MENGHITUNG UPAH MINIMUM REGIONAL (UMR) KOTA MEDAN
MENURUT LAPANGAN USAHA PADA SEKTOR INDUSTRI
TAHUN 2011 BERDASARKAN DATA
DARI TAHUN 2000-2009
TUGAS AKHIR
OLEH
NURHAYATI
082407016
PROGRAM STUDI DIPLOMA III STATISTIKA
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MENGHITUNG UPAH MINIMUM REGIONAL (UMR) KOTA MEDAN
MENURUT LAPANGAN USAHA PADA SEKTOR INDUSTRI
TAHUN 2011 BERDASARKAN DATA
DARI TAHUN 2000-2009
TUGAS AKHIR
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ahli Madya
NURHAYATI
082407016
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 INDUSTRI TAHUN 2011 BERDASARKAN
DATA DARI TAHUN 2000-2009
Kategori : TUGAS AKHIR
Nama : NURHAYATI
Nomor Induk Mahasiswa : 082407016
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
PERNYATAAN
MENGHITUNG UPAH MINIMUM REGIONAL (UMR) KOTA MEDAN
MENURUT LAPANGAN USAHA PADA SEKTOR INDUSTRI
TAHUN
2011 BERDASARKAN DATA DARI TAHUN 2000-2009
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 2011
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. Teristimewa kepada Bapak Wagiono dan Ibu Sainem Tercinta yang selama ini telah memberikan nasehat, arahan dan dukungan kepada Penulis serta Do’a yang tak pernah putus untuk Penulis.
2. Bapak Dr. Sutarman, M.Sc selaku Dekan FMIPA USU
3. Bapak Prof. Dr. Tulus, M.Sc selaku Ketua Pelaksana Program Studi Ilmu Komputer dan Statistika FMIPA USU.
4. Bapak Drs. Faigiziduhu Bu’ulolo, M.Si selaku Ketua Program Studi DIII Statistika FMIPA USU.
5. Bapak Drs. Djenda Djudjur Ginting, MS selaku Dosen Pembimbing yang telah memberikan bimbingan kepada penulis sehingga dapat menyelesaikan Tugas Akhir ini dengan sebaik – baiknya.
6. Seluruh Staff Pengajar di Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara khususnya Jurusan Matematika.
7. Seluruh Pegawai di Kantor Camat Medan Belawan yang telah banyak membantu penulis serta memberikan izin kepada penulis untuk riset di Instansi tersebut.
8. Buat kekasih hati dan sahabat – sahabat saya Rien fionita dan Fitria seide yang telah memberikan dukungan, nasehat serta masukan - masukan yang memotivasi Penulis untuk menyelesaikan Tugas Akhir ini.
9. Buat teman – teman DIII Statistika khususnya pada STAT B ‘ 08 yang saling bahu membahu dan saling bertukar ide.
saran yang bersifat membangun. Kalau ada kata atau ejaan yang kurang lengkap penulis mohon maaf sebab penulis hanya seorang Manusia yang tak luput dari kesalahan dan juga kekhilafan. Sesungguhnya kesempurnaan hanya milik Allah SWT.
Wasalamu’alaikum Warahmatullahi Wabarakatu.
Medan, Juni 2011
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 Lokasi Penelitian
1.6 Metodologi Penelitian
1.6.1 Metode Penelitian Kepustakaan
1.6.2 Metode Pengumpulan Data
1.6.3 Metode analisis yang digunakan
1.7 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
3.4.4 Bidang Pengolahan Data
3.4.5 Bidang Statistik Kependudukan
3.4.6 Bidang Neraca Wilayah dan Analisa
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
4.4 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 = 0,7 Pada Data Nilai Upah Minimum
Regional (UMR)
DAFTAR GAMBAR
Gambar 4.1 Plot Data Nilai Upah Minimum Regional (UMR) dari Tahun 2000-2000 Gambar 4.2 Distribusi Koefisien Autokorelasi Data Asli
Gambar 4.3 Plot Pemulusan Peramalan dengan α = 0,7
Gambar 5.1 Langkah - Langkah Membuka Microsoft Office Excel 2007 Gambar 5.2 Tampilan Worksheet Microsoft Office Excel 2007 Gambar 5.3 Pengisian Data Pada Microsoft Office Excel 2007 Gambar 5.4 Aplikasi Pemulusan Eksponensial Linear Satu Parameter
dari Brown Menggunakan α = 0,7Pada Microsoft
Office Excel 2007 Gambar 5.5
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
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;
4. Bahwa berdasarkan pertimbangan sebagaimana dimaksud huruf a, b dan c perlu
ditetapkan dengan Keputusan Menteri.
Dari semua sektor yang telah ditetapkan Upah Minimum Regional (UMR) nya,
penulis ingin meneliti Upah Minimum Regional (UMR) kota Medan untuk sektor industri.
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. Semau
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 INDUSTRI TAHUN 2011
BERDASARKAN DATA DARI TAHUN 2000-2009“.
1.2Identifikasi Masalah
Untuk memperjelas sasaran yang dituju, maka penulis membuat rumusan masalah. Adapun
yang menjadi permasalahan dalam tulisan ini adalah bagaimana menghitung Upah Minimum
Regional (UMR) kota Medan menurut sektor industri tahun 2011 berdasarkan data dari tahun
2000-2009?
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
Smoothing) yang akan digunakan untuk meramalkan Upah Minimum Regional (UMR) kota
Medan untuk sektor Industri tahun 2011.
