TUGAS AKHIR CELI AMELIA SIREGAR

(1)

TINGKAT INFLASI KOTA MEDAN TAHUN 2020 BERDASARKAN DATA TAHUN 2010-2019

TUGAS AKHIR

CELI AMELIA SIREGAR 172407041

PROGRAM STUDI D3 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2020

(2)

PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING PADA PERAMALAN

TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh gelar Ahli Madya

CELI AMELIA SIREGAR 172407041

PROGRAM STUDI D3 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2020

(3)

PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING PADA PERAMALAN

TUGAS AKHIR

Saya menyatakan bahwa laporan tugas akhir ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, tanggal bulan tahun

Celi Amelia Siregar 172407041

(4)

(5)

BERDASARKAN DATA TAHUN 2010-2019

ABSTRAK

Perekonomian negara merupakan salah satu faktor penting untuk mencapai kesejahteraan masyarakat. Salah satu yang menjadi perhatian pemerintah terhadap perekonomian di suatu wilayah maupun negara adalah masalah pergerakan inflasi.

Inflasi merupakan peristiwa ekonomi secara makro yang dapat menggambarkan aktivitas dan keberhasilan yang dicapai oleh kegiatan ekonomi. Dari 33 Kota dan Kabupaten di Sumatera Utara, maka roda penggerak ekonomi di luar sektor primer adalah perekonomian Kota Medan sehingga kota ini sering menyumbangkan inflasi yang cukup tinggi untuk Sumatera Utara. Penelitian ini bertujuan untuk mengetahui tingkat inflasi Kota Medan tahun 2020 dan mengetahui metode yang paling efektif digunakan pada penelitian selanjutnya. Data yang digunakan penulis adalah data sekunder yang diperoleh dari Badan Pusat Statistik Provinsi Sumatera Utara. Metode yang akan digunakan pada penelitian ini adalah metode single moving average dan single exponential smoothing. Berdasarkan penelitian yang dilakukan, diperoleh kesimpulan bahwa metode yang paling efektif digunakan adalah metode single moving average 4 tahunan dengan tingkat kesalahan (MSE) terkecil sebesar 8,10 dan hasil perkiraan inflasi yang didapat adalah 3,30.

Kata kunci : inflasi, peramalan, perekonomian, single exponential smoothing, single moving average

(6)

COMPARISON OF SINGLE MOVING AVERAGE AND SINGLE EXPONENTIAL SMOOTHING METHODS IN FORECASTING

INFLATION LEVELS IN MEDAN CITY IN 2020 BASED ON DATA 2010-2019

ABSTRACT

The country's economy is one of the important factors in achieving people's welfare.

One of the concerns of the government on the economy in a region or country is the problem of inflation movement. Inflation is a macro economic event that can describe the activities and successes achieved by economic activities. Of the 33 cities and regencies in North Sumatra, the economic cog outside the primary sector is the economy of Medan City so that this city often contributes high inflation to North Sumatra. This study aims to determine the level of inflation in Medan in 2020 and find out the most effective method used in future studies. The data used by the author are secondary data obtained from the Central Statistics Agency of North Sumatra Province. The method that will be used in this research is the single moving average and single exponential smoothing methods. Based on the research conducted, it was concluded that the most effective method used was the 4-year single moving average method with the lowest error rate (MSE) of 8.10 and the estimated inflation results obtained were 3.30.

Keywords : economy, forecasting, inflation, single moving average, single exponential smoothing

(7)

Puji dan syukur penulis ucapkan kepada Tuhan Yang Maha Esa atas rahmat dan karunia-Nya penulis dapat menyelesaikan penyusunan laporan tugas akhir ini dengan judul “PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING PADA PERAMALAN TINGKAT INFLASI KOTA MEDAN TAHUN 2020 BERDASARKAN DATA TAHUN 2010-2019” sebagai salah satu syarat memperoleh gelar Ahli Madya Statistika di Fakultas Matematika Ilmu Pengetahuan Alam Universitas Sumatera Utara.

Penulis menyadari tugas akhir ini tidak dapat selesai dengan tepat waktu tanpa adanya dukungan dan bantuan dari berbagai pihak. Penulis sangat bersyukur atas pihak yang selalu setia mendukung. Oleh karena itu, pada kesempatan ini penulis mengucapkan terima kasih atas bimbingan, serta motivasinya kepada :

1. Tuhan Yang Maha Esa yang telah memberikan segalanya kepada penulis termasuk kesempatan dan kemampuan dalam menyelesaikan tugas akhir ini.

2. Bapak Rapma Siregar yang sekarang sudah di surga dan Mama Surtana Sihombing yang sangat luar biasa mendukung apapun keputusan penulis dan selalu siap siaga terhadap apa yang penulis butuhkan dalam proses penyelesaian tugas akhir ini.

3. Adik penulis (Fiona Adela Siregar dan Juan Wistara Rogate Siregar) yang selalu memberikan dukungan doa kepada penulis sampai saat ini.

4. Ibu Dr. Dra. Rahmawati Pane, M.Si selaku dosen pembimbing yang telah memberikan waktu untuk membimbing serta memberikan ide, masukan, maupun kritik kepada penulis dalam menyelesaikan tugas akhir ini.

5. Ibu Dr. Elly Rosmaini, M.Si selaku Ketua Program Studi D3 Statistika dan Bapak Dr. Drs. Open Darnius, M.Sc selaku Sekretaris Program Studi D3 Statistika Departemen Matematika FMIPA USU yang telah membantu penulis dalam penyusunan tugas akhir ini.

6. Teman-teman Paduan Suara Rena Weyk 1 yang tidak lupa memberikan dukungan dan mengingatkan penulis agar cepat menyelesaikan tugas akhir ini.

7. Kakak PKK di UKM KMK USU yaitu Kak Tamelia Tarigan serta sahabat-sahabat penulis yaitu Abigail Eleanor (Nita, Desi, Fransiska, Fourta, Ony, Tety, Gres, Jemina, Rauli, Ariska, dan Elisabet) yang selalu memberikan semangat dan berjuang bersama-sama dalam menyelesaikan tugas akhir ini.

8. Yang terakhir, terimakasih kepada diri penulis sendiri yang sudah mau berjuang dan memberikan waktu serta tenaga dalam penyelesaian tugas akhir sampai saat ini. Untuk kedepannya harus terus berjuang, bahagia selalu, serta tetap menjadi garam dan terang bagi sekitar.

(8)

Penulis menyadari bahwa dalam penelitian tugas akhir ini masih banyak kekurangan dan jauh dari kata sempurna. Oleh sebab itu, penulis meminta maaf apabila ada kesalahan dalam penulisan. Akhir kata, penulis berharap tugas akhir ini dapat bermanfaat bagi semua pihak yang membutuhkan.

