Peramalan nilai penjualan energy listrik di PT PLN (persero) tanjung morawa dengan metode smoothing

(1)

(2)

(3)

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

Indonesia.

Makridakis, S. Wheelwright, S, C, McGee, V, E. 1999. Metode dan Aplikasi

Peramalan Edisi Kedua. Jakarta: Binarupa Aksara.

Manurung, Adler Haymans. 1990. Teknik Peramalan Bisnis dan Ekonomi.

Jakarta: Rineka Cipta.

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

Media Komputindo.

http://www.repository.usu.ac.id

http://www.portal-statistik.com/search/label/forecasting

www.academia.edu

www.google.co.id

www.pln.co.id

(4)

PENGOLAHAN DATA

3.1 Penyajian Data

Data yang akan diolah dalam tugas akhir adalah data yang diambil dari PT PLN

(Persero) Tanjung Morawa, yaitu data mengenai nilai penjualan energi listrik pada

tahun 2016 dan 2017.

Tabel 3.1 Data Nilai Penjualan Energi Listrik di PT PLN (Persero)

Tanjung Morawa tahun 2006-2015

Tahun Energi yang Terjual (kWh)

2006 274.077.385

2007 292.882.200

2008 307.489.260

2009 312.806.978

2010 332.169.307

2011 353.747.931

2012 369.642.562

2013 367.661.563

2014 397.845.288

2015 433.161.164

(5)

Gambar 3.1 Grafik Nilai Penjualan Energi Listrik di Tanjung Morawa Tahun

2006-2015

3.2 Pengolahan Data dengan Metode Smoothing Eksponensial Ganda:

Metode Linier Satu-Parameter dari Brown

Langkah-langkah yang ditempuh untuk menentukan bentuk persamaan peramalan

dengan menggunakan metode pemulusan eksponensial ganda: metode linier

satu-parameter dari Brown adalah:

1. Menentukan harga parameter smoothing eksponensial ganda yang besarnya .

(6)

$ = (0,2)(292.882.200,00) + (1 − 0,2)(274.077.385,00) = 277.838.348,00

; = (0,2)(307.489.260,00) + (1 − 0,2)(277.838.348,00)

= 283.768.530,40

3. Menghitung harga smoothing eksponensial ganda dengan menggunakan persamaan 2.3.

• = 0,1

= 274.077.385,00

$ = (0,1)(275.957.866,50) + (1 − 0,1)(274.077.385,00)

= 274.265.433,15

; = (0,1)(279.111.005,85) + (1 − 0,1)(274.265.433,15)

= 274.749.990,42

dst.

• = 0,2

= 274.077.385,00

$ = (0,2)(277.838.348,00) + (1 − 0,2)(274.077.385,00)

= 274.829.577,60

; = (0,2)(283.768.530,40) + (1 − 0,2)(274.829.577,60)

(7)

.

• = 0,9

= 274.077.385,00

$ = (0,9)(291.001.718,50) + (1 − 0,9)(274.077.385,00)

= 289.309.285,15

; = (0,9)(305.840.505,85) + (1 − 0,9)(289.309.285,15)

= 304.187.383,78

dst.

4. Menghitung koefisien dan dengan menggunakan persamaan 2.4 dan persamaan 2.5.

• = 0,1

= −

$ = 2(275.957.866,50) − (274.265.433,15) = 277.650.299,85

; = 2(279.111.005,85) − (274.749.990,42) = 283.472.021,28

dst.

$ = 2(277.838.348,00) − (274.829.577,60) = 280.847.118,40

; = 2(283.768.530,40) − (276.617.368,16) = 290.919.692,64

dst.

(8)

$ = _{1 − 0,2 (277.838.348,00 − 274.829.577,60) = 752.192,60}

$ = 2(291.001.718,50) − (289.309.285,15) = 292.694,151,85

; = 2(305.840.505,85) − (304.187.383,78) = 307.493.627,92

dst.

5. Menghitung trend peramalan dengan menggunakan persamaan 2.6.

• = 0,1

= −

$ = −

; = (277.650.299,85 + 188.048,15)(1) = 277.838.348,00

< = (283.472.021,28 + 484.557,27)(1) = 283.956.578,55

dst.

• = 0,2

(9)

; = (280.847.118,40 + 752.192,60)(1) = 281.599.311,00

< = (290.919.692,64 + 1.787.790,56)(1) = 292.707.483,20

dst.

; = (292.694.151,85 + 15.231.900,15)(1) = 307.926.052,00

< = (307.493.627,92 + 14.878.098,63)(1) = 322.371.726,55

dst.

6. Menghitung nilai kesalahan (error) dengan menggunakan persamaan 2.7.

• = 0,1

= −

$ = −

; = 307.489.260,00 − 277.838.348,00 = 29.650.912,00

< = 312.806.978,00 − 283.956.578,55 = 28.850.399,45

dst.

• = 0,2

= −

$ = −

; = 307.489.260,00 − 281.599.311,00 = 25,889.949,00

< = 312.806.978,00 − 292.707.483,20 = 20.099.494,80

(10)

; = 307.489.260,00 − 307.926.052,00 = −436.792,00

< = 312.806.978,00 − 322.371.726,55 = −9.564.748,55

dst.

Untuk = 0,3 sampai dengan = 0,8 hasilnya pada Tabel 3.2-Tabel 3.10.

3.3 Penaksiran Model Peramalan

Dalam mengolah data pada Tabel 3.1, digunakan metode peramalan yaitu dengan

metode pemulusan eksponensial satu-parameter dari Brown. Untuk memenuhi

perhitungan pemulusan eksponensial tunggal, ganda dan ramalan yang akan

datang, maka kita harus menentukan parameter dari nilai α_{terlebih dahulu yang}

biasa digunakan dengan cara trial and error atau coba dan salah. Nilai α_yang

dipilih dari 0 < α_{< 1, dihitung Mean Square Error (MSE) yang merupakan suatu}

ukuran ketepatan perhitungan dengan mengkuadratkan masing-masing elemen

dalam sebuah susunan data dan kemudian dicoba nilai α_{yang lain.}

Untuk menghitung nilai MSE pertama, dicari terlebih dahulu error yang

merupakan hasil dari data asli dikurang hasil ramalan. Lalu tiap error

dikuadratkan dan dibagi dengan banyaknya error. Secara matematis rumus

MSE adalah sebagai berikut:

(11)

Tabel 3.2 Perhitungan Peramalan Nilai Penjualan Energi Listrik dengan Smoothing Eksponensial Ganda Linier dari Brown dengan α_{= 0,1}

MSE = 22.282.344.273.539.800,00₈

MSE = 2.785.293.034.192.480

307.489.260,00 279.111.005,85 274.749.990,42 283.472.021,28 484.557,27 277.838.348,00 29.650.912,00 879.176.582.431.744,00 2009

312.806.978,00 282.480.603,07 275.523.051,68 289.438.154,45 773.061,26 283.956.578,55 28.850.399,45 832.345.548.424.556,00 2010

332.169.307,00 287.449.473,46 276.715.693,86 298.183.253,06 1.192.642,18 290.211.215,71 41.958.091,29 1.760.481.424.699.970,00 2011

