Analisa Deret Waktu Konsumsi Kalori di Provinsi Sumatera Utara Pada Tahun 2002-2012

ANALISA DERET WAKTU KONSUMSI KALORI DI PROVINSI

SUMATERA UTARA PADA TAHUN 2002-2012

TUGAS AKHIR

KATARINA SIHOTANG 102407048

PROGRAM STUDI D-3 STATISTIKA DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

ANALISA DERET WAKTU KONSUMSI KALORI DI PROVINSI

SUMATERA UTARA PADA TAHUN 2002-2012

TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ahli Madya

KATARINA SIHOTANG 102407048

PROGRAM STUDI D-3 STATISTIKA DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

PERSETUJUAN

Judul : Analisa Deret Waktu Konsumsi Kalori di Provinsi Sumatera Utara Pada Tahun2002-2012

Kategori : Tugas Akhir

Nama : Katarina Sihotang

Nomor Induk Mahasiswa : 102407048 Program Studi : D3 Statistika Departemen : Matematika

Fakultas : Matematika Dan Ilmu Pengetahuan Alam Universitas Sumatera Utara

Disetujui di

Medan, Juni 2013

Disetujui Oleh :

Departemen Matematika FMIPA USU Pembimbing,

Ketua,

PERNYATAAN

ANALISA DERET WAKTU KONSUMSI KALORI DI PROVINSI SUMATERA UTARA PADA TAHUN 2002-2012

TUGAS AKHIR

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

Medan, Juni 2013

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Pemurah dan Maha

Penyayang, dengan limpah karunia-Nya penulis dapat menyelesaikan penyusunan

Tugas Akhir ini dengan judul Analisa Deret Waktu Konsumsi Kalori di Provinsi

Sumatera Utara pada Tahun 2002-2012.

Terimakasih penulis sampaikan kepada Bapak Drs. Agus Salim Harahap, M.Si

selaku pembimbing yang telah meluangkan waktunya selama penyusunan tugas akh`ir ini. Terimakasih kepada Bapak Drs. Faigiziduhu Bu’ulolo, M.Si dan Bapak Drs. Suwarno Ariswoyo, M.Si selaku Ketua dan Sekretaris Program Studi D3 Satistika

FMIPA USU, Bapak Prof. Dr. Tulus, M.Si. PhD dan Ibu Dra. Mardiningsih, M.Si

selaku ketua dan Sekretaris Departemen Matematika FMIPA USU Medan, Bapak Dr.

Sutarman, M.Sc selaku Dekan FMIPA USU Medan, seluruh staff dan Dosen Program

Studi D3 Statistika FMIPA USU, pegawai FMIPA USU dan rekan-rekan kuliah.

Akhirnya tidak terlupakan kepada Bapak dan Ibu tercinta, D. Sihotang dan P.

Tinambunan juga semua keluarga yang selama ini memberikan bantuan dan dorongan

DAFTAR ISI

1.6 Waktu dan Lokasi Penelitian 6

1.7 Tinjauan Pustaka 7

2.5 Metode Proyeksi Trend dengan Regresi 17 2.6 Regresi Linier Sederhana dari Analisis Deret Waktu 19

2.7 Significant Test 22

BAB 3 GAMBARAN UMUM TEMPAT RISET

3.1 Tata Kerja Badan Pusat Statistik 25

3.2 Tugas Badan Pusat Statistik 25

3.3 Visi dan Misi 28

BAB 4 PENGOLAHAN DATA

4.1 Pengumpulan Data 31

4.2 Menentukan Persamaan Regresi 31

4.3 Significant Test 36

4.3.1 Uji F (F-Test) 36

4.3.2 Uji T ( T-Test) 38

BAB 5 IMPLEMENTASI SISTEM

5.1 Pengertian Implementasi Sistem 41

5.2 Tujuan Implementasi Sistem 41

5.3 Tahapan Implementasi Sistem 41

5.4 Pengertian Microsoft Excel 42

5.5 Struktur Microsoft Excel 43

5.6 Pengoperasian Microsoft Excel 43

DAFTAR TABEL

Halaman Tabel 4.2.1 Data Konsumsi Kalori di Sumatera Utara

pada tahun 2002 – 2012 31

Tabel 4.2.2 Proyeksi dengan Metode Regresi Sederhana 33 Tabel 4.2.3 Hasil Peramalan Jumlah Konsumsi Kalori

di Propinsi Sumatera Utara untuk Tahun 2013 – 2017 35 Tabel 4.3.1 Perhitungan Standard Error of Estimasi dari Data

Jumlah Konsumsi Kalori di Propinsi

Sumatera Utara 2002 – 2012 36

Tabel 6.1 Hasil Peramalan Jumlah Konsumsi Kalori

DAFTAR GAMBAR

Halaman Gambar 4.1 Diagram Batang Konsumsi Kalori di Propinsi

Sumatera Utara tahun 2002 – 2012 32

Gambar 4.1 Diagram Plot Konsumsi Kalori di Propinsi Sumatera Utara tahun 2002 – 2012 32

Gambar 5.1 Tampilan Awal SPSS 17.0 46

Gambar 5.2 Pendefenisian Data 47

Gambar 5.3 Tampilan Data View 48

Gambar 5.4 Kotak Dialog Analisis Regresi 48

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Salah satu indikator untuk menunjukkan tingkat kesejahteraan penduduk adalah

tingkat kecukupan gizi, yang lazim disajikan dalam banyaknya zat gizi seperti kalori.

Kalori merupakan satuan yang digunakan untuk menyatakan jumlah energi. Yang pada

umumnya kalori digunakan untuk menunjukkan jumlah energi yang terkandung dalam

makanan. Kalori sendiri dapat diperoleh dari asupan makanan yang mengandung

nutrisi, seperti karbohidrat, lemak, protein, dan alkohol. Dimana konsumsi kalori

dihitung dengan mengalikan kuantitas setiap makanan yang dikonsumsi dengan

besarnya kandungan kalori dalam setiap jenis makanan. Dan jumlah kalori tersebut

diperlukan untuk memperhitungakan keseimbangan energi.

Tubuh membutuhkan energi atau pun kalori dalam melaksanakan aktivitas

sehari-hari. Namun ternyata masih banyak masyarakat yang belum paham mengenai

kecukupan kalori yang harus dikonsumsi agar setara dengan energi yang dikeluarkan

untuk beraktivitas. Dan meskipun kecukupan kalori yang dibutuhkan oleh setiap orang

berbeda-beda, Departemen Kesehatan RI telah menetapkan angka kecukupan kalori

masing-masing 2000 kkal/hari. Jika berpedoman pada batas standar kecukupan konsumsi

kalori per kapita, yaitu 2000 kkal/hari, maka angka nasional rata-rata konsumsi kalori

penduduk Indonesia pada tahun 2012 masih berada di bawah standar kecukupan yakni

hanya sebesar 1.852,64 kkal. Sedangkan rata-rata angka kecukupan konsumsi kalori di

provinsi Sumatera Utara pada tahun 2012 adalah 1.834,50 kkal. Dan dilihat dari

kecukupan gizi yang masih di bawah standar yang artinya jumlah kalori yang

dikonsumsi lebih kecil dari kalori yang digunakan, berat badan akan berkurang karena

cadangan energi dan lemak akan digunakan. Namun kelebihan energi juga akan

disimpan sebagai lemak. Adapun lemak yang berlebihan dapat meningkatkan resiko

terjadinya hipertensi, obesitas, stroke, penyakit jantung, dan diabetes. Dan karena itu,

asupan kalori juga perlu dikontrol untuk menjaga berat badan dan mencegah terjadinya

penyakit metabolik.

