Peramalan Nilai Penjualan Energi Gas Pada PT Perusahaan Gas Negara (PGN) Cabang Medan Tahun 2011

PERAMALAN NILAI PENJUALAN ENERGI GAS PADA

PT PERUSAHAAN GAS NEGARA (PGN) CABANG MEDAN

TAHUN 2011

TUGAS AKHIR

MARIANTI ROSANNA PASARIBU

072407066

PROGRAM STUDI DIPLOMA III STATISTIKA

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

PERSETUJUAN

Judul : PERAMALAN NILAI PENJUALAN ENERGI GAS

PADA PT PERUSAHAAN GAS NEGARA (PGN) CABANG MEDAN TAHUN 2011

Kategori : TUGAS AKHIR

Nama : MARIANTI ROSANNA PASARIBU

Nomor Induk Mahasiswa : 072407066

Program Studi : DIPLOMA III STATISTIKA

Departemen : MATEMATIKA

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

Diluluskan di Medan, Juni 2010

Diketahui/Disetujui oleh

Departemen Matematika FMIPA USU

Ketua, Pembimbing,

Dr. Saib Suwilo, M.Sc Drs. Pangeran Sianipar, MS

PERNYATAAN

PERAMALAN NILAI PENJUALAN ENERGI GAS PADA PT PERUSAHAAN GAS NEGARA (PGN) CABANG MEDAN

TAHUN 2011 TUGAS AKHIR

Saya mengakui bahwa Tugas Akhir ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing - masing disebutkan sumbernya.

Medan, Juni 2010

MARIANTI ROSANNA PASARIBU 072407066

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, karena atas berkat dan rahmat-Nya penyusunan Tugas Akhir ini dapat diselesaikan dalam waktu yang telah ditetapkan.

Ucapan terima kasih saya sampaikan kepada Drs. Pangeran Sianipar, MS selaku pembimbing pada penyusunan Tugas Akhir ini yang telah memberikan panduan, bimbingan, dan penuh kepercayaan kepada saya untuk menyempurnakan Tugas Akhir ini. Ucapan terima kasih juga ditujukan pada Ketua dan Sekretaris Departemen Matematika, Dr. Saib Suwilo, M.Sc dan Drs. Henri Rani Sitepu, M.Si, Dekan dan Pembantu Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) Universitas Sumatera Utara, semua Dosen pada Departemen Matematika FMIPA USU, pegawai di FMIPA USU, sahabat - sahabat yang terkasih Agnes, Ira, dan Friska, abang dan adikku tersayang Johan dan DUkio, serta rekan rekan seperjuangan selama mengikuti kuliah di Statistika D3 07 USU. Akhirnya tidak terlupakan kepada Bapak, Ibu, dan sanak keluarga yang selama ini memberikan bantuan dan dorongan yang diperlukan baik dalam doa maupun materil sehingga Tugas Akhir ini dapat selesai tepat pada waktunya. Semoga Tuhan Yang Maha Esa akan membalasnya.

DAFTAR ISI PERSETUJUAN PERNYATAAN PENGHARGAAN DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR BAB 1 PENDAHULUAN

1.1 Latar Belakang 1.2 Identifikasi Masalah 1.3 Batasan Masalah 1.4 Maksud dan Tujuan 1.5 Metodologi Penelitian 1.6 Sistematika Penulisan BAB 2 TINJAUAN TEORITIS

2.1 Pengertian Peramalan 2.2 Kegunaan Peramalan 2.3 Jenis - Jenis Peramalan 2.4 Metode Peramalan

2.4.1 Analisa Deret Berkala

2.4.2 Pemilihan Teknik dan Metode Peramalan 2.4.3 Penentuan Pola Data

2.5 Metode Pemulusan (Smoothing) 2.5.1 Metode yang Digunakan 2.6 Ketepatan Ramalan

2.7 Penentuan Koefisien Autokorelasi BAB 3 SEJARAH DAN STRUKTUR BPS

3.1 Sejarah Badan Pusat Statistik (BPS) 3.1.1 Masa Pemerintahan Hindia Belanda 3.1.2 Masa Pemerintahan Jepang

3.1.3 Masa Kemerdekaan Republik 3.1.4 Masa Orde Baru Sampai Sekarang 3.2 Visi dan Misi Badan Pusat Statistik 3.3 Struktur Organisasi Badan Pusat Statistik

3.4 Tugas dan Wewenang Masing - Masing Bagian di BPS 3.4.1 Bidang Tata Usaha

3.4.2 Bidang Statistik Produksi 3.4.3 Bidang Statistik Distribusi 3.4.4 Bidang Pengolahan Data 3.4.5 Bidang Statistik Kependudukan

BAB 4 ANALISA DAN PENGOLAHAN DATA 4.1 Data yang Dibutuhkan

4.2 Analisa Deret Berkala Nilai Penjualan Energi Gas Pada PT PGN Cabang Medan

4.3 Metode Smoothing Eksponensial Linear Satu Parameter dari Brown

4.3.1 Penaksiran Model Peramalan

4.3.2 Penentuan Bentuk Persamaan Peramalan 4.4 Peramalan Nilai Penjualan Gas

BAB 5 IMPLEMENTASI SISTEM

5.1 Pengertiana Implementasi Sistem 5.2 Microsoft Excel

5.3 Langkah - Langkah Memulai Pengolahan Data dengan Excel 5.4 Menghitung Ketepatan Peramalan

5.5 Grafik dalam Microsoft Excel BAB 6 KESIMPULAN DAN SARAN

6.1 Kesimpulan 6.2 Saran DAFTAR PUSTAKA LAMPIRAN

DAFTAR TABEL

Tabel 4.1Data Nilai Penjualan Energi Gas Pada PT. PGN (PERSERO) Cabang Medan

Tabel 4.2 Nilai Autokorelasi Data Nilai Penjualan Energi Gas Tabel 4.3 Nilai Koefisien Autokorelasi

Tabel 4.4 Menentukan Nilai MSE dengan Menggunakan = 0,1 Tabel 4.5 Menentukan Nilai MSE dengan Menggunakan = 0,2 Tabel 4.6 Menentukan Nilai MSE dengan Menggunakan = 0,3 Tabel 4.7 Menentukan Nilai MSE dengan Menggunakan = 0,4 Tabel 4.8 Menentukan Nilai MSE dengan Menggunakan = 0,5 Tabel 4.9 Menentukan Nilai MSE dengan Menggunakan = 0,6 Tabel 4.10 Menentukan Nilai MSE dengan Menggunakan = 0,7 Tabel 4.11 Menentukan Nilai MSE dengan Menggunakan = 0,8 Tabel 4.12 Menentukan Nilai MSE dengan Menggunakan = 0,9 Tabel 4.13 Perbandingan Ukuran Ketepatan Metode Peramalan Tabel 4.14 Aplikasi Pemulusan (Smoothing) Eksponensial Linear

Satu Parameter dari Brown Menggunakan = 0,7 Pada Data Nilai Penjualan Energi Gas

Tabel 4.15 Peramalan Nilai Penjualan Energi Gas (Rp 000.000) Pada PT PGN (PERSERO) Cabang Medan

DAFTAR GAMBAR

Gambar 4.1 Plot Data Nilai Penjualan Gas dari Tahun 1999-2008 Gambar 4.2 Distribusi Koefisien Autokorelasi Data Asli

Gambar 4.3 Plot Pemulusan Peramalan dengan = 0,7

Gambar 5.1 Langkah - Langkah Membuka Microsoft Office Excel 2007 Gambar 5.2 Tampilan Worksheet Microsoft Office Excel 2007

Gambar 5.3 Pengisian Data Pada Microsoft Office Excel 2007

Gambar 5.4 Aplikasi Pemulusan Eksponensial Linear Satu Parameter dari Brown Menggunakan = 0,7Pada Microsoft

Office Excel 2007

Gambar 5.5 Langkah Pembuatan Grafik Pada Microsoft Office Excel 2007 Gambar 5.6 Grafik Pada Microsoft Office Excel 2007

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Manusia merupakan makhluk sosial yang memiliki kebutuhan yang tak terbatas dengan ketersediaan kebutuhan yang terbatas. Manusia sebagai konsumen selalu berusaha mendapatkan pemenuhan kebutuhan primer maupun sekundernya. Sumber Daya Alam (SDA) adalah segala sesuatu yang ada di alam bumi ini yang dapat dipergunakan untuk pemenuhan hidup manusia. Dengan adanya sumber daya alam sebagai alat pemuas kebutuhan manusia, maka manusia dapat memanfaatkannya untuk berbagai pemenuhan kebutuhan seperti penggunaan air, tumbuh tumbuhan, tanah, hingga pemanfaatan gas alam serta minyak bumi. Tetapi sumber daya alam tidak semuanya dapat dimanfaatkan secara terus menerus. Karena itu, sumber daya alam dapat dibedakan menjadi beberapa jenis menurut kemampuan perbaharuannya yaitu :

1. Sumber daya alam yang dapat dipulihkan atau diperbaharui (renewable resources). Contohnya yaitu: tanah, air, vegetasi.

2. Sumber daya alam yang tidak dapat dipulihkan atau diperbaharui (non renewable resources). Contohnya barang tambang fosil (batu bara, minyak bumi, gas alam), mineral, batuan.

3. Sumber daya alam yang dapat digunakan secara terus menerus, contohnya yaitu energi matahari, pasang surut air laut, udara.

Salah satu sumber daya alam yang tidak dapat diperbaharui yaitu sumber daya dari pertambangan, sebenarnya bukan tidak dapat diperbaharui, namun untuk perbaharuan barang tambang pada umumnya membutuhkan waktu yang sangat lama yang tidak sesuai dengan jangkauan umur manusia. Perbaharuan barang tambang memerlukan waktu hingga jutaan tahun, sehingga termasuk dalam kategori sumber daya yang tidak dapat diperbarui. Pertambangan adalah rangkaian kegiatan dalam rangka upaya pencarian, penambangan (penggalian), pengolahan, pemanfaatan dan penjualan bahan galian (mineral, batubara, panas bumi, minyak dan gas). Salah satu dari sekian banyak barang dan produksi pertambangan yaitu gas alam(Nature Gas).

Gas alam yang sering juga disebut sebagai gas bumi atau gas rawa merupakan salah satu barang tambang berbentuk gas yang terdiri dari metana (CH4). Ditemukan di ladang minyak bersama minyak bumi, ladang gas bumi dan juga tambang batu bara. Gas bumi atau gas alam bukan saja merupakan gas bakar yang paling penting, tetapi juga merupakan bahan baku utama untuk berbagai sintesis kimia. Produk dari gas bumi yang terutama misalnya berbagai hidrokarbon dan LPG (liquified petroleum gas).

1. Gas alam sebagai bahan bakar

Antara lain sebagai bahan bakar Pembangkit Listrik Tenaga Gas/Uap, bahan bakar industri ringan, menengah dan berat, bahan bakar kendaraan bermotor, sebagai gas kota untuk kebutuhan rumah tangga hotel, restoran dan sebagainya.

