Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT. PLN (PERSERO) Cabang Binjai Untuk Tahun 2010

(1)

PERAMALAN NILAI PENJUALAN ENERGI LISTRIK

(DALAM RUPIAH) DI PT. PLN (PERSERO) CABANG BINJAI

UNTUK TAHUN 2010

TUGAS AKHIR

KHAIRUL AZMI NST

072407060

PROGRAM STUDI DIPLOMA III STATISTIKA

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

(2)

PERAMALAN NILAI PENJUALAN ENERGI LISTRIK (DALAM RUPIAH) DI PT. PLN (PERSERO) CABANG BINJAI UNTUK TAHUN 2010

TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Ahli Madya

KHAIRUL AZMI NST 072407060

PROGRAM STUDI DIPLOMA III STATISTIKA DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

(3)

PERSETUJUAN

Judul : PERAMALAN NILAI PENJUALAN ENERGI

LISTRIK (DALAM RUPIAH) DI PT. PLN (PERSERO) CABANG BINJAI UNTUK TAHUN 2010

Kategori : TUGAS AKHIR

Nama : KHAIRUL AZMI NST

Nomor Induk Mahasiswa : 072407060

Program Studi : DIPLOMA (D3) STATISTIKA

Departemen : MATEMATIKA

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN

ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA

Diluluskan di Medan, Mei 2010

Diketahui/Disetujui oleh :

Departemen Matematika FMIPA USU

Ketua, Pembimbing,

Dr. Saib Suwilo, M.Sc Drs. Pasukat Sembiring, M.Si

(4)

PERNYATAAN

PERAMALAN NILAI PENJUALAN ENERGI LISTRIK (DALAM RUPIAH) DI PT. PLN (PERSERO) CABANG BINJAI UNTUK TAHUN 2010

TUGAS AKHIR

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

Medan, Mei 2010

KHAIRUL AZMI NST 072407060

(5)

PENGHARGAAN

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

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

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

D3 FMIPA USU.

3. Bapak Drs. Pasukat Sembiring, M.Si, selaku dosen pembimbing yang telah membimbing saya dalam menyelesaikan Tugas Akhir ini.

4. Kedua orang tua yang sangat saya cintai, Ayah (Alm Drs. Muhammad Nasution), Ibu (Fadhliah Lubis) yang selalu memberikan dukungan, doa, dan semangat dalam menyelesaikan Tugas Akhir ini.

5. Seluruh teman-teman seperjuangan yang turut membantu menyelesaikan Tugas Akhir ini.

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

(6)

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Daftar Isi v

Daftar Tabel vii

Daftar Gambar viii

Bab 1 Pendahuluan 1

1.1 Latar Belakang 1

1.2 Identifikasi Masalah 2

1.3 Batasan Masalah 3

1.4 Tujuan Penulisan 3

1.5 Tinjauan Pustaka 3

1.6 Metode Penelitian 4

1.7 Sistematika Penulisan 5

Bab 2 Tinjauan Teoritis 7

2.1 Pengertian Peramalan 7

2.2 Kegunaan Peramalan 7

2.3 Jenis Peramalan 8

2.4 Jenis-jenis Metode Peramalan 10

2.4.1 Analisa Deret Berkala 11

2.4.2 Pemilihan Teknik Dan Metode Peramalan 12

2.4.3 Penentuan Pola Data 13

2.5 Metode Pemulusan (Smooting) 14

2.5.1 Metode yang Digunakan 16

2.6 Ketepatan Peramalan 19

Bab 3 Sejarah Singkat Tempat Riset 19

3.1 Sejarah Singkat Badan Pusat Statistik Sumatera Utara 19 3.2 Visi dan Misi Badan Pusat Statistik 20

3.2.1 Visi Badan Pusat Statistik 20

3.2.2 Misi Badan Pusat Statistik 20

3.3 Struktur Organisasi Badan Pusat Statistik Sumatera Utara 21

3.4 Tugas, Fungsi dan Kewenangan 21

Bab 4 Analisa Data 24

4.1 Data Yang Dibutuhkan 24

4.2 Metode Pemulusan Eksponensial Ganda Satu Parameter dari

Brown 25

4.2.1 Penaksiran Model Peramalan 25

(7)

4.3 Peramalan Nilai Penjualan Energi Listrik 32

Bab 5 Implementasi Sistem 33

5.1 Pengertian Implementasi Sistem 33

5.2 Microsoft Office Excel 2007 33

5.3 Langkah-langkah Memulai Microsoft Office Excel 2007 34 5.4 Pembuatan Grafik Dengan Microsoft Office Excel 2007 35 5.5 Pengolahan Data Dengan Microsoft Office Excel 2007 37

5.6 Menghitung Ketepatan Peramalan 40

Bab 6 Kesimpulan dan Saran 43

6.1 Kesimpulan 43

6.2 Saran 44

Daftar Pustaka 45

(8)

DAFTAR TABEL

Halaman Tabel 4.1 Data Penjualan Energi Listrik di PT. PLN (PERSERO) Cabang

Binjai 24

Tabel 4.2 Menentukan MSE dengan α = 0,1 26

Tabel 4.3 Menentukan MSE dengan α = 0,2 27

Tabel 4.4 Perbandingan ukuran ketetapan metode peramalan 28 Tabel 4.5 Pemulusan Eksponensial Linier Satu Parameter dari Brown

Menggunakan α = 0,9 pada data nilai penjualan energi listrik

(dalam rupiah) di PT. PLN (PERSERO) cabang Binjai 29 Tabel 4.6 Peramalan nilai penjualan energi listrik di PT. PLN (PERSERO)

(9)

DAFTAR GAMBAR

Halaman Gambar 4.1 Plot data nilai penjualan energi listrik cabang binjai dari tahun

1996 sampai dengan 2008 25

Gambar 5.1 Langkah Memulai Microsoft Office Excel 2007 34 Gambar 5.2 Tampilan lembar kerja Microsoft Office Excel 2007 35 Gambar 5.3 Tampilan lembar kerja Microsoft Office Excel 2007 dengan

Data Nilai Penjualan Energi Listrik PT. PLN (Persero)

Cabang Binjai 36

Gambar 5.4 Tampilan Chart Nilai Penjualan Energi Listrik PT. PLN

(Persero) Cabang Binjai dalam Microsoft Office Excel 2007 37 Gambar 5.5 Hasil Peramalan dalam Metode Pemulusan Eksponensial Ganda

Satu Parameter dari Brown 40

Gambar 5.6 Hasil Peramalan dalam Metode Pemulusan Eksponensial Ganda Satu Parameter dari Brown dengan Ukuran Ketepatan Peramalan 42

(10)

BAB 1

PENDAHULUAN

1.1Latar Belakang

Dalam perekonomian, manusia berperan sebagai produsen sekaligus sebagai konsumen yang selalu berupaya memenuhi kebutuhan hidupnya melalui alat pemuas kebutuhan yang tersedia dan beranekaragam. Berbagai macam cara dilakukan terkhusus bagi konsumen guna mendapatkan kebutuhan hidupnya yaitu primer atau sekunder, baik itu melalui pemanfaatan Sumber Daya Alam (SDA) yang tersedia maupun pendaur-ulangan bahan-bahan atau produk-produk yang sudah lama tidak digunakan lagi. Sumber Daya Alam (SDA) yang tersedia merupakan salah satu alat pemuas kebutuhan manusia misalnya : tanah, air, energi gas, energi panas, energi listrik dan sebagainya.