Kalori dapat diperoleh dari tiga sumber energi utama yang diperoleh dari

makanan, antara lain karbohidrat, lemak, dan protein. Dengan mengonsumsi 1 g

karbohidrat dan 1 g protein setara dengan mengonsumsi 4 kkal. Sedangkan 1 g lemak

akan setara dengan 9 kkal. Dan beberapa sumber energi tersebut dapat diperoleh dari

berbagai jenis makanan. Namun ada kalanya semua hal akan menjadi buruk jika

dilakukan secara berlebihan. Sama halnya jika mengonsumsi makanan dengan

karbohidrat atau pun sumber energi lainnya secara berlebihan justru akan

menyebabkan penyakit. Karena itu di anjurkan agar mengonsumsi sumber energi

Pengaturan kalori sangatlah penting. Pengaturan keseimbangan kalori yang

baik dapat membantu mempertahankan pola hidup sehat, berat badan ideal, dan

mencegah penyakit metabolik di kemudian hari. Dan mengingat konsumsi kalori

masyarakat provinsi Sumatera Utara yang juga masih berada di bawah standar

kecukupan gizi yang seharusnya, maka penulis ingin menganalisis konsumsi kalori

yang berada di Sumatera Utara dengan judul, “Analisa Deret Waktu Konsumsi

Kalori di Provinsi Sumatera Utara Pada Tahun 2002-2012.”

1.2 Rumusan Masalah

Berdasarkan uraian yang terdapat pada latar belakang masalah di atas, yang menjadi

permasalahan adalah bagaimana keadaan tingkat konsumsi kalori penduduk provinsi

Sumatera Utara setiap tahunnya. Terlebih penulis menganalisis tingkat konsumsi

kalori pada tahun 2002 hingga 2012. Apakah terjadi peningkatan setiap tahunnya atau

juga sebaliknya mengalami penurunan. Dilihat dari populasi penduduk provinsi

Sumatera Utara yang semakin meningkat setiap tahunnya, tentu akan membawa

dampak pada tingkat konsumsi kalori pada tahun-tahun yang akan datang. Dan hal ini

nantinya akan menunjukkan bahwa keseimbangan tingkat konsumsi kalori dengan

1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk mengumpulkan dan menganalisa data yang

diperoleh secara sistematis dan efisien untuk memecahkan suatu masalah sehingga

memperoleh suatu kesimpulan yang dapat dipakai untuk proses program kerja

selanjutnya.

1.4 Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah :

1. Memberikan informasi tentang tingkat konsumsi kalori masyarakat

di Provinsi Sumatera Utara.

2. Memberikan gambaran sebagai pendekatan yang akan terjadi di

masa yang akan datang mengenai tingkat konsumsi kalori di

Provinsi Sumatera Utara.

3. Sebagai salah satu syarat untuk menyelesaikan program studi

Diploma III Statistika USU.

4. Sebagai salah satu wadah untuk menerapkan ilmu yang diperoleh

1.5 Metodologi Penelitian

Untuk memudahkan penulis dalam penyajian Tugas Akhir ini, maka penulis

memperoleh data melalui riset (pengambilan data) di Badan Pusat Statistik (BPS) yang

berlokasi di Jl. Asrama No. 179 Medan, Sumut. Di dalam riset data juga digunakan

beberapa metode yaitu sebagai berikut :

1. Penelitian Kepustakaan (Library Research), yaitu metode pengumpulan data untuk memperoleh data dan informasi dari perpustakaan dengan cara

membaca buku-buku referensi dan bahan-bahan yang bersifat teoritis yan

mendukung penulisan tugas akhir.

2. Metode pengumpulan data, untuk memperoleh data dan informasi

mengenai tingkat konsumsi kalori di Provinsi Sumatera Utara dengan cara

mengadakan penelitian di BPS (Badan Pusat Statistik) Provinsi Sumatera

Utara dan menulis data yang diperlukan. Metode pengumpulan data yang

digunakan adalah data sekunder yaitu data yang pengumpulannya bukan diusahakan sendiri oleh peneliti. Data sekunder disini ialah data yang

diolah/diperoleh dari BPS (Badan Pusat Statistik) Provinsi Sumatera Utara.

3. Metode Pengolahan Data, metode dalam pengolahan data pada

permasalahan ini menggunakan regresi sederhana (simple regression).

Dimana regresi sederhana merupakan suatu pola hubungan yang

merupakan fungsi dimana hanya terdapat satu variabel yang menentukan

pola hubungan antara dua variabel tersebut dapat digunakan analisa deret

waktu (time series).

Dalam analisa deret waktu (time series) ini variabel bebas adalah waktu. Pola hubungan yang ditunjukkan dengan analisa regresi sederhana mengasumsikan

bahwa hubungan diantara dua variabel dapat dinyatakan dengan suatu garis lurus.

Notasi regresi sederhana yang merupakan garis lurus ini dinyatakan

sebagai :

Y = a + bX

Dengan :

Y adalah variabel yang diramalkan (dependent variabel) X adalah variabel waktu

a dan b adalah parameter atau koefisien regresi.

1.6 Waktu dan Lokasi Penelitian

Penelitian dilakukan di Kantor BPS (Badan Pusat Statistik) provinsi Sumatera Utara

1.7 Tinjauan Pustaka

(Algifari.1996. Analisis Regresi Teori, Kasus dan Solusi.)

Selain dapat menggunakan korelasi untuk melihat hubungan antara variabel yang satu

dengan variabel yang lain, dapat juga digunakan model regresi. Dalam hal ini regresi

sederhana hanya melibatkan dua variabel saja. Misalnya bila ada nilai random variabel

X tertentu, kita dapat mengekspektasikan nilai variabel random Y. Jadi nilai X

mempengaruhi Y, dapat dikatakan sebagai ketergantungan Y pada X. Dan karena itu variabel X disebut variabel independen (bebas) dan variabel Y disebut variabel dependen (terikat).

Secara umum dinyatakan nilai ekspektasi variabel random Y bila variabel random X

mempunyai nilai tertentu atau dengan rumus :

E(Y|X = x) = + βx

(Assauri, Sofjan.1984. Teknik dan Metode Peramalan).

Metode peramalan adalah cara memperkirakan secara kwantitatif apa yang akan terjadi

pada masa depan, berdasarkan data yang relevan pada masa lalu.

Metode-metode peramalan dengan analisa deret waktu, yaitu :

1. Metode Regresi, metode ini biasa digunakan untuk ramalan jangka

2. Metode Pemulusan Eksponensial dan Rata-Rata Bergerak, sering

digunakan untuk ramalan jangka pendek dan jarang dipakai untuk

peramalan jangka panjang.