353.747.931,00 294.079.319,21 278.452.056,40 309.706.582,03 1.736.362,54 299.375.895,23 54.372.035,77 2.956.318.273.502.209,00 2012

369.642.562,00 301.635.643,49 280.770.415,11 322.500.871,88 2.318.358,71 311.442.944,56 58.199.617,44 3.387.195.469.766.580,00 2013

367.661.563,00 308.238.235,44 283.517.197,14 332.959.273,74 2.746.782,03 324.819.230,59 42.842.332,41 1.835.465.446.689.230,00 2014

397.845.288,00 317.198.940,70 286.885.371,50 347.512.509,90 3.368.174,36 335.706.055,78 62.139.232,22 3.861.284.181.130.060,00 2015

433.161.164,00 328.795.163,03 291.076.350,65 366.513.975,41 4.190.979,15 350.880.684,26 82.280.479,74 6.770.077.346.895.410,00

(12)

MSE = 7.860.805.508.857.670,00₈

MSE = 982.600.688.607.209

Tahun $

2006 274.077.385,00 274.077.385,00 274.077.385,00 - - - - -

2007

292.882.200,00 277.838.348,00 274.829.577,60 280.847.118,40 752.192,60 - - - 2008

307.489.260,00 283.768.530,40 276.617.368,16 290.919.692,64 1.787.790,56 281.599.311,00 25.889.949,00 670.289.459.222.601,00 2009

312.806.978,00 289.576.219,92 279.209.138,51 299.943.301,33 2.591.770,35 292.707.483,20 20.099.494,80 403.989.691.215.230,00 2010

332.169.307,00 298.094.837,34 282.986.278,28 313.203.396,40 3.777.139,76 302.535.071,68 29.634.235,32 878.187.903.001.135,00 2011

353.747.931,00 309.225.456,07 288.234.113,84 330.216.798,30 5.247.835,56 316.980.536,16 36.767.394,84 1.351.841.323.320.460,00 2012

369.642.562,00 321.308.877,26 294.849.066,52 347.768.687,99 6.614.952,68 335.464.633,86 34.177.928,14 1.168.130.771.888.320,00 2013

367.661.563,00 330.579.414,40 301.995.136,10 359.163.692,71 7.146.069,58 354.383.640,67 13.277.922,33 176.303.221.271.919,00 2014

397.845.288,00 344.032.589,12 310.402.626,70 377.662.551,54 8.407.490,61 366.309.762,29 31.535.525,71 994.489.381.875.700,00 2015

433.161.164,00 361.858.304,10 320.693.762,18 403.022.846,02 10.291.135,48 386.070.042,15 47.091.121,85 2.217.573.757.062.310,00

(13)

MSE = 3.453.300.234.586.890,00₈

MSE = 431.662.529.323.361

Tahun $

2006 274.077.385.00 274.077.385,00 274.077.385,00

- - - - -

2007

292.882.200.00 279.718.829,50 275.769.818,35 283.667.840,65 1.692.433,35 - - - 2008

307.489.260.00 288.049.958,65 279.453.860,44 296.646.056,86 3.684.042,09 285.360.274,00 22.128.986,00 489.692.021.388.199,00 2009

312.806.978.00 295.477.064,46 284.260.821,64 306.693.307,27 4.806.961,20 300.330.098,95 12.476.879,05 155.672.510.828.331,00 2010

332.169.307.00 306.484.737,22 290.927.996,32 322.041.478,12 6.667.174,67 311.500.268,47 20.669.038,53 427.209.153.754.628,00 2011

353.747.931.00 320.663.695,35 299.848.706,03 341.478.684,68 8.920.709,71 328.708.652,79 25.039.278,21 626.965.453.152.589,00 2012

369.642.562.00 335.357.355,35 310.501.300,82 360.213.409,87 10.652.594,80 350.399.394,39 19.243.167,61 370.299.499.697.341,00 2013

367.661.563.00 345.048.617,64 320.865.495,87 369.231.739,42 10.364.195,05 370.866.004,67 -3.204.441,67 10.268.446.394.353,70 2014

397.845.288.00 360.887.618,75 332.872.132,73 388.903.104,77 12.006.636,86 379.595.934,46 18.249.353,54 333.038.904.537.796,00 2015

433.161.164.00 382.569.682,33 347.781.397,61 417.357.967,04 14.909.264,88 400.909.741,63 32.251.422,37 1.040.154.244.833.650,00

(14)

MSE = 2.037.998.963.016.500,00₈

MSE = 254.749.870.377.062

307.489.260,00 291.955.290,60 283.033.809,48 300.876.771,72 5.947.654,08 289.121.237,00 18.368.023,00 337.384.268.928.527,00 2009

312.806.978,00 300.295.965,56 289.938.671,91 310.653.259,21 6.904.862,43 306.824.425,80 5.982.552,20 35.790.930.825.724,70 2010

332.169.307,00 313.045.302,14 299.181.324,00 326.909.280,27 9.242.652,09 317.558.121,64 14.611.185,36 213.486.737.624.279,00 2011

353.747.931,00 329.326.353,68 311.239.335,87 347.413.371,49 12.058.011,87 336.151.932,36 17.595.998,64 309.619.168.138.879,00 2012

369.642.562,00 345.452.837,01 324.924.736,33 365.980.937,69 13.685.400,45 359.471.383,36 10.171.178,64 103.452.874.894.242,00 2013

367.661.563,00 354.336.327,41 336.689.372,76 371.983.282,05 11.764.636,43 379.666.338,14 -12.004.775,14 144.114.626.265.684,00 2014

397.845.288,00 371.739.911,64 350.709.588,31 392.770.234,97 14.020.215,55 383.747.918,48 14.097.369,52 198.735.827.298.614,00 2015

433.161.164,00 396.308.412,59 368.949.118,02 423.667.707,15 18.239.529,71 406.790.450,53 26.370.713,47 695.414.529.040.546,00

(15)

Sumber: Perhitungan

Untuk α_{= 0,5; N = 8, maka:}

MSE = e_N$

"

=#

MSE = 1.574.394.678.523.830,00₈

MSE = 196.799.334.815.479

Tahun $

2006 274.077.385,00 274.077.385,00 274.077.385,00 - - _- _- _-

2007 292.882.200,00 283.479.792,50 278.778.588,75 288.180.996,25 4.701.203,75 - - -

2008 307.489.260,00 295.484.526,25 287.131.557,50 303.837.495,00 8.352.968,75 292.882.200,00 14.607.060,00 213.366.201.843.600,00

2009 312.806.978,00 304.145.752,13 295.638.654,81 312.652.849,44 8.507.097,31 312.190.463,75 616.514,25 380.089.820.453,06

2010 332.169.307,00 318.157.529,56 306.898.092,19 329.416.966,94 11.259.437,38 321.159.946,75 11.009.360,25 121.206.013.114.280,00

2011 353.747.931,00 335.952.730,28 321.425.411,23 350.480.049,33 14.527.319,05 340.676.404,31 13.071.526,69 170.864.809.942.025,00

2012 369.642.562,00 352.797.646,14 337.111.528,69 368.483.763,59 15.686.117,45 365.007.368,38 4.635.193,63 21.485.019.941.240,60