1.4Maksud dan Tujuan
Maksud dari penelitian ini adalah untuk meramalkan Upah Minimum Regional (UMR) kota
Medan menurut sektor industri tahun 2011. Adapun tujuan penulis melakukan penelitian ini
adalah untuk mengetahui peramalan Upah Minimum Regional (UMR) kota Medan menurut
sektor industri tahun 2011, berdasarkan data sekunder yang diperoleh dari BPS Provinsi
Sumatera Utara dari tahun 2000-2009.
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 sektor industri.
1.5 Lokasi Penelitian
Penelitian dilakukan dengan mengambil data sekunder dari kantor Badan Pusat Statistik
(BPS) Provinsi Sumatera Utara Jl. Asrama No. 179, Medan.
1.6 Metodologi Penelitian
Metode penelitian adalah salah satu cara yang terdiri dari langkah – langkah atau urutan
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 Utara jl. Asrama
No. 179, Medan. Data yang dikumpulkan tersebut kemudian 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
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
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 :
α α −
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 berdirinya
BPS Propinsi Sumatera Utara.
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 data)
dengan menggunakan asumsi bahwa pola data pada waktu yang lalu itu akan berulang lagi
pada waktu yang akan datang. Selanjutnya, model itu digunakan untuk meramalkan kondisi –
kondisi pada waktu – waktu yang akan datang. Bila uraian mengenai kegiatan peramalan
tersebut diamati, ada dua dimensi waktu yang tercakup, yaitu waktu yang lalu dimana data
tersedia dan waktu yang akan datang dimana data tidak tersedia.
Kegiatan penerapan model yang telah dikembangkan pada waktu lalu dinamakan
proyeksi, sedangkan kegiatan penerapan model yang telah dikembangkan pada waktu yang
akan datang dinamakan peramalan. Penggunaan metode atau teknik peramalan dengan model
yang diidentifikasikan secara tepat juga didukung oleh baik tidaknya data maupun informasi
yang digunakan. Selama data maupun informasi yang digunakan tidak dapat meyakinkan
seperti sumber dari data atau informasi yang tidak jelas, maka hasil peramalan yang disusun
juga akan sulit dipercaya akan ketepatan dan keakuratannya.
2.2 Kegunaan Peramalan
Sering terdapat senjang waktu (time lag) antara kesadaran akan peristiwa atau kebutuhan
mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang (lead time) ini merupakan
alasan utama bagi perencanaan dan peramalan. Jika waktu tenggang ini nol atau sangat kecil,
maka perencanaan tidak diperlukan. Jika waktu tenggang ini panjang dan hasil peristiwa akhir
bergantung pada faktor – faktor yang dapat diketahui, maka perencanaan dapat memegang
peranan penting.
Dalam sebuah instansi pemerintah maupun swasta, perencanaan sangat dibutuhkan
untuk pengambilan keputusan untuk beberapa waktu kedepan. Peramalan merupakan alat
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 jangka
pendek, menengah, dan panjang dari organisasi saat ini selain bidang lainnya.Organisasi
dalam membangun suatu sistem peramalan perlu memiliki pengetahuan dan keterampilan
yang meliputi paling sedikit empat bidang : identifikasi dan definisi masalah peramalan ;
aplikasi serangkaian metode peramalan ; prosedur pemilihan metode yang tepat untuk situasi
tertentu ; dan dukungan organisasi untuk menerapkan dan menggunakan metode peramalan
Berdasarkan uraian di atas, maka dapat dikatakan bahwa metode peramalan sangat
dibutuhkan dan berguna untuk menganalisis data masa lalu untuk keperluan waktu yang akan
datang. Sehingga, dengan metode peramalan akan diperoleh perencanaan yang teratur,
terarah, dan sistematis sesuai hasil analisis yang tepat.
2.3 Jenis – Jenis Peramalan
Berdasarkan sifat penyusunannya, teknik peramalan dapat dibagi dalam dua kategori utama
yaitu :
1. Peramalan yang subjektif
Peramalan yang subjektif adalah yang didasarkan atas perasaan atau intuisi dari orang
yang menyusunnya. Dalam hal ini pandangan dari orang yang menyusunnya sangat
menentukan baik tidaknya hasil ramalan tersebut.
2. Peramalan yang objektif
Peramalan yang objektif adalah peramalan yang didasarkan atas data yang relevan pada
masa lalu, dengan menggunakan teknik – teknik dan metode – metode dalam
penganalisaan data tersebut.
Berdasarkan jangka waktu disusun, maka peramalan dapat dibedakan atas dua kategori utama
yaitu :
1. Peramalan Jangka Panjang
Peramalan jangka panjang adalah peramalan yang dilakukan untuk penyusunan hasil
ramalan yang jangka waktunya lebih dari satu setengah tahun. Misalnya, diperlukan
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 eksploratoris dan normatif.
2. Peramalan Kuantitatif
Peramalan kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif pada
masa lalu. Hasil peramalan yang dibuat sangat bergantung kepada metode yang
dipergunakan dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh
hasil peramalan yang berbeda pula. Baik tidaknya metode yang digunakan ditentukan oleh
perbedaan atau penyimpangan hasil ramalan dengan kenyataan yang tejadi. Semakin kecil
penyimpangan antara hasil dengan kenyataan yang terjadi berarti metode yang
dipergunakan semakin baik. Metode kuantitatif dapat dibagi dalam deret berkala (time
Saat ini telah dikembangkan beberapa metode atau teknik – teknik peramalan untuk
menghadapi bermacam – macam keadaan yang akan terjadi. Tetapi dalam hal ini penulis
membatasi bahwa metode peramalan yang akan digunakan dalam penyusunan Tugas Akhir
ini adalah cara memperkirakan sesuatu yang akan terjadi di masa depan secara kuantitatif.
