah pelopor data statistik terpecaya untuk semua.

3.2.2 Misi

1. Memperkuat landasan konstitusional dan operasional lembaga statistik untuk penyelenggaraan statistik yang efektif dan efisien

2. Menciptakan insan statistik yang kompeten dan profesional, didukung pemanfaatan teknologi informasi mutakhir untuk kemajuan perstatistikan Indonesia

3. Meningkatkan penerapan standar klasifikasi, konsep dan definisi, pengukuran, dan kode etik statistik yang bersifat universal dalam setiap penyelenggaraan statistik

4. Meningkatkan kualitas pelayanan informasi statistik bagi semua pihak

5. Meningkatkan koordinasi, integrasi, dan sinkronisasi kegiatan statistik, dalam kerangka Sistem Statistik Nasional (SSN) yang efektif dan efisien

3.3 Tugas, Fungsi dan Kewenangan

3.3.1 Tugas BPS

Berdasarkan Keputusan Presiden Republik Indonesia Nomor 103 Tahun 2001 tentang Kedudukan, Tugas, Fungsi, Kewenangan, Susunan Organisasi, dan Tata Kerja Lembaga Pemerintah Non Departemen, BPS mempunyai tugas melaksanakan tugas pemerintah di bidang kegiatan statistik sesuai dengan ketentuan peraturan perundang-undangan yang berlaku.

3.3.2 Fungsi BPS

Sebagaimana tercantum dalam Keputusan Presiden Republik Indonesia Nomor 103 Tahun 2001 dalam melaksanakan tugas, BPS menyelenggarakan fungsi :

2. Penyelenggaraan statistik dasar

3. Koordinasi kegiatan fungsional dalam pelaksanaan tugas BPS

4. Pelancaran dan pembinaan terhadap kegiatan instansi pemerintah di bidang kegiatan statistik

5. Penyelenggaraan pembinaan dan pelayanan administrasi umum di bidang perencanaan umum, ketatausahaan, organisasi dan tata laksana, kepegawaian, keuangan, kearsipan, persandian, perlengkapan, dan rumah tangga.

3.3.3 Kewenangan BPS

Berdasarkan Keputusan Presiden Republik Indonesia Nomor 103 Tahun 2001 dalam menyelenggarakan fungsinya BPS mempunyai kewenangan :

1. Penyusunan rencana nasional secara makro di bidangnya

2. Perumusan kebijakan di bidangnya untuk mendukung pembangunan secara makro

3. Penetapan sistem informasi di bidangnya

4. Penetapan dan penyelenggaraan statistik nasional

5. Kewenangan lain yang melekat dan telah dilaksanakan sesuai dengan ketentuan peraturan perundang-undangan yang berlaku, yaitu :

a. Perumusan dan pelaksanaan kebijakan tertentu di bidang kegiatan statistik

3.4 Struktur Organisasi Badan Pusat Statistik (BPS) Provinsi Sumatera Utara

Adapun jabatan kepengurusan inti dalam BPS Provinsi Sumatera Utara adalah sebagai berikut :

1. Kepala BPS Provinsi Sumatera Utara : Drs. Alimuddin Sidabalok ,MBA 2. Kepala Bag. Tata Usaha : Rupiansyah Putera

3. Kepala Bid. Statistik Sosial : Sukardi

4. Kepala Bid. Statistik Produksi : Drs. Erwin Said 5. Kepala Bid. Statistik Distribusi : Hajizi, SE, MSi 6. Kepala Bid. Neraca Wilayah : Khaerul Agus 7. Kepala Bid. Integrasi Pengolahan : Didik Koesbianto

Untuk bagan struktur organisasi BPS Provinsi Sumatera Utara ialah sebagai berikut.

Dan bagan BPS tingkat kabupaten/ kota Se Provinsi Sumatera Utara ialah sebagai berikut.

Gambar 3.2 Bagan Struktur Badan Pusat Statistik Kabupaten/Kota Se Provinsi Sumatera Utara

3.5 Program Kerja Badan Pusat Statistik (BPS) Provinsi Sumatera Utara

Merujuk pada Undang-undang Nomor 16 tahun 1997 tentang Statistik, BPS merupa-kan satu-satunya lembaga pemerintah vertikal yang mempunyai tugas menyelenggara-kan kegiatan statistik dasar dan mengumummenyelenggara-kan hasilnya secara teratur dan terbuka kepada masyarakat. Berkaitan dengan itu, untuk menyediakan informasi statistik yang cepat, lengkap, dan akurat, BPS melakukan penyesuaian-penyesuaian baik di dalam

penyelenggaraan kegiatan statistik, bidang iptek, sarana peralatan penunjang kegiatan statistik, maupun kapasitas sumber daya manusia.

Kewenangan BPS seperti yang tercantum dalam Undang-Undang Statistik Nomor 16 tahun 1997 diimplementasikan dalam berbagai kebijakan dan rencana kegiatan dikelompokkan ke dalam tiga program utama yaitu:

1. Program Penyempurnaan dan Pengembangan Statistik 2. Program Peningkatan Sarana dan Prasarana

3. Program Penyelenggaraan Pimpinan Negara dan Kepemerintahan

Beberapa Kegiatan yang akan dilaksanakan yaitu : 1. Survei Bidang Industri

a. Survei Industri Besar dan sedang Tahunan b. Survei Industri Besar dan sedang Bulanan c. Survei Industri Besar Sedang Triwulanan 2. Survei Bidang Pertanian

a. Survei Pertanian Tanaman Pangan/Ubinan & Luas Lahan

b. Survei Perusahaan Hortikultura, Perkebunan Besar, Kehutanan & Karet Remah

c. Survei Statistik Peternakan, Perikanan, TPI dan RPH d. Studi Metode Rumpun Counting