2013 367.661.563,00 360.229.604,57 348.670.566,63 371.788.642,51 11.559.037,94 384.169.881,05 -16.508.318,05 272.524.564.736.779,00

2014 397.845.288,00 379.037.446,29 363.854.006,46 394.220.886,11 15.183.439,83 383.347.680,45 14.497.607,55 210.180.624.583.207,00

2015 433.161.164,00 406.099.305,14 384.976.655,80 427.221.954,49 21.122.649,34 409.404.325,94 23.756.838,06 564.387.354.542.248,00

(16)

Sumber: Perhitungan

Untuk α_{= 0,6; N = 8, maka:}

MSE = e_N$

"

=#

MSE = 1.440.342.968.347.830,00₈

MSE = 180.042.871.043.479

Tahun $

2006 274.077.385,00 274.077.385,00 274.077.385,00 - - - - -

2007 292.882.200,00 285.360.274,00 280.847.118,40 289.873.429,60 6.769.733,40 - - -

2008 307.489.260,00 298.637.665,60 291.521.446,72 305.753.884,48 10.674.328,32 296.643.163,00 10.846.097,00 117.637.820.133.408,00

2009 312.806.978,00 307.139.253,04 300.892.130,51 313.386.375,57 9.370.683,79 316.428.212,80 -3.621.234,80 13.113.341.476.731,10

2010 332.169.307,00 322.157.285,42 313.651.223,45 330.663.347,38 12.759.092,94 322.757.059,36 9.412.247,64 88.590.405.636.686,40

2011 353.747.931,00 341.111.672,77 330.127.493,04 352.095.852,49 16.476.269,59 343.422.440,32 10.325.490,68 106.615.757.782.767,00

2012 369.642.562,00 358.230.206,31 346.989.121,00 369.471.291,61 16.861.627,96 368.572.122,08 1.070.439,92 1.145.841.625.755,11

2013 367.661.563,00 363.889.020,32 357.129.060,59 370.648.980,05 10.139.939,59 386.332.919,57 -18.671.356,57 348.619.556.220.838,00

2014 397.845.288,00 384.262.780,93 373.409.292,79 395.116.269,06 16.280.232,20 380.788.919,64 17.056.368,36 290.919.701.472.637,00

2015 433.161.164,00 413.601.810,77 397.524.803,58 429.678.817,96 24.115.510,79 411.396.501,26 21.764.662,74 473.700.543.999.010,00

(17)

Sumber: Perhitungan

Untuk α_{= 0,7; N = 8, maka:}

MSE = e_N$

"

=#

MSE = 1.431.562.126.494.220,00₈

MSE = 178.945.265.811.778

Tahun $

2006 274.077.385,00 274.077.385,00 274.077.385,00 - - - - -

2007 292.882.200,00 287.240.755,50 283.291.744,35 291.189.766,65 9.214.359,35 - - -

2008 307.489.260,00 301.414.708,65 295.977.819,36 306.851.597,94 12.686.07,01 300.404.126,00 7.085.134,00 50.199.123.797.956,80

2009 312.806.978,00 309.389.297,20 305.365.853,84 313.412.740,55 9.388.034,48 319.537.672,95 -6.730.694,95 45.302.254.509.953,70

2010 332.169.307,00 325.335.304,06 319.344.468,99 331.326.139,12 13.978.615,15 322.800.775,03 9.368.531,97 87.769.391.272.912,60

2011 353.747.931,00 345.224.142,92 337.460.240,74 352.988.045,09 18.115.771,75 345.304.754,27 8.443.176,73 71.287.233.251.799,00

2012 369.642.562,00 362.317.036,28 354.859.997,61 369.774.074,94 17.399.756,87 371.103.816,84 -1.461.254,84 2.135.265.709.761,40

2013 367.661.563,00 366.058.204,98 362.698.742,77 369.417.667,19 7.838.745,16 387.173.831,81 -19.512.268,81 380.728.634.111.943,00

2014 397.845.288,00 388.309.163,09 380.626.037,00 395.992.289,19 17.927.294,23 377.256.412,35 20.588.875,65 423.901.800.518.765,00

2015 433.161.164,00 419.705.563,73 407.981.705,71 431.429.421,75 27.355.668,71 413.919.583,42 19.241.580,58 370.238.423.321.130,00

(18)

Sumber: Perhitungan

Untuk α_{= 0,8; N = 8, maka:}

MSE = e_N$

"

=#

MSE = 1.480.195.979.692.370,00₈

MSE = 185.024.497.461.547

Tahun $

2006 274.077.385,00 274.077.385,00 274.077.385,00 - - - - -

2007 292.882.200,00 289.121.237.00 286.112.466,60 292.130.007,40 12.035.081,60 - - -

2008 307.489.260,00 303.815.655,40 300.275.017,64 307.356.293,16 14.162.551,04 304.165.089,00 3.324.171,00 11.050.112.837.241,80

2009 312.806.978,00 311.008.713,48 308.861.974,31 313.155.452,65 8.586.956,67 321.518.844,20 -8.711.866,20 75.896.612.686.701,20

2010 332.169.307,00 327.937.188,30 324.122.145,50 331.752.231,09 15.260.171,19 321.742.409,32 10.426.897,68 108.720.195.229.191,00

2011 353.747.931,00 348.585.782,46 343.693.055,07 353.478.509,85 19.570.909,57 347.012.402,28 6.735.528,72 45.367.347.137.943,60

2012 369.642.562,00 365.431.206,09 361.083.575,89 369.778.836,30 17.390.520,82 373.049.419,42 -3.406.857,42 11.606.677.474.758,90

2013 367.661.563,00 367.215.491,62 365.989.108,47 368.441.874,76 4.905.532,59 387.169.357,12 -19.507.794,12 380.554.031.290.981,00

2014 397.845.288,00 391.719.328,72 386.573.284,67 396.865.372,77 20.584.176,20 373.347.407,35 24.497.880,65 600.146.156.350.252,00

2015 433.161.164,00 424.872.796,94 417.212.894,49 432.532.699,40 30.639.609,82 417.449.54,.98 15.711.615,02 246.854.846.685.305,00

(19)

Sumber: Perhitungan

Untuk α_{= 0,9; N = 8, maka:}

MSE = e_N$

"

=#

MSE = 1.571.706.867.142.930,00₈

MSE = 196.463.358.392.866

Tahun $

2006 274.077.385,00 274.077.385,00 274.077.385,00 - - - - -

2007 292.882.200,00 291.001.718,50 289.309.285,15 292.694.151,85 15.231.900,15 - - -

2008 307.489.260,00 305.840.505,85 304.187.383,78 307.493.627,92 14.878.098,63 307.926.052,00 -436.792,00 190.787.251.264,21

2009 312.806.978,00 312.110.330,79 311.318.036,08 312.902.625,49 7.130.652,30 322.371.726,55 -9.564.748,55 91.484.414.824.726,20

2010 332.169.307,00 330.163.409,38 328.278.872,05 332.047.946,71 16.960.835,96 320.033.277,79 12.136.029,21 147.283.204.985.986,00

2011 353.747.931,00 351.389.478,84 349.078.418,16 353.700.539,52 20.799.546,11 349.008.782,67 4.739.148,33 22.459.526.870.045,90

2012 369.642.562,00 367.817.253,68 365.943.370,13 369.691.137,24 16.864.951,97 374.500.085,63 -4.857.523,63 23.595.535.782.980,40

2013 367.661.563,00 367.677.132,07 367.503.755,87 367.850.508,26 1.560.385,74 386.556.089,21 -18.894.526,21 357.003.120.647.282,00

2014 397.845.288,00 394.828.472,41 392.096.000,75 397.560.944,06 24.592.244,88 369.410.894,01 28.434.393,99 808.514.761.837.155,00

2015 433.161.164,00 429.327.894,84 425.604.705,43 433.051.084,25 33.508.704,68 422.153.188,94 11.007.975,06 121.175.514.943.487,00

(20)

(parameter pemulusan) yang memberikan nilai MSE yang paling kecil.