2. Gas alam sebagai bahan baku

Antara lain bahan baku pabrik pupuk, petrokimia, metanol, pengawet makanan, pengelasan, dan sebagainya.

3. Gas alam sebagai komoditas energi untuk ekspor

Gas alam yang paling besar digunakan untuk komoditas ekspor di dunia yaitu LNG(Liquified Natural Gas)atau gas alam cair.

Gas alam sebagai bahan bakar dalam rumah tangga merupakan produk gas yang disalurkan dan dikemas dalam tabung (yang lebih banyak mengadung senyawa propana). PT Perusahaan Gas Negara (PGN) merupakan saluran pendistribusian gas yang diterima dari PT Pertamina. Dengan semakin naiknya nilai minyak bumi, maka proses pemulihan hasil gas makin ditingkatkan.

Melihat gas alam saat ini telah menjadi sumber energi alternatif yang banyak digunakan oleh masyarakat untuk berbagai keperluan, baik untuk perumahan, komersial maupun industri dan penggunaan gas alam selalu meningkat dari tahun ke tahun, sehingga penulis tertarik untuk mengetahui besar nilai penjualan energi gas yang diperoleh dari PT Perusahaan Gas Negara (PGN) Cabang Medan.

Oleh karena berbagai alasan di atas itulah maka penulis mencoba untuk meramalkan besarnya nilai penjualan energi gas pada PT PGN Cabang Medan untuk tahun 2011. Untuk mencapai tujuan yang diinginkan tersebut di atas, maka penulis mencoba membuat sebuah Tugas Akhir yang berjudul PERAMALAN NILAI PENJUALAN ENERGI GAS PADA PT PERUSAHAAN GAS NEGARA (PGN) CABANG MEDAN TAHUN 2011 .

1.2 Identifikasi Masalah

Saat ini, gas alam telah menjadi sumber daya alam yang banyak dimanfaatkan dalam kehidupan manusia. PT Perusahaan Gas Negara (PGN) merupakan sumber pendistribusian gas yang disalurkan dari Pertamina (dalam tekanan yang cukup tinggi) yang kemudian disalurkan kepada pelanggannya untuk berbagai kebutuhan yang semakin meningkat. Adapun yang menjadi masalah dalam tulisan ini adalah bagaimana peramalan nilai penjualan energi gas pada PT PGN Cabang Medan tahun 2011.

1.3 Batasan Masalah

Agar penelitian ini tepat pada sasaran yang dituju, maka penulis menetapkan pembatasan ruang lingkup permasalahan yang akan dibahas yaitu berdasarkan data nilai penjualan energi gas pada PT PGN Cabang Medan dari tahun 1999-2008.

1.4 Maksud dan Tujuan

Maksud dari penelitian ini adalah untuk meramalkan nilai penjualan energi gas pada PT PGN Cabang Medan tahun 2011 berdasarkan data dari tahun 1999-2008. Adapun tujuannya adalah untuk mengetahui peramalan nilai penjualan energi gas di masa yang akan datang sehingga dapat menjadi masukan bagi pembaca maupun PT PGN dalam mengambil keputusan.

1.5 Metodologi Penelitian

Metodologi penelitian dalam penyusunan Tugas Akhir ini adalah : 1. Metode Penelitian Kepustakaan (Studi Literatur)

Dalam hal ini pengumpulan data dilakukan dengan membaca buku buku ataupun literatur yang berhubungan dengan energi gas, pelajaran pelajaran yang didapat melalui perkuliahan serta sumber informasi lainnya yang berhubungan dengan objek yang diteliti.

2. Metode Pengumpulan Data

Pengumpulan data yang dilakukan penulis disini diperoleh melalui riset (pengambilan data) dengan menggunakan data sekunder dari kantor Badan Pusat Statistik (BPS) Propinsi Sumatera Utara Jl. Asrama No. 179, Medan. Data yang dikumpulkan kemudian disusun dan disajikan dalam bentuk angka angka dengan tujuan untuk mendapatkan gambaran yang jelas dari sekumpulan data yang diperoleh.

3. Pengolahan Data

Pengolahan data untuk meramalkan nilai penjualan energi gas pada PT PGN Cabang Medan adalah dengan menggunakan Metode Pemulusan (Smoothing) Eksponensial Ganda Satu Parameter dari Brown.

Persamaan yang dipakai dalam Metode Pemulusan (Smoothing) Eksponensial Ganda Satu Parameter dari Brown adalah sebagai berikut :

S't = Xt+ (1 - ) S't 1

S"t= S't+ (1 - ) S"t 1

at = S't+ (S't - S"t) = 2 S't - S"t

bt = _



1



S'tS ''t



Ft+m = at + btm

Dimana,

S't = nilai pemulusan eksponensial tunggal(single eksponensial smoothing value)

S"t = nilai pemulusan eksponensial ganda(double eksponensial smoothing value)

= parameter pemulusan eksponensial dengan besar 0 < < 1 at, , bt = konstanta pemulusan

Ft+m = hasil peramalan untuk m periode ke depan yang diramalkan

1.6 Sistematika Penulisan

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

Bab ini berisi latar belakang masalah, identifikasi masalah, batasan masalah, maksud dan tujuan, metodologi penelitian, dan sistematika penulisan.

BAB 2 : TINJAUAN TEORITIS

Bab ini menguraikan tentang segala sesuatu yang menyangkut terhadap penyelesaian masalah yang dihadapi, sesuai dengan judul yang diutarakan.

BAB 3 : SEJARAH SINGKAT TEMPAT RISET

Bab ini menjelaskan/menceritakan tentang sejarah singkat berdirinya BPS Propinsi Sumatera Utara.

BAB 4 : ANALISIS DAN PENGOLAHAN DATA

Bab ini menguraikan tentang data yang telah diamati beserta analisisnya

BAB 5 : IMPLEMENTASI SISTEM

Bab ini menguraikan tentang program atau software yang dipakai sebagai analisis terhadap data yang diperoleh yaitu dengan menggunakan Program Excel.

BAB 6 : KESIMPULAN DAN SARAN

Bab ini menguraikan tentang kesimpulan dan saran dari pembahasan di dalam penyelesaian Tugas Akhir ini.

BAB 2

TINJAUAN TEORITIS

2.1 Pengertian Peramalan

Kegiatan manusia senantiasa diarahkan pada kondisi pada waktu yang akan datang, yang keberadaannya tidak dapat diketahui secara pasti. Usaha untuk meminimalkan ketidakpastian tersebut lazim dilakukan dengan metode atau teknik peramalan tertentu (teknik merupakan bagian dari metode). Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi atau kapan suatu peristiwa akan terjadi/timbul, sehingga tindakan atau keputusan yang tepat dapat dilakukan. Dalam peramalan didasarkan pada bermacam macam cara yaitu Metode Perataan (Average), Metode Pemulusan(Smoothing)Eksponensial, dan Metode Box Jenkins.

Disamping itu, melalui metode atau teknik peramalan diharapkan dapat diidentifikasikan model yang akan digunakan untuk meramalkan kondisi pada waktu yang akan datang. Model peramalan itu secara umum dapat dikemukakan sebagai : Yt = pola + error. Jadi, data dibedakan menjadi komponen yang dapat diidentifikasi

peramalan adalah untuk mengidentifikasikan suatu model peramalan sedemikian rupa sehinggaerror-nya menjadi seminimal mungkin.

Penggunaan teknik peramalan diawali dengan pengeksplorasian kondisi (pola data) pada waktu waktu yang lalu guna mengembangkan model yang sesuai dengan pola data dengan menggunakan asumsi bahwa pola data pada waktu yang lalu itu akan berulang lagi pada waktu yang akan datang. Selanjutnya, model itu digunakan untuk meramalkan kondisi kondisi pada waktu waktu yang akan datang. Bila uraian mengenai kegiatan peramalan tersebut diamati, ada dua dimensi waktu yang tercakup, yaitu waktu yang lalu dimana data tersedia dan waktu yang akan datang dimana data tidak tersedia.

Kegiatan penerapan model yang telah dikembangkan pada waktu lalu dinamakan proyeksi, sedangkan kegiatan penerapan model yang telah dikembangkan pada waktu yang akan datang dinamakan peramalan. Penggunaan metode atau teknik peramalan dengan model yang diidentifikasikan secara tepat juga didukung oleh baik tidaknya data maupun informasi yang digunakan. Selama data maupun informasi yang digunakan tidak dapat meyakinkan seperti sumber dari data atau informasi yang tidak jelas, maka hasil peramalan yang disusun juga akan sulit dipercaya akan ketepatan dan keakuratannya.

2.2 Kegunaan 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. Jika waktu tenggang ini nol atau sangat kecil, maka perencanaan tidak diperlukan. Jika waktu tenggang ini panjang dan hasil peristiwa akhir bergantung pada faktor faktor yang dapat diketahui, maka perencanaan dapat memegang peranan penting.

Dalam sebuah instansi pemerintah maupun swasta, perencanaan sangat dibutuhkan untuk pengambilan keputusan untuk beberapa waktu kedepan. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Apalagi saat ini, telah terjadi kemajuan yang pesat dalam bidang peramalan. Beberapa kegunaan peramalan dalam bagian organisasi yaitu :

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 untuk produk, 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

3. Penentuan sumber daya yang diinginkan.

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

Tiga kelompok di atas merupakan bentuk khas dari keperluan peramalan jangka pendek, menengah, dan panjang dari organisasi saat ini selain bidang lainnya. Organisasi dalam membangun suatu sistem peramalan perlu memiliki pengetahuan dan keterampilan yang meliputi paling sedikit empat bidang : identifikasi dan definisi masalah peramalan ; aplikasi serangkaian metode peramalan ; prosedur pemilihan metode yang tepat untuk situasi tertentu ; dan dukungan organisasi untuk menerapkan dan menggunakan metode peramalan secara formal.

Berdasarkan uraian di atas, maka dapat dikatakan bahwa metode peramalan sangat dibutuhkan dan berguna untuk menganalisis data masa lalu untuk keperluan waktu yang akan datang. Sehingga, dengan metode peramalan akan diperoleh perencanaan yang teratur, terarah, dan sistematis sesuai hasil analisis yang tepat.

2.3 Jenis Jenis Peramalan

Berdasarkan sifat penyusunannya, teknik peramalan dapat dibagi dalam dua kategori utama yaitu :

1. Peramalan yang subjektif

Peramalan yang subjektif adalah yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan dari orang yang menyusunnya sangat menentukan baik tidaknya hasil ramalan tersebut.

2. Peramalan yang objektif

Peramalan yang objektif adalah peramalan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan teknik teknik dan metode metode dalam penganalisaan data tersebut.

Berdasarkan jangka waktu disusun, maka peramalan dapat dibedakan atas dua kategori utama yaitu :

1. Peramalan Jangka Panjang

Peramalan jangka panjang adalah peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya lebih dari satu setengah tahun. Misalnya, diperlukan penyusunan rencana pembangunan suatu negara atau daerah dan lain sebagainya.

