PERAMALAN NILAI PENJUALAN ENERGI LISTRIK (DALAM RUPIAH) DI PT PLN (PERSERO) CABANG MEDAN UNTUK TAHUN 2010 BERDASARKAN DATA TAHUN TUGAS AKHIR

PERAMALAN NILAI PENJUALAN ENERGI LISTRIK (DALAM RUPIAH) DI PT PLN (PERSERO) CABANG MEDAN UNTUK TAHUN 2010 BERDASARKAN DATA TAHUN 1997-2007

TUGAS AKHIR

DEVISANTA W M 062407034

PROGRAM STUDI DIII STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNVERSITAS SUMATERA UTARA MEDAN 2009

Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.


TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Ahli Madya


PROGRAM STUDI DIII STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNVERSITAS SUMATERA UTARA MEDAN 2009


PERSETUJUAN

Judul

Kategori Nama Nomor induk mahasiswa Program Studi Departemen Fakultas

: PERAMALAN NILAI PENJUALAN ENERGI LISTRIK (DALAM RUPIAH) DI PT PLN (PERSERO) CABANG MEDAN UNTUK TAHUN 2010 BERDASARKAN DATA TAHUN 1997-2007 : TUGAS AKHIR : DEVISANTA W M : 062407034 : D3 STATISTIKA : MATEMATIKA : MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

Disahkan di Medan, Juni 2009

Diketahui/Disetujui oleh Departemen Matematika FMIPA USU Ketua,

Dr.Saib Suwilo, M.Sc NIP. 131 796 149

Pembimbing,

Dra. Rahmawati Pane, M.Si NIP.131 474 682


PERNYATAAN


Tugas Akhir

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

Medan, Juni 2009



PENGHARGAAN

Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa, karena atas berkat dan rahmat-Nya sehingga penulis dapat menyusun dan menyelesaikan Tugas Akhir ini dengan baik. Terimakasih penulis ucapkan kepada Ibu Dra. Rahmawati Pane M.Si selaku pembimbing pada penyelesaian Tugas Akhir ini yang telah memberikan bimbingan dan masukannya untuk kesempurnaan Tugas Akhir ini. Ucapan terimakasih juga ditujukan kepada Ketua Departemen Matematika Dr. Saib Suwilo, M.Sc., Dekan FMIPA Dr. Edy Marlianto, M.Sc., Pembantu Dekan FMIPA, semua Dosen pada Departemen Matematika FMIPA USU, seluruh Staf Pegawai FMIPA USU, dan rekan-rekan kuliah di D-3 Statistika’06 USU. Ucapan terimakasih juga penulis ucapkan kepada teman-teman satu pelayanan di KMKS (Koordinasi Periode XX dan KPA Salvation ) yang senantiasa setia mendukung saya dalam doa-doa dan semangat. Akhirnya, tidak terlupakan saya mengucapkan terima kasih kepada keluarga yang saya cintai Ayah (M.Munthe), Ibu ( M br Haloho) dan adik-adik saya (Sani dan Hotben) yang selama ini memberikan bantuan dan dorongan yang diperlukan. Semoga Tuhan Yang Maha Esa membalasnya.


DAFTAR ISI

Halaman Persetujuan Pernyataan Penghargaan Daftar isi Daftar tabel Daftar gambar

ii iii iv v vii viii

Bab 1 Pendahuluan 1.1 Latar Belakang 1.2 Identifikasi Masalah 1.3 Batasan Masalah 1.4 Tujuan Penulisan 1.5 Tinjauan Pustaka 1.6 Metode Penelitian 1.7 Sistematika Penulisan

1 1 3 3 3 4 4 6

Bab 2 Landasan Teori 2.1 Pengertian Peramalan (Forecasting) 2.2 Kegunaan Peramalan 2.3 Jenis Peramalan 2.4 Jenis-jenis Metode Peramalan 2.4.1 Analisa Deret Berkala 2.4.2 Pemilihan teknik dan Metode Peramalan 2.4.3 Penentuan Pola Data 2.5 Metode Pemulusan (Smoothing) 2.5.1 Metode yang digunakan 2.6 Ketepatan Ramlan 2.7 Penetuan Koefisien Korelasi

8 8 9 11 15 15 16 18 19 21 22 24

Bab 3 Sejarah dan Struktur BPS 3.1 Sejarah singkat Badan Pusat Statistik 3.1.1 Masa Pemerintahan Hindia Belanda 3.1.2 Masa Pemerintahan Jepang 3.1.3 Masa Kemerdekaan Republik Indonesia 3.1.4 Masa Orde Baru Sampai Sekarang 3.2 Visi dan Misi Badan Pusat Statistik 3.3 Struktur Organisasi Badan Pusat Statistik 3.4 Tugas dan wewenang masing-masing bagian di Badan Pusat Statistik 3.4.1 Bagian Tata Usaha

26 26 26 27 27 28 30 32 33 33


3.4.2 3.4.3 3.4.4 3.4.5 3.4.6

Bidang Statistik Produksi Bidang Statistik Distribusi Bidang Pengolahan Data Bidang Statistik Kependudukan Bidang Neraca Wilayah dan Analisa

34 35 36 36 37

Bab 4 Analisis Data 4.1 Data yang dibutuhkan 4.2 Analisa Deret Berkala Nilai Penjualan Energi Listrik Cabang Medan 4.3 Identifikasi Model Peramalan 4.4 Metode Pemulusan Eksponensial Ganda Satu Parameter dari Brown 4.4.1 Penaksiran Model Peramalan 4.4.2 Penentuan Bentuk Persamaan Peramalan 4.5 Peramalan Nilai Penjualan Energi Listrik

38 38 40 44 44

Bab 5 Implementasi Sistem 5.1 Microsoft Excel 5.2 Langkah-langkah memulai Pengolahan Data dengan Excel 5.3 Menggunakan Ketepatan Peramalan 5.4 Hasil Dalam Metode Brown

54 54 55 59 60

Bab 6 Kesimpulan dan Saran 6.1 Kesimpulan 6.2 Saran

61 61 62

44 51 52

Daftar Pustaka Lampiran


DAFTAR TABEL

Halaman Tabel 4.1 Data Penjualan Energi Listrik di PT PLN (PERSERO) Cabang Medan Tabel 4.2 Pengujian jumlah sampel dan kuadratnya Tabel 4.3 Nilai Autokorelasi Nilai Data Penjualan Listrik Tabel 4.4 Nilai Koefisien Korelasi Tabel 4.5 Menentukan MSE dengan α =0.1 Tabel 4.6 Menentukan MSE dengan α= 0.2 Tabel 4.7 Perbandingan ukuran ketetapan metode peramalan Tabel 4.8 Pemulusan Eksponensial Linier Satu Parameter dari Brown Menggunakan α = 0.7 pada data nilai penjualan energi listrik (dalan rupiah) di PT PLN (PERSERO) Cabang Medan Tabel 4.9 Peramalam Nilai Penjualan Energi Listrik di PT PLN (PERSERO) Cabang Medan untuk tahun 2008-2010

38 39 42 42 46 47 48 49

53


DAFTAR GAMBAR

Halaman Gambar 4.1 Gambar 4.2 Gambar 5.1 Gambar 5.2

Plot data Nilai Penjualan Energi Listrik Cabang Medan Distribusi Koefisien Autokorelasi Data Asli Tampilan lembar kerja excel Tampilan lembar kerja excel dalam menentukan besarnya Peramalan Gambar 5.3 Hasil Peramalan dalam metode Brown

39 43 55 56 59


BAB 1

PENDAHULUAN

1.1 Latar Belakang

Dalam ilmu ekonomi, manusia berperan sebagai produsen sekaligus konsumen yang selalu berupaya memenuhi kebutuhan hidupnya melalui alat pelengkap kebutuhan manusia yang tersedia dan beranekaragam. Berbagai macam usaha dilakukan oleh konsumen untuk memenuhi kebutuhan hidupnya baik itu kebutuhan primer maupun kebutuhan sekunder. Dimulai dari pemanfaatan Sumber Daya Manusia (SDM) sampai pemanfaatan Sumber Daya Alam (SDA) yang tersedia hingga pendaur-ulangan produk-produk yang sudah lama ada yang tidak digunakan lagi. Sumber Daya Alam (SDA) yang tersedia merupakan salah satu alat pelengkap kebutuhan manusia misalnya tanah, air, energi panas, listrik dan sebagainya.

