MENGHITUNG UPAH MINIMUM REGIONAL (UMR) KOTA
MEDAN MENURUT LAPANGAN USAHA PADA SEKTOR
BANGUNAN ATAU KONSTRUKSI TAHUN 2012
TUGAS AKHIR
OLEH
WILLY RAMSAL
092407028
PROGRAM STUDI DIPLOMA III STATISTIKA
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : MENGHITUNG UPAH MINIMUM REGIONAL
(UMR) KOTA MEDAN MENURUT LAPANGAN
USAHA PADA SEKTOR BANGUNAN ATAU
KONSTRUKSI TAHUN 2012 BERDASARKAN
DATA DARI TAHUN 2006-2010
Kategori : TUGAS AKHIR
Nama : WILLY RAMSAL
Nomor Induk Mahasiswa : 092407028
Program Studi : DIPLOMA III STATISTIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA
UTARA
Disahkan di
Diketahui
Ketua Departemen Matematika FMIPA USU Pembimbing I
Prof. Dr. Tulus, M.Si
PERNYATAAN
MENGHITUNG UPAH MINIMUM REGIONAL (UMR) KOTA
MEDAN MENURUT LAPANGAN USAHA PADA SEKTOR
BANGUNAN ATAU KONSTRUKSI
TAHUN 2012
TUGAS AKHIR
Saya mengakui bahwa Tugas Akhir ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing - masing disebutkan sumbernya.
Medan, Juni 2012
PENGHARGAAN
Assalamu’alaikum warahmatullahi wabarakatu.
Segala puji dan syukur Penulis ucapkan atas Kehadirat Allah SWT , yang tiada hentinya memberikan nikmat, rahmat dan hidayahnya serta semangat dan kekuatan sehingga Penulis dapat menyelesaikan penyusunan Tugas Akhir ini dengan sebaik – baiknya.
Adapun tujuan dari penulisan Tugas Akhir ini adalah merupakan salah satu syarat untuk menyelesaikan Program DIII Statistika pada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.
Dalam menyelesaikan Tugas Akhir ini Penulis tidak terlepas dari perhatian, bimbingan, fasilitas dan dorongan serta bantuan berbagai pihak secara langsung maupun tidak langsung, pada kesempatan ini Penulis dengan segala kerendahan hati serta rasa hormat perkenankanlah Penulis mengucapkan terima kasih yang sebesar – besarnya kepada :
1. Ibu Asima Manurung, M.Si, S.Si sebagai pembimbing yang telah memberikan bimbingannya kepada penulis sehingga dapat menyelesaikan Tugas Akhir ini dengan sebaik-baiknya.
2. Bapak Drs. Faigiziduhu Bu’ulolo, M.Si dan Bapak Drs. Suwarno Ariswoyo, M.Si sebagai Ketua dan Sekretaris Program Studi D3 Statistika FMIPA USU yang telah memberikan dukungan penuh kepada penulis untuk menyelesaikan penulisan Tugas Akhir ini sehingga dapat diselesaikan tepat pada waktunya
3. Bapak Prof. Dr. Tulus, M.Si dan Dra. Mardiningsih, M.Si sebagai ketua dan Sekretaris Departemen Matematika FMIPA USU yang telah mendukung proses penyelesaian Tugas Akhir ini kepada penulis sehingga dapat diselesaikan tepat pada waktunya.
4. Bapak Dr. Sutarman, M.Sc sebagai Dekan FMIPA USU yang telah memberikan izin kepada penulis untuk mengambil data pada salah satu instansi sehubungan dengan rencana judul Tugas Akhir ini.
6. Bapak Alm. Saiful Akhyar Lubis dan Ibu Wismalina sebagai orang tua saya yang telah memberikan nasehat dan dukungannya sehingga dapat menyelesaikan tugas akhir ini dengan sebaik-baiknya.
7. Teman-teman se angkatan statistika A 2009.
Penulis menyadari bahwa penyusunan Tugas Akhir ini masih terdapat banyak kekurangan. Oleh karena itu, penulis sangat mengharapkan kritik dan saran yang bersifat membangun, agar dapat dimanfaatkan bagi kemajuan ilmu pengetahuan demi penyempurnaan Tugas Akhir ini.
Akhir kata penulis mengucapkan terima kasih, semoga Tugas Akhir ini dapat berguna bagi pembaca dan penulis pada khususnya.
Medan, Juni 2012
DAFTAR ISI PERSETUJUAN PERNYATAAN PENGHARGAAN DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR
BAB 1 PENDAHULUAN
1.1 Latar Belakang
1.2 Identifikasi Masalah
1.3 Batasan Masalah
1.4 Maksud dan Tujuan
1.5 Metodologi Penelitian
1.6 Sistematika Penulisan
BAB 2 TINJAUAN TEORITIS
2.1 Pengertian Peramalan
2.2 Kegunaan Peramalan
2.3 Jenis - Jenis Peramalan
2.4 Metode Peramalan
2.4.1 Analisa Deret Berkala
2.4.2 Pemilihan Teknik dan Metode Peramalan
2.4.3 Penentuan Pola Data
2.5 Metode Pemulusan (Smoothing)
2.5.1 Metode yang Digunakan
2.6 Ketepatan Ramalan
2.7 Penentuan Koefisien Autokorelasi
BAB 3 SEJARAH DAN STRUKTUR BPS
3.1 Sejarah Badan Pusat Statistik (BPS)
3.1.1 Masa Pemerintahan Hindia Belanda
3.1.2 Masa Pemerintahan Jepang
3.1.3 Masa Kemerdekaan Republik
3.1.4 Masa Orde Baru Sampai Sekarang
3.2 Visi dan Misi Badan Pusat Statistik
3.3 Struktur Organisasi Badan Pusat Statistik 3.4 Tugas dan Wewenang Masing - Masing Bagian di BPS
3.4.1 Bidang Tata Usaha
3.4.2 Bidang Statistik Produksi
3.4.3 Bidang Statistik Distribusi
3.4.4 Bidang Pengolahan Data
3.4.5 Bidang Statistik Kependudukan
BAB 4 ANALISA DAN PENGOLAHAN DATA
4.1 Data yang Dibutuhkan
4.2 Analisa Deret Berkala Nilai Upah Minimum Regional (UMR) kota
Medan
4.3 Metode Smoothing Eksponensial Linear
Satu Parameter dari Brown
4.3.1 Penaksiran Model Peramalan
4.3.2 Penentuan Bentuk Persamaan Peramalan 4.4 Peramalan Nilai Upah Minimum Regional (UMR)
BAB 5 IMPLEMENTASI SISTEM
5.1 Pengertiana Implementasi Sistem
5.2 Microsoft Excel
5.3 Langkah - Langkah Memulai Pengolahan Data dengan Excel
5.4 Menghitung Ketepatan Peramalan
5.5 Grafik dalam Microsoft Excel
BAB 6 KESIMPULAN DAN SARAN
6.1 Kesimpulan
6.2 Saran
DAFTAR PUSTAKA
DAFTAR TABEL
Tabel 4.1 Data Nilai Upah Minimum Regional (UMR) Kota Medan Tabel 4.2 Nilai Autokorelasi Data Nilai Upah Minimum Regional (UMR) dengan k=1 Tabel 4.3 Nilai Autokorelasi Data Nilai Upah Minimum Regional (UMR) dengan k=2
Tabel 4.4 Nilai Koefisien Autokorelasi
Tabel 4.5 Menentukan Nilai MSE dengan Menggunakan α = 0,1 Tabel 4.6 Menentukan Nilai MSE dengan Menggunakan α = 0,2 Tabel 4.7 Menentukan Nilai MSE dengan Menggunakan α = 0,3 Tabel 4.8 Menentukan Nilai MSE dengan Menggunakan α = 0,4 Tabel 4.9 Menentukan Nilai MSE dengan Menggunakan α = 0,5 Tabel 4.10 Menentukan Nilai MSE dengan Menggunakan α = 0,6 Tabel 4.11 Menentukan Nilai MSE dengan Menggunakan α = 0,7 Tabel 4.12 Menentukan Nilai MSE dengan Menggunakan α = 0,8 Tabel 4.13 Menentukan Nilai MSE dengan Menggunakan α = 0,9 Tabel 4.14 Perbandingan Ukuran Ketepatan Metode Peramalan Tabel 4.15 Aplikasi Pemulusan (Smoothing) Eksponensial Linear
Satu Parameter dari Brown Menggunakan α = 0,9 Pada Data Nilai Upah
Minimum Regional (UMR)
DAFTAR GAMBAR
Gambar 4.1 Plot Data Nilai Upah Minimum Regional (UMR) dari Tahun 2006-2010 Gambar 4.2 Distribusi Koefisien Autokorelasi Data Asli Gambar 4.3 Plot Pemulusan Peramalan dengan α = 0,9 Gambar 5.1 Langkah - Langkah Membuka Microsoft Office Excel 2007 Gambar 5.2 Tampilan Worksheet Microsoft Office Excel 2007 Gambar 5.3 Pengisian Data Pada Microsoft Office Excel 2007 Gambar 5.4 Aplikasi Pemulusan Eksponensial Linear Satu Parameter
dari Brown Menggunakan α = 0,9 Pada Microsoft
Office Excel 2007
BAB 1
PENDAHULUAN
1.1Latar Belakang
Manusia merupakan makhluk sosial yang memiliki kebutuhan yang berbeda-beda
dengan penghasilan yang berbeda-beda pula. Manusia akan berusaha untuk
mendapatkan penghasilan yang sebanyak-banyaknya untuk memenuhi kebutuhan
sehari-hari dan kebutuhan yang akan datang. Upah Minimun Regional (UMR ) yang
berubah setiap tahunnya akan mempengaruhi kesejahteraan manusia atau pekerja.