2. Peramalan Jangka Pendek

peramalan penyusunan rencana produksi, rencana penjualan, rencana persediaan, dan lain sebagainya.

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

1. Peramalan yang Kualitatif atau Teknologis

Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada orang yang menyusunnya. Hal ini sangat penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, pendapat, dan pengetahuan dari orang yang menyusunnya. Metode kualitatif dapat dibagi menjadi dua yaitu metode eksploratoris dan normatif.

2. Peramalan Kuantitatif

Peramalan kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung kepada metode yang dipergunakan dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil peramalan yang berbeda pula. Baik tidaknya metode yang digunakan ditentukan oleh perbedaan atau penyimpangan hasil ramalan dengan kenyataan yang tejadi. Semakin kecil penyimpangan antara hasil dengan kenyataan yang terjadi berarti metode yang dipergunakan semakin baik. Metode kuantitatif dapat dibagi dalam deret berkala(time series)dan metode kausal.

Saat ini telah dikembangkan beberapa metode atau teknik teknik peramalan untuk menghadapi bermacam macam keadaan yang akan terjadi. Tetapi dalam hal

ini penulis membatasi bahwa metode peramalan yang akan digunakan dalam penyusunan Tugas Akhir ini adalah cara memperkirakan sesuatu yang akan terjadi di masa depan secara kuantitatif. Oleh karena itu, dalam pembahasan selanjutnya akan ditekankan pada peramalan kuantitatif. Pada dasarnya metode peramalan kuantitatif ini dibedakan atas :

1. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antar variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu(time series).

2. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya, bukan waktu, yang disebut dengan metode korelasi atau sebab akibat (causal methods).

Dalam penulisan Tugas Akhir ini, digunakan metode peramalan yang pertama, yaitu peramalan dengan menggunakan variabel waktu atau yang dikenal dengan time series .

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

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data

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

Kondisi yang terakhir ini dibuat sebagai asumsi yang berkesinambungan

(assumtion of mend continuity). Asumsi ini merupakan modal yang mendasari dari semua metode peramalan kuantitatif dan banyak metode peramalan teknologis, terlepas dari bagaimana canggihnya metode tersebut.

2.4 Metode Peramalan

Metode metode peramalan dengan analisa deret waktu yaitu : 1. Metode Pemulusan Eksponensial dan Rata Rata Bergerak

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

2. Metode Regresi

Metode ini bisa digunakan untuk ramalan jangka menengah dan jangka panjang.

3. MetodeBox-Jenkins

Jarang dipakai, namun baik untuk ramalan jangka pendek, menengah dan jangka panjang.

2.4.1 Analisa 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 satu atau beberapa kejadian serta hubungannya dengan kejadian lain.

Metode time series merupakan metode peramalan kuantitatif didasarkan atas penggunaan analisis pola hubungan antar variabel yang akan diperkirakan dengan variabel waktu. Tujuan time series ini mencakup meneliti pola data yang digunakan untuk meramalkan apakah data tersebut stasioner atau tidak dan ekstrapolasi ke masa yang akan datang. Stasioner itu sendiri berarti bahwa tidak dapat pertumbuhan atau penurunan data. Data secara kasar harus horizontal sepanjang waktu, dengan kata lain fluktuasi data tetap konstan setiap waktu.

2.4.2 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 analisa 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. Pertama adalah cakupan waktu di masa yang akan datang. Aspek kedua adalah 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 analisa keadaan untuk pengambilan keputusan.

4. Biaya yang Dibutuhkan

Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu prosedur peramalan. Yakni 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 dalam Penerapan

Metode metode yang dapat dimengerti dan mudah dialokasikan sudah merupakan suatu prinsip umum bagi pengambil keputusan.

2.4.3 Penentuan Pola Data

Hal penting harus 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 Data Horizontal

Pola ini terjadi bila berfluktuasi di sekitar nilai rata rata yang konstan. 2. Pola Data Musiman(Seosonal)

Pola yang menunjukkan perubahan yang berulang ulang secara periodik dalam deret waktu. Pola yang ini terjadi bila suatu deret dipengaruhi oleh faktor musiman, misalnya : kuartal tahun tertentu, bulanan, atau hari hari pada minggu tertentu.

3. Pola Siklis(Cyclical)

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

4. Pola Data Trend

2.5 Metode Pemulusan (Smoothing)

Metode pemulusan (smoothing) adalah metode peramalan dengan mengadakan penghalusan terhadap masa lalu, yaitu dengan mengambil rata rata dari nilai beberapa tahun lalu untuk menaksir nilai pada beberapa tahun ke depan. Secara umum metode pemulusan (smoothing) diklasifikasikan menjadi dua bagian :

1. Metode Rata - Rata

Metode rata rata dibagi atas empat bagian : 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 memanfaatkan data masa lalu untuk mengembangkan suatu sistem peramalan pada periode mendatang.

2. Metode Pemulusan Eksponensial

Bentuk umum dari metode pemulusan eksponensial :

Ft+1= Xt+ (1- ) Ft

Dimana :

Ft+1 = ramalan suatu periode ke depan

Xt = data aktual pada periode ke-t

Ft = ramalan pada periode ke-t

Metode pemulusan (smoothing) eksponensial merupakan sekelompok metode yang menunjukkan pembobotan menurun secara eksponensial terhadap nilai observasi yang lebih tua atau dengan kata lain nilai observasi yang baru diberikan bobot yang relatif lebih besar dibandingkan nilai observasi yang lebih tua. Metode ini terdiri atas : 1. Metode Pemulusan (Smoothing) Eksponensial Tunggal

a. Satu Parameter(One Parameter)

b. Pendekatan Aditif

Digunakan untuk data yang bersifat stasioner dan tidak menunjukkan pola data atau trend.

2. Metode Pemulusan (Smoothing) Eksponensial Ganda a. Metode Linear Satu Parameter dari Brown b. Metode Dua Parameter dari Holt

3. Metode Pemulusan (Smoothing) Eksponensial Triple a. Metode Kuadratik Satu Parameter dari Brown

Digunakan untuk pola data kuadratik, kubik, atau orde yang lebih tinggi. b. Metode Kecendrungan dan Musim Tiga Parameter dari Winter

Digunakan untuk data berbentuk trend dan musiman.

2.5.1 Metode yang Digunakan

Untuk mendapatkan hasil ramalan yang baik, maka harus diketahui cara peramalan yang tepat. Data penjualan energi gas ke dalam grafis menunjukkan pola data trend linear yang dapat dilihat dari plot autokorelasi nilai - nilai autokorelasi yang menunjukkan pola data trend linear. Maka metode peramalan deret berkala yang digunakan untuk meramalkan nilai penjualan energi gas pada pemecahan masalah ini adalah dengan menggunakan Metode Pemulusan (Smoothing) Eksponensial Ganda Satu Parameter dari Brown.

Metode ini merupakan metode linear yang dikemukakan oleh Brown. Dasar pemikiran dari Metode Pemulusan (Smoothing) Eksponensial Linear Satu Parameter dari Brown adalah serupa dengan rata - rata bergerak linear, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data sebenarnya. Bila terdapat unsur trend, perbedaan nilai pemulusan tunggal dan ganda dapat ditambahkan kepada pemulusan tunggal dan disesuaikan untuk trend.

Persamaan yang dipakai dalam pelaksanaan metode Pemulusan (Smoothing) Ekponensial Linear Satu Parameter dari Brown adalah sebagai berikut :

S't = Xt+ (1 - ) S't 1

S"t= S't+ (1 - ) S"t 1

at = S't+ (S't - S"t) = 2 S't - S"t

bt = _



1



S'tS ''t



Ft+m = at + btm

Dimana,

S't = nilai pemulusan eksponensial tunggal(single eksponensial smoothing value)

S"t = nilai pemulusan eksponensial ganda(double eksponensial smoothing value)

= parameter pemulusan eksponensial dengan besar 0 < < 1 at, , bt = konstanta pemulusan

Ft+m = hasil peramalan untuk m periode ke depan yang diramalkan

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. Maka untuk menguji kebenaran ramalan digunakan kriteria ketepatan ramalan.

Beberapa kriteria yang digunakan untuk menguji ketepatan ramalan adalah : 1. ME (Mean Error) / Nilai Tengah Kesalahan

ME =

N e N t t



_1

MSE =

N e N t t



_1 2

3. MAE (Mean Absolute Error) / Nilai Tengah Kesalahan Absolut MAE =

N e N t t



_1

4. MAPE (Mean Absolute Percentage Error) / Nilai Tengah Kesalahan Persentase Absolut MAPE = N PE N t t



_1

5. MPE (Mean Percentage Error) / Nilai Tengah Kesalahan Persentase MPE =

N PE N

t t



_1

Dimana :

et = Xt- Ft(kesalahan pada periode ke-t)

Xt = data aktual pada periode ke-t

PEt =

     t t t X F

X _{100 (kesalahan persentase pada periode ke-t)}

Ft = nilai ramalan pada periode ke-t

Metode peramalan yang dipilih adalah metode yang memberikan nilai MSE yang terkecil.

2.7 Penentuan Koefisien Autokorelasi

Koefisien autokorelasi berfungsi untuk menunjukkan suatu deret berkala itu sendiri dengan selisih 1,2 periode atau lebih. Koefisien autokorelasi yang menggambarkan 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 :

rk=

 



 





       n t t k n

t t t k

Y Y Y Y Y Y 1 2 1 Dimana :

rk = koefisien autokorelasi

Yt = data aktual pada periode ke-t

Y = nilai tengah dari data aktual

Yt+k = data aktual pada periode ke-t dengan kelambatan(time lag)k

Rumus sederhana yang biasa digunakan untuk menghitung kesalahan standar adalah :

Serk=

n

1 Dimana :

n = banyak data asli

Serk = kesalahan standar dari rk

Batas signifikan koefisien autokorelasi adalah : -1,96 Serk rk +1,96 Serk

Dengan koefisien autokorelasi dapat ditentukan apakah suatu pola data bersifat acak, konstan, atau musiman. Koefisien autokorelasi juga dapat memperlihatkan ketidakstasioneran data.

Apabila berada di luar rentang nilai maka koefisien autokorelasi tersebut berada secara signifikan dari nol maka data tersebut menunjukkan pola trend.

BAB 3

SEJARAH DAN STRUKTUR BPS

Sejarah Badan Pusat Statistik (BPS)

Badan Pusat Statistik (BPS) adalah Lembaga Negara Non Departemen. Badan Pusat Statistik melakukan kegiatan yang ditugaskan oleh pemerintah antara lain pada bidang pertanian, agraria, pertambangan, kependudukan, sosial, ketenagakerjaan, keuangan, pendapatan, dan keagamaan. Selain hal - hal tersebut Badan Pusat Statistik juga bertugas untuk melaksanakan koordinasi di lapangan, kegiatan statistik dari segenap instansi baik di pusat maupun daerah dengan tujuan mencegah dilakukannya pekerjaan yang serupa oleh dua atau lebih instansi, memajukan keseragaman dalam penggunaan definisi, klasifikasi, dan ukuran - ukuran lainnya. Berikut ini beberapa masa peralihan di BPS yaitu :

Masa Pemerintahan Hindia Belanda

Handel), dan berkedudukan di Bogor. Kantor ini ditugaskan untuk mengelola dan mempublikasikan data statistik.