3. Metode Box Jenkins, metode ini jarang dipakai tetapi baik untuk jangka

pendek, jangka menengah dan jangka panjang.

(Markridakis, Spyros.1993.Metode dan Aplikasi Peramalan).

Peramalan (Forecasting) merupakan kegiatan memprediksi nilai-nilai sebuah variabel berdasarkan nilai yang diketahui dari variabel tersebut atau variabel yang

berhubungan. Terdapat dua macam metode yaitu metode kualitatif dan metode

kuantitatif. Metode kualitatif hanya menggunakan intuisi saja, tanpa menggunakan

pendekatan matematis maupun statistik. Situasi, kondisi, dan pengalaman peramal

sangat mempengaruhi hasil ramalan. Metode kuantitatif dapat dibedakan menjadi dua

cara yaitu metode kausal dan metode time series. Metode kausal mempertimbangkan nilai sebuah variabel sebagai pengaruh dari banyak variabel yang lain. Sedangkan

1.8 Sistematika Penulisan

Sistematika penulisan Tugas Akhir ini terdiri dari 5 (lima) bab yang masing-masing

diuraikan dalam beberapa sub bab yaitu :

BAB 1 : PENDAHULUAN

Bab ini berisi tentang Latar Belakang, Rumusan Masalah, Tujuan

Penelitian, Manfaat Penelitian, Metodologi Penelitian, Tinjauan

Pustaka dan Sistematika Penulisan.

BAB 2 : LANDASAN TEORI

Bab ini menjelaskan tentang konsep dasar yang mencakup

penyelesaian masalah dengan judul dan permasalahan yang di uraikan.

BAB 3 : GAMBARAN UMUM TEMPAT RISET

Pada bab ini diuraikan tentang gambaran umum instansi tempat

penulis mengadakan penelitian dan pengumpulan data yaitu Badan

Pusat Statistik (BPS)

BAB 4 : PENGOLAHAN DATA

Bab ini berisi tentang cara penggunaan rumus dan metode yang telah

ditentukan.

BAB 5 : IMPLEMENTASI SISTEM

Bab ini menjelaskan tentang program atau pun software yang di

BAB 6 : KESIMPULAN DAN SARAN

Bab ini menjelaskan kesimpulan dari hasil penelitian serta saran-saran

BAB 2

LANDASAN TEORI

2.1 Pengertian Peramalan

Peramalan (forecasting) adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang. Peramalan diperlukan karena adanya kesenjangan waktu

(timelag) antara kesadaran dibutuhkannya suatu kebijakan baru dengan waktu pelaksanaan kebijakan tersebut. Jika perbedaan waktu tersebut panjang, maka peran

peramalan begitu penting dan sangat dibutuhkan terutama dalam penentuan waktu

kapan akan terjadinya sesuatu, sehingga dapat dipersiapkan tindakan yang perlu

dilakukan.

Metode peramalan akan membantu dalam mengadakan pendekatan analisa

terhadap tingkah laku atau pola dari data yang lalu, sehingga dapat memberikan cara

pemikiran, pengerjaan dan pemecahan yang sistematis dan pragmatis, serta

2.2 Jenis-jenis Peramalan

Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari cara

melihatnya. Apabila dilihat dari sifat penyusunnya, maka peramalan dapat dibedakan

atas dua macam, yaitu :

1. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau

intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau

“judgement” dari orang yang menyusunnya sangat menentukan baik tidaknya

hasil ramalan tersebut .

2. Peramalan yang objektif, peramalan yang didasarkan atas data yang relevan

pada masa lalu dengan menggunakan teknik-teknik dan metode dalam

penganalisaan data tersebut .

Disamping itu, dilihat dari jangka waktu ramalan yang disusun. Maka

peramalan dapat dibedakan atas dua macam pula,yaitu:

a. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan

hasil ramalan jangka waktunya lebih dari satu setengah tahun atau tiga

semester. Peramalan itu pun seperti ini misalnya diperlukan dalam penyusunan

rencana pembangunan suatu negara atau suatu daerah, corporate planning, rencana investi atau rencana ekspansi dari suatu perusahaan.

b. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan

tiga semester. Peramalan seperti ini diperlukan dalam penyusunan rencana

tahunan, rencana kerja operasional, penyusunan rencana produksi, rencana

penjualan, rencana persediaan, anggaran produksi, dan anggaran perusahaan.

Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat

dibedakan menjadi dua macam, yaitu:

1. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif

pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang

yang menyusunnya. Hal ini karena hasil peramalan tersebut ditentukan

berdasarkan pemikiran yang bersifat intuisi, judgement atau pendapat, dan pengetahuan serta pengalaman dari penyusunnya. Biasanya peramalan

secara kualitatif ini didasarkan atas hasil penyelidikan.

2. Peramalan kuantitatif, yaitu peramalan didasarkan atas data kuantitatif pada

masa lalu. Hasil peramalan yang dibuat sangat bergantung pada metode

yang digunakan dalam peramalan tersebut. Dengan peramalan yang

berbeda akan diperoleh hasil peramalan yang berbeda. Ada pun yang perlu

diperhatikan dari penggunaan metode-metode tersebut adalah baik tidaknya

metode yang dipergunakan, dimana sangat ditentukan oleh perbedaan atau

penyimpangan antara hasil peramalan dengan kenyataan yang terjadi.

Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan

atau penyimpangan yang mungkin terjadi. Peramalan kuantitatif hanya

a. Adanya informasi tentang keadaan yang lain

b. Informasi tersebut dapat dikuantifikasikan dalam bentuk data

c. Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa

yang akan datang.

2.3 Langkah-langkah Peramalan

Kualitas atau mutu dari hasil peramalan yang disusun, sangat ditentukan oleh

proses pelaksanaan penyusunannya. Peramalan yang baik adalah peramalan

yang dilakukan dengan mengikuti langkah-langkah atau prosedur penyusunan

yang baik. Pada dasarnya ada tiga langkah peramalan yang penting yaitu:

1. Menganalisa data yang lalu. Tahap ini berguna untuk pola yang

terjadi pada masa yang lalu. Analisa ini dilakukan dengan cara

membuat tabulasi data maka dapat diketahui pola data tersebut

2. Menentukan metode yang digunakan. Masing-masing metode akan

memberikan hasil peramalan yang berbeda. Dimana metode

peramalan yang baik adalah metode yang menghasilkan

penyimpangan antara hasil peramalan dengan nilai kenyataan yang

sekecil mungkin

3. Memproyeksikan data yang lalu dengan menggunakan metode

yang dipergunakan dan mempertimbangkan adanya beberapa

terdiri dari perubahan kebijakan-kebijakan yang mungkin terjadi,

termasuk kebijakan pemerintah.

Proyeksi adalah adanya suatu kecenderungan sesuatu hal yang masih belum

diketahui dan mempunyai nilai pada masa yang akan datang yang merupakan petunjuk

tentang jumlah sesuatu hal pada masa mendatang.

2.4 Metode Peramalan

Peramalan adalah kegiatan yang memperkirakan apa yang akan terjadi pada masa yang

akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan

akan terjadi pada masa yang akan datang. Ramalan dapat didasarkan atas

bermacam-macam cara yang kita kenal dengan metode peramalan.