Menteri Tenaga Kerja ( Menaker ) Republik Indonesia, menimbang :
1. Bahwa peningkatan kesejahteraan pekerja sebagai bagian dari upaya
memajukan kesejahteraan masyarakat, sangat penting artinya untuk
mendorong peningkatan peran serta pekerja dalam pelaksanaan proses
produksi melalui mekanisme penetapan upah minimum;
2. Bahwa kondisi perekonomian pada saat ini telah memungkinkan untuk
mewujudkan penetapan upah yang lebih realistis sesuai kondisi daerah dan
kemampuan perusahaan secara sektoral, sehingga perlu penetapan Upah
Minimum Regional Tingkat I dan Upah Minimum Regional Tingkat II serta
Upah Minimum Sektoral Regional Tingkat I dan Upah Minimum Sektoral
Regional Tingkat II yang mengacu kepada pemenuhan Kebutuhan Hidup
3. Bahwa Keputusan Menteri Tenaga Kerja No. Kep-23/MEN/1999 tanggal 17
Pebruari 1999 tentang Penetapan Upah Minimum Regional pada 27 (dua
puluh tujuh) Propinsi di Indonesia dan UpahMinimum Sektoral Regional
pada 19 (sembilan belas) Propinsi di Indonesia, Keputusan Menteri Tenaga
Kerja No. Kep-26/MEN/1999 tanggal 19 Pebruari 1999 tentang Penetapan
Upah Minimum Sektoral Regional Propinsi Jawa Tengah: Keputusan
Menteri Tenaga Kerja No. Kep-29/MEN/1999 tanggal 17 Maret 1999
tentang Penetapan Upah Minimum Sektoral Regional Propinsi Kalimantan
Selatan, Keputusan Menteri Tenaga Kerja No. Kep-131/M/BWI1999 tanggal
13 April 1999 tentang Ralat Keputusan Menteri Tenaga Kerja No.
Kep-23/MEN/1999 tentang Penetapan Upah Minimum Regional pada 27 (dua
puluh tujuh) Propinsi di Indonesia dan Upah Minimum Sektoral Regional
pada 19 (sembilan belas) Propinsi di Indonesia, Keputusan Menteri Tenaga
Kerja No. Kep-110/MEN/1999 tanggal 17 Juni 1999 tentang. Penetapan
Upah Minimum Sektoral Regional Propinsi Kalimantan Timur; dan
Keputusan Menteri Tenaga Kerja No. Kep-151/MEN/1999 tanggal 16
Agustus 1999 tentang Penetapan Upah Minimum Sektoral Regional Propinsi
Riau Untuk Sektor Pertanian, Peternakan, Kehutanan, Perburuan dan
Perikanan, Sub Sektor Penebangan Hutan dan Sektor Industri Pengolahan,
Sub Sektor Industri Penggergajian dan Pengolahan Kayu serta Sub Sektor
Industri Kayu Lapis, sudah tidak sesuai lagi dengan perkembangan sehingga
perlu ditinjau kembali;
Dari semua sektor yang telah ditetapkan Upah Minimum Regional (UMR)
industri. Penulis memilih sektor industri karena dikota Medan terdapat banyak sekali
Industri yang berkembang di kota Medan, mulai dari industri kecil-kecilan sampai
industri yang sangat besar. Kemudian banyaknya pekerja yang ingin bekerja pada
bidang industri dan berbondong-bondong mengejar untuk sukses dalam bidang
industri. Melihat itu semua, pasti para pekerja juga mempertimbangkan Upah
Minimum Regional (UMR) yang akan didapat. Semua manusia pasti berusaha
mendapatkan upah diatas UMR yang telah ditetapkan Menteri Keuangan Republik
Indonesia.
Sesuai dengan pembahasan sebelumnya maka penulis mencoba untuk
meramalkan besarnya nilai Upah Minimum Regional ( UMR ) kota Medan pada tahun
. Untuk mencapai tujuan yang diinginkan penulis tersebut diatas, maka penulis
mencoba membuat sebuah Tugas Akhir yang berjudul “MENGHITUNG UPAH
MINIMUM REGIONAL ( UMR ) KOTA MEDAN MENURUT LAPANGAN
USAHA PADA SEKTOR BANGUNAN ATAU KONSTRUKSI TAHUN 2012.
1.2Identifikasi Masalah
Adapun yang menjadi permasalahan dalam tulisan ini adalah bagaimana menghitung
Upah Minimum Regional (UMR) kota Medan menurut sektor bangunan atau
1.3Batasan Masalah
Untuk mengarahkan pembahasan dalam tugas akhir ini agar tidak menyimpang dari
sasaran yang dituju, maka perlu membuat batasan ruang lingkup permasalahan.
Sebagai pembatasan masalah ini adalah hanya terbatas pada analisa untuk mengetahui
Metode Pemulusan (Metode Smoothing) yang akan digunakan untuk meramalkan
Upah Minimum Regional (UMR) kota Medan untuk sektor bangunan atau konstruksi
tahun 2012.
1.4Maksud dan Tujuan
Maksud dari penelitian ini adalah untuk meramalkan Upah Minimum Regional
(UMR) kota Medan menurut sektor bangunan atau konstruksi tahun 2012. Adapun
tujuan penulis melakukan penelitian ini adalah untuk mengetahui peramalan Upah
Minimum Regional (UMR) kota Medan menurut sektor bangunan atau konstruksi
tahun 2012, berdasarkan data sekunder yang diperoleh dari BPS Provinsi Sumatera
Utara dari tahun 2006-2010.
Adapun manfaat dari penelitian ini adalah untuk tambahan literatur dan
pengetahuan pembaca yang sedang mempelajari metode pemulusan (Smoothing)
sederhana, semoga penelitian ini bermanfaat bagi pembaca dan penelitian lain yang
ingin meneliti masalah yang menggunakan konsep yang sama. Dan secara umum
dapat memberikan pengetahuan atau informasi tentang upah minimum regional pada
1.5 Lokasi Penelitian
Penelitian dilakukan dengan mengambil data sekunder dari kantor Badan Pusat
Statistik (BPS) Provinsi Sumatera Utara Jl. Kapten Muslim No. 71, Medan.
1.6 Metodologi Penelitian
Metode penelitian adalah salah satu cara yang terdiri dari langkah – langkah atau
urutan kegiatan yang berfungsi sebagai pedoman umum yang digunakan untuk
melaksanakan tugas akhir sehingga apa yang menjadi tujuan dari penelitian itu
terwujud. Penulis melakukan beberapa langkah – langkah untuk menyelesaikan
penelitian, antara lain :
1.6.1 Metode Penelitian Kepustakaan
Disini penulis mengadakan penulisan Tugas Akhir dengan membaca buku-buku di
perpustakaan di Badan Pusat Statistik (BPS) Medan yang ada kaitannya dengan Upah
Minimum Regional (UMR) khususnya di kota Medan.
1.6.2 Metode Pengumpulan Data
Keperluan data untuk keperluan tugas akhir ini penulis lakukan dengan menggunakan
data sekunder yang diperoleh dari Badan Pusat Statistik (BPS) Provinsi Sumatera
diatur, disusun dan disajikan dalam bentuk angka-angka dengan tujuan untuk
mendapatkan gambaran yang jelas tentang sekumpulan data tersebut.
1.6.3 Metode analisis yang digunakan
Metode Smoothing
Adapun pengolahan data dalam meramalkan Upah Minimum Regional (UMR) pada
sektor industri kota Medan menggunakan Metode Pemulusan (Metode Smoothing).
Metode Pemulusan (smoothing) dapat digunakan untuk menghilangkan atau
mengurangi keteracakan (randomness) dari data deret waktu (time series). Metode
yang biasa digunakan untuk keperluan pemulusan data adalah metode rata-rata
bergerak (moving average) dari pengukuran responden dalam periode waktu tertentu
atau metode pemulusan eksponensial.