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 dan salah satu faktor yang sangat mendukung adalah energi listrik. Tanpa adanya energi listrik, kehidupan manusia yang modern dan nyaman ini akan sangat jauh berbeda, mengingat hampir seluruh aspek kehidupan manusia memerlukan energi listrik.


Kegiatan kelistrikan negara dikelola oleh PT PLN (PERSERO) yang menangani listrik mulai dari produksi, pembelian sampai penjualan energi listrik kepada masyarakat, industri, dan pemerintah. Meskipun pada saat ini telah tersedia sebuah alat yang dinamakan Generator Set (Genset) yang tetap dapat mengalirkan listrik dengan menggunakan bahan bakar solar, namun alat tersebut hanya digunakan sebagai cadangan ketika listrik padam karena memerlukan biaya yang cukup besar. Oleh karena itu, energi

listik tetap diperlukan

meskipun alat itu telah ada dan

diharapkan kita juga harus menjaga dan menggunakan listrik dengan baik dan sehemat mungkin agar pihak PLN juga dapat memproduksi listrik dengan baik.

Melihat betapa pentingnya peran yang dijalankan oleh PT. PLN (PERSERO) dalam mengalirkan listrik kepada masyarakat luas dari tiap cabang, mendorong penulis untuk mengadakan penelitian untuk mengetahui berapa besar nilai penjualan energi listrik (dalam rupiah) yang diperoleh oleh PT. PLN (PERSERO) Cabang Medan. Dengan alasan tersebut, penulis mencoba untuk meramalkan besarnya nilai penjualan energi listrik (dalam rupiah) untuk tahun 2010 di PT. PLN (PERSERO) Cabang Medan.

Dari uraian diatas penulis tertarik mengangkat judul “Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT. PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Dari Tahun 1997-2007”


1.2 Identifikasi Masalah

Dalam tulisan ini yang menjadi permasalahan adalah : Bagaimana bentuk persamaan yang dapat dipakai untuk meramalkan besarnya nilai penjualan energi listrik (dalam rupiah) pada tahun 2010 berdasarkan data dari tahun 1997-2007 di PT. PLN (Persero) Cabang Medan.

1.3 Batasan Masalah

Dari latar belakang yang telah diuraikan di atas, maka yang menjadi batasan permasalahan adalah besarnya nilai penjualan energi listrik di kotamadya Medan pada tahun 2010 dengan menggunakan data dari tahun 1997-2007.

1.4 Tujuan Penulisan

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


1.5 Tinjauan Pusataka

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 Sumatera Indonesia, 1984, Jakarta. Dari buku ini dikutip peramalan dengan menggunakan pemulusan (smoothing ) eksponensial.

2

Metode dan Aplikasi Peramalan, oleh Sypros Makridakis. Lembaga penerbit Erlangga, 1993, Jakarta. Dari buku ini dijelaskan lebih terperinci mengenai langkah-langkah penggunaan

metode pemulusan (eksponensial)

ganda :

metode linier satu parameter dari Brown.

1.6 Metode Penelitian

Metode yang penulis gunakan dalam melaksanakan penelitian ini adalah :

1. Pengumpulan Data Pengumpulan data untuk penulisan tugas akhir ini penulis lakukan dengan menggunakan data sekunder mengenai nilai penjualan energi listrik (dalam rupiah) di


PT PLN (Persero) cabang Medan dari tahun 1997 s/d 2007 yang diperoleh dari BPS (Badan Pusat Stistik) Provinsi Sumatera Utara.

2.Analisis Data Pengolahan data untuk meramalkan nilai penjualan energi listrik (dalam rupiah) di PT.PLN (PERSERO) Cabang Medan dilakukan dengan menggunakan Metode Pemulusan (Smoothing) Eksponensial Ganda : Metode Liniear Satu-Parameter dari Brown . Dengan Rumus :

Ft + m = at + bt m Dengan : S ' t = α Xt + (1- α) S ' t-1 S " t = α S ' t + (1- α) S " t-1 at = 2 S ' t- S " t bt =

α ( S ' t- S " t) 1−α

Dimana : S ' t = Smoothing eksponensial tunggal periode t S " t = Smoothing eksponensial ganda periode t Xt = Nilai riil periode t S ' t-1 = Smoothing eksponensial tunggal periode t-1 S " t-1 = Smoothing eksponensial gandal periode t-1 Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

Ft+m = Ramalan untuk m periode ke muka

1.7

Sistematika 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.

BAB 4

ANALISIS DATA Bab ini menguraiakan 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 Excel.

BAB 6

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


BAB 2

LANDASAN TEORI

2.1 Pengertian Peramalan (Forecasting)

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. Ramalan tersebut didasarkan atas bermacam-macam cara, diantaranya adalah Metode Pemulusan Eksponensial atau Rata-rata bergerak dan Metode Box Jenkins. 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 adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang, berdasarkan 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. Metode peramalan dapat memberikan cara pengerjaan yang teratur dan terarah, sehingga

dengan

demikian

dapat

dimungkinkan

penggunaan

teknik-teknik

penganalisaan yang lebih maju. Dengan pengunaan teknik-teknik tersebut, maka diharapkan dapat memberikan tingkat kepercayaan atau keyakinan yang lebih besar, karena dapat diuji dan dibuktikan penyimpangan atau deviasi yang terjadi secara ilmiah.

Disamping itu, metode peramalan juga memberikan urutan pengerjaan dan pemecahan atas pendekatan suatu masalah dalam peramalan. Sehingga bila digunakan pendekatan yang sama dalam suatu permasalahan dalam suatu kegiatan peramalan maka akan didapat dasar pemikiran dan pemecahan yang sama.

Baik tidaknya suatu peramalan yang disusun, disamping ditentukan oleh metode yang digunakan juga ditentukan oleh baik tidaknya informasi maupun data yang digunakan. Selama data maupun informasi yang digunakan tidak dapat meyakinkan, maka hasil peramalan yang disusun juga akan sukar dipercaya akan ketepatannya.


2.2 Kegunaan Peramalan

Sering terjadi sepanjang waktu (time lag ) antara kesadaran akan peristiwa. Adanya waktu tenggang (lead time) ini merupakan alasan utama bagi perencanaan dan peramalan. Dalam situasi diatas, peramalan sangat diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi, sehingga tindakan yang tepat dapat dilakukan. Dalam perencanaan di suatu instansi baik instansi pemerintahan maupun swasta, peramalan merupakan kebutuhan yang sangat mendasar. Diamanapun, baik maupun buruknya ramalan dapat mempengaruhi seluruh bagian instansi, karena waktu tenggang untuk pengambilan keputusan dapat berkisar dari beberapa tahun. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Didalam bagian organisasi terdapat beberapa kegunaan peramalan diantaranya:

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 sipelanggan.

2. Berguna dalam penyediaan sumber daya tambahan. Waktu tengang (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. Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

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 manajer yang dapat menafsirkan pendugaan serta membuat keputusan yang baik. Walaupun terdapat banyak bidang lain yang memerlukan peramalan, namun tiga kelompok di atas merupakan bentuk khas dari kegunaan peramalan jangka pendek, menengah dan panjang.

Dari uraian diatas dapat dikatakan bahwa metode peramalan sangat berguna karena akan membantu dalam mengadakan analisis terhadap data dari masa lalu. Sehingga dengan metode peramalan akan memberikan cara pemikiran, pengerjaan yang teratur dan terarah serta perencanaan yang sistematis hingga memberikan ketepatan hasil analisis.

2.3 Jenis Peramalan

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

1. Peramalan yang subjektif Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

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

2. Peramalan yang objektif Peramalan yang objektif adalah peramalan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan teknik-teknik dan metodemetode dalam penganalisaan data tersebut. Berdasarkan jangka waktu disusun, maka peramalan dapat dibedakan atas dua kategori utama yaitu :

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

2. Peramalan jangka pendek Peramalan

jangka pendek adalah peramalan yang dilakukan untuk

penyusunan hasil ramalan yang jangka waktunya kurang dari satu setengah tahun. Misalnya peramalan penyusunan rencana produksi, rencana penjualan, rencana persediaan dan lain sebagainya.


