Peramalan Jumlah Pelanggan Listrik Menurut Besar Arus Yang Dipakai PT. PLN Cabang Medan Untuk Tahun 2011

PERAMALAN JUMLAH PELANGGAN LISTRIK MENURUT

BESAR ARUS YANG DIPAKAI PT. PLN (PERSERO)

CABANG MEDAN UNTUK

TAHUN 2011

TUGAS AKHIR

DWI PRASETYO

072407038

PROGRAM STUDI D3 STATISTIKA

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2010

PERAMALAN JUMLAH PELANGGAN LISTRIK MENURUT

BESAR ARUS YANG DIPAKAI PT.PLN ( PERSERO )

CABANG MEDAN UNTUK

TAHUN 2011

TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Ahli Madya

DWI PRASETYO

072407038

PROGRAM STUDI D3 STATISTIKA

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2010

PERSETUJUAN

Judul : PERAMALAN JUMLAH PELANGGAN LISTRIK

MENURUT BESAR ARUS YANG DIPAKAI PT. PLN CABANG MEDAN UNTUK TAHUN 2011

Nama : DWI PRASETYO

Nomor Induk Mahasiswa : 072407038

Program Studi : DIPLOMA (D3) STATISTIKA

Departemen : MATEMATIKA

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

Disetujui di

Medan, Mei 2010

Diketahui/Disetujui oleh :

Ketua Departemen Matematika FMIPA USU Pembimbing,

Dr. Saib Suwilo, M.Sc Dra. Sinek Malem Pinem

PERNYATAAN

PERAMALAN JUMLAH PELANGGAN LISTRIK ( DALAM JIWA ) MENURUT BESAR ARUS YANG DIPAKAI PT. PLN (PERSERO) CABANG MEDAN

UNTUK TAHUN 2010

TUGAS AKHIR

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

Medan, Mei 2010

DWI PRASETYO 072407038

PENGHARGAAN

Puji dan syukur penulis ucapkan kehadirat Allah Swt atas Rahmat dan Ridho-Nya akhirnya penulis dapat menyelesaikan Tugas Akhir ini.

Dalam penulisan Tugas Akhir ini, penulis tidak terlepas dari bantuan dan peranan yang telah diberikan kepada penulis. Untuk itu pada kesempatan ini perkenankanlah saya mengucapkan terimakasih kepada:

1. Bapak Prof. Dr. Edi Marlianto, M.Sc selaku Dekan Fakultas MIPA USU. 2. Bapak Dr. Saib Suwilo, M.Sc selaku Ketua Pelaksana Program Studi Statistika

D3 FMIPA USU.

3. Ibu Dra. Sinek Malem Pinem , selaku dosen pembimbing yang telah membimbing saya dalam menyelesaikan Tugas Akhir ini.

4. Kedua orang tua yang sangat saya cintai, Ayah (Djunaidi), Ibu (Suprapni) yang selalu memberikan dukungan, doa, dan semangat dalam menyelesaikan Tugas Akhir ini.

5. Teman-teman Saya Muhamad fakhri, Anisah lubis, Helen Monika serta teman – teman seperjuangan khususnya D3 Statistika stambuk 2007 yang turut membantu menyelesaikan Tugas Akhir ini.

Demikian penulis sampaikan dengan harapan Tugas Akhir ini dapat bermanfaat bagi pembaca dan penulis sendiri.

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Daftar Isi v

Daftar Tabel vii

Daftar Gambar viii

Bab 1 Pendahuluan 1

1.1 Latar Belakang ... 1

1.2 Identifikasi Masalah ... 3

1.3 Pembatasan Masalah ... 4

1.4 Tujuan dan Manfaat Penelitian ... 4

1.5 Metodologi penelitian ... 5

1.6 Tinjauam Pustaka ... 6

1.7 Sistematika Penulisan ... 8

Bab 2 Landasan Teori ... 10

2.1 Pengertian Peramalan ... 10

2.2 Kegunaan dan Peran Peramalan ... 11

2.3 Jenis Peramalan ... 14

2.4 Jenis-jenis Metode Peramalan ... 15

2.4.1 Pemilihan Teknik dan Metode Peramalan ... 15

2.4.2 Analisa Deret Berkala ... 17

2.4.3 Penentuan Pola Data ... 17

2.5 Metode Pemulusan (Smooting) ... 18

2.5.1 Metode yang Digunakan ... 20

2.6 Ketepatan Ramalan ... 21

Bab 3 Sejarah Singkat Tempat Riset ... 24

3.1 Sejarah Singkat Badan Pusat Statistik Sumatera Utara ... 24

3.1.1. Masa Pemerintahan Hindia Belanda……….. 24

3.1.2. Masa Pemerintahan Jepang……… 25

3.1.3. Masa Pemerintahan Republik Indonesia……… 26

3.1.4. Masa Orde Baru Sampai Sekarang ... 26

3.2 Program Pengembangan Statistik ... 27

3.3 Kegiatan Badan Pusat Statistik ... 28

3.4 Tata Kerja Badan Pusat Statistik ... 29

3.5 Struktur Organisasi Badan Pusat Statistik ... 30

4.1 Arti Analisis Data ... 37

4.2 Analisis Pemulusan Eksponensial ganda ... 37

4.3 Metode Pemulusan Eksponensial Ganda Satu Parameter dari Brown ... 41

4.3.1 Penaksiran Model Peramalan ... 41

4.3.2 Penentuan Bentuk Persamaan Peramalan ... 66

4.4 Peramalan Jumlah Pelanggan Listrik Listrik ... 67

Bab 5 Implementasi Sistem ... 69

5.1 Pengertian Implementasi Sistem ... 69

5.2 Microsoft Excel ... 70

5.3 Pengolahan Data dengan Microsoft Office Excel ... 71

5.3.1 Menggunakan Ketepatan Peramalan ... 74

5.1.3 Hasil Dalam Metode Pemulusan Eksponensial Brown ... 75

Bab 6 Kesimpulan dan Saran ... 77

6.1 Kesimpulan ... 77

6.2 Saran ... 78

Daftar Pustaka ... 79 Lampiran

DAFTAR TABEL

Halaman Tabel 4.1 Data Jumlah Pelanggan Listrik di PT. PLN (PERSERO)

Cabang Medan ... 40 Tabel 4.2 Peramalan Jumlah Pelanggan Listrik dengan pemulusan

eksponensial ganda linier satu parameter Brown dengan

α = 0,1 ... 42 Tabel 4.3 Peramalan Jumlah Pelanggan Listrik dengan pemulusan

eksponensial ganda linier satu parameter Brown dengan

α = 0,2 ... 44 Tabel 4.4 Peramalan Jumlah Pelanggan Listrik dengan pemulusan

eksponensial ganda linier satu parameter Brown dengan

α = 0,3 ... 46 Tabel 4.5 Peramalan Jumlah Pelanggan Listrik dengan pemulusan

eksponensial ganda linier satu parameter Brown dengan

α = 0,4 ... 48 Tabel 4.6 Peramalan Jumlah Pelanggan Listrik dengan pemulusan

eksponensial ganda linier satu parameter Brown dengan

α = 0,5 ... 50 Tabel 4.7 Peramalan Jumlah Pelanggan Listrik dengan pemulusan

eksponensial ganda linier satu parameter Brown dengan

α = 0,6 ... 52 Tabel 4.8 Peramalan Jumlah Pelanggan Listrik dengan pemulusan

eksponensial ganda linier satu parameter Brown dengan

α = 0,7 ... 54 Tabel 4.9 Peramalan Jumlah Pelanggan Listrik dengan pemulusan

eksponensial ganda linier satu parameter Brown dengan

α = 0,8 ... 55 Tabel 4.10 Peramalan Jumlah Pelanggan Listrik dengan pemulusan

eksponensial ganda linier satu parameter Brown dengan

α = 0,9 ... 58 Tabel 4.11 Perbandingan Ukuran Ketepatan Metode Peramalan ... 60 Tabel 4.12 Pemulusan Pertama dan Ganda dari Data Jumlah

Pelanggan Listrik………. 62 Tabel 4.13 Perhitungan Hitungan Relatif Galat ... 60 Tabel 4.10 Peramalan Jumlah Pelanggan Listrik PT. PLN ( PERSERO )

DAFTAR GAMBAR

Halaman

Gambar 4.1 Plot data jumlah pelanggan listrik dari tahun 1999 - 2008 ... 40

Gambar 4.2 Nilai aktual dan ramalan jumlah pelanggan listrik ... 62

Gambar 5.1 Tampilan cara membuka Microsoft excel pada windows ... 71

Gambar 5.2 Tampilan lembar kerja Microsoft Excel ... 72

Gambar 5.3 Tampilan lembar kerja Microsoft Excel dalam menentukan besarnya peramalan ... 72

BAB 1

PENDAHULUAN

1.1. Latar Belakang

Energi mempunyai peranan yang sangat penting dalam kehidupan manusia dan dalam proses pembangunan. Oleh karena itu peningkatan serta pembangunan dalam sektor energi perlu dilaksanakan secara berdayaguna dan berhasilguna. Dilihat dari sumbernya, energi dapat dikelompokkan menjadi 2 (dua) kategori yaitu energi primer dan energy final. Energi primer adalah energi yang belum mengalami pengolahan teknologi dan biasanya diperlukan sebagai bahan untuk menghasilkan energi final, misalnya : minyak bumi, gas bumi, batu bara, tenaga air, panas bumi dll. Sedangkan energi final merupakan energi yang siap digunakan oleh konsumen akhir, misalnya Bahan Bakar Minyak ( BBM) seperti solar, bensin , minyak tanah, gas atau elpiji, 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 mass media, bidang rumah tangga dll. 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 ini terdiri dari PLTU (Pusat Listrik Tenaga Uap), PLTG (Pusat Listrik Tenaga Gas), PLTGU (Pusat Listrik Tenaga Gas dan Uap), PLTM(Pusat Listrik Tenaga Minihydro) dan PLTA (pusat 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 Sidempuan, cabang R. Parapat dan cabang Lubuk Pakam. Dalam penelitian tugas akhir ini akan dibahas cabang Medan.

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 MENURUT BESAR ARUS YANG DIPAKAI PT. PLN (PERSERO) CABANG MEDAN UNTUK TAHUN 2011 BERDASARKAN DATA TAHUN 1999-2008”.