3. Survei Bidang Perdagangan

a. Kompilasi Data Statistik Ekspor dan Impor b. Statistik Harga Perdagangan Besar (HPB)

d. Survei Statistik Harga Konsumen dan Survei Volume Penjualan Eceran Beras

e. Pengumpulan Data Statistik Keuangan Daerah

f. Statistik Keuangan dan Monitoring Kurs Valuta Asing 4. Survei Bidang Transportasi

a. Pengumpulan Data Statistik Angkutan Laut (Simoppel) b. Pengumpulan Data Statistik Angkutan Udara

c. Pengumpulan Data Statistik Angkutan Darat 5. Survei Bidang Jasa dan Parawisata

a. Survei Hotel Tahunan (VHT-L) b. Survei Hotel Bulanan (VHT-S)

c. Survei Kunjungan Tamu Asing (VIOT) 6. Survei Bidang Kependudukan

a. Survei Upah Buruh Triwulanan b. Survei Struktur Upah Buruh Tahunan

c. Survei Angkatan Kerja Nasional (Sakernas) Triwulanan d. Survei Angkatan Kerja Nasional (Sakernas) Tahunan 7. Survei Bidang Pertambangan

a. Survei Perusahaan Air Bersih Tahunan

b. Survei Perusahaan Penggalian Bahan Industri dan Konstruksi Bersih Tahunan

c. Survei Perusahaan Pertambangan Tahunan d. Survei Perusahaan Konstruksi Tahunan e. Survei Perusahaan Konstruksi Triwulan

8. Survei Bidang Sosial Ekonomi

a. Survei Sosial Ekonomi Nasional (Susenas) b. Penyusunan Neraca Regional

c. Penyusunan Neraca Pemerintah & Badan Usaha d. PDB Triwulanan Menurut Sektor dan Penggunaan e. Penyusunan SNNI

f. Penyusunan Neraca Rumahtangga & Lembaga Non Profit g. Survei Khusus input Output (SKIO)

h. PDB Triwulanan

i. Penyusunan PDB Sektoral Tahun Dasar Berjalan

BAB 4

ANALISA DAN EVALUASI

4.1 Analisa Data

Berdasarkan metode yang telah dibahas dalam bab sebelumnya (BAB II), dilakukan peramalan pada data Produk Domestik Regional Bruto (PDRB) yang dikonsentrasikan pada sektor pertanian atas dasar harga berlaku tahun 2000 sampai dengan 2009 di Kabupaten Dairi sebagai kelompok pengamatan seperti yang terlihat dalam tabel 4.1.

Dalam peramalan ini digunakan metode pemulusan ekspoensial (exponential smoothing) untuk meramalkan besarnya Produk Domestik Regional Bruto (PDRB) sektor pertanian Kabupaten Dairi tahun 2012, berikut adalah uraian singkat dari hasil penelitian yang telah dilakukan.

Tabel 4.1

Data PDRB Kabupaten Dairi Sektor Pertanian

Atas Dasar Harga Berlaku Tahun 2000 – 2009 (Jutaan Rupiah)

Tahun PDRB Sektor Pertanian 2000 915.998,27 2001 1.060.634,35 2002 1.195.269,54 2003 1.300.354,52 2004 1.434.960,63 2005 1.562.012,23 2006 1.666.274,17 2007 1.805.008,01 2008 1.929.695,13 2009 2.059.598,15

0 500000 1000000 1500000 2000000 2500000

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

P

D

R

B

Tahun

Gambar 4.1 Grafik Data PDRB Kabupaten Dairi Sektor Pertanian Tahun 2000 - 2009

Dari grafik diatas dapat dilihat bahwa data Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi termasuk data yang mengalami trend kenaikan, karena itu metode yang lebih tepat untuk digunakan dalam peramalan data di atas adalah metode Pemulusan Eksponensial Ganda (Double Exponential Smoothing). Akan tetapi untuk membuktikan metode mana yang cocok digunakan dalam peramalan ini, akan dilakukan peramalan dengan dua metode dalam exponential smoothing yaitu Pemulusan Eksponensial Tunggal (single exponential smoothing) dan Pemulusan Eksponensial Ganda (double exponential smoothing). Dari hasil peramalan dengan dua metode tersebut akan diketahui metode yang paling tepat digunakan.

4.1.1 Pemulusan Eksponensial Tunggal

Dalam melakukan peramalan dengan metode pemulusan eksponensial tunggal (single exponential smoothing), maka besarnya alpha (α) yang diterapkan adalah 0.1, 0.6, dan 0.9. dengan tujuan untuk menemukan α yang menghasilkan kesalahan peramalan terkecil.

Dengan menggunakan α sebesar 0.1, perhitungan ramalan (forecast)adalah sebagai berikut.

Tahun 2000 : belum bisa ditentukan karena data pertama.

Tahun 2001 : ditentukan oleh besarnya PDRB tahun 2000 yaitu sebesar 915.998,27 Tahun 2002 : F

t+1 = α Xt+ (1-α)Ft

F

2001+1 = α X2000+ (1-α)F2000

F

2002 = (0.1 x 1.060.634,35) + (1 – 0.1) 915.998,27

= 106.063,435 + (0.9 x 915.998,27) = 106.063,435 + 824.398,443

= 930.461,878

Tahun 2003 : F

t+1 = α Xt + (1-α)Ft

F

2002+1 = α X2002 + (1-α)F2002

F

2003 = (0.1 x 1.195.269,54) + (1 – 0.1) 930.461,878

= 119.526,954 + (0.9 x 930.461,878) = 119.526,954 + 837.415,690 = 956.942,644

Tahun 2004 : F

t+1 = α Xt + (1-α)Ft

F

2003+1 = α X2003 + (1-α)F2003

F

2004 = (0.1 x 1.300.354,52) + (1 – 0.1) 956.942,644

= 130.035,452+ (0.9 x 956.942,644) = 130.035,452 + 861.248,380 = 991.283,832

Tahun 2005 : F

t+1 = α Xt + (1-α)Ft

F

2004+1 = α X2004 + (1-α) F2004

F

2005 = (0.1 x 1.434.960,63) + (1 – 0.1) 991.283,832

= 143.496,063 + (0.9 x 991.283,832) = 143.496,063 + 892.155,449 = 1.035.651,512

Tahun 2006 : F

t+1 = α Xt + (1-α) Ft

F

2005+1 = α X2005 + (1-α)F2005

F

2006 = (0.1 x 1.562.012,23) + (1 – 0.1) 1.035.651,512

= 156.201,223 + (0.9 x 1.035.651,512) = 156.201,223 + 932.086,361

= 1.088.287,584

Tahun 2007 : F

t+1 = α Xt + (1-α) Ft

F

F

2007 = (0.1 x 1.666.274,17) + (1 – 0.1) 1.088.287,584

= 166.627,417 + (0.9 x 1.088.287,584) = 166.627,417 + 979458,826

= 1.146.086,243

Tahun 2008 : F

t+1 = α Xt + (1-α)Ft

F

2007+1 = α X2007 + (1-α) F2007

F

2008 = (0.1 x 1.805.008,01) + (1 – 0.1) 1.146.086,243

= 180.500,801 + (0.9 x 1.146.086,243) = 180.500,801 + 1.031.477,619 = 1.211.978,420