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

1. Peramalan yang Kualitatif atau Teknologis Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung

kepada

orang yang menyusunnya. Hal ini sangat penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat instuisi, pendapat dan pengetahuan dari orang yang menyusunnya. Metode kualitatif dapat dibagi menjadi dua yaitu metode eksploratoris dan normatif. 2. Peramalan Kuantitatif Peramalan kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung kepada metode yang dipergunakan dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil peramalan yang berbeda pula. Baik tidaknya

metode

yang

digunakan

ditentukan

oleh

perbedaan

atau

penyimpangan hasil ramalan dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara hasil dengan kenyataan yang terjadi berarti metode yang dipergunakan semakin baik. Metode kuantitatif dapat dibagi dalam deret berkala (time series) dan metode kausal.

Pada akhir ini telah dikembangkan beberapa metode atau teknik-teknik peramalan untuk menghadapi bermacam-macam keadaan yang akan terjadi. Peramalan dibedakan atas peramalan kuantitatif dan kualitatif. Dalam hal ini penulis Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

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

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

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

Dalam penulisan Tugas Akhir ini, digunakan metode peramalan yang pertama, yaitu 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 di masa yang akan datang. Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

Kondisi yang terakhir ini dibuat sebagai asumsi yang berkesinambungan (asumtion 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

Metode-metode peramalan dengan analisa deret waktu yaitu : 1. Metode pemulusan eksponensial dan rata-rata bergerak 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 dan 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 . Analisis data 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 stationer atau tidak dan ekstrapolasi ke masa yang akan datang. Stationer itu sendiri berarti bahwa tidak dapat pertumbuhan atau penurunan data. Data secara kasar harus horizontal sepanjang waktu, dengan kata lain fluktuasi data tetap konstan setiap waktu.

2.4.2 Pemilihan Teknik dan Metode Peramalan


Dalam pemilihan teknik dan metode peramalan, pertama-tama perlu diketahui ciri-ciri penting yang perlu diperhatikan bagi pengambilan keputusan dan analisa keadaan dalam mempersiapakan peramalan.

Ada enam faktor utama yang diidentifikasikan sebagai teknik dan metode peramalan, yaitu : 1. Horizon waktu Ada dua aspek dari horizon waktu yang berhubungan dengan masing-masing metode peramalan. Pertama adalah cakupan waktu di masa yang akan datang. Aspek kedua adalah jumlah periode untuk peramalan yang diinginkan.

2. Pola data Dasar utama dari metode peramalan adalah anggapan bahwa macam dari pola yang didapati di dalam data yang diramalkan akan berkelanjutan. 3. Jenis dari Model Model-model merupakan suatu deret dimana waktu digambarkan sebagai unsur yang penting untuk menentukan perubahan-perubahan dalam pola. Model-model perlu diperhatikan karena masing-masing model mempunyai kemampuan yang berbeda dalam analisa keadaan untuk pengambilan keputusan.

4. Biaya yang dibutuhkan Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu prosedur

peramalan.

Yakni

biaya-biaya pengembangan,

penyimpanan


(storage) data, operasi pelaksanaan dan kesempatan dalam penggunaan teknikteknik dan metode peramalan.

5. Ketepatan metode peramalan Tingkat ketepatan yang dibutuhkan sangat erat

kaitannya dengan tingkat

perincian yang dibutuhkan dalam suatu peramalan.

6. Kemudahan dalam penerapan Metode-metode yang dapat dimengerti dan mudah dialokasikan sudah merupakan suatu prinsip umum bagi pengambil keputusan.

2.4.3 Penentuan Pola Data

Hal penting harus diperhatikan dalam metode deret berkala adalah menetukan 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 berpluktuasi di sekitar nilai rata-rata yang konstan


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

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

4. Pola Data Trend Pola yang menunjukkan kenaikan atau penurunan jangka panjang data.

2.5 Metode Pemulusan ( Smoothing)

Metode Pemulusan (Smoothing) adalah metode peramalan dengan mengadakan pengahalusan 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 diklassifikasikan menjadi dua bagian :

1. Metode Rata-rata Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

Metode rata-rata dibagi atas empat bagian : a. Nilai tengah (mean) b. Rata-rata bergerak tunggal (Single Moving Average) c. Rata-rata bergerak ganda (Double Moving Average) d. Kombinasi rata-rata bergerak lainnya. Metode rata-rata tujuannya adalah untuk memanfaatkan data masa lalu untuk mengembangkan suatu sistem peramalan pada periode mendatang.

2. Metode Pemulusan Eksponensial Bentuk umum dari metode pemulusan eksponensial : Ft +1 = α Xt + ( 1 – α ) Ft Dimana

:

Ft +1

: ramalan

Xt

: data

Ft

: ramalan pada periode ke-t

α

: parameter pemulusan

suatu periode ke depan

aktual pada periode ke-t

Bila bentuk umum tersebut diperluas maka akan berubah menjadi:

Ft +1 = α Xt + α (1-α) Xt-1 + α (1-α)2 Xt-2 + … + α (1-α)N Xt-(N-1)

Dari pemulusan bentuk umum diatas dapatlah dikatakan bahwa metode eksponensial smoothing merupakan sekelompok metode yang menunjukkan pembobotan menurun secara eksponensial terhadap nilai observasi yang lebih tua atau Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

dengan kata lain observasi yang baru diberikan bobot yang relatif lebih besar dengan nilai observasi yang lebih tua. Metode ini terdiri atas :

1. Metode Eksponensial Tunggal a. Satu Parameter (One Parameter ) b. Pendekatan Aditif Digunakan untuk data yang bersifat stationer dan tidak menunjukkan pola data atau trend

2. Metode Smoothing Eksponensial Ganda a. Metode Linier Satu Paremeter dari Brown b. Metode Dua Paremeter dari Holt

3. Metode Ekponensial Triple a. Metode Kudaratik Satu Paremeter dari Brown Digunakan untuk pola kudaratik, kubik, atau orde yang lebih tinggi. b. Metode Kecenderungan dan Musim Tiga Paremeter dari Winter Dapat digunakan untuk data berbentuk trend dan musiman. 2.5.1 Metode yang Digunakan

Untuk menggunakan hasil yang baik harus diketahui cara peramalan yang tepat. 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 Satu Paremeter dari Brown. Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

Metode ini merupakan metode yang

dikemukakan oleh Brown. Dasar

pemikiran dari metode Smoothing Eksponensial Linier Satu Paremeter dari Brown adalah serupa dengan rata-rata bergerak linier, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data sebelumnya.

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

S ' t = α Xt + (1- α) S’t-1 S " t = α S ' t + (1- α) S " t-1 at = 2 S ' t- S " t bt =

α ( S ' t- S " t) 1−α

Ft+ m = at + bt m

Dimana : S't

= Smoothing pemulusan eksponensial tunggal periode t

S"t

= Smoothing eksponensial ganda periode t

α

= Paremeter Pemulusan Eksponensial

at, ,bt

= konstanta pemulusan

Ft+ m

= Ramalan untuk m periode ke muka


2.6 Ketepatan Ramalan

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

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

∑ et ME =

t =1

N

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

∑ et MSE =

2

t =1

N

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

∑ | et | MAE =

t =1

N

d. MPE (Mean Percentage Error) / Nilai Tengah Kesalahan Persentase Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

N

∑ PE t =1

MPE =

t

N

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

∑ PE MAPE =

t =1

t

N

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

∑e

SSE =

t =1

2 t

Dimana : et = Xt –Ft kesalahan pada peride ke-t Xt = data aktual pada periode ke-t  X − Ft PEt =  t  Xt

  100 (kesalahan persentase pada periode ke-t) 

Ft = Nilai ramalan pada periode ke-t N = Banyaknya periode waktu Metode peramalan yang dipilih adalah metode yang memberikan nilai MSE yang terkecil. 2.7 Penentuan Koefisien Korelasi

Koefisien autokorelasi berfungsi untuk menunjukkan suatu deret berkala itu sendiri dengan selisih 1, 2 periode atau lebih. Koefisien autokorelasi yang menggambarkan Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

hubungan antar suatu deret berkala dengan deret berkala itu sendiri pada kelambatan waktu ( lag ) k periode.Secara sistematis untuk menghitung koefisien autokorelasi dapat menggunakan rumus sebagai berikut :

∑ (Y n

rk =

t =1

t

)(

− Y Yt + k − Y

)

∑ (Y − Y ) n

2

t =1

Dimana : Rk = Koefisien autokarelasi Yk = data aktual pada periode t

Y = nilai tengah dari data aktual Yt + k = data aktual pada periode t dengan kelambatan (time lag) k.