1.2. Identifikasi Masalah

Listrik sebagai sumber energi yang sangat penting dalam kehidupan manusia. 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 membutuhkan energi khususnya energi listrik yang cukup besar. Bagi pihak masyarakat, hal ini tentu akan membuat masyarakat semakin membutuhkan energi listrik dan menjadi pelanggan listrik dari PT. PLN sebagai penyedia energi listrik.

Adapun yang menjadi masalah dalam tulisan ini yaitu :

Bagaimana bentuk persamaan yang dapat dipakai untuk meramalkan jumlah Pelanggan Listrik Menurut Besar Arus yang Dipakai PLN cabang Medan. Tahun 2011.

1. dengan menggunakan pemulusan eksponensial ganda: metode linear satu parameter dari Brown.

2. Berapa jumlah Pelanggan Listrik Menurut Besar Arus yang Dipakai PLN cabang Medan. Tahun 2011.

3. Pemulusan ditentukan dengan cara coba-coba dan salah (trial and error) dari nilai parameter (α) yang besarnya 0<α<1.

1.3. Pembatasan Masalah

Sehubungan dengan keterbatasan waktu dan kemampuan penulis serta untuk menghindari kesimpangsiuran dalam penulisan Tugas Akhir yang sesusai dengan judul dan latar belakang masalah yang telah diuraikan, penulis membatasi ruang lingkup penelitian pada peramalan jumlah pelanggan listrik (dalam jiwa) yang diperoleh khususnya di wilayah Medan PT. PLN (persero) untuk tahun 2011

1.4. Tujuan Dan Manfaat Penelitian

Secara umum penelitian ini bertujuan untuk :

1. Meramalkan besarnya jumlah pelanggan listrik menurut besar arus yang dipakai tahun 2011

2. Berapa besar jumlah pelanggan listrik yang diramalkan dimasa yang akan datang yaitu untuk tahun 2011

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

1.5. Metodologi 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 Statistik (BPS). Data yang dikumpulkan tersebut kemudian diatur, disusun, dan disajikan dalam bentuk angka-angka dengan tujuan mendapatkan gambaran yang jelas tentang data tersebut.

1.6. Tinjauan Pustaka

Teori penunjang yang digunakan untuk mewujudkan tulisan ini dikutip dari buku Metode dan Aplikasi Peramalan Edisi ke II oleh Spyros Makridaks. Metode smoothing (metode pemulusan/pelicin) merupakan teknik meramal dengan cara mengambil rata-rata dari nilai beberapa periode yang lalu untuk menaksir nilai pada periode yang akan datang. Dalam metode ini data historis digunakan untuk memperoleh angka yang dilicinkan atau diratakan. 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.

Persamaan-persamaan yang dipergunakan dalam penerapan metode pemulusan (smoothing) eksponensial ganda adalah seperti yang akan diuraikan di bawah ini. Persamaan ini terkenal dengan nama Metode atau Teknik “Brown’s One Parameter Linier Exponensial Smoothing” yaitu sebagai berikut :

a. Menentukan pemulusan pertama (Ѕ't)

Ѕ't = α X t + (1 - α) Ѕ't -1 Dimana :

Ѕ't = Pemulusan pertama periode t X t = Nilai periode t

b. Menentukan pemulusan kedua (Ѕ"t)

Ѕ"t = αЅ't + (1 - α) Ѕ"t -1 dimana :

Ѕ"t = Pemulusan kedua periode t-1

c. Menentukan besarnya konstanta (α t)

α t = 2 Ѕ't - Ѕ"t dimana :

α t = Konstanta pemulusan

d. Menentukan besarnya slope/koefisien (b t) dimana :

(

' "

)

1 t t

t S S

b −

−

= α_α

b t = Konstanta pemulusan

e. Menentukan besarnya trend peramalan/forecast (F t + m) F t + m = α t + b t (m)

dimana :

F t + m = Hasil pengamatan untuk m periode kedepan yang diramalkan m = Jumlah periode kedepan yang diramalkan.

1.7. Sistematika Penulisan.

Sistematika penulisan diuraikan untuk memberikan kerangka atau gambaran dari Tugas Akhir ini, yaitu sebagai berikut :

BAB I : PENDAHULUAN

Pada Bab ini berisi tentang latar belakang masalah, identifikasi masalah, tujuan dan manfaat, metodologi penelitian, lokasi penelitian, metode analisis yang digunakan, serta sistematika penulisan.

BAB 2 : TINJAUAN TEORITIS

Pada Bab ini berisi tentang pengertian peramalan, kegunaan dan peran peramalan, jenis peramalan, pemilihan teknik dan metode peramalan, analisis deret berkala, penentuan pola data, metode pemulusan yang digunakan dan ketepatan ramalan.

BAB 3 : SEJARAH TEMPAT RISET.

Pada Bab ini menjelaskan tentang sejarah Kantor Badan Pusat Statistik (BPS) beserta struktur organisasinya.

BAB 4 : ANALISA DATA

Dalam bab ini dilakukan analisa data dengan perhitungan meramalkan nilai penjualan energi listrik.

BAB 5 : IMPLEMENTASI SISTEM

Bab ini membahas tentang software yang digunakan dalam analisa data serta cara penggunaan dari software yang dipakai

BAB 6 : KESIMPULAN DAN SARAN

Pada bab ini berisikan tentang kesimpulan dan saran dari hasil pembahasan sebelumnya .

BAB 2

LANDASAN TEORI

2.1 Pengertian Peramalan (Forecasting)

Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan terjadi pada masa mendatang. Peramalan diperlukan karena adanya perbedaan waktu antara kesadaran akan dibutuhkan suatu kebijakan baru dengan waktu pelaksanaan kebijakan tersebut. Apabila perbedaan waktu tersebut panjang, maka peran peramalan menjadi penting dan sangat dibutuhkan, terutama dalam penentuan kapan terjadi suatu peristiwa sehingga dapat dipersiapkan tindakan yang perlu dilakukan.

Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi di masa akan datang. Ramalan tersebut dapat didasarkan atas bermacam-macam cara yang dikenal dengan metode peramalan. Metode peramalan adalah cara memperkirakan secara kwantatif apa yang 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 dan

pragmatis, serta memberikan tingkat keyakinan yang lebih besar atas ketepatan hasil ramalan yang dibuat atau disusun.

2.2 Kegunaan dan Peran Peramalan

Sering terdapat senjang waktu ( Time Lag ) antara kesadaran akan peristiwa atau kebutuhan mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang ( Lead Time ) ini merupakan alasan utama bagi perencanaan dan peramalan. Dalam situasi diatas peramalan sangat diperlukan untuk menentukan kapan suatu peristiwa akan terjadi atau suatu kebutuhan akan timbul, sehingga dapat dipersiapkan tindakan yang perlu dilakukan.

Dalam perencanaan disuatu instansi baik itu pemerintahan maupun swasta, peramalan merupakan kebutuhan yang sangat mendasar. Dimana baik maupun buruknya ramalan dapat mempengaruhi seluruh bagian instansi, karena waktu tenggang untuk pengambilan keputusan dapat berkisar dari beberapa tahun. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien.

Kegunaan dari suatu peramalan dapat dilihat pada saat pengambilan keputusan. Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi saat keputusan tersebut dilakukan. Apabila keputusan yang diambil kurang tepat sebaiknya keputusan tersebut tidak dilaksanakan. Oleh karena masalah pengambilan keputusan merupakan masalah yang selalu dihadapi maka peramalan juga merupakan masalah yang selalu dihadapi karena peramalan berkaitan dengan pengambilan suatu keputusan.

Baik tidaknya suatu peramalan yang disusun, disamping ditentukan oleh metode yang digunakan juga ditentukan oleh baik tidaknya informasi maupun data yang digunakan atau ketepatan ramalan yang dibuat. Selama data maupun informasi yang digunakan tidak dapat maka hasil peramalan yang disusun juga akan sukar dipercaya akan ketepatannya.

Oleh karena itu, ketepatan dari ramalan tersebut merupakan hal yang sangat penting, walaupun demikian perlu disadari bahwa suatu ramalan adalah tetap ramalan, dimana selalu ada unsur kesalahannya. Sehingga yang penting diperhatikan adalah untuk memperkecil kesalahannya tersebut.

Di dalam bagian Organisasi terdapat beberapa peran penting dalam peramalan :

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

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

3. Penentuan sumber daya yang diinginkan. Setiap organisasi harus menentukan sumber daya yang ingin dimiliki dalam jangka waktu panjang. Keputusan semacam ini bergantung kepada kesempatan pasar, faktor-faktor lingkungan dan pengembangan internal dari sumber daya finansial, manusia, produk, dan teknologi.Semua penentuan ini memerlukan ramalan yang baik dan manajer yang dapat menafsirkan pendugaan serta membuat keputusan yang tepat.

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

Dari uraian di atas dapat dikatakan bahwa metode peramalan sangat berguna, karena akan membantu dalam mengadakan analisis terhadap data dari masa lalu. Sehingga dengan metode peramalan akan memberikan cara pemikiran, pengerjaan yang teratur dan terarah serta perencanaan yang sistematis hingga memberikan ketepatan hasil analisis.

2.3 Jenis Peramalan

Berdasarkan sifatnya, teknik peramalan dapat dibagi dalam 2 kategori utama yaitu : 1. Peramalan Kwalitatif atau Teknologis

peramalan Kwalitatif adalah peramalan yang didasarkan atas data kwalitatif pada masa lalu. Hasil peramalan ini sangat bergantung pada orang yang menyusunnya. hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat instuisi, pendapat dan pengetahuan serta

pengalaman dari orang-orang yang menyusunnya. metode kwalitatif dapat dibagi menjadi 2 yaitu : metode eksploratoris dan normative.

2. Peramalan Kwantitatif

Peramalan Kwantitatif adalah peramalan yang didasarkan atas data kwantitatif pada masa lalu. Hasil peramalan ini sangat bergantung pada metode yang dipergunakan dalam peramalan tersebut. karena dengan metode yang berbeda akan diperoleh suatu hasil peramalan yang berbeda pula. Baik tidaknya metode yang dipergunakan ditentukan oleh perbedaan atau penyimpangan antara hasil ramalan dengan keyakinan yang terjadi. Semakin kecil penyimpangan antara hasil ramalan dengan kenyataan yang terjadi berarti metode yang dipergunakan semakin baik. Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti prosedur penyusunan yang baik. Metode kwantitatif dapat dibagi dalam deret berkala ( time series ) dan metode kausal.

