Peramalan Nilai Penjualan Energi Gas Pada PT PGN Wilayah III Medan Tahun 2011

(1)

PERAMALAN NILAI PENJUALAN ENERGI GAS PADA PT PGN

WILAYAH III MEDAN TAHUN 2011

TUGAS AKHIR

ANITA MEGAWATI SIMANUNGKALIT 072407017

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

(2)

PERAMALAN NILAI PENJUALAN ENERGI GAS PADA PT PGN

TUGAS AKHIR

ANITA MEGAWATI SIMANUNGKALIT 072407017

(3)

PERAMALAN NILAI PENJUALAN ENERGI GAS PADA PT PGN

TUGAS AKHIR

Diajukan Untuk Melengkapi Tugas dan Memenuhi Syarat Memperoleh Ahli Madya

ANITA MEGAWATI SIMANUNGKALIT 072407017

(4)

PERSETUJUAN

Judul : PERAMALAN NILAI PENJUALAN

ENERGI GAS PADA PT PGN WILAYAH III MEDAN TAHUN 2011

Kategori : TUGAS AKHIR

Nama : ANITA MEGAWATI SIMANUNGKALIT

Nomor Induk Mahasiswa : 072407017

Program Studi : DIPLOMA (D3) STATISTIKA

Departemen : MATEMATIKA

Fakultas : MATEMATIKA DAN ILMU

PENGETAHUAN ALAM

Diluluskan di Medan, Mei 2010

Diketahui / Disetujui oleh

Departemen matematika FMIPA USU

Ketua, Pembimbing,

(5)

PERNYATAAN

PERAMALAN NILAI PENJUALAN ENERGI GAS PADA PT PGN WILAYAH III MEDAN TAHUN 2011

TUGAS AKHIR

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

Medan, Mei 2010

(6)

PENGHARGAAN

Puji dan syukur penulis ucapkan kehadirat Tuhan Yesus Kristus Yang Maha Kasih, karena kasih karunia dan anugerah-Nya tugas akhir ini dapat diselesaikan dalam waktu yang telah ditetapkan.

(7)

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Daftar Isi v

Daftar Tabel vii

Daftar Gambar viii

Bab 1 Pendahuluan 1

1.1 Latar Belakang 1

1.2 Tujuan penelitian 4

1.3 Identifikasi Masalah 5

1.4 Metode Penelitian 5

1.5 Sistematika Penulisan 6

Bab 2 Tinjauan Teoritis 8

2.1 Pengertian Peramalan 8

2.2 Jenis - jenis Peramalan 9

2.3 Pemilihan Metode Peramalan 10

2.4 Kegunaan Peramalan 12

2.5 Metode Pemulusan (Smoothing) 13 2.6 Metode Smoothing yang Digunakan 14

2.7 Ketepatan Peramalan 16

(8)

3.1.2 Masa Pemerintahan Jepang 19 3.1.3 Masa Kemerdekaan Republik Indonesia 20 3.1.4 Masa Orde Baru Sampai sekarang 20 3.2 Struktur Organisasi badan Pusat Statistik 22

Bab 4 Analisis dan Pengolahan Data 25

4.1 Pengertian Analisis Data 25

4.2 Analisis Data dengan Metode Pemulusan Ganda Satu 25 Parameter Dari Brown

4.2.1 Penaksiran Model Peramalan 27 4.2.2 Penentuan Persamaan Bentuk Peramalan 41 4.3 Peramalan Nilai Penjualan Gas 43

Bab 5 Implementasi Sistem 45

5.1 Pengertian Implementasi Sistem 45

5.2 Microsoft Excel 46

5.3 Langkah – langkah Memulai Pengolahan Data Dengan Excel 46 5.4 Implementasi Sistem Peramalan Nilai Penjualan Gas 49

5.5 Fungsi Smoothing Eksponensial 49

Bab 6 Kesimpulan dan Saran 52

6.1 Kesimpulan 52

6.2 Saran 53

(9)

DAFTAR TABEL

Halaman Tabel 4.1 Data Penjualan Energi Gas Pada PT PGN ( Persero) Tbk Medan 27 Tabel 4.2 Peramalan Nilai Penjualan Gas dengan Pemulusan 29

Eksponensial Ganda Satu Parameter dari Brown dengan menggunakan α=0,1

Tabel 4.3 Peramalan Nilai Penjualan Gas dengan Pemulusan 30 Eksponensial Ganda Satu Parameter dari Brown dengan

menggunakan α=0,2

menggunakan α=0,3

menggunakan α=0,4

menggunakan α=0,5

menggunakan α=0,6

menggunakan α=0,7

menggunakan α=0,8

menggunakan α=0,9

Tabel 4.11 Perbandingan Ukuran Ketepatan Metode Peramalan 38 Tabel 4.12 Peramalan Nilai penjualan Gas dengan Pemulusan 39

(10)

DAFTAR GAMBAR

Halaman

Gambar 4.1 Plot Pemulusan Data 42

Gambar 5.1 Tampilan Worksheet (lembar kerja) Excel 47 Gambar 5.2 Tampilan Data Aktual dalam Excel 48

Gambar 5.3 Tampilan Menu Data Analisis 50

(11)

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Energi merupakan sesuatu yang tidak dapat terpisahkan dari kehidupan manusia saat ini. Energi mempunyai peranan penting dalam kehidupan sosial, ekonomi dan lingkungan. Kebutuhan energi di dunia hingga detik ini cenderung dipenuhi dengan

bahan bakar fosil. Pada dasarnya, sumber daya alam

Gas alam sering juga disebut sebagai gas bumi atau gas rawa merupakan salah

satu barang tambang berbentuk gas yang terdiri dari metana (CH4). Ditemukan di ladang minyak bersama minyak bumi, ladang gas bumi dan juga tambang batu bara. daya alam yang tidak dapat diperbaharui (non renewable resources) dan bersumber

dari pertambangan. Dimana Pertambangan adalah rangkaian kegiatan dalam rangka upaya pencarian, penambangan (penggalian), pengolahan, pemanfaatan dan penjualan bahan galian. Salah satu barang hasil produksi pertambangan yaitu gas alam (Nature

(12)

juga merupakan bahan baku utama untuk berbagai sintesis kimia. Produk dari gas

bumi yang terutama misalnya berbagai hidrokarbon dan LPG.

Gas alam dewasa ini telah menjadi sumber energi alternatif yang banyak digunakan oleh masyarakat dunia untuk berbagai keperluan, baik untuk perumahan,

komersial maupun industri. Dari tahun ke tahun penggunaan gas alam selalu meningkat. Hal ini karena banyaknya keuntungan yang didapat dari penggunaan gas

alam dibanding dengan sumber energi lain. Energi yang dihasilkan gas alam lebih efisien. Tidak seperti halnya dengan minyak bumi dan batu bara, penggunaannya jauh lebih bersih dan sangat ramah lingkungan sehingga tidak menimbulkan polusi

terhadap lingkungan. Disamping itu, gas alam juga mempunyai beberapa keunggulan

lain, seperti tidak berwarna, tidak berbau, tidak korosif dan tidak beracun.

Secara garis besar pemanfaatan gas alam dibagi atas 3 kelompok yaitu :

1. Gas alam sebagai bahan bakar

Antara lain sebagai bahan bakar Pembangkit Listrik Tenaga Gas/Uap, bahan bakar

industri ringan, menengah dan berat, bahan bakar kendaraan bermotor (BBG/NGV), sebagai gas kota untuk kebutuhan rumah tangga hotel, restoran dan sebagainya.