Oleh karena itu, dalam pembahasan selanjutnya akan ditekankan pada peramalan kuantitatif.
Pada dasarnya metode peramalan kuantitatif ini dibedakan atas :
1. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antar variabel
yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu (time
series).
2. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara
variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya, bukan
waktu, yang disebut dengan metode korelasi atau sebab akibat (causal methods).
Dalam penulisan Tugas Akhir ini, digunakan metode peramalan yang pertama, yaitu
peramalan dengan menggunakan variabel waktu atau yang dikenal dengan “time series”.
Peramalan kuantitatif dapat digunakan bila terdapat tiga kondisi yaitu :
1. Adanya informasi tentang masa lalu
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data
3. Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut di masa yang akan datang.
Kondisi yang terakhir ini dibuat sebagai asumsi yang berkesinambungan (assumtion of
peramalan kuantitatif dan banyak metode peramalan teknologis, terlepas dari bagaimana
canggihnya metode tersebut.
2.4 Metode Peramalan
Metode – metode peramalan dengan analisa deret waktu yaitu :
1. Metode Pemulusan Eksponensial dan Rata – Rata Bergerak
Sering digunakan untuk jangka pendek dan jarang dipakai untuk peramalan jangka
panjang.
2. Metode Regresi
Metode ini bisa digunakan untuk ramalan jangka menengah dan jangka panjang.
3. Metode Box-Jenkins
Jarang dipakai, namun baik untuk ramalan jangka pendek, menengah dan jangka panjang.
2.4.1 Analisa Deret Berkala
Data berkala (time series) adalah data yang dikumpulkan dari waktu ke waktu untuk
memberikan gambaran tentang perkembangan suatu kegiatan dari waktu ke waktu. Analisis
data berkala memungkinkan untuk mengetahui perkembangan satu atau beberapa kejadian
serta hubungannya dengan kejadian lain.
Metode time series merupakan metode peramalan kuantitatif didasarkan atas
penggunaan analisis pola hubungan antar variabel yang akan diperkirakan dengan variabel
waktu. Tujuan time series ini mencakup meneliti pola data yang digunakan untuk
meramalkan apakah data tersebut stasioner atau tidak dan ekstrapolasi ke masa yang akan
Data secara kasar harus horizontal sepanjang waktu, dengan kata lain fluktuasi data tetap
konstan setiap waktu.
2.4.2 Pemilihan Teknik dan Metode Peramalan
Dalam pemilihan teknik dan metode peramalan, pertama – tama perlu diketahui ciri– ciri
penting yang perlu diperhatikan bagi pengambilan keputusan dan analisa keadaan dalam
mempersiapkan peramalan.
Ada enam faktor utama yang diidentifikasikan sebagai teknik dan metode peramalan,
yaitu :
1. Horizon Waktu
Ada dua aspek dari horizon waktu yang berhubungan dengan masing – masing metode
peramalan. Pertama adalah cakupan waktu di masa yang akan datang. Aspek kedua adalah
jumlah periode untuk peramalan yang diinginkan.
2. Pola Data
Dasar utama dari metode peramalan adalah anggapan bahwa macam dari pola yang
didapati di dalam data yang diramalkan akan berkelanjutan.
3. Jenis dari Model
Model – model merupakan suatu deret dimana waktu digambarkan sebagai unsur yang
penting untuk menentukan perubahan – perubahan dalam pola. Model – model perlu
diperhatikan karena masing – masing model mempunyai kemampuan yang berbeda dalam
4. Biaya yang Dibutuhkan
Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu prosedur
peramalan. Yakni biaya – biaya pengembangan, penyimpanan (storage) data, operasi
pelaksanaan, dan kesempatan dalam penggunaan teknik – teknik dan metode peramalan.
5. Ketepatan Metode Peramalan
Tingkat ketepatan yang dibutuhkan sangat erat kaitannya dengan tingkat perincian yang
dibutuhkan dalam suatu peramalan.
6. Kemudahan dalam Penerapan
Metode – metode yang dapat dimengerti dan mudah dialokasikan sudah merupakan suatu
prinsip umum bagi pengambil keputusan.
2.4.3 Penentuan Pola Data
Hal penting harus diperhatikan dalam metode deret berkala adalah menentukan jenis pola data
historisnya. Sehingga pola data yang tepat dengan pola data historis tersebut dapat diuji,
dimana pola data umumnya dapat dibedakan sebagai berikut :
1. Pola Data Horizontal
Pola ini terjadi bila berfluktuasi di sekitar nilai rata – rata yang konstan.
2. Pola Data Musiman (Seosonal)
Pola yang menunjukkan perubahan yang berulang – ulang secara periodik dalam deret
waktu. Pola yang ini terjadi bila suatu deret dipengaruhi oleh faktor musiman, misalnya :
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.
Bentuk umum dari 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
Digunakan untuk pola data kuadratik, kubik, atau orde yang lebih tinggi.
b. Metode Kecendrungan dan Musim Tiga Parameter dari Winter
Digunakan untuk data berbentuk trend dan musiman.