Medan, Juli 2020 Penulis,

Celi Amelia Siregar 172407041

(9)

Halaman

PENGESAHAN LAPORAN TUGAS AKHIR i

ABSTRAK ii

ABSTRACT iii

PENGHARGAAN iv

DAFTAR ISI vi

DAFTAR TABEL viii

DAFTAR GAMBAR ix

DAFTAR LAMPIRAN x

BAB 1 PENDAHULUAN 1.1 Latar Belakang 1

1.2 Perumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 4

1.5 Manfaat Penelitian 4

BAB 2 TINJAUAN PUSTAKA 2.1 Pengertian Peramalan 5

2.2 Tujuan Peramalan 5

2.3 Keterbatasan Peramalan 5

2.4 Jenis-Jenis Peramalan 6

2.5 Tahapan Peramalan 8

2.6 Metode Peramalan 9

2.7 Ukuran Akurasi Peramalan 11

2.8 Kegunaan Peramalan 12

BAB 3 METODE PENELITIAN 3.1 Sumber Data 13

3.2 Lokasi Penelitian 13

3.3 Ruang Lingkup 13

3.4 Visi, Misi, dan Nilai Inti BPS 14

3.4.1 Visi 14

3.4.2 Misi 14

3.5 Langkah-Langkah dalam Metode Penelitian 15

(10)

BAB 4 HASIL DAN PEMBAHASAN

4.1 Penyajian Data 17

4.2 Implementasi Sistem 18

4.2.1 Pengertian Implementasi Sistem 18

4.2.2 Microsoft Excel 18

4.2.3 Pengaktifan Microsoft Excel 2010 19 4.2.4 Langkah-Langkah Pengolahan Data dengan Excel 20 4.3 Metode Single Moving Average 3 Tahunan dan 4 Tahunan 30

4.3.1 Menentukan Hasil Peramalan 30

4.3.2 Menentukan Nilai Kesalahan 33 4.3.3 Menentukan Nilai Kesalahan Absolut 35 4.3.4 Menentukan Nilai Kesalahan Kuadrat 37 4.3.5 Menentukan Nilai Tengah Kesalahan 39 4.3.6 Menentukan Nilai Tengah Kesalahan Absolut 39 4.3.7 Menentukan Nilai Tengah Kesalahan Kuadrat 40

4.3.8 Menentukan Nilai MAPE 40

4.4 Metode Single Exponential Smoothing Alpha 0.3;0.4;0.5 42

4.4.1 Menentukan Hasil Peramalan 42

4.4.2 Menentukan Nilai Kesalahan 46 4.4.3 Menentukan Nilai Kesalahan Absolut 49 4.4.4 Menentukan Nilai Kesalahan Kuadrat 53 4.4.5 Menentukan Nilai Tengah Kesalahan 57 4.4.6 Menentukan Nilai Tengah Kesalahan Absolut 58 4.4.7 Menentukan Nilai Tengah Kesalahan Kuadrat 59

4.4.8 Menentukan Nilai MAPE 59

4.5 Membuat Tabel Perbandingan Nilai Kesalahan 64 4.6 Membuat Tabel Perbandingan Hasil Peramalan 64 BAB 5 KESIMPULAN DAN SARAN

5.1 Kesimpulan 65

5.2 Saran 66

DAFTAR PUSTAKA

LAMPIRAN

(11)

Nomor Judul Halaman Tabel

4.1 Data Tingkat Inflasi Kota Medan Tahun 2010-2019 17 4.2 Peramalan Single Moving Average 3 Tahunan dan 4 Tahunan 33 4.3 Peramalan Single Exponential Smoothing α = 0.3; 0.4; 0.5 46

4.4 Perbandingan Nilai Kesalahan 64

4.5 Perbandingan Hasil Peramalan 64

(12)

DAFTAR GAMBAR

Nomor Judul Halaman

Gambar

4.1 Plot Data Tingkat Inflasi Kota Medan Tahun 2010-2019 17

4.2 Cara Mengaktifkan Microsoft Excel 19

4.3 Lembar Kerja Microsoft Excel 20

4.4 Tampilan Data Tingkat Inflasi Kota Medan 20

4.5 Hasil Perhitungan Metode Single Moving Average 3 Tahunan 22

4.6 Hasil Perhitungan Metode Single Moving Average 4 Tahunan 24

4.7 Hasil Perhitungan Metode Single Exponential Smoothing α = 0.3 26

(13)

Nomor Judul Gambar

1. Permohonan Surat Pengantar Riset Pengumpulan Data 2. Surat Ijin Pengambilan Data

3. Ijin Pengambilan Data dari BPS 4. Formulir Kontrol Bimbingan

5. Surat Keputusan Dekan

6. Hasil Uji Implementasi

(14)

BAB 1 PENDAHULUAN

1.1 LATAR BELAKANG

Perekonomian negara merupakan salah satu faktor penting untuk mencapai kesejahteraan masyarakatnya. Negara berkembang seperti Indonesia memiliki struktur perekonomian yang masih bercorak agraris yang cenderung masih sangat rentan dengan adanya goncangan terhadap kestabilan perekonomian. Salah satu yang menjadi perhatian pemerintah terhadap perekonomian di suatu wilayah maupun negara adalah masalah pergerakan inflasi. Pergerakan inflasi merupakan salah satu peristiwa yang diperhatikan oleh pemerintah karena terjadi di semua negara serta dampaknya yang luas dapat berakibat pada makroekonomi suatu negara.

Menurut ilmu ekonomi, inflasi merupakan peristiwa ekonomi secara makro yang dapat menggambarkan aktivitas dan pencapaian yang dicapai oleh kegiatan ekonomi, baik di suatu wilayah ataupun di suatu negara. Peristiwa ekonomi seperti inflasi tidak mungkin dihindari, melainkan harus mengetahui bagaimana cara pemerintah mampu mengendalikan gejolak inflasi yang tinggi dan tidak stabil agar menjadi relatif rendah dan tetap stabil. Naiknya harga barang dan jasa dalam perekonomian dapat menyebabkan turunnya nilai uang. Dengan demikian, inflasi dapat diartikan juga sebagai penurunan nilai uang terhadap nilai barang dan jasa secara umum. Namun, ada juga barang dan jasa yang harganya memiliki nilai tetap (Ensiklopedia Indikator Sosial Ekonomi Edisi 1 2001).

Indonesia menganut sistem ekonomi terbuka yang dapat mempengaruhi guncangan inflasi sendiri, sehingga banyak faktor yang mempengaruhi terjadinya inflasi di Indonesia. Penyebab dari naiknya harga barang dan jasa adalah permintaan masyarakat terhadap suatu barang tidak sesuai dengan jumlah barang yang ada sehingga nilai atau harga suatu barang meningkat. Inflasi tidak selalu berdampak buruk bagi perekonomian. Jika inflasi dapat dikendalikan, justru akan dapat mengendalikan

(15)

kegiatan dalam perekonomian. Indonesia dari awal berdiri sampai sekarang selalu menghadapi permasalahan mengenai inflasi.

Provinsi Sumatera Utara merupakan provinsi yang aktivitas ekonominya paling besar di Pulau Sumatera atau di luar Pulau Jawa. Hal ini dapat dilihat dari nilai Produk Domestik Bruto (PDB) yang dihasilkan masuk 6 besar nasional setelah DKI Jakarta, Jawa Timur, Jawa Barat, dan Jawa Tengah, maka Provinsi Sumatera Utara berada di urutan ke 6 setelah provinsi Riau. Nilai ekonomi Riau jika dilihat dari PDRB nya lebih besar dibanding dengan Sumatera Utara. Hal ini disebabkan oleh total produksi dari migas yang masih cukup besar dihasilkan oleh provinsi tersebut. Dari 33 Kota dan Kabupaten di Sumatera Utara, maka roda penggerak ekonomi di luar sektor primer adalah perekonomian Kota Medan, sehingga kota ini sering menyumbangkan inflasi yang cukup tinggi untuk Sumatera Utara.