Gas alam terkompresi (Compressed natural gas, CNG) adalah alternatif bahan bakar selain bensin atau solar. Di Indonesia, kita mengenal CNG sebagai bahan bakar gas

(13)

LPG (liquified petroleum gas), adalah campuran dari berbagai unsur hidrokarbon yang

berasal dari gas alam. Penggunaan Elpiji di Indonesia terutama adalah sebagai bahan bakar alat dapur (terutama kompor gas). Selain sebagai bahan bakar alat dapur, Elpiji juga cukup banyak digunakan sebagai bahan bakar kendaraan bermotor walaupun

mesin kendaraannya harus dimodifikasi terlebih dahulu.

2. Gas alam sebagai bahan baku

Antara lain bahan baku pabrik pupuk, petrokimia, metanol, bahan baku plastik LDPE (low density polyethylene), LLDPE = linear low density polyethylene, HDPE (high density polyethylen), PE (poly ethylene), PVC (poly vinyl chloride), C3 dan C4-nya

untuk LPG, CO2-nya untuk soft drink, dry ice pengawet makanan, hujan buatan,

industri besi tuang, pengelasan dan bahan pemadam api ringan.

3. Gas alam sebagai komoditas energi untuk ekspor

Gas alam yang paling besar digunakan untuk komoditas ekspor di dunia yaitu LNG (Liquified Natural Gas) atau gas alam cair. Teknologi mutakhir juga telah dapat

memanfaatkan gas alam untuk air conditioner (AC), seperti yang digunakan di bandara Bangkok, Thailand dan beberapa bangunan gedung perguruan tinggi di

Australia.

Melihat Masih banyaknya penggunaan mesin industri dan transportasi penunjang perekonomian dunia yang umumnya masih memerlukan minyak bumi

(14)

pemakaian energi dunia hingga tahun 2025 akan masih didominasi bahan bakar fosil

yakni minyak, gas alam dan batubara. Meningkatnya kegiatan manusia dan besarnya tuntutan terhadap kepraktisan dan kenyamanan hidup, akan berakibat pada meningkatnya konsumsi energi. Era setelah masa revolusi industri dapat dikatakan

sebagai zaman konsumsi energi dari bahan bakar fosil dalam skala besar, seperti batubara, minyak bumi dan gas alam, dan terus berlanjut hingga kini.

Dari keadaaan dan berbagai alasan tersebut, penulis ingin meneliti salah satu Sumber Daya Alam (SDA) yang kita miliki yaitu Gas.. Dalam hal ini, penulis ingin

mengetahui dan meramalkan berapa besar Nilai penjualan energi Gas yang diperoleh dari PT Perusahaan Gas Nergara (PGN) Wilayah III Medan. Berdasarkan pemikiran di atas maka penulis memilih judul “PERAMALAN NILAI PENJUALAN ENERGI

GAS PADA PT PGN WILAYAH III MEDAN TAHUN 2011”.

1.2 Tujuan Penelitian

Secara umum penelitian ini bertujuan untuk :

1. Meramalkan besarnya nilai penjualan energi gas untuk tahun 2011

(15)

1.3 Identifikasi Masalah

Adapun yang menjadi masalah dalam tulisan ini yaitu :

1. Bagaimana bentuk persamaan yang dapat dipakai untuk meramalkan besarnya nilai penjualan energi gas untuk tahun 2011 ?

2. Berapa besarnya nilai penjualan energi gas yang diramalkan dimasa yang akan datang yaitu untuk tahun 2011.

3. Pemulusan ditentukan dengan cara coba-coba dan salah (trial and error) dari nilai parameter (α) yang besarnya 0<α<1.

1.4 Metode Penelitian

Metode yang penulis gunakan dalam melaksanakan penelitian ini adalah :

1. Pengumpulan Referensi

Suatu cara penelitian yang digunakan untuk memperoleh data atau informasi dari perpustakaan yaitu dengan membaca buku-buku, referensi, bahan-bahan yang

bersifat teoritis yang membantu dalam menyusun Tugas Akhir ini.

2. Pengumpulan Data.

Pengumpulan Data untuk keperluan riset ini penulis melakukan cara dengan menggunakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS). Data sekunder adalah data yang diperoleh atau dirangkum ulang berdasarkan data

(16)

angka-angka dengan tujuan mendapatkan gambaran yang jelas tentang data

tersebut.

3. Pengolahan Data

Pengolahan data untuk meramalkan nilai penjualan energi gas untuk tahun 2011

adalah dengan menggunakan metode pemulusan (Eksponensial Smoothing) yaitu dengan menggunakan rumus secara matematis dan dengan bantuan komputer.

1.5 Sistematika Penulisan

Adapun sistematika penulisan tugas akhir ini dibagi menjadi 6 Bab yang masing –

masing bab dibagi atas beberapa sub – sub bab yaitu :

BAB 1 : PENDAHULUAN

Bab ini menjelaskan latar belakang, tujuan penelitian, identifikasi

permasalahan, metode penelitian, dan sistematika penulisan.

BAB 2 : TINJAUAN TEORITIS

Bab ini menguraikan tentang segala sesuatu yang menyangkut tentang permasalahan yang dihadapi, sesuai dengan judul yang diutarakan.

BAB 3 : SEJARAH SINGKAT TEMPAT RISET

(17)

BAB 4 : ANALISA DAN EVALUSI

Bab ini menguraikan tentang data yang telah diamati, dan beserta analisisnya.

BAB 5 : IMPLEMENTASI SISTEM

Bab ini menguraikan tentang program atau software yang dipakai sebagai analisis terhadap data yang diperoleh. Dimana program ini

berfungsi sebagai pengolah data sehingga akan menghasilkan informasi yang dibutuhkan.

BAB 6 : KESIMPULAN DAN SARAN

(18)

BAB 2

LANDASAN TEORI

2.1 Pengertian Peramalan

Peramalan (forecasting) menurut Sofyan Assauri (1984) adalah suatu kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Peramalan

penjualan adalah peramalan yang mengkaitkan berbagai asumsi yang berhubungan dengan tindakan - tindakan yang perlu diambil serta variabel – variabel lain yang mempengaruhi permasalahan arus penjualan yang akan terjadi. Peramalan diperlukan

karena adanya perbadaan waktu antara keadaan akan dibutuhkannya suatu kebijakan baru. Apabila perbedaan waktu tersebut panjang, maka peran peramalan menjadi

penting dan sangat dibutuhkan, terutama dalam penentuan kapan terjadinya suatu peristiwa sehingga dapat dipersiapkan tindakan yang diperlukan.

Kegunaan suatu peramalan dapat dilihat pada saat pengambilan keputusan.

Keputusan yang baik adalah keputusan yang didasarkan oleh pertimbangan apa yang akan terjadi saat keputusan tersebut dilaksanakan. Apabila keputusan yang diambil kurang tepat sebaiknya keputusan tersebut tidak dilaksanakan. Oleh karena masalah

(19)

merupakan masalah yang harus dihadapi. Karena peramalan berkaitan erat dengan

pengambilan keputusan.

2.2 Jenis – jenis Peramalan

Menurut Makridakis, Wheelright, dan McGee (1999), teknik peramalan dapat dibagi dalam 2 bagian jika dilihat dari sifatnya, yaitu :

1. Peramalan Kualitatif

Peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif

pada masa lalu. Hasil peramalan ini sangat bergantung pada orang yang menyusunnya, karena berdasarkan pemikiran yang bersifat intuisi, pendapat dan pengetahuan serta pengalaman dari orang – orang yang menyusunnya. Metode kualitatif dapat dibagi menjadi dua, yaitu metode eksploratoris dan

normatif.

