Peramalan Nilai Penjualan Energi Listrik PT PLN (Persero) Cabang Medan Tahun 2012

PERAMALAN NILAI PENJUALAN ENERGI LISTRIK PT PLN

(PERSERO) CABANG MEDAN TAHUN 2012

TUGAS AKHIR

DAME A. TANJUNG

082407068

PROGRAM STUDI DIPLOMA III STATISTIKA

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2011

PERAMALAN NILAI PENJUALAN ENERGI LISTRIK PT PLN

(PERSERO) CABANG MEDAN TAHUN 2012

TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ahli Madya

DAME A. TANJUNG

082407068

PROGRAM STUDI DIPLOMA III STATISTIKA

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2011

PERSETUJUAN

Judul : PERAMALAN NILAI PENJUALAN ENERGI

LISTRIK PT PLN (PERSERO) CABANG MEDAN TAHUN 2012

Kategori : TUGAS AKHIR

Nama : DAME A. TANJUNG

Nomor Induk Mahasiswa : 082407068

Program Studi : DIPLOMA III STATISTIKA Departemen : MATEMATIKA

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

Diluluskan di Medan, Juni 2011

Diketahui

Departemen Matematika FMIPA USU

Ketua, Pembimbing,

Prof. Dr. Tulus, M.Si Drs. Gim Tarigan, M.Si NIP. 19620901 198803 1 002 NIP.19550202 198601 1 001

PERNYATAAN

PERAMALAN NILAI PENJUALAN ENERGI LISTRIK PT PLN (PERSERO) CABANG MEDAN TAHUN 2012

TUGAS AKHIR

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

Medan, Mei 2011

DAME A. TANJUNG 082407068

PENGHARGAAN

Puji dan syukur penulis ucapkan kepada Tuhan Yang Maha Esa atas rahmat dan karunia-Nyalah sehingga penulis dapat menyelesaikan tugas akhir ini tepat pada waktu yang telah ditetapkan.

Pada kesempatan ini, penulis menyampaikan ucapan terima kasih banyak atas bantuan dengan dukungan bimbingan dan panduan yang sangat berharga yang telah diberikan kepada penulis sehingga penulis dapat menyelesaikan Tugas Akhir ini. Maka dengan ini penulis mengucapkan terima kasih kepada:

1. Orang tua saya tercinta, N. Tanjung dan S. br. Silaban, yang telah membesarkan dan mendidik saya dengan penuh kasih sayang dan cinta kasih dari sejak kecil hingga saat ini selalu memberikan doa dan dorongan, semangat serta materi yang tak ternilai dengan apapun.

2. Bapak Dr. Sutarman, M.Sc, selaku Dekan FMIPA USU.

3. Ibu Dr. Marpongahtun, M.Sc, selaku Pembantu Dekan I FMIPA USU.

4. Bapak Prof. Dr. Tulus, M.Si, selaku Ketua Departemen Matematika FMIPA USU.

5. Bapak Drs. Faigiziduhu Bu’ulölö, M.Si, selaku Koordinator Program Studi D-III STATISITIKA FMIPA USU.

6. Bapak Drs. Gim Tarigan, M.Si, selaku Dosen Pembimbing saya yang telah banyak memberi dukungan, bimbingan serta saran dalam penulisan Tugas Akhir saya ini.

7. Untuk kakak dan abangku Lastiur Tanjung dan Jefry Tanjung serta adik-adikku Yenny Tanjung dan Parulian Tanjung yang telah memberikan semangat dan doa.

8. Untuk sahabat-sahabatku Saurina Banjarnahor, Lamsihar Pakpahan, Juniaty Pardede, Elvi Diana Pinem, Kristina Sinaga, Lidya Purba, Novelini, dan Echa beserta teman-teman satu bimbingan Dedy Maruli dan Ben Oni yang selalu setia memberikan motivasi, semangat, dan dukungan doa dalam kelancaran penyelesaian tugas akhir ini.

9. Teman-teman Statistika B Stambuk 2008 yang saling mendukung dan bersama-sama berjuang untuk penyelesaian tugas akhir ini.

10.Serta teman- teman satu kos Ka Monica, Ka Vio, Ka Theo dan kawan-kawan yang lain yang turut membantu dalam doa dan dukungan motivasi demi kelancaran penyelesaian tugas akhir ini.

Penulis juga menyadari bahwa dalam penulisan Tugas Akhir ini masih terdapat banyak kekurangan. Oleh karena itu, dengan tangan terbuka penulis menerima segala kritik dan saran yang bersifat membangun untuk kesempurnaan Tugas Akhir ini. Penulis berharap semoga Tugas Akhir ini dapat memberikan manfaat terutama ilmu dan pengetahuan kepada setiap orang yang membacanya.

Akhir kata, Penulis mengucapkan terima kasih banyak kepada seluruh pihak yang telah membantu dalam penyelesaian Tugas Akhir ini. Semoga Tuhan Yang Maha Kasih yang akan membalasnya nantinya.

Medan, Mei 2011 Penulis

Dame A. Tanjung NIM 082407068

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 Rumusan Masalah 3

1.3 Tujuan Penelitian 3

1.4 Manfaat Penelitian 4

1.5 Tinjauan Pustaka 4

1.6 Metodologi Penelitian 5

1.7 Sistematika Penulisan 6

Bab 2 LANDASAN TEORI 8

2.1 Pengertian Peramalan 8

2.2 Jenis-jenis Peramalan 9

2.3 Pemilihan Metode Peramalan 10

2.4 Kegunaan Peramalan 12

2.5 Metode Pemulusan (Smoothing) 13

2.6 Metode Smoothing yang Digunakan 14

2.7 Ketepatan Peramalan 15

Bab 3 SEJARAH DAN STRUKTUR BADAN PUSAT STATISTIK 18

3.1 Sejarah Badan Pusat Statistik 18

3.1.1 Masa Pemerintahan Hindia Belanda 18

3.1.2 Masa Pemerintahan Jepang 19

3.1.3 Masa Kemerdekaaan Republik 19

3.1.4 Masa Orde Baru Sampai Sekarang 20

3.2 Visi Dan Misi BPS 21

3.3 Struktur Organisasi BPS 22

3.4 Tugas Dan Wewenang Masing-masing Bagian di BPS 25

3.4.1 Bidang Tata Usaha 25

3.4.2 Bidang Statistik Dan Produksi 26 3.4.3 Bidang Statistik Dan Distribusi 27 3.4.4 Bidang Pengolahan Data 27 3.4.5 Bidang Statistik Kependudukan 28 3.4.6 Bidang Neraca Wilayah Dan Analisa 28

Bab 4 ANALISIS DATA 29

4.1 Pengertian Analisis Data 29

4.2 Analisis Data dengan Metode Pemulusan Eksponensial Ganda:

4.2.1 Penaksiran Model Peramalan 32 4.2.2 Penentuan Bentuk Persamaan Peramalan 42

4.3 Peramalan Nilai Penjualan Listrik 44

Bab 5 IMPLEMENTASI SISTEM 47

5.1 Pengertian Implementasi Sistem 47

5.2 Microsoft Excel 47

5.3 Langkah-langkah Pengolahan Data 48

5.4 Implementasi Sistem Nilai Penjualan Energi Listrik 49

5.5 Fungsi Smoothing Eksponensial 49

5.6 Pembuatan Grafik 54

Bab 6 KESIMPULAN DAN SARAN 56

6.1 Kesimpulan 56

6.2 Saran 57

DAFTAR PUSTAKA LAMPIRAN

DAFTAR TABEL

Halaman Tabel 4.1 Nilai Penjualan Energi Listrik PT PLN (Persero) Cabang Medan Tahun

1996-2009 31

Tabel 4.2 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial

Ganda satu parameter dari Brown dengan α=0,1 33

Tabel 4.3 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial

Ganda satu parameter dari Brown dengan α=0,2 34

Tabel 4.4 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial

Ganda satu parameter dari Brown dengan α=0,3 35

Tabel 4.5 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial

Ganda satu parameter dari Brown dengan α=0,4 36

Tabel 4.6 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial

Ganda satu parameter dari Brown dengan α=0,5 37

Tabel 4.7 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial

Ganda satu parameter dari Brown dengan α=0,6 38

Tabel 4.8 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial

Ganda satu parameter dari Brown dengan α=0,7 39

Tabel 4.9 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial

Ganda satu parameter dari Brown dengan α=0,8 40

Tabel 4.10 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial

Ganda satu parameter dari Brown dengan α=0,9 41

Tabel 4.12 Pemulusan Eksponensial Ganda Linier Satu Parameter Dari Brown dengan menggunakan α = 0,5 dalam Peramalan Nilai Penjualan Energi Listrik di PT PLN (Persero) Cabang Medan untuk Tahun