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 = αXt + (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 =
2. MSE (Mean Square Error) / Nilai Tengah Kesalahan Kuadrat α
α −
1
(
S't−S ''t)
N e N
t t
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. N e N t t
∑
=1 2N e N
t t
∑
=1N PE N
t t
∑
=1N PE N
t t
∑
=12.7 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 berada
BAB 3
SEJARAH DAN STRUKTUR BPS
3.1 Sejarah Badan Pusat Statistik (BPS)
Badan Pusat Statistik (BPS) adalah Lembaga Negara Non Departemen. Badan Pusat Statistik
melakukan kegiatan yang ditugaskan oleh pemerintah antara lain pada bidang pertanian,
agraria, pertambangan, kependudukan, sosial, ketenagakerjaan, keuangan, pendapatan, dan
keagamaan. Selain hal - hal tersebut Badan Pusat Statistik juga bertugas untuk melaksanakan
koordinasi di lapangan, kegiatan statistik dari segenap instansi baik di pusat maupun daerah
dengan tujuan mencegah dilakukannya pekerjaan yang serupa oleh dua atau lebih instansi,
memajukan keseragaman dalam penggunaan definisi, klasifikasi, dan ukuran - ukuran
lainnya. Berikut ini beberapa masa peralihan di BPS yaitu :
3.1.1 Masa Pemerintahan Hindia Belanda
Pada bulan Februari 1920, Kantor Statistik pertama kali didirikan oleh Direktur Pertanian,
Kerajinan dan Perdagangan (Directur Vand Land Bouw Nijeverbeid en Handel), dan
berkedudukan di Bogor. Kantor ini ditugaskan untuk mengelola dan mempublikasikan data
Pada bulan Maret 1923, dibentuk suatu Komisi untuk statistik yang anggotanya
merupakan tiap – tiap Departemen. Komisi tersebut diberi tugas merencanakan tindakan yang
mengarah sejauh mungkin untuk mencapai kesatuan dalam kegiatan di bidang statistik di
Indonesia.
Pada tanggal 24 September 1924, nama lembaga tersebut diganti dengan nama Central
Kantor Vor de Statistik (CKS) atau Kantor Statistik dan dipindahkan ke Jakarta. Bersama
dengan itu, beralih juga pekerjaan mekanisme statistik perdagangan yang semula dilakukan
oleh Kantor Invoer Uitvoer en Accijnsen (IUA) yang disebut sekarang Kantor Bea dan Cukai.
3.1.2 Masa Pemerintahan Jepang
Pada bulan Juni 1944, pemerintahan Jepang baru mengaktifkan kembali kegiatan statistik
yang utamanya diarahkan untuk memenuhi kebutuhan perang atau militer. Pada masa ini juga
CKS diganti nama menjadi Shomubu Chosasitu Gunseikanbu.
3.1.3 Masa Kemerdekaan Republik
Setelah proklamasi kemerdekaan Republik Indonesia tanggal 17 Agustus 1945, kegiatan
statistik ditangani oleh lembaga atau instansi baru sesuai dengan suasana kemerdekaan yaitu
KPPURI (Kantor Penyelidikan Perangkaan Umum Republik Indonesia). Tahun 1946, kantor
KPPURI dipindahkan ke Yogyakarta sebagai hasil dari perjanjian Linggarjati. Sementara itu,
pemerintahan Belanda (NICA) di Jakarta mengaktifkan kembali CKS.
Dengan surat Menteri Perekonomian tanggal 1 Maret 1952 No. P/44, lembaga KPS
berada di bawah dan bertanggung jawab kepada Menteri Perekonomian. Selanjutnya,
menjadi 2 (dua) bagian, yaitu bagian research yang disebut Afdeling A dan bagian
penyelenggaraan tata usaha yang disebut Afdeling B.
Dengan Keputusan Presiden RI No. 131 tahun 1957, kementerian perekonomian
dipecah menjadi kementerian perdagangan dan kementerian perindustrian. Untuk selanjutnya,
Keputusan Presiden RI No. 172 tahun 1957, terhitung mulai tanggal 1 Juni 1957 KPS diubah
menjadi Biro Pusat Statistik.
3.1.4 Masa Orde Baru Sampai Sekarang
Pada pemerintahan Orde Baru, khususnya untuk memenuhi kebutuhan dalam perencanaan
dan evaluasi pembangunan, maka untuk mendapatkan statistik yang handal, lengkap, tepat,
akurat, dan terpercaya mulai diadakan pembenahan Organisasi Biro Pusat Statistik.
Dalam masa orde baru ini BPS telah mengalami empat kali perubahan Struktur
Organisasi yaitu :
1. Peraturan Pemerintah No. 16 tahun 1968 tentang Organisasi BPS.
2. Peraturan Pemerintah No. 6 tahun 1980 tantang Organisasi BPS.
3. Peraturan Pemerintah No. 2 tahun 1992 tentang kedudukan, tugas, fungsi, suasana,
dan tata kerja BPS.
4. Undang – Undang No. 16 tahun 1997 tentang Statistik.
5. Keputusan Presiden RI No. 86 tahun 1998 tentang BPS.
6. Keputusan Kepala BPS No. 100 tahun 1998 tentang organisasi dan tata kerja BPS.
7. PP 51 tahun 1999 tentang penyelenggaraan statistik.
Tahun 1968, ditetapkan Peraturan Pemerintah No. 16 tahun 1968 yaitu yang mengatur
organisasi dan tata kerja di pusat dan di daerah. Tahun 1980, Peraturan Pemerintah No. 6
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 misi
mengarahkan pembangunan statistik pada penyajian data statistik yang bermutu handal,
efektif, dan efisien, peningkatan kesadaran masyarakat akan arti dan kegunaan statistik dan
pengembangan ilmu pengetahuan statistik.