Listrik merupakan salah satu kebutuhan primer atau penting sebab tidak bisa dipisahkan dari kehidupan manusia, karena hampir seluruh aspek kegiatan membutuhkan listrik, khususnya pada era globalisasi dan modernisasi saat ini. Perkembangan teknologi yang semakin canggih memerlukan banyak hal yang dapat mendukung kemajuan ilmu pengetahuan dan teknologi tersebut, salah satunya adalah energi listrik.

(11)

Meskipun saat ini telah tersedia sebuah alat yang dinamakan genset (generator set) yang dapat tetap mengalirkan listrik dengan menggunakan bahan abakar solar, namun alat tersebut digunakan hanya sebagai cadangan ketika listrik padam tetapi dengan menggunakan alat ini juga menghabiskan biaya yang cukup besar. Oleh karena itu energi listrik tetap sangat diperlukan meskipun alat itu telah ada. Kita secara bersama-sama mengelola dan menjaga jaringan listrik yang ada di daerah kita ini dengan menjadikannya sebagai harta yang harus dirawat dan diperhatikan dengan baik. Kita perlu instropeksi terhadap penggunaan arus listrik sehingga tidak terjadi pemborosan dan kita juga harus tahu bahwa biaya produksi listrik sangat besar, karenanya kita harus menghemat penggunaan listrik seefisien mungkin jika tidak dibutuhkan sebaiknya lampu tersebut dimatikan.

Dari keadaan dan berbagai alasan tersebut, penulis ingin meneliti salah satu Sumber Daya Alam (SDA) yang kita miliki yaitu energi listrik. Dalam hal ini, penulis ingin mengetahui dan meramalkan berapa besar nilai penjualan energi listrik (dalam rupiah) yang diperoleh khususnya di wilayah PT. PLN (Persero) Cabang Binjai. Berdasarkan pemikiran diatas maka penulis memilih judul “Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT. PLN (Persero) Cabang Binjai Untuk Tahun 2010”.

1.2Identifikasi Masalah

Dalam tulisan ini yang menjadi permasalahan adalah : Bagaimana bentuk persamaan yang dapat dipakai untuk meramalkan besarnya nilai penjualan energi listrik (dalam

(12)

rupiah) pada tahun 2010 berdasarkan data dari tahun 1996-2008 di PT.PLN (PERSERO) Cabang Binjai.

1.3Batasan Masalah

Yang menjadi batasan permasalahan adalah besarnya nilai penjualan energi listrik cabang Binjai pada tahun 2010 dengan menggunakan data dari tahun 1996-2008.

1.4Tujuan Penulisan

Secara umum penulisan ini bertujuan untuk mengetahui besarnya nilai penjualan energi listrik (dalam rupiah) di PT. PLN (PERSERO) Cabang Binjai untuk tahun 2010.

1.5Tinjauan pustaka

Teori-teori penunjang yang digunakan dalam penulisan ini dikutip dari buku-buku antara lain:

1. Teknik dan Metode Peramalan oleh Sofjan Assauri. Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia, 1984, Jakarta. Dari buku ini dikutip peramalan dengan menggunakan pemulusan (smoothing) eksponensial.

2. Metode dan Aplikasi Peramalan, oleh Spyros Makridakis. Lembaga Penerbit Erlangga, 1993, Jakarta. Dari buku ini dijelaskan lebih terperinci mengenai

(13)

langkah-langkah penggunaan metode pemulusan (smoothing) eksponensial ganda : metode linier satu parameter dari Brown.

1.6Metode Penelitian

Metode yang penulis gunakan dalam melaksanakan penelitian ini adalah:

1. Pengumpulan Data

Pengumpulan data untuk penulisan tugas akhir penulis lakukan dengan menggunakan data sekunder mengenai nilai penjualan energi listrik (dalam rupiah) PT. PLN (PERSERO) cabang Binjai dari tahun 1996-2008 yang diperoleh dari BPS (Badan Pusat Statistik) Provinsi Sumatera Utara.

2. Analisis Data

Pengolahan data untuk meramalkan nilai penjualan energi listrik (dalam rupiah) PT. PLN (PERSERO) Cabang Binjai dilakukan dengan menggunakan Metode Pemulusan (Smoothing) Eksponensial Ganda : Satu-Parameter dari Brown. Dengan rumus:

S’t = α Xt + (1-α) S’t-1

S”t = α S’t + (1-α) S”t-1

a = S’t + (S’t – S”t) = 2 S’t – S”t

bt = (S’t – S”t)

(14)

Dengan:

m = Jumlah periode di depan yang diramalkan

S’ = Nilai eksponensial smoothing tunggal

S” = Nilai eksponensial smoothing ganda α = Parameter Pemulusan Ekponensial

a = Nilai konstanta pada periode ke t

bt = Nilai slope

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

1.7Sistematika Penulisan

BAB 1 PENDAHULUAN

Bab ini menjelaskan latar belakang, perumusan masalah, tujuan penulisan, tinjauan pustaka, metode penulisan dan sistematika penulisan.

BAB 2 TINJAUAN TEORITIS

Bab ini menguraikan tentang konsep dan definisi tentang hal-hal yang menyangkut penyelesaian masalah yang dihadapi dalam Tugas Akhir.

BAB 3 SEJARAH SINGKAT TEMPAT RISET

Bab ini menjelaskan tentang sejarah singkat berdirinya Badan Pusat Statistik (BPS) Provinsi Sumatera Utara, visi, misi, dan struktur organisasinya.

(15)

BAB 4 ANALISA DATA

Bab ini menguraikan tentang data yang telah diamati dan cara penggunaan rumus yang telah ditentukan untuk analisis data tersebut.

BAB 5 IMPLEMENTASI SISTEM

Bab ini menjelaskan tentang program atau software yang dipakai sebagai analisis terhadap data yang diperoleh. Dimana program ini berfungsi sebagai pengolah data, sehingga akan menghasilkan informasi yang dibutuhkan. Program yang digunakan adalah Microsoft Office Excel 2007.