Persamaan yang dipakai dalam Metode Pemulusan (Smoothing) Eksponensial
Ganda Satu Parameter dari Brown adalah sebagai berikut:
S't = αXt + (1 - α) S't – 1
S"t = αS't + (1 - α) S"t – 1
at = S't + (S't - S"t) = 2 S't - S"t
bt =
Ft+m = at + btm α α
−
Dimana,
S't = nilai pemulusan eksponensial tunggal (single eksponensial smoothing value)
S"t = nilai pemulusan eksponensial ganda (double eksponensial smoothing value)
α = parameter pemulusan eksponensial dengan besar 0 < α < 1
at, , bt = konstanta pemulusan
Ft+m = hasil peramalan untuk m periode ke depan yang diramalkan
1.7 Sistematika Penulisan
Adapun sistematika dalam penulisan “ Tugas Akhir “ secara garis besarnya dibagi
dalam 6 (enam) bab yang masing – masing bab dibagi atas beberapa sub – sub bab
yaitu sebagai berikut :
BAB 1 : PENDAHULUAN
Bab ini berisi latar belakang masalah, identifikasi masalah,
batasan masalah, maksud dan tujuan, metodologi penelitian,
dan sistematika penulisan.
BAB 2 : TINJAUAN TEORITIS
Bab ini menguraikan tentang teori-teori yang digunakan yang
menyangkut terhadap penyelesaian masalah yang dihadapi,
sesuai dengan judul yang diutarakan.
BAB 3 : SEJARAH DAN STRUKTUR BPS
Bab ini menjelaskan/menceritakan tentang sejarah singkat
BAB 4 : ANALISIS DAN PEMBAHASAN DATA
Bab ini menganalisa data yang telah dikumpulkan beserta
pembahasannya.
BAB 5 : IMPLEMENTASI SISTEM
Bab ini menguraikan tentang program atau software yang
dipakai sebagai analisis terhadap data yang diperoleh yaitu
dengan menggunakan Program Excel.
BAB 6 : KESIMPULAN DAN SARAN
Bab ini memuat kesimpulan dan saran dari hasil pembahasan
di dalam penyelesaian Tugas Akhir ini.
BAB 2
TINJAUAN TEORITIS
2.1 Pengertian Peramalan
Kegiatan manusia senantiasa diarahkan pada kondisi pada waktu yang akan datang,
yang keberadaannya tidak dapat diketahui secara pasti. Usaha untuk meminimalkan
ketidakpastian tersebut lazim dilakukan dengan metode atau teknik peramalan tertentu
(teknik merupakan bagian dari metode). Peramalan adalah kegiatan untuk
memperkirakan apa yang akan terjadi atau kapan suatu peristiwa akan terjadi/timbul,
sehingga tindakan atau keputusan yang tepat dapat dilakukan. Dalam peramalan
didasarkan pada bermacam – macam cara yaitu Metode Perataan (Average), Metode
Pemulusan (Smoothing) Eksponensial, dan Metode Box Jenkins.
Disamping itu, melalui metode atau teknik peramalan diharapkan dapat
diidentifikasikan model yang akan digunakan untuk meramalkan kondisi pada waktu
yang akan datang. Model peramalan itu secara umum dapat dikemukakan sebagai :
Yt = pola + error. Jadi, data dibedakan menjadi komponen yang dapat diidentifikasi
(pola) dan yang tidak dapat diidentifikasi (error). Maka, penggunaan metode
peramalan adalah untuk mengidentifikasikan suatu model peramalan sedemikian rupa
sehingga error-nya menjadi seminimal mungkin.
Penggunaan teknik peramalan diawali dengan pengeksplorasian kondisi (pola
pola data dengan menggunakan asumsi bahwa pola data pada waktu yang lalu itu akan
berulang lagi pada waktu yang akan datang. Selanjutnya, model itu digunakan untuk
meramalkan kondisi – kondisi pada waktu – waktu yang akan datang. Bila uraian
mengenai kegiatan peramalan tersebut diamati, ada dua dimensi waktu yang tercakup,
yaitu waktu yang lalu dimana data tersedia dan waktu yang akan datang dimana data
tidak tersedia.
Kegiatan penerapan model yang telah dikembangkan pada waktu lalu
dinamakan proyeksi, sedangkan kegiatan penerapan model yang telah dikembangkan
pada waktu yang akan datang dinamakan peramalan. Penggunaan metode atau teknik
peramalan dengan model yang diidentifikasikan secara tepat juga didukung oleh baik
tidaknya data maupun informasi yang digunakan. Selama data maupun informasi yang
digunakan tidak dapat meyakinkan seperti sumber dari data atau informasi yang tidak
jelas, maka hasil peramalan yang disusun juga akan sulit dipercaya akan ketepatan dan
keakuratannya.
2.2 Kegunaan Peramalan
Sering terdapat senjang waktu (time lag) antara kesadaran akan peristiwa atau
kebutuhan mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang (lead
time) ini merupakan alasan utama bagi perencanaan dan peramalan. Jika waktu
tenggang ini nol atau sangat kecil, maka perencanaan tidak diperlukan. Jika waktu
tenggang ini panjang dan hasil peristiwa akhir bergantung pada faktor – faktor yang
Dalam sebuah instansi pemerintah maupun swasta, perencanaan sangat
dibutuhkan untuk pengambilan keputusan untuk beberapa waktu kedepan. Peramalan
merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien.
Apalagi saat ini, telah terjadi kemajuan yang pesat dalam bidang peramalan. Beberapa
kegunaan peramalan dalam bagian organisasi yaitu :
1. Penjadwalan sumber daya yang tersedia.
Penggunaan sumber daya yang efisien memerlukan penjadwalan produksi,
transportasi, kas, personalia, dan sebagainya. Input yang penting untuk
penjadwalan seperti itu adalah ramalan tingkat permintaan untuk produk, bahan,
tenaga kerja, finansial, atau jasa pelayanan.
2. Penyediaan sumber daya tambahan.
Waktu tenggang (lead time) untuk memperoleh bahan baku, menerima pekerja
baru, atau membeli mesin dan peralatan dapat berkisar antara beberapa hari
sampai beberapa tahun. Peramalan diperlukan untuk menentukan kebutuhan
sumber daya di masa mendatang.
3. Penentuan sumber daya yang diinginkan.
Setiap organisasi harus menentukan sumber daya yang ingin dimiliki dalam jangka
panjang. Keputusan semacam itu bergantung pada kesempatan pasar, faktor –
faktor lingkungan, dan pengembangan internal dari sumber daya finansial,
manusia, produk, dan teknologis. Semua penentuan ini memerlukan ramalan yang
baik dan manajer yang dapat menafsirkan pendugaan serta membuat keputusan
yang tepat.
Tiga kelompok di atas merupakan bentuk khas dari keperluan peramalan
lainnya.Organisasi dalam membangun suatu sistem peramalan perlu memiliki
pengetahuan dan keterampilan yang meliputi paling sedikit empat bidang : identifikasi
dan definisi masalah peramalan ; aplikasi serangkaian metode peramalan ; prosedur
pemilihan metode yang tepat untuk situasi tertentu ; dan dukungan organisasi untuk
menerapkan dan menggunakan metode peramalan secara formal.
Berdasarkan uraian di atas, maka dapat dikatakan bahwa metode peramalan
sangat dibutuhkan dan berguna untuk menganalisis data masa lalu untuk keperluan
waktu yang akan datang. Sehingga, dengan metode peramalan akan diperoleh
perencanaan yang teratur, terarah, dan sistematis sesuai hasil analisis yang tepat.
2.3 Jenis – Jenis Peramalan
Berdasarkan sifat penyusunannya, teknik peramalan dapat dibagi dalam dua kategori
utama yaitu :
1. Peramalan yang subjektif
Peramalan yang subjektif adalah yang didasarkan atas perasaan atau intuisi dari
orang yang menyusunnya. Dalam hal ini pandangan dari orang yang menyusunnya
sangat menentukan baik tidaknya hasil ramalan tersebut.
2. Peramalan yang objektif
Peramalan yang objektif adalah peramalan yang didasarkan atas data yang relevan
pada masa lalu, dengan menggunakan teknik – teknik dan metode – metode dalam
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 Kualitatif
Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada
masa lalu. Hasil peramalan yang dibuat sangat bergantung pada orang yang
menyusunnya. Hal ini sangat penting karena hasil peramalan tersebut ditentukan
berdasarkan pemikiran yang bersifat intuisi, pendapat, dan pengetahuan dari orang
yang menyusunnya. Metode kualitatif dapat dibagi menjadi dua yaitu metode
2. Peramalan Kuantitatif
Peramalan kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif
pada masa lalu. Hasil peramalan yang dibuat sangat bergantung kepada metode
yang dipergunakan dalam peramalan tersebut. Dengan metode yang berbeda akan
diperoleh hasil peramalan yang berbeda pula. Baik tidaknya metode yang
digunakan ditentukan oleh perbedaan atau penyimpangan hasil ramalan dengan
kenyataan yang tejadi. Semakin kecil penyimpangan antara hasil dengan
kenyataan yang terjadi berarti metode yang dipergunakan semakin baik. Metode
kuantitatif dapat dibagi dalam deret berkala (time series) dan metode kausal.
Saat ini telah dikembangkan beberapa metode atau teknik – teknik peramalan
untuk menghadapi bermacam – macam keadaan yang akan terjadi. Tetapi dalam hal
ini penulis membatasi bahwa metode peramalan yang akan digunakan dalam
penyusunan Tugas Akhir ini adalah cara memperkirakan sesuatu yang akan terjadi di
masa depan secara kuantitatif. Oleh karena itu, dalam pembahasan selanjutnya akan
ditekankan pada peramalan kuantitatif. Pada dasarnya metode peramalan kuantitatif
ini dibedakan atas :
1. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antar
variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret
waktu (time series).
2. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara
variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya,
bukan waktu, yang disebut dengan metode korelasi atau sebab akibat (causal
Dalam penulisan Tugas Akhir ini, digunakan metode peramalan yang pertama,
yaitu peramalan dengan menggunakan variabel waktu atau yang dikenal dengan “time
series”.
Peramalan kuantitatif dapat digunakan bila terdapat tiga kondisi yaitu :
1. Adanya informasi tentang masa lalu
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data
3. Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola masa lalu akan
terus berlanjut di masa yang akan datang.
Kondisi yang terakhir ini dibuat sebagai asumsi yang berkesinambungan
(assumtion of mend continuity). Asumsi ini merupakan modal yang mendasari dari
semua metode peramalan kuantitatif dan banyak metode peramalan teknologis,
terlepas dari bagaimana canggihnya metode tersebut.
2.4 Metode Peramalan
Metode – metode peramalan dengan analisa deret waktu yaitu :
1. Metode Pemulusan Eksponensial dan Rata – Rata Bergerak
Sering digunakan untuk jangka pendek dan jarang dipakai untuk peramalan jangka
panjang.
2. Metode Regresi
Metode ini bisa digunakan untuk ramalan jangka menengah dan jangka panjang.
Jarang dipakai, namun baik untuk ramalan jangka pendek, menengah dan jangka
panjang.
2.4.1 Analisa Deret Berkala
Data berkala (time series) adalah data yang dikumpulkan dari waktu ke waktu untuk
memberikan gambaran tentang perkembangan suatu kegiatan dari waktu ke waktu.
Analisis data berkala memungkinkan untuk mengetahui perkembangan satu atau
beberapa kejadian serta hubungannya dengan kejadian lain.
Metode time series merupakan metode peramalan kuantitatif didasarkan atas
penggunaan analisis pola hubungan antar variabel yang akan diperkirakan dengan
variabel waktu. Tujuan time series ini mencakup meneliti pola data yang digunakan
untuk meramalkan apakah data tersebut stasioner atau tidak dan ekstrapolasi ke masa
yang akan datang. Stasioner itu sendiri berarti bahwa tidak dapat pertumbuhan atau
penurunan data. Data secara kasar harus horizontal sepanjang waktu, dengan kata lain
fluktuasi data tetap konstan setiap waktu.
2.4.2 Pemilihan Teknik dan Metode Peramalan
Dalam pemilihan teknik dan metode peramalan, pertama – tama perlu diketahui ciri–
ciri penting yang perlu diperhatikan bagi pengambilan keputusan dan analisa keadaan
Ada enam faktor utama yang diidentifikasikan sebagai teknik dan metode
peramalan, yaitu :
1. Horizon Waktu
Ada dua aspek dari horizon waktu yang berhubungan dengan masing – masing
metode peramalan. Pertama adalah cakupan waktu di masa yang akan datang.
Aspek kedua adalah jumlah periode untuk peramalan yang diinginkan.
2. Pola Data
Dasar utama dari metode peramalan adalah anggapan bahwa macam dari pola
yang didapati di dalam data yang diramalkan akan berkelanjutan.
3. Jenis dari Model
Model – model merupakan suatu deret dimana waktu digambarkan sebagai unsur
yang penting untuk menentukan perubahan – perubahan dalam pola. Model –
model perlu diperhatikan karena masing – masing model mempunyai kemampuan
yang berbeda dalam analisa keadaan untuk pengambilan keputusan.
4. Biaya yang Dibutuhkan
Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu prosedur
peramalan. Yakni biaya – biaya pengembangan, penyimpanan (storage) data,
operasi pelaksanaan, dan kesempatan dalam penggunaan teknik – teknik dan
5. Ketepatan Metode Peramalan
Tingkat ketepatan yang dibutuhkan sangat erat kaitannya dengan tingkat perincian
yang dibutuhkan dalam suatu peramalan.
6. Kemudahan dalam Penerapan
Metode – metode yang dapat dimengerti dan mudah dialokasikan sudah
merupakan suatu prinsip umum bagi pengambil keputusan.
2.4.3 Penentuan Pola Data
Hal penting harus diperhatikan dalam metode deret berkala adalah menentukan jenis
pola data historisnya. Sehingga pola data yang tepat dengan pola data historis tersebut
dapat diuji, dimana pola data umumnya dapat dibedakan sebagai berikut :
1. Pola Data Horizontal
Pola ini terjadi bila berfluktuasi di sekitar nilai rata – rata yang konstan.
2. Pola Data Musiman (Seosonal)
Pola yang menunjukkan perubahan yang berulang – ulang secara periodik dalam
deret waktu. Pola yang ini terjadi bila suatu deret dipengaruhi oleh faktor
musiman, misalnya : kuartal tahun tertentu, bulanan, atau hari – hari pada minggu
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 pemulusan (smoothing) diklasifikasikan menjadi dua bagian :
1. Metode Rata - Rata
Metode rata – rata dibagi atas empat bagian :
a. Nilai rata-rata (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
Ft+1= α Xt + (1-α) Ft
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 pemulusan (smoothing) eksponensial merupakan sekelompok metode
yang menunjukkan pembobotan menurun secara eksponensial terhadap nilai observasi
yang lebih tua atau dengan kata lain nilai observasi yang baru diberikan bobot yang
relatif lebih besar dibandingkan nilai observasi yang lebih tua. Metode ini terdiri atas :
1. Metode Pemulusan (Smoothing) Eksponensial Tunggal
a. Satu Parameter (One Parameter)
b. Pendekatan Aditif
Digunakan untuk data yang bersifat stasioner dan tidak menunjukkan pola
data atau trend.
2. Metode Pemulusan (Smoothing) Eksponensial Ganda
a. Metode Linear Satu Parameter dari Brown
b. Metode Dua Parameter dari Holt
3. Metode Pemulusan (Smoothing) Eksponensial Triple
a. Metode Kuadratik Satu Parameter dari Brown
b. Metode Kecendrungan dan Musim Tiga Parameter dari Winter
Digunakan untuk data berbentuk trend dan musiman.
4. Metode Pemulusan (Smoothing) Eksponensial Menurut Klasifikasi Pegels.
2.5.1 Metode yang Digunakan
Untuk mendapatkan hasil ramalan yang baik, maka harus diketahui cara peramalan
yang tepat. Data nilai UMR ke dalam grafis menunjukkan pola data trend linear yang
dapat dilihat dari plot autokorelasi nilai - nilai autokorelasi yang menunjukkan pola
data trend linear. Maka metode peramalan deret berkala yang digunakan untuk
meramalkan nilai penjualan energi gas pada pemecahan masalah ini adalah dengan
menggunakan Metode Pemulusan (Smoothing) Eksponensial Ganda Satu Parameter
dari Brown.
Metode ini merupakan metode linear yang dikemukakan oleh Brown. Dasar
pemikiran dari Metode Pemulusan (Smoothing) Eksponensial Linear Satu Parameter
dari Brown adalah serupa dengan rata - rata bergerak linear, karena kedua nilai
pemulusan tunggal dan ganda ketinggalan dari data sebenarnya. Bila terdapat unsur
trend, perbedaan nilai pemulusan tunggal dan ganda dapat ditambahkan kepada
pemulusan tunggal dan disesuaikan untuk trend.
Persamaan yang dipakai dalam pelaksanaan metode Pemulusan (Smoothing)
Ekponensial Linear Satu Parameter dari Brown adalah sebagai berikut :
S"t = αS't + (1 - α) S"t – 1
at = S't + (S't - S"t) = 2 S't - S"t
bt =
Ft+m = at + btm
Dimana,
S't = nilai pemulusan eksponensial tunggal (single eksponensial smoothing value)
S"t = nilai pemulusan eksponensial ganda (double eksponensial smoothing value)
α = parameter pemulusan eksponensial dengan besar 0 < α < 1
at, , bt =konstanta pemulusan
Ft+m = hasil peramalan untuk m periode ke depan yang diramalkan
2.6 Ketepatan Ramalan
Ketepatan ramalan adalah suatu hal yang mendasar dalam peramalan yaitu bagaimana
mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data
yang diberikan. Ketepatan dipandang sebagai kriteria penolakan untuk memilih suatu
metode peramalan. Dalam pemodelan deret berkala (time series) dari data masa lalu
dapat diramalkan situasi yang akan terjadi pada masa yang akan datang. Maka untuk
menguji kebenaran ramalan digunakan kriteria ketepatan ramalan.