Aktivitas ekonomi akan selalu diamati dan kemudian harus dapat dikendalikan, sehingga tingkat inflasi yang terjadi dalam proses aktivitas tersebut tidak menjadi tinggi dan sangat fluktuatif. Kondisi ini dapat merugikan semua orang, karena inflasi yang tinggi justru akan membuat pendapatan riil dari masyarakat menurun, keuangan riil dari perusahaan juga dapat menurun dan pada akhirnya tingkat kesejahteraan masyarakat dan pengusaha mengalami penurunan juga.

Indeks Harga Konsumen (IHK) merupakan indeks yang menghitung rata-rata barang dan jasa yang telah dikonsumsi oleh konsumen. Indeks Harga Konsumen (IHK) dapat digunakan untuk mengukur biaya hidup rumah tangga di Indonesia terutama di Kota Medan. Dari IHK tersebut, kita bisa menghitung tingkat inflasi dalam perekonomian. Perubahan IHK dari waktu ke waktu menggambarkan tingkat kenaikan (inflasi) atau tingkat penurunan (deflasi) dari barang dan jasa. IHK ini dipublikasikan setiap bulan oleh Badan Pusat Statistik (BPS) dan dari inflasi bulanan kita dapat mengetahui tingkat inflasi tahunan.

Peramalan digunakan untuk memperkirakan prospek ekonomi dan aktivitas usaha serta pengaruh lingkungan kepada prospek tersebut. Moving average dan exponential smoothing merupakan metode peramalan runtun waktu atau deret berkala (time series) yang dimana data pengamatan dalam sebuah data runtun waktu

(16)

3

diasumsikan berhubungan satu sama lain secara statistik. Dalam melakukan peramalan, semakin banyak data yang digunakan untuk peramalan, maka semakin akurat pula hasil dari peramalan yang dilakukan.

Dilihat dari penjelasan latar belakang di atas, penulis merasa tertarik untuk melakukan riset atau pengambilan data mengenai tingkat inflasi Kota Medan dengan melakukan perbandingan dari dua metode peramalan. Adapun judul tersebut adalah :

“Perbandingan Metode Single Moving Average dan Single Exponential Smoothing Pada Peramalan Tingkat Inflasi Kota Medan Tahun 2020 Berdasarkan Data Tahun 2010- 2019”.

1.2 Perumusan Masalah

Dari uraian di atas, maka dapat di rumuskan suatu permasalahan yang timbul pada inflasi Kota Medan yaitu : Berapakah hasil perkiraan tingkat inflasi Kota Medan untuk tahun 2020 dengan menggunakan metode Single Moving Average dan metode Single Exponential Smoothing serta metode apa yang paling efektif digunakan dalam memperkirakan tingkat inflasi selanjutnya.

1.3 Batasan Masalah

Agar penelitian ini lebih terarah, terfokus, dan menghindari pembahasan menjadi terlalu luas, maka penulis perlu membatasinya. Berdasarkan perumusan masalah di atas, yang menjadi batasan masalah dalam penelitian ini adalah sebagai berikut :

1. Penelitian ini menggunakan metode Single Moving Average dan Single Exponential Smoothing.

2. Data yang digunakan adalah data tingkat inflasi tahun 2010-2019 yang diperoleh dari Badan Pusat Statistik (BPS).

(17)

1.4 Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah :

1. Untuk mengetahui tingkat inflasi Kota Medan tahun 2020 berdasarkan data tahun 2010-2019.

2. Untuk mengetahui metode yang paling efektif dalam memperkirakan tingkat inflasi selanjutnya.

1.5 Manfaat Penelitian

Dari hasil penelitian ini diharapkan dapat memberikan manfaat antara lain : 1. Bagi Penulis

Memberikan atau menambah wawasan bagi penulis, terutama dalam penerapan ilmu yang diperoleh dari dunia perkuliahan, menyatukan materi, dan objek permasalahan yang ada untuk dijadikan sebagai materi pembahasan.

2. Bagi Perusahaan

Sebagai masukan yang dapat menjadi bahan pertimbangan bagi pemerintah dan pihak-pihak yang terkait untuk menghadapi inflasi di Kota Medan pada periode selanjutnya.

3. Bagi Pembaca

Dapat menjadi bahan masukan dalam melakukan penelitian dibidang yang sama.

(18)

BAB 2

TINJAUAN PUSTAKA

2.1 PENGERTIAN PERAMALAN

Pada umumnya, peramalan dapat diartikan sebagai suatu teknik analisa perhitungan yang dilakukan dengan pendekatan kualitatif maupun kuantitatif untuk memperkirakan kejadian di masa yang akan datang dengan menggunakan referensi data di masa lalu. Peramalan diperlukan karena adanya perbedaan waktu antara keadaan sekarang dengan keadaan yang akan datang, sebagai alat bantu dalam perencanaan yang efektif dan efisien serta membuat keputusan yang tepat.

2.2 TUJUAN PERAMALAN

Secara umum, tujuan peramalan yaitu untuk memperkirakan prospek ekonomi dan kegiatan usaha serta pengaruh lingkungan terhadap prospek tersebut. Menurut Heizer dan Render (2009:47), peramalan bertujuan untuk mengkaji kebijakan perusahaan yang berlaku pada saat ini dan di masa lalu serta melihat sejauh mana pengaruhnya di masa yang akan datang.

Di dalam dunia bisnis maupun ekonomi, hasil peramalan mampu memberikan gambaran tentang masa depan perusahaan yang memungkinkan memprediksi tingkat inflasi, ketersediaan uang serta dana yang dibutuhkan untuk membangun suatu indikator perencanaan lainnya. Pada bidang ekonomi, peramalan dapat digunakan sebagai pedoman pengambilan keputusan agar kebijakan yang digunakan tepat.

2.3 KETERBATASAN PERAMALAN

Berdasarkan definisi peramalan yang kita ketahui, peramalan mempunyai pendekatan kualitatif maupun kuantitatif. Prasyarat utama dalam peramalan kualitatif maupun kuantitatif adalah adanya pola atau hubungan atas kejadian yang diamati. Pola atau hubungan tersebut harus diidentifikasi dengan benar dan diproyeksikan untuk

(19)

menghasilkan ramalan. Bila pola atau hubungan tersebut tidak ada, maka peramalan akan sulit dilakukan.

Makridakis (1994 : 39-40) mengidentifikasikan 3 sumber utama ketidakakuratan peramalan dunia bisnis dan ekonomi, yaitu :

1. Kesalahan dalam identifikasi pola dan hubungan.

Pola atau hubungan tentu mungkin teridentifikasi pada waktu dilakukan peramalan, padahal pola atau hubungan tersebut sebenarnya tidak ada. Pola atau hubungan mungkin tidak teridentifikasi dengan benar karena informasi tidak cukup tersedia, dikarenakan kenyataan tersebut terlalu kompleks untuk dipahami dengan jumlah yang terbatas.

2. Pola yang tidak tepat dan hubungan yang tidak pasti.

Dalam ilmu sosial, pola bersifat tidak tetap dan hubungan bersifat tidak pasti.

Walaupun pola dan hubungan rata-rata dapat diidentifikasi, fluktuasi di sekitarnya terjadi pada hampir semua kasus. Tujuan dari model statistik adalah mengidentifikasi pola atau hubungan sedemikian rupa sehingga fluktuasi di masa lalu diusahakan sekecil dan seacak mungkin.

3. Perubahan pola atau hubungan.

Dalam dunia bisnis dan ekonomi, pola dan hubungan dapat berubah sepanjang waktu dengan tak terduga. Perubahan pola dan hubungan tersebut tentu saja dapat menyebabkan kesalahan peramalan yang tingkat kesalahannya tidak dapat ditentukan sebelumnya.

