Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik Dalam Rupiah Di PT PLN Persero Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.
2.6 Ketepatan Ramalan
Ketepatan ramalan adalah suatu hal yang mendasar dalam peramalan yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data
yang diberikan. Ketepatan dipandang sebagai kriteria penolakan untuk memilih suatu metode peramalan. Dalam pemodelan deret berkala time series dari data masa lalu
dapat diramalkan situasi yang akan terjadi pada masa yang akan datang, untuk menguji kebenaran ramalan ini digunakan ketepatan.
Beberapa kriteria yang digunakan untuk menguji ketepatan ramalan adalah : a.
ME Mean Error Nilai Tengah Kesalahan
ME = N
et
N t
∑
=1
b. MSE Mean Square Absolut Error Nilai Tengah Kesalahan Kuadrat
MSE = N
et
N t
∑
=1 2
c. MAE Mean Absolut Error Nilai Tengah Kesalahan Absolut
MAE = N
et
N t
∑
=1
| |
d. MPE Mean Percentage Error Nilai Tengah Kesalahan Persentase
Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik Dalam Rupiah Di PT PLN Persero Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.
MPE = N
PE
N t
t
∑
=1
e. MAPE Mean Absolute Percentage Error Nilai Tengah Kesalahan Persentase
Absolut
MAPE = N
PE
N t
t
∑
=1
f. SSE Sum Square Error Jumlah Kuadrat Kesalahan
SSE =
∑
= N
t t
e
1 2
Dimana : e
t
= X
t
–F
t
kesalahan pada peride ke-t X
t
= data aktual pada periode ke-t PE
t
=
−
t t
t
X F
X
100 kesalahan persentase pada periode ke-t
F
t
= Nilai ramalan pada periode ke-t N = Banyaknya periode waktu
Metode peramalan yang dipilih adalah metode yang memberikan nilai MSE yang terkecil.
2.7 Penentuan Koefisien Korelasi
Koefisien autokorelasi berfungsi untuk menunjukkan suatu deret berkala itu sendiri dengan selisih 1, 2 periode atau lebih. Koefisien autokorelasi yang menggambarkan
Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik Dalam Rupiah Di PT PLN Persero Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.
hubungan antar suatu deret berkala dengan deret berkala itu sendiri pada kelambatan waktu lag k periode.Secara sistematis untuk menghitung koefisien autokorelasi
dapat menggunakan rumus sebagai berikut :
r
k
=
∑ ∑
= =
+
− −
−
n t
n t
k t
t
Y Y
Y Y
Y Y
1 2
1
Dimana : R
k
= Koefisien autokarelasi Y
k
= data aktual pada periode t Y = nilai tengah dari data aktual
Y
t + k
= data aktual pada periode t dengan kelambatan time lag k.
Rumus sederhana yang biasa digunakan adalah untuk menghitung kesalahan standar adalah :
Se
rk
= N
1
Dimana : N = banyak data asli
Se
rk
= kesalahan standar dari r
k
Batas signifikan koefisien autokorelasi adalah :
-1,96 Se
rk
+1,96 Se
rk
Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik Dalam Rupiah Di PT PLN Persero Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.
Dengan koefisien autokorelasi dapat ditentukan apakah suatu pola data bersifat acak, konstan atau musiman. Koefisien autokorelasi juga dapat memperlihatkan
ketidakstasioneran data.
Apabila berada diluar rentang nilai maka koefisien autokorelasi tersebut berada secara signifikan dari nol maka data tersebut menunjukkan pola trend.
BAB 3
SEJARAH DAN STRUTUR BPS
Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik Dalam Rupiah Di PT PLN Persero Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.
3.1 Sejarah Singkat Badan Pusat Statistik
