PERAMALAN TINGKAT KEBUTUHAN BERAS
DI KOTA TANJUNGBALAI
PADA TAHUN 2016
TUGAS AKHIR
MAULANA MALIK IBRAHIM HSB
122407053
PROGRAM STUDI D3 STATISTIKA DEPARTEMENMATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUANALAM UNIVERSITAS SUMATERA UTARA
PERAMALAN TINGKAT KEBUTUHAN BERAS
DI KOTA TANJUNGBALAI
PADA TAHUN 2016
TUGAS AKHIR
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ahli Madya
MAULANA MALIK IBRAHIM HSB
122407053
PROGRAM STUDI D3 STATISTIKA DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PERAMALAN TINGKAT KEBUTUHAN
BERAS DI KOTA TANJUNGBALAI PADA TAHUN 2016
Kategori : TUGAS AKHIR
Nama : MAULANA MALIK IBRAHIM HSB
Nomor Induk Mahasiswa : 122407053 Program Studi : D3 STATISTIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, Juli 2015
Disetujui oleh
Program Studi D3 Statistika FMIPA USU
Ketua, Pembimbing,
Dr. Faigiziduhu Bu’ulölö, M.Si
PERNYATAAN
PERAMALAN TINGKAT KEBUTUHAN BERAS
DI KOTA TANJUNGBALAI
PADA TAHUN 2016
TUGAS AKHIRSaya mengakui bahwa Tugas Akhir ini adalah hasil kerja saya sendiri. Kecuali beberapa kutipan dan ringkasan yang masing-masingdisebutkan sumbernya.
Medan, Juli 2015
PENGHARGAAN
Puji dan syukur penulis panjatkan kehadirat Allah SWT, karena atas berkat dan
rahmat-Nya penulis dapat menyelesaikan penyusunan tugas akhir ini dengan judul
Peramalan Tingkat Kebutuhan Beras di Kota Tanjungbalai Pada Tahun 2016.
Pada kesempatan ini, dalam penulis mendapatkan banyak bantuan dari
barbagai pihak. Terimakasih Penulis sampaikan kepada bapak Prof. Dr. Saib
Suwilo, M.Sc selaku pembimbing dan bapak Dr. Faigiziduhu Bu’ulölö, M.Si. dan
Bapak Dr. Suwarno Ariswoyo, M.Si selaku Ketua dan selaku Sekertaris Program
Studi D3 Statistika FMIPA USU yang telah meluangkan waktunya selama
penyusunan tugas akhir ini. Terimakasih kepada Bapak Prof. Dr. Tulus, M.Si dan
Ibu Dr. Mardiningsih, M.Si selaku Ketua dan Sekertaris Departemen Matematika
FMIPA USU, Bapak Dr. Sutarman, M.Sc selaku Dekan FMIPA USU, seluruh
Dosen Program Studi D3 Statistika FMIPA USU, pegawai FMIPA USU.
Akhirnya tidak terlupakan kepada orang tua saya Ayah Ali Amran Hsb dan Ibu
Wardah Siregar dan keluarga yang selalu memberikan dukungan kepada saya baik
itu berupa dukungan moril maupun dukungan materil, teman-teman seperjuangan
yang selalu memberikan motivasi baik berupa sharing pendapat dan hal-hal
lainnya dalam rangka pembuatan tugas akhir ini.
Medan, Juli 2015
MAULANA MALIK IBRAHIM HSB
2.1.2 Jenis Peramalan 7 2.1.3 Manfaat Peramalan 8
3.2.1 Perhitungan Peramalan Tingkat Kebutuhan Beras dengan Menggunakan Metode Exponensial Smoothing Ganda dengan α=0.1 23
3.2.3 Perhitungan Peramalan Tingkat Kebutuhan Beras dengan Menggunakan Metode Exponensial Smoothing
Ganda dengan α=0.6 33
3.2.4 Perhitungan Peramalan Tingkat Kebutuhan Beras dengan Menggunakan Metode Exponensial Smoothing Ganda dengan α=0.1 38
BAB 4 IMPLEMENTASI SISTIM 43
4.1 Microsoft Excel 43
4.2 Langkah- Langkah Memulai Pengolahan Data Excel 43
BAB 5 KESIMPULAN DAN SARAN 49
5.1 Kesimpulan 49
5.2 Saran 49
DAFTAR TABEL
Halaman
Tabel 3.1 Tabel Jumlah Penduduk di Kota Tanjungbalai pada Tahun
2009- 2014 17
Tabel 3.2 Hasil Perhitungan Laju Geometris Penduduk di Kota
Tanjungbalai pada Tahun 2009- 2016 20 Tabel 3.3 Tabel Tingkat Kebutuhan Beras di Kota Tanjungbalai Pada
Tahun 2009- 2014 21
Tabel 3.4 Perhitungan Peramalan Tingkat Kebutuhan Beras dengan Menggunakan Metode Exponensial Smoothing ganda dengan
α= 0.1 25
Tabel 3.5 Perhitungan Forecast dan Mean Square Error Kebutuhan Beras
dengan α= 0.1 27
Tabel 3.6 Perhitungan Peramalan Tingkat Kebutuhan Beras dengan Menggunakan Metode Exponensial Smoothing ganda dengan
α= 0.3 30
Tabel 3.7 Perhitungan Forecast dan Mean Square Error Kebutuhan Beras
dengan α= 0.3 32
Tabel 3.8 Perhitungan Peramalan Tingkat Kebutuhan Beras dengan Menggunakan Metode Exponensial Smoothing ganda dengan
α= 0.6 35
Tabel 3.9 Perhitungan Forecast dan Mean Square Error Kebutuhan Beras
dengan α= 0.6 37
Tabel 3.10 Perhitungan Peramalan Tingkat Kebutuhan Beras dengan Menggunakan Metode Exponensial Smoothing ganda dengan
α= 0.9 40
Tabel 3.11 Perhitungan Forecast dan Mean Square Error Kebutuhan Beras
DAFTAR GRAFIK
Halaman
Grafik 3.1 Grafik Jumlah Penduduk di Kota Tanjungbalai Pada
Tahun 2009- 2014 18
Grafik 3.2 Grafik Jumlah Penduduk di Kota Tanjungbalai Pada
Tahun 2009- 2016 21 Grafik 3.3 Grafik Tingkat Kebutuhan Beras di Kota Tanjungbalai
DAFTAR GAMBAR
Halaman
Gambar 4.1 Tampilan Standart dari Windows 44 Gambar 4.2 Tampilan untuk Memilih Program Excel 44 Gambar 4.3 Tampilan Lembar Kerja Microsoft Excel 45 Gambar 4.4 Tampilan Menginput Data Produksi Beras pada Lembar
Kerja Microsoft Excel 45
Gambar 4.5 Tampilan Rumus dari Data Kebutuhan Beras pada Lembar
BAB 1 PENDAHULUAN
1.1Latar Belakang
Pangan merupakan kebutuhan dasar manusia yang pemenuhannya merupakan hak
asasi setiap rakyat Indonesia dalam mewujudkan sumber daya manusia yang
berkualitas untuk pembangunan Nasional. Ketahanan pangan dalam pengertian
pemenuhan kebutuhan pangan , diusahakan agar pangan selalu tersedia setiap saat
dan terjangkau harganya oleh masyarakat.