3.3 Struktur Organisasi Badan Pusat Statistik
Organisasi merupakan suatu fungsi manajemen yang mempunyai peranan dan kegiatan
langsung dengan instansi sosial yang terjadi di antara individu - individu dalam rangka
merupakan salah satu faktor penting yang mempengaruhi tingkat keberhasilan suatu
perusahaan dalam mencapai suatu tujuan yang ditetapkan. Dengan adanya struktur organisasi
maka akan jelaslah pemisahan tugas dari para pegawai/staf.
Struktur organisasi yang ditetapkan di Kantor Badan Pusat Statistik adalah struktur
organisasi ini dan staf. Struktur ini mengandung unsur - unsur spesialisasi kerja, standardisasi
kegiatan, sentralisasi dan desentralisasi dalam pembuatan keputusan dan ukuran satuan yang
menunjukkan lokasi kekuasaan, pembuatan keputusan, dan ukuran satuan yang menunjukkan
suatu kelompok kerja.
Adapun tujuan dari struktur organisasi ini dan staf di Kantor Badan Pusat Statistik
(BPS) Propinsi Sumatera Utara adalah :
a. Pengkoordinasian yaitu yang memungkinkan komunikasi integrasi berbagai departemen
dan kegiatan - kegiatan yang saling berhubungan satu sama lain.
b. Pemberian saran yaitu memberikan saran atau membuat rekomendasi bagi manajemen.
c. Pembuatan keputusan yaitu membuat keputusan - keputusan dan mengamati bagaimana
pelaksanaan dari keputusan tersebut.
Adapun bagan struktur organisasi Badan Pusat Statistik Propinsi Sumatera Utara
adalah sebagai berikut :
Peraturan Presiden Republik Indonesia Nomor : 86 tahun 1998 ditetapkan Badan Pusat
Statistik sebagaimana lampiran dalam organisasi Kantor Badan Pusat Statistik Propinsi
Sumatera Utara dipimpin oleh seorang Kepala Kantor.
Kepala Kantor dibantu tata usaha yang terdiri dari :
a. Sub Bagian Urusan Dalam
b. Sub Bagian Perlengkapan
d. Sub Bagian Kepegawaian
e. Sub Bagian Bina Potensi/Bina Program
Sedangkan Bidang Penunjang Statistik terdiri dari 5(lima) bidang yaitu :
1. Bidang Statistik Produksi
Bidang Statistik Produksi mempunyai tugas untuk melaksanakan kegiatan statistik
pertanian, industri, konstruksi pertambangan dan energi.
2. Bidang Statistik Distibusi
Bidang Statistik Distribusi mempunyai tugas melaksanakan kegiatan statistik konsumen,
perdagangan besar, statistik keuangan dan harga produsen serta niaga dan jasa.
3. Bidang Statistik Kependudukan
Bidang BPS Kependudukan mempunyai tugas melaksanakan kegiatan statistik demografi
dan rumah tangga, statistik tenaga kerja, serta statistik kesejahteran.
4. Bidang Integrasi Pengolahan dan Diseminasi Statistik (IPDS)
Bidang IPDS mempunyai tugas untuk penyiapan data, penyusunan sistem, dan program
serta operasional pengolahan data dengan program komputer.
5. Bidang Neraca Wilayah dan Analisis Statistik
Bidang Neraca Wilayah dan Analisis Statistik mempunyai tugas untuk penyusunan neraca
produksi, neraca konsumsi, dan akumulasi penyajian analisis serta kegiatan penerapan
3.4 Tugas dan Wewenang Masing - Masing Bagian di Badan Pusat Statistik
3.4.1 Bidang Tata Usaha
1. Menyusun program kerja tahunan bidang.
2. Mengatur dan melaksanakan perhimpunan dan penyusunan program kerja tahunan,
baik rutin maupun proyek kantor BPS propinsi dan menyampaikan ke BPS.
3. Mengatur dan melaksanakan urusan dalam yang meliputi surat - surat penggandaan
atau percetakan, kearsipan, rumah tangga, pemeliharaan gedung, keamanan dan
ketertiban lingkungan serta perjalanan dinas dalam dan luar negeri.
4. Mengatur dan melaksanakan urusan perlengkapan dan pembekalan yang meliputi
penyusunan rencana kebutuhan, penyaluran, dan pengemasan penyimpanan
pergudangan, iventarisasi, penghapusan serta pemeliharaan peralatan dan
perlengkapan.
5. Mengatur dan melaksanakan urusan keuangan yang meliputi tata usaha keuangan,
pembendaharaan, verifikasi, dan pembukuan.
6. Mengatur dan melaksanakan urusan dan mutasi pegawai, pembinaan pegawai,
kesejahteraan pegawai, administrasi jabatan fungsional, hukum, organisasi tata
laksana serta penyajian.
7. Menyusun laporan kegiatan sevara berkala dan sewaktu - waktu.
8. Mengatur dan melaksanakan urusan penyelenggaraan berbagai pelatihan teknis dan
pelatihan administratif.
1. Menyusun program kerja tahunan bidang yang meliputi kegiatan statistik pertanian,
industri, konstruksi energi, dan statistik produksi lainnya yang ditemukan.
2. Mengatur keikutsertaan program latihan yang diselenggarakan oleh pusat bidang
statistik produksi.
3. Membantu kepala kantor BPS atau pimpinan proyek atau bagian proyek untuk
menyiapkan program petugas bagian lapangan.
4. Mengatur dan mengkoordinasi penyelenggaraan pelatihan petugas lapangan di pusat
pelatihan serta mengatur penjatahan pelatihan.