Metode peramalan adalah cara untuk memperkirakan secara kuantitatif apa

yang akan terjadi pada masa yang akan datang berdasarkan data yang relevan pada

masa lalu, dan karena itu maka metode peramalan ini dipergunakan dalam peramalan

yang objektif. Metode peramalan ini sangat berguna, karena akan membantu dalam

mengadakan pendekatan analisa terhadap tingkah laku atau pola dari data yang lalu,

sehingga dapat memberikan cara pemikiran, pekerjaan dan pemecahan yang sistematis

dan pragmatis, serta memberikan tingkat keyakinan yang lebih besar atas ketepatan

Seperti yang telah diuraikan pada pembahasan diatas, dimana metode

peramalan menggunakan peramalan kuantitatif. Oleh karena itu dalam pembahasan

selanjutnya akan ditekankan pada peramalan kuantitatif. Pada dasarnya metode

peramalan kuantitatif ini dapat dibedakan atas:

1. Metode peramalan yang didasarkan atas penggunaan analisa pola

hubungan antara 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

memepengaruhinya, yang bukan waktu dan bisa disebut dengan sebab

akibat (causal methods).

Dalam pembahasan ini penulis membatasi mengenai metode peramalan yang

berhubungan deret waktu, karena penulis akan menggunakan salah satu diantara

metode-metode peramalan yang berhubungan dengan deret waktu (time series). Adapun metode-metode tersebut adalah sebagai berikut:

1. Metode smoothing, yaitu digunakan untuk mengurangi ketidak-teraturan

musiman dari data yang lalu maupun kedua-duanya, dengan membuat

rata-rata tertimbang dari sederetan data yang lalu. Ketepatan dari peramalan

untuk peramalan jangka panjang ketepatannya akan berkurang. Data yang

dibutuhkan untuk penggunaan metode ini minimal selama dua tahun.

2. Metode box jenkins, yaitu dengan menggunakan dasar deret waktu dengan model matematis, agar kesalahan yang terjadi dapat diminimalkan. Oleh

karena itu penggunaan metode ini membutuhkan identifikasi model dan

estimasi parameternya. Metode ini sangat baik ketepatannya untuk

peramalan jangka pendek, sedangkan peramalan untuk jangka panjang

ketepatannya kurang baik. Data yang dibutuhkan penggunaan metode

peramalan ini minimum dua tahun dan lebih baik bila data yang dimiliki

lebih dari dua tahun.

3. Metode proyeksi trend dengan regresi merupakan dasar garis trend untuk

persamaan matematis, sehingga dengan dasar persamaan tersebut dapat

diproyeksikan hal yang diteliti untuk masa depan. Untuk peramalan jangka

pendek maupun jangka panjang, ketepatan peramalan dengan

menggunakan metode ini sangat baik.

Berdasarkan penjelasan di atas dan data yang diperoleh oleh penulis, maka pada tugas

akhir ini penulis akan menggunakan metode proyeksi trend dengan regresi yang akan

2.5 Metode Proyeksi Trend dengan Regresi

Pada dasarnya analisis regresi diinterpretasikan sebagai suatu analisis yang berkaitan

dengan studi ketergantungan (hubungan kasual) dari suatu variabel tak bebas

(dependent variabel) dengan satu atau lebih variabel penjelas (independent variabel) dengan maksud untuk menduga atau memperkirakan nilai rata-rata populasi atau

nilai-nilai tertentu dari variabel penjelas atau variabel bebas.

Analisis regresi juga telah dipergunakan secara luas dalam berbagai bidang

ilmu pengetahuan. Analisis regresi telah dipakai untuk menerangkan fungsi konsumsi,

fungsi produksi, fungsi penawaran, fungsi biaya dan investasi. Ada tiga macam atau

jenis dari analisis regresi ini, yaitu :

1. Analisis regresi yang mempelajari hubungan kausal antara satu variabel tak

bebas dan satu variabel bebas yang disebut analisis regresi sederhana (simple regression analysis).

2. Analisis regresi yang mempelajari hubungan kausal antara satu variabel tak

bebas dan dua atau lebih variabale bebas disebut analisis regresi berganda

(multiple regression analysis).

3. Analisis regresi yang mempelajari hubungan kausal antara sekumpulan

variabel tak bebas (dua atau lebih variabel tak bebas) dan sekumpulan variabel

bebas (dua atau lebih variabel bebas) disebut analisis regresi multivariate

Didalam penulisan tugas akhir ini akan dibahas persoalan dengan

menggunakan jenis analisis regresi yang pertama, yakni analisis regresi sederhana

(simple regression analysis).

Untuk analisis regresi sederhana ini ada dua pilihan, yaitu analisis regresi

sederhana yang bersifat linier maupun analisis regresi sederhana yang bersifat

nonlinier. Adapun yang dimaksud dengan dua pilihan tersebut adalah :

a. Analisis regresi linier yang sederhana adalah suatu pola hubungan yang

berbentuk garis lurus antara suatu variabel yang diramalkan dengan satu

variabel yang mempengaruhinya atau variabel bebas. Dalam analisa deret

waktu variabel bebasnya adalah waktu.

b. Analisis regresi nonlinier yang sederhana adalah suatu pola hubungan yang

berbentuk garis tidak lurus antar suatu variabel yang diramalkan dengan

satu variabel yang mempengaruhinya atau variabel bebas. Dalam analisa

deret waktu variabel bebasnya adalah waktu.

Untuk menyelesaikan persoalan dalam penulisan tugas akhir ini, maka penulis

akan menggunakan analisis sederhana yang pertama, yaitu analisis regresi sederhana

2.6 Regresi Linier Sederhana dari Analisis Deret Waktu

Regresi sederhana adalah satu pola hubungan yang merupakan fungsi dimana hanya

terdapat satu variabel yang menentukan atau variabel bebas (independent variable). Dengan notasi matematis, maka bentuk hubungan tersebut adalah

Y = f(X), dengan:

Y = Variabel yang diramalkan atau yang dicari (dependent variable)

X = variabel bebas (independent variable)

Analisa/model deret waktu (time series) adalah teknik atau metode peramalan dengan menggunakan analisa hubungan antara variabel yang dicari atau diramalkan

dengan hanya ada satu-satunya variabel bebas yang mempengaruhinya yang

merupakan variabel waktu. Jadi dalam analisa ini, variabel yang menentukan atau

variabel bebas (independent variable) hanyalah variabel waktu. Dalam Y = f(X), maka

Y adalah variabel yang diramalkan dan X adalah variabel waktu.

Regresi linier sederhana adalah suatu pola hubungan yang berbentuk garis

lurus antara suatu variabel yang diramalkan dengan satu variabel yang

mempengaruhinya atau variabel bebas. Pola hubungan yang ditujukan oleh analisa

regresi sederhana ini mengasumsikan bahwa hubungan diantara dua variabel tersebut

dinyatakan dengan satu garis lurus. Dalam penerapan metode ini, dapat dilakukan

kertas gambar atau grafik untuk melihat asumsi yang dapat digunakan bagi analisa

regresi sederhana. Selanjutnya digambarkan atau ditarik suatu garis lurus yang tepat

untuk mewakili titik-titik tersebt, yang bentuknya merupakan garis lurus. Regresi

sederhana yang merupakan pola garis lurus yaitu :

Y = a + bX

besaran tersebut merupakan nilai konstan yang tidak berubah-ubah di dalam

penganalisaan yang dilakukan. Artinya bila diperoleh nilai atau besaran a dan b, maka

untuk setiap nilai Xatau variabel waktu akan diperoleh besaran Y atau variabel dicari

untuk nilai X tersebut.