Pangan di Indonesia identik dengan beras, karena selamu ini beras
merupakan makanan utama sebagian besar masyarakat Indonesia. Indonesia di
kenal sebagai negara agraris karena sebagian besar masyarakatnya bermata
pencaharian di bidang pertanian.
Pertanian yang banyak di kembangkan adalah padi, bahkan tahun 1984-
1985 Indonesia pernah menjadi negara swasembada beras. Tetapi akhir- akhir ini
Indonesia lebih dikenal salah satu negara penginfor beras terbesar di Dunia. Hal
ini di sebabkan karena krisis ekonomi yang berkepanjangan dan bebebrapa
penyebablainnya di antaranya semaakin besarnya jumlah penduduk, bencana
alam, keterbatasal lahan produktif dan pola konsumsi pangan/ budaya makan
masyarakat. Sehingga pemerintah mengeluarkan undan- undang N0. 7 Tahun
1996, tentang pangan dan isinya antara lain mengatur mengenai ketersediaan,
keragaman, mutu, keamanan, termasuk didalamnya mengenai sistem pengaturan,
pembinaan dan pengawasan bidang pangan.
Jumlah penduduk Indonesia yang semakin bertambah, yang di perkirakan
dengan laju pertambahan 1,60% per tahun dengan pertumbuhan produksi beras
yang hanya mencapai rata- rata 2,50% pertahun, maka pertumbuhan beras pun
Oleh karena hal di atas, maka penulis merasa tertarik dan terdorong untuk
mengadakan penelitian tentang kebutuhan beras dengan judul “ PERAMALAN
TINGKAT KEBUTUHAN BERAS DI KOTA TANJUNGBALAI PADA TAHUN 2016 “.
1.2Identifikasi Masalah
Permasalahan penduduk yang terus meningkat, menyebabkan permintaan beras
terus meningkat pula. Karena beras merupakan kebutuhan pokok bagi bangsa
Indonesia pada umumnya dan masyarakat Kota Tanjungbalai khususnya maka
kecukupan permintaan komoditi ini perlu diketahui dari waktu kewaktu.
Berdasarkan hal ini dapat dirumuskan masalah penelitian sebagai berikut:
1. Perhitungan jumlah penduduk yang dilakukan secara kasar tanpa
menghitung angka kematian dan migrasi.
2. Mengetahui tingkat kebutuhan beras di Kota Tanjungbalai, dengan metode
eksponensial ganda.
3. Mengetahui tingkat produksi beras di Kota Tanjungbalai, dengan metode
eksponensial ganda.
1.3Tinjauan Pustaka
Disini penulis mencari literatur- literatur yang bersifat teoritis yang ada kaitannya
dengan penelitian, teori- teori yang di gunakan:
1. Spyros Makridakis, Steven C. Wheel, Victor E. McGee 1996. Metode dan
Aplikasi Peramalan, Jakarta : penerbit Erlangga.
Adapun rumus yang digunakan untuk menghitung peramalan tingkat
kebutuhan beras dan tingkat produksi beras di Kota Tanjungbalai adalah dengan
menggunakan metode Double Eksponensial Smoothing Brown.
��′ = α �� + (1- α) ��−�′ (1.1)
��" = α ��′ + (1- α) ��−�" (1.2)
�� = 2��′- ��" = ��" + (��′- ��") (1.3)
�� = �−�� (��′ - ��") (1.4)
��+� = �� + �� (m) (1.5) Keterangan:
St′ : Smoothing pertama periode t
St′−1 : Smoothing pertama periode t-1
Xt : Nilai real periode t
St" : Smoothing kedua periode t
St"−1 : Smoothing kedua periode t-1
at : Konstanta bt : Slope Ft+m: Forecast
m : Jumlah periode di depan yang diramalkan.
2. Mantra, I. Bagoes. 2000. Demografi Umum. Yogyakarta: Pustaka Pelajar.
Penulis mengutip rumus untuk menghitung jumlah penduduk dengan
metode laju pertumbuhan geometri. Dimana metode berguna untuk menghitung
pertumbuhan penduduk secara garis besar (kasar), tanpa menghitung angka
kematian dan migrasi. Adapun rumusan yang dipergunakan adalah:
�� = �� +(�+�)� (1.6)
P0 : Jumlah penduduk pada tahun dasar
r : rata- rata laju pertumbuhan penduduk pertahun
t : Jangka waktu (dalam banyaknya tahun).
Dengan menggunakan rumus diatas maka jumlah penduduk pada tahun
2016 dapat di perkirakan.
1.4Tujuan Penelitian
Tujuan dari penelitian ini adalah: Meramalkan jumlah penduduk untuk produksi
beras dalam memenuhi kebutuhan beras di Kota Tanjungbalai pada tahun 2016.
1.5Kontribusi Penelitian
Penelitian ini dilakukan dapat memberikan kontribusi penelitian antara lain:
1. Memberikan masukan yang bermanfaat bagi mahasiswa dan mahasiswi
statistika yang ada di Fakultas Matematika dan Ilmu Pengetahuan Alam
khususnya
3. Untuk menambah pengetahuan penulis dan mengaflikasikan teori- teori
yang telah didapat oleh penulis semasa dibangku perkuliahan
4. Bagi pihak Badan Ketahanan Pangan, dapat bermanfaat bagi masukan
dalam mengambil keputusan
5. Agar dapat bermanfaat kepada para pembaca sebagai salah satu reperensi
untuk mengaplikasikannya dalam kehidupan sehari- hari.
1.6Metode Penelitian
Untuk mendukung penyusunan Tugas Akhir, maka penulis membutuhkan data-
pengembalian data. Dalam riset tersebut penulis menggunakan beberapa metode
diantaranya:
1. Metode penelitian keputusan (Studi Literature)
Dalam hal ini pengumpulan data serta keterangan- keterangan dapat dilakukan
dengan membaca serta mempelajari buku- buku maupun literature- literature
pelajaran yang didapat dari perkuliahan, serta informasi lainnya yang
berhubungan dengan objek yang diteliti.
2. Metode pengumpulan data
Metode pengumpulan data dapat dibedakan berdasarkan sumbernya yaitu:
1. Data Primer
2. Data Sekunder
Data primer adalah data yang diperoleh langsung dari sumbernya, diamati
dan di catat untuk pertama kalinya. Data sekunder adalah data yang bukan
diusahakan sendiri pengumpulannya oleh peneliti.
Adapun data yang diperoleh untuk penulisan ini merupakan data sekunder
yang penulis peroleh dari Kantor Badan Ketahana Pangan Propinsi Sumatera
Utara. Data yang dikumpulkan tersebut kemudian diatur, disusun dan disajikan
dalam bentuk angka- angka dengan tujuan untuk mendapatkan gambaran yang
jelas tentang sekumpulan data tersebut.