2. Peramalan Kuantitatif

Peramalan kuantitatif adalah peramalan yang didasrkan atas data kuantitatif pada masa lalu. Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti prosedur penyusunan dengan baik. Semakin baik kita menggunakan

prosedur peramalan, maka penyimpangan antara hasil peramalan dengan kenyataan yang terjadi juga semakin kecil. Metode peramalan kuantitatif dapat

(20)

Peramalan kuantitatif dapat digunakan bila memenuhi syarat berikut :

1. Adanya informasi tentang masa lalu

2. Informasi tersebut dapat dikuantitatifkan dalam bentuk angka

3. Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola masa

lalu akan terus berlanjut di masa yang akan datang dan kondisi ini disebut dengan kondisi yang konstan (assumption of constancy).

Metode – metode peramalan dengan analisis deret waktu dibagi tiga yaitu :

1. Metode Pemulusan Eksponensial dan Rata – rata Bergerak

Metode ini sering digunakan untuk ramalan jangka pendek dan jarang

dipakai untuk ramalan jangka panjang. 2. Metode Regresi

Metode ini biasanya digunakan untuk ramalan jangka menengah dan

jangka panjang. 3. Metode Box – jenkins

Metode ini jarang dipakai, tapi baik digunakan untuk ramalan jangka pendek, menengah dan panjang.

2.3 Pemilihan Metode Peramalan

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

(21)

Ada enam faktor utama yang diidentifikasikan sebagai teknik dan metode

peramalan, yaitu :

1. Horizon Waktu

Ada dua aspek dari horizon waktu yang berhubungan dengan masing – masing

metode peramalan, yaitu cakupan waktu di masa yang akan datang dan jumlah periode untuk peramalan yang diinginkan.

2. Pola Data

Dasar utama dari metode peramalan adalah anggapan bahwa macam pola yang didapati di dalam data yang diramalkan akan berkelanjutan.

3. Jenis dan model

Model – model merupakan suatu deret dimana waktu digambarkan sebagai

unsur yang penting untuk menentukan perubahan – perubahan dalam pola. Model – model perlu diperhatikan karena masing – masing model mempunyai kemapuan yang berbeda dalam analisis keadaan untuk pengambilan keputusan.

4. Biaya yang dibutuhkan

Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu prosedur peramalan, yaitu biaya – biaya penyimpangan (storage) data, operasi

pelaksanaan dan kesempatan dalam penggunaan teknik – teknik dan metode peramalan.

(22)

Tingkat ketepatan yang dibutuhkan sangat erat kaitannya dengan tingkat

perincian yang dibutuhkan dalam suatu peramalan.

6. Kemudahan dan Penerapan

Metode – metode yang dapat dimengerti dan mudah diaplikasikan sudah

merupakan suatu prinsip umum bagi pengambilan keputusan.

2.4 Kegunaan Peramalan

Kegunaan peramalan dalam suatu penelitian adalah untuk memperkirakan situasi dan kondisi yang akan terjadi dari sesutu yang diteliti untuk masa yang akan

datang setelah situasi tersebut dianalisis. Peramalan merupakan suatu alat bantu yang penting dalam perencanaan yang efektif dan efisien. Dalam hal ini

penyusunan suatu rencana untuk mencapai tujuan atau sasaran suatu organisasi / lembaga terdapat perbedaan waktu antara kegiatan apa saja yang perlu dilakukan, kapan waktu pelaksanaan, dan dilaksanakan oleh siapa. Perencanaan dan

peramalan merupakan dua hal yang sangat erat kaitannya, hal ini dapat dilihat dalam penyusunan rencana, dimana dalam penyusunan ini melibatkan peramalan

juga.

Dengan demikian dapat dikatakan bahwa peramalan merupakan dasar untuk

(23)

sehingga melalui metode peramalan akan didapat cara pemikiran dan pengerjaan

yang teratur dan terarah serta perencanaan yang sistematis hingga memberikan ketepatan hasil analisis.

2.5 Metode Pemulusan (Smoothing)

Metode pemulusan atau smoothing adalah metode peramalan dengan mengadakan

penghalusan terhadap data masa lalu, yaitu dengan mengambil rata – rata dari nilai beberapa tahun untuk menaksir nilai pada beberapa tahun ke depan. Secara umum, metode Smoothing diklasifikasikan menjadi dua bagian, yaitu :

1. Metode Rata – rata

Metode rata – rata dibagi atas empat bagian, yaitu :

a. Nilai tengah (mean)

b. Rata – rata bergerak tunggal (single moving average)

c. Rata – rata bergerak ganda (double moving average)

d. Kombinasi rata – rata bergerak lainnya.

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

mengembangkan suatu sistem peramalan pada periode mendatang.

(24)

t t

t X F

F₊₁ =α +(1−α)

Dimana,

Ft+1 = ramalan satu periode ke depan

Xt = data aktual pada periode ke- t

Ft

1. Pemulusan atau smoothing eksponensial tunggal = ramalan pada periode ke- t

α = parameter pemulusan

Metode pemulusan dan smoothing eksponensial terdiri atas :

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

a. Metode linear satu parameter dari Brown

b. Metode dua parameter dari Holt

2.6 Metode Smoothing yang Digunakan

Untuk mendapatkan hasil yang baik harus diketahui cara peramalan yang tepat. Maka metode peramalan analisis time series yang digunakan untuk meramalkan nilai

(25)

Metode ini merupakan metode yang dikemukakan oleh Brown. Dasar

pemikiran dari metode smoothing eksponensial linier satu parameter dari Brown adalah serupa dengan rata – rata bergerak linier, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data sebenarnya.

Persamaan yang dapat dipakai dalam pelaksanaan pemulusan eksponensial linier satu parameter dari Brown adalah sebagai berikut :

(

)

(

)

(

)

(

)

m b a F S S b S S S S S a S S S S X S t t m t t t t t t t t t t t t t t t t + = − − = − = − + = − + = − + = + − − '' ' '' ' '' ' ' 1 '' '' 1 1 ' 1 2 1 1 α α α α α α Dimana,

St’ = Nilai pemulusan eksponensial tunggal

St’’ = nilai pemulusan eksponensial ganda

α = parameter pemulusan eksponensial yang besarnya 0<α<1

αt , bt = konstanta pemulusan

(26)

2.7 Ketepatan Peramalan

Ketepatan peramalan adalah suatu hal yang sangat mendasar dalam peramalan, yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu penolakan untuk

memilih suatu metode peramalan. Dalam pemodelan deret berkala (time series) dari data masa lalu dapat diramalkan situasi yang akan terjadi pada masa yang akan datang, untuk menguji kebenaran ramalan ini digunakan ketepatan ramalan.

Beberapa kriteria yang digunakan untuk menguji ketepatan ramalan antara lain :

1. ME (Mean Eror / Nilai Tengah Kesalahan)

N e ME N t t

∑

₌ = 1

2. MSE (Mean Square Eror / Nilai Tengah Kesalahan)

N e MSE N t t

∑

₌ = 1 2

3. MAE (Mean Absolut Eror / Nilai Tengah Kesalahan Eror)

N e MAE N t t

∑

₌ = 1

4. MAPE (Mean Absolute Persentage Eror) / Nilai Tengah Kesalahan Persentase

(27)

N PE MAPE N t t

∑

₌ = 1

, 100

    − = t t t t X F X PE

5. MPE (Mean Persentage Eror) / Nilai Tengah Kesalahan Persentase

N PE MPE N t t

∑

₌ = 1 Dimana ;

Et = Xt – Ft (kesalahan periode ke- t)

Xt = data aktual pada periode ke- t

Ft 100     − = t t t t X F X PE

= nilai peramalan pada periode ke- t

(kesalahan persentase pada periode ke- t)

(28)

BAB 3

SEJARAH DAN STRUKTUR BPS INDONESIA

3.1 Sejarah Singkat Badan Pusat Statistik

Kantor Badan Pusat Statistik (BPS) provinsi Indonesia merupakan lembaga pemerintahan non departemen yang berada di bawah dan bertanggung jawab langsung

kepada presiden.