Pada bulan Maret 1923, dibentuk suatu Komisi untuk statistik yang anggotanya merupakan tiap tiap Departemen. Komisi tersebut diberi tugas merencanakan tindakan yang mengarah sejauh mungkin untuk mencapai kesatuan dalam kegiatan di bidang statistik di Indonesia.

Pada tanggal 24 September 1924, nama lembaga tersebut diganti dengan nama Central Kantor Vor de Statistik (CKS) atau Kantor Statistik dan dipindahkan ke Jakarta. Bersama dengan itu, beralih juga pekerjaan mekanisme statistik perdagangan yang semula dilakukan oleh Kantor Invoer Uitvoer en Accijnsen (IUA) yang disebut sekarang Kantor Bea dan Cukai.

3.1.2 Masa Pemerintahan Jepang

Pada bulan Juni 1944, pemerintahan Jepang baru mengaktifkan kembali kegiatan statistik yang utamanya diarahkan untuk memenuhi kebutuhan perang atau militer. Pada masa ini juga CKS diganti nama menjadiShomubu Chosasitu Gunseikanbu.

3.1.3 Masa Kemerdekaan Republik

Setelah proklamasi kemerdekaan Republik Indonesia tanggal 17 Agustus 1945, kegiatan statistik ditangani oleh lembaga atau instansi baru sesuai dengan suasana kemerdekaan yaitu KPPURI (Kantor Penyelidikan Perangkaan Umum Republik Indonesia). Tahun 1946, kantor KPPURI dipindahkan ke Yogyakarta sebagai hasil dari perjanjian Linggarjati. Sementara itu, pemerintahan Belanda (NICA) di Jakarta mengaktifkan kembali CKS.

Dengan surat Menteri Perekonomian tanggal 1 Maret 1952 No. P/44, lembaga KPS berada di bawah dan bertanggung jawab kepada Menteri Perekonomian. Selanjutnya, keputusan Menteri Perekonomian tanggal 24 September 1953 No. 18.009/M KPS dibagi menjadi 2 (dua) bagian, yaitu bagian research yang disebut Afdeling A dan bagian penyelenggaraan tata usaha yang disebut Afdeling B.

Dengan Keputusan Presiden RI No. 131 tahun 1957, kementerian perekonomian dipecah menjadi kementerian perdagangan dan kementerian perindustrian. Untuk selanjutnya, Keputusan Presiden RI No. 172 tahun 1957, terhitung mulai tanggal 1 Juni 1957 KPS diubah menjadi Biro Pusat Statistik.

3.1.4 Masa Orde Baru Sampai Sekarang

handal, lengkap, tepat, akurat, dan terpercaya mulai diadakan pembenahan Organisasi Biro Pusat Statistik.

Dalam masa orde baru ini BPS telah mengalami empat kali perubahan Struktur Organisasi yaitu :

1. Peraturan Pemerintah No. 16 tahun 1968 tentang Organisasi BPS. 2. Peraturan Pemerintah No. 6 tahun 1980 tantang Organisasi BPS.

3. Peraturan Pemerintah No. 2 tahun 1992 tentang kedudukan, tugas, fungsi, suasana, 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 tahun 1998 tentang organisasi dan tata kerja BPS.

7. PP 51 tahun 1999 tentang penyelenggaraan statistik.

Tahun 1968, ditetapkan Peraturan Pemerintah No. 16 tahun 1968 yaitu yang mengatur organisasi dan tata kerja di pusat dan di daerah. Tahun 1980, Peraturan Pemerintah No. 6 tahun 1980 tentang organisasi sebagai pengganti Peraturan Pemerintah No. 16 tahun 1968 di tiap Propinsi dan di Kabupaten atau Kotamadya terdapat cabang perwakilan Badan Pusat Statistik. Pada tanggal 19 Mei 1997 menetapkan tentang statistik sebagai pengganti Undang - Undang Nomor : 6 dan 7 tentang sensus dan statistik. Pada tanggal 17 Juni 1998 dengan Keputusan RI No. 86 tahun 1998 ditetapkan Biro Pusat Statistik sekaligus mengatur tata kerja dan struktur organisasi Badan Pusat Statistik yang baru.

3.2 Visi dan Misi Badan Pusat Statistik

a. Visi Badan Pusat Statistik

Badan Pusat Statistik mempunyai visi menjadikan informasi statistik sebagai tulang punggung informasi pembangunan nasional dan regional, didukung sumber daya manusia yang berkualitas, ilmu pengetahuan dan teknologi informasi yang mutakhir.

b. Misi Badan Pusat Statistik

Dalam perjuangan pembangunan nasional, Badan Pusat Statistik mengembangkan misi mengarahkan pembangunan statistik pada penyajian data statistik yang bermutu handal, efektif, dan efisien, peningkatan kesadaran masyarakat akan arti dan kegunaan statistik dan pengembangan ilmu pengetahuan statistik.

3.3 Struktur Organisasi Badan Pusat Statistik

Organisasi merupakan suatu fungsi manajemen yang mempunyai peranan dan kegiatan langsung dengan instansi sosial yang terjadi di antara individu - individu dalam rangka kerjasama untuk mencapai tujuan yang telah ditetapkan. Struktur organisasi perusahaan merupakan salah satu faktor penting yang mempengaruhi tingkat keberhasilan suatu perusahaan dalam mencapai suatu tujuan yang ditetapkan. Dengan adanya struktur organisasi maka akan jelaslah pemisahan tugas dari para

Struktur organisasi yang ditetapkan di Kantor Badan Pusat Statistik adalah struktur organisasi ini dan staf. Struktur ini mengandung unsur - unsur spesialisasi kerja, standardisasi kegiatan, sentralisasi dan desentralisasi dalam pembuatan keputusan dan ukuran satuan yang menunjukkan lokasi kekuasaan, pembuatan keputusan, dan ukuran satuan yang menunjukkan suatu kelompok kerja.

Adapun tujuan dari struktur organisasi ini dan staf di Kantor Badan Pusat Statistik (BPS) Propinsi Sumatera Utara adalah :

a. Pengkoordinasian yaitu yang memungkinkan komunikasi integrasi berbagai departemen dan kegiatan - kegiatan yang saling berhubungan satu sama lain. b. Pemberian saran yaitu memberikan saran atau membuat rekomendasi bagi

manajemen.

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

Adapun bagan struktur organisasi Badan Pusat Statistik Propinsi Sumatera Utara adalah sebagai berikut :

Peraturan Presiden Republik Indonesia Nomor : 86 tahun 1998 ditetapkan Badan Pusat Statistik sebagaimana lampiran dalam organisasi Kantor Badan Pusat Statistik Propinsi Sumatera Utara dipimpin oleh seorang Kepala Kantor.

Kepala Kantor dibantu tata usaha yang terdiri dari : a. Sub Bagian Urusan Dalam

b. Sub Bagian Perlengkapan c. Sub Bagian Keuangan d. Sub Bagian Kepegawaian

e. Sub Bagian Bina Potensi/Bina Program

Sedangkan Bidang Penunjang Statistik terdiri dari 5(lima) bidang yaitu : 1. Bidang Statistik Produksi

Bidang Statistik Produksi mempunyai tugas untuk melaksanakan kegiatan statistik pertanian, industri, konstruksi pertambangan dan energi.

2. Bidang Statistik Distibusi

Bidang Statistik Distribusi mempunyai tugas melaksanakan kegiatan statistik konsumen, perdagangan besar, statistik keuangan dan harga produsen serta niaga dan jasa.

3. Bidang Statistik Kependudukan

Bidang BPS Kependudukan mempunyai tugas melaksanakan kegiatan statistik demografi dan rumah tangga, statistik tenaga kerja, serta statistik kesejahteran. 4. Bidang Integrasi Pengolahan dan Diseminasi Statistik (IPDS)

Bidang IPDS mempunyai tugas untuk penyiapan data, penyusunan sistem, dan program serta operasional pengolahan data dengan program komputer.

5. Bidang Neraca Wilayah dan Analisis Statistik

Bidang Neraca Wilayah dan Analisis Statistik mempunyai tugas untuk penyusunan neraca produksi, neraca konsumsi, dan akumulasi penyajian analisis serta kegiatan penerapan statistik.

3.4 Tugas dan Wewenang Masing - Masing Bagian di Badan Pusat Statistik

3.4.1 Bidang Tata Usaha

1. Menyusun program kerja tahunan bidang.

2. Mengatur dan melaksanakan perhimpunan dan penyusunan program kerja tahunan, baik rutin maupun proyek kantor BPS propinsi dan menyampaikan ke BPS.

3. Mengatur dan melaksanakan urusan dalam yang meliputi surat - surat penggandaan atau percetakan, kearsipan, rumah tangga, pemeliharaan gedung, keamanan dan ketertiban lingkungan serta perjalanan dinas dalam dan luar negeri.

4. Mengatur dan melaksanakan urusan perlengkapan dan pembekalan yang meliputi penyusunan rencana kebutuhan, penyaluran, dan pengemasan penyimpanan pergudangan, iventarisasi, penghapusan serta pemeliharaan peralatan dan perlengkapan.

5. Mengatur dan melaksanakan urusan keuangan yang meliputi tata usaha keuangan, pembendaharaan, verifikasi, dan pembukuan.

6. Mengatur dan melaksanakan urusan dan mutasi pegawai, pembinaan pegawai, kesejahteraan pegawai, administrasi jabatan fungsional, hukum, organisasi tata laksana serta penyajian.

7. Menyusun laporan kegiatan sevara berkala dan sewaktu - waktu.

8. Mengatur dan melaksanakan urusan penyelenggaraan berbagai pelatihan teknis dan pelatihan administratif.

3.4.2 Bidang Statistik Produksi

1. Menyusun program kerja tahunan bidang yang meliputi kegiatan statistik pertanian, industri, konstruksi energi, dan statistik produksi lainnya yang ditemukan.

2. Mengatur keikutsertaan program latihan yang diselenggarakan oleh pusat bidang statistik produksi.

3. Membantu kepala kantor BPS atau pimpinan proyek atau bagian proyek untuk menyiapkan program petugas bagian lapangan.

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

5. Mengatur dan melaksanakan penjatahan dan pengawasan lapangan terhadap pelaksanaan lapangan produksi.

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

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

8. Mengatur dan melaksanakan evaluasi hasil kerja kegiatan statistik produksi. 9. Mengatur dan menyiapkan hasil pengolahan statistik produksi yang akan

dikirim ke pusat melalui komputer sesuai dengan jadwal yang ditentukan. 10. Membantu Kepala Kantor Badan Pusat Statistik melakukan pembinaan secara

teratur petugas pencacah, pengawas, dan pemeriksaan pengumpulan data statistik produksi, kabupaten, kotamadya maupun kecamatan.