Perbandingan ukuran ketepatan metode peramalan nilai penjualan energi listrik di

PT PLN (Persero) Tanjung Morawa dengan melihat MSE adalah sebagai berikut:

Tabel 3.11 Perbandingan Ukuran Ketepatan Metode Peramalan

α _MSE

Dari uraian tabel 3.11 diatas, dapat dilihat bahwa MSE yang paling kecil terdapat

pada α_{= 0,7, yaitu dengan MSE = 178.945.265.811.778. Perlu diketahui juga,}

untuk nilai $ untuk masing-masing bernilai aproksimasi (mendekati) karena

adanya pemotongan dan pembulatan angka desimal yang dilakukan komputer

(Microsoft Office Excel).

3.4 Penentuan Bentuk Persamaan Peramalan

Melalui cara trial and error dengan 0 < α_{< 1, telah diperoleh perhitungan}

peramalan pemulusan eksponensial linier satu-parameter dari Brown dengan

α_{= 0,7, sehingga dapat ditentukan bentuk persamaan peramalan untuk}

periode-periode berikutnya.

Berdasarkan perhitungan pada α_{= 0,7, dapat diperoleh persamaan peramalan}

untuk periode berikutnya yaitu dengan menggunakan persamaan 2.6 sebagai

berikut:

= + ( )

(21)

Setelah diperoleh peramalan nilai penjualan energi listrik, maka dapat dihitung

nilai penjualan energi listrik untuk 2 periode berikutnya, yaitu untuk tahun 2016

dan 2017 seperti uraian dibawah ini:

Perhitungannya adalah:

a.Untuk periode ke – 11 (tahun 2016)

Ft+m = 431.429.421,75+ 27.355.668,71 (m) F₁₀₊₁ = 431.429.421,75 + 27.355.668,71 (1) F₁₁ = 458.785.090,46

b.Untuk periode ke - 12 (tahun 2017)

F_t+m = 431.429.421,75+27.355.668,71 (m) F₁₀₊₂_{= 431.429.421,75+ 27.355.668,71 (2)} F₁₂ = 486.140.759,17

Tabel 3.12 Peramalan Nilai Penjualan Energi Listrik di PT PLN (Persero) Tanjung

Morawa untuk Tahun 2016 dan 2017

Tahun Periode Peramalan Nilai

Penjualan Energi Listrik (kWh)

2016 11 458.785.090,46

2017 12 486.140.759,17

(22)

IMPLEMENTASI SISTEM

4.1 Pengertian Implementasi Sistem

Implementasi sistem adalah prosedur yang dilakukan untuk menyelesaikan desain

sistem yang ada dalam desain yang disetujui, menginstal, dan memulai sistem

baru atau sistem yang akan diperbaiki. Sistem yang sudah dianalisa dan dirancang

secara rinci dengan teknologi yang sudah dipilih dan diseleksi, maka sistem

tersebut sudah memenuhi tahap untuk diimplementasikan.

Dalam hal mendesain, menginstal, menyelesaikan data berupa angka dan

memulai sistem erat kaitannya dengan komputer. Komputer mempunyai

kelebihan khusus jika dibandingkan dengan manusia, yaitu kecepatan, keandalan,

dan ketetapan. Terutama dalam pengolahan data yang jumlahnya sangat besar dan

rumit dikerjakan secara manual tentunya sangat membutuhkan komputer untuk

mengolah data tersebut. Dalam pengolahan data pada karya tulis ini penulis

menggunakan komputer dimana penulis memakai satu perangkat lunak sebagai

implementasi sistem yaitu Microsoft Excel dalam menyelesaikan masalah untuk

memperoleh hasil perhitungan yang cepat, tepat. Dan tingkat kesalahan yang

relatif kecil.

4.2 Microsoft Office Excel

Microsoft Office Excel merupakan program aplikasi lembar kerja elektronik (spread sheet) dari program paket Microsoft Office. Microsoft Office Excel

merupakan salah satu software pengolahan angka yang cukup banyak digunakan

di dunia. Microsoft Office Excel merupakan produk unggulan dari Microsoft

Corporation yang banyak berperan dalam pengolahan informasi khususnya data yang berbentuk angka, dihitung, diproyeksikan, dianalisis dan dipresentasikan

(23)

Excel 2007

Sebelum pengoperasian software ini, pastikan pada komputer terpasang program

excel. Adapun cara untuk memulai Microsoft Office Excel 2007, yaitu: 1. Klik Start, Klik Microsoft Office Excel 2007

Gambar 4.1 Cara membuka Microsoft Office Excel 2007

2. Lalu akan muncul tampilan Microsoft Office Excel 2007

(24)

keterangan pada masing-masing kolom:

1. Pada kolom pertama diketik keterangan Tahun 2. Pada kolom kedua diketik keterangan

3. Pada kolom ketiga diketik keterangan 4. Pada kolom keempat diketik keterangan 5. Pada kolom kelima diketik keterangan 6. Pada kolom keenam diketik keterangan 7. Pada kolom ketujuh diketik keterangan 8. Pada kolom kedelapan diketik keterangan 9. Pada kolom kesembilan diketik keterangan $

4. Masukkan (entry) data pada kolom pertama berupa keterangan dengan Tahun dan kolom kedua berupa keterangan dengan

Gambar 4.3 Tampilan Pemasukkan Data

5. Olah data dengan memasukkan rumus:

• Persamaan 2.2 untuk nilai = 0,7 , yaitu dengan memasukkan rumus

= (0,7) ∗ (B3) + (1 − 0,7) ∗ (C2), kemudian melanjutkan rumus untuk

(25)

Gambar 4.4 Tampilan Hasil Olah Data untuk Persamaan 2.2

• Persamaan 2.3 untuk nilai = 0,7, yaitu dengan memasukkan rumus

= (0,7) ∗ (C3) + (1 − 0,7) ∗ (D2), kemudian melanjutkan rumus

untuk baris selanjutnya seperti pada Gambar 4.5

(26)

= 2 ∗ (C3) − D3, kemudian melanjutkan rumus untuk baris selanjutnya seperti pada Gambar 4.6

= ((0,7)/(1 − 0,7)) ∗ (C3 − D3), kemudian melanjutkan rumus untuk

baris selanjutnya seperti pada Gambar 4.7

(27)

= E3 + F3, kemudian melanjutkan rumus untuk baris selanjutnya seperti pada Gambar 4.8

= B4 − G4, kemudian melanjutkan rumus untuk baris selanjutnya seperti

pada Gambar 4.9

(28)

dilanjutkan dengan rumus tersebut, kemudian jumlahkan hasil kuadrat tersebut dengan rumus = SUM(I4: I11) seperti pada Gambar 4.10

Gambar 4.10 Tampilan Hasil Kuadrat Persamaan 2.7

4.4 Pembuatan Grafik

Untuk membuat grafik pada Microsoft Office Excel 2007 dapat menggunakan

icon chart wizard yang terdapat pada toolbar.