3. Metode analisis
Adapun pengolahan data dalam meramalkan jumlah penduduk
menggunakan metode laju pertumbuhan geometri. Sedangkan untuk menghitung
tingkat produksi beras dan tingkat kebutuhan beras di Kota Tanjungbalai adalah
dengan menggunakan metode Double Eksponensial Smoothing Brown dengan
BAB 2
LANDASAN TEORI
2.1 Peramalan
2.1.1 Pengertian Peramalan
Peramalan (Assauri, Sofyan. 1991) adalah kegiatan untuk memperkirakan apa
yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu
situasi atau kondisi yang diperkirakan akan terjadi pasa masa yang akan datang.
Ramalan terserbut dapat didasarkan atas bermacam- macam cara yaitu: metode
pemulusan eksponensial, atau rata- rata bergerak, metode box- Jenkins, metode
regresi, semua itu dikenal dengan metode peramalan.
Metode peramalan ( Spyros Makridakis) adalah cara untuk memperkirakan
secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar
data yang relevan pada masa lalu. Dengan kata lain metode peramalan ini
digunakan dalam peramalan yang bersifat objektif.
2.1.2 Jenis Peramalan
Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari
cara melihatnya. Apabila dilihat dari sifat teknik peramalan maka peramalan dapat
dibedakan menjadi 2 (dua) macam yaitu:
1. Peramalan kuantitatif
Peramalan kuantitatif adalah peramalan yang didasarkan atas data
kuantitatif pada masa lalu. Permalan kuantitatif sangat mengandalkan pada
data histories yang dimiliki. Hasil peramalan dibuat sangat tergantung
pada metode yang digunakan dalam peramalan tersebut. Peramlan
kuantitatif dapat dibagi dalam deret berkala (time series) dan peramalan
Peramalan kuantitatif dapat digunakan bila terdapat tiga kondisi sebagai
berikut:
1. Adanya informasu tentang masa lalu
2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data
3. Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola masa
lalu akan terus berlanjut dimasa yang akan datang.
2. Peramaln kualitatif
Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif
pada masa lalu. Hasil peramalan yang dibuat sangat bergabung pada orang
yang menyusunnya. Hal yang terpenting karena hasil peramlaan tersebut
ditentukan berdasakan pemikiran yang bersifat intuisi, pendapat dan
pengetahuan dari orang yang menyusunnya.
2.1.3 Manfaat Peramalan
kualitas dan mutu hasil peramalan sangat ditentukan oleh proses pelaksanaan
penyusunan. Peramalan yang baik yaitu peramalan yang menghasilkan
penyimpangan antara hasil peramalan dengan kenyataan sekecil mungkin.
Peranan Peramlan sangat membantu di bidang- bidang lain yang memutuhkan,
maka peramalan dapt digunakan untuk:
1. Dasar utama untuk membuat suatu perencanaan, agar perencanaan itu
sesuai dengan tingkat kemampuan yang telah ada
2. Sebagi dasar pembanding dari hasil kerja nyata, dengan hasil peramalan
yang telah ditentukan. Kalau suatu hasil peramalan tidak tercapai, maka
factor apa yang menjadi penyebabnya akan dicari dan dilakukan perbaikan
atau koreksi.
Peramalan tingkat produksi beras adalah melihat akan hasil dari produksi
berastersebut dari tahun- tahun sebelumnya. Selain meramalkan tingkat produksi
peramalan perkembangan penduduk ini berguna untuk melihat kebutuhan
penduduk akan kebutuhan konsumsi beras.
2.1.4 Menentukan Peramalan yang Akurat
Hasil peramalan yang mendekati kenyataan merupakan ramalan yang memilik
kesalahan (error) yang minimal.
Ada dua hal pokok yang harus diperhatikan agar suatu ramalan menjadi
akurat yaitu:
1. Tersedianya data yang relevan
Tahap pertama dari proses peramalan adalah pengumpulan data. Suatu
data dapt ditinjau menurut jenisnya, sifatnya dan menurut sumbernya. Tidak
semua data yang diperoleh akan dapat digunakan dan relevan dengan tujuan
peramalan. Dan hasil akhir dari peramalan sangat tergantung pada tersedianya
data yang relevan.
2. Teknik peramalan
Hal pokok yang kedua yang sangat dipengaruhi terhadap kesuksesan menentukan
ramalan adalah penilihan teknik peramalan yang tepat.
2.1.5 Pemilihan Teknik Peramalan
Dalam pemiliha teknik peramalan, pertma- tama perlu diketahui cirri- cirri penting
yang diperhatika bagi pengambilan keputusan dan analisa keadaan dalam
mempersiapkan permalan (Spyros Makridakis).
Ada enam factor utama yang diintensifikasikan dalam pemilihan teknik
permalan yaitu:
1. Pola data
Pola data merupakan aspek utama yang sangat berpengaruh terhadap
pemilihan teknik peramalan. Suatu data yang memiliki pola trend (naik atau
data yang memiliki pola fluktuatif akan lebih tepat bila di forecast dengan
teknik smoothing.
2. Jangka waktu
Ada dua jangka waktu yang berhubungan dengan masing- masing metode
peramalan. Peramalan adalah cakupan waktu di masa yang akan datang, kedua
adalah jumlah periode untuk peramalan yang diinginkan.
3. Biaya yang dibutuhkan
Umumnya ada empat unsure biaya yang tercakup didalam penggunaan suatu
prosedur peramala. Yaiut biaya- biaya pengembangan, penyimpanan data,
opersi pelaksanaan dan kesempatan dalam penggunaan teknik- teknik dan
metode lainnya.
4. Tingkat akurasi peralaman
Tingkat akurasi yang dibutuhkan sangat erat kaitannya dengan tingkat
perincian yang dibutuhkan dalam suatu peramalan.
2.2 Produksi Beras
Dalam ekonomi Indonesia, pangan terutama beras, mempunyai peranan yang
sangat penting. Perkembangan harga beras secara langsung mempengaruhi biaya
hidup masyarakat. Demikianlah maka usaha untuk menjaga kemantapan harga
beras merupakan hal yang mutlak diperlukan guna untuk menjaga stabilitas
ekonomi.
Faktor iklim dan faktor alamiah lainnya mempunyai pengaruh yang besar
terhadapa produksi, sedangkan kemampuan manusia untuk mengetahui faktor-
faktor lainnya masih terbatas. Karena itu produksi pangan setiap tahunnya
merupakan hal yang tidak pasti, demikian pula harga beras.
Disebabkan oleh karen hal- hal tersebut diatas makan pemetrintah
berketetapan untuk mempengaruhi harga beras dipasaran dengan jalan menguasai
masyarakat jumlah- jumlah yang sesuai dengan kebutuhan utnuk kepentingan
stabilitas.