3.4.3 Bidang Statistik Ditribusi

1. Menyusun program kerja tahunan bidang yang meliputi kegiatan statistik pertanian, industri, konstruksi energi, dan statistik produksi lainnya yang ditemukan.

2. Mengatur keikutsertaan program pelatihan yang diselenggarakan oleh pusat di bidang statistik ditribusi.

3. Membantu kepala kantor BPS propinsi atau pimpinan proyek untuk menyiapkan program tugas lapangan.

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

5. Mengatur dan melaksanakan penjatahan dan pengawasan lapangan terhadap pelaksanaan lapangan statistik distribusi.

3.4.4 Bidang Pengolahan Data

1. Menyusun program kerja tahunan bidang.

2. Meneliti jenis data yang diolah melalui komputer dan bersama - sama dengan bidang yang bersangkutan serta menentukan sistem pengolahan dengan komputer.

3. Mengatur pembuatan sistem dan program pelaksanaan penyiapan data dan operasi pengolahannya.

4. Mengatur dan melaksanakan penerimaan dokumen yang diolah dengan komputer.

5. Mengatur dan melaksanakan tugas yang langsung diberikan atasan.

3.4.5 Bidang Statistik Kependudukan

1. Menyusun program kerja tahunan bidang.

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

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

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

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

3.4.6 Bidang Neraca Wilayah dan Analisa

1. Menyusun program kerja tahunan.

2. Menyusun dan melaksanakan penerangan kegiatan statistik kepada masyarakat, instansi lainnya maupun media massa.

BAB 4

ANALISIS DAN PENGOLAHAN DATA

4.1 Data yang Dibutuhkan

Tabel 4.1 Data Nilai Penjualan Energi Gas Pada PT. Perusahaan Gas Negara (PGN) Cabang Medan

NO Tahun Nilai Penjualan

(Rp 000.000)

1 1999 45.744,90

2 2000 55.399,40

3 2001 106.967,30

4 2002 180.144,00

5 2003 214.475,00

6 2004 241.517,68

7 2005 336.368,53

8 2006 338.810,76

9 2007 240.163,15

0 50000 100000 150000 200000 250000 300000 350000 400000

1 3 5 7 9

N ila i P en ju al an Periode

Time Series Plot

Nilai Penjualan Periode

Gambar 4.1 Plot Data Nilai Penjualan Gas dari Tahun 1999 - 2008

4.2 Analisa Deret Berkala Nilai Penjualan Energi Gas Pada PT PGN Cabang Medan

Untuk menganalisa data deret berkala, terlebih dahulu kita harus melakukan plot data pada tabel 4.1 secara grafis, seperti yang terlihat pada gambar 4.1. Sesudah melakukan plot data deret berkala untuk pemeriksaan secara visual, maka alat statistik yang utama adalah koefisien autokorelasi (rk). Statistik ini menggambarkan hubungan

antara suatu deret berkala dengan deret berkala itu sendiri pada kelambatan waktu (lag time) k periode.

Bentuk visual dari suatu plot deret berkala sering kali cukup untuk meyakinkan orang yang melakukan peramalan terhadap suatu data deret berkala tertentu bahwa data tersebut adalah stasioner atau tidak stasioner. Dengan demikian plot data autokorelasi data memperlihatkan ketidakstasioneran.

Tampilan plot data nilai penjualan energi gas di atas menunjukkan bahwa data asli tersebut tidak stasioner. Untuk memperkuat gambar 4.1 ini perlu dihitung koefisien autokorelasi dari data tabel 4.1 pada berbagai time lag. Dengan menggunakan rumus :

rk=

 



 





       n t t k n

t t t k

Y Y Y Y Y Y 1 2 1

Nilai - nilai autokorelasi data nilai penjualan energi gas :

Untuk r1

r1= _{2 2}

) 475 . 201 26 , 189 . 255 ( ... ) 475 . 201 9 , 744 . 45 ( ) 475 . 201 26 , 189 . 255 )( 475 . 201 15 , 163 . 240 ( ... ) 475 . 201 4 , 399 . 55 )( 475 . 201 9 , 744 . 45 (          

= _{2 2}

) 26 , 53714 ( ... ) 1, 155730

(1,)( 146075 ,6) ... (38688 5,)(53714 ,26) 155730 (        = 65 ,1 98189728950,17 7013385355

= 0,71 Untuk r2

r2= _{2 2}

) 201475 26 , 255189 ( ... ) 201475 9 , 45744

(106967,3 201475) ... (338810,76 201475)(255189,26 201475) )( 201475 9 , 45744 (         

= _{2 2}

) 26 , 53714 ( ... ) 1, 155730

()( 94507 ,7) ... (137335 ,76)(53714 ,26) 1, 155730 (      

=

65 ,1 98189728957,54 3560264071 = 0,36

Dengan demikian, maka autokorelasi untuk time lag ke-3 dan seterusnya dapat kita peroleh dari persamaan tersebut. Maka dengan cara yang sama akan diperoleh koefisien autokorelasi berikut :

Tabel 4.2 Nilai Autokorelasi Data Nilai Penjualan Energi Gas

No Yt Yt-1 Yt Y Y t1Y

 

Yt Y Yt1Y



 

2

Y Yt 

1 45.744,90 - -155.730,10 - - 24.251.863.423,09

2 55.399,40 45.744,90 -146.075,60 -155.730,10 22.748.367.191,95 21.338.080.331,06

3 106.967,30 55.399,40 -94.507,70 -146.075,60 13.805.268.500,95 8.931.704.981,26

4 180.114,00 106.967,30 -21.361,00 -94.507,70 2.018.778.747,96 456.292.235,56

5 214.475,00 180.114,00 13.000,00 -21.361,00 -277.693.016,72 169.000.052,00

6 241.517,68 214.475,00 40.042,68 13.000,00 520.554.946,09 1.603.416.381,75

7 336.368,53 241.517,68 134.893,53 40.042,68 5.401.498.805,73 18.196.264.975,44

8 338.810,76 336.368,53 137.335,76 134.893,53 18.525.706.006,09 18.861.111.524,12

9 240.163,15 338.810,76 38.688,15 137.335,76 5.313.266.835,29 1.496.773.105,18

10 255.189,26 240.163,15 53.714,26 38.688,15 2.078.105.532,82 2.885.221.942,20

Jumlah 2.014.749,98 0 -53.714,26 70.133.853.550,17 98.189.728.951,65

Tabel 4.3 Nilai Koefisien Autokorelasi

Time Lag r

1 0,71

2 0,36

3 0,05

4 -0,21

5 -0,40

6 -0,47

7 -0,33

8 -0,14

9 -0,09

Sumber : Perhitungan

Dari data analisis deret berkala dengan autokorelasi serta nilai - nilai autokorelasi data nilai penjualan energi gas dapat dilihat bahwa pola trend linear serta menunjukkan bahwa data tersebut tidak stasioner. Maka dapat diplot autokorelasi data pertumbuhan nilai penjualan energi gas setelah dicari autokorelasinya.

-0,6 -0,4 -0,20 0,2 0,4 0,6 0,8

1 3 5 7 9

Time Lag

Autokorelasi Nilai Penjualan Energi Gas

Autokorelasi

Gambar 4.2 Distribusi Koefisien Autokorelasi Data Asli

Dari plot autokorelasi data di atas dapat dilihat trend searah diagonal, bersama dengan jumlah time lag dimana nilai - nilai autokorelasi menurun secara perlahan - lahan. Dan dapat meyakinkan peramalan dalam menganalisa adanya kestasioneran atau ketidakstasioneran data.

Adapun kesalahan standar (Se)rk=

n

1 =

10 1 = 0,3162

Dengan tingkat kepercayaan 95% dari seluruh koefisien berdasarkan sampel harus terletak dalam daerah tengah ditambah atau dikurangi 1,96 kali kesalahan standar. Dengan demikian suatu deret data dapat dituliskan dengan :

Nilai koefisien autokorelasi time lag 1 berada di luar rentang, jadi berbeda secara signifikan dari nol, yang berarti ada hubungan yang signifikan antara nilai suatu variabel dengan nilai variabel itu sendiri dengan time lag suatu periode yang menunjukkan pola trend.

4.3 Metode Pemulusan (Smoothing) Eksponensial Linear Satu Parameter dari Brown

4.3.1 Penaksiran Model Peramalan

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

Untuk memenuhi perhitungan smoothing eksponensial ganda, tunggal, dan ramalan yang akan datang maka terlebih dahulu penulis akan menentukan parameter nilai yang biasanya dihitung secara trial and error (coba dan salah). Suatu nilai dipilih yang besarnya 0< <1, dihitung Mean Square Error (MSE) yang merupakan suatu ukuran ketepatan perhitungan dengan mengkuadratkan masing - masing kesalahan untuk masing - masing item dalam sebuah susunan data dan kemudian dicoba nilai yang lain.

Untuk menghitung MSE pertama kali dicari error terlebih dahulu, yang merupakan hasil dari data asli dikurangi hasil ramalan. Lalu tiap error dikuadratkan

dan dibagi dengan banyaknya error. Secara sistematik rumus MSE (Mean Square Error)sebagai berikut :

MSE =

N e N t t

Tabel 4.4 Menentukan Nilai MSE dengan Menggunakan = 0,1

Xt S't S"t at bt Ft+m et et2

45.744,90 45.744,90 45.744,90 - - - -

-55.399,40 46.710,35 45.841,45 47.579,26 96,54 - -

-106.967,30 52.736,05 46.530,91 58.941,19 689,46 47.675,80 59.291,50 3.515.481.972,25

180.114,00 65.473,84 48.425,20 82.522,48 1.894,29 59.630,65 120.483,36 14.516.238.832,06

214.475,00 80.373,96 51.620,07 109.127,84 3.194,88 84.416,78 130.058,22 16.915.141.630,03

241.517,68 96.488,33 56.106,90 136.869,76 4.486,83 112.322,71 129.194,97 16.691.339.149,30

336.368,53 120.476,35 62.543,84 178.408,85 6.436,94 141.356,58 195.011,95 38.029.659.367,42

338.810,76 142.309,79 70.520,44 214.099,14 7.976,59 184.845,80 153.964,96 23.705.209.504,42

240.163,15 152.095,13 78.677,91 225.512,34 8.157,47 222.075,74 18.087,41 327.154.568,22

255.189,26 162.404,54 87.050,57 237.758,51 8.372,66 233.669,81 21.519,45 463.086.606,75