5. Mengatur dan melaksanakan penjatahan dan pengawasan lapangan terhadap
pelaksanaan lapangan produksi.
6. Mengatur dan melaksanakan pengawasan dan pemeriksaan dokumen hasil
pengumpulan data statistik produksi.
7. Bersama - sama dengan bidang pengolahan data, mengatur dan menyiapkan data
statistik produksi melalui komputer sesuai yang diterapkan.
8. Mengatur dan melaksanakan evaluasi hasil kerja kegiatan statistik produksi.
9. Mengatur dan menyiapkan hasil pengolahan statistik produksi yang akan dikirim ke
pusat melalui komputer sesuai dengan jadwal yang ditentukan.
10.Membantu Kepala Kantor Badan Pusat Statistik melakukan pembinaan secara teratur
petugas pencacah, pengawas, dan pemeriksaan pengumpulan data statistik produksi,
kabupaten, kotamadya maupun kecamatan.
3.4.3 Bidang Statistik Ditribusi
1. Menyusun program kerja tahunan bidang yang meliputi kegiatan statistik pertanian,
2. Mengatur keikutsertaan program pelatihan yang diselenggarakan oleh pusat di bidang
statistik ditribusi.
3. Membantu kepala kantor BPS propinsi atau pimpinan proyek untuk menyiapkan
program tugas lapangan.
4. Mengatur dan mengkoordinasi penyelenggaraan pelatihan petugas lapangan di pusat
pelatihan serta mengatur penjatahan pelatihannya.
5. Mengatur dan melaksanakan penjatahan dan pengawasan lapangan terhadap
pelaksanaan lapangan statistik distribusi.
3.4.4 Bidang Pengolahan Data
1. Menyusun program kerja tahunan bidang.
2. Meneliti jenis data yang diolah melalui komputer dan bersama - sama dengan bidang
yang bersangkutan serta menentukan sistem pengolahan dengan komputer.
3. Mengatur pembuatan sistem dan program pelaksanaan penyiapan data dan operasi
pengolahannya.
4. Mengatur dan melaksanakan penerimaan dokumen yang diolah dengan komputer.
5. Mengatur dan melaksanakan tugas yang langsung diberikan atasan.
3.4.5 Bidang Statistik Kependudukan
1. Menyusun program kerja tahunan bidang.
2. Melaksanakan kegiatan statistik demografi dan rumah tangga, ketenagakerjaan,
kesejahteraan rakyat dan statistik kependudukan lainnya yang ditentukan.
3. Mengatur dan melaksanakan penjatahan dokumen yang diperlukan untuk pelaksanaan
4. Melakukan pembinaan, pengamatan lanjut dan pengawasan lapangan terhadap
pelaksanaan kegiatan statistik kependudukan.
5. Mengatur dan menyiapkan dokumen dan hasil pengolahan statistik kependudukan
melalui komputer sesuai dengan jadwal yang telah ditentukan.
3.4.6 Bidang Neraca Wilayah dan Analisa
1. Menyusun program kerja tahunan.
2. Menyusun dan melaksanakan penerangan kegiatan statistik kepada masyarakat,
BAB 4
ANALISIS DAN PEMBAHASAN DATA
[image:48.595.143.464.429.746.2]4.1 Data yang Dibutuhkan
Tabel 4.1 Data Upah Minimum Regional ( UMR ) Menurut Lapangan Usaha Pada Sektor Industri Kota Medan 2000-2009
PERIODE TAHUN NILAI UMR (Rp.)
1 2000
2 2001
3 2002
4 2003
5 2004
6 2005
7 2006
8 2007
9 2008
10 2009
Gambar 4.1 Grafik Plot Data Nilai UMR (Upah Minimum Regional) dari Tahun 2000 – 2009
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.
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
1 2 3 4 5 6 7 8 9 10 0
200000 400000 600000 800000 1000000 1200000
periode
N
il
a
i
U
M
R
(
R
p
.)
Time Series Plot UMR
Nilai UMR (Rp.)