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

2. Informasi tersebut dapat dikwantitatifkan dalam bentuk data.

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

Metode-metode peramalan dengan analisis deret waktu yaitu : 1. Metode Pemulusan Ekponensial dan Rata-rata Bergerak

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

2.4. Jenis – Jenis Metode Peramalan

2.4.1 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 analisis keadaan dalam mempersiapkan peramalan.

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

1. Horizon Waktu

Ada dua aspek dari horizon waktu yang berhubungan dengan masing-masing metode peramalan yaitu : cakupan waktu dimasa yang akan datang daan jumlah periode untuk peramalan yang diinginkan.

2. Pola Data

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

3. Jenis dari Model

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

4. Biaya yang Dibutuhkan

Umumnya ada 4 (empat) unsur biaya yang tercakup dalam penggunaan suatu prosedur peramalan yaitu biaya-biaya pengembangan, penyimpanan (storage) data, operasi pelaksanaan dan kesempatan dalam penggunaan teknik-teknik dan metode peramalan.

5. Ketepatan Metode Peramalan

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

6. Kemudahan dan Penerapan

Metode-metode yang dapat dimengerti dan mudah diaplikasikan sudah merupakan suatu prinsip umum bagi pengambilan keputusan.

2.4.2 Analisis Deret Berkala

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

Metode time series merupakan metode peramalan kwantitatif didasarkan atas penggunaan analisis pola hubungan antara variable yang akan diperkirakan dengan variable waktu. Tujuan time series ini mencakup meneliti pola data yang digunakan untuk meramalkan apakah data tersebut stationer atau tidak dan ekstrapolasi ke masa yang akan datang. Stationer itu sendiri berarti bahwa tidak terdapat pertumbuhan/penurunan data. Data secara kasar harus horizontal sepanjang waktu dengan kata lain fluktuasi data tetap konstan setiap waktu.

2.4.3 Penentuan Pola Data

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

1. Pola Horizontal ( H )

Pola ini terjadi bilamana nilai data berfluktuasi disekitar nilai rata yang konstan.

2. Pola musiman ( S )

Pola yang menunjukkan perubahan yang berulang-ulang secara periodic dalam deret waktu. pola yang ini terjadi bial suatu deret dipengaruhi oleh faktor musiman, misalnya kwartal tahun tertentu, bulanan atau hari-hari pada mingu-minggu tertentu.

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

4. Pola Trend ( T )

Pola yang menunjukkan kenaikan atau penurunan jangka panjang dalam data.

2.5 Metode Pemulusan ( Smoothing )

Metode Smothing adalah metode peramalan dengan mengadakan penghalusan terhadap masa lalu, yaitu dengan mengambil rata-rata dari nilai beberapa tahun untuk menaksir nilai pada beberapa tahun kedepan.

Secara umum Metode Smoothing diklasifikasikan menjadi dua bagian, yaitu : 1. Metode Rata-Rata

Metode rata-rata dibagi atas empat bagian, yaitu : a.Nilai tengah ( Mean )

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

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

2. Metode Pemulusan Eksponensial

F

t+1 =

α

X

t

+ (1-

α) F

t

Dimana :

F

t+1 = Ramalan 1 Periode Kedepan

X

t = Data Aktual pada periode ke-t

F

t = Ramalan pada periode ke-t

α

= Para meter pemulusan

Metode smooting eksponensial terdiri atas : 1. Smoothing eksponensial tunggal

a. Satu parameter b. Pendekatan adaptif

2. Smoothing Exponensial Ganda

a. Metode linier satu parameter dari Brown b. Metode dua dari Holt

3. Smoothing Exponensial Tripel

a. Metode kuatratik satu parameter dari brown

b. Metode tiga parameter untuk kecendrungan dan musiman dari Winter 4. Smoothing Exponensial menurut klasifikasi Pegels

2.5.1 Metode Smooting Yang Digunakan

Untuk mendapatkan hasil yang baik harus diketahui cara peramalan yang tepat. Maka metode peramalan analisis time series yang digunakan untuk meramalkan nilai penjualan energy listrik pada pemecahan masalah ini adalah dengan menggunakan

Metode Smoothing Eksponensial yaitu “Smoothing Eksponensial Satu Parameter dari Brown”.

Metode ini merupakan metode yang dikemukakan oleh Brown. Dasar pemikiran dari metode Smoothing Eksponensial Linier Satu Parameter dari Brown adalah serupa dengan rata-rata bergerak linier, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data sebenarnya.

Persamaan yang dipakai dalam persamaan Pemulusan Eksponensial Linier Satu Parameter dari Brown adalah sebagai berikut :

S't= α Xt+ ( 1 –α ) S't−1 S''_t= α S'_t+ ( 1 - α ) S''_t−1

a_t = S'_t + ( S'_t - S''_t ) = 2 S'_t - S''_t b_t =

α α −

1 ( S't - S''t)

F_t+m= a_t+ b_tm

Dimana :

dimana : m = Jumlah periode didepan yang diramalkan S' = Nilai eksponensial smoothing tunggal S'' = Nilai eksponensial smoothing ganda

α = Parameter Pemulusan Eksponensial a_t, b_t = Konstanta pemulusan

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

2.6 Ketepatan Ramalan

Ketepatan ramalan adalah satu hal yang mendasar dalam peramalan, yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data yang diberikan. Ketepatan dipandang sebagaai kreteria penolakan untuk memilih suatu metode ramalan. 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 ramalan.

Beberapa Kreteria yang digunakan untuk menguji ketepatan ramalan antara lain : 1.M E ( Mean Error ) / Nilai Tengah Kesalahan

N e ME

N

t t

∑

₌

= 1

2. M S E ( Mean Square Absolut Error ) / Nilai Tengah Kesalahan Kuadrat

N e MSE

N

t t

∑

₌

= 1

2

N e MAE N t t

∑

₌ = 1

4. S S E (Sum Square Error) / Jumlah Kuadrat Kesalahan

∑

₌ = N t t e SSE 1 2

5. S D E (Standard Deviation Of Error) / Devisi Standar Kesalahan

N e SDE N t t

∑

₌ = 1 2

6. M A P E (Mean Absolut Pencentage Error) / Nilai tengah Kesalahan Persentase Absolut N PE MAPE N t t

∑

₌ = 1

7. M P E (Mean Percentage Error) / nilai Tengah Kesalahan Persentase

N PE MPE N t t

∑

₌ = 1 Dimana :

et = Xt – Ft (kesalahan pada period eke-t)

Xt = data aktual pada periode ke-t

Ft = Nilai ramalan pada periode ke-t

N = banyaknya periode waktu

( kesalahan persentase pada periode ke-t )

Metode Peramalan yang dipilih adalah metode peramalan yang memberikan nilai M S E yang terkecil.

BAB 3

3.1 Sejarah Badan Pusat Statistik

Kantor BPS Propinsi Sumatera Utara merupakan lembaga pemerintahan non departemen yang berada dibawah dan tanggung jawab langsung kepada presiden.Adapun sejarah BPS di Indonesia terjadi 4 ( empat ) masa pemerintahan di Indonesia antara lain :

3.1.1 Masa Pemerintahan Hindia Belanda

Pada masa hindia belanda ini Kantor Statistik pertama didirikan oleh direktur pertanian, kerajinan, dan perdagangan ( Directur Van Landbouw Nijerverheid en Handle ). Pada bulan Februari 1920 yang berkedudukan di Bogor. Kantor ini diserahi tugas untuk mengolah dan mempublikasikan data statistik.

Pada bulan maret 1923 dibentuk suatu komisi yang bernama komisi untuk statistik yang anggotanya merupakan wakil dari tiap-tiap departemen. Komisi tersebut diberi tugas untuk merencanakan tindakan-tindakan yang mengarah sejauh mungkin untuk mencapai kesatuan dalam kegiatan dibidang statistik di Indonesia. Selain dari itu, Komisi ini mengurus terutama bagian statistik yang dimuat di dalam Laporan Indonesia yag sebelumnya disebut laporan kolonial .

Pada tanggal 24 September 1924, nama lembaga tersebut diganti dengan Center Kantor Voor De Statistiek (CKS) atau kantor statistik dan dipindahkan ke Jakarta. Bersama dengan itu beralih pula pekerjaan Mekanisme Statistik Perdagangan yang semula dilakukan oleh kantor Invoer Uitvoer en Accijnsen ( IUA ) yang sekarang disebut Kantor Bea Cukai.

Kantor pusat statistik selain mencakup bidang administrasi mencakup juga bagian yang menangani Urusan Umum, Statistik Perdagangan, Statistik Pertanian, Statistik Kerajinan, Statistik Konjungtor, Statistik Sosial. Kegiatan statistik pada era ini diarahkan untuk mendukung kebijaksanaan yang ditempuh oleh Pemerintah Kolonial Belanda. Komisi ini juga pernah melakukukan suatu kegiatan statistik yang bersifat monumental yaitu Sensus Penduduk 1930, yang merupakan sensus penduduk yang pertama kali dilakukan di Indonesia.

3.1.2 Masa Pemerintahan Jepang

Pada bulan Juli 1994 pemerintah Jepang baru mengaktifkan kembali kegiatan statistik yang utamanya diarahkan untuk memenuhi kebutuhan perang atau militer. Dan tugas serta fungsi kegiatan statistik pada saat itu lebih terkonsentrasi untuk keperluan militer. Pada masa ini juga Cks diganti menjadi Shomubu Chosasitsu Gunseikanbu.

3.1.3 Masa Pemerintahan Republik Indonesia

Seelah Proklamasi Kemerdekaan Republik Indonesia tanggal 17 Agustus 1945 kegiatan statistik ditandatangani oleh lembaga uatu instansi baru yang sesuai dengan

suasana kemerdekaan yaitu Kantor Penyelidikan Perangkaan Umum republik Indonesia ( KPPURI ). Tahun 1946 Kantor KPPURI dipindahkan ke Yokjakarta sebagai sekuensi dari perjanjian Linggar Jati. Sementara itu pemerintahan Belanda ( NICA ) di Jakarta menggaktifkan kembali CKS. Perkembangan berikutnya KPPURI bedasarkan surat edaran Kementrian Kemakmuran tanggal 12 Juni 1950 no.219/S.C KPPURI dan CKS dilebur menjadi Kantor Pusat Statistik ( KPS ) dan berada dibawah dan bertanggungjawab kepada Mentri Kemakmuran.