Dengan kebijakan tersebut pemerintah berusaha untuk menjaga agar harga
beras dapat dipertahankan pada suatu tingkat wajar, dlaam arti disatu pihak cukup
tinggi untuk memberikan imbalan yang layak bagi para petani dan dapat
merangsang kenaikan produksi, sedangkan dipihak lain cukup rendah untuk tetap
berada dalam jangkauan daya beli masyarakat banyak.
2.3 Kebutuhan Beras
Kebutuhan merupakan suatu harapan, ataupun keinginan yang harus dicukupi
dimana keinginan itu merupakan suatu hal yang penting dalam membantu
melancarkan kehidupan.
Kebutuhan beras adalah salah satu bagian dari kebutuhan primer. Yang
mana bila kebutuhan tersebut diabaikan maka kelangsungan hidup seseorang
tersebut dapat terganggu. Seperti yang telah kita ketahui beras merupakan
kebutuhan pokok bagi bangsa ini.
Dengan demikian dapat disimpulkan bahwa kebutuhan beras sangta
penting untuk diketahui, untuk itulah penulisan ingin mengetahuinya. Karena
kebutuhan beras sangat erat terhadap tingkat produksi.
2.4 Metode Laju Pertumbuhan Geometri
Tingkata kebutuhan geometris adalah pertumbuhan penduduk bertahap, yaitu
dengan memperhitungkan pertumbuhan penduduk hanya pada akhir tahun dari
suatu periode. Metode ini menghitung pertumbuhan penduduk secara garis besar
(kasar), yaitu tanpa menghitung angka kematian dan migrasi (Ida Bagoes Mantra,
Dengan memperhitungkan data diatas maka dapat digunakan suatu
rumusan untuk melakukan peramalan jumlah penduduk pada tahunn 2016.
Adapun rumusan yang dipergunakan adalah dengan rumusan sebagia berikut:
�� = �� +(�+�)� (2.1) P0 : Jumlah penduduk pada tahun dasar
r : rata- rata laju pertumbuhan penduduk pertahun
t : Jangka waktu (dalam banyaknya tahun).
Dengan rumus diatas maka jumlah penduduk tahun 2016 dapat diperkirakan.
2.5 Metode Pemulusan (Smoothing)
Metode pemulusan (smoothing) adalah metode peramalan dengan mengadakan
penghalusan terhadap masa lalu, yaitu dengan mengambil rata- rata dari nilai
beberapa tahun untuk menaksir nilai pada pada beberapa tahun kedepan.
Secara umum penghalusan (smoothing) diklarifikasikan menjadi dua yaitu:
1. Metode rata- rata (moving average)
Dengan moving average (rata- rata bergerak) ini kita melakukan
peramalan dengan mengambil sekelompok nilai pengamatan, mencari rata-
ratanya, lalu menggunakan rata- rata tersebut sebagai ramalan untuk
periode berikutnya. Istilah rata- rata bergerak digunakan, karena setiap kali
data pengamatan baru tersedia, maka angka rata- rata yang baru dihitung,
dan dipergunakan sebagai ramalan.
2. Rata- rata bergerak tunggal (Singel Moving Average)
3. Rata- rata bergerak ganda (Double Moving Average)
4. Kombinasi rata- rta bergerak.
Metode rata- rata tujuannya adalah untuk memanfaatkan data masa lalu
untuk mengembangkan suatu sistem peramalan pada periode mendatang.
2. Metode pemulusan (smoothing) eksponensial
Metode pemulusan (smoothing) eksponensial merupakan pengembangan
dari metode rata- rata bergerak (moving average). Dalam metode ini
peramalan dilakukan dengan mengulang secara terus menerus dengan
menggunkan data terbaru. Setiap data diberi bobot, data yang lebih baru
diberi bobot yang lebih besar.
Bentuk umum dari metode pemulusan (smoothing) eksponensial
ini adalah:
��+�= α�� + (1-α) �� (2.3) Ft+1 : ramalan satu period eke depan
Xt : data actual pada periode t Ft : ramalan pada periode t α : parameter pemulusan (0< α<1)
Bila bentuk umum tersebut diperluas maka akan berubah menjadi:
��+�= α��+ α (1-α) ��−�+ �(� − �)���−�+ …+ �(� − �)���(�−�) (2.4)
Metode ini terdiri atas:
1. Smoothing Eksponensial Tunggal
a. Satu Parameter (one parameter)
b. Pendekatan Aditif (ARRES)
Digunakan untuk data yang bersifat stasioner dan tidak
menunjukkan pola atau trend.
2. Smoothing Eksponensial Ganda
a. Metode Linear satu parameter dari Brown
3. Smoothing Eksponensial Tripel
a. Metode Kuadrat Satu Parameter dari Brown
Digyunaka untuk pola data kuadratif, kubik, atau orde yang lebih
tinggi.
b. Metode Kecenderungan dan Musiman Tiga Parameter dari Winter.
4. Smoothing Eksponensial menurut Klasifikasi pegels
2.6Metode Smoothing yang Digunakan
Peramalan dengan menggunakan metode eksponensial smoothing atau disebut
juga metode eksponensial smoothing linier. Teknik ini digunakan untuk data
runtun waktu yang memiliki komponen trend yang linier. Pada teknik ini, jika parameter (α) tidak mendekati nol, pengaruh proses awalnya secara cepat menjadi kurang berarti bagitu berlalu. Jika parameternya mendekati nol, proses awalnya
dapat berperan penting untuk beberapa periode ( Spyros Makridakis),
Metode smoothing ( metode pemulusan) merupakan teknik meramal
dengan cara mengambil rata - rata dari nilai beberapa periode yang lalu untuk
menaksir nilai pada periode yang akan datang. Dalam metode ini data histories
digunakan untuk memperoleh angka yang dilicinkan atau diratakan. Dalam
metode ini peramalan dilakukan dengan mengulang perhitungan secara terus-
menerus dengan menggunkan data terbaru.
Kelemahan dari metode ini adalah kurang fleksibel karena konstanta
penghalusan terbaik untuk trendnya mungkin sama. Salain itu, dalam metode ini
tidak diperhitungkan komponen musim.
Rumus- rumus yang digunakan yaitu:
1. Menentukan Smoothing Pertama (St′).
Xt : Nilai rill periode t
St′−1 : Smoothing pertama periode t-1
2. Menentukan Smoothing kedua (St′′)
(��′′) = α��′ + (1-α) ��−�′′ (2.6) St′′−1 : Smoothing kedua periode t-1
3. Menentukan Besaran Konstanta (at)
�� = 2��′ - ��′′ (2.7)
4. Menentukan Besaran Slope (bt)
�� = �−�� ( ��′ - ��′′) (2.8)
5. Menentukan Besarnya Forecast (F1+m)
��+� = �� + �� (m) (2.9) m : Jumlah periode didepan yang diramalkan
Dengan mengunakan rumusan- rumusan diatas penulis melakukan
peramalan tingkat kebutuhan besar dan produksi beras 2016. Penulis memilih
rumusan tersebut adalah dengan melihat produksi beras dan kebutuhan besar dari
setiap tahunnya tidak begitu konstan (naik turun). Sehingga permalan produksi
beras dan kebutuhan beras dilakukan dengan metode pemulusan eksponensial
ganda untuk melicinkan/ memuluskan ramalan dari tahun ke tahun ( Indriyo
BAB 3 PEMBAHASAN
3.1 Perhitungan Jumlah Penduduk
Sebelum meramalkan tingkat kebutuhan beras dan tingkat produksi beras, maka
penulis melakukan perhitungan jumlah penduduk di Kota Tanjungbalai terlebih
dahulu. Karena jumlah penduduk sangat memperngaruhi terhadap tingkat
kebutuhan beras di Kota Tanjungbalai.