TOTAL 114.163.311.630,46

Sumber : Perhitungan

Untuk = 0,1 , N = 8

Maka : MSE =

N e N t t



_1 2

=

8 .630,46 311

. 163 . 114

Tabel 4.5 Menentukan Nilai MSE dengan Menggunakan = 0,2

Xt S't S"t at bt Ft+m et et2

45.744,90 45.744,90 45.744,90

55.399,40 47.675,80 46.131,08 49.220,52 386,18

106.967,30 59.534,10 48.811,68 70.256,52 2.680,60 49.606,70 57.360,60 3.290.238.432,36

180.114,00 83.650,08 55.779,36 111.520,80 6.967,68 72.937,12 107.176,88 11.486.883.606,53

214.475,00 109.815,06 66.586,50 153.043,62 10.807,14 118.488,48 95.986,52 9.213.412.789,60

241.517,68 136.155,59 80.500,32 191.810,85 13.913,82 163.850,76 77.666,92 6.032.149.716,68

336.368,53 176.198,18 99.639,89 252.756,46 19.139,57 205.724,67 130.643,86 17.067.817.883,96

338.810,76 208.720,69 121.456,05 295.985,33 21.816,16 271.896,03 66.914,73 4.477.580.904,68

240.163,15 215.009,18 140.166,68 289.851,69 18.710,63 317.801,49 -77.638,34 6.027.712.453,10

255.189,26 223.045,20 156.742,38 289.348,02 16.575,70 308.562,32 -53.373,06 2.848.683.175,92

TOTAL 60.444.478.962,84

Sumber : Perhitungan

Untuk = 0,2 , N = 8

Maka : MSE =

N e N t t



_1 2

=

8 .962,84 478

. 444 . 60

Tabel 4.6 Menentukan Nilai MSE dengan Menggunakan = 0,3

Xt S't S"t at bt Ft+m et et2

45.744,90 45.744,90 45.744,90

55.399,40 48.641,25 46.613,81 50.668,70 868,91

106.967,30 66.139,07 52.471,38 79.806,75 5.857,58 51.537,60 55.429,70 3.072.451.642,09

180.114,00 100.331,55 66.829,43 133.833,66 14.358,05 85.664,33 94.449,68 8.920.741.107,61

214.475,00 134.574,58 87.152,98 181.996,19 20.323,55 148.191,71 66.283,29 4.393.474.798,36

241.517,68 166.657,51 111.004,34 222.310,69 23.851,36 202.319,73 39.197,95 1.536.479.131,33

336.368,53 217.570,82 142.974,28 292.167,35 31.969,94 246.162,05 90.206,48 8.137.209.789,92

338.810,76 253.942,80 176.264,84 331.620,76 33.290,56 324.137,30 14.673,46 215.310.525,85

240.163,15 249.808,90 198.328,06 301.289,75 22.063,22 364.911,32 -124.748,17 15.562.105.569,80

255.189,26 251.423,01 214.256,54 288.589,48 15.928,49 323.352,97 -68.163,71 4.646.291.779,73

TOTAL 46.484.064.344,68

Sumber : Perhitungan

Untuk = 0,3 , N = 8

Maka : MSE =

N e N t t



_1 2

=

8 .344,68 064

. 484 . 46

Tabel 4.7 Menentukan Nilai MSE dengan Menggunakan = 0,4

Xt S't S"t at bt Ft+m et et2

45.744,90 45.744,90 45.744,90

55.399,40 49.606,70 47.289,62 51.923,78 1.544,72

106.967,30 72.550,94 57.394,15 87.707,73 10.104,53 53.468,50 53.498,80 2.862.121.601,44

180.114,00 115.576,16 80.666,95 150.485,37 23.272,81 97.812,26 82.301,74 6.773.576.407,03

214.475,00 155.135,70 110.454,45 199.816,94 29.787,50 173.758,18 40.716,82 1.657.859.430,91

241.517,68 189.688,49 142.148,07 237.228,91 31.693,62 229.604,44 11.913,24 141.925.230,11

336.368,53 248.360,51 184.633,04 312.087,97 42.484,98 268.922,53 67.446,00 4.548.962.905,21

338.810,76 284.540,61 224.596,07 344.485,15 39.963,03 354.572,95 -15.762,19 248.446.495,90

240.163,15 266.789,62 241.473,49 292.105,76 16.877,42 384.448,17 -144.285,02 20.818.167.784,08

255.189,26 262.149,48 249.743,89 274.555,07 8.270,39 308.983,18 -53.793,92 2.893.785.877,17

TOTAL 39.944.845.731,85

Sumber : Perhitungan

Untuk = 0,4 , N = 8

Maka : MSE =

N e N t t



_1 2

=

8 .731,85 845

. 944 . 39

Tabel 4.8 Menentukan Nilai MSE dengan Menggunakan = 0,5

Xt S't S"t at bt Ft+m et et2

45.744,90 45.744,90 45.744,90

55.399,40 50.572,15 48.158,53 52.985,78 2.413,63

106.967,30 78.769,73 63.464,13 94.075,33 15.305,60 55.399,40 51.567,90 2.659.248.310,41

180.114,00 129.441,86 96.452,99 162.430,73 32.988,87 109.380,93 70.733,08 5.003.167.898,96

214.475,00 171.958,43 134.205,71 209.711,15 37.752,72 195.419,60 19.055,40 363.108.269,16

241.517,68 206.738,06 170.471,88 243.004,23 36.266,17 247.463,87 -5.946,19 35.357.160,65

336.368,53 271.553,29 221.012,59 322.094,00 50.540,70 279.270,40 57.098,13 3.260.196.592,24

338.810,76 305.182,03 263.097,31 347.266,75 42.084,72 372.634,70 -33.823,94 1.144.059.022,82

240.163,15 272.672,59 267.884,95 277.460,23 4.787,64 389.351,46 -149.188,31 22.257.153.146,05

255.189,26 263.930,92 265.907,94 261.953,91 -1.977,01 282.247,87 -27.058,61 732.168.320,17

TOTAL 35.454.458.720,47

Sumber : Perhitungan

Untuk = 0,5 , N = 8

Maka : MSE =

N e N t t



_1 2

=

8 .720,47 458

. 454 . 35

Tabel 4.9 Menentukan Nilai MSE dengan Menggunakan = 0,6

Xt S't S"t at bt Ft+m et et2

45.744,90 45.744,90 45.744,90

55.399,40 51.537,60 49.220,52 53.854,68 3.475,62

106.967,30 84.795,42 70.565,46 99.025,38 21.344,94 57.330,30 49.637,00 2.463.831.769,00

180.114,00 141.986,57 113.418,12 170.555,01 42.852,66 120.370,32 59.743,68 3.569.307.299,94

214.475,00 185.479,63 156.655,03 214.304,23 43.236,90 213.407,68 1.067,32 1.139.180,52

241.517,68 219.102,46 194.123,49 244.081,43 37.468,46 257.541,13 -16.023,45 256.750.937,08

336.368,53 289.462,10 251.326,66 327.597,55 57.203,17 281.549,89 54.818,64 3.005.083.124,80

338.810,76 319.071,30 291.973,44 346.169,15 40.646,78 384.800,72 -45.989,96 2.115.076.170,62

240.163,15 271.726,41 279.825,22 263.627,60 -12.148,22 386.815,94 -146.652,79 21.507.040.222,54

255.189,26 261.804,12 269.012,56 254.595,68 -10.812,66 251.479,38 3.709,88 13.763.230,24

TOTAL 32.931.991.934,75

Sumber : Perhitungan

Untuk = 0,6 , N = 8

Maka : MSE =

N e N t t



_1 2

=

8 .934,75 991

. 931 . 32

Tabel 4.10 Menentukan Nilai MSE dengan Menggunakan = 0,7

Xt S't S"t at bt Ft+m et et2

45.744,90 45.744,90 45.744,90

55.399,40 52.503,05 50.475,61 54.530,50 4.730,71

106.967,30 90.628,03 78.582,30 102.673,75 28.106,69 59.261,20 47.706,10 2.275.871.977,21

180.114,00 153.268,21 130.862,43 175.673,98 52.280,14 130.780,45 49.333,56 2.433.799.648,94

214.475,00 196.112,96 176.537,80 215.688,12 45.675,37 227.954,12 -13.479,12 181.686.568,14

241.517,68 227.896,26 212.488,73 243.303,80 35.950,92 261.363,49 -19.845,81 393.856.156,69

336.368,53 303.826,85 276.425,41 331.228,29 63.936,69 279.254,73 57.113,80 3.261.986.688,45

338.810,76 328.315,59 312.748,53 343.882,64 36.323,12 395.164,97 -56.354,21 3.175.797.471,00

240.163,15 266.608,88 280.450,78 252.766,98 -32.297,76 380.205,76 -140.042,61 19.611.932.899,23

255.189,26 258.615,15 265.165,84 252.064,46 -15.284,94 220.469,23 34.720,03 1.205.480.669,35

TOTAL 32.540.412.079,02

Sumber : Perhitungan

Untuk = 0,7 , N = 8

Maka : MSE =

N e N t t



_1 2

=

8 .079,02 412

. 540 . 32

Tabel 4.11 Menentukan Nilai MSE dengan Menggunakan = 0,8

Xt S't S"t at bt Ft+m et et2

45.744,90 45.744,90 45.744,90

55.399,40 53.468,50 51.923,78 55.013,22 6.178,88

106.967,30 96.267,54 87.398,79 105.136,29 35.475,01 61.192,10 45.775,20 2.095.368.935,04

180.114,00 163.344,71 148.155,52 178.533,89 60.756,74 140.611,30 39.502,70 1.560.463.307,29

214.475,00 204.248,94 193.030,26 215.467,63 44.874,73 239.290,63 -24.815,63 615.815.393,03

241.517,68 234.063,93 225.857,20 242.270,67 32.826,94 260.342,36 -18.824,68 354.368.546,98

336.368,53 315.907,61 297.897,53 333.917,69 72.040,33 275.097,61 61.270,92 3.754.126.059,19

338.810,76 334.230,13 326.963,61 341.496,65 29.066,08 405.958,02 -67.147,26 4.508.754.989,63

240.163,15 258.976,55 272.573,96 245.379,13 -54.389,65 370.562,73 -130.399,58 17.004.051.069,23

255.189,26 255.946,72 259.272,17 252.621,27 -13.301,79 190.989,48 64.199,78 4.121.611.445,20

TOTAL 34.014.559.745,60

Sumber : Perhitungan

Untuk = 0,8 , N = 8

Maka : MSE =

N e N t t



_1 2

=

8 .745,60 559

. 014 . 34

Tabel 4.12 Menentukan Nilai MSE Menggunakan = 0,9

Xt S't S"t at bt Ft+m et et2

45.744,90 45.744,90 45.744,90

55.399,40 54.433,95 53.565,05 55.302,86 7.820,14

106.967,30 101.713,97 96.899,07 106.528,86 43.334,03 63.123,00 43.844,30 1.922.322.642,49

180.114,00 172.274,00 164.736,50 179.811,49 67.837,43 149.862,89 30.251,11 915.129.958,74