2010, 2011, dan 2012 43

Tabel 4.13 Peramalan Nilai Penjualan Energi Listrik Di PT PLN

(Persero) Cabang Medan Untuk Tahun 2010, 2011, dan 2012 45

DAFTAR GAMBAR

Halaman Gambar 4.1 Grafik Penjualan Energi listrik PT PLN (Persero)

Cabang Medan tahun 1996-2012 46

Gambar 5.1 Cara pengaktifan Microsoft Excel 48

Gambar 5.2 Tampilan Lembar Kerja Excel 49

Gambar 5.3 Tampilan Menu Data Analisis 50

Gambar 5.4 Tampilan Menu Eksponensial Smoothing 50 Gambar 5.5 Tampilan data penjualan energi listrik PT PLN (Persero) Cabang

Medan Tahun 1996-2009 dengan α=0,5 52 Gambar 5.6 Langkah-langkah pembuatan grafik Penjualan Nilai Energi Listrik

PT PLN (Persero) Cabang Medan 54

Gambar 5.7 Grafik Penjualan Energi Listrik (dalam giga watt) di PT PLN

BAB 1

PENDAHULUAN

1.1Latar Belakang

Dalam bidang ekonomi, manusia berperan sebagai produsen sekaligus sebagai konsumen yang selalu berupaya memenuhi kebutuhan hidupnya melalui alat pelengkap kebutuhan yang tersedia dan beraneka ragam. Berbagai macam usaha dilakukan manusia dalam memenuhi kebutuhan hidupnya, baik melalui pemanfaatan energi dari sumber daya alam yang tersedia maupun pengolahan kembali produk-produk yang sudah lama tidak digunakan lagi agar bias dimanfaatkan kembali.

Dilihat dari sumbernya, energi dapat dibagi menjadi dua bagian, yaitu energi primer dan energi final. Energi primer adalah energi yang belum mengalami pengelolaan teknologi dan biasanya diperlukan sebagai bahan untuk menghasilkan energi final. Misalnya: minyak bumi, gas bumi, batu bara, tenaga air, panas bumi dan lain-lain. Energi final adalah energi yang siap digunakan oleh konsumen akhir. Misalnya: bahan bakar minyak (seperti, minyak tanah, solar, bensin, dan lain-lain), gas/LPG, dan listrik yang siap pakai. Energi listrik misalnya, kita sangat membutuhkan listrik untuk membantu aktivitas kita sehari-hari agar lebih mudah kita selesaikan. Apalagi zaman sekarang yang serba listrik, hampir semua alat-alat kerja

manusia menggunakan energi listrik. Sehingga ada semboyan “Listrik untuk kehidupan yang lebih baik.”

Energi listrik adalah salah satu kebutuhan yang sangat penting dalam kehidupan manusia khususnya pada era globalisasi dan modernisasi saat ini. Perkembangan teknologi yang semakin canggih memerlukan banyak hal yang dapat mendukung kemajuan IPTEK tersebut, salah satunya adalah energi listrik. Tanpa adanya energi listrik kehidupan manusia pasti akan sangat jauh berbeda jika dibandingkan dengan manusia pada saat sekarang ini yang sudah berkembang pesat seiring dengan berjalannya waktu.

Perkembangan kehidupan manusia yang terus meningkat sangat dipengaruhi oleh ketersediaan tenaga listrik, karena dalam seluruh aspek kehidupan manusia seperti keperluan rumah tangga, dunia usaha, industri, pemerintahan, pendidikan dan lainnya sangat membutuhkan energi listrik demi berlangsungnya proses kegiatan masing-masing aspek. Sesuai dengan Abdul Kadir (1996) yang mengatakan bahwa tenaga listrik merupakan landasan bagi kehidupan modern dan ketersediaannya dalam jumlah yang memadai menjadi syarat bagi suatu masyarakat yang memiliki taraf kehidupan yang baik dan perkembangan industri yang maju.

Lembaga yang menangani listrik negara kita, mulai dari produksi, pembelian, hingga pada penjualan energi listrik kepada masyrakat, industri dan pemerintahan adalah PLN (Perusahaan Listrik Negara). Berdasarkan uraian diatas, penulis ingin menduga berapa besar nilai penjualan energi listrik (dalam gigawatt) yang diperoleh PT PLN (Persero) Cabang Medan pada Tahun 2012. Berdasarkan perkiraan di atas,

maka penulis memberi judul “PERAMALAN NILAI PENJUALAN ENERGI LISTRIK PT PLN (PERSERO) CABANG MEDAN TAHUN 2012”

1.2Rumusan Masalah

PT PLN (Persero) Cabang Medan merupakan ibukota Sumatera Utara yang pertumbuhannya terus meningkat ke area modernisasi seiring dengan berjalannya waktu, kota Medan salah satu kota metropolitan di Indonesia, sehingga tingkat kebutuhannya sangat tinggi. Maka besar kemungkinan kondisi tersebut akan sangat membutuhkan energi listrik dalam kapasitas yang semakin besar pula. Hal ini merupakan sutu tantangan dan masalah yang cukup penting bagi PT PLN (Persero) dalam mempersiapkan dan menyediakan kapasitas energi listrik bagi para pelanggan listrik untuk masa yang akan datang, mengingat semakin bertambahnya kebutuhan masyarakat akan energi listrik jika dilihat dari jumlah nilai penjualan listrik setiap tahunnya. Oleh karena itu, penulis ingin meramalkan seberapa besar nilai penjualan energi listrik PT PLN (Persero) Cabang Medan tahun 2012.

1.3Tujuan Penelitian

Berdasarkan perumusan masalah di atas, maka tujuan dari penelitian ini adalah untuk meramalkan besarnya nilai penjualan energi listrik di PT PLN (Persero) Cabang Medan tahun 2012.

1.4Manfaat Penelitian

Penelitian ini sangat diharapkan dapat memberikan manfaat bagi PT PLN (Persero) Cabang Medan sebagai informasi atau prediksi yang dapat mereka manfaatkan dalam menyediakan dan mempersiapkan kapasitas energi listrik kepada para pelanggan listrik dan dengan pengetahuan besarnya dugaan nilai penjualan listrik untuk waktu yang akan datang, maka penyaluran energi listrik kepada para pelanggan listrik juga semakin baik dan efektif.

1.5Tinjauan Pustaka

Penulis menggunakan buku-buku statistika untuk mendukung serta merangkum penelitian ini, termasuk buku yang memuat informasi mengenai peramalan dengan menggunakan metode pemulusan (smoothing) eksponensial ganda : metode linear satu-parameter dari Brown, yaitu metode peramalan yang digunakan penulis untuk mendapatkan hasil penelitian.

Menurut Makridakis, Wheelright, dan McGee (1999), bahwa metode peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Metode peramalan terdiri atas dua metode, yaitu metode peramalan kualitatif dan peramalan kuantitatif. Metode pemulusan eksponensial ganda: metode linier satu-parameter dari Brown yang digunakan penulis termasuk ke dalam metode peramalan kuantitatif karena tersedianya informasi atau data di masa yang akan datang. Sesuai

dengan nilai penjualan listrik di waktu lampau yang berbentuk numerik dan akan terus berlanjut untuk waktu yang akan datang.

1.6Metodologi Penelitian

Metode yang digunakan penulis untuk mendapatkan hasil peramalan ini adalah metode peramalan pemulusan eksponensial ganda yaitu metode linier satu parameter dari Brown. Adapun bentuk umum dari metode eksponensial adalah:

Ft+1 = α Xt + (1- α) Ft

Dimana,

Ft+1 : ramalan satu periode ke depan Xt : data aktual pada periode ke-t Ft : ramalan pada periode ke-t α : parameter pemulusan

Persamaan yang dipakai dalam metode pemulusan eksponensial ganda linier satu parameter dari Brown adalah:

S΄t = α Xt + (1- α) S΄t-1 S΄΄t = α S΄t + (1- α) S΄΄t-1

at = S΄t + (S΄t - S΄΄t ) =2 S΄t - S΄΄t bt =

α α

−

1 (S΄t - S΄΄t ) Ft+m = at + btm

Dimana,

S΄t = nilai pemulusan eksponensial tunggal S΄΄t = nilai pemulusan ganda

at, bt = konstanta pemulusan

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

1.7Sistematika Penulisan

Sistematika penulisan dalam penelitian ini adalah sebagai berikut:

BAB 1 PENDAHULUAN

Bab ini berisi Latar Belakang Masalah, Rumusan Masalah, Tujuan Penelitian, Manfaat Penelitian, Tinjauan Pustaka, Metodologi Penelitian dan Sistematika Penelitian.