Ada dua yang dipaparkan penulis dalam tugas akhir ini adalah dari Badan
Ketahanan Pangan Propinsi Sumatera Utara. Data jumlah penduduk tersebut
sebagai berikut:
Table 3.1 Tabel Jumlah Penduduk di Kota Tanjungbalai Pada Tahun 2009 – 2014
Sumber: Badan Ketahanan Pangan Provinsi Sumatera Utara
Tahun Penduduk
(Jiwa)
2009 166.789
2010 167.500
2011 154.445
2012 157.175
2013 158.599
Grafik 3.1 Grafik Jumlah Penduduk di Kota Tanjungbalai Pada tahun 2009 – 2014
Dari Gambar di atas dapat kita lihat bahwa perkembangan jumlah penduduk
dengan mempergunakan data dari table 4.1, penulis dapat meramalkan data
jumlah penduduk pada tahun 2016
3.1.1 Perhitungan Laju Pertumbuhan Geometris Penduduk
Setelah uji kecukupan sampel telah terpenuhi, maka penulis melanjutkan dengan
perhitungan laju pertumbuhan geometris penduduk untuk meramalkan jumlah
penduduk pada tahun 2016. Adapun perhitungan adalah senagai berikut:
r = ��165 .118
�116 .789�
� �
– 1
r = (0.989981353)�� – 1 r = 0.001670086183
P0 = P2014 = 166789
Pt = P0 +(1 + r)t (3.3)
P2015 = P2014 + (1 + r)t
P2015 = 166789 + (1 + (−0.001670086183)1
P2015 = 166510.4479
P2015 = 166510 Jiwa
P0 = P2015 = 166510
Pt = P0 +(1 + r)t (3.4)
P2016 = P2015 + (1 + r)t
P2016 = 166510 + (1 + (−0.001670086183)2
P2016 = 165954.2923
P2016 = 165954 Jiwa
Dari hasil peramlan diatas maka jumlah penduduk pada tahun 2016 adalah
sebanyak 165954 jiwa. Pertumbuhan penduduk hasil perhitungan secara
Table 3.2 Hasil Perhitungan Laju Geometris Penduduk di Kota Tanjungbalai pada Tahun 2009 – 2016
Tahun Penduduk
(Jiwa)
2009 166789
2010 167500
2011 154445
2012 157175
2013 158599
2014 165118
2015* 166510
Grafik 3.2 Grafik Jumlah Penduduk di Kota Tanjungbalai Pada Tahun 2009 -2016
Keterangan: * adalah jumlah penduduk yang diramalkan
3.2 Peramalan Tingkat Kebutuhan Beras
Data yang diperguanakan penulis sebagai dasar untuk melaksanakan peramalan
tingkat kebutuhan beras tahun 2016 adalah data dari tingkat keburtuhan beras
pada tahun 2019 samapi 2014. Adapun tingkat kebutuhan beras di Kota
Tanjungbalai penulis melampirkan dalam table sebagai berikut:
Table 3.3 Tabel Tingkat Kebutuhan Beras di Kota Tanjungbalai Pada Tahun 2009 – 2014
145000 150000 155000 160000 165000 170000
2009 2010 2011 2012 2013 2014 2015* 2016*
Penduduk (Jiwa)
Penduduk (Jiwa)
Tahun Kebutuhan
Beras (Ton)
2009 22488
Sumber: Badan Ketahanan Pangan Provinsi Sumatera Utara
Grafik 3.3 Grafik Tingkat Kebutuhan Beras di Kota Tanjungbalai Pada Tahun 2009 – 2014
0 5000 10000 15000 20000 25000
1 2 3 4 5 6
Tahun
Kebutuhan Beras (Ton)
Tahun Kebutuhan
Beras (Ton)
2011 21878
2012 21904
2013 20528
3.2.1 Perhitungan Peramalan Tingkat Kebutuhan Beras dengan
Menggunakan Metode Exponensial Smoothing Ganda dengan � = 0.1
Adapun langkah – langkah peramalan tingkat kebutuhan beras adalah sebagai
berikut :
1. Tahun pertama (2009)
a. St′ ditentukan sebesar kebutuhan beras pada tahun pertama (2009), yaitu sebesar 22488 ton.
b. St′′ sebesar kebutuhan beras pada tahun pertama (2009), yaitu sebesar 22488 ton.
c. at : belum bias ditentukan d. bt : belum ditentukan
e. F1+m: Forecast tahun kedua (F2) ditentukan sebesar kebutuhan tahun pertama, yaitu sebesar 22488 ton.
2. Tahun kedua (2010) ; m=1
Xt = 22584
a. St′ = αXt + (1-α) St′−1 (3.5) = 0.1 (22584) + (1-0.1) 22488
= 2258.4 + (0.9) 22488
= 2258.4 + 20239.2
= 22497.6
b. St′′ = αXt + (1-α) St′′−1 (3.6) = 0.1 (22497.6) + (1-0.1) 22488
= 2249.79 + (0.9) 22488
= 2249.79 + 20239.2
=22488.96
c. at = 2St′ - St′′ (3.7)
= 2(22497.6) – 22488.96
d. bt = α
e. Forencast tahun ketiga (2011)
Ft+m = at + bt (m) (3.9)
= 2243.564 + 20240.064
= 0.111111111 (- 47.988)
= -0.5332
e. Forencast tahun ketiga (2011)
Ft+m = at + bt (m) (3.13)
F2011+1 = a2011 + b2011 (1) F2012 = 22387.652 + (-0.5332) F2012 = 22387.1188
Perhitungan peramalan tingkat kebutuhan beras secara lengkap tertera pada table
di bawah ini
Tahu
Peramalan Tahun 2015; m=1
Ft+m = a2014 + b2014 (m)
F2014+1 = 21632.78 – 42.7939 (1)
F2015 = 21589.9861
Peramalan Tahun 2016; m=2
Ft+m = a2014 + b2014 (m)
F2015+1 = 21632.78 – 42.7939 (2)
F2016 = 21547.1922
Dari table siatas dapat diketahui kesalahan ramalan dengan menggunakan
MSE (Mean Square Error atau Nilai Kesalahan Kuadrat) dengan menggunakan
rumus sebagai berikut
Tabel 3.5 Perhitungan Forecast dan Mean Square Error Kebutuhan Beras dangan � = 0.1
Tahun
Kebutuhan Beras (Ton)
Forecast Error Absoulut Square Error
2009 22488 - - - -
2010 22584 22488 78.72 22488 505710144
2011 21878 22507.2
-514.984 22507.2 506574052
2012 21904 22382.32
-397.554 22382.32 500968249
2013 20528 22281.32
-1447.84 22281.32 496457399
2014 20406 21920.54
-1269.57 21920.54 480510249
Jumlah 2490220093
Rata - Rata 498044019
MSE = ∑��=1��2�� (3.15)
3.2.2Perhitungan Peramalan Tingkat Kebutuhan Beras dengan
Menggunakan Metode Exponensial Smoothing Ganda dengan � = 0.3
Adapun langkah – langkah peramalan tingkat kebutuhan beras adalah sebagai
berikut :
1. Tahun pertama (2009)
a. St′ ditentukan sebesar kebutuhan beras pada tahun pertama (2009), yaitu sebesar 22488 ton.