Terdapat beberapa teknik dan metode yang dapat dipergunakan untuk mencari

atau mengestimasi nilai a dan b dalam hubungan fungsional dari regresi sederhana.

Pada prinsipnya teknik dan metode yang ada mendasarkan proses analisanya pada

usaha untuk mendapatkan suatu garis lurus yang dapat melalui atau mendekati

= a + bX

Dari persamaan di atas dapat diperoleh hasil persamaan di bawah ini, yang

merupakan formula umum dari teknik dan metode yang disebut “least square.” Kedua

persamaan tersebut adalah :

a =

– atau a = - b

b = –

atau b = –

2.7 Significant Test

Untuk meneliti apakah persamaan regresi yang dipergunakan dalam penyusunan

ramalan atau benar linier, dimana data observsinya tepat berada disekitar garis regresi

linier tersebut, maka perlu dilakukan apa yang disebut “significant test.” Kalau ternyata dari hasil test yang dilakukan diperoleh hasil yang tidak signifikan, maka

kurang tepat bila persamaan regresi linier yang dipergunakan dalam penyusunan

ramalan tersebut.

Dalam significint test ini, kita ingin mengetahui apakah benar secara statistik

bahwa hubungan yang ada antara variabel yang diramalakan dengan variabel waktu

(a). Test untuk mengetahui apakah koefisen b secara statistik dari 0 (nol), hal ini

dikenal sebagai “F-Test”

(b). Test untuk mengetahui apakah nilai estimasi dari a dan b dapat bervariasi

karena pengaruh sampling dan pengaruh random, dengan apa yang dikenal

sebagai “T-test”

a. F Test

Distribusi F adalah ratio dari dua variabel seperti terlihat pada persamaan berikut

ini.

F=

Dimana, n adalah jumlah tahun atau jumlah observasi (besarnya sampel) dan k

adalah jumlah variabel (dalam regresi sederhana k=2).

Setelah diperoleh nilai Fratio, maka kemudian dilakukan perbandingan antara nilai Fratio ini dengan nilai Ftabel atau Ftest. Apabila nilai Fratio adalah lebih besar dari nilai Ftabel atau Ftest, maka secara statistik koefisien b adalah significant terhadap 0 (nol). Dengan kata lain, koefisien b tidak sama dengan 0 (nol) secara statistik,

sehingga persamaan regresi tersebut dapat dipergunakan untuk peramalan

b. T Test

Pengujian ini merupakan suau teknik untuk menguji apakah benar variabel yang

diramalkan dengan variabel yang mempengaruhinya yaitu waktu mempunyai pola

hubungan yang bersifat garis lurus (linier). Mengenai perhitungannya akan dijabarkan sebagai berikut :

Dengan

Dimana nilai Se dapat dicari dengan :

Dengan :

=

Selanjutnya kita akan membandingkan antara lain tratiodengan nilai ttabeldengan

tingkat keyakinan tertentu. Jika nilai yang diperoleh dari hasil perhitungan tratio

bahwa nilai koefisien regresi yaitu a atau b secara statistik signifikan terhadap 0

(nol) atau dengan kata lain, koefisien a atau b tidak sama dengan 0 (nol).

Demikianlah uraian mengenai penerapan dan maksud dari analisa atau model

peramalan deret waktu. Sebagai tambahan perlu kita ketahui bahwa :

1. Analisa atau model peramalan deret waktu yang berbentuk regresi

sederhana sering disebut dengan analisa trend.

2. Analisa atau model peramalan deret waktu dengan deret waktu regresi

sederhana akan memberikan kesimpulan yang lebih baik, bila jumlah

observasi sebagai sebagai sampel diperbanyak, sehingga ramalan secara

individual akan lebih mendekati nilai rata-rata dari garis regresi. Lebih baik

hasil ramalan tersebut adalah karena dengan memperbanyak jumlah

BAB 3

GAMBARAN UMUM TEMPAT RISET

3.1 Tata Kerja Badan Pusat Statistik

Para deputi wajib melaksanakan koordinasi dan kerja sama teknis statistik di dalam

dan di luar negeri sesuai dengan bidang tugas masing-masing dan harus melaporkan

kepada kepala BPS. Dalam melaksanakan tugasnya wajib menerapkan prinsip

koordinasi, integrasi, sibronisasi dan sinlifiksi, baik dalam lingkungan masing-masing

antara satuan unit organisasi di lingkungan BPS maupun dengan instansi lainnya di

luar BPS sesuai bidang masing-masing.

3.2 Tugas Badan Pusat Statistik

Menurut Keputusan Presiden RI Nomor 6 Tahun 1992 tugas BPS adalah :

1. Melakukan kegiatan statistik yang ditugaskan kepadanya oleh pemerintah,

antara lain di bidang pertanian, agraria, pertambangan, perindustrian,

perhubungan, perdagangan, kependudukan, sosial, ketenagakerjaan, keuangan,

pendapatan nasional, pendidikan dan keagamaan.

2. Atas nama pemerintah melaksanakan koordinasi di lapangan kegiatan statistik

mencegah dilakukannya pekerjaan yang serupa oleh dua atau lebih instansi,

memajukan keseragaman dalam penggunaan definisi, klasifikasi, dan lain-lain.

3. Mengadakan segala daya agar masyarakat menyadari akan tujuan dan

kegunaan statistik.

Berdasarkan Keppres ini Kepala berada di bawah dan bertanggungjawab

langsung kepada Presiden serta mempunyai tugas :

1. Memimpin BPS sesuai dengan tugas dan fungsi BPS serta membina

aparatur BPS agar berdaya guna dan berhasilguna.

2. Menentukan kebijakan teknis pelaksanaan di bidang statistik yang

secara fungsional menjadi tanggung jawabnya sesuai dengan peraturan

perundang-undangan yang berlaku serta kebijakan umum yang telah

ditetapkan oleh Pemerintah.

3. Membina dan melaksanakan koordinasi dengan departemen dan instansi

lainnya dalam mengembangkan berbagai jenis statistik yang diperlukan,

serta melaksanakan kerjasama di bidang statistik dengan

lembaga/organisasi lain baik di dalam maupun di luar negeri.

Wakil Kepala BPS berada di bawah dan bertanggung jawab langsung kepada

Kepala BPS serta mempunyai tugas :

1. Membantu Kepala BPS dalam membina dan mengembangkan

2. Membantu Kepala BPS dalam mengkoordinasikan tugas-tugas Deputi,

Pusat Pendidikan dan Pelatihan Statistik dan Perwakilan BPS di daerah.

3. Mewakili Kepala BPS dalam hal Kepala BPS berhalangan.

Deputi Administrasi mempunyai tugas menyelenggarakan pembinaan

pengelolaan keuangan, kepegawaian dan organisasi, perlengkapan dan perbekalan,

pengendalian, serta memberikan pelayanan administrasi di lingkungan BPS.