Badan Pusat Statistik ini sudah berdiri sejak Indonesia dijajah oleh bangsa Belanda. Banyak perubahan yang terjadi dalam BPS sejak berdiri, baik pada masa

Hindia Belanda, Jepang, masa kemerdekaan, masa orde baru, hingga sekarang ini.

3.1.1 Masa Pemerintahan Hindia Belanda

(29)

Handel) dan berkedudukan di Bogor. Kantor ini bertugas untuk mengolah dan mempublikasikan data statistik.

Pada tahun 1923, dibentuk suatu komisi untuk statistik yang anggotanya

merupakan wakil dari tiap – tiap departemen. Komisi tersebut diberi tugas untuk merencanakan tindakan – tindakan yang mengarah sejauh mungkin untuk mencapai kesatuan dalam kegiatan di bidang statistik Indonesia.

Pada tanggal 24 September 1924, nama lembaga tersebut diganti dengan nama Central Kantor Voor De Statistic (CKS) atau kantor statistik dan dipindahkan ke

Jakarta. Kebudian beralih pula pekerjaan mekanisme statistik perdagangan yang

semula dilakukan oleh kantor Invoer Uitvoer en Accijnsen (IUA) yang sekarang disebut sebagai kantor bea cukai.

3.1.2 Masa Pemerintahan Jepang

(30)

3.1.3 Masa Kemerdekaan Republik Indonesia

Setelah proklamasi kemerdekaan republik Indonesia tanggal 17 Agustus 1945, kegiatan statistik ditangani oleh lembaga atau instansi baru sesuai dengan suasana

kemerdekaan yaitu KAPPURI (Kantor Penyelidik Perangkaan Umum Republik Indonesia). Tahun 1946, KAPPURI dipindahkan ke Yogyakarta sebagai sekuens dari Perjanjian Linggarjati. Sementara pemerintahan Belanda (NICA) di Jakarta

mengaktifkan kembali CKS. Berdasrkan surat edaran kementrian kemakmuran tanggal 12 Juli 1950 nomor 219/S. C, KAPPURI dan CKS dilebur menjadi Kantor

Pusat Statistik (KPS) yang bertanggungjawab pada kemakmuran.

Dengan surat Menteri Perekonomian tanggai 1 Maret 1952 nomor P/ 44, lembaga KPS bertanggung jawab pada perekonomian. Kemudian keputusan Menteri

Perekonomian tanggal 24 Desember 1953 nomor 18.009/ M, KPS dibagi menjadi 2 bagian penyelenggara tata usaha yang disebut Afdeling B.

Dengan keputusan presiden nomor 131 tahun 1957, kementerian ekonomi dipecah menjadi kementerian perindustrian. Kemudian keputusan presiden nomor 172 tahun 1957 terhitung mulai 1 Juni 1957, KPS diubah menjadi Biro Pusat Statistik dan

(31)

3.1.4 Masa Orde Baru sampai Sekarang

Pada pemerintahan orde baru khususnya untuk memenuhi kebutuhan perencanaan dan evaluasi pembangunan, maka untuk mendapatkan statistik yang handal, lengkap,

tepat, akurat dan terpercaya mulai dilakukan pembenaran organisasi Biro Pusat statistik. Dalam masa orde baru ini Badan Pusat Statistik telah mengalami empat kali perubahan struktur organisasi, yaitu :

1 Peraturan pemerintah nomor 16 tahun 1968 tentang organisasi Badan Pusat Statistik

2 Peraturan pemerintah nomor 6 tahun 1980 tentang organisasi Badan Pusat Statistik

3 Peraturan Pemerintah nomor 2 tahun 1992 tentang kedudukan, tugas, fungsi, susunan, dan tata kerja Biro Pusat Statistik

4 Undang – undang nomor 16 tahun 1997 tentang statistik

5 Keputusan Presiden Republik Indonesia nomor 86 tahun 1998 tentang Badan Pusat Statistik

6 Keputusan Kepala Badan Pusat Statistik nomor 100 tahun 1998 tentang organisasi dan tenaga kerja Badan Pusat Statistik

7 Peraturan Pemerintah nomor 51 tahun 1999 tentang penyelenggaraan statistik.

(32)

Pemerintah nomor 16 tahun 1968, di setiap provinsi terdapat cabang perwakilan

Badan Pusat Statistik. Pada tanggal 19 Mei 1997 ditetapkan statistik sebatgai pengganti Undang – undang nomor 6 dan nomor 7 tentang sensus dan statistik dan pada tanggal 17 Juni 1998 dengan keputusan Presiden, Statistik ditetapkan untuk

mengatur tata kerja dan struktur organisasi Badan Pusat Statistik yang baru.

3.2 Struktur Organisasi Badan Pusat Statistik

Organisasi merupakan suatu fungsi manajemen yang mempunyai peranan dan

kegiatan langsung instansi sosial yang rterdiri dari individu – individu dalam rangka kerja sma untuk mencapai tujuan yang telah ditetapkan. Struktur organisasi perusahaan merupakan salah satu faktor penting yang mempengaruhi tingkat

keberhasilan suatu perusahaan dalam mencapai tujuan yang ditetapkan. Dengan adanya struktur organisasi, maka spesifikasi dan pemisahan tugas dari para pegawai

/staf tersebut juga akan semakin jelas.

Struktur organisasi yang diterapkan di kantor Badan Pusat Statistik mengandung unsur – unsur spesialisasi kerja, statndardisasi kegiatan, sentralisasi dan

(33)

Adapun tujuan dari struktur organisasi ini dan staf di kantor Badan Pusat

Statistik provinsi Sumatera Utara adalah :

a. Pengkoordinasian, yaitu memungkinkan komunikasi integrasi berbagai departemen dan kegiatan – kegiatan ynag saling berhubungan satu sama lain.

b. Pemberian saran, yaitu memberikan saran atau membuat rekomendasi bagi manajemen.

c. Pembuatan keputusan, yaitu membuat keputusan – keputusan dan mengamati bagaimana pelaksanaan keputusan tersebut.

Adapun bagian – bagian atau struktur organisasi Badan Pusat Statistik provinsi Sumatera Utara adalah sebagai berikut :

Peraturan Presiden Republik Indonesia nomor 86 tahun 1998 menetapkan Badan Pusat

Statistik sebagaimana dalam lampiran organisasi kantor Badan Pusat Statistik provinsi Sumatera Utara dipimpin oleh seorang Kepala Kantor.

Kepala Kantor dibantu bagian tata usaha yang terdiri dari :

a. Sub Bagian Urusan Dalam

b. Sub bagian Perlengkapan

c. Sub Bagian Keuangan

d. Sub Bagian Kepegawaian

(34)

Sedangkan bidang penunjang statistik terdiri dari lima bidang, yaitu :

1. Bidang Statistik Produksi

Bidang Statistik Produksi bertugas untuk melaksanakan kegiatan statistik pertanian, industri, konstruksi, pertambangan dan energi.

2. Bidang Statistik distribusi

Bidang Statistik Distribusi bertugas untuk melaksanakan kegiatan statistik

konsumen dan perdagangan besar, statistik keuangan dan harga produsen serta niaga dan jasa.

3. Bidang Statistik Sosial

Bidang Statistik Sosial bertugas untuk melaksanakan kegiatan demografi dan rumah tangga, ketenagakerjaan, dan statistik kesejahteraan.