Untuk selanjutnya keputusan Presiden RI No.172 Tahun 1957, terhitung mulai 1 Juni 1957 KPS diubah menjadi Biro Pusat Statistik dan statistik yang semula menjadi tanggung jawab dan wewenang Mentri Perekonomian dialihkan menjadi wewenang dan berada dibawah Perdana Menteri. Berdasarkan Keppres ini pula secara formal nama Biro Pusat Statistik dipergunakan.

3.1.4 Masa Orde Baru sampai Sekarang

Seiring dengan perkembangan zaman,khususnya pada pemerintahan Orde Baru untuk memenuhi kebutuhan dalam perencanaan dan evaluasi pembangunan mutlak dibutuhkan data statistik. Untuk mendapatkan data secara tepat dan akurat, salah satu unsurnya adalah pembenahan organisasi BPS.

Dalam masa orde baru ini,BPS telah mengalami empat kali perubahan struktur organisasi :

1. Peraturan pemerintah No.16 Tahun 1968 tentang organisasi BPS. 2. Peraturan pemerintah No.6 Tahun 1980 tentang organisasi BPS.

3. Peraturan pemerintah No.2 Tahun 1992 tentang kedudukan, tugas, fungsi, susunan dan tata kerja BPS.

4. Undang-Undang No.16 Tahun 1997 tentang statistik. 5. Keputusan presiden RI No.86 Tahun 1998 tentang BPS.

6. Keputusan kepala BPS No.100 tentang organisasi dan tata kerja BPS. 7. PP No.51 Tahun 1998 tentang penyelenggaraan statistik.

3.2 Program Pengembangan Statistik

Untuk mewujudkan pembangunan statistik, BPS membagi dalam 4 program yaitu : 1. Program penyempurnaan dan pengembangan statistik.

2. Program penyempurnaan sistem informasi. 3. Program pendidikan dan aparatur negara

4. Program peningkatan saran dan prasarana aparatur Negara.

Adapun visi dari Badan Pusat Statistik adalah menjadi sumber informasi sebagai tulang punggung informasi pembangunan nasional dan regional, didukung sumberdaya manusia yang berkualitas, ilmu pengetahuan dan teknologi nformasi yang mutakhir. Sedangkan misi Badan Pusat statistik adalah untuk menunjang pembangunan nasional BPS mengembangkan misi mengarahkan pembangunan statistik pada penyediaan data statistik yang handal dan bermutu, efektif dan efisien, peningkatan kesadaran masyarakat akan arti dan kegunaan statistik dan pengembanagan ilmu statistik.

3.3 Kegiatan Badan Pusat Statistik

Badan Pusat Statistik sebagai lembaga pemerintahan non departemen yang berada dibawah dan bertanggung jawab kepada Presiden ( Keppres No.86 Tahun 1998 ), dalam melaksanakan tugasnya berdasarkan beberapa ketentuan perundangan :

Kedudukan, Tugas dan Fungsi Badan Pusat Statistik

1. UU No.16 tentang statistik

2. Keputusan Presiden No. 86 Tahun 1998 tentang BPS.

3. Peraturan Pemerintah No.51 tahun 1999 tentang penyelenggaraan statistik.

Berdasarkan Keputusan Presiden No.86 tahun 1999 dalam menyelenggarakan satistik dasar melakukan koordinasi dan kerjasama, serta mengembangkan dan membina statistik dengan peraturan perundang-undangan yang berlaku

Fungsi yang diselenggarakan Badan Pusat Statistik adalah:

1. Perumusan kebijaksanaan , perencanaan, pengumpulan, pengolahan, penyajian data dan analisis dibidang statistic produksi dan kependudukan serta bidang statistik distribusi dan neraca nasional.

2. Pembinaan pelaksanaan koordinasi kegiatan statisik dengan departemen atau instansi yang lainnya dalam mengembangkan berbagai jenis statistic yang diperlukan, serta pelaksanaan kerjasama dibidang statistik dengan lembaga / organisasi lain baik didalam maupun luar negri.

3. Panyajian data kepada pemerintah dan masyarakat dar hasil kegiatan statistik produksi dan kependudukan serta statistic distribusi dan neraca nasional secara berkala baik dari hasil penelitian sendiri maupun dari data sekunder.

4. Penyebarluasan statistik melalui berbagai cara baik secara langsung maupun tidak langsung serta pelaksanaan upaya peningkatan dasar statistik bagi masyarakat.

5. Pengelolaan keuangan, kepegawaian dan organisasi, perlengkapan dan pembekalan, sera memberikan pelayanan administrasi dilingkungan BPS.

3.4 Tata Kerja Badan Pusat Statistik

Para deputi wajib melaksanakan koordinasi dan kerjasama teknis statistik di dalam dan luar negri sesuai dengan bidang dan tugas masing-masing dan harus melaporkan kepada kepala BPS. Dalam melaksanakan tugasnya wajib menerapkan prinsip koordinasi, integrasi, sibronisasi dan sinlifikasi, baik dalam lingkungan masing-masing antara satuan unit organisasi di lingkungan BPS maupun dengan instansi lainnya di luar BPS sesuai dengan bidang masing-masing.

Stuktur organisasi perusahaan merupakan salah satu faktor penting yang mempengaruhi tingkat keberhasilan suatu perusahaan dalam mencapai tujuan yang ditetapkan. Dengan adanya stuktur organisasi maka akan jelaslah pemisahan tugas dari para pegawai / staf tertentu.

Gambar 3.1 Struktur Organisasi Badan Pusat Statistik Sumatera Utara

Adapun tujuan dari stuktur organisasi di kantor BPS Propinsi Sumatera Utara adalah :

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

2. Pemberian saran yaitu memberikan saran uatu membuat rekomendasi bagi manajemen .

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

Strktur organisasi kantor BPS Provinsi Sumatera Utara dipimpin oleh seorang kepala yang dibantu oleh bagian tata usaha. Bagian tata usaha terdiri dari :

1. Sub bagian urusan dalam

2. Sub bagian perlengkapan dan pembekalan 3. Sub bagian keuangan

4. Sub bagian kepegawaian

5. Sub bagian bina potensi / bina program

Bidang penunjang BPS ada 5 bidang yaitu :

1. Bidang Statistik Produksi

Mempunyai tugas melaksanakan kegiatan BPS pertanian, industri, serta BPS konstruksi pertambangan dan energi.

Uraian tugas bidang statistik produksi : a. Menyusun program tahunan bidang

b. Yang termaksud ruang lingkup tugas bidang BPS Produksi adalah meliputi pelaksanaan kegiatan statistik pertanian , industri, konstruksi, pertambangan, energi, dan statistic produksi lainya yang ditentukan. c. Mengatur keikutsertaan program latihan yang diselenggarakan oleh

d. Membantu Kepala Kantor BPS Provinsi atau Pimpinan Bagian Proyek untuk menyiapkan program petugas bagian lapangan.

e. Mangatur dan mengkoordinasi penyelenggaraan pelatihan petugas lapangan di pusat pelatihan serta mengatur penjatahan pelatihan.

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

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

2. Bidang Statistik Distribusi

Bidang statistik distribusi mempunyai tugas melaksanaan kegiatan BPS harga konsumen dan perdagangan besar, BPS keuangan dan harga produsen serta BPS niaga dan jasa.

Uraian tugas Bidang Statistik Distribusi : a. Menyusun program kerja tahunan

b. Membantu kepala kantor statistik, propinsi atau pemimpin proyek / pimpinan bagi proyek statistik

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

d. Melakukan pembinaan, pengamatan lanjut dan pengawasan lapangan terhadap pelaksaaan kegiatan statistik distribusi

e. Mengatur dan melaksanakan pemgolahan data statistik secara sederhana sesuai dengan yang telah ditetapkan

f. Menyusun laporan kegiatan bidang secara berkala dan sewaktu-waktu

3. Bidang Statistik Kependudukan

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

Uraian tugas Bidang Statistik kependudukan :

a. Menyusun program kerja tahunan bidang kependudukan

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

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

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

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

4. Bidang Integrasi Pengolahan dan Diseminasi Statistik (IPDS) :

Integrasi Pengolahan dan Diseminasi Statistik (IPDS) mempunyai tugas sebagai penyiapan data, penyusunan sistem dan program serta operasional pengolahan data, penyusun sistem dan program serta operasional pengolahan data dengan komputer.

Uraian tugas Bidang Integrasi Pengolahan dan Diseminasi Statistik (IPDS) : a. Menyusun program kerja tahunan

b. Melaksanakan penyusunan, pemeliharaan, penyelesaian permasalahan dan pengembangan sistem jaringan komunikasi data sesuai dengan aturan yang ditentukan serta membantu penyerapan teknologi informasi.

c. Mengatur dan melaksanakan keikutsertaan dalam program latihan yang diselenggarakan oleh BPS dalam bidang pengolahan, penyajian dan pelayanan statistik.

d. Melaksanakan koordinasi pengolahan dan pemeliharan perangkat keras dan perangkat lunak serta menyusun sistem pengolahan data.

e. Mengatur integrasi penggunaan sistem dan program aplikasi pengolahan data statistik seperti data statistik penduduk, data statistik produksi, data statistik distribusi termaksuk sarana pendukungnya.

f. Melaksanakan kajian evaluasi kebutuhan dan pengolahan data termaksuk bahan komputer yang bekerjasama dengan satuan organisasi terkait.

5 . Bidang Neraca Wilayah dan Analisis Statistik

Mempunyai tugas untuk menyusun neraca produksi, neraca konsumsi, dan akumulasi penyajian analisis serta kegiataan penerapan statistik.