Tahun 2009 : F

t+1 = α Xt + (1-α) Ft

F

2008+1 = α X2008 + (1-α)F2008

F

2006 = (0.1 x 1.929.695,13) + (1 – 0.1) 1.211.978,420

= 192.969,513 + (0.9 x 1.211.978,420) = 192.969,513 + 1.090.780,578 = 1.283.750,091

n F X

MAE



t  t

8 18 4.308.730,

 MAE





n F X

MSE t t

2







8

0 396.058,38 2.547.263.

 MSE

= 318.407.924.507,298

Dengan menggunakan α sebesar 0.6, perhitungan ramalan (forecast)adalah sebagai berikut.

Tahun 2000 : belum bisa ditentukan karena data pertama.

Tahun 2001 : ditentukan besarnya PDRB tahun 2000 yaitu sebesar 915.998,27 Tahun 2002 : F

t+1 = α Xt+ (1-α)Ft

F

2001+1 = α X2001+ (1-α)F2001

F

2002 = (0.6 x 1.060.634,35) + (1 – 0.6) 915.998,27

= 636.380,610 + (0.4 x 915.998,27) = 636.380,610 + 366.399,308 = 1.002.779,918

Tahun 2003 : F

t+1 = α Xt+ (1-α)Ft

F

2002+1 = α X2002+ (1-α)F2002

F

2003 = (0.6 x 1.195.269,54) + (1 – 0.6) 1.002.779,918

= 717.161,724 + (0.4 x 1.002.779,918) = 717.161,724 + 401.111,967

Tahun 2004 : F

t+1 = α Xt+ (1-α)Ft

F

2003+1 = α X2003+ (1-α)F2003

F

2004 = (0.6 x 1.300.354,52) + (1 – 0.6) 1.118.273,691

= 780.212,712 + (0.4 x 1.118.273,691) = 780.212,712 + 447.309,476

= 1.227.522,188

Tahun 2005 : F

t+1 = α Xt+ (1-α)Ft

F

2004+1 = α X2004+ (1-α)F2004

F

2005 = (0.6 x 1.434.960,63) + (1 – 0.6) 1.227.522,188

= 860.976,378 + (0.4 x 1.227.522,188) = 860.976,378 + 491.008,875

= 1.351.985,253

Tahun 2006 : F

t+1 = α Xt+ (1-α)Ft

F

2005+1 = α X2005+ (1-α)F2005

F

2006 = (0.6 x 1.562.012,23) + (1 – 0.6) 1.351.985,253

= 937.207,338+ (0.4 x 1.351.985,253) = 937.207,338 + 540.794,101

= 1.478.001,439

Tahun 2007 : F

t+1 = α Xt+ (1-α)Ft

F

F

2007 = (0.6 x 1.666.274,17) + (1 – 0.6) 1.478.001,439

= 999.764,502 + (0.4 x 1.478.001,439) = 999.764,502 + 591.200,576

= 1.590.965,078

Tahun 2008 : F

t+1 = α Xt+ (1-α)Ft

F

2007+1 = α X2007+ (1-α)F2007

F

2008 = (0.6 x 1.805.008,01) + (1 – 0.6) 1.590.965,078

= 1.083.004,806 + (0.4 x 1.590.965,078) = 1.083.004,806 + 636.386,031

= 1.719.390,837

Tahun 2009 : F

t+1 = α Xt+ (1-α)Ft

F

2008+1 = α X2008+ (1-α)F2008

F

2009 = (0.6 x 1.929.695,13) + (1 – 0.6) 1.719.390,837

= 1.157.817,078 + (0.4 x 1.719.390,837) = 1.157.817,078 + 687.756,335

= 1.845.573,413

n F X

MAE



t  t

8 562 1.618.680,

 MAE





n F X

MSE t t

2







8

2.400,982 328.643.20

 MSE

= 41.080.400.300,123

Dengan menggunakan α sebesar 0.9, perhitungan ramalan (forecast) adalah sebagai berikut.

Tahun 2000 : belum bisa ditentukan karena data pertama.

Tahun 2001 : ditentukan besarnya PDRB tahun 2000 yaitu sebesar 915.998,27 Tahun 2002 : F