BAB 2 LANDASAN TEORI

Di dalam bab ini dikemukakan konsep-konsep yang dijadikan Landasan Teori sebagai berikut Pengertian Peramalan, Jenis- Jenis Peramalan, Pemilihan Metode Peramalan, Kegunaan Peramalan,

Metode Pemulusan (Smoothing), Metode Smoothing yang Digunakan, Ketepatan Peramalan, dan Sistematika Penulisan.

BAB 3 SEJARAH DAN STRUKTUR BADAN PUSAT STATISTIK

Dalam bab ini menguraikan tentang Sejarah Berdirinya BPS Provinsi Sumatera Utara dan Struktur Organisasi BPS Provinsi Sumatera Utara. BAB 4 ANALISIS DATA

Dalam bab ini menguraikan tentang data yang telah diamati beserta analisisnya yaitu Perhitungan Nilai Penjualan Energi Listrik.

BAB 5 IMPLEMENTASI SISTEM

Dalam bab ini menguraikan tentang program atau software yang dipakai sebagai analisis terhadap data yang diperoleh.

BAB 6 PENUTUP

Dalam bab ini dikemukakan Kesimpulan dan Saran dari hasil pembahasan pada analisis data sebelumnya.

BAB 2

LANDASAN TEORI

2.1 Pengertian Peramalan

Peramalan (forecasting) menurut Sofyan Assauri (1984) adalah suatu kegiatan yang memperkirakan apa yang akan terjadi pada masa yang akan datang. Peramalan penjualan adalah peramalan yang mengaitkan berbagai asumsi yang berhubungan dengan tindakan-tindakan yang perlu diambil serta variabel-variabel lain yang mempengaruhi permasalahan arus penjualan yang akan terjadi. Peramalan diperlukan karena adanya perbedaan waktu antara keadaan akan dibutuhkannya suatu kebijakan baru. 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 diperlukan.

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

2.2 Jenis-jenis Peramalan

Menurut Makridakis, Wheelright, dan McGee (1999), teknik peramalan dapat dibagi dalam 2 bagian jika dilihat dari sifatnya, yaitu:

1. Peramalan Kualitatif

Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan ini sangat bergantung pada orang yang menyusunnya, karena berdasarkan pemikiran yang bersifat instuisi, pendapat dan pengetahuan serta pengalaman dari orang-orang yang menyusunnya. Biasanya peramalan kualitatif ini didasarkan atas hasil penyelidikan seperti Delphi, analogis, dan didasarkan atas ciri-ciri normatif seperti decision matrices atau decision trees. Metode kualitatif dapat dibagi menjadi dua, yaitu metode eksploratoris dan normative.

2. Peramalan Kuantitatif

Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada masa lalu. Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti prosedur peramalan penyusunan dengan baik. Semakin baik kita menggunakan prosedur peramalan, maka penyimpangan antara hasil peramalan dengan kenyataan yang terjadi juga semakin kecil. Metode peramalan kuantitatif dapat dibagi dalam deret berkala (time series) dan metode kausal.

Peramalan kuantitatif dapat digunakan bila memenuhi syarat berikut: 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 dan kondisi ini disebut dengan kondisi yang konstan (assumption of constancy). Asumsi ini merupakan modal yang mendasari dari semua metode peramalan kuantitatif dan banyak metode peramalan teknologis terlepas dari bagaimana canggihnya metode tersebut. Metode-metode peramalan dengan analisis deret waktu dibagi tiga yaitu:

1. Metode Pemulusan Eksponensial dan Rata-rata Bergerak

Metode ini sering digunakan untuk ramalan jangka pendek dan jarang dipakai untuk ramalan jangka panjang.

2. Metode Regresi

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

3. Metode Box-Jenkins

Metode ini jarang dipakai, tetapi baik untuk ramalan jangka pendek, menengah, dan panjang.

2.3Pemilihan Metode Peramalan

Dalam memilih metode peramalan, perlu diketahui terlebih dahulu ciri-ciri penting dalam pengambilan keputusan dan analisis keadaan dalam mempersiapkan peramalan.

Ada 6 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 di masa yang akan datang dan jumlah periode untuk peramalan yang diinginkan.

2. Pola Data

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

3. Jenis dan 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.

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

5. Ketepatan peramalan

Tingkat ketepatan yang dibutuhkan sangat erat 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 Kegunaan Peramalan

Kegunaan peramalan dalam suatu penelitian adalah untuk memperkirakan situasi dan kondisi yang akan terjadi dari suatu yang diteliti untuk masa yang akan datang setelah situasi tersebut dianalisis. Peramalan merupakan suatu alat bantu yang penting dalam perencanaan yang efektif dan efisien. Dalam hal ini penyusunan suatu rencana untuk mencapai tujuan atau sasaran suatu organisasi/lembaga terdapat perbedaan waktu pelaksanaan, dan dilaksanakan oleh siapa. Perencanaan dan peramalan merupakan dua hal yang sangat erat kaitannya, hal ini dapat dilihat dalam penyusunan rencana, dimana dalam penyusunan ini melibatkan peramalan juga.

Dengan demikian dapat dikatakan bahwa peramalan merupakan dasar untuk menyusun rencana karena dapat membantu menganalisis data dari masa lalu, sehingga melalui metode peramalan akan didapat cara pemikiran dan pengerjaan yang teratur dan terarah serta perencanaan yang sistematis hingga memberikan ketetapan hasil analisis.

2.5Metode Pemulusan (Smoothing)

Metode pemulusan atau smoothing adalah metode peramalan dengan mengadakan penghalusan terhadap masa lalu, yaitu dengan mengambil rata-rata dari nilai beberapa tahun untuk menaksir nilai pada beberapa tahun ke depan. Metode pemulusan (smoothing) banyak digunakan untuk menghilangkan atau mengurangi keteracakan (randomness) dari data deret berkala (time series). 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 memanfaatkan data masa lalu dalam mengembangkan suatu sistem peramalan pada periode mendatang.

2. Metode Pemulusan Eksponensial

Bentuk umum dari pemulusan eksponensial adalah: Ft+1 = α Xt + (1- α) Ft

Dimana,

Ft+1 : ramalan satu periode ke depan Xt : data aktual pada periode ke-t Ft : ramalan pada periode ke-t α : parameter pemulusan

Metode pemulusan atau smoothing eksponensial terdiri atas: 1. Pemulusanatau smoothing ekspnensial tunggal

2. Pemulusan atau smoothing eksponensial ganda, yang terdiri atas: a. Metode linier satu parameter dari Brown

2.6Metode Smoothing yang Digunakan

Untuk mendapatkan hasil yang baik harus diketahui cara peramalan yang cepat. Maka metode peramalan analisis time series yang digunakan untuk meramalkan nilai penjualan energi listrik pada pemecahan masalah ini adalah dengan menggunakan metode smoothing eksponensial ganda yaitu metode smoothing eksponensial satu parameter dari Brown.

Metode ini merupakan metode yang digunakan oleh Brown. Dasar pemikiran dari metode smoothing eksponensial linier satu parameter dari Brown adalah dengan rata-rata bergerak linier, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data sebenarnya.

Peramalan yang dapat dipakai dalam pelaksanaan pemulusan eksponensial linear satu parameter dari Brown adalah sebagai berikut:

St΄ = α Xt + (1- α) S΄t-1 S΄΄t = α St + (1- α) S΄΄t-1

at =St΄ + (St΄ - S΄΄t ) =2 S΄t - S΄΄t bt =

α α

−

1 (S΄t - S΄΄t ) Ft+m = at + btm

Dimana,

S΄t = nilai pemulusan eksponensial tunggal S΄΄t = nilai pemulusan ganda

at, bt = konstanta pemulusan

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

2.7 Ketepatan Peramalan

Ketepatan peramalan adalah suatu hal yang mendasar dalam peramalan yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data yang diberikan. Ketepatan dipandang sebagai kriteria penolakan untuk memilih suatu metode peramalan. Dalam pemodelan deret berkala (time series) dari data masa lalu dapat diramalkan situasi yang akan terjadi pada masa yang akan datang, untuk menguji kebenaran ramalan ini digunakan ketepatan.