Deputi Perencanaan dan Analisis Statistik adalah unsur pelaksana sebagian

tugas dan fungsi BPS yang mempunyai tugas menyelenggarakan pembinaan kegiatan

perencanaan program dan metodologi statistik, system informasi statistik, pengolahan

hasil sensus, survey dan data sekunder serta analisis dan pengembangan statistik.

Deputi Statistik Produksi dan Kependudukan adalah unsur pelaksana sebagian

tugas dan fungsi BPS yang mempunyai tugas menyelenggarakan pembinaan kegiatan

statistik pertanian, industri, konstruksi, pertambangan dan energi, kesejahteraan rakyat,

serta statistik demografi dan ketenagakerjaan.

Deputi Statistik Produksi dan Neraca Nasional adalah unsur pelaksana sebagian

tugas dan fungsi BPS yang mempunyai tugas menyelenggarakan pembinaan kegiatan

3.3 Visi dan Misi

Adapun visi Badan Pusat Statistik adalah menjadi sumber informasi statistik sebagai

tulang punggung informasi pembangunan nasional dan regional, didukung sumber

daya manusia yang berkualitas, ilmu pengetahuan dan teknologi informasi yang

muktahir.

Sedangkan misi Badan Pusat Statistik adalah untuk menjungjung pembangunan

nasional BPS mengembangkan misi mengarahkan pembangunan statistik pada

penyediaan data statistik yang handal dan bermutu, efektif dan efisien, peningkatan

kesadaran masyarakat akan arti dan kegunaan statistik dan pengembangan ilmu

statistik.

3.4 Struktur Organisasi Badan Pusat Statistik

Struktur organisasi BPS dipimpin oleh seorang kepala dibantu oleh bagian tata usaha.

Tata usaha terdiri dari :

1. Sub bagian urusan dalam

2. Sub bagian perlengkapan dan perbekalan

3. Sub bagian keuangan

1. Menyusun program kerja tahunan bagian

2. Mengatur dan melaksanakan perhimpunan dan penyusunan program kerja

tahunan, baik rutin maupun proyek kantor BPS Provinsi dan menyimpannya ke

BPS.

3. Mengatur dan melaksanakan urusan dalam yang meliputi surat-menyurat,

pengadaan dan percetakan arsip, rumah tangga, pemeliharaan gedung,

keamanan dan ketertiban lingkungan, serta perjalanan dinas dalam dan luar

negeri.

4. Mengatur dan melaksanakan urusan perlengkapan dan perbekalan yang

meliputi penyusunan rencana kebutuhan, penyaluran dan pengemasan,

penyimpanan pergudangan, inventaris, penghapusan, serta pemeliharaan

peralatan dan perlengkapan.

5. Mengatur dan melaksanakan urusan keuangan yang meliputi tata usaha

keuangan, perbendaharaan, verifikasi dan pembukuan.

Organisasi BPS berdasarkan KepPres RI Nomor 6 tahun 1992 terdiri atas :

1. Kepala

2. Wakil Kepala

3. Deputi Administrasi

4. Deputi Perencanaan dan Analisis Statistik

5. Deputi Statistik Produksi dan Kependudukan

6. Deputi Statistik Produksi dan Neraca Nasional

8. Perwakilan BPS di Daerah

9. Unit Pelaksanaan Teknis

Deputi Perencanaan dan Analisis Statistik (PAS) mengkoordinasi 3 biro yakni:

1. Biro Perencanaan dan Pengendalian

2. Biro Pengolahan dan Penyajian

3. Biro Analisa dan Pengembangan

1. Biro Statistik dan Industri

2. Biro Statistik Distribusi

3. Biro Statistik Sosial dan Kependudukan

BAB 4

PENGOLAHAN DATA

4.1 Pengumpulan Data

Pengambilan data dilakukan di Kantor Badan Pusat Statistik Sumatera Utara, data

yang diambil adalah data jumlah konsumsi kalori di Sumatera Utara pada tahun 2002 -

2012.

4.2 Menentukan Persamaan Regresi

Tabel 4.2.1

Dari data jumlah konsumsi kalori di atas, dapat digambarkan grafik sebagai

berikut :

Gambar 4.1

Diagram Batang Konsumsi Kalori di Propinsi Sumatera Utara tahun 2002 – 2012

Untuk memperkirakan atau pun meramalkan jumlah konsumsi kalori pada

tahun-tahun yang akan datang, maka terlebih dahulu menempatkan data hasil riset

dalam suatu gambar bidang datar dan kemudian menarik suatu garis yang mengikuti

titik-titik tersebut. Titik-titik tersebut seperti terlihat pada gambar dibawah ini :

Gambar 4.2

Diagram Plot Konsumsi Kalori di Propinsi Sumatera Utara tahun 2002 – 201

Dan untuk dapat menentukan persamaan penduga maka perlu dicari a dan b

Dari tabel di atas diperoleh nilai-nilai sebagai berikut :

∑Y = 22.030,32 ∑X = 55

∑XY = 109.096,29 ∑ X2= 385

∑ Y2 = 44.158.139,41

a = 2002,8 – (-9,6)(5)

a = 2002,8 + (48)

a = 2050,8

Dari hasil perhitungan di atas maka diperoleh persamaan regresi linier sederhana uamh akan digunakan untuk peramalan jumlah konsumsi kalori di provinsi Sumatera Utara, yaitu :

= a + bX

= 2050,8 – 9,6X Dengan :

X adalah skala waktu yang tahun dasarnya (X = 0) pada tahun 2002,

Y adalah ramalan jumlah konsumsi kalori di propinsi Sumatera Utara.

Dengan menggunakan persamaan regresi di atas maka dapat disusun ramalan

jumlah konsumsi kalori untuk tahun 2013, 2014, 2015, 2016, 2017. Besarnya ramalan

Tabel 4.2.3

Hasil Peramalan Jumlah Konsumsi Kalori di Propinsi Sumatera Utara untuk Tahun 2013 – 2017

Periode (tahun) Konsumsi Kalori (kkal)

2013 1935,6

Didalam sigificant test akan dilakukan dua pengujian, yaitu :

4.3.1 Uji F (F-Test)

Tabel 4.3.1

Perhitungan Standard Error of Estimasi dari Data Jumlah Konsumsi Kalori di Propinsi Sumatera Utara 2002 – 2012

Dari tabel diatas diperoleh :

Pada Uji F ini, kita akan menggunakan nilai koefisien penentu. Besarnya nilai Fratio diperoleh sebagai berikut :

F=

F =

F

=

F = 3,423386538

F = 3,4

Dengan tingkat keyakinan (confidence level) sebesar 95% atau tingkat signifikansi (significant level) sebesar 5%, maka dari tabel distribusi F diperoleh nilai

Ftabel yang diperoleh dengan nilai Fratio yang telah dihitung seluruhnya, maka diperoleh :

Fratio = 3,4 < Ftabel = 5,21

Hal ini menunjukkan bahwa koefisien regresi dalam persamaan regresi sederhana (simple regression) untuk peramalan jumlah konsumsi kalori masih belum signifikan antara variabel X terhadap variabel Y. Sehingga dapat dikatakan bahwa persamaan tersebut belum dapat diterima untuk digunakan sebagai peramalan jumlah konsumsi kalori di provinsi Sumatera Utara.