t+1 = α Xt+ (1-α)Ft

F

2001+1 = α X2001+ (1-α)F2001

F

2002 = (0.9 x 1.060.634,35) + (1 – 0.9) 915.998,27

= 954.570,915 + (0.1 x 915.998,27) = 954.570,915 + 91.599,827 = 1.046.170,742

Tahun 2003 : F

t+1 = α Xt+ (1-α)Ft

F

2002+1 = α X2002+ (1-α)F2002

F

2003 = (0.9 x 1.195.269,54) + (1 – 0.9) 1.046.170,742

= 1.075.742,586 + (0.1 x 1.046.170,742) = 1.075.742,586 + 104.617,074

Tahun 2004 : F

t+1 = α Xt+ (1-α)Ft

F

2003+1 = α X2003+ (1-α)F2003

F

2004 = (0.9 x 1.300.354,52) + (1 – 0.9) 1.180.359,660

= 1.170.319,068 + (0.1 x 1.180.359,660) = 1.170.319,068 + 118.035,966

= 1.288.355,034

Tahun 2005 : F

t+1 = α Xt+ (1-α)Ft

F

2004+1 = α X2004+ (1-α)F2004

F

2005 = (0.9 x 1.434.960,63) + (1 – 0.9) 1.288.355,034

= 1.291.464,567 + (0.1 x 1.288.355,034) = 1.291.464,567 + 128.835,503

= 1.420.300,070

Tahun 2006 : F

t+1 = α Xt+ (1-α)Ft

F

2005+1 = α X2005+ (1-α)F2005

F

2006 = (0.9 x 1.562.012,23) + (1 – 0.9) 1.420.300,070

= 1.405.811,007 + (0.1 x 1.420.300,070) = 1.405.811,007 + 142.030,007

= 1.547.841,014

Tahun 2007 : F

t+1 = α Xt+ (1-α)Ft

F

F

2007 = (0.9 x 1.666.274,17) + (1 – 0.9) 1.547.841,014

= 1.499.646,753 + (0.1 x 1.547.841,014) = 1.499.646,753 + 154.784,101

= 1.654.430,854

Tahun 2008 : F

t+1 = α Xt+ (1-α)Ft

F

2007+1 = α X2007+ (1-α)F2007

F

2008 = (0.9 x 1.805.008,01) + (1 – 0.9) 1.654.430,854

= 1.624.507,209 + (0.1 x 1.654.430,854) = 1.624.507,209 + 165.443,085

= 1.789.950,294

Tahun 2009 : F

t+1 = α Xt+ (1-α)Ft

F

2008+1 = α X2008+ (1-α)F2008

F

2009 = (0.9 x 1.929.695,13) + (1 – 0.9) 1.789.950,294

= 1.736.725,617 + (0.1 x 1.789.950,294) = 1.736.725,617 + 178.995,029

= 1.915.720,646

n F X

MAE



t  t

8 064 1.110.044,

 MAE





n F X

MSE t t

2







8

2.207,095 155.134.00

 MSE

= 19.391.750.275,887

4.1.2 Pemulusan Eksponensial Ganda

Pada peramalan dengan metode ini digunakan alpha 0.1, 0.6, dan 0.9. Besarnya peramalan (forecast) bila digunakan alpha 0.1 adalah sebagai berikut.

Tahun 2000 : SI

t: ditentukan oleh PDRB tahun pertama, yaitu sebesar 915.998,27

S

II

t: ditentukan juga oleh besarnya PDRB tahun pertama, yaitu sebesar 915.998,27.

a

t : belum bisa ditentukan karena merupakan data pertama.

b

t : belum bisa ditentukan karena merupakan data pertama.

F

t+m : peramalan (forecast)tahun kedua (F2001) ditentukan oleh besarnya PDRB tahun

pertama, yaitu sebesar 915.998,27 Tahun 2001 : X

t = 1.060.634,35

a.SIt X_t 



1



SIt1

= 0.1 x 1.060.634,35 + (1 – 0.1) 915.998,27 = 106.063,435 + (0.9) 915.998,27

= 106.063,435 + 824.398,443 = 930.461,878

b.SIIt SIt 



1



SIIt1

= 0.1 x 930.461,878 + (1 – 0.1) 915.998,27 = 93.046,188 + (0.9) 915.998,27

= 93.046,188 + 824.398,443 = 917.444,631

c. a

t = 2 S I

t- S II

t

= 2 (930.461,878) – 917.444,631 = 1.860.923,756 - 917.444,631 = 943.479,125

d. b_t



SIt SIIt



    1 = 1 . 0 1 1 . 0

 ( 930.461,878 - 917.444,631)

= 9 . 0 1 . 0 ( 13.017,247) = 1.446,361 e. Forecast (Peramalan) F

t+m = at + bt (m)

F

2001+1 = 943.479,125 + 1.446,361 (1)

F

2002 = 943.479,125 + 1.446,361

Tahun 2002 : X

t = 1.195.269,54

a.SIt X_t 



1



SIt1

= 0.1 x 1.195.269,54 + (1 – 0.1) 930.461,878 = 119.526,954 + (0.9) 930.461,878

= 119.526,954 + 837.415,690 = 956.942,644

b.SIIt SIt 



1



SIIt1

= 0.1 x 956.942,644 + (1 – 0.1) 917.444,631 = 95.694,264 + (0.9) 917.444,631

= 95.694,264 + 825.700,168 = 921.394,432

c. a

t = 2 S I

t- S II

t

= 2 (956.942,644) – 921.394,432 = 1.913.885,288 - 921.394,432 = 992.490,856

d. b_t



SIt SIIt



    1 = 1 . 0 1 1 . 0

 (956.942,644- 921.394,432)

= 9 . 0 1 . 0 (35.548,212) = 3.949,801 e. Forecast F

t+m = at + bt (m)

F

F

2003 = 992.490,856 + 3.949,801

= 996.440,657

Tahun 2003 : X

t = 1.300.354,52

a.SIt X_t 



1



SIt1

= 0.1 x 1.300.354,52 + (1 – 0.1) 996.440,657 = 130.035,452 + (0.9) 996.440,657

= 130.035,452 + 861.248,380 = 991.283,832

b.SIIt SIt 



1



SIIt1

= 0.1 x 991.283,832 + (1 – 0.1) 921.394,432 = 99.128,383 + (0.9) 921.394,432

= 99.128,383 + 829.254,989 = 928.383,372

c. a

t = 2 S I

t- S II

t

= 2 (991.283,832) – 928.383,372 = 1.982.567,664 - 928.383,372 = 1.054.184,291

d. b_t



SIt SIIt



    1 = 1 . 0 1 1 . 0

 (991.283,832 - 928.383,372)

= 9 . 0 1 . 0 (62.900,460) = 6.988,940

e. Forecast F

t+m = at + bt (m)

F

2003+1 = 1.054.184,291 + 6.988,940 (1)

F

2004 = 1.054.184,291 + 6.988,940

= 1.061.173,231

Tahun 2004 : X

t = 1.434.960,63

a.SIt X_t 



1



SIt1

= 0.1 x 1.434.960,63 + (1 – 0.1) 991.283,832 = 143.496,063 + (0.9) 991.283,832

= 143.496,063 + 892.155,449 = 1.035.651,512

b.SIIt SIt 



1



SIIt1

= 0.1 x 1.035.651,512 + (1 – 0.1) 928.383,372 = 103.565,151 + (0.9) 928.383,372

= 103.565,151 + 835.545,035 = 939.110,186

c. a

t = 2 S I

t- S II

t

= 2 (1.035.651,512) – 939.110,186 = 2.071.303,023 - 939.110,186 = 1.132.192,837

d. b_t



SIt SIIt



    1 = 1 . 0 1 1 . 0

 (1.035.651,512 - 939.110,186)