BAB 6 KESIMPULAN DAN SARAN

Bab ini merupakan bab penutup yang merupakan hasil dan kesimpulan serta saran penulis berdasarkan kesimpulan yang didapat dari permasalahan.

(16)

BAB 2

TINJAUAN TEORITIS

2.1Pengertian Peramalan

Peramalan (forecasting) adalah suatu kegiatan yang memperkirakan apa yang akan terjadi pada masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Metode peramalan merupakan cara untuk memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar data yang relevan pada masa lalu. Dengan kata lain, metode peramalan ini digunakan dalam peramalan yang bersifat objektif.

Metode peramalan merupakan cara untuk memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar data yang relevan pada masa lalu. Oleh karena itu, metode peramalan termasuk dalam kegiatan peramalan kuantitatif. Keberhasilan dari suatu peramalan sangat ditentukan oleh pengetahuan teknik tentang informasi lalu yang dibutuhkan yaitu informasi yang bersifat kuantitatif. Serta teknik dan metode peramalannya.

2.2Kegunaan Peramalan

(17)

1. Berguna untuk penjadwalan sumber daya yang tersedia. Penggunaan sumber daya yang efisien memerlukan penjadwalan produksi, transportasi, kas, personalia dan sebagainya. Input yang penting untuk penjadwalan seperti itu adalah ramalan tingkat permintaan konsumennya atau si pelanggan.

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

3. Untuk menentukan sumber daya yang diinginkan. Setiap organisasi harus menentukan sumber daya yang dimiliki dalam waktu jangka panjang. Keputusan semacam ini bergantung kepada faktor-faktor lingkungan, manusia dan pengembangan sumber daya keuangannya. Semua penentuan ini memerlukan peramalan yang baik dan menajer yang dapat menafsirkan pendugaan serta membuat keputusan yang baik.

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

(18)

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 kepada orang yang menyusunnya. Hal ini sangat penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, pendapat dan pengetahuan dari orang yang menyusunnya.

2. Peramalan Kuantitatif

Peramalan kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung kepada metode yang diperguanakan dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil peramalan yang berbeda pula. Metode kuantitaif dapat dibagi dalam deret berkala (time series) dan metode kausal.

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 peramalan kuantitatif 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).

(19)

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

Dalam penulisan Tugas Akhir ini, digunakan metode peramalan yang pertama, yaitu metode 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 dimasa yang akan datang.

Kondisi yang terakhir ini dibuat sebagai asumsi yang berkesinambungan (asumption 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 Jenis-Jenis Metode Peramalan

(20)

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

2. Metode Regresi

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

3. Metode Box-Jenkins

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

Dalam penulisan Tugas Akhir ini, yang akan digunakan adalah metode time series yang pertama, yaitu metode pemulusan eksponensial.

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. Analisa deret berkala memungkinkan untuk mengetahui perkembangan suatu 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. Stasioner itu sendiri berarti bahwa tidak terdapat pertumbuhan atau penurunan data. Data secara kasar

(21)

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

(22)

4. Biaya yang dibutuhkan

Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu prosedur peramalan. Yakni biaya-biaya pengembangan, penyimpanan 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 yang 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 disekitar nilai rata-rata yang konstan 2. Pola Data Musiman (Seasonal)

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

(23)

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

Pola yang menunjukkan kenaikan atau penurunan jangka panjang data.

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 smoothing diklasifikasikan menjadi dua bagian:

1. Metode Rata-rata

Metode rata-rata dibagi atas empat bagian: a. Rata-rata sederhana

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.

(24)

Dimana:

Ft+1 : Ramalan suatu periode ke depan

Xt : Data aktual pada periode ke-t

Ft : Ramalan pada periode ke-t α : Parameter pemulusan

Metode ini terdiri atas:

1. Pemulusan Eksponensial Tunggal a. Satu Parameter (One Parameter) b. Parameter Adaptif

2. Pemulusan Eksponensial Ganda

a. Satu Parameter (Metode Linier) dari Brown b. Dua Parameter dari Holt

3. Pemulusan Eksponensial Triple

a. Satu Parameter (Metode Kuadratik) dari Brown

Digunakan untuk pola kuadratik, kubik, atau orde yang lebih tinggi. b. Metode Kecenderungan Dan Musim Tiga Parameter Dari Winter

Dapat digunakan untuk data berbentuk trend dan musiman.

2.5.1 Metode Yang Digunakan

Untuk mendapatkan hasil yang baik harus diketahui cara peramalan yang tepat. Maka metode peramalan analisis deret berkala yang digunakan untuk meramalkan nilai

(25)

penjualan energi listrik pada pemecahan masalah ini adalah dengan menggunakan Metode Smoothing Eksponensial Ganda Satu Parameter dari Brown.

Persamaan yang dapat dipakai dalam pelaksanaan Eksponensial Linier Satu Parameter dari Brown adalah sebagai berikut:

S’t = α Xt + (1-α) S’t-1

S”t = α S’t + (1-α) S”t-1

a = S’t + (S’t – S”t) = 2 S’t – S”t

bt = (S’t – S”t)

Ft+m = a + bt t m

Dengan:

m = Jumlah periode di depan yang diramalkan

S’ = Nilai eksponensial smoothing tunggal

S” = Nilai eksponensial smoothing ganda α = Parameter Pemulusan Ekponensial

a = Nilai konstanta pada periode ke t

bt = Nilai slope

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

2.6 Ketepatan Peramalan

(26)

yang diberikan. Beberapa kriteria yang diguanakan untuk menguji ketepatan ramalan adalah:

1. Nilai tengah kesalahan (Mean Error)

ME = n n t t

e

∑

₌₁

2. Nilai tengah kesalahan kuadrat (Mean Squared Error)

MSE = n e n t t

∑

₌₁ 2

3. Nilai tengah kesalahan absolut (Mean Absolute Error)

MAE = n e n t t

∑

₌₁

4. Nilai tengah kesalahan persentase (Mean Percentage error)

MPE = n PE n t t

∑

₌₁

5. Nilai tengah kesalahan persentase absolut (Mean Absolute Percentage

Error) MAPE = n PE n t t

∑

₌₁

Dengan:

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

Xt = data aktual pada periode ke t

(27)

PEt =

( )

100   

 −

t t t

X F X

( kesalahan persentase pada periode ke t )

n = banyaknya periode waktu

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

(28)

BAB 3

SEJARAH SINGKAT TEMPAT RISET

3.1Sejarah Singkat Badan Pusat Statistik Sumatera Utara

Tahun1968, ditetapkan Peraturan Pemerintah No.16 tahun 1968, yang mengatur Organisasi dan Tata Kerja BPS (di Pusat dan Daerah).