4.3.2 Uji T ( T-test)

Dari persamaan regresi telah diperoleh = 2050,8 – 9,6X sehingga dapat dicari, yaitu :

Dengan

Dari tabel 4.3.1 dapat dicari Sesebagai berikut :

Se

=

Se

=

Se

=

54,417628

Se= 54,42

Sehingga,

Sa

=

Sa

=

Sa

=

Sa = 16,40824737

Sa

=

16,41

Dan diperoleh,

ttest a

=

ttest a

=

ttest a

=

124,9726

ttest a

=

124,97

Untuk ttest b =

Dimana,

=

=

=

=

=

= 5,19

Maka ttest b diperoleh :

ttest b =

ttest b=

ttest b = -3,41637

ttest b = -3,42

Dengan tingkat keyakinan sebesar 95%, maka pada derajat kebebasan sebesar n – 2 yaitu 9 diperoleh nilai t tabel atau t distribusi sebesar :

t0,95;n-2= t0,95;9= 1,83

Oleh karena itu :

Maka dengan demikian dapat disimpulkan bahwa koefisien regresi a, secara statistik telah signifikan pada thitung (ttest a) lebih besar daripada ttabel yaitu dengan

keputusannya adalah menolak daerah penerimaan hipotesis nol (Ho), dimana koefisien

regresi a tidak sama dengan 0 (nol). Sedangkan koefisien regresi b secara statistik belum signifikan dimana nilai thitung (ttest b) lebih kecil daripada ttabel dengan keputusan

menerima daerah penerimaan hipotesis nol (Ho), yang artinya koefisien tersebut sama

dengan 0 (nol). Dengan demikian dilihat dari pengujian ttest a dapatlah dikatakan bahwa

BAB 5

IMPLEMENTASI SISTEM

5.1 Pengertian Implementasi Sistem

Implementasi sistem adalah langkah-langkah atau prosedur yang dilakukan dalam

menyelesaikan desain sistem yang telah disetujui, untuk menginstal, menguji dan

memulai sistem baru atau sistem yang diperbaiki.

5.2 Tujuan Implementasi Sistem

Adapun tujuan dari implementasi sistem ini adalah sebagai berikut:

1. Menyelesaikan desain sistem yang telah disetujui sebelumnya.

2. Memastikan bahwa pemakai (user) dapat mengoperasikan sistem baru 3. Menguji apakah sistem baru tersebut sesuai dengan pemakai.

4. Memastikan bahwa konversi ke sistem baru berjalan yaitu dengan membuat rencana,

mengontrol dan melakukan instalasi baru secara benar.

Tahapan implementasi sistem merupakan tahapan penerapan hasil desain yang tertulis

ke dalam programming (coding). Pada tahapan inilah seluruh hasil desain dituangkan ke dalam bahasa pemrograman tertentu untuk menghasilkan sebuah sistem informasi

yang sesuai dengan hasil desain tertentu.

Tahapan implementasi harus dapat menentukan basis yang akan diterapkan

dalam menuangkan hasil desain tertulis sehingga sistem yang dibentuk memiliki

kelebihan tersendiri. Implementasinya yang sudah selesai harus diuji coba

kehandalannya sehingga dapat diketahui kehandalah atau pun kelebihan dari sistem

yang ada yang telah sesuai dengan apa yang diinginkan. Dalam pengolahan data

jumlah konsumsi kalori, implementasi yang digunakan penulis adalah dengan

menggunakan software excel dan SPSS (Statistical Product and Service Solution)

Selain berfungsi sebagai pengolahan angka atau memanipulasi angka. Excel

juga dapat digunakan untuk memanipulasi teks komputer dan untuk dapat

mendayagunakan excel dengan maksimal harus juga menguasai sistem operasi

microsoft windows.

5.4 Pengertian Microsoft Excel

Microsoft excel adalah gernerasi porpose electronic spreadsheet yang dapat digunakan

mempresentasikan ke dalam grafik atau diagram. Ms. Excel dapat membantu

penyelesaian tugas- tugas mulai dari penyiapan invoice sederhana atau budget,

pembuatan grafik 3-dimensi sampai me-manage buku besar akuntansi untuk sebuah perusahaan tingkat menengah.

5.5 Struktur Microsoft Excel

Tampilan microsoft excel berupa bentuk standard dari menu bar, toolbars, formula bar,

dan sebuah buku kerja (workbook) baru. Workbook memuat minimum (1) atau maksimum (225) worksheet (kertas kerja) jumlah worksheet dalam keadaan default ada tiga (3) dan worksheet yang aktif bernama “sheet 1” pada alamat sel kiri atas dan

alamat sel kanan bawah. Sedangkan “pointer” adalah penunjuk sel yang aktif.

5.6 Pengoperasian Microsoft Excel

Cara mengaktifkan Ms. Excel sama dengan pengaktifan program-program aplikasi

lainnya yang ada dalam Ms. Office yaitu :

1. Klik tombol “start” yang ada pada taskbar

2. Bawa pointer mouse ke program folder

5.7 Pengisian Data

Ada 2 alternatif pengisian data, yakni melalui pengetikan secara langsung dengan

menggunakan keyboard atau melalui pengambilan data yang telah tersimpan

sebelumnya dan ingin diolah kembali.

5.8 Pembuatan Grafik

Grafik pada excel dapat dibuat meskipun dari data terpisah sebelumnya yang ada pada

lembar grafik yang tersendiri dan masih berada di file yang sama.Untuk membuat

grafik pada Ms. Excel bisa dilihat dari insert dan kemudian akan muncul beberapa

jenis chart yang terdapat pada toolbar. Adapun langkah-langkah yang diperlukan

adalah :

1. Soroti sel atau range sel yang ingin dibuat grafik

2. Pilih Insert dan akan muncul Chart type

3. Pilih type grafik yang anda inginkan dan klik pada type yang ada inginkan itu.

5.9 Pengaktifan SPSS 5.9.1 Pengertian SPSS

SPSS (Statistical Product and Service Solution) merupakan suatu program aplikasi yang memiliki kemampuan analisis statistik cukup tinggi serta sistem manajemen data

dan lingkungan grafis dengan menggunakan menu-menu deskriptif dan kotak-kotak

dialog yang sederhana sehingga mudah untuk dipahami cara pengoperasiannya. SPSS

juga merupakan suatu software statistik yang ditujukan untuk analisis data dan ilmu

sosial. SPSS pertama kali dibuat pada tahun 1968 oleh tiga mahasiswa Stanford

University dengan versi PC (bisa dipakai untuk komputer desktop) dengan nama

SPSS/PC (versi DOS). Pada awalnya SPSS dibuat untuk keperluan pengolahan data

statistik untuk ilmu-ilmu sosial, sehingga kepanjangan SPSS pada saat itu adalah

Statistical Package for the Social Science. Dan sesuai dengan era globalisasi kemampuan SPSS diperluas untuk melayani berbagai jenis pengguna (user) seperti banyak digunakan dalam berbagai riset pemasaran, pengendalian, dan perbaikan mutu

(quality improvement), serta riset-riset sains. Dan sejak itu jugalah SPSS diganti menjadi Statistical Product and Service Solution.