b. St′′ sebesar kebutuhan beras pada tahun pertama (2009), yaitu sebesar 22488 ton.
c. at : belum bias ditentukan d. bt : belum ditentukan
e. F1+m: Forecast tahun kedua (F2) ditentukan sebesar kebutuhan tahun pertama, yaitu sebesar 22488 ton.
2. Tahun kedua (2010) ; m=1
Xt = 22584
a. St′ = αXt + (1-α) St′−1 (3.16) = 0.3 (22584) + (1-0.3) 22488
= 67752 + (0.7) 22488
= 67752 + 15741.6
= 83493.6
b. St′′ = αS′t + (1-α) St′′−1 (3.17) = 0.3 (83493.6) + (1-0.3) 22488
= 25048.08+ 15741.6
e. Forencast tahun ketiga (2011)
= 44610 – 22433.1
e. Forencast tahun ketiga (2011)
Ft+m = at + bt (m) (3.25)
F2011+1 = a2011 + b2011 (1) F2012 = 22176.9 + (-54.9) F2012 = 2122
Perhitungan peramalan tingkat kebutuhan beras secara lengkap tertera pada table
di bawah ini
Tabel 3.6 Perhitungan Peramalan Tingkat Kebutuhan Beras dengan Menggunakan Metode Exponensial Smoothing Ganda dengan �= �.�
1 4 6
Peramalan Tahun 2015; m=1
Ft+m = a2014 + b2014 (m)
F2014+1 = 20708.75 – 257.72076 (1)
F2015 = 20451.02924
Peramalan Tahun 2016; m=2
Ft+m = a2014 + b2014 (m)
F2015+1 = 20708.75 – 257.72076 (2)
F2016 = 20193.30848
Dari table siatas dapat diketahui kesalahan ramalan dengan menggunakan
MSE = ∑ �� 2
� �
�
�=1 (3.26)
Dimana �� = �� - ��
Maka hasil perhitungannya secara lengkap tertera pada tabe di bawah ini
.
Tabel 3.7 Perhitungan Forecast dan Mean Square Error Kebutuhan Beras dangan � = 0.3
Tahun Kebutuhan Beras (Ton)
Forecast Error Absoulut
Square
Error
2009 22488
2010 22584 22488 55.68 22488 505710144
2011 21878 22545.6 -378.568 22545.6 508304079
2012 21904 22153.68 -196.258 22153.68 490785538
2013 20528 21952.43 -900.083 21952.43 481909095
2014 20406 21023.86 -560.47 21023.86 442002521
Jumlah
242871137
7
Rata - Rata 485742275
MSE = 2428711377/5
MSE = 485742275
3.2.3Perhitungan Peramalan Tingkat Kebutuhan Beras dengan
Menggunakan Metode Exponensial Smoothing Ganda dengan � = 0.6
Adapun langkah – langkah peramalan tingkat kebutuhan beras adalah sebagai
berikut :
1. Tahun pertama (2009)
a. St′ ditentukan sebesar kebutuhan beras pada tahun pertama (2009), yaitu sebesar 22488 ton.
b. St′′ sebesar kebutuhan beras pada tahun pertama (2009), yaitu sebesar 22488 ton.
c. at : belum bias ditentukan d. bt : belum ditentukan
e. F1+m: Forecast tahun kedua (F2) ditentukan sebesar kebutuhan tahun pertama, yaitu sebesar 22488 ton.
2. Tahun kedua (2010) ; m=1
Xt = 22584
a. St′ = αXt + (1-α) St′−1 (3.28) = 0.6 (22584) + (1-0.6) 22488
= 13550.4 + (0.4) 22488
b. St′′ = αSt′ + (1-α) St′′−1 (3.29)
e. Forencast tahun ketiga (2011)
= 22268.4
e. Forencast tahun ketiga (2011)
Ft+m = at + bt (m) (3.37)
F2011+1 = a2011 + b2011 (1) F2012 = 21810.9 + (-219.6) F2012 = 21591.3
Perhitungan peramalan tingkat kebutuhan beras secara lengkap tertera pada table
di bawah ini
Tabel 3.8 Perhitungan Peramalan Tingkat Kebutuhan Beras dengan Menggunakan Metode Exponensial Smoothing Ganda dengan �= �.�
4 8
Peramalan Tahun 2015; m=1
Ft+m = a2014 + b2014 (m)
F2014+1 = 20359.48 – 469.35648 (1)
F2015 = 19890.12352
Peramalan Tahun 2016; m=2
Ft+m = a2014 + b2014 (m)
F2015+1 = 20359.48 – 469.35648 (2)
Dari table siatas dapat diketahui kesalahan ramalan dengan menggunakan
MSE (Mean Square Error atau Nilai Kesalahan Kuadrat) dengan menggunakan
rumus sebagai berikut
MSE = ∑ �� 2
� �
�
�=1 (3.38)
Dimana �� = �� - ��
Maka hasil perhitungannya secara lengkap tertera pada tabe di bawah ini.
Tabel 3.9 Perhitungan Forecast dan Mean Square Error Kebutuhan Beras dangan � = 0.6
Tahun Kebutuhan Beras (Ton)
Forecast Error Absoulut
Square
Error
2009 22488
2010 22584 22488 49.92 22488 505710144
2011 21878 22603.2 -342.544 22603.2 510904650
2012 21904 21767.52 -155.542 21767.52 473824927
2013 20528 21704.78 -789.307 21704.78 471097648
2014 20406 20115.26 -449.839 20115.26 404623846
Jumlah
236616121
5
MSE = ∑ �� 2
� �
�
�=1 (3.39)
MSE = 2366161215/5
MSE = 473232243
3.2.4 Perhitungan Peramalan Tingkat Kebutuhan Beras dengan
Menggunakan Metode Exponensial Smoothing Ganda dengan � = 0.9
Adapun langkah – langkah peramalan tingkat kebutuhan beras adalah sebagai
berikut :
1. Tahun pertama (2009)
a. St′ ditentukan sebesar kebutuhan beras pada tahun pertama (2009), yaitu sebesar 22488 ton.
b. St′′ sebesar kebutuhan beras pada tahun pertama (2009), yaitu sebesar 22488 ton.
c. at : belum bias ditentukan d. bt : belum ditentukan
e. F1+m: Forecast tahun kedua (F2) ditentukan sebesar kebutuhan tahun pertama, yaitu sebesar 22488 ton.