Beberapa kriteria yang digunakan untuk menguji ketepatan ramalan adalah :
1. ME (Mean Error) / Nilai Tengah Kesalahan
ME =
α α
−
1
(
S't−S ''t)
N e
N
t t
∑
2. MSE (Mean Square Error) / Nilai Tengah Kesalahan Kuadrat
MSE =
3. MAE (Mean Absolute Error) / Nilai Tengah Kesalahan Absolut
MAE =
4. MAPE (Mean Absolute Percentage Error) / Nilai Tengah Kesalahan Persentase
Absolut
MAPE =
5. MPE (Mean Percentage Error) / Nilai Tengah Kesalahan Persentase
MPE =
Dimana :
et = Xt -Ft (kesalahan pada periode ke-t)
Xt = data aktual pada periode ke-t
PEt = 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 Autokorelasi
Koefisien autokorelasi berfungsi untuk menunjukkan suatu deret berkala itu sendiri
dengan selisih 1,2 periode atau lebih. Koefisien autokorelasi yang menggambarkan
hubungan antar suatu deret berkala dengan deret berkala itu sendiri pada kelambatan
waktu (lag) k periode. Secara sistematis untuk menghitung koefisien autokorelasi
dapat menggunakan rumus sebagai berikut :
rk =
Dimana :
rk = koefisien autokorelasi
Yt = data aktual pada periode ke-t
= nilai tengah dari data aktual
Yt+k = data aktual pada periode ke-t dengan kelambatan (time lag) k
Rumus sederhana yang biasa digunakan untuk menghitung kesalahan standar adalah :
Serk =
Dimana :
n = banyak data asli
Serk = kesalahan standar dari rk
Batas signifikan koefisien autokorelasi adalah :
-1,96 Serk ≤ rk ≤ +1,96 Serk
Dengan koefisien autokorelasi dapat ditentukan apakah suatu pola data bersifat
acak, konstan, atau musiman. Koefisien autokorelasi juga dapat memperlihatkan
ketidakstasioneran data.
Apabila berada di luar rentang nilai maka koefisien autokorelasi tersebut
BAB 3
SEJARAH DAN STRUKTUR BPS
3.1 Sejarah Badan Pusat Statistik (BPS)
Badan Pusat Statistik (BPS) adalah Lembaga Negara Non Departemen. Badan Pusat
Statistik melakukan kegiatan yang ditugaskan oleh pemerintah antara lain pada bidang
pertanian, agraria, pertambangan, kependudukan, sosial, ketenagakerjaan, keuangan,
pendapatan, dan keagamaan. Selain hal - hal tersebut Badan Pusat Statistik juga
bertugas untuk melaksanakan koordinasi di lapangan, kegiatan statistik dari segenap
instansi baik di pusat maupun daerah dengan tujuan mencegah dilakukannya
pekerjaan yang serupa oleh dua atau lebih instansi, memajukan keseragaman dalam
penggunaan definisi, klasifikasi, dan ukuran - ukuran lainnya. Berikut ini beberapa
masa peralihan di BPS yaitu :
3.1.1 Masa Pemerintahan Hindia Belanda
Pada bulan Februari 1920, Kantor Statistik pertama kali didirikan oleh Direktur
Pertanian, Kerajinan dan Perdagangan (Directur Vand Land Bouw Nijeverbeid en
Handel), dan berkedudukan di Bogor. Kantor ini ditugaskan untuk mengelola dan
Pada bulan Maret 1923, dibentuk suatu Komisi untuk statistik yang
anggotanya merupakan tiap – tiap Departemen. Komisi tersebut diberi tugas
merencanakan tindakan yang mengarah sejauh mungkin untuk mencapai kesatuan
dalam kegiatan di bidang statistik di Indonesia.
Pada tanggal 24 September 1924, nama lembaga tersebut diganti dengan nama
Central Kantor Vor de Statistik (CKS) atau Kantor Statistik dan dipindahkan ke
Jakarta. Bersama dengan itu, beralih juga pekerjaan mekanisme statistik perdagangan
yang semula dilakukan oleh Kantor Invoer Uitvoer en Accijnsen (IUA) yang disebut
sekarang Kantor Bea dan Cukai.
3.1.2 Masa Pemerintahan Jepang
Pada bulan Juni 1944, pemerintahan Jepang baru mengaktifkan kembali kegiatan
statistik yang utamanya diarahkan untuk memenuhi kebutuhan perang atau militer.
Pada masa ini juga CKS diganti nama menjadi Shomubu Chosasitu Gunseikanbu.
3.1.3 Masa Kemerdekaan Republik
Setelah proklamasi kemerdekaan Republik Indonesia tanggal 17 Agustus 1945,
kegiatan statistik ditangani oleh lembaga atau instansi baru sesuai dengan suasana
kemerdekaan yaitu KPPURI (Kantor Penyelidikan Perangkaan Umum Republik
Indonesia). Tahun 1946, kantor KPPURI dipindahkan ke Yogyakarta sebagai hasil
dari perjanjian Linggarjati. Sementara itu, pemerintahan Belanda (NICA) di Jakarta
Dengan surat Menteri Perekonomian tanggal 1 Maret 1952 No. P/44, lembaga
KPS berada di bawah dan bertanggung jawab kepada Menteri Perekonomian.
Selanjutnya, keputusan Menteri Perekonomian tanggal 24 September 1953 No.
18.009/M KPS dibagi menjadi 2 (dua) bagian, yaitu bagian research yang disebut
Afdeling A dan bagian penyelenggaraan tata usaha yang disebut Afdeling B.
Dengan Keputusan Presiden RI No. 131 tahun 1957, kementerian
perekonomian dipecah menjadi kementerian perdagangan dan kementerian
perindustrian. Untuk selanjutnya, Keputusan Presiden RI No. 172 tahun 1957,
terhitung mulai tanggal 1 Juni 1957 KPS diubah menjadi Biro Pusat Statistik.
3.1.4 Masa Orde Baru Sampai Sekarang
Pada pemerintahan Orde Baru, khususnya untuk memenuhi kebutuhan dalam
perencanaan dan evaluasi pembangunan, maka untuk mendapatkan statistik yang
handal, lengkap, tepat, akurat, dan terpercaya mulai diadakan pembenahan Organisasi
Biro Pusat Statistik.
Dalam masa orde baru ini BPS telah mengalami empatkali perubahan Struktur
Organisasi yaitu :
1. Peraturan Pemerintah No. 16 tahun 1968 tentang Organisasi BPS.
2. Peraturan Pemerintah No. 6 tahun 1980 tantang Organisasi BPS.
3. Peraturan Pemerintah No. 2 tahun 1992 tentang kedudukan, tugas, fungsi,
suasana, dan tata kerja BPS.
4. Undang – Undang No. 16 tahun 1997 tentang Statistik.
6. Keputusan Kepala BPS No. 100 tahun 1998 tentang organisasi dan tata kerja
BPS.
7. PP 51 tahun 1999 tentang penyelenggaraan statistik.
Tahun 1968, ditetapkan Peraturan Pemerintah No. 16 tahun 1968 yaitu yang
mengatur organisasi dan tata kerja di pusat dan di daerah. Tahun 1980, Peraturan
Pemerintah No. 6 tahun 1980 tentang organisasi sebagai pengganti Peraturan
Pemerintah No. 16 tahun 1968 di tiap Propinsi dan di Kabupaten atau Kotamadya
terdapat cabang perwakilan Badan Pusat Statistik. Pada tanggal 19 Mei 1997
menetapkan tentang statistik sebagai pengganti Undang - Undang Nomor : 6 dan 7
tentang sensus dan statistik. Pada tanggal 17 Juni 1998 dengan Keputusan RI No. 86
tahun 1998 ditetapkan Biro Pusat Statistik sekaligus mengatur tata kerja dan struktur
organisasi Badan Pusat Statistik yang baru.
3.2 Visi dan Misi Badan Pusat Statistik
3.2.1 Visi Badan Pusat Statistik
Badan Pusat Statistik mempunyai visi menjadikan informasi statistik sebagai tulang
punggung informasi pembangunan nasional dan regional, didukung sumber daya
manusia yang berkualitas, ilmu pengetahuan dan teknologi informasi yang mutakhir.
3.2.2 Misi Badan Pusat Statistik
Dalam perjuangan pembangunan nasional, Badan Pusat Statistik mengembangkan
handal, efektif, dan efisien, peningkatan kesadaran masyarakat akan arti dan kegunaan
statistik dan pengembangan ilmu pengetahuan statistik.
3.3 Struktur Organisasi Badan Pusat Statistik
Organisasi merupakan suatu fungsi manajemen yang mempunyai peranan dan
kegiatan langsung dengan instansi sosial yang terjadi di antara individu - individu
dalam rangka kerjasama untuk mencapai tujuan yang telah ditetapkan. Struktur
organisasi perusahaan merupakan salah satu faktor penting yang mempengaruhi
tingkat keberhasilan suatu perusahaan dalam mencapai suatu tujuan yang ditetapkan.
Dengan adanya struktur organisasi maka akan jelaslah pemisahan tugas dari para
pegawai/staf.
Struktur organisasi yang ditetapkan di Kantor Badan Pusat Statistik adalah
struktur organisasi ini dan staf. Struktur ini mengandung unsur - unsur spesialisasi
kerja, standardisasi kegiatan, sentralisasi dan desentralisasi dalam pembuatan
keputusan dan ukuran satuan yang menunjukkan lokasi kekuasaan, pembuatan
keputusan, dan ukuran satuan yang menunjukkan suatu kelompok kerja.