= 9 . 0 1 . 0 (96.541,326) = 10.726,814 e. Forecast

F

t+m = at + bt (m)

F

2004+1 = 1.132.192,837 + 10.726,814 (1)

F

2005 = 1.132.192,837 + 10.726,814

= 1.142.919,651 Tahun 2005 : X

t = 1.562.012,23

a.SIt X_t 



1



SIt1

= 0.1 x 1.562.012,23 + (1 – 0.1) 1.035.651,512 = 156.201,223 + (0.9) 1.035.651,512

= 156.201,223 + 932.086,360 = 1.088.287,583

b.SIIt SIt 



1



SIIt1

= 0.1 x 1.088.287,583 + (1 – 0.1) 939.110,186 = 108.828,758 + (0.9) 939.110,186

= 108.828,758 + 845.199,167 = 954.027,926

c. a

t = 2 S I

t- S II

t

= 2 (1.088.287,583) – 954.027,926 = 2.176.575,167 - 954.027,926 = 1.222.547,241

d. b_t



SIt SIIt



    1 = 1 . 0 1 1 . 0

 (1.088.287,583 - 954.027,926)

= 9 . 0 1 . 0 (134.259,658) = 14.917,740 e. Forecast

F

t+m = at + bt (m)

F

2005+1 = 1.222.547,241 + 14.917,740 (1)

F

2006 = 1.222.547,241 + 14.917,740

= 1.237.464,981

Tahun 2006 : X

t = 1.666.274,17

a.SIt X_t 



1



SIt1

= 0.1 x 1.666.274,17 + (1 – 0.1) 1.088.287,583 = 166.627,417 + (0.9) 1.088.287,583

= 166.627,417 + 979.458,825 = 1.146.086,242

b.SIIt SIt 



1



SIIt1

= 114.608,624 + (0.9) 954.027,926 = 114.608,624 + 858.625,133 = 973.233,757

c. a

t = 2 S I

t- S II

t

= 2 (1.146.086,242) – 973.233,757 = 2.292.172,484 - 973.233,757 = 1.318.938,727

d. b_t



SIt SIIt



    1 = 1 . 0 1 1 . 0

 (1.146.086,242 - 973.233,757)

= 9 . 0 1 . 0 (172.852,485) = 19.205,832 e. Forecast

F

t+m = at + bt (m)

F

2006+1 = 1.318.938,727 + 19.205,832 (1)

F

2007 = 1.318.938,727 + 19.205,832

= 1.338.144,558

Tahun 2007 : X

t = 1.805.008,01

a.SIt X_t 



1



SIt1

= 0.1 x 1.805.008,01 + (1 – 0.1) 1.146.086,242 = 180.500,801 + (0.9) 1.146.086,242

= 1.211.978,419 b.SIIt SIt 



1



SIIt1

= 0.1 x 1.211.978,419 + (1 – 0.1) 973.233,757 = 121.197,842 + (0.9) 973.233,757

= 121.197,842 + 875.910,382 = 997.108,224

c. a

t = 2 S I

t- S II

t

= 2 (1.211.978,419) – 997.108,224 = 2.423.956,838 - 997.108,224 = 1.426.848,614

d. b_t



SIt SIIt



    1 = 1 . 0 1 1 . 0

 (1.211.978,419 - 997.108,224)

= 9 . 0 1 . 0 (214.870,195) = 23.874,466 e. Forecast

F

t+m = at + bt (m)

F

2007+1 = 1.426.848,614 + 23.874,466 (1)

F

2008 = 1.426.848,614 + 23.874,466

= 1.450.723,080

Tahun 2008 : X

t = 1.929.695,13

= 0.1 x 1.929.695,13 + (1 – 0.1) 1.211.978,419 = 192.969,513 + (0.9) 1.211.978,419

= 192.969,513 + 1.090.780,577 = 1.283.750,090

b.SIIt SIt 



1



SIIt1

= 0.1 x 1.283.750,090 + (1 – 0.1) 997.108,224 = 128.375,009 + (0.9) 997.108,224

= 128.375,009 + 897.397,401 = 1.025.772,410

c. a

t = 2 S I

t- S II

t

= 2 (1.283.750,090) – 1.025.772,410 = 2.567.500,180 - 1.025.772,410 = 1.541.727,770

d. b_t



SIt SIIt



    1 = 1 . 0 1 1 . 0

 (1.283.750,090 - 1.025.772,410)

= 9 . 0 1 . 0 (257.977,680) = 28.664,187 e. Forecast

F

t+m = at + bt (m)

F

2008+1 = 1.541.727,770 + 28.664,187 (1)

F

2009 = 1.541.727,770 + 28.664,187

n F X

MAE



t  t

8 778 3.210.988,  MAE = 401.373,597





n F X

MSE t t

2



  8 0 117.484,57 1.340.967.  MSE = 167.620.889.685,571

Besarnya forecast bila digunakan alpha 0.6 adalah sebagai berikut. Tahun 2000 :

S

I

t: ditentukan oleh PDRB tahun pertama, yaitu sebesar 915.998,27

S

II

t: ditentukan juga oleh besarnya PDRB tahun pertama, yaitu sebesar 915.998,27.

a

t : belum bisa ditentukan karena merupakan data pertama.

b

t : belum bisa ditentukan karena merupakan data pertama.