Dan dalam pengolahan data penulis menggunakan SPSS versi 17.00 for windows.

SPSS versi 17.00 for windows menggunakan dua buah type windows, yaitu SPSS data

editor dan output viewer. Data editor merupakan jendela untuk pengolahan data. Data

mendefenisikan, memasukkan, mengedit, dan menampilkan data. Sementara viewer

akan mempermudah pemakai melihat hasil pemrosesan, menunjukkan atau

menghilangkan bagian-bagian tertentu dari output. Pada SPSS versi 17.00 for windows

menu utama yang tersedia pada jendela data editor adalah File, Edit, View, Data,

Transform, Analyze, Graphs, Utilities, Add-ons, Windows, dan Help.

5.9.2 Memulai SPSS

Untuk mengaktifkan SPSS 17.0 for windows dengan menggunakan start kemudian

menu program, maka dapat dilakukan beberapa langkah berikut ini :

1. Klik menu Start, pilih All Programs

2. Pilih item SPSS versi 17.00 for windows, maka akan muncul gambar seperti

dibawah ini :

5.9.3 Pemasukan Data

Data yang akan dianalisi harus terlebih dahulu ditampilkan jendela data editor. Dan

jika data telah tersimpan dalam suatu file yang mempunyai format aplikasi, dapat

dibuka dalam software SPSS. Pemasukan data (entry data) dalam penulisan tugas akhir ini akan dilakukan secara langsung, namun terlebih dahulu mendefenisikan

variabel kemudian memasukkan data dengan beberapa langkah sebagai berikut :

1. Aktifkan Variabel View, kemudian isikan nama variabel pada kolom Name, seperti pada tampilan gambar di bawah ini :

Gambar 5.2 Pendefenisian Data

2. Setelah melakukan pendefenisian data maka pengisian data dilakukan dengan

yang terlibat dalam pembentukan model regresi linier sederhana dengan

memisalkan X variabel bebas yang menyatakan waktu dan Y variabel terikat

yang menyatakan jumlah konsumsi kalori, seperti terlihat pada gambar di

bawah ini :

Gambar 5.3 Tampilan Data View

Gambar 5.4

Kotak Dialog Analisis Regresi

4. Pada kotak dialog analisis regresi yang sudah muncul masukkan variabel bebas

(dalam hal ini X, Tahun) ke dalam kolom Independent(s) dan variabel terikat (dalam hal ini Y, jumlah konsumsi kalori) ke dalam kolom Dependent.

Gambar 5.5 Tampilan Kotak Statistics

BAB 6

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Dari hasil penelitian dan penganalisaan data-data yang dilakukan sebelumnya di atas,

maka dapat diperoleh kesimpulan sebagai berikut :

1. Bentuk persamaan jumlah konsumsi kalori di propinsi Sumatera Utara

berdasarkan tahun 2002 – 2012 adalah = 2050,8 – 9,6X dimana X adalah periode 12, 13, 14, 15, 16, dan 17. Dari persamaan tersebut diperoleh

peramalan untuk periode 2013 – 2017 yaitu :

Tabel 6.1

Hasil peramalan jumlah konsumsi kalori di propinsi Sumatera Utara tahun 2013 – 2017

2. Dengan menggunakan uji F dengan tingkat keyakinan (confidence level) 95% menunjukkan bahwa koefisien regresi dalam persamaan regresi sederhana

untuk ramalan jumlah konsumsi kalori yaitu masih belum signifikan antara

jumlah kalori yang dikonsumsi oleh penduduk di Sumatera Utara, sedangkan

dengan menggunakan uji t dengan tingkat keyakinan (confidence level) 95% menunjukkan bahwa koefisien regresi a telah signifikan, sedangkan untuk koefisien regresi b yaitu masih masih belum signifikan.

6.2 Saran

Berdasarkan uraian dan kesimpulanyang telah disebutkan, maka penulis

memberikan saran yang diharapkan dapat bermanfaat bagi pihak yang terkait, sebagai

berikut :

1. Adapun peramalan jumlah konsumsi kalori yang diperoleh, diharapkan dapat

menjadi suatu bahan masukan atau pertimbangan bagi pihak instansi yang

bersangkutan untuk melakukan pembenahan atas belum stabilnya konsumsi

kalori sesuai dengan yang telah ditetapkan yaitu rata-rata 2000 kkal/hari.

2. Dengan adanya angka peramalan pada metode yang telah digunakan oleh

penulis, diharapkan kiranya dapat memberikan gambaran dalam pengambilan

keputusan untuk meningkatkan atau pun menstabilkan tingkat kalori yang

harus dikonsumsi oleh masyarakat.

3. Melihat jumlah konsumsi kalori yang belum optimal sesuai tingkat

kecukupan yang telah ditetapkan, maka diharapkan kepada pihak instansi

harus lebih berperan aktif dalam penyuluhan-penyuluhan terhadap

masyarakat tentang pentingnya mengetahui kadar setiap makanan yang harus

kita konsumsi, manfaatnya untuk sekarang atau pun untuk masa yang akan

DAFTAR PUSTAKA

Algifari. 1996, 2000. “Analisis Regresi Teori, Kasus, dan Solusi.” Edisi Pertama &

Kedua. Yogyakarta: BPFE.

Assauri, Sofjan. 1984. Teknik & Metode Peramalan. Edisi Satu. Jakarta : Fakultas Ekonomi Universitas Indonesia.

http://ahmad-ardani.blogspot.com/2012/10/defenisi-spss-dan-manfaatnya.html?m=l.

http://www.bps.go.id/tab_sub/view.php?tabel=1&daftar=1&id_subyek=05&notab=5

Makridakis, Spyros. 1993. Metode dan Aplikasi Peramalan. Jakarta : Erlangga. Sudjana. 1992. Metode Statistika. Bandung : Tarsito.

Sugiyono, Eri Wibowo,S.Pd. 2001. Statistika Penelitian. Bandung : Alfabeta. Sembiring, R.K, 1995. Analisis Regresi. ITB Bandung.

Supangat, Andi. 2007. Statistika dalam Kajian Deskriptif, Inferensi, dan Nonparametrik. Jakarta : Kencana.

Regression

Descriptive Statistics

Mean Std. Deviation N

Konsumsi_kalori 2002.7564 60.64308 11

Tahun 5.00 3.317 11

Correlations

Konsumsi_kalori Tahun

Pearson Correlation Konsumsi_kalori 1.000 -.525

Tahun -.525 1.000

Sig. (1-tailed) Konsumsi_kalori . .049

a. Predictors: (Constant), Tahun

b. Dependent Variable: Konsumsi_kalori

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 10124.356 1 10124.356 3.419 .098a

Residual 26651.479 9 2961.275

Total 36775.835 10

Predicted Value 1954.7877 2050.7251 2002.7564 31.81879 11

Residual -62.42773 81.59737 .00000 51.62507 11

Std. Predicted Value -1.508 1.508 .000 1.000 11

Std. Residual -1.147 1.499 .000 .949 11

Graph