2.4 JENIS-JENIS PERAMALAN

Pada umumnya peramalan dapat dibedakan dari beberapa segi. Apabila dilihat dari sifat ramalan yang telah disusun, peramalan dapat dibagi menjadi 2 macam yaitu (Saputro dan Asri, 2000:148) :

1. Peramalan Kuantitatif

Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif masa lalu yang diperoleh dari pengamatan nilai-nilai sebelumnya. Hasil dari

(20)

7

peramalan ini secara relatif lebih disukai karena memberikan pandangan yang lebih nyata dan lebih objektif dalam besaran nilai hasil peramalannya.

Peramalan kuantitatif dapat diterapkan apabila terdapat kondisi berikut : a. Tersedia informasi (data) masa lalu.

b. Informasi (data) tersebut dapat dikuantitatifkan dalam bentuk numerik.

c. Dapat diasumsikan bahwa aspek pola masa lalu akan terus berlanjut pada masa yang akan datang.

2. Peramalan Kualitatif

Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif pada masa lalu dalam menghasilkan suatu informasi yang diperkirakan akan terjadi di masa mendatang. Hasil peramalan yang dibuat sangat bergantung pada orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pendapat dan pengetahuan serta pengalaman penyusunnya.

Berdasarkan horizon waktu, peramalan dapat dibagi menjadi 3 jenis peramalan, yaitu (Herjanto, 2008:78) :

1. Peramalan Jangka Panjang

Yaitu peramalan yang mencakup waktu lebih besar dari 18 bulan. Misalnya, peramalan yang diperlukan dalam penanaman modal, merencanakan fasilitas, dan merencanakan kegiatan litbang.

2. Peramalan Jangka Menengah

Yaitu peramalan yang mencakup waktu antara 3 hingga 18 bulan. Misalnya, peramalan untuk perencanaan penjualan, perencanaan produksi, dan perencanaan tenaga kerja tidak cukup.

3. Peramalan Jangka Pendek

Yaitu peramalan yang mencakup jangka waktu kurang dari 3 bulan. Misalnya, peramalan dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja, dan penugasan karyawan.

(21)

Berdasarkan fungsi dan perencanaan operasi di masa depan, dapat dibagi menjadi tiga jenis peramalan, yaitu (Heizer dan Render, 2009:47) :

1. Peramalan Ekonomi

Yaitu peramalan yang menjelaskan siklus bisnis dengan memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan, dan indicator perencanaan lainnya.

2. Peramalan Teknologi

Yaitu peramalan yang memperhatikan tingkat kemajuan teknologi yang dapat memunculkan produk yang baru dan membutuhkan peralatan yang baru.

3. Peramalan Permintaan

Yaitu peramalan penjualan yang mengendalikan produksi, kapasitas, serta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran, dan sumber daya manusia.

Berdasarkan sifat penyusunannya, peramalan dapat dibagi menjadi 2 jenis peramalan, yaitu (Ginting, 2007) :

1. Peramalan Subjektif

Yaitu peramalan yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya.

2. Peramalan Objektif

Yaitu peramalan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan teknik dan metode dalam penganalisaan data tersebut.

2.5 TAHAPAN PERAMALAN

Telah disebutkan bahwa peramalan merupakan suatu proses yang tersedia banyak pilihan teknik. Namun, urutan langkah proses peramalan tidak tergantung pada teknik yang dipilih. Tahapan proses itu dapat diterangkan sebagai berikut :

1. Pertama, sebutkan tujuan utama peramalan dan tentukan dengan jelas variabel yang akan diramal/diperkirakan, jangkauannya, periode datanya (bulanan atau tahunan), rinciannya (per daerah atau jenis barang), tingkat akurasinya, dan sumber daya yang diperlukan seperti komputer dan softwarenya.

(22)

9

2. Kedua, kumpulkan data variabel yang terlibat. Data dapat disalin dari sumber tertentu atau dikumpulkan sendiri lewat sampling (survei) atau sensus.

3. Ketiga, pilih teknik peramalan yang cocok. Teknik yang cocok tidak saja ditentukan oleh akurasinya, tapi juga oleh jangkauan ramalan, biaya, dan kemudahan penerapan.

4. Keempat, duga dan uji model-model yang dipertimbangkan. Diantara model- model yang lolos pengujian, pilih yang paling sederhana dan MSE-nya yang terkecil. Jika perlu, gunakan grafik yang membandingkan data dengan nilai ramalan untuk memastikan kemampuan model dalam menirukan realitas.

5. Kelima, gunakan model yang terpilih untuk peramalan. Pada model regresi dan simultan dapat digunakan untuk evaluasi kebijakan dengan menyajikan berbagai scenario what if.

6. Keenam, jika data baru tersedia, data paling awal dapat dibuang dan model perlu di update dengan menduga dan menguji ulang. Proses peramalan tidak akan pernah berhenti dikarenakan perlu di update setiap periode selanjutnya. Ini bisa dinamakan sebagai never ending process.

2.6 METODE PERAMALAN

Metode peramalan adalah suatu cara atau teknik dengan kuantitatif maupun kualitatif dalam memperkirakan kejadian-kejadian pada masa yang akan datang berdasarkan data masa lalu. Kegunaan dari metode peramalan yaitu untuk membantu dalam melakukan pendekatan analisa terhadap pola data pada masa yang lalu. Adapun beberapa metode peramalan yang digunakan oleh para ahli dan penulis dalam pembahasan, diantaranya adalah :

1. Metode Single Moving Average (Rata-Rata Bergerak Tunggal)

Yaitu metode yang sering digunakan untuk meratakan kurva time series. Dasar perhitungan metode ini ialah mencari rata-rata dari beberapa bulan secara berturut-turut, sehingga diperoleh nilai rata-rata yang bergerak secara teratur atas dasar jumlah bulan tertentu. Metode ini dapat digunakan untuk data bulanan, tahunan, triwulan, dan lainnya.

(23)

a. Metode Single Moving Average 3 Tahunan :

Rumus : S_{t +1}= Keterangan :

St : Peramalan untuk periode t+1 Xt : Data periode t

n : Jangka waktu Moving Average

b. Metode Single Moving Average 4 Tahunan :

Rumus : St +1 = Keterangan :

St+1 : Peramalan untuk periode t+1 Xt : Data periode t

n : Jangka waktu Moving Average

2. Metode Single Exponential Smoothing (Pemulusan Eksponensial Tunggal) Yaitu metode yang sering digunakan pada peramalan jangka pendek, biasanya hanya 1 bulan ke depan. Tidak seperti Moving Average, Exponential Smoothing memberikan penekanan yang lebih besar kepada time series saat ini melalui penggunaan sebuah konstanta smoothing (penghalus). Konstanta smoothing berkisar dari 0 hingga 1.

Nilai yang dekat dengan 1 memberikan penekanan terbesar pada nilai saat ini, sedangkan nilai yang dekat dengan 0 memberi penekanan pada titik data sebelumnya.

Model ini mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola pertumbuhan konsisten.

Rumus : St = αXt + (1-α)St+1

Keterangan :

St+1 : Peramalan periode t+1 St : Peramalan periode t

Xt : Realisasi permintaan pada periode t α : Alpha yang besarnya antara 0-1

(24)

11

Pada metode single exponential smoothing, alpha yang besarnya antara 0 sampai 1 dicoba satu per satu, kemudian cari nilai MSE terkecil. Setelah perhitungan dicoba, maka diperoleh nilai MSE terkecil yaitu pada alpha 0.3, 0.4, dan 0.5.