Rumus sederhana yang biasa digunakan adalah untuk menghitung kesalahan standar adalah : Serk =

1 N

Dimana : N

= banyak data asli

Serk = kesalahan standar dari rk

Batas signifikan koefisien autokorelasi adalah :

-1,96 Serk < +1,96 Serk


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

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

BAB 3

SEJARAH DAN STRUTUR BPS Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

3.1 Sejarah Singkat Badan Pusat Statistik

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 di daerah dengan tujuan mencegah dilakukannya pekerjaan yang serupa oleh dua atau lebih instansi, memajukan keseragaman dalam pengguanaan definisi, klasifikasi dan ukuran-ukuran lainnya. Berikut ini adalah 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 Nijeverheid En Handel), dan kedudukan di Bogor. Kantor ini diserahi tugas untuk mengolah dan mempublikasikan data statistik. Pada bulan 1923, dibentuk suatu komisi untuk statistik yang anggotanya merupakan wakil dari tiap-tiap departemen. Komisi

tersebut diberi tugas untuk

merencanakan tindakan-tindakan yang mengarah sejauh mungkin untuk mencapai kesatuan dalam kegiatan di bidang statistik di Indonesia. Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

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 pula pekerjaan mekanisme statistik perdagangan yang semula dilakukan oleh Kantor Invoer Uitvoer en Accijsnsen (IUA) yang sekarang disebut kantor Bea Cukai.

3.1.2 Masa Pemerintahan Jepang

Pada bulan Juni 1944 pemerintahan Jepang baru mengaktifkan kembali kegiatan statistik yang utamanaya diarahkan untuk memenuhi kebutuhan perang atau militer. Pada masa ini CKS diganti menjadi Shomubu Chosasitu Gunseikanbu.

3.1.3 Masa Kemerdekaan Republik Indonesia

Setelah Proklamsi Kemerdekaan Republik Indonesia (RI) tanggal 17Agustus 1945, kegiatan Statistik ditangani oleh lembaga atau instansi baru sesuai dengan suasana kemerdekaan yaitu KAPPURI. tahun 1946 kantor KAPPURI dipindahkan ke Yogyakarta sebagai hasil perjanjian Linggar Jati. Sementara ini, pemerinathan Belanda (NICA) di Jakarta mengaktifkan kembali CKS.

Dengan surat menteri Perekonomian tanggal 1 Maret 1952 Nomor : P/44, lembaga KPS berada dibawah ini dan

tanggung jawab Menteri perekonomian.

Selanjutnya keputusan Menteri Perekonomian tnggal 24 Desember 1953 Nomor : Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

18.009/MKPS dibagi menjadi dua bagian yaitu bagian research yaitu disebut sebagai Afdeling A, dan bagian tata usaha yang disebut sebagai Afdeling B.

Dengan keputusan Presiden RI Nomor 131 Tahun 1957, kementerian Ekonomi dipecah menjadi Kementerianan Perdaganagn dan Kementeriaan Perindustrian. Untuk selanjutnya keputusan Presiden RI Nomor 172 Tahun 1957, terhitung sejak tanggak 1 Juni 1957 KPS diubah menjadi Biro Pusat Statistik.

3.1.4 Masa Orde Baru Sampai Sekarang

Pada masa pemerintahan Orde Baru khususnya untuk memenuhi kebutuhan perencanaan dan evaluasi pembangunan, maka untuk mendapatkan statistik yang handal, lengkap, tepat, akaurat dan terpercaya mulai diadakan pembenaran organisasi Biro Pusat Statistik.

Dalam masa orde baru ini Badan Pusat Satistik telah mengalami empat kali perubahan struktur Organisasi yaitu :

a) Peraturan Pemerintah Nomor : 16 tahun 1968 tentang organisasi Badan Pusat Statistik b) Peraturan Pemerintah Nomor : 6 tahun 1980 tentang organisasi Badan Pusat Statistik c) Peraturan Pemerintah Nomor : 2 tahun 1992 tentang kedudukan, tugas, fungsi, susunan dan tata kerja Biro Pusat Statistik Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

d) Undang-undang Nomor : 16 tahun 1997 tentang statistik e) Keputusan Presiden Indonesia Nomor : 86 tahun 1998 tentang Badan Pusat Statistik f) Keputusan KEPALA Badan Pusat Statistik Nomor : 100 tahun1998 tentang organisasi dan tenaga kerja Badan Pusat Statistik g) Peraturan Pemerintah Nomor : 51 tahun 1999 tentang penyelenggaran statistik.

Tahun 1968, ditetapakan Peraturan Pemerintah Nomor 16 tahun 1968 yaitu yang mengatur organisasi dan tata kerja di pusat dan didaerah. Tahun 1980 peraturan pemerintah Nomor 6 tahun 1980 tentang organisasi sebagai pengganti peraturan pemerintah Nomo: 6 tahun 1980 di tiap provinsi terdapat perwakilan Badan Pusat Statistik dengan nama Kantor Statistik Provinsi dan di Kabupaten atau Kotamadya terdapat cabang perwakilan Badan Pusat Statistik. Pada tanggal 19 Mei 1997 menetapakan tentang statistik sebagai pengganti Undang-undang Nomor : 6 dan 7 tentang sensus dan statistik. Pada tanggal 17 Juni 1998 dengan Keputusan Presiden Nomor 86 tahun 1998 ditetapkan Biro Pusat Statistik sealigus 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 menjadiakan informasi statistik sebagai tulang punggung informasi pembangunan nasional dan regional, didukaung sumber daya manusia yang berkualitas, ilmu pengetahuan dan teknologi informasi yang mutakhir.

b. Misi Badan Pusat Statistik

Dalam perjuangan pembangunan nasioanl Badan Pusat Statistik mengembangkan misi mengarahkan pembangunan statistik pada penyajian dan statistik yang bermutu dan 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 diantara individu-individu dalam rangka kerjasama untuk mencapai tujuan yang telah ditetapkan. Struktur organisasi perusahaan merupakan salah satu faktor penting uang mempengaruhi tingkat keberhasilan suatu perusahaan dalam mencapi suatu tujuan yang ditetapkan.Dengan adanya sturtur organisasi maka akan jelasalah 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 sebagaiman dalam lampiran dalam organisasi Kantor Badan Pusat Statistik Propinsi Sumatera Utara dipimpin seorang Kepala Kantor. Kepala kantor dibantu bagian tata usaha yang terdiri dari : a. Sub Bagian Urusan Dalam b. Sub Bagian Pelengkapan c. Sub Bagian Keuangan Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

d. Sub Bagian Kepegawaian e. Sub Bagian Bina Potensi/ Bina Program

Sedangkan Bidang Penunjang Statisik terdiri dari lima bidang yaitu :

1. Bidang Statistik Produksi Bidang Statistik Produksi mempunyai tugas untuk melaksanakan kegiatan Statisik Pertanian, Industri, Komstruksi Pertambangan dan Energi.

2. Bidang Statistik Distribusi Bidang Statistik Distribusi mentmpunyai tugas untuk melaksanakan kegiatan statistik konsumen dan perdagangan besar, statistik keuanagan dan harga produsen serta niaga dan jasa.

3. Bidang Statistik Sosial Bidanag Statistik kependudukan mempunyai tugas yaitu melaksanakan kegiatan demogarafi dan rumah tangga, ketenagakerjaan, serta statistik kesejahteraan.

4. Bidang Integrasi Pengolahan dan Diseminasi Statistik (IPDS) Penyiapan data, penyusuanan sistem, dan program serta operasional pengolahan data dengan program komputer.


5 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

a. Menyusun program kerja tahun bidang b. Mengatur dan melaksanakan penghimpunan barang dan penyusunan program kerja tahunan baiak rutin maupun proyek kantor statistik propinsi dan menyampaikan ke Badan Pusat Statistik. c. Mengatur dan melaksanakan urusan dalam yang meliputi surat-surat penggandaan atau percetakan, kearsipan, rumah tangga dan pemeliharaan gedung keamanan dan lingkungan serta perjalanan dinas maupun luar negeri. d. Mengatur dan melaksanakan urusan perlrmgkapan dan pebekalan ynag meliputi penyusunan, penyimpanan atau penggudangan, invetarisasi dan penghapusan serta pemeliharaan perlengkapan. e. Mengatur dan melaksankan urusan dan keuangan yang meliputi tata usaha keuangan, perbankan, vertikasi dan pembukuan.


f. Mengatur dan melaksanakan urusan dan mutasi pegawai, pembinaan pegawai, kesejahteraan pegawai, administrasi jabatan dan fungsional, hukum, organisasi tata laksana serta penyajian. g. Menyusun laporan kegiatan sevara berkala dan sewaktu-waktu. h. Mengatur dan melaksanakan urusan penyelenggaraan berbagai pelatihan teknis dan pelatihan administratif.