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:50.595.30.569.348.535.2]( )
∑
∑
= − = − − − − 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)
( )
2 Y Yt −
1 2000 271.800 - -428.166,50 - - 183.326.551.722,25 2 2001 364.335 271.800 -335.631,50 -428.166,50 143.706.164.644,75 112.648.503.792,25 3 2002 496.480 364.335 -203.486,50 -335.631,50 68.296.479.224,75 41.406.755.682,25 4 2003 540.350 496.480 -159.616,50 -203.486,50 32.479.802.927,25 25.477.427.072,25 5 2004 660.000 540.350 -39.966,50 -159.616,50 6.379.312.847,25 1.597.321.122,25 6 2005 802.500 660.000 102.533,50 -39.966,50 -4.097.905.127,75 10.513.118.622,25 7 2006 861.000 802.500 161.033,50 102.533,50 16.511.328.372,25 25.931.788.122,25 8 2007 902.000 861.000 202.033,50 161.033,50 32.534.161.622,25 40.817.535.122,25 9 2008 1.009.800 902.000 309.833,50 202.033,50 62.596.746.422,25 95.996.797.722,25 10 2009 1.091.400 1.009.800 391.433,50 309.833,50 121.279.211.322,25 153.220.184.922,25 jumlah
6.999.665 0.00 -391.433,50 479.685.302.255,25 690.935.983.902,50
Maka untuk r1 .dengan kelambatan (k) 1 periode
r1 =
( )(
)
( )
∑
∑
= − = − − − − 10 1 2 1 10 1 1 t t t t t Y Y Y Y Y Yr1 =
( )(
)
( )
∑
∑
= = − − − − 10 1 2 9 1 1 t t t t t Y Y Y Y Y Y r1 = 2 2 ... (1.091.400 699.966,5)) 5 , 966 . 699 800 . 271 ( ) 5 , 966 . 699 400 . 091 . 1 )( 5 , 966 . 699 800 . 009 . 1 ( ... ) 5 , 966 . 699 335 . 364 )( 5 , 966 . 699 800 . 271 ( − + + − − − + + − − r1= 2 2 ... (391.433,5) ) 5 , 166 . 428 ( ) 391.433,5 )( 309.833,5 ( ... ) -335.631,5 )( -428.166,5 ( + + − + +
r1=
3.902,5 690.935.98
2.255,25 479.685.30
[image:51.595.27.571.509.721.2]r1 = 0.69
Tabel 4.3 Nilai - nilai autokorelasi data nilai upah minimum regional kota Medan
dengan k=2
Sumber : Perhitungan
t Tahun Yt Yt-2
Y
Yt − Yt−2−Y
( )(
Yt −Y Yt−2 −Y)
( )
2 Y Yt −
1 2000 271.800 - -428.166,50 - - 183.326.551.722,25 2 2001 364.335 - -335.631,50 - - 112.648.503.792,25 3 2002 496.480 271.800 -203.486,50 -428.166,50 87.126.102.502,25 41.406.755.682,25 4 2003 540.350 364.335 -159.616,50 -335.631,50 53.572.325.319,75 25.477.427.072,25 5 2004 660.000 496.480 -39.966,50 -203.486,50 8.132.643.202,25 1.597.321.122,25 6 2005 802.500 540.350 102.533,50 -159.616,50 -16.366.038.402,75 10.513.118.622,25 7 2006 861.000 660.000 161.033,50 -39.966,50 -6.435.945.377,75 25.931.788.122,25 8 2007 902.000 802.500 202.033,50 102.533,50 20.715.201.872,25 40.817.535.122,25 9 2008 1.009.800 861.000 309.833,50 161.033,50 49.893.572.922,25 95.996.797.722,25 10 2009 1.091.400 902.000 391.433,50 202.033,50 79.082.680.022,25 153.220.184.922,25
jumlah
Maka untuk r2 , dengan kelambatan (k) 2 periode
r2 =
( )(
)
( )
∑
∑
= − = − − − − 10 1 2 2 10 1 2 t t t t t Y Y Y Y Y Yr2 =
( )(
)
( )
∑
∑
= = − − − − 10 1 2 8 1 2 t t t t t Y Y Y Y Y Y r2 = 2 2 ... (1.091.400 699.966,5)) 5 , 966 . 699 800 . 271 ( ) 5 , 966 . 699 400 . 091 . 1 )( 5 , 966 . 699 902.000 ( ... ) 5 , 966 . 699 496.480 )( 5 , 966 . 699 800 . 271 ( − + + − − − + + − − r2 = 2 2 ... (391.433,5) ) 5 , 166 . 428 ( ) 391.433,5 )( 202.033,5 ( ... ) -203.486,5 )( -428.166,5 ( + + − + +
r2 =
3.902,5 690.935.98
2.060,5 275.720.54
r2 = 0,40
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 cara datas diperoleh data nilai
Tabel 4.4 Nilai Koefisien Autokorelasi
Time Lag r
1 0.69
2 0.40
3 0.18
4 -0.08
5 -0.30
6 -0.38
7 -0.39
8 -0.38
9 -0.24
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 pertumbuhan nilai Upah
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
= 10 1
= 0.3162
Dengan tingkat kepercayaan 95% dari seluruh koefisien berdasarkan sampel harus
terletak dalam daerah tengah ditambah atau dikurangi 1.96 kali kesalahan standar. Dengan
demikian suatu deret data dapat dituliskan dengan :
-1.96(0.3162) ≤ rk ≤ 1.96(0.3162)
-0.619752 ≤ rk ≤ 0.619752
-0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8
1 2 3 4 5 6 7 8 9
N
il
a
i
r
Time lag
Nilai koefisien autokorelasi time lag 1 berada di luar rentang. jadi berbeda secara signifikan
dari nol. yang berarti ada hubungan yang signifikan antara nilai suatu variabel dengan nilai
variabel itu sendiri dengan time lag suatu periode yang menunjukkan pola trend.
4.3 Metode Pemulusan (Smoothing) Eksponensial Linear Satu Parameter dari Brown
4.3.1 Penaksiran Model Peramalan
Dalam pengolahan dan penganalisaan data. penulis mengaplikasikan data (tabel 4.1) dengan
metode peramalan (forecasting) berdasarkan metode pemulusan (smoothing) eksponensial
linear satu parameter dari Brown. 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 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 X1 = 271.800
Untuk mendapatkan nilai S' yang selanjutnya.
S'2 = 0,1 X2 + (1 – 0,1) S'2- 1
S'2 = 0,1 (364.335) + (1 – 0,1) S'1
S'2 = 0,1 (364.335)+ (0,9) (271.800)
S'2 = 36433,5 + 244.620
S'2 = 281.053,5
Untuk t=3
S'3 = 0,1 X3 + (1 – 0,1) S'3- 1
S'3 = 0,1 (496.480) + (1 – 0,1) S'2
S'3 = 0,1 (496.480)+ (0,9) (281.053,5)
S'3 = 49.648 + 252.948,15
S'3 = 302.596,15
Untuk S't mulai dari t=3 sampai t=10 dapat dilihat pada table selanjutnya.