Baik tidaknya metode yang digunakan oleh perbedaan atau penyimpangan antara hasil ramalan dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara hasil ramalan dengan kenyataan yang terjadi, maka semakin baik pula metode yang digunakan.

2.7 UKURAN AKURASI PERAMALAN

Model peramalan yang dilakukan kemudian divalidasi menggunakan sejumlah indikator. Validasi metode peramalan dengan menggunakan metode-metode diatas tidak lepas dari indikator-indikator dalam pengukuran akurasi suatu peramalan. Beberapa indikator yang umum digunakan untuk mengukur ketelitian peramalan sebagai berikut : 1. Mean Absolute Error (MAE)

Merupakan indikator yang digunakan untuk mengukur ketepatan ramalan dengan menghitung rata-rata kesalahan dugaan. MAE dapat digunakan ketika mengukur kesalahan ramalan dalam unit yang sama. Akurasi peramalan akan tinggi apabila nilai-nilai MAE, mean absolute percentage error, dan mean squared error semakin kecil.

Rumus : MAE =

2. Mean Absolute Percentage Error (MAPE)

Merupakan indikator yang digunakan untuk mengukur ketelitian dengan cara persentase kesalahan absolute. Indikator ini dihitung dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu. Pendekatan ini berguna dalam mengevaluasi ketepatan ramalan.

Rumus : MAPE =

| |

x 100%

(25)

3. Mean Squared Error (MSE)

Merupakan indikator yang digunakan untuk memperkuat pengaruh angka-angka kesalahan besar, tetapi memperkecil angka kesalahan prakiraan yang lebih kecil dari satu unit. Indikator ini dihitung dengan mengevaluasi metode peramalan melalui masing-masing kesalahan atau sisa dikuadratkan, kemudian dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini dapat berguna untuk mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan yang dikuadratkan.

Rumus : MSE =

2.8 KEGUNAAN PERAMALAN

Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi pada waktu keputusan itu dilaksanakan. Baik tidaknya hasil dari suatu penelitian ditentukan oleh ketepatan ramalan/prediksi yang tepat. Walaupun di dalam suatu ramalan selalu ada unsur kesalahannya, ada suatu usaha untuk memperkecil kesalahan dari ramalan tersebut. Kegunaan atau manfaat dari peramalan adalah sebagai berikut : 1. Sebagai alat bantu untuk merencanakan data periode selanjutnya secara efektif

dan efisien.

2. Untuk menetapkan kebutuhan sumber daya pada masa yang akan datang.

3. Untuk membuat keputusan yang tepat.

(26)

BAB 3

METODE PENELITIAN

3.1 SUMBER DATA

Data yang digunakan dalam penulisan tugas akhir ini yaitu data inflasi Kota Medan. Data tersebut merupakan data sekunder yang diperoleh dengan cara mengambil data di Badan Pusat Statistik (BPS) Provinsi Sumatera Utara. Pengambilan data tersebut diperoleh peneliti secara tidak langsung melalui perantara atau pun melihat datanya langsung dari web BPS yang disediakan. Penulis memperoleh data dengan cara studi literatur atau studi kepustakaan terlebih dahulu yaitu dengan membaca buku-buku, jurnal, makalah, atau lainnya yang bersifat teoritis yang mendukung serta relevan.

3.2 LOKASI PENELITIAN

Dalam melakukan penulisan tugas akhir, penulis mengambil data secara sekunder yaitu data yang diperoleh dari Badan Pusat Statistik (BPS) Provinsi Sumatera Utara, Jl. Asrama No. 179, Dwi Kora, Kec. Medan Helvetia, Kota Medan. Sampel yang diambil dalam penelitian ini adalah laju inflasi menurut kelompok pengeluaran secara umum ataupun menurut tahun kalender (%) yang ada di Kota Medan dari tahun 2010- 2019.

3.3 RUANG LINGKUP

Badan Pusat Statistik adalah Lembaga Pemerintah Non Kementerian yang bertanggung jawab langsung kepada Presiden. Sebelumnya, BPS merupakan Biro Pusat Statistik yang dibentuk berdasarkan UU Nomor 6 Tahun 1960 tentang Sensus dan UU Nomor 7 Tahun 1960 tentang Statistik. Sebagai pengganti kedua UU tersebut ditetapkan UU Nomor 16 Tahun 1997 tentang Statistik. Berdasarkan UU ini yang ditindaklanjuti dengan peraturan perundangan dibawahnya, secara formal nama Biro Pusat Statistik diganti mejadi Badan Pusat Statistik.

(27)

Berdasarkan undang-undang yang telah disebutkan di atas, peranan yang harus dijalankan oleh BPS adalah sebagai berikut :

a. Menyediakan kebutuhan data bagi pemerintah dan masyarakat. Data ini didapatkan dari sensus atau survey yang dilakukan sendiri dan juga dari departemen atau lembaga pemerintahan lainnya sebagai data sekunder.

b. Membantu kegiatan statistik di kementerian, lembaga pemerintah atau instansi lainnya, dalam membangun sistem perstatistikan nasional.

c. Mengembangkan dan mempromosikan standar teknik dan metodologi statistik, dan menyediakan pelayanan pada bidang pendidikan dan pelatihan statistik.

d. Membangun kerjasama dengan institusi internasional dan negara lain untuk kepentingan perkembangan statistik Indonesia.

3.4 Visi, Misi, dan Nilai – Nilai Inti BPS 3.4.1 Visi

Pelopor data statistik terpercaya untuk semua.

3.4.2 Misi

1. Menyediakan data statistik berkualitas melalui kegiatan statistik yang terintegrasi dan berstandar nasional maupun internasional.

2. Memperkuat Sistem Statistik Nasional yang berkesinambungan melalui pembinaan dan koordinasi di bidang statistik.

3. Membangun instan statistik yang professional, berintegritas, dan amanah untuk kemajuan perstatistikan.

(28)

15

3.5 Langkah-Langkah dalam Metode Penelitian

Dalam penelitian ini, ada beberapa tahapan yang akan dilakukan penulis di antaranya adalah :

1. Metode Penelitian Kepustakaan (Studi Literatur)

Dalam metode ini, penelitian dilakukan dengan mempelajari buku, jurnal, makalah, literatur pelajaran yang didapat dari perkuliahan secara umum, maupun situs internet yang berhubungan dengan peramalan, Single Moving Average, Single Exponential Smoothing, serta implementasi dalam menyelesaikan permasalahan pada peramalan.

2. Metode Pengambilan atau Pengumpulan Data

Dalam metode ini, penelitian akan dilakukan pengambilan atau pengumpulan data secara sekunder untuk tingkat inflasi Kota Medan tahun 2010-2019 yang dapat diperoleh dari Badan Pusat Statistik (BPS) Sumatera Utara. Setelah data telah diambil atau dikumpulkan, kemudian diatur, disusun, dan disajikan dalam bentuk angka-angka supaya mendapatkan gambaran yang jelas tentang sekumpulan data tersebut.

