Arti Analisis Data Data yang Dibutuhkan Analisis Pemulusan Smoothing Eksponensial Ganda: Metode Linier

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