Ruang Lingkup Kegiatan Kantor BPS Provinsi Sumatera Utara

Ruang lingkup kegiatan kantor Badan Pusat Statistik (BPS) di Provinsi Sumatera Utara yaitu :

a. Melaksanakan kegiatan badan pusat statistik untuk dilaksanakan misaknya jenis data yang akan dikumpul, kegunaan data dan lain-lain.

b. Mengumpulkan data Badan pusat Statistik ( BPS) c. Menyajikan Data Badan pusat Statistik ( BPS)

Kantor Badan pusat Statistik ( BPS) adalah merupakan suatu sumber atau pusat informasi yang dapat mempermudah masyarakat untuk mengetahui tentang perkembangan Negara Indonesia.

d. Menganalisis Data Badan pusat Statistik ( BPS)

Kemudian data tersebut dianalisa atau dibahas terhadap data statistik tersebut dan juga disebarluaskan.

e. Memasyarakatkan Data Badan pusat Statistik ( BPS)

Sesudah selesai dikerjakan seluruhnya, data tersebut dimasyarakatkan kepada seluruh lapisan masyarakat ini agar tercipta tujuan yang akan dicapai.

BAB 4

ANALISIS DATA

4.1 Arti Analisis Data

Analisis data pada dasarnya dapat diartikan sebagai penjabaran atas pengukuran data kuantitatif menjadi suatu penyajian yang lebih mudah untuk ditafsirkan dan menguraikan masalah menjadi parsial maupun keseluruhan. Untuk pemecahan masalah perlu dilakukan suatu analisis dan pengolahan data. Data yang akan diolah adalah data data jumlah pelanggan listrik menurut besar arus yang dipakai PT. PLN cabang Medan dari tahun 1999-2008. Analisis yang dipakai dalam pengolahan data ini adalah analisis pemulusan eksponensial ganda.

4.2 Analisis Pemulusan Eksponensial Ganda

Pada bagian ini penulis menentukan parameter yang akan digunakan, dimana nilai parameter ( α ) besarnya antara 0<α<1 dengan cara trial dan error,

Adapun langkah-langkah yang ditempuh untuk menentukan persamaan peramalan dengan menggunakan Metode Linier Satu Perameter dari Brown adalah :

1. Menentukan harga parameter smoothing eksponensial yang besarnya dari 0< α<1

2. Menghitung harga pemulusan eksponensial tunggal dengan menggunakan persamaan : 1 ' ' ) 1 ( − − +

= _t t

t X S

S

α α

Untuk α = 0,1 maka dapat dihitung :

Eksponensial ganda periode ke-1 (tahun 1999) = 570295 ( Data Awal ) Eksponensial ganda periode ke-2 (tahun 2000) =

0,1*(592574)+(1-0,1)*570295 = 572522,90

Eksponensial tunggal periode ke-3 (tahun 2002) = 0,1*(614494)+(1-0,1)*572522,90 = 576720,01 ……….

Hasil S’t dapat dilihat pada tabel 4.2

3. Menghitung harga pemulusan esponensial ganda dengan menggunakan persamaan : " 1 ' " ) 1 ( − ₋ +

= t t

t S S

S

α α

Maka dapat dihitung :

Eksponensial ganda periode ke-2 ( tahun 2000) = 0,1*(572522,90)+(1-0,1)*570295 = 570517,79 Eksponensial ganda period ke-3 ( tahun 2001) = 0,1*(576720,01)+(1-0,1)*570517,79 = 571138,01 ………

Hasil S”t dapat dilihat pada tabel 4.2

4. Menghitung koefisien at dan bt menggunakan persamaan :

" ' " ' ' 2 )

( _{t t t t}

t

t S S S S S

Maka nilai at dapat dihitung :

Nilai a untuk periode ke-2 ( tahun 2000) = 2*(572522,90)-570517,79 a2 = 574528,01

Nilai a untuk periode ke-3 ( tahun 2001) = 2*(576720,01)-571138,01 a2 = 574528,01

………. Hasil at dapat dilihat pada tabel 4.2

( ) 1 " ' t t

t S S

b

= ₋α_α −

Maka nilai bt dapat dihitung (α = 0,1) yaitu :

Untuk period ke-2 ( tahun 2000) = ) 79 , 570517 90 , 572522 ( 1 , 0 1 1 , 0 − − =

b

t = 222,79 ……….. Hasil bt dapat dilihat pada tabel 4.2

5. Menghitung trend peramalan (Ft+m) dengan menggunakan rumus :

) (m

b

a_{t t}

m t

F

+ = +

Untuk period eke-3 (tahun 2000) dengan m=1 = 574528,01+222,79(1) = 574720,80

………. Hasil Ft dapat dilihat pada tabel 4.2

Tabel 4.1 Jumlah Pelanggan Listrik pada PT.PLN ( Persero ) Cabang Medan

PERIODE Tahun Jumlah Pelanggan (Dalam Jiwa)

1 1999 570.295

2 2000 592.574

3 2001 614.494

4 2002 639.356

5 2003 383.147

6 2004 395.380

7 2005 412.296

8 2006 427.702

9 2007 456.282

10 2008 471.911

Sumber : Badan Pusat Statistik ( BPS ) Sumatera Utara

Pada tahun 2003, jumlah pelanggan listrik pada PT. PLN cabang Medan mengalami penurunan. Hal ini disebabkan oleh adanya kedaan ekonomi Indonesia yang tidak stabil sehingga membuat tarif dasar listrik naik. Karena tarif dasar listrik ini menyebabkan masyarakat Indonesia menengah kebawah tidak bisa membayar listrik sehingga terjadi penurunan yang drastis terhadap jumlah pelanggan listrik PT. PLN cabang Medan.

Gambar 4.1 Plot Data Jumlah Pelanggan Listrik dari Tahun 1999- 2008 4.3 Metode Pemulusan Eksponensial Ganda Satu Parameter dari Brown

4.3.1 Penaksiran Model Peramalan

Dalam pengolahan dan penganalisisan data, penulis mengaplikasikan data pada tabel (4.1) dengan metode peramalan ( forecasting ) berdasarkan metode pemulusan eksponensial satu parameter dari Brown.

Untuk memenuhi perhitungan smoothing eksponensial tunggal, ganda dan ramalan yang akan datang. Maka terlebih dahulu kita menentukan parameter nilai α yang biasanya secara trial and error ( coba dan salah ).

Suatu nilai α dipilih yang besarnya 0< α<1, dihitung Mean Square Error (MSE) yang merupakan suatu ukuran ketepatan perhitungan dengan mengkuadratkan

masing-masing item dalam sebuah susunan data dan kemudian dicoba nilai α yang lain.

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

N e MSE

N

t t

∑

₌

= 1

Tabel 4.2 Peramalan jumlah pelanggan listrik menurut besar arus yang dipakai dengan Pemulusan Eksponensial Ganda

Linier Satu Parameter dari Brown dengan menggunakan α = 0.1

Xt S't S"t at bt Ft+m e e2

570295.00 570295.00 570295.00

592574.00 572522.90 570517.79 574528.01 222.79

614494.00 576720.01 571138.01 582302.01 620.22 574750.80 39743.20 1579521946.24 639356.00 582983.61 572322.57 593644.65 1184.56 582922.23 56433.77 3184770396.41 383147.00 562999.95 571390.31 554609.59 -932.26 594829.21 -211682.21 44809356337.03 395380.00 546237.95 568875.07 523600.83 -2515.24 553677.32 -158297.32 25058042943.86 412296.00 532843.76 565271.94 500415.57 -3603.13 521085.60 -108789.60 11835176467.64 427702.00 522329.58 560977.71 483681.46 -4294.24 496812.44 -69110.44 4776253219.28 456282.00 515724.82 556452.42 474997.23 -4525.29 479387.22 -23105.22 533851291.63 471911.00 511343.44 551941.52 470745.36 -4510.90 470471.94 1439.06 2070888.68

JUMLAH -473368.76 91779043490.77

Untuk α = 0.1 dan N = 8 Maka :

∑

₌ = N t t e SSE 1 2 = 91.779.043.490,77 N e MSE N t t

∑

₌ = 1 2 8 77 , 490 . 043 . 779 . 91 =

Nilai MSE ini artinya : Selisih dari data nilai yang sebenarnya (Xt) dengan data

Tabel 4.3 Peramalan jumlah pelanggan listrik menurut besar arus yang dipakai dengan Pemulusan Eksponensial Ganda

Linier Satu Parameter dari Brown dengan menggunakan α = 0.2

Xt S't S"t at bt Ft+m e e2

570295.00 570295.00 570295.00

592574.00 574750.80 571186.16 578315.44 891.16

614494.00 582699.44 573488.82 591910.06 2302.66 579206.60 35287.40 1245200598.76 639356.00 594030.75 577597.20 610464.30 4108.39 594212.72 45143.28 2037915729.16 383147.00 551854.00 572448.56 531259.44 -5148.64 614572.69 -231425.69 53557849066.27 395380.00 520559.20 562070.69 479047.71 -10377.87 526110.80 -130730.80 17090542068.64 412296.00 498906.56 549437.86 448375.26 -12632.83 468669.84 -56373.84 3178009800.27 427702.00 484665.65 536483.42 432847.88 -12954.44 435742.43 -8040.43 64648538.51 456282.00 478988.92 524984.52 432993.32 -11498.90 419893.43 36388.57 1324127809.36 471911.00 477573.34 515502.28 439644.39 -9482.24 421494.42 50416.58 2541831879.24

JUMLAH -259334.93 81040125490.22

Untuk α = 0.2 dan N = 8 Maka :

∑

₌ = N t t e SSE 1 2 = 81.040.125.490,22 N e MSE N t t

∑

₌ = 1 2 8 22 , 490 . 125 . 040 . 81 = =10.130.015.686

Tabel 4.4 Peramalan jumlah pelanggan listrik menurut besar arus yang dipakai dengan Pemulusan Eksponensial Ganda

Linier Satu Parameter dari Brown dengan menggunakan α = 0.3

Xt S't S"t at bt Ft+m e e2

570295.00 570295.00 570295.00

592574.00 576978.70 572300.11 581657.29 2005.11

614494.00 588233.29 577080.06 599386.52 4779.95 583662.40 30831.60 950587558.56 639356.00 603570.10 585027.08 622113.13 7947.01 604166.47 35189.53 1238303021.62 383147.00 537443.17 570751.90 504134.44 -14275.17 630060.14 -246913.14 60966099692.31 395380.00 494824.22 547973.60 441674.84 -22778.31 489859.27 -94479.27 8926332176.30 412296.00 470065.75 524601.25 415530.26 -23372.35 418896.54 -6600.54 43567079.71 427702.00 457356.63 504427.86 410285.40 -20173.39 392157.91 35544.09 1263382384.90 456282.00 457034.24 490209.77 423858.70 -14218.09 390112.01 66169.99 4378467550.21 471911.00 461497.27 481596.02 441398.51 -8613.75 409640.62 62270.38 3877600383.45