3.4.2 Bidang Statistik Produksi

a. Menyusun progaram kerja tahuna bidang yang meliputi kegiatan statistik pertanian, industri, konstruksi energi dan statistik produksi lainnya yang ditemukan. b. Mengatur keikutsertaan progaram pelatihan yang diselenggarakan oleh pusat di bidang statistik produksi. c. Mengatur

dan

mengkoordinasikan

penyelenggaraan pelatihan petugas

lapangan di pusat pelatihan serta mengatur penjatahan pelatihannya. d. Membantu kepala kantor Badan Pusat Statistik atau pimpinan bagian proyek untuk menyiapkan program pelatihan petugas lapangan. e. Mengatur dan melaksanakan penjathan dan pengawasan lapangan terhadap lapangan pelaksanaan lapangan produksi.


f. Mengatur dan melaksanakan pengawasan dan pemeriksaan dokumen hasil pengumpulan data statistik produksi. g. Bersama-sama dengan bidang pengolahan data, mengatur dam menyiapkan data statistik produksi melalui komputer sesuai ynag diterapkan. h. Mengatur dan melaksanakan evaluasi hasil kerja kegiatan statistik produksi. i.

Mengatur dan menyiapkan hasil pengolahan statistik

produksi yang akan

dikirim ke pusat melalui komputer sesuai dengan jadwal yang ditentukan. j.

Menbantu 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 Distribusi

a. Menyusun program kerja tahunan bidang yang meliputi kegiatan statistik pertanian, industri, konstruksi energi dan statistik produksi lainnya yang ditemukan. b. Mengatur keikutsertaan program pelatihan yang diselenggarakan oleh pusat dibidang statistik produksi. c. Mengatur

dan

mengkoordinasikan

penyelenggaraan pelatihan petugas

lapangan di pusat pelatihan serta mengatur penjatahan pelatihannya.


d. Membantu kepala kantor Badan Pusat Statistik Propinsi atau pimpinan bagian proyek untuk menyiapkan program petugas lapangan. e. Mengatur dan melaksanakan penjatahan dan pengawasan lapangan terhadap pelakasanaan terhadap statistik distribusi.

3.4.4 Bidang Pengolahan Data

a. Menyusun program kerja tahunan bidang b. Meneliti jenis data yang diolah melalui komputer dan bersama-sama dengan bidang yang bersangkutan serta menentukan sistem pengolahan dengan komputer c. Mengatur pembuatan sistem dan program pelaksanaan penyiapan data dan operasi pengolahannya. d. Mengatur dan melaksanakan penerimaan dokumen yang diolah dengan komputer e. Mengatur dan melaksanakan tugas yang langsung diberikan atasan.

3.4.5 Bidang Statistik Kependudukan

a. Menyusun program kerja tahunan bidang


b. Melaksanakan kegiatan statistik

demografi dan rumah tangga,

ketengakerjaan, kesejahteraan rakyat dan statistik kependudukan lainnya yang ditentukan. c. Mengatur dan melaksanakan penjatahan dokumen yang diperlukan untuk pelaksanaan lapangan. d. Melakukan pembinaan, pengamatan lanjut dan pengawasan lapangan terhadap pelaksanaan kegiatan statistik kependudukan. e. 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

a. Menyusun program kerja tahunan b. Menyusun

dan

melaksanakan

penerangan

kegiatan

statistik

kepada

masyarakat, instansi lainnya maupun media massa.


BAB 4

ANALISIS DATA

4.1 Data yang Dibutuhkan

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

No

Tahun

Nilai Penjualan (Rp.000.000)

1

1997

320596

2

1998

392358

3

1999

443264

4

2000

631205

5

2001

801558

6

2002

1037979

7

2003

1086555


8

2004

1244537

9

2005

1304708

10

2006

1439858

11

2007 1519338 Sumber :BPS

Dari data di atas, maka dapat disusun Tabel Nilai Penjualan Energi Listrik di PT PLN (Persero) Cabang Medan dan Jumlah Kuadratnya Sebagai berikut:

Tabel 4.2 Jumlah Sampel dan Kuadratnya t 1 2 3 4 5 6 7 8 9 10 11 Jumlah

Tahun 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007

X 320596 392358 443264 631205 801558 1037979 1086555 31244537 1304708 1439858 1519338 10221956 Sumber : Perhitungan

X2 102781795216 153944800164 196482973696 398419752025 642495227364 1077400404441 1180601768025 1548872344369 1702262965264 2073191060164 2308387958244 11384841048972

Untuk memenuhi apakah data yang sudah diperoleh tersebut memenuhi syarat untuk dianalisa, maka dilakukan pengujian sebagai berikut :

∑X t

= 10.221.956

∑ X t2

= 11.384.841.048.972

(∑ X )

2

t

= 104.488.384.465.936


Time Series Plot

Nilai Penjualan Listrik

1600000 1400000 1200000 1000000 800000 600000 400000 200000 0 1

2

3

4

5

6

7

8

9

10

11

Periode

Gambar 4.1 Plot Data Jumlah Penjualan Energi Listrik dari tahun 1997 sampai 2007

4.2 Analisa Deret Berkala Nilai Penjualan Energi Listrik Cabang Medan

Untuk menganalisa data deret berkala, pertama kalinya kita harus memplot data pada tabel 4.1 secara grafis, sesudah memplot deret berkala untuk pemeriksaan secara visual, maka alat statistik yang utama adalah koefisien autokorelasi (rk). Statistik ini menggambarkan hubungan antara suatu deret berkala dengan deret berkala itu sendiri pada kelambatan waktu (lag time) k periode.

Bentuk visual dari suatu plot dari suatu plot deret berkala sering kali cukup untuk meyakinkan para peramal (forecast) bahwa data tersebut adalah stationer atau tidak

stationer

dengan

demikian

plot

autokorelasi

data

memperlihatkan

ketidakstationeran.

Tampilan plot data nilai penjualan energi listrik diatas menunjukkan bahwa data asli tersebut tidak stationer. Untuk memeperkuat gambar 4.1 ini perlu dihitung Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

koefisien autukorelasi dari data tabel 4.1 pada berbagai time lag. Dengan menggunakan rumus :

∑ (Y n

rk =

t =1

t

)(

− Y Yt + k − Y

)

∑ (Y − Y ) n

2

t =1

Nilai- nilai autokorelasi data nilai penjualan energi listrik :

Untuk r1

− 929268.73) r1 = (320596 − 929268.73)(392358 − 929268.732+ ..... + (1439858 − 929268.73)(1519338 2 (320596 − 926268.73) + ..... + (1519338 − 929268.73)

=

(−608672.73)(−536910.73) + .... + (375439.27)(510589.27) (370482492245.65) + .... + (348181743398.33)

=

1434815318266.19 1885897006614.18

= 0.76

Untuk r2

− 929268.73) r2 = (320596 − 929268.73)(443264 − 929268.732) + ... + (1304708 − 929268.73)(1439858 2 (320596 − 926268.73) + .... + (1519338 − 929268.73)


Tabel 4.3 Nilai Autokorelasi Data Penjualan Listrik No 1 2 3 4 5 6 7 8 9 10 11 Jumlah

Xt 320596 392358 443264 631205 801558 1037979 1086555 1244537 1304708 1439858 1519338 10221956

X t+1 320596 392358 443264 631205 801558 1037979 1086555 1244537 1304708 1439858

Xt - X -608672.73 -536910.73 -486004.73 -298063.73 -127710.73 108710.27 157286.27 315268.27 375439.27 510589.27 590069.27 0

Xt+1 - X

(Xt - X )( Xt+1 - X )

-608672.73 -536910.73 -486004.73 -298063.73 -127710.73 108710.27 157286.27 315268.27 375439.27 510589.27 -590069.30

326802919795.39 260941154367.75 144860382621.44 38065936544.82 -13883467940.20 17098632878.99 49587370237.65 118364089142.96 191695262798.63 301283037818.73 1434815318266.19

=

(−608672.73)(−486004.73) + .... + (315268.27)(375439.27) (370482492245.65) + ... + (348181743398.33)

=

941261839544.06 1885897006614.18

=

0.50

(Xt - X )2 370482492245.65 288273131989.13 236200597582.37 88841987141.51 16310030557.13 11817922803.47 24738970730.51 99394082068.79 140954645458.13 260701402639.13 348181743398.33 1885897006614.18

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

Sumber : Perhitungan

Tabel 4.4 Nilai Koefisien Korelasi


Sumber: Perhitungan Time Lag

r

1

0.76

2

0.50

3

0.22

serta

data

4

-0.03

nilai penjualan listrik

dapat dilihat bahwa

5

-0.22

pola trend linier serta

menunjukkan bahwa

6

-0.36

data

7

-0.43

8

-0.42

Dari dengan

data

autokorelasi

autokorelasi

stationer. Maka dapat data setelah

pertumbuhan dicari

analisis deret berkala

diplot

nilai-nilai

tersebut

tidak

autokorelasi

nilai penjualan listrik 9

-0.33

10

-0.19

autokorelasinya.