4. Bidang Integrasi Pengolahan dan Diseminiasi Statistik (IPDS)

Bidang ini bertugas untuk menyiapkan data, menyusun sistem, dan program serta operasional pengolahan data dengan komputer.

5. Bidang Neraca Wilayah dan Analisis Statistik

Bidang ini bertugas untuk menyusun neraca produksi, neraca konsumsi dan

(35)

BAB 4

ANALISIS DATA

4.1 Pengertian Analisis Data

Analisis data dapat diartikan sebagai penjabaran atas pengukuran atau pengolahan data kuantitatif menjadi suatu penyajian yang lebih mudah dimengerti dan

menguraikan suatu masalah secara keseluruhan. Analisis atau pengolahan data sangat diperlukan dalam memecahkan suatu permasalahan. Data yang akan dianalisis oleh penulis adalah data per tahun nilai penjualan energi Gas Pada PT PGN Wilayah III

Sumatera Utara yang dimulai dari tahun 1999 sampai dengan 2008. Metode yang digunakan untuk menganalisis data tersebut adalah metode peramalan Eksponensial

ganda satu parameter dari brown.

4.2 Analisis Data dengan Metode Pemulusan eksponensial Ganda Satu Parameter dari Brown

Langkah – langkah yang ditempuh untuk menentukan bentuk persamaan peramalan

(36)

1. Menentukan harga parameter parameter pemulusan (smoothing) eksponensial

ganda yang besarnya 0<.α<1.

2. Menghitung harga pemulusan eksponensial tunggal dengan menggunakan persamaan: 1 ' '

)

1

(

−

+

=

_t t

t

X

S

α

3. Menghitung harga pemulusan eksponensial ganda dengan menggunakan

persamaan: 1 '' ''

)

1

(

−

+

=

_t t

t

S

α

4. Menghitung koefisien at dan bt

(

)

(

t t

)

t t t t t t t S S b S S S S S a '' ' '' ' '' ' ' 1 2 − − = − = − + = α α

dengan menggunakan persamaan :

5. Menghitung trend peramalan ( Ft+m

m b a F_t₊_m = _t + _t

(37)

[image:37.595.105.514.154.574.2]

Tabel 4.1 Nilai Penjualan Energi Gas Pada PT PGN (Persero) Tbk SBU Distribusi Wilayah III Sumatera Utara Untuk Kota Madya Medan.

NO TAHUN JUMLAH (M3)

1 1999 107.193.400

2 2000 133.229.700

3 2001 152.314.800

4 2002 156.928.600

5 2003 165.633.690

6 2004 167.289.610

7 2005 196.015.700

8 2006 176.610.220

9 2007 113.333.750

10 2008 105.393.240

Sumber : BPS Provinsi Sumatera Utara

4.2.1 Penaksiran Model Peramalan

Dalam mengolah data, penulis menggunakan metode peramalan dengan metode

(38)

maka ditentukan parameter nilai α terlebih dahulu yang biasa digunakan dengan cara

trial and eror atau coba dan salah. Nilai α yang dipilih dari 0<α<1, dihitung Mean

Square Eror (MSE) yang merupakan suatu ukuran ketepatan perhitungan dengan mengkuadratkan masing – masing elemen dalam sebuah susunan data dan kemudian dicobalah nilai α yang lain.

Untuk menghitung nilai MSE pertama, dicari terlebih dahulu eror yang

merupakan hasil dari data asli dikurangi hasil ramalan. Kemudian hasil tiap eror dikuadratkan dan dibagi dengan banyaknya eror. Secara matematis rumus MSE adalah

sebagai berikut :

N e MSE

N

t t

∑

₌

= 1

(39)

[image:39.842.46.780.162.368.2]

Tabel 4.2 Peramalan Nilai Penjualan Gas dengan Pemulusan Eksponensial Ganda Satu Parameter dari Brown

dengan menggunakan α=0,1

Xt St' St'' at bt Ft+m e e2

107.193.400 107.193.400 107.193.400 - - - - -

133.229.700 109.797.030 107.453.763 112.140.297 260.363 - - -

152.314.800 114.048.807 108.113.267 119.984.347 659.504 112.400.660 39.914.140 1.593.138.571.939.600 156.928.600 118.336.786 109.135.619 127.537.953 1.022.352 120.643.851 36.284.749 1.316.583.009.993.000 165.633.690 123.066.477 110.528.705 135.604.248 1.393.086 128.560.305 37.073.385 1.374.435.860.528.870 167.289.610 127.488.790 112.224.714 142.752.866 1.696.008 136.997.334 30.292.276 917.621.982.230.948 196.015.700 134.341.481 114.436.390 154.246.572 2.211.677 144.448.875 51.566.825 2.659.137.442.849.560 176.610.220 138.568.355 116.849.587 160.287.123 2.413.196 156.458.248 20.151.972 406.101.956.146.921 113.333.750 136.044.894 118.769.118 153.320.671 1.919.531 162.700.320 -49.366.570 2.437.058.187.322.240 105.393.240 132.979.729 120.190.179 145.769.279 1.421.061 155.240.202 -49.846.962 2.484.719.629.425.730

JUMLAH 13.188.796.640.436.900

Sumber : Perhitungan

Untuk α = 0,1 N = 8

(40)

[image:40.842.67.741.163.369.2]

Tabel 4.3 Peramalan Nilai Penjualan Gas dengan Pemulusan Eksponensial Ganda Satu Parameter dari Brown

107.193.400 107193400 107.193.400 - - - - -

133.229.700 112400660 108.234.852 116.566.468 1.041.452 - - -

152.314.800 120383488 110.664.579 130.102.397 2.429.727 117.607.920 34.706.880 1.204.567.519.334.400 156.928.600 127692510,4 114.070.165 141.314.855 3.405.586 132.532.124 24.396.476 595.188.041.218.577 165.633.690 135280746,3 118.312.282 152.249.211 4.242.116 144.720.442 20.913.248 437.363.958.640.102 167.289.610 141682519,1 122.986.329 160.378.709 4.674.047 156.491.327 10.798.283 116.602.911.428.776 196.015.700 152549155,2 128.898.894 176.199.416 5.912.565 165.052.756 30.962.944 958.703.870.431.896 176.610.220 157361368,2 134.591.389 180.131.347 5.692.495 182.111.981 -5.501.761 30.269.378.344.079 113.333.750 148555844,6 137.384.280 159.727.409 2.792.891 185.823.842 -72.490.092 5.254.813.446.797.680 105.393.240 139923323,6 137.892.089 141.954.558 507.809 162.520.300 -57.127.060 3.263.500.985.208.820

JUMLAH 11.861.010.111.404.300

Sumber : Perhitungan

Untuk α = 0,2 N = 8

(41)

[image:41.842.62.747.176.389.2]

107.193.400 107.193.400 107.193.400 - - - - -

133.229.700 115.004.290 109.536.667 120.471.913 2.343.267 - - -

152.314.800 126.197.443 114.534.900 137.859.986 4.998.233 122.815.180 29.499.620 870.227.580.144.400 156.928.600 135.416.790 120.799.467 150.034.113 6.264.567 142.858.219 14.070.381 197.975.621.485.160 165.633.690 144.481.860 127.904.185 161.059.535 7.104.718 156.298.680 9.335.010 87.142.404.232.092 167.289.610 151.324.185 134.930.185 167.718.185 7.026.000 168.164.253 -874.643 765.000.814.771 196.015.700 164.731.640 143.870.621 185.592.658 8.940.436 174.744.185 21.271.515 452.477.339.589.295 176.610.220 168.295.214 151.197.999 185.392.428 7.327.378 194.533.094 -17.922.874 321.229.418.266.316 113.333.750 151.806.775 151.380.632 152.232.917 182.633 192.719.806 -79.386.056 6.302.145.895.789.780 105.393.240 137.882.714 147.331.256 128.434.172 -4.049.375 152.415.550 -47.022.310 2.211.097.650.480.370