Adapun langkah-langkah dalam membuat grafik,yaitu:

1. Dari data yang sudah ada sebelumnya, sertakan Tahun Peramalan dan hasil peramalan yang sudah diolah. (Lihat Gambar 4.11)

(29)

muncul tampilan seperti pada Gambar 4.12 dibawah ini:

Gambar 4.12 Langkah-langkah Pembuatan Grafik Nilai Penjualan Energi

Listrik di Tanjung Morawa

3. Kemudian pilih Select Data lalu akan muncul tampilan Select Data Source, pada bagian Chart Data Range diisi dengan cara memblok kolom Tahun dan kolom seperti Gambar 4.13 dibawah ini:

(30)

Axis label range: diisi dengan memblok range dari tahun 2006 – 2017 seperti Gambar 4.14, kemudian klik OK dan klik OK lagi.

Gambar 4.14 Tampilan Axis Labels

5. Setelah itu akan muncul grafik Nilai Penjualan Energi Listrik di Tanjung Morawa dari tahun 2006-2017 Seperti Gambar 4.15 dibawah ini:

(31)

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil pengolahan data yang telah dilakukan, maka diperoleh

kesimpulan sebagai berikut:

a. Dari hasil pengolahan data tahun 2006 sampai 2015 untuk nilai penjualan

energi listrik PT PLN (Persero) Tanjung Morawa dalam satuan kWh

(kiloWatt hour) dengan menggunakan metode smoothing eksponensial ganda

dengan metode linier satu-parameter dari Brown, diperoleh nilai MSE

terkecil yaitu 178.945.265.811.778 dengan (parameter pemulusan) = 0,7.

b. Bentuk persamaan peramalan nilai penjualan listrik PT PLN (Persero)

Tanjung Morawa berdasarkan data tahun 2006 sampai 2015 dengan

(parameter pemulusan) = 0,7 adalah 431.429.421,75+27.355.668,71(m).

c. Peramalan nilai penjualan energi listrik PT PLN (Persero) Tanjung Morawa

untuk tahun 2017 yakni periode ke-12 adalah sebesar 486.140.759,17 kWh.

Berdasarkan nilai penjualan energi listrik yang diperoleh dari pengolahan

data, maka penjualan energi listrik PT PLN (Persero) Tanjung Morawa terus

meningkat dari tahun ke tahun. Sehingga dapat dibuat kesimpulan kebutuhan

akan energi listrik untuk kehidupan manusia yang sumber listriknya dari PT

(32)

a. Dalam meramalkan nilai penjualan energi listrik untuk waktu yang akan

datang, pihak PT PLN (Persero) dapat menggunakan metode smoothing

eksponensial ganda dengan metode linier satu-parameter dari Brown dengan

menggunakan alat bantu komputer dengan salah satu aplikasi perangkat lunak

yaitu Microsoft Office Excel 2007. Untuk mempermudah proses perhitungan

cepat, tepat dan tingkat kesalahan relatif kecil

b. Diharapkan kepada masyarakat dan para pembaca untuk lebih cermat dalam

pemakaian energi listrik, membatasi pemakaian energi listrik, dan mematikan

(33)

BAB 2

LANDASAN TEORI

2.1 Pengertian Peramalan

Peramalan (forecasting) adalah suatu kegiatan yang memperkirakan apa yang

akan terjadi pada masa yang akan datang. Peramalan penjualan adalah peramalan

yang mengaitkan berbagai asumsi yang berhubungan dengan tindakan-tindakan

yang perlu diambil serta variabel-variabel lain yang mempengaruhi permasalahan

arus penjualan yang akan terjadi. Peramalan diperlukan karena adanya perbedaan

waktu antara keadaan akan dibutuhkannya suatu kebijakan baru. Apabila

perbedaan waktu tersebut panjang, maka peran peramalan menjadi penting dan

sangat dibutuhkan, terutama dalam penentuan kapan terjadi suatu peristiwa

sehingga dapat dipersiapkan tindakan yang diperlukan. (Sofyan Assauri, 1984)

Kegunaan suatu peramalan dapat dilihat pada saat pengambilan

keputusan. Keputusan yang baik adalah keputusan yang didasarkan oleh

pertimbangan yang akan terjadi saat keputusan tersebut dilakukan. Apabila

keputusan yang dialami kurang tepat sebaiknya keputusan tersebut tidak

dilaksanakan.Oleh karena masalah pengambilan keputusan merupakan masalah

yang dihadapi, maka peramalan juga merupakan masalah yang harus dihadapi,

karena peramalan berkaitan erat dengan pengambilan keputusan.

2.2 Jenis-Jenis Peramalan

Berdasarkan sifatnya, teknik peramalan dapat dibagi dalam 2 kategori

utama,yaitu:

1. Peramalan Kualitatif atau Teknologis

Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif

(34)

pendapat dan pengetahuan serta pengalaman dari orang-orang yang

menyusunnya. Biasanya peramalan kualitatif ini didasarkan atas hasil

penyelidikan seperti Delphi, analogis dan didasarkan atas ciri-ciri normatif

seperti decision matrices atau decision trees. Metode kualitatif dapat

dibagi menjadi dua, yaitu metode eksploratoris dan normatif.

2. Peramalan Kuantitatif

Peramalan kuantitatif adalah peramalan yang didasarkan atas data

kuantitatif pada masa lalu. Peramalan yang baik adalah peramalan yang

dilakukan dengan mengikuti prosedur peramalan penyusunan dengan baik.

Semakin baik kita menggunakan prosedur peramalan, maka penyimpangan

antara hasil peramalan dengan kenyataan yang terjadi juga semakin kecil.

Metode peramalan kuantitatif dapat dibagi dalam deret berkala (time

series) dan metode kausal.Peramalan kuantitatif dapat digunakan bila memenuhi syarat-syarat berikut:

1. Adanya informasi tentang masa lalu.

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data.

3. Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa yang akan datang dan kondisi ini disebut dengan kondisi yang konstan (assumption of constancy). Asumsi ini merupakan modal yang mendasari dari semua metode peramalan kuantitatif dan banyak metode peramalan teknologis terlepas dari bagaimana canggihnya metode tersebut.

Metode-metode peramalan dengan analisis deret waktu dibagi tiga, yaitu:

1. Metode Pemulusan Eksponensial dan Rata-Rata Bergerak

Metode ini sering digunakan untuk ramalan jangka pendek dan jarang

dipakai untuk ramalan jangka panjang.

(35)

jangka panjang.

3. Metode Box-Jenkins

Metode ini jarang dipakai, tetapi baik untuk ramalan jangka pendek,

menengah dan panjang. Metode ini dapat dipergunakan untuk meramalkan

data historis dengan kondisi yang sulit dimengerti pengaruhnya terhadap

data secara teknis.