JUMLAH -117987.36 81644339847.06

Untuk α = 0.3 dan N = 8 Maka :

∑

₌ = N t t e SSE 1 2 = 81.644.339.847,06 N e MSE N t t

∑

₌ = 1 2 8 06 , 847 . 339 . 644 . 81 = = 10.205.542.481

Tabel 4.5 Peramalan jumlah pelanggan listrik menurut besar arus yang dipakai dengan Pemulusan Eksponensial Ganda

Linier Satu Parameter dari Brown dengan menggunakan α = 0.4

Xt S't S"t at bt Ft+m e e2

570295.00 570295.00 570295.00

592574.00 579206.60 573859.64 584553.56 3564.64 614494.00 593321.56 581644.41 604998.71 7784.77 588118.20 26375.80 695682825.64 639356.00 611735.34 593680.78 629789.89 12036.37 612783.48 26572.52 706098819.15 383147.00 520300.00 564328.47 476271.54 -29352.31 641826.26 -258679.26 66914961623.58 395380.00 470332.00 526729.88 413934.12 -37598.59 446919.22 -51539.22 2656291610.52 412296.00 447117.60 494884.97 399350.23 -31844.91 376335.53 35960.47 1293155132.20 427702.00 439351.36 472671.53 406031.20 -22213.44 367505.32 60196.68 3623640298.43 456282.00 446123.62 462052.36 430194.87 -10619.16 383817.75 72464.25 5251067282.73 471911.00 456438.57 459806.84 453070.29 -2245.52 419575.71 52335.29 2738982906.22

JUMLAH -36313.48 83879880498.48

Untuk α = 0.4 dan N = 8 Maka :

∑

₌ = N t t e SSE 1 2 = 83.879.880.498,48 N e MSE N t t

∑

₌ = 1 2 8 48 , 498 . 880 . 879 . 83 = = 10.484.985.062

Tabel 4.6 Peramalan jumlah pelanggan listrik menurut besar arus yang dipakai dengan Pemulusan Eksponensial Ganda Linier Satu Parameter dari Brown dengan menggunakan α = 0.5

Xt S't S"t at bt Ft+m e e2

570295.00 570295.00 570295.00

592574.00 581434.50 575864.75 587004.25 5569.75 614494.00 597964.25 586914.50 609014.00 11049.75 592574.00 21920.00 480486400.00 639356.00 618660.13 602787.31 634532.94 15872.81 620063.75 19292.25 372190910.06 383147.00 500903.56 551845.44 449961.69 -50941.88 650405.75 -267258.75 71427239451.56 395380.00 448141.78 499993.61 396289.95 -51851.83 399019.81 -3639.81 13248235.04 412296.00 430218.89 465106.25 395331.53 -34887.36 344438.13 67857.88 4604691199.52 427702.00 428960.45 447033.35 410887.54 -18072.90 360444.17 67257.83 4523615444.09 456282.00 442621.22 444827.29 440415.16 -2206.06 392814.64 63467.36 4028105706.04 471911.00 457266.11 451046.70 463485.52 6219.41 438209.10 33701.90 1135818221.59

JUMLAH 2598.65 86585395567.89

Untuk α = 0.5 dan N = 8 Maka :

∑

₌ = N t t e SSE 1 2 = 86.585.395.567,89 N e MSE N t t

∑

₌ = 1 2 8 89 , 567 . 395 . 585 . 86 = = 10.823.174.446

Tabel 4.7 Peramalan jumlah pelanggan listrik menurut besar arus yang dipakai dengan Pemulusan Eksponensial Ganda

Linier Satu Parameter dari Brown dengan menggunakan α = 0.6

Xt S't S"t at bt Ft+m e e2

570295.00 570295.00 570295.00

592574.00 583662.40 578315.44 589009.36 8020.44 614494.00 602161.36 592622.99 611699.73 14307.55 597029.80 17464.20 304998281.64 639356.00 624478.14 611736.08 637220.20 19113.09 626007.28 13348.72 178188325.64 383147.00 479679.46 532502.11 426856.81 -79233.98 656333.30 -273186.30 74630752322.20 395380.00 429099.78 470460.71 387738.85 -62041.39 347622.83 47757.17 2280747095.38 412296.00 419017.51 439594.79 398440.23 -30865.92 325697.46 86598.54 7499307434.96 427702.00 424228.21 430374.84 418081.57 -9219.95 367574.31 60127.69 3615338687.21 456282.00 443460.48 438226.23 448694.74 7851.39 408861.62 47420.38 2248692680.32 471911.00 460530.79 451608.97 469452.62 13382.74 456546.12 15364.88 236079420.28

JUMLAH 14895.28 90994104247.62

Untuk α = 0.6 dan N = 8 Maka :

∑

₌ = N t t e SSE 1 2 = 90.994.104.247,62 N e MSE N t t

∑

₌ = 1 2 8 62 , 247 . 104 . 994 . 90 = = 11.374.263.031

Tabel 4.8 Peramalan jumlah pelanggan listrik menurut besar arus yang dipakai dengan Pemulusan Eksponensial Ganda

Linier Satu Parameter dari Brown dengan menggunakan α = 0.7

Xt S't S"t at bt Ft+m e e2

570295.00 570295.00 570295.00

592574.00 585890.30 581211.71 590568.89 10916.71 614494.00 605912.89 598502.54 613323.24 17290.83 601485.60 13008.40 169218470.56 639356.00 629323.07 620076.91 638569.23 21574.37 630614.07 8741.93 76421340.12 383147.00 456999.82 505922.95 408076.69 -114153.96 660143.60 -276996.60 76727115303.57 395380.00 413865.95 441483.05 386248.85 -64439.90 293922.73 101457.27 10293577128.57 412296.00 412766.98 421381.80 404152.17 -20101.24 321808.95 90487.05 8187906999.51 427702.00 423221.50 422669.59 423773.40 1287.78 384050.92 43651.08 1905416655.70 456282.00 446363.85 439255.57 453472.13 16585.98 425061.19 31220.81 974739115.76 471911.00 464246.85 456749.47 471744.24 17493.90 470058.11 1852.89 3433202.34

JUMLAH 13422.83 98337828216.14

Untuk α = 0.7 dan N = 8 Maka :

∑

₌ = N t t e SSE 1 2 = 98.337.828.216,14 N e MSE N t t

∑

₌ = 1 2 8 14 , 216 . 828 . 337 . 98 = = 12.292.228.527

Tabel 4.9 Peramalan jumlah pelanggan listrik menurut besar arus yang dipakai dengan Pemulusan Eksponensial Ganda

Linier Satu Parameter dari Brown dengan menggunakan α = 0.8

Xt S't S"t at bt Ft+m e e2

570295.00 570295.00 570295.00

592574.00 588118.20 584553.56 591682.84 14258.56 614494.00 609218.84 604285.78 614151.90 19732.22 605941.40 8552.60 73146966.76 639356.00 633328.57 627520.01 639137.12 23234.23 633884.12 5471.88 29941470.73 383147.00 433183.31 472050.65 394315.97 -155469.36 662371.35 -279224.35 77966238749.82 395380.00 402940.66 416762.66 389118.66 -55287.99 238846.62 156533.38 24502700306.49 412296.00 410424.93 411692.48 409157.39 -5070.18 333830.67 78465.33 6156807647.93 427702.00 424246.59 421735.76 426757.41 10043.29 404087.20 23614.80 557658576.52 456282.00 449874.92 444247.09 455502.75 22511.32 436800.69 19481.31 379521251.42 471911.00 467503.78 462852.44 472155.12 18605.36 478014.07 -6103.07 37247460.46

JUMLAH 6791.87 109703262430.14

Untuk α = 0.8 dan N = 8 Maka :

∑

₌

= N

t t

e SSE

1 2

= 109.703.262.430,14

N e MSE

N

t t

∑

₌

= 1

2

8

2.430,14 109.703.26

=

Tabel 4.10 Peramalan jumlah pelanggan listrik menurut besar arus yang dipakai dengan Pemulusan Eksponensial Ganda

Linier Satu Parameter dari Brown dengan menggunakan α = 0.9

Xt S't S"t at bt Ft+m e e2

570295.00 570295.00 570295.00

592574.00 590346.10 588340.99 592351.21 18045.99 614494.00 612079.21 609705.39 614453.03 21364.40 610397.20 4096.80 16783770.24 639356.00 636628.32 633936.03 639320.61 24230.64 635817.43 3538.57 12521477.64 383147.00 408495.13 431039.22 385951.04 -202896.81 663551.25 -280404.25 78626545661.30 395380.00 396691.51 400126.28 393256.74 -30912.94 183054.24 212325.76 45082229845.86 412296.00 410735.55 409674.62 411796.48 9548.34 362343.80 49952.20 2495221809.30 427702.00 426005.36 424372.28 427638.43 14697.66 421344.82 6357.18 40413755.52 456282.00 453254.34 450366.13 456142.54 25993.85 442336.09 13945.91 194488526.51 471911.00 470045.33 468077.41 472013.25 17711.28 482136.39 -10225.39 104558579.14

JUMLAH -413.22 126572763425.50

Untuk α = 0.9 dan N = 8 Maka :

∑

₌

= N

t t

e SSE

1 2

= 126.572.763.425,50

N e MSE

N

t t

∑

₌

= 1

2

8

3.425,50 126.572.76

=

Kemudian salah satu nilai MSE tersebut dibandingkan untuk menentukan nilai α yang memberikan MSE yang terkecil / minimum. Perbandingan ukuran ketepatan metode peramalan jumlah pelanggan listrik di kota Medan dengan melihat MSE sebagai berikut :

Tabel 4.11 Perbandingan Ukuran Ketepatan Metode Peramalan

A MSE

0.1 11.472.380.436 0.2 10.130.015.686 0.3 10.205.542.481 0.4 10.484.985.062 0.5 10.823.174.446 0.6 11.374.263.031 0.7 12.292.228.527 0.8 13.712.907.804 0.9 15.821.595.428