F

t+m : peramalan (forecast)tahun kedua (F2001) ditentukan oleh besarnya PDRB tahun

pertama, yaitu sebesar 915.998,27 Tahun 2001 : X

t = 1.060.634,35

a.SIt X_t 



1



SIt1

= 0.6 x 1.060.634,35 + (1 – 0.6) 915.998,27 = 636.380,610 + (0.4) 915.998,27

= 636.380,610 + 366.399,308 = 1.002.779,918

b.SIIt SIt 



1



SIIt1

= 0.6 x 1.002.779,918 + (1 – 0.6) 915.998,27 = 601.667,951+ (0.4) 915.998,27

= 601.667,951 + 366.399,308 = 968.067,259

c. a

t = 2 S I

t- S II

t

= 2 (1.002.779,918) – 968.067,259 = 2.005.559,836 - 968.067,259 = 1.037.492,577

d. b_t



SIt SIIt



    1 = 6 . 0 1 6 . 0

 (1.002.779,918 - 968.067,259)

= 4 . 0 6 . 0 (34.712,659) = 52.068,989 e. Forecast

F

t+m = at + bt (m)

F

2001+1 = 1.037.492,577 + 52.068,989 (1)

F

2002 = 1.037.492,577 + 52.068,989

Tahun 2002 : X

t = 1.195.269,54

a.SIt X_t 



1



SIt1

= 0.6 x 1.195.269,54 + (1 – 0.6) 1.002.779,918 = 717.161,724 + (0.4) 1.002.779,918

= 717.161,724 + 401.111,967 = 1.118.273,691

b.SIIt SIt 



1



SIIt1

= 0.6 x 1.118.273,691 + (1 – 0.6) 968.067,259 = 670.964,215 + (0.4) 968.067,259

= 670.964,215 + 387.226,904 = 1.058.191,118

c. a

t = 2 S I

t- S II

t

= 2 (1.118.273,691) – 1.058.191,118 = 2.236.547,382 - 1.058.191,118 = 1.178.356,264

d. b_t



SIt SIIt



    1 = 6 . 0 1 6 . 0

 (1.118.273,691 - 1.058.191,118)

= 4 . 0 6 . 0 (60.082,573) = 90.123,859

e. Forecast F

t+m = at + bt (m)

F

2002+1 = 1.178.356,264 + 90.123,859 (1)

F

2003 = 1.178.356,264 + 90.123,859

= 1.268.480,124

Tahun 2003 : X

t = 1.300.354,52

a.SIt X_t 



1



SIt1

= 0.6 x 1.300.354,52 + (1 – 0.6) 1.118.273,691 = 780.212,712 + (0.4) 1.118.273,691

= 780.212,712 + 447.309,476 = 1.227.522,188

b.SIIt SIt 



1



SIIt1

= 0.6 x 1.227.522,188 + (1 – 0.6) 1.058.191,118 = 736.513,313 + (0.4) 1.058.191,118

= 736.513,313 + 423.276,447 = 1.159.789,760

c. a

t = 2 S I

t- S II

t

= 2 (1.227.522,188) – 1.159.789,760 = 2.455.044,377 - 1.159.789,760 = 1.295.254,617

d. b_t



SIt SIIt



 

  1

= 6 . 0 1 6 . 0

 (1.227.522,188 - 1.159.789,760)

= 4 . 0 6 . 0 (67.732,428) = 101.598,642 e. Forecast

F

t+m = at + bt (m)

F

2003+1 = 1.295.254,617 + 101.598,642 (1)

F

2004 = 1.295.254,617 + 101.598,642

= 1.396.853,259

Tahun 2004 : X

t = 1.434.960,63

a.SIt X_t 



1



SIt1

= 0.6 x 1.434.960,63 + (1 – 0.6) 1.227.522,188 = 860.976,378 + (0.4) 1.227.522,188

= 860.976,378 + 491.008,875 = 1.351.985,253

b.SIIt SIt 



1



SIIt1

= 0.6 x 1.351.985,253 + (1 – 0.6) 1.159.789,760 = 811.191,152 + (0.4) 1.159.789,760

= 811.191,152 + 463.915,904 = 1.275.107,056

c. a

t = 2 S I

t- S II

t

= 2.703.970,507- 1.275.107,056 = 1.428.863,451

d. b_t



SIt SIIt



    1 = 6 . 0 1 6 . 0

 (1.351.985,253 - 1.275.107,056)

= 4 . 0 6 . 0 (76.878,197) = 115.317,296 e. Forecast

F

t+m = at + bt (m)

F

2004+1 = 1.428.863,451 + 115.317,296 (1)

F

2005 = 1.428.863,451 + 115.317,296

= 1.544.180,746

Tahun 2005 : X

t = 1.562.012,23

a.SIt X_t 



1



SIt1

= 0.6 x 1.562.012,23 + (1 – 0.6) 1.351.985,253 = 937.207,338 + (0.4) 1.351.985,253

= 937.207,338 + 540.794,101 = 1.478.001,439

b.SIIt SIt 



1



SIIt1

= 0.6 x 1.478.001,439 + (1 – 0.6) 1.275.107,056 = 886.800,864 + (0.4) 1.275.107,056

= 1.396.843,686 c. a

t = 2 S I

t- S II

t

= 2 (1.478.001,439) – 1.396.843,686 = 2.956.002,879 - 1.396.843,686 = 1.559.159,193

d. b_t



SIt SIIt



    1 = 6 . 0 1 6 . 0

 (1.478.001,439 - 1.396.843,686)

= 4 . 0 6 . 0 (81.157,753) = 121.736,630 e. Forecast

F

t+m = at + bt (m)

F

2005+1 = 1.559.159,193 + 121.736,630 (1)

F

2006 = 1.559.159,193 + 121.736,630

= 1.680.895,823 Tahun 2006 : X

t = 1.666.274,17

a.SIt X_t 



1



SIt1

= 0.6 x 1.666.274,17 + (1 – 0.6) 1.478.001,439 = 999.764,502 + (0.4) 1.478.001,439

= 999.764,502 + 591.200,576 = 1.590.965,078

b.SIIt SIt 



1



SIIt1

= 0.6 x 1.590.965,078 + (1 – 0.6) 1.396.843,686 = 954.579,047 + (0.4) 1.396.843,686

= 954.579,047 + 558.737,474 = 1.513.316,521

c. a

t = 2 S I

t- S II

t

= 2 (1.590.965,078) – 1.513.316,521 = 3.181.930,155 - 1.513.316,521 = 1.668.613,634

d. b_t



SIt SIIt



    1 = 6 . 0 1 6 . 0

 (1.590.965,078 - 1.513.316,521)