3. Metode Pengolahan Data

Dalam metode ini akan dilakukan pengolahan data tingkat inflasi Kota Medan dari data tahun 2010-2019 dengan menggunakan peramalan dalam metode single moving average dan single exponential smoothing , untuk mencari tingkat inflasi tahun 2020. Adapun langkah-langkah pengolahan data dalam penelitian adalah :

a. Menentukan hasil hitungan peramalan dari single moving average 3 tahunan dan 4 tahunan.

b. Membuat tabel hasil peramalan yang telah dicari dengan 3 keterangan yaitu tahun 2010-2019, tingkat inflasi, dan peramalannya dari metode single moving average 3 tahunan dan 4 tahunan.

c. Menentukan nilai kesalahan pada single moving average 3 tahunan dan 4 tahunan dengan menggunakan rumus error, absolute error, squared error, mean absolute error (MAE), mean squared error (MSE), dan mean absolute percentage error (MAPE).

(29)

d. Menentukan hasil hitungan peramalan dari single exponential smoothing dengan alpha 0.3, 0.4, dan 0.5.

e. Membuat tabel hasil peramalan yang telah dicari dengan 3 keterangan yaitu tahun 2010-2019, tingkat inflasi, dan peramalannya dari metode single exponential smoothing dengan alpha 0.3, 0.4, dan 0.5.

f. Menentukan nilai kesalahan pada single exponential smoothing dengan alpha 0.3, 0.4, dan 0.5 menggunakan rumus error, absolute error, squared error, mean error, mean absolute error (MAE), mean squared error (MSE), dan mean absolute percentage error (MAPE)

g. Membuat tabel perbandingan nilai kesalahan MAE, MSE, dan MAPE yang telah didapat dari kedua metode tersebut.

h. Membuat tabel perbandingan hasil dari peramalan metode single moving average dan single exponential smoothing pada tahun 2020.

i. Membuat kesimpulan.

(30)

BAB IV

HASIL DAN PEMBAHASAN

4.1 Penyajian Data

Data yang akan diolah penulis dalam tugas akhir ini adalah data yang dikumpulkan dari Badan Pusat Statistik (BPS) Provinsi Sumatera Utara mengenai tingkat inflasi Kota Medan. Adapun data yang diperoleh dari hasil penelitian yang dilakukan oleh Badan Pusat Statistik Provinsi Sumatera Utara adalah sebagai berikut :

Tabel 4.1 Data Tingkat Inflasi Kota Medan Tahun 2010-2019

TAHUN TINGKAT INFLASI (%)

2010 7,65

2011 3,54

2012 3,79

2013 10,09

2014 8,24

2015 3,32

2016 6,60

2017 3,18

2018 1,00

2019 2,43

Sumber : Badan Pusat Statistik Provinsi Sumatera Utara

Gambar 4.1 Plot Data Tingkat Inflasi Kota Medan Tahun 2010-2019

1 2 3 4 5 6 7 8 9 10

Tingkat Inflasi 7,65 3,54 3,79 10,09 8,24 3,32 6,6 3,18 1 2,43 Tahun 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019

2000 2005 2010 2015 2020 2025

Tingkat Inflasi Kota Medan Tahun 2010-2019

(31)

Setelah data diatas disajikan ataupun dikumpulkan, maka penulis dapat mengolah data tersebut mulai dari menentukan hasil peramalannya menggunakan metode single moving average 3 tahunan dan 4 tahunan, menentukan hasil peramalan menggunakan metode single exponential smoothing berdasarkan alpha 0.3, 0.4, dan 0.5, menentukan nilai kesalahan dari hasil peramalan yang didapat baik menggunakan metode single moving average maupun single exponential smoothing. Setelah itu, hasil peramalan dan nilai kesalahannya dapat disajikan ke dalam tabel agar lebih mudah mencari metode manakah yang paling baik digunakan untuk penelitian selanjutnya.

4.2 Implementasi Sistem

4.2.1 Pengertian Implementasi Sistem

Implementasi sistem adalah prosedur yang dilaksanakan untuk menyelesaikan desain sistem yang ada dalam desain yang disetujui, menginstal dan memulai sistem baru atau sistem yang diperbaiki. Dalam pengolahan data pada karya tulis ini penulis menggunakan satu perangkat sebagai implementasi sistem yaitu Microsoft Excel dalam menyelesaikan masalah untuk memperoleh hasil perhitungan.

Dalam hal pengolahan data, komputer mempunyai kelebihan dari manusia yaitu kecepatan, ketepatan, dan keandalan dalam memproses data. Dengan adanya perangkat lunak komputer tersebut kita sangat terbantu dalam mengerjakan suatu hitungan secara manual yang tentunya membutuhkan waktu dan tenaga yang sangat banyak untuk mengolah data tersebut. Melalui perangkat ini diharapkan pekerjaan dalam mengolah data tersebut dapat dilakukan dengan cepat dan tepat, menghemat waktu dan tenaga, serta memiliki tingkat kesalahan yang relatif kecil.

4.2.2 Microsoft Excel

Microsoft Excel merupakan bagian dari microsoft office yang berfungsi untuk pengolahan data dalam bentuk angka maupun perhitungan. Tampilan dari microsoft excel ini berupa spreadsheet sehingga memudahkan penggunanya untuk mengoperasikannya. Aplikasi Microsoft Excel ini banyak berperan dalam pengolah data

(32)

19

secara otomatis yang berupa perhitungan dasar, penggunaan rumus-rumus, pemakaian fungsi, pembuatan grafik, pengolahan data dan tabel, serta manajemen data.

Microsoft ini telah mengeluarkan Excel dalam berbagai versi mulai dari versi1.0 tahun 1985, versi 2.0 tahun 1987, versi 1.5 tahun 1988, versi 2.2 tahun 1989, versi 3.0 tahun 1990, versi 4.0 tahun 1992, versi 5.0 tahun 1993, versi 7.0 tahun 1995, versi 97 tahun 1997, versi 8.0 tahun 1998, versi 2000 tahun 1999, versi 9.0 tahun 2000, versi 2002 dan 10.0 tahun 2001, versi 2003 tahun 2003, versi 11.0 tahun 2004, versi 2007 tahun 2007, versi 2010 tahun 2010, versi 2013 tahun 2013, versi 2016 tahun 2016, terakhir versi 2019 tahun 2019.

Dalam pengolahan data tugas akhir ini, penulis mengolah data dengan menggunakan Microsoft Excel 2010 karena microsoft ini hadir dengan berbagai penyempurnaan, lebih mudah digunakan, dan lebih banyak digunakan pengguna lain dibanding dengan software lainnya seperti SPSS, Microsoft Word, Statcal, dan sebagainya. Keunggulan dalam software ini ialah sangat fleksibel dan menghemat waktu penyelesaian olah data dengan rumus dan fitur yang telah disediakan.

4.2.3 Pengaktifan Microsoft Excel 2010

Sebelum pengoperasian software ini, pastikan pada komputer terpasang program excel. Kemudian pada desktop, pilih microsoft excel, lalu double click icon tersebut, maka akan muncul seperti gambar dibawah.

Gambar 4.2 Cara Mengaktifkan Microsoft Excel

(33)

Setelah pengaktifan software, maka akan tampil jendela Microsoft Excel yang akan digunakan. Adapun lembar kerja (worksheet) yang tampil di jendela Microsoft Excel adalah sebagai berikut :

Gambar 4.3 Lembar Kerja Microsoft Excel

Setelah tampilan lembar kerja pada microsoft excel telah ditampilkan, lakukan pengisian ataupun pengetikan data kedalam lembar kerja tersebut.