214.475,00 210.254,90 205.703,06 214.806,74 40.966,56 247.648,92 -33.173,92 1.100.508.968,17

241.517,68 238.391,40 235.122,57 241.660,24 29.419,51 255.773,30 -14.255,62 203.222.563,30

336.368,53 326.570,82 317.425,99 335.715,64 82.303,42 271.079,74 65.288,79 4.262.625.599,55

338.810,76 337.586,77 335.570,69 339.602,84 18.144,70 418.019,07 -79.208,31 6.273.955.836,74

240.163,15 249.905,51 258.472,03 241.338,99 -77.098,66 357.747,54 -117.584,39 13.826.088.579,92

255.189,26 254.660,89 255.042,00 254.279,77 -3.430,03 164.240,33 90.948,93 8.271.707.000,35

TOTAL 36.775.561.149,26

Sumber : Perhitungan

Untuk = 0,9 , N = 8

Maka : MSE =

N e N t t



_1 2

=

8 .149,26 561

. 775 . 36

Kemudian salah satu nilai MSE tersebut dibandingkan untuk menentukan nilai yang memberikan nilai MSE yang terkecil / minimum. Perbandingan ukuran ketepatan metode peramalan peningkatan nilai penjualan energi gas pada PT PGN Cabang Medan dengan melihat MSE sebagai berikut :

Tabel 4.13 Perbandingan Ukuran Ketepatan Metode Peramalan

2

e MSE

0,1 114.163.311.630,46 14.270.413.953,81

0,2 60.444.478.962,84 7.555.559.870,35

0,3 46.484.064.344,68 5.810.508.043,08

0,4 39.944.845.731,85 4.993.105.716,48

0,5 35.454.458.720,47 4.431.807.340,06

0,6 32.931.991.934,75 4.116.498.991,84

0,7 32.540.412.079,02 4.067.551.509,88

0,8 34.014.559.745,60 4.251.819.968,20

0,9 36.775.561.149,26 4.596.945.143,66

Sumber : Perhitungan

Dari Tabel 4.13 di atas, dapat dilihat bahwa yang menghasilkan nilai MSE yang paling kecil / minimum yaitu pada = 0,7 yaitu dengan MSE = 4.067.551.509,88.

Tabel 4.14 Aplikasi Pemulusan (Smoothing) Eksponensial Linear Satu Parameter dari Brown Menggunakan = 0,7 Pada Data Nilai Penjualan Energi Gas

Xt S't S"t at bt Ft+m et abset et2

45.744,90 45.744,90 45.744,90

55.399,40 52.503,05 50.475,61 54.530,50 4.730,71

106.967,30 90.628,03 78.582,30 102.673,75 28.106,69 59.261,20 47.706,10 47.706,10 2.275.871.977,21

180.114,00 153.268,21 130.862,43 175.673,98 52.280,14 130.780,45 49.333,56 49.333,56 2.433.799.648,94

214.475,00 196.112,96 176.537,80 215.688,12 45.675,37 227.954,12 -13.479,12 13.479,12 181.686.568,14

241.517,68 227.896,26 212.488,73 243.303,80 35.950,92 261.363,49 -19.845,81 19.845,81 393.856.156,69

336.368,53 303.826,85 276.425,41 331.228,29 63.936,69 279.254,73 57.113,80 57.113,80 3.261.986.688,45

338.810,76 328.315,59 312.748,53 343.882,64 36.323,12 395.164,97 -56.354,21 56.354,21 3.175.797.471,00

240.163,15 266.608,88 280.450,78 252.766,98 -32.297,76 380.205,76 -140.042,61 140.042,61 19.611.932.899,23

255.189,26 258.615,15 265.165,84 252.064,46 -15.284,94 220.469,23 34.720,03 34.720,03 1.205.480.669,35

TOTAL -40.848,26 418.595,24 32.540.412.079,02

Ukuran ketepatan Metode Peramalan dengan = 0,7 : 1. ME (Mean Error) / Nilai Tengah Kesalahan

ME =

N e N t t



_1

=

8 ,26 848 . 40



= - 5.106,03

2. MSE (Mean Square Error) / Nilai Tengah Kesalahan Kuadrat MSE =

N e N t t



_1 2

=

8 .079,02 412 . 540 . 32 = 4.067.551.509,88

3. MAE (Mean Absolute Error) / Nilai Tengah Kesalahan Absolut MAE =

N e N t t



_1

=

8 ,24 595 . 418 = 52.324,41

4. MAPE (Mean Absolute Percentage Error) / Nilai Tengah Kesalahan Persentase Absolut

MAPE =

N PE N

t t



_1

, PEt= 100

     t t t XF X =

8,02 192 = 24,00%

5. MPE (Mean Percentage Error) / Nilai Tengah Kesalahan Persentase MPE =

N PE N

t t



_1

= 8,13 13 = 1,64%

4.3.2 Penentuan Bentuk Persamaan Peramalan

Setelah ditentukan harga parameter smoothing eksponensial yang besarnya 0< <1 dengan cara trial and error didapat perhitungan peramalan smoothing eksponensial linear satu parameter dari Brown dengan = 0,7.

Perhitungan pada tabel 4.14 di atas didasarkan pada = 0,7 dan ramalan untuk satu periode ke depan yaitu dalam perhitungan periode ke-11, serta gambarsmoothing

0 100.000 200.000 300.000 400.000 500.000

1 3 5 7 9

Ni

lai

Pe

nj

ua

lan

Periode Plot Pemulusan

Data Asli Pemulusan Pertama Pemulusan Kedua Ramalan

Gambar 4.3 Plot Pemulusan Peramalan dengan = 0,7

Seperti yang sudah dijelaskan pada bab 2 (tinjauan teoritis) persamaan yang dipakai dalam perhitungan peramalan ini sebagai berikut :

S't = Xt+ (1 - ) S't 1

S"t= S't+ (1 - ) S"t 1

at = S't+ (S't - S"t) = 2 S't - S"t

bt = _



1



S'tS ''t



Ft+m = at + btm

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

4.4 Peramalan Nilai Penjualan Gas

Setelah diketahui bahwa error yang didapat pada model peramalan bersifat random maka dilakukan peramalan nilai penjualan gas untuk tahun 2009-2011 dengan menggunakan persamaan :

Ft+m = 252.064,46 + (-15.284,94) (m)

Setelah diperoleh model peramalan nilai penjualan gas maka dapat dihitung untuk 3 periode ke depan, yaitu untuk tahun 2009-2011 seperti yang tertera di bawah ini :

a. Untuk Periode 11 (tahun 2009)

Ft+m = 252.064,46 + (-15.284,94) (m)

F10+1= 252.064,46 + (-15.284,94) (1)

F11 = 236.779,52

b. Untuk Periode 12 (tahun 2010)

Ft+m = 252.064,46 + (-15.284,94) (m)

F10+2= 252.064,46 + (-15.284,94) (2)

F12 = 221.494,57

c. Untuk Periode 13 (tahun 2011)

Ft+m = 252.064,46 + (-15.284,94) (m)

F10+3= 252.064,46 + (-15.284,94) (3)

Tabel 4.15 Peramalan Nilai Penjualan Energi Gas (Rp 000.000) Pada PT PGN Cabang Medan

Tahun Periode Peramalan (Forecasting)

2009 11 236.779,52

2010 12 221.494,57

2011 13 206.209,63

BAB 5

IMPLEMENTASI SISTEM

5.1 Pengertian Implementasi Sistem

Implementasi sistem adalah prosedur yang dilakukan untuk menyelesaikam desain sistem yang ada dalam desain sistem yang telah disetujui, menginstal, dan memulai sistem baru yang diperbaiki.

Tujuan dari implementasi sistem adalah sebagai berikut :

1. Menyelesaikan desain sistem yang ada dalam dokumen sistem yang disetujui. 2. Menulis, menguji, dan mendokumentasikan program program dan prosedur

-prosedur yang diperlukan oleh dokumen desain sistem yang disetujui. 3. Memastikan bahwa personal dapat mengoperasikan sistem baru. 4. Memperhitungkan bahwa sistem memenuhi permintaan pemakai.

5. Memastikan bahwa konveksi ke sistem yang baru berjalan dengan benar.

Implementasi yang sudah selesai harus diuji coba kehandalannya sehingga dapat diketahui kehandalannya dari sistem yang ada dan telah sesuai dengan apa yang

perangkat lunak sebagai implementasi sistem yaitu program Excel dalam masalah memperoleh hasil perhitungan.

Microsoft Excel

Microsoft Excel merupakan program aplikasi lembar kerja elektronik (spread sheet) dari program paket Microsoft Office. Excel merupakan salah satu software pengolah angka yang cukup banyak digunakan di dunia. Excel merupakan program unggulan dari Microsoft Corporation yang banyak berperan dalam pengelolaan informasi 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, dan versi 2007.

Sheetatau lembar kerja Excelterdiri dari 256 kolom dan 65.536 baris. Kolom diberi nama dengan huruf mulai dari A, B, C, , Z kemudian dilanjutkan AA, AB, AC, , sampai kolom IV. Sedangkan baris ditandai dengan angka mulai 1, 2, 3, , 65.536.

5.3 Langkah - Langkah Memulai Pengolahan Data dengan Excel

Sebelum mengoperasikan software ini, pastikan bahwa pada komputer terpasang program Excel. Langkah - langkahnya sebagai berikut :

a. Klik tombol start

b. Pilih All Program dan klik Microsoft office, kemudian klik Microsoft Office Excel 2007 seperti di bawah ini :

Gambar 5.1 Langkah - Langkah Membuka Microsoft Office Excel 2007

Pengisian data tiap tahun pada 3 kolom pertama :

a. Pada kolom ke-1 (kolom A) diisi dengan periode. b. Pada kolom ke-2 (kolom B) diisi dengan tahun.

c. Pada kolom ke-3 (kolom C) diisi dengan data nilai penjualan gas pada PT.Perusahaan Gas Negara (PGN) Cabang Medan.

Maka muncul tampilan seperti di bawah ini :

Gambar 5.3 Pengisian Data Pada Microsoft Office Excel 2007

Dari data di atas, kita dapat menentukan besarnya ramalan dengan = 0,7. Dan untuk setiap perhitungan akan diberi nama tiap kolom sebagai berikut : 1. Pada kolom ke-4, ditulis keterangan dengan S't

2. Pada kolom ke-5, ditulis keterangan dengan S"t

3. Pada kolom ke-6, ditulis keterangan dengan at

4. Pada kolom ke-7, ditulis keterangan dengan bt

6. Pada kolom ke-9, ditulis keterangan denganerror(e)

7. Pada kolom ke-10, ditulis keterangan dengan e atauabsolute error

8. Pada kolom ke-11, ditulis keterangan dengane2_{atausquare error}

Maka perhitungan masing - masing pemulusan pertama (S't), pemulusan kedua

(S"t), konstanta (at), slope (bt), forecast (Ft+m), error (e), absolute error (e), dan

square error(e2_{) adalah sebagai berikut :}

1. Pemulusan Pertama

Untuk tahun pertama yaitu tahun 1999 ditentukan sebesar periode pertama dari data historisnya, sehingga rumus yang tertera pada sel D6 adalah : =C6

Sedangkan untuk periode kedua yaitu untuk tahun 2000 dapat menggunakan rumus =0,7*C7+(1-0,7)*D6

Untuk periode ketiga sampai periode kesepuluh kita hanya menyalin rumus pada sel D7.