JUMLAH 10.443.060.910.802.200

Sumber : Perhitungan

Untuk α = 0,3 N = 8

MSE =

∑

N t

e2

(42)

[image:42.842.70.722.162.368.2]

107.193.400 107.193.400 107.193.400 - - - - -

133.229.700 117.607.920 111.359.208 123.856.632 4.165.808 - - -

152.314.800 131.490.672 119.411.794 143.569.550 8.052.586 119.690.824 32.623.976 1.064.323.810.048.580 156.928.600 141.665.843 128.313.413 155.018.273 8.901.620 135.516.965 21.411.635 458.458.121.937.878 165.633.690 151.252.982 137.489.241 165.016.723 9.175.827 146.116.653 19.517.037 380.914.728.575.281 167.289.610 157.667.633 145.560.598 169.774.669 8.071.357 155.840.896 11.448.714 131.073.061.046.409 196.015.700 173.006.860 156.539.103 189.474.617 10.978.505 161.703.312 34.312.388 1.177.339.996.614.460 176.610.220 174.448.204 163.702.743 185.193.665 7.163.641 178.496.112 -1.885.892 3.556.589.832.979 113.333.750 150.002.422 158.222.615 141.782.230 -5.480.128 178.030.024 -64.696.274 4.185.607.895.253.930 105.393.240 132.158.749 147.797.069 116.520.430 -10.425.546 147.262.358 -41.869.118 1.753.023.059.241.080

JUMLAH 9.154.297.262.550.590

Sumber : Perhitungan

Untuk α = 0,4 N = 8

(43)

[image:43.842.70.711.163.378.2]

107.193.400 107.193.400 107.193.400 - - - - -

133.229.700 120.211.550 113.702.475 126.720.625 6.509.075 - - -

152.314.800 136.263.175 124.982.825 147.543.525 11.280.350 133.229.700 19.085.100 364.241.042.010.000 156.928.600 146.595.888 135.789.356 157.402.419 10.806.531 158.823.875 -1.895.275 3.592.067.325.625 165.633.690 156.114.789 145.952.073 166.277.505 10.162.716 168.208.950 -2.575.260 6.631.964.067.600 167.289.610 161.702.199 153.827.136 169.577.263 7.875.063 176.440.221 -9.150.611 83.733.686.248.627 196.015.700 178.858.950 166.343.043 191.374.857 12.515.907 177.452.326 18.563.374 344.598.844.982.189 176.610.220 177.734.585 172.038.814 183.430.356 5.695.771 203.890.763 -27.280.543 744.228.050.245.324 113.333.750 145.534.167 158.786.491 132.281.844 -13.252.323 189.126.127 -75.792.377 5.744.484.392.362.030 105.393.240 125.463.704 142.125.097 108.802.310 -16.661.393 119.029.521 -13.636.281 185.948.159.937.095

JUMLAH 7.477.458.207.178.490

Sumber : Perhitungan

Untuk α = 0,5 N = 8

(44)

[image:44.842.70.708.162.368.2]

dengan menggunakan α=0,6

107.193.400 107.193.400 107.193.400 - - - - -

133.229.700 122.815.180 116.566.468 129.063.892 9.373.068 - - -

152.314.800 140.514.952 130.935.558 150.094.346 14.369.090 138.436.960 13.877.840 192.594.443.065.600 156.928.600 150.363.141 142.592.108 158.134.174 11.656.549 164.463.436 -7.534.836 56.773.753.546.896 165.633.690 159.525.470 152.752.125 166.298.815 10.160.017 169.790.723 -4.157.033 17.280.925.025.902 167.289.610 164.183.954 159.611.223 168.756.686 6.859.097 176.458.833 -9.169.223 84.074.646.756.039 196.015.700 183.283.002 173.814.290 192.751.713 14.203.067 175.615.783 20.399.917 416.156.616.544.479 176.610.220 179.279.333 177.093.316 181.465.350 3.279.026 206.954.781 -30.344.561 920.792.363.736.126 113.333.750 139.711.983 154.664.516 124.759.450 -22.428.800 184.744.375 -71.410.625 5.099.477.403.886.040 105.393.240 119.120.737 133.338.249 104.903.226 -21.326.267 102.330.651 3.062.589 9.379.454.332.023

JUMLAH 6.796.529.606.893.110

Sumber : Perhitungan

Untuk α = 0,6 N = 8

(45)

[image:45.842.69.703.162.367.2]

107.193.400 107.193.400 107.193.400 - - - - -

133.229.700 125.418.810 119.951.187 130.886.433 12.757.787 - - -

152.314.800 144.246.003 136.957.558 151.534.448 17.006.371 143.644.220 8.670.580 75.178.957.536.400 156.928.600 153.123.821 148.273.942 157.973.700 11.316.384 168.540.819 -11.612.219 134.843.630.103.962 165.633.690 161.880.729 157.798.693 165.962.765 9.524.751 169.290.084 -3.656.394 13.369.214.158.121 167.289.610 165.666.946 163.306.470 168.027.422 5.507.777 175.487.516 -8.197.906 67.205.670.162.952 196.015.700 186.911.074 179.829.693 193.992.455 16.523.223 173.535.198 22.480.502 505.372.950.119.393 176.610.220 179.700.476 179.739.241 179.661.711 -90.452 210.515.677 -33.905.457 1.149.580.047.409.550 113.333.750 133.243.768 147.192.410 119.295.126 -32.546.831 179.571.260 -66.237.510 4.387.407.682.265.180 105.393.240 113.748.398 123.781.602 103.715.195 -23.410.808 86.748.295 18.644.945 347.633.988.766.387

JUMLAH 6.680.592.140.521.950

Sumber : Perhitungan

Untuk α = 0,7 N = 8

(46)

[image:46.842.70.706.163.369.2]

107.193.400 107.193.400 107.193.400 - - - - -

133.229.700 128.022.440 123.856.632 132.188.248 16.663.232 - - -

152.314.800 147.456.328 142.736.389 152.176.267 18.879.757 148.851.480 3.463.320 11.994.585.422.400 156.928.600 155.034.146 152.574.594 157.493.697 9.838.205 171.056.024 -14.127.424 199.584.108.875.774 165.633.690 163.513.781 161.325.944 165.701.618 8.751.350 167.331.902 -1.698.212 2.883.925.355.513 167.289.610 166.534.444 165.492.744 167.576.144 4.166.800 174.452.968 -7.163.358 51.313.697.836.163 196.015.700 190.119.449 185.194.108 195.044.790 19.701.364 171.742.945 24.272.755 589.166.649.659.493 176.610.220 179.312.066 180.488.474 178.135.657 -4.705.634 214.746.154 -38.135.934 1.454.349.428.614.780 113.333.750 126.529.413 137.321.225 115.737.601 -43.167.249 173.430.024 -60.096.274 3.611.562.104.990.680 105.393.240 109.620.475 115.160.625 104.080.324 -22.160.601 72.570.352 32.822.888 1.077.341.969.299.820

JUMLAH 6.998.196.470.054.620

Sumber : Perhitungan

Untuk α = 0,8 N = 8

(47)

[image:47.842.70.730.161.367.2]