Adapun tujuan dari struktur organisasi ini dan staf di Kantor Badan Pusat
Statistik (BPS) Propinsi Sumatera Utara adalah :
a. Pengkoordinasian yaitu yang memungkinkan komunikasi integrasi berbagai
departemen dan kegiatan - kegiatan yang saling berhubungan satu sama lain.
b. Pemberian saran yaitu memberikan saran atau membuat rekomendasi bagi
manajemen.
c. Pembuatan keputusan yaitu membuat keputusan - keputusan dan mengamati
Adapun bagan struktur organisasi Badan Pusat Statistik Propinsi Sumatera
Utara adalah sebagai berikut :
Peraturan Presiden Republik Indonesia Nomor : 86 tahun 1998 ditetapkan Badan
Pusat Statistik sebagaimana lampiran dalam organisasi Kantor Badan Pusat Statistik
Propinsi Sumatera Utara dipimpin oleh seorang Kepala Kantor.
Kepala Kantor dibantu tata usaha yang terdiri dari :
a. Sub Bagian Urusan Dalam
b. Sub Bagian Perlengkapan
c. Sub Bagian Keuangan
d. Sub Bagian Kepegawaian
e. Sub Bagian Bina Potensi/Bina Program
Sedangkan Bidang Penunjang Statistik terdiri dari 5(lima) bidang yaitu :
1. Bidang Statistik Produksi
Bidang Statistik Produksi mempunyai tugas untuk melaksanakan kegiatan statistik
pertanian, industri, konstruksi pertambangan dan energi.
2. Bidang Statistik Distibusi
Bidang Statistik Distribusi mempunyai tugas melaksanakan kegiatan statistik
konsumen, perdagangan besar, statistik keuangan dan harga produsen serta niaga
3. Bidang Statistik Kependudukan
Bidang BPS Kependudukan mempunyai tugas melaksanakan kegiatan statistik
demografi dan rumah tangga, statistik tenaga kerja, serta statistik kesejahteran.
4. Bidang Integrasi Pengolahan dan Diseminasi Statistik (IPDS)
Bidang IPDS mempunyai tugas untuk penyiapan data, penyusunan sistem, dan
program serta operasional pengolahan data dengan program komputer.
5. Bidang Neraca Wilayah dan Analisis Statistik
Bidang Neraca Wilayah dan Analisis Statistik mempunyai tugas untuk
penyusunan neraca produksi, neraca konsumsi, dan akumulasi penyajian analisis
serta kegiatan penerapan statistik.
3.4 Tugas dan Wewenang Masing - Masing Bagian di Badan Pusat Statistik
3.4.1 Bidang Tata Usaha
1. Menyusun program kerja tahunan bidang.
2. Mengatur dan melaksanakan perhimpunan dan penyusunan program kerja
tahunan, baik rutin maupun proyek kantor BPS propinsi dan menyampaikan ke
BPS.
3. Mengatur dan melaksanakan urusan dalam yang meliputi surat - surat
penggandaan atau percetakan, kearsipan, rumah tangga, pemeliharaan gedung,
keamanan dan ketertiban lingkungan serta perjalanan dinas dalam dan luar
4. Mengatur dan melaksanakan urusan perlengkapan dan pembekalan yang
meliputi penyusunan rencana kebutuhan, penyaluran, dan pengemasan
penyimpanan pergudangan, iventarisasi, penghapusan serta pemeliharaan
peralatan dan perlengkapan.
5. Mengatur dan melaksanakan urusan keuangan yang meliputi tata usaha
keuangan, pembendaharaan, verifikasi, dan pembukuan.
6. Mengatur dan melaksanakan urusan dan mutasi pegawai, pembinaan pegawai,
kesejahteraan pegawai, administrasi jabatan fungsional, hukum, organisasi tata
laksana serta penyajian.
7. Menyusun laporan kegiatan sevara berkala dan sewaktu - waktu.
8. Mengatur dan melaksanakan urusan penyelenggaraan berbagai pelatihan teknis
dan pelatihan administratif.
3.4.2 Bidang Statistik Produksi
1. Menyusun program kerja tahunan bidang yang meliputi kegiatan statistik
pertanian, industri, konstruksi energi, dan statistik produksi lainnya yang
ditemukan.
2. Mengatur keikutsertaan program latihan yang diselenggarakan oleh pusat
bidang statistik produksi.
3. Membantu kepala kantor BPS atau pimpinan proyek atau bagian proyek untuk
menyiapkan program petugas bagian lapangan.
4. Mengatur dan mengkoordinasi penyelenggaraan pelatihan petugas lapangan di
5. Mengatur dan melaksanakan penjatahan dan pengawasan lapangan terhadap
pelaksanaan lapangan produksi.
6. Mengatur dan melaksanakan pengawasan dan pemeriksaan dokumen hasil
pengumpulan data statistik produksi.
7. Bersama - sama dengan bidang pengolahan data, mengatur dan menyiapkan
data statistik produksi melalui komputer sesuai yang diterapkan.
8. Mengatur dan melaksanakan evaluasi hasil kerja kegiatan statistik produksi.
9. Mengatur dan menyiapkan hasil pengolahan statistik produksi yang akan
dikirim ke pusat melalui komputer sesuai dengan jadwal yang ditentukan.
10.Membantu Kepala Kantor Badan Pusat Statistik melakukan pembinaan secara
teratur petugas pencacah, pengawas, dan pemeriksaan pengumpulan data
statistik produksi, kabupaten, kotamadya maupun kecamatan.
3.4.3 Bidang Statistik Ditribusi
1. Menyusun program kerja tahunan bidang yang meliputi kegiatan statistik
pertanian, industri, konstruksi energi, dan statistik produksi lainnya yang
ditemukan.
2. Mengatur keikutsertaan program pelatihan yang diselenggarakan oleh pusat di
bidang statistik ditribusi.
3. Membantu kepala kantor BPS propinsi atau pimpinan proyek untuk
menyiapkan program tugas lapangan.
4. Mengatur dan mengkoordinasi penyelenggaraan pelatihan petugas lapangan di
5. Mengatur dan melaksanakan penjatahan dan pengawasan lapangan terhadap
pelaksanaan lapangan statistik distribusi.
3.4.4 Bidang Pengolahan Data
1. Menyusun program kerja tahunan bidang.
2. Meneliti jenis data yang diolah melalui komputer dan bersama - sama dengan
bidang yang bersangkutan serta menentukan sistem pengolahan dengan
komputer.
3. Mengatur pembuatan sistem dan program pelaksanaan penyiapan data dan
operasi pengolahannya.
4. Mengatur dan melaksanakan penerimaan dokumen yang diolah dengan
komputer.
5. Mengatur dan melaksanakan tugas yang langsung diberikan atasan.
3.4.5 Bidang Statistik Kependudukan
1. Menyusun program kerja tahunan bidang.
2. Melaksanakan kegiatan statistik demografi dan rumah tangga,
ketenagakerjaan, kesejahteraan rakyat dan statistik kependudukan lainnya yang
ditentukan.
3. Mengatur dan melaksanakan penjatahan dokumen yang diperlukan untuk
pelaksanaan lapangan.
4. Melakukan pembinaan, pengamatan lanjut dan pengawasan lapangan terhadap
5. Mengatur dan menyiapkan dokumen dan hasil pengolahan statistik
kependudukan melalui komputer sesuai dengan jadwal yang telah ditentukan.
3.4.6 Bidang Neraca Wilayah dan Analisa
1. Menyusun program kerja tahunan.
2. Menyusun dan melaksanakan penerangan kegiatan statistik kepada
BAB 4
ANALISIS DAN PEMBAHASAN DATA
[image:46.595.153.475.360.533.2]4.1 Data yang Dibutuhkan
Tabel 4.1 Data Upah Minimum Regional ( UMR ) Menurut Lapangan Usaha
Pada Sektor Bangunan atau Konstruksi Kota Medan 2006-2010
PERIODE TAHUN NILAI UMR (Rp.)
1 2006 825.000
2 2007 902.000
3 2008 1.009.800
4 2009 1.071.000
5 2010 1.210.000
Gambar 4.1 Grafik Plot Data Nilai UMR (Upah Minimum Regional) dari Tahun
2006 – 2010
4.2 Analisa Deret Berkala Nilai UMR ( Upah Minimum Regional) kota Medan
Untuk menganalisa data deret berkala. terlebih dahulu kita harus melakukan plot data
pada tabel 4.1 secara grafis. seperti yang terlihat pada gambar 4.1. Sesudah melakukan
plot data deret berkala untuk pemeriksaan secara visual. maka alat statistik yang
utama adalah koefisien autokorelasi (rk). Statistik ini menggambarkan hubungan
antara suatu deret berkala dengan deret berkala itu sendiri pada kelambatan waktu (lag
time) k periode.
Bentuk visual dari suatu plot deret berkala sering kali cukup untuk
meyakinkan orang yang melakukan peramalan terhadap suatu data deret berkala
tertentu bahwa data tersebut adalah stasioner atau tidak stasioner. Dengan demikian
plot data autokorelasi data memperlihatkan ketidakstasioneran.