Beberapa kriteria yang digunakan untuk menguji ketepatan ramalan adalah:

a. ME (Mean Error) / Nilai Tengah Kesalahan

∑

= = N t t N e ME 1

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

N e MSE N t t

∑

= = 1 2

c. MAE (Mean Absolute Error) / Nilai Tengah Kesalahan Absolut N e MAE N t t

∑

= = 1 | |

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

N PE MPE N t t

∑

= = 1

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

∑

= = 1 | |

f. SSE (Sum Square Error) /Jumlah Kuadrat Kesalahan

SSE=

∑

= N t et 1 2 Dimana:

et= Xt-Ft kesalahan pada periode ke-t Xt=data aktual pada periode ke-t

PEt=

(

)

100(kesalahan persentase pada periodeke t)

X F X

t t

Ft= Nilai ramalan pada periode ke-t N= Banyaknya periode waktu

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

BAB 3

SEJARAH DAN STRUKTUR BPS

3.1 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 :

3.1.1 Masa Pemerintahan Hindia Belanda

Pada bulan Februari 1920, Kantor Statistik pertama kali didirikan oleh Direktur Pertanian, Kerajinan dan Perdagangan (Directur Vand Land Bouw Nijeverbeid en Handel), dan berkedudukan di Bogor. Kantor ini ditugaskan untuk mengelola dan mempublikasikan data statistic.

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 menjadi Shomubu 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

Pada pemerintahan Orde Baru, khususnya untuk memenuhi kebutuhan dalam perencanaan dan evaluasi pembangunan, maka untuk mendapatkan statistik yang 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 pegawai/staf.

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

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.

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

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 DATA

4.1 Pengertian Analisis Data

Analisis data dapat diartikan sebagai penjabaran atas pengukuran atau pengolahan data kuantitatif menjadi suatu penyajian yang lebih mudah dimengerti dan menguraikan suatu masalah secara keseluruhan. Analisis atau pengolahan data sangat diperlukan dalam memecahkan suatu permasalahan. Data yang akan dianalisis oleh penulis adalah data per tahun nilai penjualan energi listrik PT PLN (Persero) Cabang Medan yang dimulai dari tahun 1996 sampai 2009. Metode yang digunakan untuk menganalisis data tersebut adalah metode peramalan pemulusan eksponensial ganda : Metode linier satu-parameter dari Brown.

4.2 Analisis Data dengan Metode Pemulusan Eksponensial Ganda: Metode Linier Satu-Parameter dari Brown

Langkah-langkah yang ditempuh untuk menentukan bentuk persamaan peramalan dengan menggunakan metode pemulusan eksponensial ganda: metode linier satu-parameter dari Brown adalah:

1. Menentukan harga parameter pemulusan (smoothing) eksponensial ganda yang besarnya 0<α<1.

2. Menghitung harga pemulusan eksponensial tunggal dengan menggunakan persamaan:

S΄t = α Xt + (1- α) S΄t-1

3. Menghitung harga pemulusan eksponensial ganda dengan menggunakan persamaan:

S΄΄t = α S΄t + (1- α) S΄΄t-1

4. Menghitung koefisien at dan bt dengan menggunakan persamaan: at = S΄t + (S΄t - S΄΄t ) =2 S΄t - S΄΄t

bt =

α α

−

1 (S΄t - S΄΄t )

5. Menghitung trend peramalan (Ft+m) dengan menggunakan persamaan: Ft+m = at + btm

Tabel 4.1 Nilai Penjualan Energi Listrik PT PLN (Persero) Cabang Medan dalam Giga watt Tahun 1996 – 2009

Periode Tahun Nilai Penjualan

(dalam Giga Watt)

1 1996 1671,85

2 1997 1860,60

3 1998 1771,15

4 1999 1908,90

5 2000 2117,17

6 2001 2265,79

7 2002 2241,93

8 2003 2109,97

9 2004 2038,36

10 2005 2137,79

11 2006 2284,84

12 2007 2138,69

13 2008 2637,33

14 2009 2728,41

4.2.1Penaksiran Model Peramalan

Dalam mengolah data pada tabel 4.1, penulis menggunakan metode peramalan yaitu dengan metode pemulusan eksponensial satu-parameter dari Brown. Untuk memenuhi perhitungan pemulusan eksponensial tunggal, ganda dan ramalan yang akan datang, maka kita harus menentukan parameter dari nilai α terlebih dahulu yang biasa digunakan dengan cara trial and error atau coba dan salah. Nilai α yang dipilih dari 0 < α < 1, dihitung Mean Square Error (MSE) yang merupakan suatu ukuran ketepatan perhitungan dengan mengkuadratkan masing-masing elemen dalam sebuah susunan data dan kemudian dicoba nilai α yang lain.

Untuk menghitung nilai MSE pertama, dicari terlebih dahulu error yang merupakan hasil dari data asli dikurang hasil ramalan. Lalu tiap error dikuadratkan dan dibagi dengan banyaknya error. Secara matematis rumus MSE adalah sebagai berikut:

∑

= = N

t t

N e MSE

1

Tabel 4.2 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial Ganda Linier dari Brown dengan α=0,1

Sumber: Perhitungan

Xt S΄t S΄΄t at bt Ft et et2

1.671,85 1.671,85 1.671,85 - - - - -

1.860,6 _{1.690,725 1.673,7375 1.707,7125 1,8875 - - -}

1.771,15 1.698,7675 1.676,2405 1.721,2945 2,503 1.709,6 61,55 3.788,4025 1.908,9 _{1.719,78075 1.680,594525 1.758,966975 4,354025 1.723,7975 185,1025 34.262,93551} 2.117,17 1.759,519675 1.688,48704 1.830,55231 7,892515 1.763,321 353,849 125.209,1148 2.265,79 1.810,146708 1.700,653007 1.919,640408 12,16596678 1.838,444825 427,345175 182.623,8986 2.241,93 1.853,325037 1.715,92021 1.990,729864 15,267203 1.931,806375 310,1236252 96.176,66292 2.109,97 1.878,989533 1.732,227142 2.025,751924 16,30693233 2.005,997067 103,972933 10.810,3708 2.038,36 1.894,92658 1.748,497086 2.041,356074 16,26994378 2.042,058856 -3,69885633 13,68153817 2.137,79 1.919,212922 1.765,568669 2.072,857174 17,07158367 2.057,626018 80,16398222 6.426,264046 2.284,84 1.955,77563 1.784,589365 2.126,961894 19,02069611 2.089,928758 194,9112423 37.990,39239 2.138,69 1.974,067067 1.803,537136 2.144,596998 18,94777011 2.145,98259 -7,29259011 53,18187053 2.637,33 2.040,39336 1.827,222758 2.253,563962 23,68562244 2.163,544768 473,7852319 224.472,446 2.728,41 2.109,195024 1.855,419985 2.362,970063 28,19722656 2.277,249584 451,1604156 203.545,7206

Untuk α = 0,1 ; N = 12, maka: MSE =

∑

=

N t

t

N e 1

2

=

12 15 925.373,07

= 77.114,42262

Tabel 4.3 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial Ganda Linier dari Brown dengan α=0,2

Xt S΄t S΄΄t at bt Ft et et2

1.671,85 1.671,85 1.671,85 - - - - -

1.860,6 _{1.709,6 1.679,4 1.739,8 7,55 - - -}

1.771,15 1.721,91 1.687,902 1.755,918 8,502 1.747,35 23,8 566,44 1.908,9 _{1.759,308 1.702,1832 1.816,4328 14,2812 1.764,42 144,48 20.874,4704} 2.117,17 1.830,8804 1.727,92264 1.933,83816 25,73944 1.830,714 286,456 82.057,03994 2.265,79 1.917,86232 1.765,910576 2.069,814064 37,987936 1.959,5776 306,2124 93.766,03391 2.241,93 1.982,675856 1.809,263632 2.156,08808 43,353056 2.107,802 134,128 17.990,32038 2.109,97 2.008,134685 1.849,037843 2.167,231527 39,77421056 2.199,441136 -89,471136 8.005,084177 2.038,36 2.014,179748 1.882,066224 2.146,293272 33,02838106 2.207,005738 -168,645738 28.441,38481 2.137,79 2.038,901798 1.913,433339 2.164,370258 31,36711493 2.179,321653 -41,5316531 1.724,878211 2.284,84 2.088,089439 1.948,364559 2.227,814319 34,93122001 2.195,737373 89,10262707 7.939,278151 2.138,69 2.098,209551 1.978,333557 2.218,085545 29,96899847 2.262,745539 -124,055539 15.389,77668 2.637,33 2.206,033641 2.023,873574 2.388,193708 45,54001674 2.248,054543 389,2754568 151.535,3812 2.728,41 2.310,508913 2.081,200642 2.539,817184 57,32706776 2.433,733724 294,6762756 86.834,1074