107.193.400 107.193.400 107.193.400 - - - - -

133.229.700 130.626.070 128.282.803 132.969.337 21.089.403 - - -

152.314.800 150.145.927 147.959.615 152.332.239 19.676.812 154.058.740 -1.743.940 3.041.326.723.600 156.928.600 156.250.333 155.421.261 157.079.405 7.461.646 172.009.051 -15.080.451 227.420.002.363.394 165.633.690 164.695.354 163.767.945 165.622.764 8.346.684 164.541.051 1.092.639 1.193.860.421.377 167.289.610 167.030.184 166.703.960 167.356.408 2.936.016 173.969.448 -6.679.838 44.620.231.030.357 196.015.700 193.117.148 190.475.830 195.758.467 23.771.869 170.292.424 25.723.276 661.686.932.185.011 176.610.220 178.260.913 179.482.405 177.039.421 -10.993.425 219.530.336 -42.920.116 1.842.136.392.467.680 113.333.750 119.826.466 125.792.060 113.860.872 -53.690.344 166.045.996 -52.712.246 2.778.580.882.830.290 105.393.240 106.836.563 108.732.112 104.941.013 -17.059.948 60.170.528 45.222.712 2.045.093.676.619.800

JUMLAH 7.603.773.304.641.510

Sumber : Perhitungan

Untuk α = 0,9 N = 8

(48)

Kemudian nilai - nilai MSE tersebut dibandingkan untuk menemukan nilai α yang

memberikan MSE yang minimum. Perbandingan ukuran ketepatan model peramalan

[image:48.595.110.542.247.492.2]

peramalan nilai penjualan Gas PT PGN ( Persero ) Tbk. Adalah sebagai berikut :

Tabel 4.11 Perbandingan Ukuran Ketepatan Metode Peramalan

α MSE

0,1 1.648.599.580.054.610

0,2 1.482.626.263.925.540

0,3 1.305.382.613.850.270

0,4 1.248.924.724.356.850

0,5 934.682.275.897.312

0,6 849.566.200.861.639

0,7 835.074.017.565.243

0,8 874.774.558.756.828

0,9 950.471.663.080.188 Sumber : Perhitungan

Dari tabel di atas dapat dilihat bahwa yang menghasilkan nilai MSE yang minimum

(49)

[image:49.842.62.715.176.382.2]

Tabel 4.12 Peramalan Nilai Penjualan Gas dengan Pemulusan Eksponensial Ganda Satu Parameter dari Brown

107.193.400 107.193.400 107.193.400 - - - - -

133.229.700 125.418.810 119.951.187 130.886.433 12.757.787 - - -

152.314.800 144.246.003 136.957.558 151.534.448 17.006.371 143.644.220 8.670.580 75.178.957.536.400 156.928.600 153.123.821 148.273.942 157.973.700 11.316.384 168.540.819 -11.612.219 134.843.630.103.962 165.633.690 161.880.729 157.798.693 165.962.765 9.524.751 169.290.084 -3.656.394 13.369.214.158.121 167.289.610 165.666.946 163.306.470 168.027.422 5.507.777 175.487.516 -8.197.906 67.205.670.162.952 196.015.700 186.911.074 179.829.693 193.992.455 16.523.223 173.535.198 22.480.502 505.372.950.119.393 176.610.220 179.700.476 179.739.241 179.661.711 -90.452 210.515.677 -33.905.457 1.149.580.047.409.550 113.333.750 133.243.768 147.192.410 119.295.126 -32.546.831 179.571.260 -66.237.510 4.387.407.682.265.180 105.393.240 113.748.398 123.781.602 103.715.195 -23.410.808 86.748.295 18.644.945 347.633.988.766.387

JUMLAH 6.680.592.140.521.950

(50)

Ukuran Ketepatan Metode Peramalan dengan α = 0,7

1. ME (Mean Eror / Nilai Tengah Kesalahan)

N e ME N t t

∑

₌ = 1 = 8 73.813.459

= -9.226.682,403

2. MSE (Mean Square Eror) / Nilai Tengah Kesalahan

N e MSE N t t

∑

₌ = 1 2 8 0 140.521.95 6.680.592. = = 835.074.017.565.243

3. MAE (Mean Absolut Eror) / Nilai Tengah Kesalahan Eror

(51)

4. MAPE (Mean Absolute Persentage Eror) / Nilai Tengah Kesalahan Persentase Absolut N PE MAPE N t t

∑

₌ = 1

, 100

    − = t t t t X F X PE = 8 2 127,002278 = 15,87528478

5. MPE (Mean Persentage Eror) / Nilai Tengah Kesalahan Persentase

N PE MPE N t t

∑

₌ = 1 = 8 7 57,2980771 -= -7,162259646

4.2.2 Penentuan Bentuk Persamaan Peramalan

Setelah ditentukan harga parameter smoothing Eksponensial yang besarnya 0<α<1

(52)

Perhitungan pada tabel di atas didasarkan pada α = 0,7 dan ramalan untuk satu

[image:52.595.108.514.180.373.2]

periode ke depan didasarkan pada hasil perhitungan tersebut serta untuk gambar grafik untuk smoothing eksponensial linier satu parameter dari Brown.

Gambar 4.1 Plot Pemulusan Peramalan Dengan α = 0,7

Berdasarkan hasil perhitungan tersebut, maka dapat ditentukan bentuk

persamaan peramalan untuk periode – periode berikutnya dengan menggunakan persamaan sebagaimana telah dituliskan dalam bab 2 tentang landasan teori,

persamaan yang dipakai untuk perhitungan adalah sebagai berikut :

(53)

Berdasarkan perhitungan data terakhir yang menggunakan α = 0,7, dapat diperoleh persamaan peramalan untuk periode berikutnya yaitu :

Ft+m= at+ btm

F_t₊_m= 103.715.195 + ( - 23.410.808)(m)

4.3 Peramalan Nilai Penjualan Gas

Setelah diperoleh persamaan peramalan nilai penjualan gas, maka dapat dihitung nilai penjualan gas untuk tiga periode berikutnya, yaitu untuk tahun 2009 s/d 2011, seperti di bawah ini :

a. Untuk Periode ke 11 (Tahun 2009)

F_t₊_m= 103.715.195 + (-23.410.808)(m)

F₁₀₊₁= 103.715.195 + (- 23.410.808)(1)

F₁₁ = 80.304.387

b. Untuk Periode ke 12 (Tahun 2010)

F_t₊_m= 103.715.195 + (- 23.410.808)(m)

F₁₀₊₂= 103.715.195 + (- 23.410.808)(2)

(54)

c. Untuk Periode ke 13 (Tahun 2011)

F_t₊_m= 103.715.195 + (- 23.410.808)(m)

F₁₀₊₃= 103.715.195 + (- 23.410.808)(3)

F13

Tahun

[image:54.595.106.449.338.419.2]

= 33.482.771

Tabel 4. 13 Peramalan Nilai penjualan Gas Pada PT PGN SBU Distribusi Wilayah III Medan

Periode Forecasting

2009 11 80.304.387

2010 12 56.893.579

(55)

BAB 5

IMPLEMENTASI SISTEM

5.1 Pengertian Implementasi Sistem

Implementasi sistem adalah tahapan penerapan hasil desain tertulis ke dalam

programming, dengan menggunakan perangkat lunak (software) sebagai implementasi ataupun prosedur untuk menyelesaikan desain sistem, yang mana dalam hal ini implementasi sistem digunakan untuk menganalisis data-data penjualan Gas.