Autokorelasi Nilai Penjualan Listrik 0.8

Autokorelasi

0.6 0.4 0.2 0 -0.2 -0.4 -0.6 1

2

3

4

5

6

7

8

9

10

Lag Number

Gambar 4.2 Distribusi koefisien autokorelasi data asli

Dari plot autokorelasi data diatas dapat dilihat trend searah diagonal, bersama dengan jumlah time lag dimana nilai-nilai korelasi menurun secara perlahan-perlahan dan berkorelasi satu sama lain. Dan dapat menyakinkan peramal dalam menganalisa adanya kestasioneran atau ketidakstasioneran data.

Adapun kesalahan standar (Se)rk =

1 11

= 0.3015

Dengan tingkat kepercayaan 95% dari seluruh koefisien berdasarkan sampel harus terletak dalam daerah tengah ditambah atau dikurangi 1.96 kali kesalahan standar. Dengan demikian suatu deret data dapat dituliskan dengan :

-1.96 (0.3015) ≤ rk ≤ 1.96 (0.3015 ) -0.59094 ≤ rk ≤ 0.59094 Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

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

4.3 Identifikasi Model Peramalan

Berdasarkan analisa deret berkala dengan memplot data serta nilai-nilai autokorelasi dari data Nilai Penjualan Listrik Cabang Medan, maka dapat dilihat plot datanya adalah pola trend dalam data.

Jadi, jika pola menunjukkan trend maka kita dapat menggunakan peramalan Metode Pemulusan Eksponensial Ganda Satu Parameter dari Brown.

4.4 Metode Pemulusan Eksponensial Ganda Satu Parameter dari Brown

4.4.1 Penaksiran model peramalan


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

Untuk memenuhi perhitungan Smoothing pemulusan ganda, tunggal dan ramalan yang akan datang, maka terlebih dahulu kita menentukan parameter nilai α yang biasanya, 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 mengkuadratkan masing-masing kesalahan untuk masingmasing 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 dikuadaratkan dan dibagi dengan banyaknya error. Secara matematis rumus MSE (Mean Square Error) sebagai berikut :

N

∑ et MSE =

2

t =1

N

Tabel 4.5 Menentukan MSE dengan menggunakan α = 0.1 Xt S't S"t at bt Ft+m 320596 320596 320596 392358 327772.2 321313.6 334230.8 717.62 443264 339321.4 323114.4 355528.4 1800.776 334948.4

e

108315.6

e2

11732269203.36


631205 801558 1037979 1086555 1244537 1304708 1439858 1519338 Jumlah

368509.7 411814.6 474431 535643.4 606532.8 676350.3 752701.1 829364.8

327653.9 336070 349906.1 368479.8 392285.1 420691.6 453892.6 491439.8

409365.6 487559.1 598955.9 702807 820780.4 932008.9 1051510 1167290

4539.535 8416.064 13836.1 18573.73 23805.29 28406.52 33200.94 37547.22

357329.1 413905.1 495975.2 612792 721380.7 844585.7 960415.5 1084710

273875.86 387652.912 542003.795 473762.972 523156.276 460122.29 479442.537 434627.513

75007986690.74 150274780182.08 293768113794.40 224451353903.58 273692489279.32 211712521322.70 229865146735.65 188901074992.54 1659405736104.37

Untuk α = 0.1 N=9 Maka : N

∑e

SSE =

t =1

2 t

= 1.659.405.736.104,37

N

∑ et MSE =

2

t =1

N

= 184.378.415.122,7

Tabel 4.6 Menentukan MSE dengan menggunakan α = 0.2 Xt 320596

S't 320596

S '' t 320596

at

bt

Ft+m

e


e2

392358 443264 631205 801558 1037979 1086555 1244537 1304708 1439858 1519338 Jumlah

334948.4 356611.5 411530.2 489535.8 599224.4 696690.5 806259.8 905949.5 1012731 1114053

323466.5 330095.5 346382.4 375013.1 419855.4 475222.4 541429.9 614333.8 694013.3 778021.1

346430.3 383127.6 476678 604058.4 778593.5 918158.7 1071090 1197565 1331449 1450084

2870.48 6629.008 16286.95 28630.67 44842.26 55367.03 66207.49 72903.92 79679.47 84007.85

349300.8 389756.6 492964.9 632689.1 823435.7 973525.7 1137297 1270469 1411129

93963.2 8829082954.24 241448.4 58297349178.43 308593.1 95229674211.42 405289.9 164259893315.05 263119.3 69231747593.09 271011.3 73447122351.46 167410.7 28026357009.49 169389 28692619859.21 108209.5 11709287371.72 537723133844.12

Untuk α = 0.2 N=9 Maka : N

∑e

SSE =

t =1

2 t

= 537.723.133.844,12

N

∑ et MSE =

2

t =1

N

= 59.747.014.871,57

Jadi untuk nilai 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 ketepatan metode peramalan peningkatan nilai penjualan listrik di Medan dengan melihat MSE sebagai berikut :

Tabel 4.7 Perbandingan Ukuran Ketepatan Metode Peramalan α

MSE

0.1

184378415122.71

0.2

59747014871.57

0.3

25611738345.94

0.4

14434934247.30

0.5

9800681546.21

0.6

7639548895.71

0.7

6785831240.99

0.8

6866282740.62

0.9 7842471600.47 Sumber : Perhitungan

Dari tabel 4.7 diatas dapat dilihat yang menghasilkan nilai MSE yang paling kecil atau minimum yaitu pada nilai parameter pemulusan α = 0.7 yaitu dengan MSE = 6.785.831.240,99


Tabel 4.8 Pemulusan Eksponensial Linier Satu Paremeter dari Brown Dengan Menggunakan α = 0.7 Pada Nilai Penjualan Energi Listrik ( Dalam Rupiah) DI PT.PLN Cabang Medan

Xt 320596 392358 443264 631205 801558 1037979 1086555 1244537 1304708 1439858 1519338 Jumlah

S't 320596 370829.4 421533.6 568303.6 731581.7 946059.8 1044406 1184498 1268645 1388494 1480085

S"t 320596 355759.38 401801.35 518352.91 667613.05 862525.78 989842.24 1126101.2 1225881.8 1339710.4 1437972.5

at

bt

Ft+m

385899.4 441265.9 618254.3 795550.3 1029594 1098971 1242895 1311408 1437278 1522197

35163.38 46041.97 116551.6 149260.1 194912.7 127316.5 136258.9 99780.66 113828.6 98262.1

421062.8 487307.86 734805.824 944810.437 1224506.558 1226287.105 1379153.423 1411188.744 1551106.359

e

e2

22201.2 492893281.44 143897.1 20706386900.18 66752.18 4455853000.73 93168.56 8680381131.48 -137951.6 19030632365.66 18249.89 333058649.48 -74445.42 5542121016.49 28669.26 821926219.57 -31768.36 1009228603.88 128772.89 61072481168.92


Ukuran ketepatan Metode Peramalan dengan α = 0.7

g. ME (Mean Error) / Nilai Tengah Kesalahan N

∑ et ME =

=

t =1

N 128.772,9 9

= 14.308,1


h. MSE (Mean Square Absolut Error) / Nilai Tengah Kesalahan Kuadrat N

∑ et

2

t =1

MSE =

N 61.072.481,92 9

=

= 14.308,10

i.