515.124,1953 Sumber: Perhitungan

Untuk α = 0,2 ; N = 12, maka: MSE =

∑

=

N t

t

N e 1

2

=

12 53 515.124,19

Tabel 4.4 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial Ganda Linier dari Brown dengan α=0,3

Xt S΄t S΄΄t at bt Ft et et2

1.671,85 1.671,85 1.671,85 - - - - -

1.860,6 _{1.728,475 1.688,8375 1.768,1125 16,9875 - - -}

1.771,15 1.741,2775 1.704,5695 1.777,9855 15,732 1.785,1 -13,95 194,6025 1.908,9 _{1.791,56425 1.730,667925 1.852,460575 26,098425 1.793,7175 115,1825 13.267,00831} 2.117,17 1.889,245975 1.778,24134 2.000,25061 47,573415 1.878,559 238,611 56.935,20932 2.265,79 2.002,209183 1.845,431693 2.158,986672 67,19035275 2.047,824025 217,965975 47.509,16626 2.241,93 2.074,125428 1.914,039813 2.234,211042 68,6081205 2.226,177025 15,752975 248,1562214 2.109,97 2.084,878799 1.965,291509 2.204,46609 51,25169585 2.302,819163 -192,849163 37.190,79957 2.038,36 2.070,92316 1.996,981004 2.144,865315 31,68949515 2.255,717786 -217,357786 47.244,40696 2.137,79 2.090,983212 2.025,181666 2.156,784757 28,20066224 2.176,55481 -38,7648101 1.502,710502 2.284,84 2.149,140248 2.062,369241 2.235,911255 37,18757451 2.184,985419 99,85458081 9.970,93731 2.138,69 2.146,005174 2.087,460021 2.204,550327 25,09077982 2.273,09883 -134,40883 18.065,73356 2.637,33 2.293,402622 2.149,242801 2.437,562442 61,78278024 2.229,641106 407,6888935 166.210,2339 2.728,41 2.423,904835 2.231,641411 2.616,168259 82,39861022 2.499,345222 229,0647776 52.470,67233 450.809,6367 Sumber: Perhitungan

MSE =

∑

=

N t

t

N e 1

2

=

12 67 450.809,63

Tabel 4.5 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial Ganda Linier dari Brown dengan α=0,4

Xt S΄t S΄΄t at bt Ft et et2

1.671,85 1.671,85 1.671,85 - - - - -

1.860,6 _{1.747,35 1.702,05 1.792,65 30,2 - - -}

1.771,15 1.756,87 1.723,978 1.789,762 21,928 1.822,85 -51,7 2.672,89 1.908,9 _{1.817,682 1.761,4596 1.873,9044 37,4816 1.811,69 97,21 9.449,7841} 2.117,17 1.937,4772 1.831,86664 2.043,08776 70,40704 1.911,386 205,784 42.347,05466 2.265,79 2.068,80232 1.926,640912 2.210,963728 94,774272 2.113,4948 152,2952 23.193,82794 2.241,93 2.138,053392 2.011,205904 2.264,90088 84,564992 2.305,738 -63,808 4.071,460864 2.109,97 2.126,820035 2.057,451556 2.196,188514 46,24565248 2.349,465872 -239,495872 57.358,27271 2.038,36 2.091,436021 2.071,045342 2.111,8267 13,59378586 2.242,434166 -204,074166 41.646,26539 2.137,79 2.109,977613 2.086,61825 2.133,336975 15,57290813 2.125,420486 12,36951424 153,0048825 2.284,84 2.179,922568 2.123,939977 2.235,905158 37,32172685 2.148,909883 135,930117 18.476,99671 2.138,69 2.163,429541 2.139,735803 2.187,123279 15,7958253 2.273,226885 -134,536885 18.100,17335 2.637,33 2.352,989724 2.225,037371 2.480,942077 85,30156869 2.202,919104 434,4108962 18.8712,8267 2.728,41 2.503,157835 2.336,285557 2.670,030113 111,2481853 2.566,243646 162,1663539 26.297,92635 432.480,4837 Sumber: Perhitungan

Untuk α = 0,4 ; N = 12, maka: MSE =

∑

=

N t

t

N e 1

2

=

12 37 432.480,48

Tabel 4.6 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial Ganda Linier dari Brown dengan α=0,5

Sumber: Perhitungan

Xt S΄t S΄΄t at bt Ft et et2

1.671,85 1.671,85 1.671,85 _{- - - - -}

1.860,6 1.766,225 1.719,0375 1.813,4125 47,1875 - - -

1.771,15 1.768,6875 1.743,8625 1.793,5125 24,825 1.860,6 -89,45 8.001,3025 1.908,9 1.838,79375 1.791,328125 1.886,259375 47,465625 1.818,3375 90,5625 8.201,566406 2.117,17 1.977,981875 1.884,655 2.071,30875 93,326875 1.933,725 183,445 33.652,06803 2.265,79 2.121,885938 2.003,270469 2.240,501406 118,6154688 2.164,635625 101,154375 10.232,20758 2.241,93 2.181,907969 2.092,589219 2.271,226719 89,31875 2.359,116875 -117,186875 13.732,76367 2.109,97 2.145,938984 2.119,264102 2.172,613867 26,67488281 2.360,545469 -250,575469 62.788,06554 2.038,36 2.092,149492 2.105,706797 2.078,592188 -13,55730469 2.199,28875 -160,92875 25.898,06258 2.137,79 2.114,969746 2.110,338271 2.119,601221 4,631474609 2.065,034883 72,75511719 5.293,307077 2.284,84 2.199,904873 2.155,121572 2.244,688174 44,78330078 2.124,232695 160,6073047 25.794,70632 2.138,69 2.169,297437 2.162,209504 2.176,385369 7,087932129 2.289,471475 -150,781475 22.735,05309 2.637,33 2.403,313718 2.282,761611 2.523,865825 120,5521069 2.183,473301 453,8566992 205.985,9034 2.728,41 2.565,861859 2.424,311735 2.707,411983 141,5501239 2.644,417932 83,99206787 7.054,667465 429.369,6737

Untuk α = 0,5 ; N = 12, maka: MSE =

∑

=

N t

t

N e 1

2

=

12 37 429.369,67

= 35.780,80614

Tabel 4.7 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial Ganda Linier dari Brown dengan α=0,6

Sumber: Perhitungan

Xt S΄t S΄΄t at bt Ft et et2

1.671,85 1.671,85 1.671,85 - - - - -

1.860,6 _{1.785,1 1.739,8 1.830,4 67,95 - - -}

1.771,15 1.776,73 1.761,958 1.791,502 22,158 1.898,35 -127,2 16.179,84 1.908,9 1.856,032 1.818,4024 1.893,6616 56,4444 1.813,66 95,24 9.070,6576 2.117,17 2.012,7148 1.934,98984 2.090,43976 116,58744 1.950,106 167,064 27.910,3801 2.265,79 2.164,55992 2.072,731888 2.256,387952 137,742048 2.207,0272 58,7628 3.453,066664 2.241,93 2.210,981968 2.155,681936 2.266,282 82,950048 2.394,13 -152,2 23.164,84 2.109,97 2.150,374787 2.152,497647 2.148,251928 -3,18428928 2.349,232048 -239,262048 57.246,32761 2.038,36 2.083,165915 2.110,898608 2.055,433222 -41,5990391 2.145,067638 -106,707638 11.386,52009 2.137,79 2.115,940366 2.113,923663 2.117,957069 3,025055002 2.013,834183 123,955817 15.365,04456 2.284,84 2.217,280146 2.175,937553 2.258,62274 62,01389026 2.120,982124 163,8578757 26.849,40343 2.138,69 2.170,126059 2.172,450656 2.167,801461 -3,486896594 2.320,63663 -181,94663 33.104,57622 2.637,33 2.450,448423 2.339,249317 2.561,64753 166,7986603 2.164,314564 473,0154358 223.743,6025 2.728,41 2.617,225369 2.506,034948 2.728,41579 166,7856317 2.728,446191 -0,03619056 0,001309757 447.474,2601

