Peramalan Jumlah Ekspor Provinsi Sumatera Utara Menurut Sektor Pertambangan Dan Penggalian Tahun 2018 Chapter III V

(1)

BAB 3

PENGOLAHAN DATA

3.1. Pengertian Pengolahan Data

Pengolahan data dapat diartikan sebagai penjabaran atas pengukuran data kuantitatif menjadi suatu penyajian yang lebih mudah dimengerti dan menguraikan suatu masalah secara keseluruhan. Data yang akan diolah oleh penulis adalah data pertahun jumlah eskpor Provinsi Sumatera Utara Menurut Sektor Pertambangan dan Penggalian yang dimulai dari tahun 2006 sampai 2015. Metode yang digunakan untuk mengolah data tersebut adalah metode peramalan smoothing eksponensial ganda yaitu metode linier satu parameter dari Brown.

3.2. Perkembangan Jumlah Ekspor Provinsi Sumatera Utara Menurut sektor

Pertambangan dan Penggalian Tahun 2006-2015

Pada periode 2006-2015 jumlah ekspor Sumatera Utara menurut sektor pertambangan dan penggalian pada umumnya mengalami penurunan.

(2)

2014 207.353

2015 205.440

Sumber: BPS Provinsi Sumatera Utara

3.3. Pengolahan Data dengan Metode Smoothing Eksponensial Ganda:

Metode Linier Satu-Parameter dari Brown

Tahun Jumlah Ekspor

Langkah-langkah yang ditempuh untuk menentukan bentuk persamaan peramalan dengan menggunakan metode pemulusan eksponensial ganda: metode linier satu-parameter dari Brown adalah:

1. Menentukan harga parameter smoothing eksponensial ganda yang besarnya 0 < α < 1.

(3)

 α = 0,2

(4)

.

(5)

 α = 0,9

5. Menghitung trend peramalan F_{t m}_ dengan menggunakan persamaan 2.6.

(6)

dst.

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

 α = 0,1

3.4. Penaksiran Model Peramalan

Dalam mengolah data pada Tabel 3.2 , penulis menggunakan metode peramalan yaitu dengan metode smoothing eksponensial satu parameter dari Brown. Untuk memenuhi perhitungan smoothing eksponensial tunggal, ganda dan ramalan yang

akan datang, maka kita harus menentukan parameter dari nilai α terlebih dahulu

(7)

suatu ukuran ketepatan perhitungan dengan mengkuadratkan nilai error

masing-masing elemen dalam sebuah susunan data dan kemudian dicoba nilai α yang lain.

Untuk menghitung nilai MSE adalah pertama dicari terlebih dahulu error yang merupakan hasil dari data asli dikurang hasil ramalan. Lalu tiap error dikuadratkan dan dibagi dengan banyaknya error (persamaan 2.9).

Tabel 3.2 Perhitungan Peramalan Jumlah Ekspor dengan Smoothing Eksponensial Ganda Linier dari Brown dengan α = 0,1

t

113.311 544.399,54 631.303,40 457.496 -9.656 538.081,76 -424.770,76 180.430.194.779,84

101.180 102.850,35 578.458,09 -372.757 -52.845 447.839,70 -346.659,70 120.172.944.529,37

69.662 72.980,83 527.980,36 -382.019 -50.556 -425.602,69 495.264,69 245.287.117.510,80

262.987 243.986,38 499.580,96 -11.608 -28.399 -432.574,20 695.561,20 483.805.387.512,19

134.625 145.561,14 464.178,98 -173.057 -35.402 -40.007,60 174.632,60 30.496.544.196,70

222.447 214.758,41 439.236,92 -9.720,1 -24.942 -208.458,68 430.905,68 185.679.706.940,89

207.353 208.093,54 416.122,58 64,5 -23.114 -34.662,16 242.015,16 58.571.336.044,32

205.440 205.705,35 395.080,86 16.329,8 -21.042 -23.049,84 228.489,84 52.207.605.957,15

1.356.650.837.471,25

Untuk mendapatkan nilai MSE digunakan persamaan 2.9 dengan α = 0,1 dan

N=10

MSE = 135.665.083.747,13

Tabel 3.3 Perhitungan Peramalan Jumlah Ekspor dengan Smoothing

Eksponensial Ganda Linier dari Brown dengan α = 0,2

t

113.311 453.126,84 590.402,14 315.852 -34.318,82 429.780,60 -316.469,60 100.153.007.724,16

101.180 382.737,47 548.869,20 216.606 -41.532,93 281.532,72 -180.352,72 32.527.103.611,40

69.662 320.122,38 503.119,84 137.125 -45.749,37 175.072,81 -105.410,81 11.111.438.443,21

262.987 308.695,30 464.234,93 153.156 -38.884,91 91.375,55 171.611,45 29.450.489.084,66