2. Tahun kedua (2010) ; m=1
Xt = 22584
= 0.9 (22584) + (1-0.9) 22488
e. Forencast tahun ketiga (2011)
= 21939
b. St′′ = αS′t + (1-α) St′′−1 (3.46) = 0.9 (21039) + (1-0.9) 22488
= 19745.1 + (0.1) 22488
= 19745.1 + 2248.8
= 21993.9
c. at = 2St′ - St′′ (3.47)
= 2(21939) – 21993.9
= 43878 – 21993.9
= 21884.1
d. bt = 1−αα ( St′ - St′′) (3.48)
= 0.9
1−0.9 (21939 – 21993.9) = 0.9
0.1 (-54.9) = 9 (- 54.9)
= - 494.1
e. Forencast tahun ketiga (2011)
Ft+m = at + bt (m) (3.49)
F2011+1 = a2011 + b2011 (1) F2012 = 21884.1 + (-494.1) F2012 = 21390
Perhitungan peramalan tingkat kebutuhan beras secara lengkap tertera pada table
di bawah ini
Tabel 3.10 Perhitungan Peramalan Tingkat Kebutuhan Beras dengan Menggunakan Metode Exponensial Smoothing Ganda dengan �= �.�
n Beras
Peramalan Tahun 2015; m=1
Ft+m = a2014 + b2014 (m)
F2014+1 = 20396.08 – 323.34876 (1)
F2015 = 20072.73124
F2015+1 = 20396.08 – 323.34876 (2)
F2016 = 19749.38248
Dari table siatas dapat diketahui kesalahan ramalan dengan menggunakan
MSE (Mean Square Error atau Nilai Kesalahan Kuadrat) dengan menggunakan
rumus sebagai berikut
MSE = ∑��=1��2�� (3.50)
Dimana �� = �� - ��
Maka hasil perhitungannya secara lengkap tertera pada tabe di bawah ini.
Tabel 3.11 Perhitungan Forecast dan Mean Square Error Kebutuhan Beras dangan � = 0.9
Tahun
Kebutuhan Beras (Ton)
Forecast Error Absoulut
Square
Error
2009 22488
2010 22584 22488 78.72 22488 505710144
2011 21878 22660.8 -564.136 22660.8 513511857
2012 21904 21329.52 -85.2344 21329.52 454948423
2013 20528 21807.28 -1139.99 21807.28 475557287
2014 20406 19413.6 -313.425 19413.6 376887865
Jumlah
6
Rata - Rata 465323115
MSE = ∑��=1��2�� (3.51)
MSE = 2326615576/5
MSE = 465323115
BAB 4
IMPLEMENTASI SISTIM
4.1 Microsoft Excel
Microsoft Excel merupakan program aplikasi lembar kerja elektronik
(spreadsheet) dari program Microsoft Excel. Microsoft Excel merupakan
unggulan dari Microsoft Corporation yang banyak berperan dalam pengolahan
informasi khususnya data – data berbentuk angka untuk dihitung, diproyeksikan,
dianalisa dan dipresentasikan pada lembar kerja. Dalam hal ini penulis
menggunakan Microsoft Excel 2007.
Sheet atau lembar kerja Microsoft Excel terdiri dari 256 kolom (colums)
dilanjutkan dengan AA, AB,AC, …, IV dan baris ditandai dengan angka 1, 2, 3, 4,
…, 65536.
Microsoft Excel 2007 hadir dengan berbagai penyempurnaa, tampil lebih
terintegrasi dengan berbagai software lain, under windows seperti Word, Acces,
maupun Power Point, dan sebagainya. Keunggulan program speed sheet ini adalah
mudah dipakai, fleksibel, mudah berintegrasi dengan aplikasi berbasis windows.
4.2 Langkah – Langkah Memulai Pengolahan Data Excel
Sebelum mengoperasikan software ini, pastikan bahwa pada computer telah
terpasang program Microsoft Excel. Langkah – langkah adalah sebagai berikut:
1. Klik tombol start
Gambar 4.1 Tampilan Standart dari Windows
Gambar 4.2 Tampilan Untuk Memilih Program Excel
3. Setelah itu akan muncul tampilan lembar kerja seperti dibawah ini
Gambar 4.3 Tampilan Lembar Kerja Microsoft Excel
a. Data Produksi beras dengan menggunakan alpha 0.1 pada shet 1, dapat dilihat
tampilannya seperti dibawah ini
Gambar 4.4 Tampilan Menginput Data Produksi Beras Pada Lembar Kerja Microsoft Excel
Dari tampilan diatas tersebut dapat kita lihat data yang telah dihitung S't, S”t,
forecast, error (kesalahan ramalan), square errornya. Untuk lebih jelasnya dapat
dipaparkan sebagai berikut:
1. Pada kolom pertama (A6 : A20) ditulis keterangannya adalah tahun
2. Pada kolom kedua (B6 : B20) ditulis keterangannya dalah produksi beras di
Kota Tanjungbalai
3. Pada kolom ketiga (C7 : C20) ditulis keterangannya adalah S’t, dimana S’t
adalah smoothing pertama
4. Pada kolom ketiga (D6 : D20) ditulis keterangannya adalah S”t, dimana S”t,
dimana S”t adalah Smoothing kedua
5. Pada kolom ketiga (E6 : E20) ditulis keterangannya adalah at (konstanta) 6. Pada kolom ketiga (F6 : F20) ditulis keterangannya adalah bt (slope)
7. Pada kolom ketiga (G6 : G20) ditulis keterangannya adalah frorecast yakni
8. Pada kolom ketiga (H6 : H20) dituli keterangannya adalah error atau
kesalahan ramalan
9. Pada kolom ketiga (I6 : I20) ditulis keterangannya adalah absoulut dari error
a(kesalahan ramalan)
10. Pada kolom ketiga (J6 : J20) ditulis keterangannya adalah square error,
dimana ini kuadrat dari error.
Maka perhitungan untuk masing- masing perhitungan smoothing pertama,
smoothing kedua, konstanta, forecast, error, absoulut error dan square diuraikan
dibawah ini:
1. Smoothing pertama S’t, untuk tahun pertama di tentukan sebesar tahun pertama dari data historinya, sehingga angkanya telah tertera pada sel B7,
adalah = B7.
Sedangkan untuk tahun kedua yakni tahun 2010 dapat dihitung dengan rumus
sebagai berikut : =(0.1*B8) + (0.9*C7), menghasilkan 22497.6. lakukan cara
yang sama untuk tahun- tahun berikutnya.