2.3PemilihanMetodePeramalan

Dalam memilih metode peramalan, perlu diketahui terlebih dahulu ciri-ciri

penting dalam pengambilan keputusan dan analisis keadaan dalam

mempersiapkan peramalan. Ada 6 faktor utama yang diidentifikasikan sebagai

teknik dan metode peramalan, yaitu:

1. Horizon Waktu

Ada dua aspek dari horizon waktu yang berhubungan dengan masing-

masing metode peramalan, yaitu cakupan waktu dimasa yang akan datang

dan jumlah periode untuk peramalan yang diinginkan.

2. Pola Data

Dasar utama dari metode peramalan adalah anggapan bahwa macam pola

yang didapati didalam data yang diramalkan akan berkelanjutan.

3. Jenis dan Model

Model-model merupakan suatu deret dimana waktu digambarkan sebagai

unsure yang penting untuk menentukan perubahan-perubahan dalampola.

Model-model perlu diperhatikan Karena masing-masing model mempunyai

kemampuan yang berbeda dalam analisis keadaan untuk pengambilan

keputusan.

4. Biaya yang Dibutuhkan

Umumnya ada empat unsure biaya yang tercakup dalam penggunaan suatu

prosedur peramalan, yaitu biaya-biaya penyimpangan (storage) data,

operasi pelaksanaan, kesempatan dalam penggunaan teknik-teknik dan

(36)

5. Ketepatan Peramalan

Tingkat ketepatan yang dibutuhkan sangat erat dengan tingkat perincian yang

dibutuhkan dalam suatu peramalan.

6. Kemudahan dan Penerapan

Metode-metode yang dapat dimengertidan mudah diaplikasikan sudah

merupakan suatu prinsip umum bagi pengambilan keputusan.

2.4KegunaanPeramalan

Kegunaan peramalan dalam suatu penelitian adalah untuk memperkirakan situasi

dan kondisi yang akan terjadi dari suatu yang diteliti untuk masa yang akan dating

setelah situasi tersebut dianalisis. Peramalan adalah suatu alat bantu yang penting

dalam perencanaan yang efektif dan efisien. Dalam hal ini penyusunan suatu

rencana untuk mencapai tujuan atau sasaran suatu organisasi/lembaga terdapat

perbedaan waktu pelaksanaan, dan dilaksanakan oleh siapa. Perencanaan dan

peramalan merupakan dua hal yang sangat erat kaitannya, hal ini dapat dilihat

dalam penyusunan rencana, dimana dalam penyusunan ini melibatkan peramalan

juga.

Dengan demikian dapat dikatakan bahwa peramalan merupakan dasar

untuk menyusun rencana karena dapat membantu menganalisis data dari masa

lalu,sehingga melalui metode peramalan akan didapat cara pemikiran dan

pengerjaan yang teratur dan terarah serta perencanaan yang sistematis hingga

memberikan ketetapan hasil analisis.

2.5 MetodePemulusan(Smoothing)

Metode pemulusan atau smoothing adalah metode peramalan dengan mengadakan

penghalusan terhadap masa lalu, yaitu dengan mengambil rata-rata dari nilai

beberapa tahun untuk menaksir nilai padabeberapatahunkedepan.Metode

(37)

metode smoothing diklasifikasikan menjadi duabagian,yaitu:

1. Metode Rata-rata

Metode rata-rata dibagi atas empat bagian yaitu:

a. Nilai tengah (mean)

b. Rata-rata bergerak tunggal (single moving average) c. Rata-rata bergerak ganda (double moving average) d. Kombinasi rata-rata bergerak lainnya.

Metode rata-rata tujuannya adalah untuk memanfaatkan data masa lalu dalam

mengembangkan suatu system peramalan pada periode mendatang.

2. Metode Pemulusan Eksponensial

Bentuk umum dari pemulusan eksponensial adalah:

= + (1 − ) (2.1)

dimana:

=ramalan satu periode kedepan

= data asli pada periode ke-t

= ramalan pada periode ke-t

= parameter pemulusan

Metode pemulusan atau smoothing eksponensial terdiri atas:

1. Pemulusan atau smoothing eksponensial tunggal

2. Pemulusan atau smoothing eksponensial ganda, yang terdiri atas:

a. Metode linier satu parameter dari Brown b. Metode dua parameter dari Holt

2.6 MetodeSmoothing yangDigunakan

Untuk mendapatkan hasil yang baik harus diketahui cara peramalan yang cepat.

Maka metode peramalan analisis time series yang digunakan untuk meramalkan

pasokan nilai penjualan energy listrik pada pemecahan masalah ini adalah dengan

menggunakan metode smoothing eksponensial ganda yaitu metode smoothing

eksponensial satu parameter dari Brown.

Metode ini merupakan metodeyangdigunakanolehBrown.Dasarpemikiran

(38)

ketinggalan dari data sebenarnya.

Persamaan yang dapat dipakai dalam pelaksanaan pemulusan eksponensial

linier satu-parameter dari Brown adalah sebagai berikut:

= + (1 − ) (2.2)

=nilai smoothing eksponensial tunggal

=nilai smoothin gganda

=konstanta pada periode ke-t =nil ai s lope

= hasilperamalanuntukmperiodekedepanyangakan diramalkan.

= parameterpemulusan

= jumlah periode di depan yang diramalkan

Untuk menghitung nilai kesalahan (error) ramalan tersebut, dapat digunakan

rumus dibawah ini:

= − (2.7)

di mana:

= kesalahan pada periode ke-t

X = data asli pada periode ke-t

F = ramalan pada periode ke-t

(39)

bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu

kumpulan data yang diberikan. Ketepatan dipandang sebagai criteria penolakan

untuk memilih suatu metode peramalan. Dalam pemodelan deret berkala

(timeseries) dari data masa lalu dapat diramalkan situasi yang akan terjadipada

masa yang akan datang, untuk menguji kebenaran ramalan ini digunakan

ketepatan. Beberapa kriteria yang digunakan untukmenguji ketepatan ramalan

adalah:

(40)

N SSE =

∑

et2

t=1

di mana:

= − kesalahan pada periode ke-t

*+ = ,- .

-,- x 100 (kesalahan persentase pada periode ke-t) = data asli pada periode ke-t

= Nilai ramalan pada periode ke-t 1 =Banyaknya periode waktu

Metode peramalan yang dipilih adalah metode yang memberikan nilai MSE

yang terkecil.

(41)

PENDAHULUAN

1.1 Latar Belakang

Dalam kehidupan manusia khususnya pada era globalisasi dan modernisasi saat

ini energi listrik merupakan salah satu kebutuhan yang sangat penting. Seperti

hukum kekekalan energi yang berbunyi: “Energi tidak dapat diciptakan dan tidak

dapat dimusnahkan, tetapi hanya bisa berubah bentuk dari bentuk yang satu ke

bentuk lainnya” dengan kata lain, tidak ada manusia yang dapat menciptakan atau

menghilangkan energi. Berdasarkan hukum tersebut, energi hanya dapat berubah

bentuk ke bentuk lainnya. Perubahan-perubahan energi inilah yang banyak

dimanfaatkan untuk kebutuhan hidup manusia. Tanpa adanya energi listrik

kehidupan manusia pasti akan sangat jauh pada saat sekarang ini yang sudah

berkembang pesat dengan berjalannya waktu.