4.2.4 Langkah-Langkah Pengolahan Data dengan Microsoft Excel

Untuk mengolah data tentang inflasi Kota Medan, maka data yang telah diperoleh dapat dimasukkan ke dalam lembar kerja. Pada kolom pertama diisi untuk tahun dan kolom kedua diisi dengan tingkat inflasi. Dapat dilihat seperti gambar 4.4

Gambar 4.4 Tampilan Data Tingkat Inflasi Kota Medan

(34)

21

Dari data diatas kita dapat menentukan nilai peramalan, nilai MSE, MAPE, dan MAE dengan masing-masing metode yang akan digunakan. Langkah-langkah perhitungannya adalah sebagai berikut :

1. Metode Single Moving Average 3 Tahunan a. Menentukan nilai peramalan (St+1)

Untuk mencari nilai peramalan, data pada tahun 2010 sampai tahun 2012 dikosongkan dan hasil hitungan dimasukkan pada cell C5 dengan menggunakan rumus

=SUM(B2:B4)/3 sehingga menghasilkan angka 4,993333333. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

b. Menentukan nilai kesalahan (e)

Untuk mencari nilai kesalahan, data pada tahun 2010 sampai tahun 2012 dikosongkan dan hasil hitungan dimasukkan pada cell D5 dengan menggunakan rumus =B5-C5 sehingga menghasilkan angka 5,096666667. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

c. Menentukan nilai kesalahan absolut (|e|)

Untuk mencari nilai kesalahan absolut, data pada tahun 2010 sampai tahun 2012 dikosongkan dan hasil hitungan dimasukkan pada cell E5 dengan menggunakan rumus

=ABS(D5) sehingga menghasilkan angka 5,096666667. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

d. Menentukan nilai kesalahan kuadrat (e²)

Untuk mencari nilai kesalahan kuadrat, data pada tahun 2010 sampai tahun 2012 dikosongkan dan hasil hitungan dimasukkan pada cell F5 dengan menggunakan rumus

=D5^2 sehingga menghasilkan angka 25,97601111. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

e. Menentukan nilai tengah kesalahan ( ̅ )

Untuk mencari nilai tengah kesalahan, data pada tahun 2013 sampai tahun 2019 dijumlahkan lalu dibagi 7. Hal ini karena perhitungan dari Moving Average adalah 3

(35)

tahunan. Hasil hitungan dimasukkan pada cell D14 dengan menggunakan rumus excel

=D13/7 sehingga menghasilkan angka - 0,64904762.

f. Menentukan nilai tengah kesalahan absolut (MAE)

Untuk mencari nilai tengah kesalahan absolut, gunakanlah rumus excel =E13/7 sehingga menghasilkan angka 2,80047619 dan diletakkan pada cell E15.

g. Menentukan nilai tengah kesalahan kuadrat (MSE)

Untuk mencari nilai tengah kesalahan kuadrat, gunakanlah rumus excel =F13/7 sehingga menghasilkan angka 9,950106349 dan diletakkan pada cell F16.

h. Menentukan nilai MAPE

Untuk mencari nilai MAPE, pertama tentukan hasil nilai kesalahan absolut dibagi dengan data inflasi menggunakan rumus excel =E5/B5 sehingga menghasilkan angka 0,505120581 dan diletakkan pada cell G5. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Setelah itu, carilah nilai MAPE dengan menggunakan rumus excel =(G13/7)*100%

sehingga menghasilkan angka 0,980530644 dan diletakkan pada cell G17.

Berikut adalah hasil perhitungan dengan menggunakan metode single moving average 3 tahunan di microsoft excel :

Gambar 4.5 Hasil Perhitungan Metode Single Moving Average 3 Tahunan

(36)

23

2. Metode Single Moving Average 4 Tahunan a. Menentukan nilai peramalan (St+1)

Untuk mencari nilai peramalan, data pada tahun 2010 sampai tahun 2013 dikosongkan dan hasil hitungan dimasukkan pada cell C27 dengan menggunakan rumus

=SUM(B23:B26)/6 sehingga menghasilkan angka 6,2675. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Untuk mencari nilai kesalahan, data pada tahun 2010 sampai tahun 2013 dikosongkan dan hasil hitungan dimasukkan pada cell D27 dengan menggunakan rumus =B27-C27 sehingga menghasilkan angka 1,9725. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Untuk mencari nilai kesalahan absolut, data pada tahun 2010 sampai tahun 2013 dikosongkan dan hasil hitungan dimasukkan pada cell E27 dengan menggunakan rumus

=ABS(D27) sehingga menghasilkan angka 1,9725. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Untuk mencari nilai kesalahan kuadrat, data pada tahun 2010 sampai tahun 2013 dikosongkan dan hasil hitungan dimasukkan pada cell F27 dengan menggunakan rumus

=D27^2 sehingga menghasilkan angka 3,89075625. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Untuk mencari nilai tengah kesalahan, data pada tahun 2014 sampai tahun 2019 dijumlahkan lalu dibagi 6. Hal ini karena perhitungan Moving Average adalah 4 tahunan.

Hasil hitungan nilai tengah kesalahan dimasukkan pada cell D35 dengan menggunakan rumus excel =D34/6 sehingga menghasilkan angka – 1,699166667.

(37)

Untuk mencari nilai MAPE, pertama tentukan hasil nilai kesalahan absolut dibagi dengan data inflasi menggunakan rumus excel =E27/B27 sehingga menghasilkan angka 0,239381068 dan diletakkan pada cell G27. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Berikut adalah hasil perhitungan dengan menggunakan metode single moving average 4 tahunan di microsoft excel :

Gambar 4.6 Hasil Perhitungan Metode Single Moving Average 4 Tahunan

3. Metode Single Exponential Smoothing Alpha 0.3 a. Menentukan nilai peramalan (St+1)

Untuk mencari nilai peramalan data pada tahun 2010 dikosongkan. Setelah itu untuk tahun 2011, masukkan nilai dari data tingkat inflasi pada tahun 2010 ke dalam cell C3 yaitu 7,65 dan untuk tahun 2012 hasil hitungan dimasukkan pada cell C4 dengan

(38)

25

menggunakan rumus =(0,3*B3)+((1-0,3)*(C3)) sehingga menghasilkan angka 6,417.

Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Untuk mencari nilai kesalahan, data pada tahun 2010 dikosongkan dan hasil hitungan dimasukkan pada cell D3 dengan menggunakan rumus =B3-C3 sehingga menghasilkan angka -4,11. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Untuk mencari nilai kesalahan absolut, data pada tahun 2010 dikosongkan dan hasil hitungan dimasukkan pada cell E3 dengan menggunakan rumus =ABS(D3) sehingga menghasilkan angka 4,11. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Untuk mencari nilai kesalahan kuadrat, data pada tahun 2010 dikosongkan dan hasil hitungan dimasukkan pada cell F3 dengan menggunakan rumus =D3^2 sehingga menghasilkan angka 16,8921. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Untuk mencari nilai tengah kesalahan, data pada tahun 2011 sampai tahun 2019 dijumlahkan lalu dibagi 9. Hal ini karena perhitungan Single Exponential Smoothing adalah alpha 0.3 dan dimulai dari tahun 2011. Hasil hitungan nilai tengah kesalahan dimasukkan pada cell D14 dengan menggunakan rumus excel =D13/9 sehingga menghasilkan angka -1,514853229.