Dari tabel 4.11 di atas dapat dilihat bahwa yang menghasilkan nilai MSE yang paling kecil / minimum yaitu pada α = 0,2 yaitu MSE = 10.130.015.686

Tabel 4.3 Peramalan jumlah pelanggan listrik menurut besar arus yang dipakai dengan Pemulusan Eksponensial Ganda

Linier Satu Parameter dari Brown dengan menggunakan α = 0.2

Xt S't S"t at bt Ft+m e e2

570295.00 570295.00 570295.00

592574.00 574750.80 571186.16 578315.44 891.16

614494.00 582699.44 573488.82 591910.06 2302.66 579206.60 35287.40 1245200598.76 639356.00 594030.75 577597.20 610464.30 4108.39 594212.72 45143.28 2037915729.16 383147.00 551854.00 572448.56 531259.44 -5148.64 614572.69 -231425.69 53557849066.27 395380.00 520559.20 562070.69 479047.71 -10377.87 526110.80 -130730.80 17090542068.64 412296.00 498906.56 549437.86 448375.26 -12632.83 468669.84 -56373.84 3178009800.27 427702.00 484665.65 536483.42 432847.88 -12954.44 435742.43 -8040.43 64648538.51 456282.00 478988.92 524984.52 432993.32 -11498.90 419893.43 36388.57 1324127809.36 471911.00 477573.34 515502.28 439644.39 -9482.24 421494.42 50416.58 2541831879.24

JUMLAH -259334.93 81040125490.22

Tabel 4.12 Pemulusan Pertama dan Pemulusan Ganda dari data Jumlah Pelanggan Listrik

NO Tahun Data asli

pemulusan pertama

Pemulusan

Ganda Ramalan 1 1999 570295 570295 570295 - 2 2000 592574 574750.8 571186.16 - 3 2001 614494 582699.44 573488.82 579206.6 4 2002 639356 594030.75 577597.2 594212.72 5 2003 383147 551854 572448.56 614572.69 6 2004 395380 520559.2 562070.69 526110.8 7 2005 412296 498906.56 549437.86 468669.84 8 2006 427702 484665.65 536483.42 435742.43 9 2007 456282 478988.92 524984.52 419893.43

Tabel 4.13 Perhitungan Ukuran Relatif Galat ( Data dari tabel 4.12 )

Nilai

Penjualan Ramalan Galat PE APE

Xt Ft+m et 

( )

100

   − + t m t t X F

X

_{( )}

100 t m t t X F

X − ₊

570295 - - - -

592574 - - - -

614494 579206.6 35287.40 5.74 5.74

639356 594212.72 45143.28 7.06 7.06

383147 614572.69 -231425.69 -60.40 60.40

395380 526110.8 -130730.80 -33.06 33.06

412296 468669.84 -56373.84 -13.67 13.67

427702 435742.43 -8040.43 -1.88 1.88

456282 419893.43 36388.57 7.98 7.98

471911 421494.42 50416.58 10.68 10.68

JUMLAH -259334.93 -77.56 140.47

Ukuran ketepatan Metode Peramalan dengan menggunakan α = 0.2 adalah : 1.M E ( Mean Error ) / Nilai Tengah Kesalahan

N e ME N t t

∑

₌ = 1 8 259334,93 -=

2. M S E ( Mean Square Absolut Error ) / Nilai Tengah Kesalahan Kuadrat N e MSE N t t

∑

₌ = 1 2 8 0,22 8104012549 =

= 10.130.015.686

3. M A E (Mean Absolut Error) / Nilai Tengah Kesalahan Absolut

N e MAE N t t

∑

₌ = 1 8 593806,59 = = 74225,82

4. S S E (Sum Square Error) / Jumlah Kuadrat Kesalahan

∑

₌ = N t t e SSE 1 2 = 81040125490.22

5. S D E (Standard Deviation Of Error) / Devisi Standar Kesalahan N e SDE N t t

∑

₌ = 1 2 8 0,22 8104012549 = .686 10.130.015 = = 100.647,979

6. M A P E (Mean Absolut Pencentage Error) / Nilai tengah Kesalahan Persentase Absolut N APE MAPE N t t

∑

₌ = 1 8 140,47 =

= 17,56 %

7. M P E (Mean Percentage Error) / nilai Tengah Kesalahan Persentase

N PE MPE N t t

∑

₌ = 1 8 77,56 -=

4.3.2 Penentuan Bentuk Persamaan Peramalan

Setelah ditentukan harga parameter smoothing eksponensial yang besarnya 0<α<1 dengan cara trial and error didapat perhitungan peramalan smotthing esponensial linier satu parameter dari Brown dengan α = 0,2

Perhitungan pada tabel 4.12 diatas didasarkan pada α =0,2 dan ramalan untuk suatu periode ke depan yaitu dalam perhitungan periode ke 10. Seperti yang sudah dijelaskan pada bab 2 ( landasan teori ) persamaan yang dipakai dalam perhitungan peramalan adalah sebagai berikut :

S'_t= α X_t+ ( 1 –α ) S'_t−1 S''_t= α S'_t+ ( 1 - α ) S''_t−1

a_t = S'_t + ( S'_t - S''_t ) = 2 S'_t - S''_t b_t =

α α −

1 ( S't - S''t)

F_t+m= a_t+ b_t(m)

Berdasarkan data terakhir dapat dibuat peramalan untuk satuan tahun berikutnya dengan bentuk persamaan peramalan :

F_t+m= a_t+ b_t(m)

4.4 Peramalan Jumlah Pelanggan Listrik

Setelah diketahui error yang terdapat pada model peramalan, maka dilakukan peramalan jumlah pelanggan listrik untuk tahun 2009, 2010, dan 2011 dengan menggunakan persamaan :

F_t+m= 439.644,39 + (-9.482,24) (m)

Setelah diperoleh model peramalan jumlah pelanggan listrik, maka dapat dihitung untuk 3 periode kedepan yaitu untuk tahun 2009, 2010, dan 2011 seperti di bawah ini :

a. Untuk periode ke 11 ( tahun 2009) F_t+m= 439.644,39 + (-9.482,24) (m)

F10+1= 439.644,39 + (-9.482,24) (1)

F 11 = 430.162,15

F 11 = 430.162

b. Untuk periode ke 12 ( tahun 2010) Ft+m= 439.644,39 + (-9.482,24) (m)

F10+2= 439.644,39 + (-9.482,24) (2)

F 12 = 420.679,91

c. Untuk periode ke 13 ( tahun 2011) Ft+m= 439.644,39 + (-9.482,24) (m)

F10+3= 439.644,39 + (-9.482,24) ( 3)

F 13 = 411.197,67

F 13 = 411.198

Tabel 4.14 Peramalan Jumlah Pelanggan Listrik PT. PLN ( Persero ) Cabang Medan untuk tahun 2011, 2012, dan 2013

Tahun Periode Peramalan

2009 11 430.162

2010 12 420.680

2011 13 411.198

Sumber : Perhitungan

BAB 5

IMPLEMENTASI SISTEM

5.1 Pengertian Implementasi Sistem

Implementasi sistem adalah prosedur yang dilakukan untuk menyelesaikan desain sistem yang ada dalam desain yang disetujui, menginstal, dan memulai sistem baru atau system yang diperbaiki.

Tahapan implementasi merupakan tahapan penerapan hasil desain tertulis kedalam progaming (coding). Dalam pengolahan data pada karya tulis ini penulis penggunakan satu perangkat lunak sebagai implementasi sistem yaitu Microsoft Excel dalam menyelesaikan masalah untuk memperoleh hasil pehitungan.

Dalam hal pengolahan data, komputer mempunyai kelebihan dari manusia yaitu kecepatan, ketepatan, dan keandalan dalam memproses data. Dan dengan adanya perangkat lunak komputer tersebut kita sangat terbantu karena memang ada kalanya data-data yang sangat rumit dan banyak itu tidak dapat dikerjakan secara manual atau dengan menggunakan tenaga manusia yang tentunya membutuhkan waktu dan tenaga

yang sangat banyak untuk mengolah data tersebut , disamping itu faktor kesalahan yang dilakukan manusia relatif besar.

Dan dengan adanya perangkat lunak komputer, diharapkan pekerjaan tersebut dapat dilakukan dengan cepat dan tepat, waktu dan tenaga dengan tingkat kesalahan yang relatif kecil.

5.2 Microsoft Excel

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

Sheet (lembar kerja) Excel terdiri dari 256 kolom dan 65536 baris. Kolom diberi nama dengan huruf mulai dai A, B, C,..., Z kemudian dilanjutkan AA, AB, AC, ...sampai kolom IV. Sedangkan kolom baris ditandai dengan angka mulai dari 1, 2, 3, ...,65536. Excel 2003 hadir dengan berbagai penyempurnan, ampil lebih terintegrasi dengan berbagai sofware lain, salah satunya adalah under window seperti word, accsess dan power point. Keunggulan program spreadsheet ini adalah mulai dipakai, fleksibel, mudah terintegrasi dengan aplikasi berbasis windows.

5.3 Pengolahan Data dengan Microsoft Office Excel

Sebelum pengoprasian sofware ini, pastikan pada komputer terpasang program Excel. Langkah-langkahnya :

a. Klik tombol Start

b. Pilih All Program dan klik Microsoft Office, Microsoft Excel Gambar 5.1 Tampilan cara membuka microsoft excel di windows

Setelah itu muncul tampilan worksheet ( lembar kerja) seperti dibawah

Data tiap tahun pada 2 kolom, pertama untuk tahun dan kolom kedua untuk data nilai jumlah pelanggan listrik menurut besar arus yang dipakai pada PT.PLN (Persero) Cabang Medan.

Dari data diatas kita dapat menentukan besarnya peramalan dengan α = 0.2 dan untuk setiap perhitungan akan diberi nama pada setiap kolom seperti berikut :

2. Pada kolom kedua ditulis keterangan dengan S’t

3. Pada kolom ketiga ditulis keterangan dengan S” t

4. Pada kolom ke empat ditulis keterangan dengan at

5. Pada kolom ke lima ditulis keterangan dengan bt

6. Pada kolom ke enam ditulis keterangan dengan Ft+m

7. Pada kolom ke tujuh ditulis keterangan dengan error atau e

8. Pada kolom k delapan ditulis keterangan dengan e atau absolute error 9. Pada kolom ke sembilan ditulis keterangan dengan e2 ( square error )

Maka perhitungan masing-masing smoothing pertama, smoothing kedua, konstanta, slope dan forecast sebagai berikut :

1. Smoothing pertama, untuk tahun pertama ditentukan sebesar tahun pertama dari data historisnya sehingga rumus yang tertera pada sel B2 adalah A2. Sedangkan untuk tahun kedua dapat dihitung dengan rumus : 0.2*(A3)+(1-0.2)*B2 Dalam kasus ini menghasilkan angka : 574750.80 untuk tahun-tahun berikutnya hanya menyalin rumus tersebut.