0 200000 400000 600000 800000 1000000 1200000 1400000
1 2 3 4 5
Ni
la
i UMR
(Rp
.)
Time Series Plot UMR
Tampilan plot data nilai Upah Minimum Regional (UMR) di atas
menunjukkan bahwa data asli tersebut tidak stasioner. Untuk memperkuat gambar 4.1
ini perlu dihitung koefisien autokorelasi dari data tabel 4.1 pada berbagai time lag.
Nilai autokorelasi ini sangat berpengaruh dalam peramalan deret berkala. Dari table
4.1 dapat dicari nilai autokorelasinya dengan menggunakan rumus dibawah ini:
rk =
[image:48.595.95.536.485.620.2](
)(
)
(
)
∑
∑
= − = − − − − n t t k n t k t t Y Y Y Y Y Y 1 2 1Tabel 4.2 Nilai - nilai autokorelasi data nilai upah minimum regional kota
Medan dengan k=1
Sumber : Perhitungan
t Tahun Yt Yt-1
Y
Yt − Yt−1−Y
(
Yt −Y)(
Yt−1−Y)
(
)
2Y Yt −
1 2006 825.000 - -178.560 - - 31.883.673.600 2 2007 902.000 825.000 -101.560 -178.560 18.134.553.600 10.314.433.600 3 2008 1.009.800 902.000 6.240 -101.560 -633.734.400 38.937.600 4 2009 1.071.000 1.009.800 67.440 6.240 420.825.600 4.548.153.600 5 2010 1.210.000 1.071.000 206.440 67.440 13.922.313.600 42.617.473.600
Maka untuk r1 .dengan kelambatan (k) 1 periode r1 =
(
)(
)
(
)
∑
∑
= − = − − − − 5 1 2 1 5 1 1 t t t t t Y Y Y Y Y Y r1 =(
)(
)
(
)
∑
∑
= = − − − − 5 1 2 4 1 1 t t t t t Y Y Y Y Y Y r1= 2 2 ) 560 . 003 . 1 000 . 210 . 1 ( .. ) 560 . 003 . 1 000 . 825 ( ) 560 . 003 . 1 000 . 210 . 1 )( 560 . 003 . 1 000 . 071 . 1 ( .. ) 560 . 003 . 1 000 . 902 )( 560 . 003 . 1 000 . 825 ( − + + − − − + + − −r1= 2 2
) 206.440 ( ... ) 560 . 178 ( ) 440 . 206 )( 440 . 67 ( ... ) -101.560 )( -178.560 ( + + − + + r1= .000 89.402.672 .400 31.843.958
r1 = 0.36
Tabel 4.3 Nilai - nilai autokorelasi data nilai upah minimum regional kota
Medan dengan k=2
t Tahun Yt Yt-2
Y
Yt − Yt−2−Y
(
Yt −Y)(
Yt−2 −Y)
(
)
2Y Yt −
2006 825.000 - -178.560 - - 31.883.673.600 2007 902.000 - -101.560 - - 10.314.433.600 2008 1.009.800 825.000 6.240 -178.560 -1.114.214.400 38.937.600 2009 1.071.000 902.000 67.440 -101.560 -6.849.206.400 4.548.153.600 2010 1.210.000 1.009.800 206.440 6.240 1.288.185.600 42.617.473.600 jumlah 5.017.800 2.736.800 0 -273.880 -6.675.235.200 89.402.672.000
Sumber : Perhitungan
Maka untuk r2 , dengan kelambatan (k) 2 periode
r2 =
(
)(
)
(
)
∑
∑
= − = − − − − 5 1 2 2 5 1 2 t t t t t Y Y Y Y Y Y r2 =(
)(
)
(
)
∑
∑
= = − − − − 5 1 2 3 1 2 t t t t t Y Y Y Y Y Yr2=
2 2 ) 1003560 1210000 ( ... ) 1003560 825000 ( ) 1003560 1210000 )( 1003560 1009800 ( ... ) 1003560 1009800 )( 1003560 825000 ( − + + − − − + + − −
r2 = 2 2
) 206.440 ( ... ) 560 . 178 ( ) 206.440 )( 6240 ( ... ) 6.240 )( -178.560 ( + + − + + r2 = .000 89.402.672 200 6.675.235.
Dengan demikian, maka autokorelasi untuk time lag ke-3 dan seterusnya dapat kita
peroleh dari persamaan tersebut dengan menggunakan data dalam table untuk
mempermudah penulis dalam mengolah data tersebut dengan tepat dan akurat. Maka
dengan cara yang sama akan diperoleh koefisien autokorelasi yang selanjutnya. Dari
[image:51.595.205.423.269.496.2]cara datas diperoleh data nilai autokorelasi sebagai berikut :
Tabel 4.4 Nilai Koefisien Autokorelasi
Time Lag r
1 0.36
2 -0.075
3 -0.37
4 -0.41
Sumber : Perhitungan
Dari data analisis deret berkala dengan autokorelasi serta nilai - nilai autokorelasi data
nilai Upah Minimum Regional ( UMR ) dapat dilihat bahwa pola trend linear
menunjukkan bahwa data tersebut tidak stasioner. Maka dapat diplot autokorelasi data
Gambar 4.2 Diagram Batang Koefisien Autokorelasi Data Asli
Dari plot autokorelasi data di atas dapat dilihat trend searah diagonal. bersama dengan
jumlah time lag dimana nilai - nilai autokorelasi menurun secara perlahan - lahan.
Dan dapat meyakinkan peramalan dalam menganalisa adanya kestasioneran atau
ketidakstasioneran data.
Adapun kesalahan standar (Se)rk =
n
1
= 5 1
= 0.4472
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(0.4472) ≤ rk ≤ 1.96(0.4472)
-0.87654 ≤ rk ≤ 0.87654
-0,6 -0,4 -0,2 0 0,2 0,4
1 2 3 4
Ni
la
i r
Time Lag
Nilai koefisien autokorelasi time lag 1 berada di dalam rentang. jadi berbeda secara
signifikan dari nol. yang berarti tidak ada hubungan yang signifikan antara nilai suatu
variabel dengan nilai variabel itu sendiri dengan time lag suatu periode yang
menunjukkan pola trend.
4.3 Metode Pemulusan (Smoothing) Eksponensial Linear Satu Parameter dari
Brown
4.3.1 Penaksiran Model Peramalan
Dalam pengolahan dan penganalisaan data. penulis mengaplikasikan data (tabel 4.1)
dengan metode peramalan (forecasting) berdasarkan metode pemulusan (smoothing)
eksponensial linear satu parameter dari Brown. Persamaan yang dipakai dalam
Metode Pemulusan (Smoothing) Eksponensial Ganda Satu Parameter dari Brown
adalah sebagai berikut:
• Nilai Pemulusan Eksponensial Tunggal
S't = αXt + (1 - α) S't – 1
Agar dapat menggunakan rumus tersebut, karena nilai S't – 1 tidak diketahui, maka
nilainya dapat ditetepakan dari nilai rata-rata Xt atau nilai X pada saat t=1 sebagai titik
awal. Dari data yang telah diperoleh maka nilai S't dimana t mulai dari 1 sampai 5,
dan α mulai dari 0,1 sampai 0,9 (namun yang dijelaskan penulis hanya menggunakan
Untuk t=1
S'1 = nilai X1 = 825.000
Untuk mendapatkan nilai S' yang selanjutnya.
Untuk t=2
S'2 = 0,1 X2 + (1 – 0,1) S'2- 1
S'2 = 0,1 (902.000) + (1 – 0,1) S'1
S'2 = 0,1 (902.000)+ (0,9) (825.000)
S'2 = 90.200+ 742.500
S'2 = 832.700
Untuk t=3
S'3 = 0,1 X3 + (1 – 0,1) S'3- 1
S'3 = 0,1 (1.009.800) + (1 – 0,1) S'2
S'3 = 0,1 (1.009.800)+ (0,9) (832.700)
S'3 = 100.980 + 749.430
S'3 = 850.410
Untuk S't mulai dari t=3 sampai t=5 dapat dilihat pada table selanjutnya.
• Nilai Pemulusan Eksponensial Ganda
Sama dengan S't, Agar dapat menggunakan rumus tersebut, karena nilai S"t – 1 tidak
diketahui, maka nilainya dapat ditetepakan dari nilai rata-rata Xt atau nilai X pada saat
t=1 sebagai titik awal. Dari data yang telah diperoleh maka nilai S't dimana t mulai
dari 1 samapai 10, dan α mulai dari 0,1 samapai 0,9 (namun yang dijelaskan penulis hanya menggunakan α=0,1) adalah sebagai berikut:
Untuk t=1
S"1 = nilai S'1 = 825.000
Untuk mendapatkan nilai S״ yang selanjutnya.