Tahun 1980, ditetapkan Peraturan Pemerintah No.6 tahun 1980, tentang Organisasi BPS sebagai pengganti PP No.16 tahun 1968. Berdasarkan PP No. 6/1980 di setiap Provinsi terdapat kantor statistik dengan nama KANTOR STATISTIK PROVINSI dan begitu juga di setiap Kabupaten/ Kotamadya terdapat kantor statistik dengan nama KANTOR STATISTIK KABUPATEN/KOTAMADYA. Dengan demikian mulai saat itu Kantor Statistik Provinsi secara resmi ada diseluruh Indonesia, tidak terkecuali di Provinsi Sumatera Utara dengan nama Kantor Statistik Provinsi Sumatera Utara. Demikian juga untuk Kabupaten/Kotamadya seluruh Provinsi Sumatera Utara berdiri Perwakilan BPS Kantor Statistik Kabupaten/Kotamadya pada saat itu.

Tahun 1992, ditetapkan Peraturan Pemerintah No.2 tahun 1992, tentang Organisasi BPS sebagai pengganti PP No. 6/1980. Kedudukan , tugas, fungsi, susunan organisasi , dan tata kerja Biro Pusat Statistik selanjutnya diatur dengan Keputusan Presiden.

(29)

Tahun 1997, ditetapkan Undang-undang No. 16 Tahun 1997 tentang Statistik sebagai pengganti Undang No.6 Tahun 1960 tentang Sensus dan Undang-undang No.7 Tahun 1960 tentang Statistik.

Tahun 1998, ditetapkan Keputusan Presiden no. 86 Tahun 1998 tentang Badan Pusat Statistik sebagai pengganti Keputusan Presiden No.6 Tahun 1992 tentang Kedudukan, tugas, fungsi, susunan organisasi dan tata kerja Biro Pusat Statistik. Berdasarkan Keputusan Presiden ini "Kantor Statistik Provinsi Sumatera Utara" berubah menjadi BADAN PUSAT STATISTIK (BPS) PROVINSI SUMATERA UTARA

3.2Visi dan Misi Badan Pusat Statistik

3.2.1 Visi Badan Pusat Statistik

Visi Badan Pusat Statistik adalah sebagai penyedia data statistik berkualitas.

3.2.2 Misi Badan Pusat Statistik

Misi yang diemban BPS adalah sebagai berikut:

1. Menyediakan informasi statistik yang berkualitas : lengkap, akurat, relevan, mutakhir dan berkesinambungan.

2. Meningkatkan upaya koordinasi, integrasi, sinkronisasi dan standarisasi kegiatan statistik dalam kerangka Sistem Statistik Nasional (SSN) yang andal,

(30)

3. Meningkatkan kapasitas sumber daya secara optimal sesuai dengan perkembangan ilmu pengetahuan dan teknologi informasi mutakhir.

3.3Struktur Organisasi Badan Pusat Statistik Sumatera Utara

Gambar 3.1 Struktur Organisasi Badan Pusat Statistik Sumatera Utara

3.4Tugas, Fungsi dan Kewenangan Badan Pusat Statistik

Tugas, fungsi dan kewenangan BPS telah ditetapkan dalam Keputusan Presiden RI (Keppres) Nomor 103 Tahun 2001. Dalam menjalankan tugas, fungsi, dan

(31)

kewenangannya seperti tercantum di bawah ini, BPS juga dibatasi oleh 10 prinsip etika perstatistikan yang tercantum dalam United Nations Fundamental Principles of Official Statistics.

1. Tugas

Melaksanakan tugas pemerintahan di bidang kegiatan statistik sesuai dengan ketentuan peraturan perundang-undangan yang berlaku.

2. Fungsi

a. Pengkajian dan penyusunan kebijakan nasional di bidang kegiatan statistik;

b. Penyelenggaraan statistik dasar;

c. Koordinasi kegiatan fungsional dalam pelaksanaan tugas BPS;

d. Fasilitasi pembinaan terhadap kegiatan instansi pemerintah di bidang kegiatan statistik; dan

e. Penyelenggaraan pembinaan dan pelayanan administrasi umum di bidang perencanaan umum, ketatausahaan, organisasi dan tatalaksana, kepegawaian, keuangan, kearsipan, hukum, persandian, perlengkapan dan rumah tangga.

3. Kewenangan

a. Penyusunan rencana nasional secara makro di bidangnya;

b. Perumusan kebijakan di bidangnya untuk mendukung pembangunan secara makro;

(32)

d. Penetapan dan penyelenggaraan statistik nasional;

e. Kewenangan lain sesuai dengan ketentuan peraturan perundang-undangan yang berlaku, yaitu:

i. perumusan dan pelaksanaan kebijakan tertentu di bidang kegiatan statistik;

(33)

BAB 4

ANALISA DATA

4.1Data Yang Dibutuhkan

Tabel 4.1 Data Nilai Penjualan Energi Listrik di PT. PLN (Persero) Cabang Binjai

No. Tahun Nilai Penjualan

(Dalam Milyar Rupiah)

1 1996 48,27

2 1997 56,15

3 1998 72,98

4 1999 85,05

5 2000 118,83

6 2001 156,50

7 2002 221,86

8 2003 306,92

9 2004 340,05

10 2005 351,75

11 2006 369,61

12 2007 406,70

13 2008 474,32

Sumber : Badan Pusat Statistik (BPS) Provinsi Sumatera Utara

(34)

Gambar 4.1 Plot Data Jumlah Penjualan Energi Listrik di PT. PLN (Persero) Cabang Binjai dari tahun 1996 sampai tahun 2008

Dari gambar 4.1 dapat dilihat bahwa plot data jumlah penjualan energi listrik di PT. PLN (Persero) Cabang Binjai dari tahun 1996 sampai tahun 2008 tidak stasioner atau menunjukkan pola trend, sehingga kita dapat menggunakan Metode Pemulusan Eksponensial Ganda: Metode Linier Satu Parameter dari Brown.

4.2Metode Pemulusan Eksponensial Ganda Satu Parameter Dari Brown

4.2.1 Penaksiran Model Peramalan

Dalam pengolahan dan penganalisaan data, penulis mengaplikasikan data (tabel 4.1) dengan peramalan berdasarkan metode pemulusan eksponensial satu parameter dari Brown. Untuk memenuhi perhitungan pemulusan ganda, tunggal dan ramalan yang akan datang, maka terlebih dahulu kita menentukan parameter nilai α secara trial and error (coba dan salah). Suatu nilai α dipilih yang besarnya 0 < α < 1, dihitung Mean Square Error (MSE) yang merupakan suatu ukuran tetapan perhitungan dengan

(35)

mengkuadratkan masing-masing kesalahan untuk masing-masing item dalam sebuah susunan data dan kemudian memperoleh rata-rata atau nilai tengah kuadrat tersebut dan kemudian dicoba nilai α yang lain.