Untuk α = 0,6 ; N = 12, maka: MSE =

∑

=

N t

t

N e 1

2

=

12 01 447.474,26

Tabel 4.8 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial Ganda Linier dari Brown dengan α=0,7

Xt S΄t S΄΄t at bt Ft et et2

1.671,85 1.671,85 1.671,85 -

1.860,6 _{1.803,975 1.764,3375 1.843,6125 92,4875}

1.771,15 1.780,9975 1.775,9995 1.785,9955 11,662 1.936,1 -164,95 27.208,5025 1.908,9 _{1.870,52925 1.842,170325 1.898,888175 66,170825 1.797,6575 111,2425 12.374,89381} 2.117,17 2.043,177775 1.982,87554 2.103,48001 140,705215 1.965,059 152,111 23.137,75632 2.265,79 2.199,006333 2.134,167095 2.263,84557 151,2915548 2.244,185225 21,604775 466,7663028 2.241,93 2.229,0529 2.200,587158 2.257,518641 66,4200635 2.415,137125 -173,207125 30.000,70815 2.109,97 2.145,69487 2.162,162556 2.129,227183 -38,42460183 2.323,938705 -213,968705 45.782,60661 2.038,36 2.070,560461 2.098,04109 2.043,079832 -64,12146681 2.090,802582 -52,4425816 2.750,224365 2.137,79 2.117,621138 2.111,747124 2.123,495153 13,70603408 1.978,958366 158,8316345 25.227,48811 2.284,84 2.234,674341 2.197,796176 2.271,552507 86,04905246 2.137,201187 147,638813 21.797,21911 2.138,69 2.167,485302 2.176,578565 2.158,39204 -21,21761159 2.357,601559 -218,911559 47.922,27079 2.637,33 2.496,376591 2.400,437183 2.592,315999 223,8586183 2.137,174429 500,1555713 25.0155,5955 2.728,41 2.658,799977 2.581,291139 2.736,308816 180,853956 2.816,174617 -87,7646169 7.702,627982 494.526,6595 Sumber: Perhitungan

Untuk α = 0,7 ; N = 12, maka: MSE =

∑

=

N t

t

N e 1

2

=

12 95 494.526,65

Tabel 4.9 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial Ganda Linier dari Brown dengan α=0,8

Xt S΄t S΄΄t at bt Ft et et2

1.671,85 1.671,85 1.671,85 - - - - -

1.860,6 _{1.822,85 1.792,65 1.853,05 120,8 - - -}

1.771,15 1.781,49 1.783,722 1.779,258 -8,928 1.973,85 -202,7 41.087,29 1.908,9 _{1.883,418 1.863,4788 1.903,3572 79,7568 1.770,33 138,57 19.201,6449} 2.117,17 2.070,4196 2.029,03144 2.111,80776 165,55264 1.983,114 134,056 17.971,01114 2.265,79 2.226,71592 2.187,179024 2.266,252816 158,147584 2.277,3604 -11,5704 133,8741562 2.241,93 2.238,887184 2.228,545552 2.249,228816 41,366528 2.424,4004 -182,4704 33.295,44688 2.109,97 2.135,753437 2.154,31186 2.117,195014 -74,23369216 2.290,595344 -180,625344 32.625,5149 2.038,36 2.057,838687 2.077,133322 2.038,544053 -77,17853798 2.042,961322 -4,6013216 21,17216047 2.137,79 2.121,799737 2.112,866454 2.130,733021 35,73313249 1.961,365515 176,4244851 31.125,59895 2.284,84 2.252,231947 2.224,358849 2.280,105046 111,4923945 2.166,466153 118,3738469 14.012,36763 2.138,69 2.161,398389 2.173,990481 2.148,806298 -50,36836749 2.391,597441 -252,907441 63.962,17353 2.637,33 2.542,143678 2.468,513039 2.615,774317 294,5225572 2.098,43793 538,8920699 29.0404,663 2.728,41 2.691,156736 2.646,627996 2.735,685475 178,1149576 2.910,296874 -181,886874 33.082,83509 576.923,5923 Sumber: Perhitungan

Untuk α = 0,8 ; N = 12, maka:

MSE =

∑

=

N t

t

N e 1

2

=

12 23 576.923,59

Tabel 4.10 Peramalan Nilai Penjualan Energi Listrik dengan Pemulusan Eksponensial Ganda Linier dari Brown dengan α=0,9

Sumber: Perhitungan

Xt S΄t S΄΄t at bt Ft et et2

16.71,85 1.671,85 1.671,85 _{- - - - -}

1.860,6 _{1.841,725 1.824,7375 1.858,7125 152,8875 - - -}

1.771,15 1.778,2075 1.782,8605 1.773,5545 -41,877 2.011,6 -240,45 57.816,2025 1.908,9 _{1.895,83075 1.884,533725 1.907,127775 101,673225 1.731,6775 177,2225 31.407,81451} 2.117,17 2.095,036075 2.073,98584 2.116,08631 189,452115 2.008,801 108,369 11.743,84016 2.265,79 2.248,714608 2.231,241731 2.266,187484 157,2558907 2.305,538425 -39,748425 1.579,93729 2.241,93 2.242,608461 2.241,471788 2.243,745134 10,230057 2.423,443375 -181,513375 32.947,1053 2.109,97 2.123,233846 2.135,05764 2.111,410052 -106,4141475 2.253,975191 -144,005191 20.737,49496 2.038,36 2.046,847385 2.055,66841 2.038,026359 -79,38923007 2.004,995904 33,3640956 1.113,162875 2.137,79 2.128,695738 2.121,393006 2.135,998471 65,72459546 1.958,637129 179,152871 32.095,7512 2.284,84 2.269,225574 2.254,442317 2.284,008831 133,0493114 2.201,723067 83,11693325 6.908,424593 2.138,69 2.151,743557 2.162,013433 2.141,473681 -92,42888368 2.417,058142 -278,368142 77.488,82251 2.637,33 2.588,771356 2.546,095563 2.631,447148 384,0821302 2.049,044798 588,2852023 346.079,4792 2.728,41 2.714,446136 2.697,611078 2.731,281193 151,5155149 3.015,529278 -287,119278 82.437,47987 702.355,515

Untuk α = 0,9 ; N = 12, maka: MSE =

∑

=

N t

t

N e 1

2

=

12 5 702.355,51

Kemudian nilai-nilai MSE yang telah diperoleh dapat kita lihat nilai α yang memberikan nilai MSE yang paling kecil. Perbandingan ukuran ketepatan metode peramalan nilai penjualan energi listrik di PT PLN (Persero) Cabang Medan dengan melihat MSE adalah sebagai berikut:

Table 4.11 Perbandingan Ukuran Ketepatan Metode Peramalan

α MSE

0,1 77.114,42262 0,2 42.927,01628 0,3 37.567,46973 0,4 36.040,04031 0,5 35.780,80614 0,6 37.289,52167 0,7 41.210,55496 0,8 48.076,96602 0,9 58.579,62625 Sumber: Perhitungan

Dari table 4.11 di atas, dapat dilihat bahwa MSE yang paling kecil terdapat pada α = 0,5, yaitu dengan MSE = 35.780,80614.

Tabel 4.12 Pemulusan Eksponensial Ganda Linier Satu Parameter Dari Brown

dengan menggunakan α = 0,5 dalam Peramalan Nilai Penjualan

Energi Listrik di PT PLN (Persero) Cabang Medan untuk Tahun 2010, 2011, dan 2012

Tahun Periode Xt S΄t S΄΄t at bt F

1996 1 1.671,85 1.671,85 1.671,85 - - -

1997 2 1.860,6 1.766,23 1.719,04 1.813,41 47,19 - 1998 3 1.771,15 1.768,69 1.743,86 1.793,51 24,83 1.860,60 1999 4 1.908,9 1.838,79 1.791,33 1.886,26 47,47 1.818,34 2000 5 2.117,17 1.977,98 1.884,66 2.071,31 93,33 1.933,73 2001 6 2.265,79 2.121,89 2.003,27 2.240,50 118,62 2.164,64 2002 7 2.241,93 2.181,91 2.092,59 2.271,23 89,32 2.359,12 2003 8 2.109,97 2.145,94 2.119,26 2.172,61 26,67 2.360,55 2004 9 2.038,36 2.092,15 2.105,71 2.078,59 -13,56 2.199,29 2005 10 2.137,79 2.114,97 2.110,34 2.119,60 4,63 2.065,03 2006 11 2.284,84 2.199,90 2.155,12 2.244,69 44,78 2.124,23 2007 12 2.138,69 2.169,30 2.162,21 2.176,39 7,09 2.289,47 2008 13 2.637,33 2.403,31 2.282,76 2.523,87 120,55 2.183,47 2009 14 2.728,41 2.565,86 2.424,31 2.707,41 141,55 2.644,42

2010 15 2.848,96

2011 16 2.990,51

2012 17 3.132,06

4.2.2Penentuan Bentuk Persamaan Peramalan

Melalui cara trial and errordengan 0 < α < 1, telah diperoleh perhitungan peramalan pemulusan eksponensial linier satu-parameter dai Brown dengan α = 0,5, sehingga dapat ditentukan bentuk persamaan peramalan untuk periode-periode berikutnya.