MAE (Mean Absolut Error) / Nilai Tengah Kesalahan Absolut N

∑ | et | MAE =

=

t =1

N 617.103,57 9

= 68.567,06

j.

MPE (Mean Percentage Error) / Nilai Tengah Kesalahan Persentase N

∑ PE MPE =

t =1

t

N =

28,07 9

= 3,12


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

∑ PE MAPE =

t =1

t

N

69,06 9

=

= 7,67

4.4.2 Penentuan Bentuk Persamaan Peramalan

Setelah ditentukan harga parameter smoothing eksponensial yang besarnya 0<α<1 dengan cara trial and error didapat peremeter dari hitungan peramalan pemulusan (smoothing eksponensial linier satu paremeter dari Brown dengan α =0.7)

Perhitungan pada tabel 4.8 di atas didasarkan α =0.7 dan ramalan untuk satu periode kedepan yaitu dalam perhitungan periode ke 12. Seperti yang sudah dijelaskan pada bab 2 (landasan teori) persamaan yang dipakai dalam perhitungan peramalan ini sebagai berikut S ' t = α Xt + (1- α) S ' t-1 S " t = α S ' + (1- α) S " t-1 at = 2 S ' t- S " t bt =

α ( S ' t- S " t) 1−α

Ft+ m = at + bt m Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

Berdasarkan data terakhir dapat dibuat peramalan untuk satuan tahun berikutnya dengan bentuk persamaan peramalan : Ft+ m = 1522197 + 98262,1 (m)

4.5 Peramalan Nilai Penjualan Energi Listrik

Setelah diketahui bahwa error yang terdapat pada model peramalan bersifat random, maka dilakukan peramalan nilai penjualan energi listrik untuk tahun 2008 sampai dengan tahun 2010 dengan menggunakan rumus :

Ft+ m = 1522197 + 98262,1 (m)

Setelah diperoleh model peramalan nilai penjualan energi listrik, maka dapat dihitung untuk 3 periode ke depan yaitu untuk tahun 2008 sampai dengan tahun 2010 seperti yang tertera dibawah ini.

a. Untuk periode 12 (Tahun 2008)

Ft+ m = 1522197 + 98262,1 (m) F11+ 1 = 1522197 + 98262,1 (1) F12 = 1620459.1


b. Untuk periode 12 (Tahun 2009)

Ft+ m = 1522197 + 98262,1 (m) F11+ 2 = 1522197 + 98262,1 (2) F13 = 1718721,2

c.

Untuk periode 12 (Tahun 2010)

Ft+ m = 1522197 + 98262,1 (m) F11+ 3 = 1522197 + 98262,1 (3) F14

= 1816983,3

Tabel 4.9 Peramalan Nilai Penjualan Listrik( Dalam Rupiah ) di PT PLN (PERSERO) Cabang Medan Tahun 2008-2010

Tahun

Periode

Forecasting (Rp.000.000)

2008

12

1620459.1

2009

13

1718721.2

2010

14

1816983.3



BAB 5

IMPLEMENTASI SISTEM

5.1 Microsoft Excel

Microsoft Excel merupakan program aplikasi lembar elektronik (spread sheet) dari program paket Microsoft Office Excel merupakan salah satu software pengolah angka yang cukup digunakan di dunia. Excel merupakan produk unggulan dari Microsoft Corporation yang 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 versi4,versi 5, versi 97, versi 2000 dan excel 2003.

Sheet (lembar kerja) Excel terdiri dari 256 kolom dan 65536 baris. Kolom diberi nama dengan huruf mulai A,B, C,…..Z. Kemudian dialanjutkan AA, AB,AC sampai kolom IV. Sedangakan baris ditandai dengan angak mulai dari 1,2,3…sampai angka 65536.

Excel 2003 hadir dengan berbagai penyempuranan, tampil lebih terintegrasi dengan berbagi software lain, salah satunya adalah under windows seperti Word, Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

Acces, Powerpoint. Keunggulan program spreadsheet ini adalah mudah dipakai, fleksibel, mudah terintegarasi dengan aplikasi berbasis windows. 5.2

Langkah-langkah Memulai Pengolahan Data dengan Excel

Sebelum mengoperasikan software ini, pastikan bahwa pada komputer terpasang program Excel. Langkah-langkah sebagai berikut : a. Klik tombol start b. Pilih program dan klik Microsoft Excel c. Setelah itu muncul tampilan worksheet (lembaran kerja) seperti di bawah ini.


Gambar 5.1 Tampilan Lembar Kerja Excel Data tiap tahun pada tiap kolom pertama untuk periode, tahun dan data nilai penjualan energi listrik di PLN (PERSERO) cabang Medan.


Gambar 5.2 Tampilan Lembar Kerja Excel Dalam Menentukan Besarnya Peramalan

Dari data di atas dapat menentukan besarnya forecast dengan α= 0.7. Dan untuk setiap perhitungan akan diberi nama tiap kolom seperti beikut ini : 1.

Pada kolom ke empat ditulis keterangan dengan S ' t

2.

Pada kolom ke lima ditulis keterangan dengan S " t

3. Pada kolom ke enam ditulis keterangan dengan at 4.

Pada kolom ke tujuh ditulis keterangan dengan bt

5.

Pada kolom ke delapan ditulis keterangan dengan forecast

6. Pada kolom ke sembilan ditulis keterangan dengan error (e) Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

7. Pada kolom ke sepuluh ditulis keterangan dengan e atau absolute e 8. Pada kolom ke sebelas ditulis keterangan dengan error e2 atau square error.

Maka perhitungan masing-masing smoothing pertama, smoothing kedua, konstanata , slope, forecast, error, absolutu error, dan square error sebagai berikut :

1. Untuk tahun pertama yakni tahun 1997, ditentukan sebesar periode pertama dari data historisnya, sehingga rumus yang tertera pada sel D2 adalah : C2 Sedangkan untuk periode ke dua yakni untuk tahun 1998 dapat menggunakan rumus = 0.7*C3 + (1-0.7)*D2 Dalam kasus ini untuk sel D3 menghasilkan angka : 370829,4 untuk periode ke tiga sampai periode 12 kita tinggal menyalin rumus pada sel D3

2. Smoothing Kedua Untuk tahun pertama yakni tahun 1997, ditentukan sebesar periode pertama dari data historisnya, sehingga rumus yang tertera pada sel E2 adalah C2 Sedangkan untuk periode ke dua yakni untuk tahun 1998 dapat menggunakan rumus =((0.7*C3 )+ (1-0.7)*E2)) Dalam kasus ini untuk sel E3 menghasilkan angka : 355759,38 untuk periode ke tiga sampai periode 12 kita tinggal menyalin rumus pada sel D3. Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

3. Nilai at baru bisa dicari pada periode kedua yaitu pada tahun 1998. Rumus yang digunakan untuk sel F3 adalah = (2*D3)-E3 Sehingga akan menghasilkan angka : 385899,4 Untuk tahun-tahun berikutnya anda tinggal menyalin rumus F3

4. Nilai bt baru bisa dicari pada periode kedua yaitu pada tahun 1998 Rumus yang digunakan untuk sel G3 adalah = ((0.7/0.3)*(D3-E3)) Sehingga akan menghasilkan angka : 35163,38 untuk periode ke tiga sampai periode 12 kita tinggal menyalin rumus pada sel G3

5. Peramalan (Forecast ) Untuk periode ketiga yaitu pada sel H4 dapat dicari dengan menggunakan rumus = F3+G3 sehingga menghasilkan angka : 421062,8 untuk periode ke tiga sampai periode 12 kita tinggal menyalin rumus pada sel H3

6. Error Untuk periode ketiga yaitu pada sel H4 dapat dicari dengan menggunakan rumus = C4-H4 Sehingga menghasilkan angka : 22201,2 Untuk periode ke tiga sampai periode 12 kita tinggal menyalin rumus pada sel I4 5.3 Menggunakan Ketepatan Peramalan


1. Jumlah error, absolute error, dan square error dengan rumus: a. Untuk jumlah error dapat digunakan rumus = Sum(I4:I12) Maka hasil jumlah error adalah 128772,89 b. Untuk jumlah absolute error dapat digunakan rumus = Sum(J4:J12) Maka hasil jumlah absolute error adalah 617103,57 c. Untuk jumlah square error dapat digunakan rumus = Sum(K4:K12) Maka hasil jumlah error adalah 61072481168,92

2. Hitung Mean Error (ME), Mean Absolute Error (MAE), dan Square Error (SE) a. Menghitung ME dapat menggunakan rumus =I13/9 Maka hasil ME adalah 14308,10 b. Menghitung MAE dapat menggunakan rumus =J13/9 Maka hasil ME adalah 68567,08 c. Menghitung MSE dapat menggunakan rumus =K13/9 Maka hasil MSE adalah 6785831240.99

5.4 Hasil dalam Metode Brown Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

Gambar 5.3 Hasil Peramalan Dalam Metode Brown

BAB 6 Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan hasil pengolahan data dan analisa data yang dilakukan sebelumnya pada Bab 4 maka kesimpulan yang diperoleh adalah sebagai berikut :

a. Bentuk persamaan peramalan dari nilai penjualan energi listrik pada PT. PLN (PERSERO) Cabang Medan berdasarkan data tahun 1997 sampai dengan tahun 2007 adalah: Ft+ m =1522197 + 98262,1(m)

b.