Untuk menghitung MSE pertama dicari error terlebih dahulu yang merupakan hasil dari data asli dikurangi hasil ramalan. Lalu tiap error dikuadratkan dan dibagi dengan banyaknya error. Secara matematis rumus MSE (Mean Square Error) sebagai berikut: MSE = n e n t t

∑

₌₁ 2

Tabel 4.2 Menentukan MSE dengan menggunakan α = 0,1

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

1 48,27 48,27 48,27

2 56,15 49,06 48,35 49,77 0,08

3 72,98 51,45 48,66 54,24 0,31 49,85 23,13 535,18 4 85,05 54,81 49,27 60,35 0,62 54,55 30,50 930,15 5 118,83 61,21 50,47 71,96 1,19 60,96 57,87 3.348,77 6 156,50 70,74 52,50 88,99 2,03 73,15 83,35 6.947,18 7 221,86 85,85 55,83 115,87 3,34 91,01 130,85 17.120,67 8 306,92 107,96 61,04 154,88 5,21 119,21 187,71 35.234,85 9 340,05 131,17 68,06 194,28 7,01 160,09 179,96 32.386,26 10 351,75 153,23 76,57 229,88 8,52 201,29 150,46 22.637,19 11 369,61 174,87 86,40 263,33 9,83 238,40 131,21 17.216,80 12 406,70 198,05 97,57 298,53 11,16 273,16 133,54 17.833,78 13 474,32 225,68 110,38 340,97 12,81 309,69 164,63 27.101,51

(36)

Maka: MSE = n e n t t

∑

₌₁ 2

MSE = 11 34 , 292 . 181

MSE = 16.481,12

Tabel 4.3 Menentukan MSE dengan menggunakan α = 0,2

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

1 48,27 48,27 48,27

2 56,15 49,85 48,59 51,11 0,32

3 72,98 54,47 49,76 59,18 1,18 51,42 21,56 464,75 4 85,05 60,59 51,93 69,25 2,17 60,36 24,69 609,58 5 118,83 72,24 55,99 88,48 4,06 71,41 47,42 2.248,30 6 156,50 89,09 62,61 115,57 6,62 92,55 63,95 4.090,20 7 221,86 115,64 73,22 158,07 10,61 122,19 99,67 9.934,31 8 306,92 153,90 89,35 218,44 16,14 168,68 138,24 19.111,04 9 340,05 191,13 109,71 272,55 20,36 234,58 105,47 11.123,67 10 351,75 223,25 132,42 314,09 22,71 292,91 58,84 3.462,71 11 369,61 252,52 156,44 348,61 24,02 336,80 32,81 1.076,60 12 406,70 283,36 181,82 384,90 25,38 372,63 34,07 1.160,63 13 474,32 321,55 209,77 433,33 27,95 410,28 64,04 4.101,03

Jumlah 57.382,82

Untuk: α = 0,2; n = 11

Maka: MSE = n

e n

t t

∑

₌₁ 2

MSE = 11 82 , 382 . 57

(37)

Jadi untuk α = 0,3 sampai dengan α = 0,9 dapat dicari dengan persamaan diatas.

Kemudian salah satu nilai MSE tersebut dibandingkan untuk menentukan α yang memberikan MSE yang terkecil/minimum. Perbandingan ukuran ketetapan metode peramalan peningkatan nilai penjualan listrik cabang binjai dengan melihat MSE sebagai berikut:

Tabel 4.4 Perbandingan Ukuran Ketetapan Metode Peramalan

α MSE

0,1 16.481,12 0,2 5.216,62 0,3 2.352,85 0,4 1.465,34 0,5 1.106,66 0,6 920,18 0,7 797,81 0,8 702,87 0,9 625,78

Dari tabel 4.4 diatas dapat dilihat yang menghasilkan nilai MSE yang paling kecil atau minimum yaitu pada nilai parameter pemulusan α = 0,9 yaitu dengan MSE = 625,78. Jadi α yang dipakai adalah α = 0,9.

(38)

Tabel 4.5 Pemulusan Eksponensial Ganda: Metode Linier Satu Parameter dari Brown dengan menggunakan α = 0,9 pada Nilai Penjualan Energi Listrik (Dalam Milyar Rupiah) di PT. PLN (Persero) Cabang Binjai

t Xt S't S''t at bt Ft+m et |et| et2 PEt |PEt|

1 48,27 48,27 48,27

2 56,15 55,36 54,65 56,07 6,38

3 72,98 71,22 69,56 72,87 14,91 62,45 10,53 10,53 110,80 14,42 14,42 4 85,05 83,67 82,26 85,08 12,69 87,78 -2,73 2,73 7,47 -3,21 3,21 5 118,83 115,31 112,01 118,62 29,75 97,77 21,06 21,06 443,44 17,72 17,72 6 156,50 152,38 148,34 156,42 36,34 148,37 8,13 8,13 66,08 5,19 5,19 7 221,86 214,91 208,26 221,57 59,91 192,75 29,11 29,11 847,11 13,12 13,12 8 306,92 297,72 288,77 306,67 80,52 281,48 25,44 25,44 647,18 8,29 8,29 9 340,05 335,82 331,11 340,52 42,34 387,18 -47,13 47,13 2.221,53 -13,86 13,86 10 351,75 350,16 348,25 352,06 17,14 382,86 -31,11 31,11 967,90 -8,84 8,84 11 369,61 367,66 365,72 369,61 17,47 369,20 0,41 0,41 0,17 0,11 0,11 12 406,70 402,80 399,09 406,50 33,37 387,08 19,62 19,62 385,06 4,82 4,82 13 474,32 467,17 460,36 473,98 61,27 439,87 34,45 34,45 1.186,84 7,26 7,26

(39)

Ukuran Ketepatan Metode Peramalan dengan α = 0,9 dari tabel 4.5: 1. Nilai tengah kesalahan (Mean Error)

ME = n n t t

e

∑

₌₁ ME =

11 76 , 67

ME = 6,16

2. Nilai tengah kesalahan kuadrat (Mean Squared Error)

MSE = n e n t t

∑

₌₁ 2

MSE = 11 57 , 883 . 6

MSE = 625,78

3. Nilai tengah kesalahan absolut (Mean Absolute Error)

MAE = n e n t t

∑

₌₁ MAE =

11 72 , 229

MAE = 20,88

4. Nilai tengah kesalahan persentase (Mean Percentage error)

MPE = n PE n t t

∑

₌₁ MPE =

11 03 , 45

MPE = 4,09

5. Nilai tengah kesalahan persentase absolut (Mean Absolute Percentage

Error)