Perkembangan kehidupan manusia yang terus meningkat sangat

dipengaruhi dengan adanya ketersediaan tenaga listrik, karena dalam seluruh

aspek kehidupan manusia seperti rumah tangga, bisnis (dunia usaha), industri,

pendidikan, pemerintahan dan lainnya sangat membutuhkan energi listrik demi

berlangsungnya proses kegiatan masing-masing aspek. Menurut Abdul Karir

(1996) yang mengatakan bahwa tenaga listrik merupakan landasan bagi suatu

masyarakat yang memiliki taraf kehidupan yang baik dan perkembangan industri

yang maju.

Lembaga yang menangani listrik Negara mulai dari produksi, pembelian,

penambahan daya baru, penjualan energi listrik kepada masyarakat,pemerintahan

dan industri adalah PLN ( Perusahaan Listrik Negara). PT PLN (Persero) Tanjung

Morawa merupakan salah satu daerah yang pertumbuhannya terus meningkat ke

area modernisasi dengan berjalannya waktu. Tanjung Morawa merupakan salah

satu daerah yang pertumbuhan penduduknya, perusahaan, pabrik, dan dunia usaha

(42)

besar pula. Hal ini merupakan indikator dan masalah yang cukup penting bagi

instansi PT PLN (Persero) dalam mempersiapkan dan menyediakan kapasitas

energi bagi para pelanggan pengguna listrik untuk masa yang akan datang.

Dari uraian di atas penulis ingin mengetahui berapa besar pasokan Nilai

Penjualan Energi Listrik dalam kWh (kiloWatt hour) yang diperoleh PT PLN

(Persero) Tanjung Morawa pada tahun 2016-2017.

1.2 Rumusan Masalah

Berdasarkan uraian di atas, maka yang menjadi permasalahan di penelitian ini

adalah bagaimana mengetahui besar pasokan penjualan energi listrik oleh PT PLN

(Persero) Tanjung Morawa tahun 2016-2017.

1.3 Batasan Masalah

Agar tugas akhir tidak menyimpang dari sasaran yang ingin dituju, maka penulis

membatasi ruang lingkup permasalahan penelitian pada prediksi pasokan nilai

penjualan energi listrik PT PLN (Persero) pada tahun 2016-2017 mendatang di

Tanjung Morawa.

1.4 Tujuan Penelitian

Berdasarkan uraian perumusan masalah maka tujuan penelitian ini adalah untuk

meramalkan berapa besar pasokan nilai penjualan energi listrik di PT PLN

(43)

Adapun penelitian ini diharapkan memberikan informasi dari hasil data besarnya

pasokan penjualan energi listrik yang diramalkan agar penyaluran pasokan

penjualan energi listrik kepada pelanggan diharapkan dapat berjalan dengan

efektif dan efisien untuk tahun yang akan datang.

1.6 Tinjauan Pustaka

Penulis menggunakan buku-buku statistika untuk mendukung serta merangkum

penelitian ini, termasuk buku yang memuat informasi mengenai peramalan

dengan menggunakan metode pemulusan (smoothing) eksponensial ganda adalah

metode linier satu-parameter dari Brown yaitu metode peramalan yang digunakan

penulis untuk mendapatkan hasil penelitian.

Menurut Makridakis, Wheelright dan McGee (1999), bahwa metode

peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif

dan efisien. Metode peramalan terdiri atas dua metode, yaitu metode peramalan

kualitatif dan metode peramalan kuantitatif. Metode smoothing eksponensial

ganda adalah metode linier satu-perameter dari Brown yang digunakan penulis

termasuk ke dalam metode peramalan kuantitatif karena tersedianya informasi

atau data di masa yang akan datang berbentuk numerik sesuai dengan data pada

tahun sebelumnya yang berbentuk numerik juga dan akan terus berlanjut sampai

waktu yang akan datang. Sedangkan Peramalan (forecasting) menurut Sofyan

Assauri (1984) adalah suatu kegiatan yang memperkirakan apa yang akan terjadi

(44)

1.7 Metode Penelitian

Adapun untuk melaksanakan penelitian ini penulis menggunakan metode:

1. Studi Kepustakaan (Study Literature)

Studi Kepustakaan (Study Literature), yaitu suatu cara penelitian yang

digunakan untuk memperoleh data dan informasi dari perpustakaan

dengan membaca dan mempelajari buku-buku, referensi, bahan-bahan,

yang bersifat teoritis, ilmu yang didapat dari perkuliahan dan yang bersifat

umum, serta sumber informasi lainnya yang berhubungan dengan objek

yang diteliti.

2. Pengumpulan Data

Pengumpulan data dilakukan penulis untuk keperluan penelitian dengan

menggunakan data sekunder. Data sekunder adalah data primer yang

diperoleh pihak lain yang umumnya disajikan dalam bentuk tabel-tabel

atau diagram.

3. Pengolahan Data

Pengolahan data menggunakan metode peramalan smoothing eksponensial

ganda yaitu metode linier satu-parameter dari Brown. Langkah-langkah

yang dilakukan dalam pengolahan data adalah:

1) Menghitung jumlah kuadrat eror dari masing-masing α_dengan

menggunakan persamaan-persamaan yang telah ditetapkan.

2) Menentukan nilai MSE (Mean Square Error) dari masing- masing α_.

3) Menentukan nilai MSE terkecil.

4) Menentukan bentuk persamaan peramalan dengan menggunakan α_dari

nilai MSE terkecil.

5) Menentukan peramalan untuk periode berikutnya.

4. Membuat Kesimpulan

(45)

merupakan salah satu kebutuhan yang sangat penting. Seperti hukum kekekalan energi yang

berbu yi: E ergi tidak dapat diciptakan dan tidak dapat dimusnahkan, tetapi hanya bisa berubah

bentuk dari bentuk yang satu ke be tuk lai ya de ga kata lai , tidak ada a usia yang dapat

menciptakan atau menghilangkan energi. Berdasarkan hukum tersebut, energi hanya dapat berubah

bentuk ke bentuk lainnya. Perubahan-perubahan energi inilah yang banyak dimanfaatkan untuk

kebutuhan hidup manusia. Tanpa adanya energi listrik kehidupan manusia pasti akan sangat jauh pada

(46)

DI PT

P

FAKULTAS MA U

PT PLN (PERSERO) TANJUNG MORAWA

DENGAN METODE SMOOTHING

IRA AYU SOPHYA HUTAPEA

132407004

PROGRAM STUDI D3 STATISTIKA DEPARTEMEN MATEMATIKA MATEMATIKA DAN ILMU PENGETAHU

UNIVERSITAS SUMATERA UTARA MEDAN

2016

A

(47)

DI PT

Diajukan untuk m

P

FAKULTAS MA U

PT PLN (PERSERO) TANJUNG MORAWA

TUGAS AKHIR

uk melengkapi tugas dan memenuhi syarat m

Ahli Madya

IRA AYU SOPHYA HUTAPEA

132407004

PROGRAM STUDI D3 STATISTIKA DEPARTEMEN MATEMATIKA MATEMATIKA DAN ILMU PENGETAHU

UNIVERSITAS SUMATERA UTARA MEDAN

2016

A

at memperoleh

(48)