Dalam hal pengolahan data, komputer mempunyai kelebihan dari manusia yaitu kecepatan, ketepatan, dan keandalan dalam memproses data. Dan dengan adanya

perangkat lunak komputer tersebut kita sangat terbantu karena memang ada kalanya data-data yang sangat rumit dan banyak itu tidak dapat dikerjakan secara manual atau

(56)

5.2 Microsoft Excel

Microsoft excel merupakan program aplikasi lembar kerja elektronik (spread sheet) dari program paket Microsoft Office. Excel merupakan salah satu software pengolah

angka yang cukup banyak digunakan di dunia. Excel merupakan produk unggulan dari Microsoft Corporation yang banyak berperan dalam pengelolaan informasi khususnya data yang berbentuk angka, dihitung, diproyeksikan, dianalisis dan dipersentasikan

data pada lembar kerja. Microsoft telah mengeluarkan Ecxel dalam berbagai versi mulai dari versi 4,versi 5,versi 97,versi 2000,versi 2002,dan versi 2003 hingga dalam

versi 2007.

Sheet (lembar kerja) Ecxel terdiri dari 256 kolom dan 65536 baris. Kolom diberi nama dengan huruf mulai dari A,B,C,…Z kemudian di lanjutkan

AA,AB,AC,…sampai kolom IV.Sedangkan baris di tandai dengan angka di mulai dari 1, 2, 3,…65.536. Ecxel 2003 hadir dengan berbagai penyempurnaan, tampil dengan terintegrasi dengan berbagai software lain, salah satunya adalah under windows

(57)

5.3 Langkah-langkah Memulai Pengolaan Data Dengan Ecxel

Sebelum mengoperasikan software ini, pastikan pada computer terpasang program Ecxel.

Langkah-langkahnya:

1. Klik tombol start

2. Pilih program dan klik Microsoft Office, Microsoft Ecxel

3. Setelah itu akan muncul tampilan worksheet (lembar kerja) seperti di bawah ini.

Data tiap tahun pada 3 kolom pertama untuk periode, tahun dan data nilai

(58)

Dari data di atas kita dapat menentukan besarnya forecast dengan α = 0,9

Dan untuk setiap perhitungan akan diberi nama tiap kolom seperti di bawah ini :

1. Pada kolom ke empat ditulis keterangan dengan St'

2. Pada kolom ke lima ditulis keterangan dengan St''

3. Pada kolom ke enam ditulis keterangan at

4. Pada kolom ke tujuh ditulis keterangan bt 5. Pada kolom ke delapan ditulis keterangan Ft+m

6. Pada kolom kesembilan ditulis keterangan dengan e

7. Pada kolom ke sepuluh ditulis keterangan dengan e2 / square eror

(59)

5.5 Implementasi Sistem peramalan Nilai Penjualan Gas

Fungsi dalam Excel ditujukan untuk memudahkan pengertian formula yang

diperlukan dalam melakukan perhitungan aritmatika dan operasi standard. Terdapat banyak fungsi statistic yang disediakan oleh Microsoft Excel, diantaranya akan

menggunakan salah satu fungsi average, Standard Deviasi, Median, Mean. Berikut ini penuis akan menggunakan salah satu fungsi satistik yaitu fungsi smoothing eksponensial.

5.6 Fungsi Smoothing Eksponensial

Langkah-langkah yang digunakan untuk menentukan peramalan dengan smoothing eksponensial.

Dari data aktual yang tersedia untuk diolah sehingga dapat dicari ramalan untuk periode selanjutnya sebagai berikut :

1. Memasukkan data nilai penjualan gas pada lembar kerja Excel

2. Menghitung nilai S΄t

a. Klik tools dan data analisis yaitu :

(60)

[image:60.595.108.456.83.370.2]

3. Setelah di klik Data Analisis, lalu pilih dan klik Exponensial Smoothing sehingga keluar tampilan seperti gambar dibawah ini.

(61)

4. Blok angka yang ingin dibuat untuk mendapatkan input range, masukkan nilai α sebagai dumping factor. Nilai dumping factor pada kasus ini adalah 0,3,

yang artinya akan α = 0,7.

5. Kemudian masukkan Output Range pada Menu Option yang berfungsi sebagai

tempat hasil output. Maka hasil output akan muncul pada range yang telah ditentukan.

6. Untuk mencari pemulusan kedua digunakan dengan memasukkan data hasil pemulusan yang pertama sebagai input range pada menu input.

7. Untuk mendapat nilai a, b, nilai peramalan (F), dan nilai kesalahan digunakan

data angka (numeric) yaitu karakter nilai konstan dan karakter khusus yang dibaca dalam format data angka yang terdiri dari angka dan tanda-tanda khusu

(62)

BAB 6

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan hasil pengolahan data dan analisis data yang dilakukan sebelumnya pada

BAB 4 maka kesimpulan yang diperoleh adalah sebagai berikut :

1. Bentuk metode peramalan yang dipilih untuk meramalkan data nilai penjualan Gas

pada PT Perusahaan Gas Negara (Persero)Tbk SBU Distribusi Wilayah III Sumatera Utara Untuk Kota Madya Medan berdasarkan data tahun 1999 s/d 2008 adalah metode Linier Satu Parameter dari Brown berdasarkan kriteria MSE terkecil dengan α = 0,7 yakni dengan MSE = 835.074.017. 65.2435

2. Bentuk persamaan peramalan nilai penjualan gas pada PT Perusahaan Gas Negara (Persero) Tbk SBU Distribusi Wilayah III Sumatera Utara untuk Kota Madya

medan berdasarkan data tahun 1999 s/d 2008 untuk 2 periode kedepan adalah

F_t₊_m= 103.715.195 + ( -23.410.808 (m)

Dimana m adalah jumlah periode kedepan yang ingin diramalkan yaitu 1,2,...,dst.

(63)

4. Dari data nilai penjualan kita dapat melihat terjadinya penurunan nilai penjualan gas dari tahun 2005 sampai 2008. Hal ini disebabkan karena berkurangnya

pasokan gas dari Pertamina, sehingga penyaluran gas yang dilakukan oleh Perusahaan Gas Negara juga menurun. Penurunan tersebut juga mempengaruhi

nilai ramalan untuk tahun – tahun berikutnya.

6.2 Saran

a. Dalam memperkirakan nilai penjualan gas untuk waktu – waktu yang akan datang, pihak PT PGN Wilayah III Sumatera Utara untuk Kota Madya Medan

dapat menggunakan metode peramalan eksponensial ganda dengan metode linier dari Brown.

b. Dalam meramalkan nilai penjualan energi gas pada PT Perusahaan Gas

Negara (Persero) Tbk SBU Wilayah III Sumatera Utara untuk Kota Madya Medan dengan menggunakan Metode Eksponensial Ganda dapat

Tahun Periode Forecasting

2009 11 80.304.387

2010 12 56.893.579

(64)

c. Melihat kecenderungan penurunan nilai penjualan gas yang disebabkan tidak

adanya pasokan gas dari Pertamina, maka untuk mengatasi masalah tersebut di atas, diperlukan kerja sama antara Pertamina dan PGN dalam mencari alternatif lain karena gas merupakan sumber daya alam yang tidak dapat

diperbaharui dan apabila digunakan terus – menerus akan habis juga. Sehingga apabila kita mempunyai alternatif yang lain, maka kita dapat meningkatkan

nilai penjualan dimasa yang akan datang dan kebutuhan masyarakat dapat terpenuhi dengan baik.

d. Sebagai bahan pertimbangan dan perbandingan dalam mengambil berbagai

(65)

DAFTAR PUSTAKA

1. Assauri, Sofyan. 1984. Teknik dan Metode Peramalan. Jakarta : Fakultas

Ekonomi Universitas Indonesia.

2. BPS Sumatera Utara. 2008. Sumatera Utara dalam angka 2003. Badan Pusat

Statistik.

3. BPS Sumatera Utara. 2009. Medan dalam angka 2009. Badan Pusat Statistik. 4. Lerbin R, Aritonang R, 2002. Peramalan Bisnis, Ghalia Indonesia

5. Makridakis, Wheewright dan McGEE. 1999. Metode dan Aplikasi