• Nilai Pemulusan Eksponensial Ganda
S"t = αS't + (1 - α) S"t – 1
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:
S"1 = nilai S'1 = 271.800
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 (281.053,5) + (1 – 0,1) S"1
S"2 = 0,1 (281.053,5) + (0,9) (271.800)
S"2 = 28.105,35+ 244.620
S"2 = 272.725,35
Untuk t=3
S"3 = 0,1 S'3 + (1 – 0,1) S"3-1
S"3 = 0,1 (302.596,15) + (1 – 0,1) S"2
S"3 = 0,1 (302.596,15)+ (0,9) (272.725,35)
S"3 = 30.259,615+ 245.452,815
S"3 = 275.712,43
Untuk S't mulai dari t=3 sampai t=10 dapat dilihat pada table selanjutnya.
• Konstanta Pemulusan at dan bt
at = S't + (S't - S"t) = 2 S't - S"t
Untuk t=1
a1 = 2 S'1 - S"1
b1 =
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 (281.053,5) - (272.725,35)
a2 = 562.107 - 272.725,35
a2 = 289.381,65
b2 =
b2 =
b2 =
b2 = 925,35
untuk t=3
a3 = 2 S'3 - S"3
a3 = 2 (302.596,15) - (275.712,43)
a3 = 605.192,3 - 275.712,43
a3 = 329.479,87
b3 =
b3 =
b3 = 2.987,08
Untuk a dan bmulai dari t=4 sampai t=10 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 = 289.381,65 + 925,35 (1)
F3 = 289.381,65 + 925,35
F3 = 290.307
Untuk t=3
F3+1 = a3 + b3(1)
F4 = 329.479,87 + 2.987,08 (1)
F4 = 329.479,87 + 2.987,08
F4 = 332.466,95
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
∑
=1 2Dari 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 diperoleh dalam
Tabel 4.5 Menentukan Nilai MSE dengan Menggunakan α = 0.1
Sumber : Perhitungan
Untuk α = 0.1 . N = 8
Maka :
MSE =
N e
N
t t
∑
=1 2=
8
1.838,08 728.852.71
= 91.106.588.979.76
t Xt S't S"t at bt Ft+m et et 2
1 271800 271800.00 271800.00 - - - - -
2 364335 281053.50 272725.35 289381.65 925.35 - - -
3 496480 302596.15 275712.43 329479.87 2987.08 290307.00 206173.00 42507305929.00
4 540350 326371.54 280778.34 371964.73 5065.91 332466.95 207883.05 43215362477.30
5 660000 359734.38 288673.94 430794.82 7895.60 377030.64 282969.36 80071658698.81
6 802500 404010.94 300207.64 507814.24 11533.70 438690.42 363809.58 132357408680.73
7 861000 449709.85 315157.86 584261.83 14950.22 519347.94 341652.06 116726128667.31
8 902000 494938.86 333135.96 656741.76 17978.10 599212.05 302787.95 91680540512.38
9 1009800 546424.98 354464.87 738385.09 21328.90 674719.86 335080.14 112278698012.23
10 1091400 600922.48 379110.63 822734.33 24645.76 759713.99 331686.01 110015608860.32
Tabel 4.6 Menentukan Nilai MSE dengan Menggunakan α = 0.2
t Xt S't S"t at bt Ft+m et et 2
1 271800 271800.00 271800.00 - - - - -
2 364335 290307.00 275501.40 305112.60 3701.40 - - -
3 496480 331541.60 286709.44 376373.76 11208.04 308814.00 187666.00 35218527556.00
4 540350 373303.28 304028.21 442578.35 17318.77 387581.80 152768.20 23338122931.24
5 660000 430642.62 329351.09 531934.16 25322.88 459897.12 200102.88 40041162584.29
6 802500 505014.10 364483.69 645544.51 35132.60 557257.04 245242.96 60144109429.56
7 861000 576211.28 406829.21 745593.35 42345.52 680677.11 180322.89 32516345667.76
8 902000 641369.02 453737.17 829000.87 46907.96 787938.87 114061.13 13009942307.62
9 1009800 715055.22 506000.78 924109.66 52263.61 875908.84 133891.16 17926843565.91
10 1091400 790324.18 562865.46 1017782.89 56864.68 976373.26 115026.74 13231149812.24
Jumlah 235426203854.63
Sumber : Perhitungan
Untuk α = 0.2 . N = 8
Maka :
MSE =
N e
N
t t
∑
=1 2=
8
3.854,63 235.426.20
Tabel 4.7 Menentukan Nilai MSE dengan Menggunakan α = 0.3
Sumber : Perhitungan
Untuk α = 0.3 . N = 8
Maka :
MSE =
N e
N
t t
∑
=1 2=
8
.102,28 94.747.172
= 11.843.396.512.79
t Xt S't S"t at bt Ft+m et et 2
1 271800 271800.00 271800.00 - - - - -
2 364335 299560.50 280128.15 318992.85 8328.15 - - -
3 496480 358636.35 303680.61 413592.09 23552.46 327321.00 169159.00 28614767281.00
4 540350 413150.45 336521.56 489779.33 32840.95 437144.55 103205.45 10651364909.70
5 660000 487205.31 381726.69 592683.94 45205.13 522620.28 137379.72 18873187467.28
6 802500 581793.72 441746.80 721840.64 60020.11 637889.06 164610.94 27096760744.63
7 861000 665555.60 508889.44 822221.77 67142.64 781860.75 79139.25 6263020843.08
8 902000 736488.92 577169.28 895808.56 68279.85 889364.41 12635.59 159