(39)

Untuk mencari nilai MAPE, pertama tentukan hasil nilai kesalahan absolut lalu dibagi dengan data inflasi menggunakan rumus excel =E3/B3 sehingga menghasilkan angka 1,161016949 dan diletakkan pada cell G3. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Berikut adalah hasil perhitungan dengan menggunakan metode single exponential smoothing alpha 0.3 di microsoft excel :

Gambar 4.7 Hasil Perhitungan Metode Single Exponential Smoothing α = 0.3

4. Metode Single Exponential Smoothing Alpha 0.4 a. Menentukan nilai peramalan (St+1)

Untuk mencari nilai peramalan data pada tahun 2010 dikosongkan. Setelah itu untuk tahun 2011, masukkan nilai dari data tingkat inflasi pada tahun 2010 ke dalam cell C23 yaitu 7,65 dan untuk tahun 2012 hasil hitungan dimasukkan pada cell C24 dengan menggunakan rumus =(0,4*B23)+((1-0,4)*(C23)) sehingga menghasilkan angka 6,006.

Untuk mencari nilai kesalahan, data pada tahun 2010 dikosongkan dan hasil hitungan dimasukkan pada cell D23 dengan menggunakan rumus =B23-C23 sehingga

(40)

27

menghasilkan angka -4,11. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Untuk mencari nilai kesalahan absolut, data pada tahun 2010 dikosongkan dan hasil hitungan dimasukkan pada cell E23 dengan menggunakan rumus =ABS(D23) sehingga menghasilkan angka 4,11. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Untuk mencari nilai tengah kesalahan, data pada tahun 2011 sampai tahun 2019 dijumlahkan lalu dibagi 9. Hal ini karena perhitungan Single Exponential Smoothing adalah alpha 0.4 dan dimulai dari tahun 2011. Hasil hitungan nilai tengah kesalahan dimasukkan pada cell D34 dengan menggunakan rumus excel =D33/9 sehingga menghasilkan angka –1,291615164.

(41)

Gambar 4.8 Hasil Perhitungan Metode Single Exponential Smoothing α = 0.4

5. Metode Single Exponential Smoothing Alpha 0.5 a. Menentukan nilai peramalan (S_t+1)

Untuk mencari nilai peramalan data pada tahun 2010 dikosongkan. Setelah itu untuk tahun 2011, masukkan nilai dari data tingkat inflasi pada tahun 2010 ke dalam cell C43 yaitu 7,65 dan untuk tahun 2012 hasil hitungan dimasukkan pada cell C44 dengan menggunakan rumus =(0,5*B43)+((1-0,5)*(C43)) sehingga menghasilkan angka 5,595.

Untuk mencari nilai kesalahan, data pada tahun 2010 dikosongkan dan hasil hitungan dimasukkan pada cell D43 dengan menggunakan rumus =B43-C43 sehingga menghasilkan angka -4,11. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Untuk mencari nilai kesalahan absolut, data pada tahun 2010 dikosongkan dan hasil hitungan dimasukkan pada cell E43 dengan menggunakan rumus =ABS(D43) sehingga

(42)

29

menghasilkan angka 4,11. Untuk tahun berikutnya cukup hanya menyalin rumus tersebut dengan cara menarik ke bawah tanda titik disebelah kanan cell.

Untuk mencari nilai tengah kesalahan, data pada tahun 2011 sampai tahun 2019 dijumlahkan lalu dibagi 9. Hal ini karena perhitungan Single Exponential Smoothing adalah alpha 0.5 dan dimulai dari tahun 2011. Hasil hitungan nilai tengah kesalahan dimasukkan pada cell D54 dengan menggunakan rumus excel =D53/9 sehingga menghasilkan angka –1,117113715.

(43)

Gambar 4.9 Hasil Perhitungan Metode Single Exponential Smoothing α = 0.5

4.3 Metode Single Moving Average 3 Tahunan dan 4 Tahunan 4.3.1 Menentukan Hasil Peramalan

1. Hasil Hitungan Dari Single Moving Average 3 Tahunan St +1 =

Hitungan manual dalam mencari nilai ramalan dapat dilakukan sebagai berikut : Untuk tahun 2013, St+1 =

=

4,993333333

Untuk tahun 2014, St+1 =

=

333333

(44)

31

Untuk tahun 2016, S_t+1 =

=

666667

=

6,053333333

=

666667

=

333333

Untuk ramalan tahun 2020 dengan metode single moving average 3 tahunan adalah sebagai berikut :

=

= 2,203333333

2. Hasil Hitungan Dari Single Moving Average 4 Tahunan St +1 =

Hitungan manual dalam mencari nilai ramalan dapat dilakukan sebagai berikut : Untuk tahun 2014, S_t+1 =

=

(45)

=

5,335

=

3,525

Untuk ramalan tahun 2020 dengan metode single moving average 4 tahunan adalah sebagai berikut :

=

(46)

33

Tabel 4.2 Peramalan Single Moving Average 3 Tahunan dan 5 Tahunan

TAHUN TINGKAT INFLASI

(%)

FORECAST SINGLE MOVING AVERAGE

3 TAHUNAN

FORECAST SINGLE MOVING AVERAGE

4 TAHUNAN

2010 7,65 - -

2011 3,54 - -

2012 3,79 - -

2013 10,09 4,99 -

2014 8,24 5,81 6,27

2015 3,32 7,37 6,42

2016 6,60 7,22 6,36

2017 3,18 6,05 7,06

2018 1,00 4,37 5,34

2019 2,43 3,59 3,53

2020 - 2,20 3,30

4.3.2 Menentukan Nilai Kesalahan

1. Cari Nilai Kesalahan Pada Periode 2013-2019 Untuk tahun 2013, e = Tingkat Inflasi – Forecast = 10,09 – 4,993333333 = 5,096666667

Untuk tahun 2014, e = Tingkat Inflasi – Forecast = 8,24 – 5,806666667 = 2,433333333

Untuk tahun 2015, e = Tingkat Inflasi – Forecast = 3,32 – 7,373333333 = - 4,05333333

(47)

2. Cari Nilai Kesalahan Pada Periode 2014-2019 Untuk tahun 2014, e = Tingkat Inflasi – Forecast

= 8,24 – 6,2675 = 1,9725

Untuk tahun 2015, e = Tingkat Inflasi – Forecast = 3,32 – 6,415

= - 3,095

= 0,24

= - 3,8825

= - 4,335

= - 1,095

(48)

35

4.3.3 Menentukan Nilai Kesalahan Absolut

1. Cari Nilai Kesalahan Absolut Pada Periode 2013-2019 Untuk tahun 2013, |e| = |Tingkat Inflasi – Forecast|

= |10,09 – 4,993333333|

= |5,096666667|

= 5,096666667

Untuk tahun 2014, |e| = |Tingkat Inflasi – Forecast|

= |8,24 – 5,806666667|

= |2,433333333|

= 2,433333333

= |3,32 – 7,373333333 | = |- 4,05333333|

= 4,05333333

= |6,60 – 7,216666667|

= |- 0,61666667|

= 0,61666667

= |3,18 – 6,053333333|

= |- 2,873333333|

= 2,873333333

= |1,00 – 4,366666667|

= |- 3,36666667|

= 3,36666667

= |2,43 – 3,593333333|

= |- 1,16333333|

= 1,16333333

(49)

2. Cari Nilai Kesalahan Absolut Pada Periode 2014-2019 Untuk tahun 2014, |e| = |Tingkat Inflasi – Forecast|

= |8,24 – 6,2675|

= |1,9725|

= 1,9725

= |3,32 – 6,415 | = |-3,095|

= 3,095

= |6,6 – 6,36|

= |0,24|

= 0,24

= |3,18 – 7,0625|

= |- 3,8825|

= 3,8825

= |1,00 – 5,335|

= |- 4,335|

= 4,335

= |2,43 – 3,525|

= |- 1,095|

= 1,095