PE n

∑

(40)

MAPE =

11 86 , 96

MAPE = 8,81

4.2.2 Penentuan Bentuk Persamaan Peramalan

Perhitungan pada tabel 4.5 di atas didasarkan α = 0,9 dan ramalan untuk satu periode ke depan yaitu dalam perhitungan periode ke 12. Perhitungan peramalan:

S’t = α Xt + (1-α) S’t-1

S”t = α S’t + (1-α) S”t-1

a = S’t + (S’t – S”t) = 2 S’t – S”t

bt = (S’t – S”t)

Ft+m = a + bt t m

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

Ft+m = 473,98 + 61,27 (m)

4.3Peramalan Nilai Penjualan Energi Listrik

Setelah diperoleh model peramalan nilai penjualan energi listrik, maka dapat dihitung untuk 2 periode ke depan yaitu untuk tahun 2009 dan 2010 seperti tertera di bawah ini:

(41)

Ft+m = 473,98 + 61,27 (m)

F13+1 = 473,98 + 61,27 (1)

F14 = 535,25

b. Untuk periode 15 (tahun 2010)

Ft+m = 473,98 + 61,27 (m)

F13+2 = 473,98 + 61,27 (2)

F15 = 596,52

Tabel 4.6 Peramalan Nilai Penjualan Energi Listrik (Dalam Milyar Rupiah) Di PT. PLN (Persero) Cabang Binjai Tahun 2009 sampai 2010

Tahun Periode Forecasting (Milyar Rupiah)

2009 14 535,25

(42)

BAB 5

IMPLEMENTASI SISTEM

5.1Pengertian Implementasi Sistem

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

Dalam pengolahan data pada Tugas Akhir ini penulis menggunakan satu perangkat lunak sebagai implementasi sistem yaitu Microsoft Office Excel 2007 dalam menyelesaikan masalah untuk memperoleh hasil perhitungan. Karena dalam hal pengolahan data, komputer mempunyai kelebihan dari manusia yaitu kecepatan, ketepatan, dan keandalan dalam memproses data.

5.2Microsoft Office Excel 2007

Microsoft Office Excel 2007 merupakan program aplikasi lembar kerja elektronik dari paket program Microsoft Office. Microsoft Office Excel banyak berperan dalam pengelolaan informasi khususnya data yang berbentuk angka, dihitung, diproyeksikan, dianalisa, dan dipresentasikan data pada lembar kerja. Microsoft telah mengeluarkan Excel dalam berbagai versi mulai dari versi 4, versi 5, versi 97, versi 2000, versi XP (2002), versi 2003, versi 2007.

(43)

Dalam pengolahan data Tugas Akhir ini, penulis sebagian mengolah dengan menggunakan Microsoft Office Excel 2007 karena Microsoft Office Excel 2007 hadir dengan berbagai penyempurnaan, lebih mudah digunakan, lebih terintegrasi dengan berbagai software lain, seperti Microsoft Word, SPSS, dan lain-lain. Keunggulan program spreadsheet ini adalah mudah dipakai, fleksibel, mudah terintegrasi dengan aplikasi berbasis windows.

5.3Langkah-langkah Memulai Microsoft Office Excel 2007

Sebelum mengoperasikan software ini, pastikan bahwa pada komputer telah terpasang program Microsoft Office Excel. Langkahnya sebagai berikut;

1. Klik tombol Start, klik All Programs, klik Microsoft Office dan Klik Microsoft Office Excel 2007, seperti gambar dibawah ini:

(44)

2. Setelah itu muncul tampilan worksheet (lembar kerja) seperti dibawah ini:

Gambar 5.2 Tampilan Lembar Kerja Microsoft Office Excel 2007

5.4Pembuatan Grafik dengan Microsoft Office Excel 2007

1. Input data tiap tahun pada kolom pertama untuk periode, kolom kedua untuk tahun dan kolom ketiga untuk data nilai penjualan energi listrik di PLN (Persero) cabang Binjai, seperti gambar berikut:

(45)

Gambar 5.3 Tampilan Lembar Kerja Microsoft Office Excel dengan data nilai penjualan energi listrik di PLN (Persero) cabang Binjai

2. Kemudian blok data yang akan di jadikan chart, dalam hal ini yaitu C2:C14. 3. Lalu klik menu Insert, pada submenu Chart klik Line dan pilih Line with

markers, maka akan tampil seperti gambar di bawah ini:

4. Lalu untuk mengubah koordinat garis horizontal menjadi tahun, maka klik pada chart tersebut, lalu klik menu Chart Tools, klik Design, dan klik Select

Data.

5. Dan pada kotak dialog Horizontal (Category) Axis Labels, klik Edit, dan blok data yang akan dijadikan sebagai tahun, dalam hal ini B2:B14, klik OK, lalu OK.

6. Untuk keterangan pendukung grafik seperti Titles (judul grafik), dan Axis Title maka klik Chart Tools, Layout, dan klik pada Chart Title dan Axis Titles, lalu pilih tata letak yang diinginkan, setelah itu ubah judul menjadi judul yang

(46)

7. Maka akan tampil seperti gambar di bawah ini:

Gambar 5.4 Tampilan Chart Nilai penjualan energi listrik di PLN (Persero) cabang Binjai dalam Microsoft Office Excel 2007

5.5Pengolahan Data dengan Microsoft Office Excel 2007

Dari data di atas dapat ditentukan besarnya peramalan deng an α = 0 ,9 . Dan untuk setiap perhitungan akan diberi nama tiap kolom seperti berikut ini:

1. Pada kolom pertama ditulis keterangan dengan t 2. Pada kolom ke dua ditulis keterangan dengan Xt 3. Pada kolom ke tiga ditulis keterangan dengan S't 4. Pada kolom ke empat ditulis keterangan dengan S''t 5. Pada kolom ke lima ditulis keterangan dengan at 6. Pada kolom ke enam ditulis keterangan dengan bt 7. Pada kolom ke tujuh ditulis keterangan dengan Ft+m

(47)

8. Pada kolom ke delapan ditulis keterangan dengan et 9. Pada kolom ke sembilan ditulis keterangan dengan |et| 10.Pada kolom ke sepuluh ditulis keterangan dengan et2 11.Pada kolom ke sebelas ditulis keterangan dengan PEt 12.Pada kolom ke duabelas ditulis keterangan dengan |PEt|

Maka perhitungan masing-masing untuk periode, data aktual, pemulusan eksponensial tunggal, pemulusan eksponensial ganda, konstanta, slope, forecast, dan

error adalah sebagai berikut:

1. Periode (t)

Periode dalam kasus ini adalah tahun, dari 1996 sampai dengan 2008, yang kemudian digantikan dengan periode 1 sampai dengan 13.