Seperti pada BAB 2 tentang landasan teori, persamaan yang dipakai untuk perhitungan adalah sebagai berikut:

S΄t = α Xt + (1- α) S΄t-1 S΄΄t = α S΄t + (1- α) S΄΄t-1

at =S΄t+ (S΄t - S΄΄t ) =2 S΄t -S΄΄t bt =

α α

−

1 (S΄t - S΄΄t ) Ft+m = at + bt m

Berdasarkan perhitungan pada α = 0,5, dapat diperoleh persamaan peramalan untuk periode berikutnya yaitu:

Ft+m = at + bt m

4.3 Peramalan Nilai Penjualan Energi Listrik untuk Tahun 2010, 2011 dan 2012

Setelah diperoleh peramalan nilai penjualan energi listrik, maka dapat dihitung nilai penjualan energi listrik untuk tiga periode berikutnya, yaitu untuk tahun 2010, 2011 dan tahun 2012, seperti di bawah ini:

a. Untuk periode ke-15 (tahun 2010) Ft+m = 2.707,41+141,55 (m) F14+1 = 2.707,41+141,55 (1) F15 = 2.848,96

b. Untuk periode ke-16 (tahun 2011) Ft+m = 2.707,41+141,55 (m)

F14+2 = 2.707,41+141,55 (2) F16 = 2.990,51

c. Untuk periode ke-17 (tahun 2012) Ft+m = 2.707,41+141,55 (m) F14+3 = 2.707,41+141,55 (3) F17 = 3.132,06

Tabel 4.13 Peramalan Nilai Penjualan Energi Listrik Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010, 2011 dan Tahun 2012

Sumber: Perhitungan

Dari tabel di atas dapat dilihat grafik Nilai Penjualan Energi Listrik PT PLN (Persero) Cabang Medan dari tahun 1996-2012 sebagai berikut:

Gambar 4.1 Grafik Penjualan Energi Listrik PT PLN (Persero) Cabang Medan Tahun 1996 – 2012

Tahun Periode Peramalan (dalam Giga watt)

2010 15 2.848,96

2011 16 2.990,51

Berdasarkan perhitungan peramalan di atas, maka besarnya peramalan nilai penjualan listrik PT PLN (Persero) Cabang Medan untuk tahun 2012 yaitu sebesar 3.132,06 gigawatt.

BAB 5

IMPLEMENTASI SISTEM

5.1 Pengertian Implementasi Sistem

Dalam hal pengolahan data, komputer mempunyai kelebihan dari manusia yaitu kecepatan, ketepatan, dan keandalan. Terutama apabila kita akan mengolah data yang jumlahnya sangat besar dan rumit dikerjakan secara manual tentunya kita sangat membutuhkan komputer untuk mengolah data tersebut. Di samping dapat dikerjakan dengan cepat dan tepat, juga dapat mengurangi kesalahan- kesalahan perhitungan.

Jadi, implementasi sistem merupakan penerapan hasil desain tertulis ke dalam sebuah tulisan yang mana dalam hal ini penulis menggunakan Microsoft Excel 2007 untuk menganalisis data nilai penjualan energi listrik.

5.2 Microsoft Excel

Microsoft Excel adalah program lembar kerja atau spreadsheet (pengolah data). Program ini merupakan salah satu program aplikasi Microsoft Office untuk mengolah data perhitungan. Excel dapat melakukan pengolahan data secara cepat pada bidang matematika, akuntansi, statistik dan pada bidang-bidang lain yang memerlukan

perhitungan dengan cepat dan teliti. Selain Excel, kita juga dapat mengolah data statistik dengan software-software lainnya yang juga cukup terkenal seperti SPSS dan MINITAB. Hasil pengolahan data statistik menggunakan Excel mempunyai keakuratan dan ketelitian yang sama dengan program yang secara khusus melakukan pengolahan data statistik.

Sheet atau lembar kerja Excel terdiri dari 256 kolom dan 65536 baris. Kolom diberi nama dengan huruf dari A, B, C sampai dengan Z, lalu dilanjutkan dengan AA, AB, AC sampai kolom IV. Sedangkan baris ditandai dengan angka mulai dari 1,2,3 sampai dengan 65536. Excel 2007 hadir dengan tampilan yang lebih praktis dan mudah digunakan, juga berintegrasi dengan berbagai software lain seperti Microsoft Word, Microsoft Accses, dan Microsoft Powerpoint.

5.3 Langkah-langkah Pengolahan Data

Adapun cara memulai Excel yaitu dengan cara : 1. Klik Start

2. Pilih Program

Dapat dilihat seperti pada tampilan dibawah ini :

Gambar 5.1 Cara pengaktifan Microsoft Excel

Tampilan worksheet (lembar kerja) Microsoft Excel

Gambar 5.2 Tampilan lembar kerja Excel

5.4 Implementasi Sistem Peramalan Nilai Penjualan Listrik

Fungsi dalam Excel ditujukan untuk memudahkan pengertian formula yang diperlukan dalam melakukan perhitungan aritmatika dan operasi standard. Terdapat

banyak fungsi statistik yang disediakan oleh Microsoft Excel, diantaranya dengan menggunakan salah satu fungsi Average, Standard Deviasi, Median, dan Mean. Dalam menyelesaikan tugas akhir ini penulis akan menggunakan salah satu fungsi statistik yaitu fungsi smoothing eksponensial.

5.5 Fungsi Smoothing Eksponensial

Langkah-langkah yang digunakan untuk menentukan peramalan dengan smoothing eksponensial.

a. Klik Data kemudian pilih Data Analysis Seperti terlihat pada gambar berikut.

Gambar 5.3 Tampilan Menu Data Analisis

b. Setelah itu pilih Exponential Smoothing dari tampilan Data Analysis lalu pilih Ok.

Gambar 5.4 Tampilan ExponensialSmoothing

c. Blok angka yang ingin dibuat untuk mendapatkan input range, masukkan nilai α sebagai damping factor. Nilai damping factor pada kasus ini adalah 0,5, yang artinya α = 0,5.

d. Kemudian masukkan Output Range pada Menu Option yang berfungsi sebagai tempat hasil output. Maka hasil output akan muncul pada range yang telah ditentukan.

e. Untuk mencari pemulusan kedua digunakan dengan memasukkan data hasil pemulusan yang pertama sebagai input range pada menu input.

f. Untuk mendapat nilai at, bt, nilai peramalan (Ft), dan nilai kesalahan digunakan data angka (numerik) yaitu karakter nilai konstan dan karakter khusus yang dibaca dalam format data angka yang terdiri dari angka dan tanda-tanda khusus seperti : *, +, -, /, % dan lain-lain.

Dari data aktual yang telah tersedia untuk diolah sehingga dapat dicari peramalan untuk periode selanjutnya sebagai berikut :

Memasukkan data nilai penjualan listrik dari tahun 1996-2009 pada lembar kerja Excel dengan nilai MSE terkecil yaitu α=0,5

Gambar 5.5 Tampilan data penjualan energi listrik PT PLN (Persero) Cabang Medan tahun 1996-2009 dengan α=0,5

Dari data di atas dapat ditentukan:

1. Pada kolom pertama ditulis keterangan dengan tahun penjualan 2. Pada kolom kedua ditulis keterangan dengan Xt

3. Pada kolom ketiga ditulis keterangan dengan S΄t 4. Pada kolom keempat ditulis keterangan dengan S΄΄t 5. Pada kolom kelima ditulis keterangan dengan at 6. Pada kolom keenam ditulis keterangan dengan bt

7. Pada kolom ketujuh ditulis keterangan dengan Ft 8. Pada kolom kedelapan ditulis keterangan dengan et 9. Pada kolom kesembilan ditulis keterangan dengan et2

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

1. Smoothing pertama, untuk tahun pertama ditentukan sebesar tahun pertama dari data historisnya sehingga rumus yang tertera pada sel C2 adalah C2. Sedangkan untuk tahun kedua dapat dihitung dengan rumus : 0,5*A3+0,5*B2.

