BAB 3
ANALISIS DATA
3.1 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 suatu masalah secara parsial atau keseluruhan. Untuk pemecahan masalah perlu dilakukan suatu analisis dan pengolahan data. Data yang akan diolah
adalah data jumlah produksi beras di Sumatera Utara tahun 2000 – 2008. Analisis yang dipakai dalam pengolahan data ini adalah analisis Pemulusan Smoothing
Eksponensial Ganda: Metode Linier Satu – Parameter dari Brown.
Universitas Sumatera Utara
3.2 Data yang Dibutuhkan
Tabel 3.1 Data Jumlah Produksi Beras di Sumatera Utara
Tahun Jumlah Produksi Ton
2000 1602345
2001 1879864
2002 1992889
2003 2150743
2004 2160669
2005 2178752
2006 2236789
2007 2250089
2008 2389765
Sumber: Badan Ketahanan Pangan
Grafik Data Aktual
700000 1400000
2100000 2800000
3500000
2000 2001
2002 2003
2004 2005
2006 2007
2008
Tahun P
r o
d u
k s
i
Data Aktual
Gambar 3.1 Grafik Data Aktual
Universitas Sumatera Utara
3.3 Analisis Pemulusan Smoothing Eksponensial Ganda: Metode Linier
Satu – Parameter dari Brown
Dalam pengolahan dan penganalisisan data, penulis mengaplikasikan data pada tabel 3.1 dengan Pemulusan Smoothing Eksponensial Ganda: Metode Linier Satu –
Parameter dari Brown.
Untuk memenuhi perhitungan smoothing eksponensial tunggal, ganda, dan ramalan yang akan datang, maka terlebih dahulu menentukan nilai parameter
α yang digunakan, dimana nilai parameter
α besarnya antara
1
α dengan cara
trial dan error. Adapun langkah-langkah yang ditempuh untuk menentukan bentuk persamaan peramalan dengan menggunakan Pemulusan Smoothing Eksponensial
Ganda: Metode Linier Satu – Parameter dari Brown adalah:
m b
a F
t t
m t
+ =
+
a. Menentukan nilai pemulusan eksponensial tunggal
t
S ′
1
1
−
′ −
+ =
′
t t
t
S X
S α
α
b. Menentukan nilai pemulusan eksponensial ganda
t
S ′′
1
1
−
′′ −
+ ′
= ′′
t t
t
S S
S α
α c. Menentukan nilai
t
a
t t
t t
S S
S a
′′ −
′ +
′ =
t t
t
S S
a ′′
− ′
= 2
Universitas Sumatera Utara
d. Menentukan nilai
t
b
t t
t
S S
b ′′
− ′
− =
α α
1
Universitas Sumatera Utara
Universitas Sumatera Utara
Universitas Sumatera Utara
Universitas Sumatera Utara
Universitas Sumatera Utara
Universitas Sumatera Utara
Universitas Sumatera Utara
Universitas Sumatera Utara
Universitas Sumatera Utara
Universitas Sumatera Utara
Berdasarkan dari tabel perhitungan peramalan dengan menggunakan nilai parameter α yang besarnya antara
1
α , maka diperoleh nilai Mean Square Error MSE.
Perbandingan nilai Mean Square Error MSE tersebut ditunjukkan dalam tabel berikut:
Tabel 3.11 Perbandingan Ukuran Ketepatan Metode Peramalan
α MSE
0,1 76628074632,56
0,2 25601667541,02
0,3 12233719641,82
0,4 7648637182,34
0,5 5519076934,83
0,6 4448161247,14
0,7 4083122753,96
0,8 4398138476,36
0,9 5547557349,20
Dari tabel 3.11 diatas dapat dilihat bahwa nilai Mean Square Error MSE yang terkecil adalah 4083122753,96 dengan
α = 0,7. Maka nilai parameter α yang
digunakan untuk menentukan bentuk persamaan peramalan adalah 0,7.
Universitas Sumatera Utara
Universitas Sumatera Utara
Grafik Pemulusan
700000 1400000
2100000 2800000
3500000
2000 2001
2002 2003
2004 2005
2006 2007
2008
Tahun
J u
m la
h P
ro d
u k
s i
Xt S
′t S
″t
Gambar 3.2 Grafik Pemulusan
Berdasarkan tabel 3.12 dengan α = 0,7, maka didapat persamaan peramalan:
m F
m t
94 ,
82831 01
, 2380269
+ =
+
3.4 Peramalan Jumlah Produksi Beras