2. Data aktual (Xt)

Data aktualnya adalah nilai penjualan energi listrik PT. PLN (Persero) Cabang Binjai dari tahun 1996 sampai dengan 2008.

3. Pemulusan Eksponensial Tunggal (S’).

Untuk periode pertama yakni tahun 1996, adalah sebesar periode pertama dari data historisnya, sehingga rumus yang tertera pada sel C2 adalah =B2.

Sedangkan untuk periode kedua yakni untuk tahun 1997 dapat menggunakan rumus =(0,9*B3)+((1-0,9)*C2). Dalam kasus ini untuk sel C3 menghasilkan angka 55,36. Untuk periode ketiga sampai periode ke tigabelas kita tinggal menyalin rumus pada sel C3.

(48)

4. Pemulusan Eksponensial Ganda (S” )

Untuk periode pertama yakni tahun 1996, adalah sebesar periode pertama dari data historisnya, sehingga rumus yang tertera pada sel D2 adalah =B2.

Sedangkan untuk periode kedua yakni untuk tahun 1997 dapat menggunakan rumus =(0,9*C3)+((1-0,9)*D2). Dalam kasus ini untuk sel D3 menghasilkan angka 54,65. Untuk periode ketiga sampai periode ke tigabelas kita tinggal menyalin rumus pada sel D3.

5. Nilai konstanta pada periode ke t (at )

Dicari pada periode kedua, dengan rumus pada sel E3 adalah =(2*C3)-D3, sehingga menghasilkan angka 56,07. Untuk tahun-tahun berikutnya tinggal menyalin rumus pada sel E3.

6. Nilai slope (bt)

Dicari pada periode kedua, dengan rumus pada sel F3 adalah =(0,9/(1-0,9))*(C3-D3), sehingga menghasilkan angka 6,38. Untuk tahun-tahun berikutnya tinggal menyalin rumus pada sel F3.

7. Peramalan (Ft+m)

Dicari pada periode ketiga, dengan rumus pada sel G4 adalah =E3+F3, sehingga menghasilkan angka 62,45. Untuk tahun-tahun berikutnya tinggal menyalin rumus pada sel G4.

Dan rumus untuk peramalan pada periode ke empatbelas atau tahun 2009 adalah =E14+F14 yang menghasilkan 535,25. Dan untuk periode ke limabelas atau tahun 2010 adalah =E14+(F14*2) yang menghasilkan 596,52.

(49)

Gambar 5.5 Hasil Peramalan dalam Metode Pemulusan Eksponensial Ganda Satu Parameter dari Brown

5.6Menghitung Ketepatan Peramalan

1. Error (et)

Dicari pada periode ketiga, dengan rumus pada sel H4 adalah =B4-G4 sehingga menghasilkan angka 10,53. Untuk tahun-tahun berikutnya tinggal menyalin rumus pada sel H4. Untuk jumlah error pada sel H17 digunakan rumus =SUM(H4:H14). Maka hasil jumlah error adalah 67,76.

Untuk Mean Error (ME) pada sel H18 digunakan rumus =H17/11 yang hasilnya adalah 6,16.

(50)

Dicari pada periode ketiga, dengan rumus pada sel I4 adalah =ABS(H4) sehingga menghasilkan angka 10,53. Untuk tahun-tahun berikutnya tinggal menyalin rumus pada sel I4. Untuk jumlah absolute error pada sel I17 digunakan rumus =SUM(I4:I14). Dan hasilnya adalah 229,72.

Untuk Mean Absolut Error (MAE) pada sel I19 digunakan rumus =I17/11 yang hasilnya adalah 20,88.

3. Square Error (et2)

Dicari pada periode ketiga, dengan rumus pada sel J4 adalah =H4^2 sehingga menghasilkan angka 110,80. Untuk tahun-tahun berikutnya tinggal menyalin rumus pada sel J4. Untuk jumlah square error pada sel J17 digunakan rumus =SUM(J4:J14). Dan hasilnya adalah 6.883,57.

Untuk Mean Square Error (MSE) pada sel J20 digunakan rumus =J17/11 yang hasilnya adalah 625,78.

4. Percentage Error (PEt)

Dicari pada periode ketiga, dengan rumus pada sel K4 adalah =(H4/B4)*100 sehingga menghasilkan angka 14,42. Untuk tahun-tahun berikutnya tinggal menyalin rumus pada sel K4. Untuk jumlah Percentage Error pada sel K17 digunakan rumus =SUM(K4:K14). Dan hasilnya adalah 45,03.

Untuk Mean Percentage Error (MPE) pada sel K21 digunakan rumus =K17/11 yang hasilnya adalah 4,09.

5. Absolute Percentage Error (|PEt|)

Dicari pada periode ketiga, dengan rumus pada sel L4 adalah =ABS(K4) sehingga menghasilkan angka 14,42. Untuk tahun-tahun berikutnya tinggal

(51)

menyalin rumus pada sel L4. Untuk jumlah Percentage Error pada sel L17 digunakan rumus =SUM(L4:L14). Dan hasilnya adalah 96,86.

Untuk Mean Absolute Percentage Error (MAPE) pada sel L22 digunakan rumus =L17/11 yang hasilnya adalah 8,81.

Setelah selesai akan tampil seperti gambar di bawah ini:

Gambar 5.6 Hasil Peramalan dalam Metode Pemulusan Eksponensial Ganda Satu Parameter dari Brown dengan Ukuran Ketepatan Peramalan

(52)

BAB 6

KESIMPULAN DAN SARAN

6.1Kesimpulan

Berdasarkan hasil analisis data yang dilakukan sebelumnya pada Bab 4, maka kesimpulan yang diperoleh adalah sebagai berikut:

1. Dengan Metode Smoothing Eksponensial Ganda Satu Parameter dari Brown didapat nilai MSE yang terkecil adalah dengan α = 0,9 yaitu MSE = 625,78.

2. Bentuk persamaan peramalan dari nilai penjualan energi listrik pada PT. PLN (Persero) cabang Binjai berdasarkan data dari tahun 1996 sampai dengan tahun 2008 adalah :

Ft+m = 473,98 + 61,27 (m)

3. Diperkirakan nilai penjualan energi listrik di PT. PLN (Persero) cabang Binjai untuk periode ke-15 atau pada tahun 2010 adalah sebesar Rp. 596,52 Milyar.