= 4 . 0 6 . 0 (77.648,557) = 116.472,835 e. Forecast

F

t+m = at + bt (m)

F

2006+1 = 1.668.613,634 + 116.472,835 (1)

F

2007 = 1.668.613,634 + 116.472,835

= 1.785.086,469

Tahun 2007 : X

t = 1.805.008,01

a.SIt X_t 



1



SIt1

= 1.083.004,806 + (0.4) 1.590.965,078 = 1.083.004,806 + 636.386,031 = 1.719.390,837

b.SIIt SIt 



1



SIIt1

= 0.6 x 1.719.390,837 + (1 – 0.6) 1.513.316,521 = 1.031.634,502 + (0.4) 1.513.316,521

= 1.031.634,502 + 605.326,608 = 1.636.961,111

c. a

t = 2 S I

t- S II

t

= 2 (1.719.390,837) – 1.636.961,111 = 3.438.781,674 - 1.636.961,111 = 1.801.820,564

d. b_t



SIt SIIt



    1 = 6 . 0 1 6 . 0

 (1.719.390,837 - 1.636.961,111)

= 4 . 0 6 . 0 (82.429,726) = 123.644,590 e. Forecast

F

t+m = at + bt (m)

F

2007+1 = 1.801.820,564 + 123.644,590 (1)

F

2008 = 1.801.820,564 + 123.644,590

Tahun 2008 : X

t = 1.929.695,13

a.SIt X_t 



1



SIt1

= 0.6 x 1.929.695,13 + (1 – 0.6) 1.719.390,837 = 1.157.817,078 + (0.4) 1.719.390,837

= 1.157.817,078 + 687.756,335 = 1.845.573,413

b.SIIt SIt 



1



SIIt1

= 0.6 x 1.845.573,413 + (1 – 0.6) 1.636.961,111 = 1.107.344,048 + (0.4) 1.636.961,111

= 1.107.344,048 + 654.784,444 = 1.762.128,492

c. a

t = 2 S I

t- S II

t

= 2 (1.845.573,413) – 1.762.128,492 = 3.691.146,826- 1.762.128,492 = 1.929.018,334

d. b_t



SIt SIIt



    1 = 6 . 0 1 6 . 0

 (1.845.573,413 - 1.762.128,492)

= 4 . 0 6 . 0 (83.444,921) = 125.167,381 e. Forecast

F

t+m = at + bt (m)

F

F

2009 = 1.929.018,334 + 125.167,381

= 2.054.185,715

n F X

MAE



t  t

8 0 237.706,83  MAE = 29.713,354





n F X

MSE t t

2



  8 .126,136 14.618.134  MSE = 1.827.266.765,767

Besarnya forecast bila digunakan alpha 0.9 adalah sebagai berikut. Tahun 2000 :

S

I

t: ditentukan oleh PDRB tahun pertama, yaitu sebesar 915.998,27

S

II

t: ditentukan juga oleh besarnya PDRB tahun pertama, yaitu sebesar 915.998,27.

a

t : belum bisa ditentukan karena merupakan data pertama.

b

t : belum bisa ditentukan karena merupakan data pertama.

F

t+m : peramalan (forecast)tahun kedua (F2001) ditentukan oleh besarnya PDRB tahun

pertama, yaitu sebesar 915.998,27 Tahun 2001 : X

a.SIt X_t 



1



SIt1

= 0.9 x 1.060.634,35 + (1 – 0.9) 915.998,27 = 954.570,915 + (0.1) 915.998,27

= 954.570,915 + 91.599,827 = 1.046.170,742

b.SIIt SIt 



1



SIIt1

= 0.9 x 1.046.170,742 + (1 – 0.9) 915.998,27 = 941.553,668+ (0.1) 915.998,27

= 941.553,668 + 91.599,827 = 1.033.153,495

c. a

t = 2 S I

t- S II

t

= 2 (1.046.170,742) – 1.033.153,495 = 2.092.341,484 - 1.033.153,495 = 1.059.187,989

d. b_t



SIt SIIt



    1 = 9 . 0 1 9 . 0

 (1.046.170,742 - 1.033.153,495)

= 1 . 0 9 . 0 (13.017,247) = 117.155,225 e. Forecast

F

t+m = at + bt (m)

F

2001+1 = 1.059.187,989 + 117.155,225 (1)

F

= 1.176.343,214

Tahun 2002 : X

t = 1.195.269,54

a.SIt X_t 



1



SIt1

= 0.9 x 1.195.269,54 + (1 – 0.9) 1.046.170,742 = 1.075.742,586 + (0.1) 1.046.170,742

= 1.075.742,586 + 104.617,074 = 1.180.359,660

b.SIIt SIt 



1



SIIt1

= 0.9 x 1.180.359,660 + (1 – 0.9) 1.033.153,495 = 1.062.323,694 + (0.1) 1.033.153,495

= 1.062.323,694 + 103.315,349 = 1.165.639,043

c. a

t = 2 S I

t- S II

t

= 2 (1.180.359,660) – 1.165.639,043 = 2.360.719,320 - 1.165.639,043 = 1.195.080,277

d. b_t



SIt SIIt



    1 = 9 . 0 1 9 . 0

 (1.180.359,660 - 1.165.639,043)

= 1 . 0 9 . 0 (14.720,617) = 132.485,549

e. Forecast F

t+m = at + bt (m)

F

2002+1 = 1.195.080,277 + 132.485,549 (1)

F

2003 = 1.195.080,277 + 132.485,549

= 1.327.565,826

Tahun 2003 : X

t = 1.300.354,52

a.SIt X_t 



1



SIt1

= 0.9 x 1.300.354,52 + (1 – 0.9) 1.180.359,660 = 1.170.319,068 + (0.1) 1.180.359,660

= 1.170.319,068 + 118.035,966 = 1.288.355,034

b.SIIt SIt 



1



SIIt1

= 0.9 x 1.288.355,034 + (1 – 0.9) 1.165.639,044 = 1.159.519,531 + (0.1) 1.165.639,044