Diperkirakan hasil peramalan nilai penjualan energi listrik di PT. PLN (PERSERO) Cabang Medan untuk periode ke-14 pada tahun 2010 adalah sebesar

1.816.983,3

(dalam

jutaan

rupiah)

atau

sebesar

Rp.1.816.983.300.000


6.2 Saran

Dalam meramalkan nilai penjualan energi listrik (dalam rupiah) di PT. PLN (PERSERO) Cabang Medan dapat menggunakan Metode Pemulusan (Smoothing) Eksponensial Ganda Linier Satu Parameter dari Brown. Akan sangat membantu jika kita mengolah data dengan menggunakan alat bantu komputer khususnya program aplikasi excel.

DAFTAR PUSTAKA Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

Assauri, Sofjan. 1984. Teknik dan Metode Peramalan. Jakarta : Fakultas Ekonomi Universitas Indonesia BPS.2000.Medan dalam Angka 1998.Badan Pusat Statistik BPS.2000.Medan dalam Angka 2000.Badan Pusat Statistik BPS.2000.Medan dalam Angka 2004.Badan Pusat Statistik BPS.2000.Medan dalam Angka 2007.Badan Pusat Statistik Makridakis, Spyros. 1993. Metode dan Aplikasi Peramalan. Jakarta : Erlangga



DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS SUMATERA UTARA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM JL.Bioteknologi No.1 Kampus USU Telp.(061) 8211050,8214920 Fax (061)8214290 Medan 20155

Medan, 27 Januari 2009 Nomor Lampiran Hal

: 444 /H5.2.1.8/SPB/2009 : : Pengumpulan Data Riset Mahasiswa Progarm Diploma D3 Statistika Departemen Matematika FMIPA USU

Kepada Badan Pusat Statistik (BPS) Propinsi Sumatera Utara Jl. Asrama No.179 Medan Dengan Hormat, Bersama dengan ini kami mohon kesediaan Bapak/Ibu untuk menerima mahasiswa Program Studi Diploma-3 Statistika FMIPA USU, untuk melakukan penelitian pengumpulan data atas nama: No 1

Nama Devisanta WM

NIM 062407034

Program Studi D-3 Statistika

Data dimaksud untuk diolah dan khusus dipergunakan untuk menyusun Tugas Akhir Mahasiswa yang bersangkutan pada Program Studi Diploma-3 Statistika Departemen Matematika FMIPA USU. Demikianlah kami sampaikan, atas bantuan dan kerjasama yang baik kami ucapkan terimakasih

A.n Dekam FMIPA USU Pembantu Dekan 1

Dr. Sutarman, M.Sc NIP : 131 945 359 Tembusan : Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

1. Ketua Program Studi Diploma -3 Statistika 2. Arsip

Badan Pusat Statistik Provinsi Sumatera Utara Medan, 8 Mei 2009

Nomor Lampiran Perihal

: 12.563.098 : : Surat Riset Pengumpulan Data

Kepada Yth, Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara Di Medan

Dengan hormat, Bersama ini diberitahukan bahwa Mahasiswa Program Studi D-3 Di Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara (FMIPA USU) Medan, yang tertera di bawah ini : Nama NIM Program Studi

: DEVISANTA W M : 062407034 : D-3 Statistika

Adalah benar telah melaksanakan penelitian di Badan Pusat Statistika Provinsi Sumatera Utara di Jalan Asrama No.179 Medan sebanyak 3 kali terhitung pada tanggal 3 Februari, 10 Februari dan 6 April 2009. Kegiatan ini dilaksanakan guna menyelesaikan Tugas Akhir pada Program Studi D-3 di Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara (FMIPA USU) Medan. Demikianlah surat ini diperbuat untuk digunakan seperlunya.

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

Pendi Dewanto Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

NIP.340015460 Nilai Penjualan No

Tahun

Nilai Penjualan (Rp.000.000)

1

1997

320596

di PT.PLN

2

1998

392358

(PERSERO

3

1999

443264

) Cabang

4

2000

631205

5

2001

801558

6

2002

1037979

7

2003

1086555

8

2004

1244537

9

2005

1304708

10

2006

1439858

11

2007

Energi Listrik

Medan

1519338

Sumber : BPS Provinsi Sumatera Utara Devisanta W. M : Peramalan Nilai Penjualan Energi Listrik (Dalam Rupiah) Di PT PLN (Persero) Cabang Medan Untuk Tahun 2010 Berdasarkan Data Tahun 1997-2007, 2009.

SURAT KETERANGAN Hasil Uji Program Tugas Akhir

Yang bertanda tangan di bawah ini, menerangkan bahwa Tugas Akhir Mahasiswa Program D-III Statistika: Nama

: DEVISANTA W M

NIM

: 062407034

Program Studi

: D-3 Statistika

Judul TA

: PERAMALAN NILAI PENJUALAN ENERGI LISTRIK

(DALAM

RUPIAH)

DI

PT

PLN

(PERSERO) CABANG MEDAN UNTUK TAHUN 2010 BERDASARKAN DATA TAHUN 1997-2007

Telah melaksanakan test program Tugas Akhir dari mahasiswa tersebut di atas pada tanggal 4 Juni 2009 dengan hasil : SUKSES


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

Medan,

Juni 2009

Dosen Pembimbing

Dra. Rahmawati Pane, M.Si NIP. 131 474 682

DEPARTEMEN PENDIDIKAN DAN KEBUDAYAAN

UNIVERSITAS SUMATERA UTARA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM DEPARTEMEN MATEMATIKA Jl. Bioteknologi No. 1 kampus USU Telp. (061) 8211298 Fax. (061) 8214298 MEDAN

KARTU BIMBINGAN TUGAS AKHIR MAHASISWA

Nama Mahasiswa Nomor Induk Mahasiswa Judul Tugas Akhir

: DEVISANTA W M : 062407034 : PERAMALAN NILAI PENJUALAN ENERGI LISTRIK (DALAM RUPIAH) DI PT PLN (PERSERO) CABANG MEDAN UNTUK TAHUN 2010 BERDASARKAN DATA TAHUN 1997-2007 Dosen Pembimbing : Dra. Rahmawati Pane, M.Si Tanggal Mulai Bimbingan : Tanggal Selesai Bimbingan :

NO.

1 2 3

TANGGAL ASISTENSI BIMBINGAN 16 Jan 2009 19 Jan 2009 22 Jan 2009

PEMBAHASAN PADA ASISTENSI PADA BAB Pengajuan Proposal Diskusi Proposal Perbaikan Proposal

PARAF DOSEN PEMBIMBING

KETERANGAN


4 5 6 7 8 9 10

27 Jan 2009 29 Jan 2009 7 Mei 2009 2 Juni 2009 3 Juni 2009 4 Juni 2009 •

Perbaikan Proposal ACC Proposal Pengajuan TA Perbaikan TA Diskusi TA ACC TA

Kartu ini harap dikembalikan ke jurusan Matematika bila bimbingan mahasiswa telah selesai

Diketahui Ketua Departemen Matematika

Dosen Pembimbing,

Dr. Saib Suwilo, M.Sc NIP. 131 796 149

Dra. Rahmawati Pane, M.Si NIP. 131 474 682


PERAMALAN NILAI PENJUALAN ENERGI LISTRIK (DALAM RUPIAH) DI PT PLN (PERSERO) CABANG MEDAN UNTUK TAHUN 2010 BERDASARKAN DATA TAHUN TUGAS AKHIR

Recommend Documents