(53)

6.2Saran

Saran dari penulis adalah:

1. Dalam meramalkan nilai penjualan energi listrik, pihak PT. PLN (Persero) Cabang Binjai dapat menggunakan analisis peramalan dengan menggunakan Metode Pemulusan Eksponensial Ganda Satu Parameter dari Brown.

2. Dalam meramalkan nilai penjualan energi listrik pada PT. PLN (Persero) Cabang Binjai dangan menggunakan Metode Pemulusan Eksponensial Ganda Satu Parameter dari Brown akan sangat membantu jika kita menggunakan alat bantu komputer khusunya program Microsoft Office Excel 2007.

3. Dari hasil peramalan dan dari data yang ada, nilai penjualan energi listrik di PT. PLN (Persero) Cabang Binjai diperkirakan akan terus mengalami peningkatan, hal ini berarti bahwa semakin tinggi permintaan energi listrik oleh masyarakat. Untuk menghadapai kondisi tersebut sebaiknya PT. PLN (Persero) Cabang Binjai terus menyiapkan pasokan energi listrik. Sehingga kegiatan pemadaman listrik bergilir selama ini bisa dikurangi ataupun diatasi.

(54)

DAFTAR PUSTAKA

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

BPS. 2000. Sumatera Utara dalam Angka 1998: Badan Pusat Statistik BPS. 2000. Sumatera Utara dalam Angka 2001: Badan Pusat Statistik BPS. 2000. Sumatera Utara dalam Angka 2004: Badan Pusat Statistik BPS. 2000. Sumatera Utara dalam Angka 2008: Badan Pusat Statistik

Makridakis, Spyros. 1999. Metode dan Aplikasi Peramalan. Terjemahan Ir. Hari Suminto. Jakarta: Binarupa Aksara

(55)

(56)

Data Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT. PLN (PERSERO) Cabang Binjai

Dari Tahun 1996 sampai 2008

No. Tahun Nilai Penjualan

(Dalam Milyar)

1 1996 48,27

2 1997 56,15

3 1998 72,98

4 1999 85,05

5 2000 118,83

6 2001 156,50

7 2002 221,86

8 2003 306,92

9 2004 340,05

10 2005 351,75

11 2006 369,61

12 2007 406,70

13 2008 474,32

Sumber : Badan Pusat Statistik (BPS) Provinsi Sumatera Utara

(57)

DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS SUMATERA UTARA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

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

Medan, 19 Januari 2010

Nomor : / H5.2.1.8/SPB/2010

Lampiran : -

Hal : Pengumpulan Data Riset Mahasiswa Program Studi Diploma-3 Statistika

Departemen Matematika FMIPA USU Kepada Yth:

Kepala Badan Pusat Statistik (BPS) Provinsi Sumatera Utara Jl. Asrama No. 179

Medan

Dengan hormat,

Bersama ini kami mohonm kesediaan Bapak/Ibu untuk menerima mahasiswa Program Studi Diploma-3 Statistika FMIPA USU, untuk melakukan penelitian/pengumpulan data atas nama:

No. Nama NIM Program Studi

1. Khairul Azmi Nst 072407060 D-3 Statistika

Data dimaksud diolah dan khusus dipergunakan untuk menyusun Tugas Akhir Mahasiswa yang bersangkutan pada Program Studi Diploma-3 Statistika Departemen Matematika FMIPA USU.

Demikian kami sampaikan, atas bantuan dan kerja sama yang baik kami ucapkan terimakasih

A.n. Dekan FMIPA USU Pembantu Dekan I

NIP. 19631026 199103 1 001 Dr. Sutarman, M.Sc

Tembusan:

(1)

BAB 6

KESIMPULAN DAN SARAN

6.1Kesimpulan

Berdasarkan hasil analisis data yang dilakukan sebelumnya pada Bab 4, maka kesimpulan yang diperoleh adalah sebagai berikut:

1. Dengan Metode Smoothing Eksponensial Ganda Satu Parameter dari Brown

didapat nilai MSE yang terkecil adalah dengan α = 0,9 yaitu MSE = 625,78.

2. Bentuk persamaan peramalan dari nilai penjualan energi listrik pada PT. PLN (Persero) cabang Binjai berdasarkan data dari tahun 1996 sampai dengan tahun 2008 adalah :

Ft+m = 473,98 + 61,27 (m)

3. Diperkirakan nilai penjualan energi listrik di PT. PLN (Persero) cabang Binjai untuk periode ke-15 atau pada tahun 2010 adalah sebesar Rp. 596,52 Milyar.

(2)

6.2Saran

Saran dari penulis adalah:

(3)

DAFTAR PUSTAKA

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

Makridakis, Spyros. 1999. Metode dan Aplikasi Peramalan. Terjemahan Ir. Hari Suminto. Jakarta: Binarupa Aksara

(4)

(5)

Data Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT. PLN (PERSERO) Cabang Binjai

Dari Tahun 1996 sampai 2008

No. Tahun Nilai Penjualan

(Dalam Milyar)

1 1996 48,27

2 1997 56,15

3 1998 72,98

4 1999 85,05

5 2000 118,83

6 2001 156,50

7 2002 221,86

8 2003 306,92

9 2004 340,05

10 2005 351,75

11 2006 369,61

12 2007 406,70

13 2008 474,32

Sumber : Badan Pusat Statistik (BPS) Provinsi Sumatera Utara

(6)

DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS SUMATERA UTARA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

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

Medan, 19 Januari 2010 Nomor : / H5.2.1.8/SPB/2010

Lampiran : -

Hal : Pengumpulan Data Riset Mahasiswa Program Studi Diploma-3 Statistika

Departemen Matematika FMIPA USU Kepada Yth:

Kepala Badan Pusat Statistik (BPS) Provinsi Sumatera Utara Jl. Asrama No. 179

Medan

Dengan hormat,

Bersama ini kami mohonm kesediaan Bapak/Ibu untuk menerima mahasiswa Program Studi Diploma-3 Statistika FMIPA USU, untuk melakukan penelitian/pengumpulan data atas nama:

No. Nama NIM Program Studi

1. Khairul Azmi Nst 072407060 D-3 Statistika

Data dimaksud diolah dan khusus dipergunakan untuk menyusun Tugas Akhir Mahasiswa yang bersangkutan pada Program Studi Diploma-3 Statistika Departemen Matematika FMIPA USU.

Demikian kami sampaikan, atas bantuan dan kerja sama yang baik kami ucapkan terimakasih

A.n. Dekan FMIPA USU Pembantu Dekan I

Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT. PLN (PERSERO) Cabang Binjai Untuk Tahun 2010