PERSETUJUAN

Judul : PERAMALAN NILAI PENJUALAN ENERGI LISTRIK DI PT PLN (PERSERO) TANJUNG MORAWA DENGAN METODE SMOOTHING

Kategori : TUGAS AKHIR

Nama : IRA AYU SOPHYA HUTAPEA

Nomor Induk Mahasiswa : 132407004

Program studi : DIPLOMA 3 STATISTIKA Departemen : MATEMATIKA

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

Diluluskan di Medan, Juli 2016

Disetujui oleh:

Program Studi D3 Statistika FMIPA USU Pembimbing Ketua

(49)

PERAMALAN NILAI PENJUALAN ENERGI LISTRIK

DI PT PLN(PERSERO) TANJUNG MORAWA

TUGAS AKHIR

Saya mengakui bahwa tugas akhir ini adalah hasil kerja saya sendiri, kecuali

beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Juli 2016

(50)

PujisyukurpenulispanjatkankepadaTuhan Yang Maha Pemurah dan Maha

Penyayang, dengan limpah karunia-Nya penulis dapat menyelesaikan penyusunan

Tugas Akhir ini dengan judul Peramalan Nilai Penjualan Energi Listrik di PT

PLN (Persero) Tanjung Morawa dengan Metode Smoothing.

Terimakasih penulis sampaikan kepada Ibu Dr. Esther Sorta M Nababan,

M.Sc selaku pembimbing yang telah meluangkan waktunya selama penyusunan

tugas akhir ini dan telah memberikan pengarahan. Terimakasih kepada Bapak Dr.

Faigiziduhu Bu’ulӧ_lӧ_{, M.Si selaku Ketua Program Studi D3 Statistika FMIPA}

USU, Bapak Prof. Dr. Tulus, M.Si dan Ibu Dr. Mardiningsih, M.Si selaku Ketua

dan Sekretaris Departemen Matematika FMIPA USU, Bapak Dr. Kerista

Sebayang, M.S selaku Dekan FMIPA USU, seluruh staf dan Dosen Program Studi

D3 Statistika FMIPA USUdan rekan-rekan kuliah. Akhirnya tidak terlupakan

kepada Ayah Pieter Laurenc Hutapea, Ibu Tianar Sidauruk dan keluarga yang

selama ini memberikan bantuan dan dorongan yang diperlukan. SemogaTuhan

Yang Maha Esa membalasnya.

Medan, Juli 2016

Penulis

(51)

Halaman

DAFTAR GAMBAR vii

BAB 1 PENDAHULUAN 1

1.1 LatarBelakang 1

1.2 Rumusan Masalah 2

1.3 Batasan Masalah 2

1.4 TujuanPenelitian 2

1.5 ManfaatPenelitian 3

1.6 Tinjauan Pustaka 3

1.7 Metode Penelitian 4

BAB 2 LANDASAN TEORI 5

2.1 Pengertian Peramalan 5

2.2 Jenis-Jenis Peramalan 5

2.3 PemilihanMetode Peramalan 7

2.4 KegunaanPeramalan 8

2.5 Metode Pemulusan (Smoothing) 8

2.6 Metode Smoothingyang Digunakan 9

2.7 KetepatanPeramalan 11

BAB 3 PENGOLAHAN DATA 13

3.1 Penyajian Data 13

3.2 Pengolahan Data denganMetodeSmoothing EksponensialGanda: Metode Linier Satu-

Parameter dari Brown 14

3.3 Penaksiran Model Peramalan 19

3.4 Penentuan Bentuk Persamaan Peramalan 30 3.5 Peramalan NilaiPenjualanEnergiListrik

untukTahun 2016 dan 2017 31

BAB 4 IMPLEMENTASI SISTEM 32

4.1 Pengertian Implementasi Sistem 32

4.2 Microsoft Office Excel 32

4.3 Langkah-Langkah MemulaiPengolahan Data

denganMicrosoft Office Excel 2007 33

(52)

5.1 Kesimpulan 41

5.2 Saran 42

DAFTAR PUSTAKA

(53)

Halaman

Tabel 3.1 Data Nilai Penjualan Energi Listrik di PT PLN

(Persero) Tanjung Morawa tahun 2006-2015 13 Tabel 3.2 Perhitungan Peramalan Nilai Penjualan Energi Listrik

Dengan Smoothing Eksponensial Ganda Linier dari

Browndengan α_{= 0,1} ₂₁

Tabel 3.3 Perhitungan Peramalan Nilai Penjualan Energi Listrik dengan Smoothing Eksponensial Ganda Linier dari

Brown dengan α_{= 0,2} ₂₂

Tabel 3.4 Perhitungan Peramalan Nilai Penjualan Energi Listrik dengan Smoothing Eksponensial Ganda Linier dari

Brown dengan α_{= 0,3} ₂₃

Brown dengan α_{= 0,4} ₂₄

Brown dengan α_{= 0,5} ₂₅

Brown dengan α_{= 0,6} ₂₆

Tabel 3.8 Perhitungan Peramalan NilaiPenjualanEnergi Listrik dengan Smoothing Eksponensial Ganda Linier dari

Brown dengan α_{= 0,7} ₂₇

Brown dengan α_{= 0,8} ₂₈

Tabel 3.10 Perhitungan Peramalan NilaiPenjualanEnergiListrik dengan Smoothing Eksponensial Ganda Linier dari

Brown dengan α_{= 0,9} ₂₉

Tabel 3.11 Perbandingan Ukuran Ketepatan Metode Peramalan 30 Tabel 3.12 Peramalan Nilai Penjualan Energi Listrik di PT PLN

(54)

Halaman

Gambar 3.1 Grafik Nilai Penjualan Energi Listrik di Tanjung

MorawaTahun 2006-2015 14

Gambar 4.1 Cara Membuka Microsoft Office Excel 2007 33 Gambar 4.2 Tampilan Microsoft Office Excel 2007 33

Gambar 4.3 Tampilan Pemasukkan Data 34

Gambar 4.4 Tampilan Hasil Olah Data untuk Persamaan 2.2 35 Gambar 4.5 Tampilan Hasil Olah Data untuk Persamaan 2.3 35 Gambar 4.6 Tampilan Hasil Olah Data untuk Persamaan 2.4 36 Gambar 4.7 Tampilan Hasil Olah Data untuk Persamaan 2.5 36 Gambar 4.8 Tampilan Hasil Olah Data untuk Persamaan 2.6 37 Gambar 4.9 Tampilan Hasil Olah Data untuk Persamaan 2.7 37 Gambar 4.10 Tampilan Hasil Kuadrat Persamaan 2.7 38 Gambar 4.11 Tampilan Data yang Sudah Diolah 38 Gambar 4.12 Langkah-Langkah Pembuatan Grafik Nilai

PenjualanEnergiListrik di TanjungMorawa 39

Gambar 4.13 TampilanSelect Data Source 39

Gambar 4.14 Tampilan Axis Labels 40

Gambar 4.15 Grafik Nilai Penjualan Energi Listrik di Tanjung