2. Smoothing kedua, untuk tahun kedua ditentukan sebesar nilai penjualan tahun pertama dari data historisnya. Sehingga rumus yang tertera pada sel C2 adalah B2. Sedangkan untuk tahun kedua dapat dihitung dengan rumus : 0.2*(B3)+(1-0.2)*C2. Dalam kasus ini akan menghasilkan angka 571186.16 dan untuk tahun-tahun berikutnya hanya menyalin rumus tersebut.

3. Nilai at baru bias dicari pada tahun kedua yaitu dengan rumus : 2*B3-C3.

Dalam kasus ini menghasilkan angka 578315.44 dan untuk tahun-tahun berikutnya hanya menyalin rumus tersebut.

4. Nilai bt baru bias dicari pada tahun kedua yaitu dengan rumus yang tertera

pada sel E3 adalah : 0.2/(1-0.2)*(B3-C3). Dalam kasus ini menghasilkan angka 891.16 dan untuk tahun-tahun berikutnya hanya menyalin rumus tersebut.

5. Forecast Ft+m untuk tahun ketiga yaitu pada sel F4 dapat dicari dengan

menggunakan rumus : D3+E3*(1) Dalam kasus ini menghasilkan angka 35287.40 dan untuk tahun-tahun berikutnya hanya menyalin rumus tersebut.

5.3.1 Menghitung Ketepatan Peramalan

1 Jumlahkan error,absolute error dan square error dengan rumus : a. Untuk jumlah error dapat digunakan rumus = SUM (H4:H11)

Maka hasil jumlah error adalah : -259334,93

b. Untuk jumlah absolute error dapat digunakan rumus = SUM (K4:K11) Maka hasil jumlah absolute error adalah : -77,55717

c. Untuk jumlah square error dapat digunakan rumus = SUM (L4:L11) Maka hasil jumlah square error adalah : 140,4807

2 Hitung Mean Error (ME), Mean Absolute Error (MAE), Mean Square Absolute Error (MSE) :

a. Menghitung ME dengan rumus = H12/8 Maka hasil ME adalah : -32416,8661

b. Menghitung MAE dapat menggunakan rumus = I12/8 Maka hasil MAE adalah: 74225,82369

c. Menghitung MSE dapat menggunakan rumus = J12/8 Maka hasil MSE adalah : 10.130.015.686,28

5.6 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 bisa menggunakan icon chart wizard yang terdapat pada toolbar.

Adapun langkah-langkah yang diperlukan adalah :

1. Sorot sel atau range yang akan dibuat grafik pada tabel data. 2. Klik menu Insert, Chart.

3. Klik tipe dan sun tipe grafk misalnya tipe Colum dan sub tipe 3-D. 4. Klik Next.

5. Tentukan sumber data grafik. Jika sel pointer berada pada tabel data maka otomatis seluruh data tabel akan disorot dan ditandai dengan garis putus-putus. 6. Klik Next.

7. Tentukan keterangan pendukung grafik seperti titles (judul-judul tabel),axis (sumbu kordinat tabel), gridlines (garis bantu skala tabel), legends (keterangan tabel), dan labels (nama-nama data tabel), dan data tabel.

8. Klik Next

9. Pilih tempat untuk meletakkan grafik ini.

BAB 6

KESIMPULAN DAN SARAN

6.1. Kesimpulan

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

1. Pada hasil analisis Metode Smoothing Eksponensial dengan satu parameter dari Brown di dapat analisis dengan nilai MSE yang terkecil adalah dengan α =0,2 yakni dengan MSE = 10.130.015.686

2. Bentuk persamaan peramalan dari jumlah pelanggan listrik menurut besar arus yang dipakai PT.PLN ( Persero) Medan :

Ft+m= 439.644,39 + (-9.482,24) (m)

3. Diperkirakan jumlah pelanggan listrik menurut besar arus yang dipakai PT. PLN (Persero) Cabang Medan untuk 3 periode waktu adalah :

Tahun Periode Peramalan (dalam jiwa)

2009 11 430.162

2010 12 420.680

Karena yang diramalkan adalah dalam jiwa, maka nilai peramalan dari jumlah pelanggan yang diperoleh untuk tahun 2009, 2010, 2011 hasil akhirnya nilainya menggunakan pembulatan.

6.2 Saran

Penulis memberikan saran yang diharapkan dapat bermanfaat bagi pihak yang terkait, sebagai berikut :

Berdasarkan peramalan yang saya buat, jumlah pelanggan listrik setiap tahunnya sampai tahun 2011 mengalami penurunan. Hal ini disebabkan banyaknya para pelanggan yang beralih ke genset karena harnnya lebih murah. Jadi saya sarankan kepada PT. PLN untuk jangan terus menaikan tarif dasar listriknya serta memperbaiki layanannya agar para pelanggan tidak terus barpaling dari PT. PLN sebagai perusahaan listrik negara di Indonesia.

BAB 6

KESIMPULAN DAN SARAN

6.1. Kesimpulan

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

1. Pada hasil analisis Metode Smoothing Eksponensial dengan satu parameter dari Brown di dapat analisis dengan nilai MSE yang terkecil adalah dengan α =0,2 yakni dengan MSE = 10.130.015.686

2. Bentuk persamaan peramalan dari jumlah pelanggan listrik menurut besar arus yang dipakai PT.PLN ( Persero) Medan :

Ft+m= 439.644,39 + (-9.482,24) (m)

3. Diperkirakan jumlah pelanggan listrik menurut besar arus yang dipakai PT. PLN (Persero) Cabang Medan untuk 3 periode waktu adalah :

Tahun Periode Peramalan (dalam jiwa)

2009 11 430.162

2010 12 420.680

Karena yang diramalkan adalah dalam jiwa, maka nilai peramalan dari jumlah pelanggan yang diperoleh untuk tahun 2009, 2010, 2011 hasil akhirnya nilainya menggunakan pembulatan.

6.2 Saran

Penulis memberikan saran yang diharapkan dapat bermanfaat bagi pihak yang terkait, sebagai berikut :

Berdasarkan peramalan yang saya buat, jumlah pelanggan listrik setiap tahunnya sampai tahun 2011 mengalami penurunan. Hal ini disebabkan banyaknya para pelanggan yang beralih ke genset karena harnnya lebih murah. Jadi saya sarankan kepada PT. PLN untuk jangan terus menaikan tarif dasar listriknya serta memperbaiki layanannya agar para pelanggan tidak terus barpaling dari PT. PLN sebagai perusahaan listrik negara di Indonesia.

DAFTAR PUSTAKA

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

Badan Pusat Statistik ( BPS ) Propinsi Sumatera Utara. 2000. Sumatera Utara Dalam Angka 1999. Medan : BPS Propinsi Sumatera Utara.

Badan Pusat Statistik ( BPS ) Propinsi Sumatera Utara. 2003. Sumatera Utara Dalam Angka 2004. Medan : BPS Propinsi Sumatera Utara

Badan Pusat Statistik ( BPS ) Propinsi Sumatera Utara. 2007. Sumatera Utara Dalam Angka 2007. Medan : BPS Propinsi Sumatera Utara

Badan Pusat Statistik ( BPS ) Propinsi Sumatera Utara. 2008. Sumatera Utara Dalam Angka 2008. Medan : BPS Propinsi Sumatera Utara

Makridakis, Spyros, dan Whellwright, Steven C. 1993. Metode Dan Aplikasi Peramalan Edisi ke II. Jakarta: Erlangga.

KEMENTERIAN PENDIDIKAN NASIONAL UNIVERSITAS SUMATERA UTARA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

DEPARTEMEN MATEMATIKA

Jl. Bioteknologi No.1 Kampus USU, Telp. (061) 8211050, Fax (061) 8214290 Medan 20155

KARTU BIMBINGAN TUGAS AKHIR MAHASISWA

Nama Mahasiswa : Dwi Prasetyo Nomor Induk Mahasiswa : 072407038

Judul Tugas Akhir : Peramalan Jumlah Pelanggan Listrik Menurut Besar Arus

yang Dipakai PT. PLN Cabang Medan Untuk Tahun 2011 Berdasarkan Data Tahun 1999 - 2008

Dosen Pembimbing : Dra. Sinek Malem Pinem Tanggal Mulai Bimbingan : Desember 2009 Tanggal Selesai Bimbingan : Mei 2010

No. Tanggal Asistensi Bimbingan

Pembahasan Asistensi Pada Bab

Paraf Dosen

Pembimbing Keterangan 1 2 3 4 5 6 7 8 9 10

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

Diketahui,

Ketua Departemen Matematika Dosen Pembimbing,

Dr. Saib Suwilo, M.Sc Dra. Sinek Malem Pinem NIP. 19640109 198803 1 004 NIP. 19481121 198303 2 001

Hasil Uji Program Tugas Akhir SURAT KETERANGAN

Yang bertandatangan di bawah ini, menerangkan bahwa Mahasiswa Tugas Akhir Diploma III Ilmu Komputer / Statistika:

Nama : Dwi Prasetyo NIM : 072407038 Program Studi : Statistika

Judul TA : Peramalan Jumlah Pelanggan Listrik Menurut Besar Arus yang Dipakai PT. PLN Cabang Medan Untuk Tahun 2011

Telah melaksanakan test program Tugas Akhir Mahasiswa tersebut di atas pada tanggal ………

Dengan hasil : Sukses/Gagal

Demikian diterangkan untuk digunakan melengkapi syarat pendaftaran Uji Meja Hijau Tugas Akhir Mahasiswa bersangkutan di Departemen Matematika FMIPA USU Medan.

Medan,

Dosen Pembimbing / Kepala Lab,

Komput er DIII Statistika

Dra. Sinek Malem Pinem NIP. 19481121 198303 2 001