Dalam kasus ini menghasilkan angka : 1776,225. Dan untuk tahun-tahun berikutnya hanya menyalin rumus tersebut.

2. Smoothing kedua, untuk tahun pertama ditentukan sebesar nilai tahun pertama dari data historisnya. Sehingga rumus yang tertera pada sel D2 adalah D2. Sedangkan untuk tahun kedua dapat dihitung dengan rumus: 0,5*C3+0,5*D2. Dalam kasus ini akan menghasilkan 1719,0375. Dan untuk tahun-tahun berikutnya hanya menyalin rumus tersebut.

3. Nilai at baru bias dicari pada tahun kedua yaitu dengan rumus: 2*C3-D3. Dalam kasus ini menghasilkan angka 1813,4125. Dan untuk tahun-tahun berikutnya hanya menyalin rumus tersebut.

4. Nilai bt baru bias dicari pada tahun kedua yaitu dengan rumus: 0,5/0,5*(C3-D3). Dalam kasus ini mengahsilkan angka 47,1875. Dan untuk tahun-tahun berikutnya hanya menyalin rumus tersebut.

5. Forecast (Ft) untuk tahun ketiga yaitu pada sel G4 dapat dicari dengan rumus : E3+F3*(1) dengan hasil 1860,6. Dan untuk tahun-tahun berikutnya hanya menyalin rumus tersebut.

5.6Pembuatan Grafik

Untuk membuat grafik pada Excel bisa menggunakan icon chart wizard yang terdapat pada toolbar.

Adapun langkah-langkah yang diperlukan adalah seperti gambar di bawah ini: 1. Blok kolom peride, Xt, S΄t, dan S΄΄t

Hasilnya dapat dilihat pada gambar berikut ini.

Gambar 5.6 Langkah-langkah pembuatan grafik Penjualan Nilai Energi Listrik PT PLN (Persero) Cabang Medan

Maka grafiknya dapat dilihat seperti gambar di bawah ini:

Gambar 5.7 Grafik Penjualan Energi Listrik (dalam giga watt) di PT PLN(Persero) Cabang Medan dari tahun 1996-2012 (periode 1-17)

BAB 6

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan hasil pengolahan data pada Bab 4, maka penulis mengambil kesimpulan sebagai berikut :

a. Dari hasil pengolahan data tahun 1996 sampai 2009 untuk nilai penjualan energi listrik PT PLN (Persero) Cabang Medan dalam satuan giga watt dengan menggunakan metode pemulusan eksponensial ganda dengan metode linier satu-parameter dari Brown, diperoleh nilai MSE terkecil yaitu 35.780,80614 dengan α = 0,5.

b. Bentuk persamaan peramalan nilai penjualan listrik PT PLN (Persero) Cabang Medan berdasarkan data tahun 1996 sampai 2009 dengan α = 0,5 adalah :

Ft+m = 2.707,41+141,55 (m)

c. Peramalan nilai penjualan energi listrik PT PLN (Persero) Cabang Medan untuk tahun 2012 yakni periode ke-17 adalah sebesar 3.132,06 giga watt.

d. Berdasarkan nilai peramalan penjualan energi listrik yang diperoleh dari hasil analisis data, maka dapat disimpulkan bahwa penjualan energi listrik PT PLN

(Persero) Cabang Medan terus meningkat dari tahun ke tahun, sehingga dapat juga disimpulkan bahwa kebutuhan akan energi listrik oleh masyarakat yang sumber listriknya berasal dari PT PLN (Persero) Cabang Medan sangat meningkat.

6.2 Saran

a. Dalam meramalkan nilai penjualan energi listrik untuk waktu yang akan datang, pihak PT PLN (Persero) Cabang Medan dapat menggunakan metode peramalan eksponensial ganda dengan metode linier satu-parameter dari Brown dengan menggunakan alat bantu komputer yaitu Microsoft Excel untuk mempermudah proses perhitungan.

b. Diharapkan kepada masyarakat dan para pembaca untuk lebih hemat dalam pemakaian energi listrik dilihat dari semakin berkembangnya zaman sekarang pemakaian listrik semakin meningkat tetapi kapasitas daya listrik yang tersedia terbatas sehingga nantinya tidak sering terjadi pemadaman listrik.

DAFTAR PUSTAKA

Assauri Sofyan. 1984. Teknik dan Metode Peramalan. Jakarta: Universitas Indonesia. Makridakis, S. Wheelwright, S, C, McGee, V, E, 1999. Metode dan Aplikasi

Peramalan. Edisi Kedua. Jakarta: Binarupa Aksara

Siagian Dergibson, Sugiarto. 2000. Metode Statistika Untuk Bisnis dan Ekonomi. Jakarta: Penerbit PT Gramedia Pustaka Utama

BPS. 1996-2009. Sumatera Utara Dalam Angka. Badan Pusat Statistik. Medan

Wicaksono Yudhy. 2005. Aplikasi Excel dalam Menganalisis Data. Jakarta: Alex Media Komputindo.

5. Forecast (Ft) untuk tahun ketiga yaitu pada sel G4 dapat dicari dengan

rumus : E3+F3*(1) dengan hasil 1860,6. Dan untuk tahun-tahun berikutnya hanya menyalin rumus tersebut.

5.6Pembuatan Grafik

Untuk membuat grafik pada Excel bisa menggunakan icon chart wizard yang terdapat pada toolbar.

Adapun langkah-langkah yang diperlukan adalah seperti gambar di bawah ini:

1. Blok kolom peride, Xt, S΄t, dan S΄΄t

Hasilnya dapat dilihat pada gambar berikut ini.

Gambar 5.6 Langkah-langkah pembuatan grafik Penjualan Nilai Energi Listrik PT PLN (Persero) Cabang Medan

Maka grafiknya dapat dilihat seperti gambar di bawah ini:

Gambar 5.7 Grafik Penjualan Energi Listrik (dalam giga watt) di PT PLN(Persero) Cabang Medan dari tahun 1996-2012 (periode 1-17)

BAB 6

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan hasil pengolahan data pada Bab 4, maka penulis mengambil kesimpulan sebagai berikut :

a. Dari hasil pengolahan data tahun 1996 sampai 2009 untuk nilai penjualan energi listrik PT PLN (Persero) Cabang Medan dalam satuan giga watt dengan menggunakan metode pemulusan eksponensial ganda dengan metode linier satu-parameter dari Brown, diperoleh nilai MSE terkecil yaitu 35.780,80614 dengan α = 0,5.

b. Bentuk persamaan peramalan nilai penjualan listrik PT PLN (Persero) Cabang Medan berdasarkan data tahun 1996 sampai 2009 dengan α = 0,5 adalah :

(Persero) Cabang Medan terus meningkat dari tahun ke tahun, sehingga dapat juga disimpulkan bahwa kebutuhan akan energi listrik oleh masyarakat yang sumber listriknya berasal dari PT PLN (Persero) Cabang Medan sangat meningkat.

6.2 Saran

a. Dalam meramalkan nilai penjualan energi listrik untuk waktu yang akan datang, pihak PT PLN (Persero) Cabang Medan dapat menggunakan metode peramalan eksponensial ganda dengan metode linier satu-parameter dari Brown dengan menggunakan alat bantu komputer yaitu Microsoft Excel untuk mempermudah proses perhitungan.

b. Diharapkan kepada masyarakat dan para pembaca untuk lebih hemat dalam pemakaian energi listrik dilihat dari semakin berkembangnya zaman sekarang pemakaian listrik semakin meningkat tetapi kapasitas daya listrik yang tersedia terbatas sehingga nantinya tidak sering terjadi pemadaman listrik.

DAFTAR PUSTAKA

Assauri Sofyan. 1984. Teknik dan Metode Peramalan. Jakarta: Universitas Indonesia. Makridakis, S. Wheelwright, S, C, McGee, V, E, 1999. Metode dan Aplikasi

Peramalan. Edisi Kedua. Jakarta: Binarupa Aksara

Siagian Dergibson, Sugiarto. 2000. Metode Statistika Untuk Bisnis dan Ekonomi. Jakarta: Penerbit PT Gramedia Pustaka Utama

BPS. 1996-2009. Sumatera Utara Dalam Angka. Badan Pusat Statistik. Medan

Wicaksono Yudhy. 2005. Aplikasi Excel dalam Menganalisis Data. Jakarta: Alex Media Komputindo.