= 1.159.519,531 + 116.563,904 = 1.276.083,435

c. a

t = 2 S I

t- S II

t

= 2 (1.288.355,034) – 1.276.083,435 = 2.576.710,068 - 1.276.083,435 = 1.300.626,633

d. b_t



SIt SIIt



    1 = 9 . 0 1 9 . 0

 (1.288.355,034 - 1.276.083,435)

= 1 . 0 9 . 0 (12.271,599) = 110.444,391 e. Forecast

F

t+m = at + bt (m)

F

2003+1 = 1.300.626,633 + 110.444,391 (1)

F

2004 = 1.300.626,633 + 110.444,391

= 1.411.071,024

Tahun 2004 : X

t = 1.434.960,63

a.SIt X_t 



1



SIt1

= 0.9 x 1.434.960,63 + (1 – 0.9) 1.288.355,034 = 1.291.464,567 + (0.1) 1.288.355,034

= 1.291.464,567 + 128.835,503 = 1.420.300,070

b.SIIt SIt 



1



SIIt1

= 0.9 x 1.420.300,070 + (1 – 0.9) 1.276.083,435 = 1.278.270,063 + (0.1) 1.276.083,435

= 1.278.270,063 + 127.608,343 = 1.405.878,407

c. a

t = 2 S I

t- S II

t

= 2 (1.420.300,070) – 1.405.878,407 = 2.840.600,141 - 1.405.878,407 = 1.434.721,734

d. b_t



SIt SIIt



    1 = 9 . 0 1 9 . 0

 (1.420.300,070 - 1.434.721,734)

= 1 . 0 9 . 0 (14.421,664) = 129.794,972 e. Forecast

F

t+m = at + bt (m)

F

2004+1 = 1.434.721,734 + 129.794,972 (1)

F

2005 = 1.434.721,734 + 129.794,972

= 1.564.516,706

Tahun 2005 : X

t = 1.562.012,23

a.SIt X_t 



1



SIt1

= 0.9 x 1.562.012,23 + (1 – 0.9) 1.420.300,070 = 1.405.811,007 + (0.1) 1.420.300,070

= 1.405.811,007 + 142.030,007 = 1.547.841,014

b.SIIt SIt 



1



SIIt1

Gambar 5.4 Analisis Pada Microsoft Excel

5.4 Pembuatan Grafik

Grafik pada Excel dapat dibuat menjadi satu dengan data atau terpisah pada lembar grafik tersendiri, namun masih berada di file yang sama. Untuk membuat grafik pada excel dapat menggunakan chart wizard yang terdapat pada toolbar. Langkah-langkah yang perlu dilakukan adalah sebagai berikut:

1. Sorot sel yang ingin dibuat grafik pada tabel data 2. Klik menu Insert, chart

Gambar 5.5 Proses Pembuatan Grafik

4. Klik Next 5. Klik Next

6. Tentukan keterangan pendukung grafik seperti title (judul tabel), axes (sumbu koordinat tabel), gridlines (garis bantu skala tabel), legends (keterangan tabel) data labels (mnama data label) dan data table

7. Klik Next

8. Pilih tempat untuk meletakkan grafik ini 9. Klik Finish.

BAB 6

PENUTUP

6.1 Kesimpulan

Berdasarkan pembahasan yang telah dilakukan pada bab sebelumnya yakni pengolahan data Produk Domestik Regional Bruto(PDRB) Kabupaten Dairi Sektor Pertanian dapat ditarik kesimpulan sebagai berikut.

1. Produk Domestik Regional Bruto(PDRB) Kabupaten Dairi sektor Pertanian fluktuasi akan tetapi mengalami kenaikan setiap tahunnya.

2. Terjadi peningkatan pendapatan pada tahun 2010, 2011 dan 2012, hasil peramalan (forecast) dengan menggunakan metode pemulusan eksponensial ganda (double exponential smoothing)alpha =0.9. Pada tahun 2010 diperoleh ramalan sebesar 2.188.753,169, pada tahun 2011 diperoleh ramalan sebesar 2.317.941,661 dan pada tahun 2012 diperoleh ramalan sebesar 2.447.130,153 terjadi peningkatan ditiap tahunnya (semua data tersebut dalam jutaan rupiah). Dari semua uraian yang telah dipaparkan bisa diambil sebuah kesimpulan bahwa sektor pertanian relevan untuk dijadikan komoditas utama penopang perekonomian Kabupaten Dairi , dapat dilihat pula dari hasil peramalan yang selalu mengalami kenaikan setiap tahunnya, bisa diperkirakan sektor ini masih

akan memberikan kontribusi paling besar pada pendapatan daerah Kabupaten Dairi dibandingkan dengan sektor yang lain.

6.2 Saran

Berdasarkan dari kesimpulan yang yang telah disebutkan di atas, maka diajukan beberapa saran khususnya bagi pemerintah Kabupaten Dairi. Sebagai berikut :

1. Keadaan pendapatan regional sektor pertanian yang selalu mengalami kenaikan, memberi kontribusi yang sangat besar dan menjadi penopang utama perekonomian daerah, hendaknya mendapatkan perhatian yang lebih serius dari pemerintah Kabupaten Dairi, agar dapat digunakan secara professional sebagai sarana peningkatan kesejahteraan masyarakat di daerah tersebut. 2. Hendaknya pemerintah daerah melakukan perbaikan dan peningkatan sarana

maupun prasarana bagi para petani, agar menghasilkan produk atau hasil yang lebih maksimal sebagai salah satu langkah peningkatan pendapatan daerah yang lebih besar.

DAFTAR PUSTAKA

Badan Pusat Statistik.2005. Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi Tahun 2005.

Badan Pusat Statistik. 2009. Produk Domestik Regional Bruto (PDRB) Kabupaten Dairi Tahun 2009.

http://www.dairikab.go.id. 2010. profil Kabupaten Dairi.

J. Supranto, M. A. 2002. Metode Peramalan Kuantitatif Untuk Perencanaan Ekonomi dan Bisnis. Jakarta : Rineka Cipta.

Makridakis, Spyros. 1993. Metode dan Aplikasi Peramalan. Jakarta : Erlangga.