2. Pemulusan Kedua

Untuk periode pertama ditentukan sebesar periode pertama dari data historisnya. Sehingga rumus yang tertera pada sel E6 adalah : =D6

Sedangkan untuk rumus periode kedua dapat dihitung dengan menggunakan rumus =0,7*D7+(1-0,7)*E6

Untuk periode ketiga sampai periode kesepuluh kita hanya menyalin rumus pada sel E7.

3. Konstanta

Nilai atbaru bisa dicari pada periode kedua yaitu pada tahun 2000.

Rumus yang dapat kita gunakan untuk sel F7 adalah =(2*D7)-E7 Untuk tahun - tahun berikutnya kita hanya menyalin rumus pada sel F7. 4. Slope

Nilai btbaru bisa dicari pada tahun kedua yaitu 2000.

Rumus yang kita gunakan untuk sel G7 adalah =(0,7/(1-0,7))*(D7-E7) Untuk tahun - tahun berikutnya kita hanya menyalin rumus pada sel G7. 5. Forecast

Nilai Ft+mbaru bisa dicari pada periode ketiga yaitu pada tahun 2001.

Rumus yang kita gunakan untuk sel H8 adalah =F7+G7

Untuk tahun - tahun berikutnya kita hanya menyalin rumus pada sel H8. 6. Error

Untuk periode ketiga yaitu pada sel I8 dapat dicari dengan menggunakan rumus C8-H8

Untuk tahun - tahun berikutnya kita hanya menyalin rumus pada sel I8. 7. Absolute Error

Menunjukkan kesalahan meramal, tanpa menghiraukan tanda positif maupun negatif. Sehingga pada sel J8 pada periode ketiga dapat dihitung dengan menggunakan rumus =ABS(I8)

8. Square Error

Menunjukkan kuadrat dari kesalahan meramal, sehingga rumus yang digunakan pada sel K8 adalah =I8^2

Untuk tahun - tahun berikutnya kita hanya menyalin rumus pada sel K8.

5.4 Menghitung Ketepatan Peramalan

1. Jumlaherror,absolute error, dansquare errordengan rumus : a. Untuk jumlaherrordapat digunakan rumus =SUM(I8:I15)

Maka hasilnya adalah : -40.848,26.

b. Untuk jumlahabsolute errordapat digunakan rumus =SUM(J8:J15) Maka hasilnya adalah : 418.595,24

c. Untuk jumlahsquare errordapat digunakan rumus =SUM(K8:K15) Maka hasilnya adalah : 32.540.412.079,02.

2. Menghitung Mean Error (ME), Mean Absolute Error (MAE), dan Mean Square Error (MSE)

a. Menghitung ME dapat menggunakan rumus =I16/8 Maka hasilnya adalah -5.106,03.

c. Menghitung MSE dapat menggunakan rumus =K16/8 Maka hasilnya adalah 4.067.551.509,88.

Hasil yang diperoleh dari Aplikasi Pemulusan Eksponensial Linear Satu Parameter dari Brown Menggunakan = 0,7 pada Data Nilai Penjualan Energi Gas dapat dilihat sebagai berikut :

Gambar 5.4 Aplikasi Pemulusan Eksponensial Linear Satu Parameter dari Brown Menggunakan = 0,7 Pada Microsoft Office Excel 2007

5.5 Grafik dalam Microsoft Excel

Salah satu fasilitas Microsoft Excel adalah kemampuan untuk membuat grafik (chart) sehingga data dalam bentuk angka - angka yang tersusun dalam tabel dapat dipresentasikan ke dalam bentuk yang lebih menarik yakni dalam grafik bentuk batang, garis, kolom, lingkaran, dan bentuk grafik lainnya. Grafik ini sering digunakan

untuk menunjukkan persentasi dari sebuah penelitian atau menampilkan hasil dari data yang telah diolah.

Langkah - langkah dalam membuat grafik adalah :

a. Arahkan pointer sel pada tabel data yang akan dibuat grafik.

b. Klik menuInsert,chart, kemudian pilih line dan tentukan tipe grafiknya dan klik OK. Maka akan muncul tampilan di bawah ini :

Gambar 5.5 Langkah Pembuatan Grafik Pada Microsoft Office Excel 2007

c. Klik menuLayout, kemudian tentukan keterangan pendukung grafik seperti chart title(judul grafik), axis title(judul - judul pada sumbu koordinat), dan legend

Nilai Penjualan Energi Gas

Pada PT. Perusahaan Gas Negara (PGN) Cabang Medan

NO Tahun Nilai Penjualan

(Rp 000.000)

1 1999 45744.90

2 2000 55399.40

3 2001 106967.30

4 2002 180144.00

5 2003 214475,00

6 2004 241517,68

7 2005 336368,53

8 2006 338810,76

9 2007 240163,15

10 2008 255189,26

STRUKTUR ORGANISASI BADAN PUSAT STATISTIK (BPS)

KEPALA WAKIL KEPALA DEPUTI

ADMINISTRASI Perencanaan danDEPUTI Analisis Statistik DEPUTI Statistik Produksi dan Kependudukan DEPUTI Statistik Distribusi dan Neraca Nasional

Pusat Pendidikan dan Pelatihan Statistik dan

Komputer Biro Umum

Biro

Perencanaan Biro StatistikPeretanian

Biro Statistik Harga dan Keuangan Biro Kepegawaian dan Hukum Biro Metodologi Statistik Biro Statistik Industri Biro Statistik Perdagangan dan Jasa Biro Perlengkapan dan Penggandaan Biro Penyajian dan Pelayanan Statistik Biro Statistik Demografi dan Tenaga Kerja Biro Neraca Produksi Biro Analisis dan Pengembangan Statistik Biro Statistik Kesejahteraan Rakyat Biro Neraca Konsultasi Biro Sistem Informasi Statistik Inspektorat

DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS SUMATERA UTARA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM Jln. Bioteknologi No.1 Kampus USU Padang Bulan Medan 20155

Telp.(061) 8211050, 8214290, Fax.(061) 8214290

Nomor : / H5.2.1.8 / SPB / 2010 Medan, Februari 2010

Lampiran :

-Hal : Pengumpulan Data Riset Mahasiswa

Program Diploma III Statistika

Departemen Matematika FMIPA USU Kepada Yth :

Bapak Pimpinan Badan Pusat Statistik (BPS) Sumatera Utara Jl. Asrama No. 179

Medan

Dengan hormat, bersama ini kami memohon kesediaan Bapak untuk menerima Mahasiswa Program Diploma III Statistika FMIPA USU, untuk melakukan penelitian atau pengumpulan data atas nama :

NIM Nama Program Studi

072407066 Marianti Rosanna Pasaribu DIII Statistika

Data yang dimaksud untuk diolah dan khusus dipergunakan untuk menyusun Tugas Akhir Mahasiswa yang bersangkutan pada Program Diploma III Statistika FMIPA USU.

Demikian hal ini kami sampaikan, atas kerjasama dan bantuan Bapak diucapkan terima kasih.

A.n. Dekan

Pembantu Dekan I

Dr. Sutarman, M.Sc

NIP.19631026 199103 1 001

Tembusan :

1. Yth. Ketua Program Studi DIII Statistika 2. Arsip

BADAN PUSAT STATISTIK

PROVINSI SUMATERA UTARA

Medan, April 2010

Nomor : 12.563.

Lampiran :

Perihal : Surat Riset Pengumpulan Data

Kepada Yth,

Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara

Di

Medan Dengan Hormat,

Bersama ini diberitahukan bahwa Mahasiswa Program D3 Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera utara, yang tertera di bawah ini:

Nama : Marianti Rosanna Pasaribu

NIM : 072407066

Program studi : D3 Statistika

Adalah benar telah melaksanakan penelitian di Badan Pusat Statistik Provinsi Sumatera Utara Jalan Asrama No.179 Medan sebanyak tiga kali, terhitung tanggal 25 Februari 2010, 3 Maret 2010, dan 17 Maret 2010. Kegiatan ini dilaksanakan guna menyelesaikan Tugas Akhir pada Program Studi D3 Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.

Demikianlah surat ini diperbuat untuk dapat dipergunakan seperlunya.

A.n Kepala BPS Provinsi Sumatera Utara Kepala Seksi Diseminasi dan Layanan Statistik

Fendi Dewanto

NIP. 19760502 199712 1 001

SURAT KETERANGAN

Hasil Uji Implementasi Sistem Tugas Akhir

Yang bertanda tangan di bawah ini, menerangkan bahwa Tugas Akhir Mahasiswa Program Studi Diploma III Statistika :

Nama : MARIANTI ROSANNA PASARIBU

NIM : 072407066 Program Studi : D III Statistika

Judul Tugas Akhir : Peramalan Nilai Penjualan Energi Gas Pada PT Perusahaan Gas Negara (PGN) Cabang Medan Tahun 2011

Telah melaksanakan tes program Tugas Akhir Mahasiswa tersebut di atas pada tanggal Mei 2010

Dengan hasil : Sukses / Gagal

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

Medan, Mei 2010 Dosen Pembimbing

Drs. Pangeran Sianipar, MS NIP : 19470208 197403 1 001

KEMENTERIAN PENDIDIKAN NASIONAL UNIVERSITAS SUMATERA UTARA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM PROGRAM STUDI D-3 ILMU KOMPUTER/STATISTIKA Jln. Bioteknologi No.1 Kampus USU Medan -Telp/Fax. 061-82144290

KARTU BIMBINGAN TUGAS AKHIR MAHASISWA

Nama : MARIANTI ROSANNA PASARIBU

NIM : 072407066

Judul Tugas Akhir : Peramalan Nilai Penjualan Energi Gas Pada PT

Perusahaan Gas Negara (PGN) Cabang Medan Tahun 2011

Dosen Pembimbing : Drs. Pangeran Sianipar, MS

Tanggal Mulai Bimbingan : Tanggal Selesai Bimbingan :

No. Tanggal

Bimbingan

Pembahasan Pada Asisten Mengenai Bab

Paraf Dosen

Pembimbing Keterangan

1. 03 Februari 2010 konsultasi judul

2. 05 Maret 2010 ACC proposal judul

3. 07 Mei 2010 Pengajuan Bab I-VI

4. 14 Mei 2010 Perbaikan Bab I-VI

5. 26 Mei 2010 ACC TA

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

Diketahui, Disetujui,

Ketua Departemen Matematika Dosen Pembimbing

Dr. Saib Suwilo, M.Sc Drs. Pangeran Sianipar, MS