Untuk t=2
S"2 = 0,1 S'2 + (1 – 0,1) S"2 – 1
S"2 = 0,1 (832.700)+ (1 – 0,1) S"1
S"2 = 0,1 (832.700) + (0,9) (825.000)
S"2 = 83.270+ 742.500
S"2 = 825.770
Untuk t=3
S"3 = 0,1 S'3 + (1 – 0,1) S"3-1
S"3 = 0,1 (850.410) + (1 – 0,1) S"2
S"3 = 0,1 (850.410) + (0,9) (825.770)
S"3 = 85.041+ 743.193
Untuk S't mulai dari t=3 sampai t=5 dapat dilihat pada table selanjutnya.
• Konstanta Pemulusan at dan bt
at = S't + (S't - S"t) = 2 S't - S"t
bt = 1−�� � St′ − St"�
Untuk t=1
a1 = 2 S'1 - S"1
b1 = 0,1
1−0,1� S1
′ − S 1"�
untuk nilai a dan b pada saat t=1 nilainya tidak ada karena nilai pemulusan tunggal
dan ganda memakai nilai pada X untuk t=1.
Untuk t=2
a2 = 2 S'2 - S"2
a2 = 2 (832.700) - (825.770)
a2 = 1.665.400 - 825.770
a2 = 839.630
b2 = 0,1
1−0,1� S2
′ − S 2"�
b2 = 00,1
,9( 832.700 − 825.770)
b2 = 0,1
0,9( 6.930)
untuk t=3
a3 = 2 S'3 - S"3
a3 = 2 (850.410) - (828.234)
a3 = 1.700.820 - 828.234
a3 = 872.586
b3 = 0,1
1−0,1� S3
′ − S 3"�
b3 = 0
,1
0,9( 850.410 − 828.234)
b3 = 0,1
0,9( 22.176)
b3 = 2.464
Untuk a dan bmulai dari t=4 sampai t=5 dapat dilihat pada table selanjutnya.
• Hasil Peramalan Untuk m Periode Kedepan
Ft+m = at + btm
Untuk nilai Ft+m , dapat ditentukan dengan melihat nilai m ( selisih waktu peramalan
dimana m=1,2,3,…). Namun penulis membuat nilai ramalan untuk tahun berikutnya
dipakai 1 tahun sebelumnya. Maka untuk nilai F dapat dicari mulai dari t=2 untuk
memperoleh nilai F3 karena nilai a dan b dimulai dari t=2. Dengan menggunakan
rumus diatas diperoleh sebagai berikut:
Untuk t=2
F2+1 = a2 + b2(1)
F3 = 839.630 + 770(1)
F3 = 839.630 + 770
Untuk t=3
F3+1 = a3 + b3(1)
F4 = 872.586 + 2.464(1)
F4 = 872.586 + 2.464
F4 = 875.050
Untuk Ft mulai dari t=5 dapat dilihat pada table selanjutnya.
Untuk memenuhi perhitungan smoothing eksponensial ganda. tunggal. dan
ramalan yang akan datang maka terlebih dahulu penulis akan menentukan parameter
nilai α yang biasanya dihitung 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 ketepatan perhitungan dengan mengkuadratkan masing - masing
kesalahan untuk masing - masing item dalam sebuah susunan data dan kemudian
dicoba nilai α yang lain.
Untuk menghitung MSE pertama kali dicari error terlebih dahulu. yang
merupakan hasil dari data asli dikurangi hasil ramalan. Lalu tiap error dikuadratkan
dan dibagi dengan banyaknya error. Secara matematik rumus MSE (Mean Square
Error) sebagai berikut :
MSE =
N e
N
t t
∑
Dari rumus tersebut maka dapat di cari nilainya dengan menggunakan tabel yang
diolah dengan microsoft excel. Dengan menggunakan nilai α= 0,1 sampai α=0,9
[image:59.595.76.560.259.450.2]diperoleh dalam tabel sebagai berikut:
Tabel 4.5 Menentukan Nilai MSE dengan Menggunakan α = 0.1
Sumber : Perhitungan
Untuk α = 0.1 . N = 3
Maka :
MSE =
N e
N
t t
∑
=1 2
=
3
6.116 153.115.30
= 51.038.435.372
t Xt S't S"t at bt Ft+m et et2
1
825.000 825.000 825.000 - - - -
-2
902.000 832.700 825.770 839.630 770 - - -3
1.009.800 850.410 828.234 872.586 2.464 840.400 169.400 28.696.360.000 4
1.071.000 872.469 832.657,5 912.280,5 4.423,5 875.050 195.950 38.396.402.500 5
1.210.000 906.222,1 840.013,96 972.430,24 7.356,46 916.704 293.296 86.022.543.616 Jumlah
Tabel 4.6 Menentukan Nilai MSE dengan Menggunakan α = 0.2
t Xt S't S"t at bt Ft+m et et2
1 825.000 825.000 825.000 - - - -
-2 902.000 840.400 828.080 852.720 3.080 - -
-3 1.009.800 874.280 837.320 911.240 9.240 855.800 154.000 23.716.000.000
4 1.071.000 913.624 852.580,8 974.667,2 15.260,8 920.480 150.520 22.656.270.400
5 1.210.000 972.899,2 876.644,48 1.069.153,92 24.063,68 989.928 220.072 48.431.685.184
Jumlah 94.803.955.584
Sumber : Perhitungan
Untuk α = 0.2 . N = 3
Maka :
MSE =
N e
N
t t
∑
=1 2
=
3
.584 94.803.955
Tabel 4.7 Menentukan Nilai MSE dengan Menggunakan α = 0.3
t Xt S't S"t at bt Ft+m et et2
1 825.000 825.000 825.000 - - - -
-2 902.000 848.100 831.930 864.270 6.930 - -
-3 1.009.800 896.610 851.334 941.886 19.404 871.200 138.600 19.209.960.000
4 1.071.000 948.927 880.611.,9 1.017.242 292.77,9 961.290 109.710 12.036.284.100
5 1.210.000 1.027.248,9 924.603 1.129.895 43.991,1 1.046.520 163.480 26.725.710.400
Jumlah 57.971.954.500
Sumber : Perhitungan
Untuk α = 0.3 . N = 3
Maka :
MSE =
N e
N
t t
∑
=1 2
=
3
.500 57.971.954
Tabel 4.8 Menentukan Nilai MSE dengan Menggunakan α = 0.4
t Xt S't S"t at bt Ft+m et et2
1 825.000 825.000 825.000 - - - -
-2 902.000 855.800 837.320 874.280 12.320 - -
-3 1.009.800 917.400 869.352 965.448 32.032 886.600 123.200 15.178.240.000
4 1.071.000 978.840 913.147,2 1.044.532,8 43.795,2 997.480 73.520 5.405.190.400
5 1.210.000 1.071.304 976.409,92 1.166.198,08 63.262,72 1.088.328 121.672 14.804.075.584
Jumlah 35.387.505.984
Sumber : Perhitungan
Untuk α = 0.4 . N = 3
Maka :
MSE =
N e
N
t t
∑
=1 2
=
3 .984 35.387.505
Tabel 4.9 Menentukan Nilai MSE dengan Menggunakan α = 0.5
t Xt S't S"t at bt Ft+m et et2
1 825.000 825.000 825.000 - - - -
-2 902.000 863.500 844.250 882.750 19.250 - -
-3 1.009.800 936.650 890.450 982.850 46.200 902.000 107.800 11.620.840.000
4 1.071.000 1.003.825 947.137,5 1.060.512,5 56.687,5 1.029.050 41.950 1.759.802.500
5 1.210.000 1.106.912,5 1.027.025 1.186.800 79.887,5 1.117.200 92.800 8.611.840.000
Jumlah 21.992.482.500
Sumber : Perhitungan
Untuk α = 0.5 . N = 3
Maka :
MSE =
N e
N
t t
∑
=1 2
=
3
.500 21.992.482
Tabel 4.10 Menentukan Nilai MSE dengan Menggunakan α = 0.6
t Xt S't S"t at bt Ft+m et et2
1 825.000 825.000 825.000 - - - -
-2 902.000 871.200 852.720 889.680 27.720 - -
-3 1.009.800 954.360 913.704 995.016 60.984 917.400 92.400 8.537.760.000
4 1.071.000 1.024.344 980.088 1.068.600 66.384 1.056.000 15.000 225.000.000
5 1.210.000 1.135.737,6 1.073.477,76 1.197.997 93.389,76 1.134.984 75.016 5.627.400.256
Jumlah 14.390.160.256
Sumber : Perhitungan
Untuk α = 0.6 . N = 3
Maka :
MSE =
N e
N
t t
∑
=1 2
=
3
.256 14.390.160
Tabel 4.11 Menentukan Nilai MSE dengan Menggunakan α = 0.7
t Xt S't S"t at bt Ft+m et et2
1 825.000 825.000 825.000 - - - -
-2 902.000 878.900 862.730 895.070 37.730 - -
-3 1.009.800 970.530 938.190 1.002.870 75.460 932.800 77.000 5.929.000.000
4 1.071.000 1.040.859 1.010.058,3 1.071.659,7 71868,3 1.078.330 -7.330 53.728.900
5 1.210.000 1.159.257,7 1.114.497,88 1.204.017,52 104.439,58 1.143.528 66.472 4.418.526.784
Jumlah 10.401.255.684