2. Smoothing kedua S”t, untuk tahun pertama ditentukan sebesar tahun pertama ditentukan sebesar tahun pertama dari data historisnya, sehingga angkanya
telah tertera pada sel B7, adalah = B7.
Sedangkan untuk tahun kedua yakni tahun 2010 dapat dihitung dengan rumus
sebagia berikut : =(0.1*C8) + (0.9*D7), menghasilkan 22488.96. Lakukan
cara yang sama untuk tahun- tahun berikutnya.
3. Nilai at baru bisa dicari pada tahun kedua yaitu pada tahun 2010 sehingga rumus yang tertera pada sel E7 adalah: =2*C8-D8, sehingga menghasilkan
angka = 22506.24. Lakukan cara yang sama untuk tahun- tahun berikutnya.
4. Nilai bt baru bisa dicari pada tahun kedua yaitu pada tahun 2010 sehingga rumus yang tertera pada sel B7 adalah: = (0.1/0.9)*(C8-D8), sehingga
menghasilkan angka 0.96. Lakukan cara yang sama untuk tahun- tahun
berikutnya
berikut: =E8+F8 sehingga menghasilkan 22505.28. Lakukan cara yang sama
untuk tahun- tahun berikutnya.
6. Error untuk tahun kedua dapat di cari dengan rumus =B8-G8, menghasilkan 78.72. Lakukan cara yang sama untuk tahun- tahun berikutnya.
7. Aboulut Error menunjukkan kesalahan ramalan, tanpa menghiraukan tanda positif ataupun tanda negative, sehingga pada sel I8, dapat dihitung dengan
menggunakan rumus : =ABS(H8), sehingga menghasilkan 22488. Lakukan
cara yang sama untuk tahun- tahun berikutnya.
8. Square Error, menunjukkan kesalahan ramalan di kuadratkan, sehingga pada sel J7, dapat dihitung menggunakan rumus : = H8^2, sehingga menghasilkan
505710144. Lakukan cara yang sama untuk tahun- tahun berikutnya.
9. Jumlah dari Square Error =SUM(K8:K18) untuk jumlah dari square error
menghasilkan 2490220093.
10. Menghitung rata- rata mean square error (MSE) dengan rumus =K8:K12
menghasilkan 498044019
11. Untuk tahun- tahhun berikutnya dilakukan dengan cara yang sama
Adapun tampilan rumus dapat dilihat pada tampilan dibawah ini
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil pengolahan data dan analisis data yang dilakuaka sebelumnya
pada bab 3, maka kesimpulan yang dapat diperoleh adalah sebagia berikut:
1. Peramalan jumlah penduduk berdasarka metode laju pertumbuhan goemetris
pada tahun 2015 adalah 166510 jiwa, dan untuk tahun 2016 adalah 165954
jiwa.
2. Metode peramalan yang dipilih untuk meramalkan tingkat kebutuhan beras di
Kota Tanjungbalai untuk periode tahun 2015 sampai dengan tahun 2016
adalah metode linear satu parameter dari Brown berdasarkan kriteria MSE
terkecil untuk kebutuhan beras adalah dengan α= 0.1, dan MSE = 498044019.
3. Peramalan untuk tahun 2015 kebutuhana beras adalah 21589.9861 ton, dan
untuk tahun 2016 kebutuhan beras adalah 21547.1922 ton.
4. Berdasarkan hasil peramalan yang telah penulis kerjakan maka dapat
disimpulkan bahwa kebutuhan beras di Kota Tanjungbalai sangat tinggi dan
tidak sebanding dengan jumlah penduduk di Kota Tanjungbalai. Hal ini di
sebabkan karena beras merupakan pangan pokok di kota tersebut.
5.2 Saran
Adapun saran- saran yang ingin penulis sampaikan adalah:
1. Diharapkan pemerintah memberikan penyuluhan bagi masyarakat agar
produktivitas pada dapat lebih ditingkatkan dan menyadarkan masyarakat
petani agar tidak mengganti tanaman padi dengan tanaman yang lain. Supaya
kebutuhan beras dapat terpenuhi.
2. Dalam hal ini penulis ingin memberikan saran kepada pihak pemerintah agar
tulisan ini menjadi masukan untul mengambil keputusan dalam meramalkan
DAFTAR PUSTAKA
Badan Ketahanan Pangan Provinsi Sumatera Utara, "Produksi Kebutuhan Pokok", BKP Sumut, Medan, 2014
Mantra, I. Bagoes. 2000. Demografi Umum, Pustaka Pelajar, Yogyakarta, 2000.
Spyros Makridakis, Steven C. Wheel, Victor E. McGee. Metode dan Aplikasi Peramalan, Erlangga, Jakarta, 1996.
Sudjana, "Metode Statistika"edisi 6, Tarsito, Bandung, 2005.
KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN UNIVERSITAS SUMATERA UTARA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM DEPARTEMEN MATEMATIKA
Jln. Bioteknologi No.1 Kampus USU Padang Bulan Medan-20155 Telp. (061) 8211050, 8214290, Fax. (061) 821429
KARTU BIMBINGAN TUGAS AKHIR MAHASISWA
Nama Mahasiswa : Maulana Malik Ibrahim Hsb Nomor Induk Mahasiswa : 122407053
Judul Tugas akhir : Peramalan Tingkat Kebutuhan Beras di Kota Tanjungbalai Pada Tahun 2016
Dosen Pembimbing : Prof. Dr. Saib Suwilo, M.Sc Tanggal Mulai Bimbingan : 24 Maret 2015
Tanggal Selesai Bimbingan :
No
*Kartu ini harap dikembalikan ke jurusan Matematika bila bimbingan mahasiswa telah selesai
Disetujui oleh
Program Studi D3 Statistika FMIPA USU
KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN UNIVERSITAS SUMATERA UTARA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM DEPARTEMEN MATEMATIKA
Jln. Bioteknologi No.1 Kampus USU Padang Bulan Medan-20155 Telp. (061) 8211050, 8214290, Fax. (061) 821429
Hasil Uji Program Tugas Akhir SURAT KETERANGAN
Yang bertanda tangan di bawah ini menerangkan bahwa Mahasiswa Tugas Akhir program studi D3 Statistika:
Nama : Maulana Malik Ibrahim Hsb
Nomor Induk Mahasiswa : 122407053 Program Studi : D3 Statistika
Judul : Peramalan Tingkat Kebutuhan Beras di Kota Tanjungbalai Pada Tahun 2016
Telah melaksanakan test program Tugas Akhir mahasiswa tersebut di atas pada tanggal
Dengan Hasil: Sukses / Gagal
Demikian diterangkan untuk digunakan melengkapi syarat pendaftaran Ujian Meja Hijau Tugas Akhir Mahasiswa bersangkutan di Jurusan D3 Statistika FMIPA USU.
Medan, Juni 2015 Dosen Pembimbing,