134.625 273.881,24 426.164,19 121.598 -38.070,74 114.270,77 20.354,23 414.294.838,47

(8)

207.353 252.346,11 365.389,41 139.303 -28.260,82 101.024,59 106.328,41 11.305.730.002,12

205.440 242.964,89 340.904,51 145.025 -24.484,90 111.042,00 94.398,00 8.910.983.114,96

213.171.659.727,13

Untuk mendapatkan nilai MSE digunakan persamaan 2.9 dengan α = 0,2 dan N=10

MSE = 21.317.165.972,71

Tabel 3.4 Perhitungan Peramalan Jumlah Ekspor dengan Smoothing Eksponensial Ganda

Linier dari Brown dengan α = 0,3

t

113.311 372.744,79 530.175,57 215.314 -67.470,27 147.843,74 -34.532,74 1.192.509.957,20

101.180 291.275,35 458.505,51 124.045 -71.669,99 52.375,20 48.804,80 2.381.908.144,81

69.662 224.791,35 388.391,26 61.191,4 -70.114,18 -8.922,74 78.584,74 6.175.561.893,00

262.987 236.250,04 342.748,89 129.751 -45.642,32 84.108,87 178.878,13 31.997.384.654,47

134.625 205.762,53 301.652,99 109.872 -41.095,87 68.776,21 65.848,79 4.336.063.579,21

222.447 210.767,87 274.387,45 147.148 -27.265,51 119.882,78 102.564,22 10.519.418.370,07

207.353 209.743,41 254.994,24 164.493 -19.393,19 145.099,39 62.253,61 3.875.512.218,81

205.440 208.452,39 241.031,68 175.873 -13.962,54 161.910,55 43.529,45 1.894.813.104,40

62.373.171.921,97

MSE = 6.237.317.192,20

t

113.311 303.192,76 457.121,61 149.264 -102.619,22 46.644,78 66.666,22 4.444.384.539,86

101.180 222.387,66 363.228,03 81.547,3 -93.893,57 -12.346,20 113.526,20 12.888.198.564,71

69.662 161.297,39 282.455,77 40.139 -80.772,25 -40.633,16 110.295,16 12.165.022.149,07

262.987 201.973,24 250.262,76 153.684 -32.193,01 121.490,73 141.496,27 20.021.194.210,82

134.625 175.033,94 220.171,23 129.897 -30.091,52 99.805,15 34.819,85 1.212.421.622,29

222.447 193.999,17 209.702,41 178.296 -10.468,83 167.827,11 54.619,89 2.983.332.537,24

207.353 199.340,70 205.557,72 193.124 -4.144,68 188.979,00 18.374,00 337.603.985,78

(9)

54.107.464.829,20

N=10

MSE = 5.410.746.482,92

t

113.311 244.470,75 377.738,25 111.203 -133.267,50 -22.064,25 135.375,25 18.326.458.312,56

101.180 172.825,38 275.281,81 70.368,9 -102.456,44 -32.087,50 133.267,50 17.760.226.556,25

69.662 121.243,69 198.262,75 44.224,6 -77.019,06 -32.794,44 102.456,44 10.497.321.585,19

262.987 192.115,34 195.189,05 189.042 -3.073,70 185.967,94 77.019,06 5.931.935.988,38

134.625 163.370,17 179.279,61 147.461 -15.909,44 131.551,30 3.073,70 9.447.650,90

222.447 192.908,59 186.094,10 199.723 6.814,49 206.537,56 15.909,44 253.110.201,57

207.353 200.130,79 193.112,45 207.149 7.018,35 214.167,49 -6.814,49 46.437.250,54

205.440 202.785,40 197.948,92 207.622 4.836,48 212.458,35 -7.018,35 49.257.203,82

52.874.194.749,21

MSE = 5.287.419.474,92

t

113.311 196.578,76 298.523,51 94.634 -152.917,13 -58.283,12 171.594,12 29.444.542.018,57

101.180 139.339,50 203.013,11 75.665,9 -95.510,40 -19.844,50 121.024,50 14.646.930.568,45

69.662 97.533,00 139.725,04 55.341 -63.288,06 -7.947,10 77.609,10 6.023.173.023,68

262.987 196.805,40 173.973,26 219.638 34.248,21 253.885,76 9.101,24 82.832.616,14

134.625 159.497,16 165.287,60 153.707 -8.685,66 145.021,06 -10.396,06 108.078.117,42

222.447 197.267,06 184.475,28 210.059 19.187,68 229.246,53 -6.799,53 46.233.593,03

207.353 203.318,63 195.781,29 210.856 11.306,01 222.161,97 -14.808,97 219.305.684,03

205.440 204.591,45 201.067,38 208.116 5.286,10 213.401,61 -7.961,61 63.387.295,13

(10)

N=10

MSE = 5.063.448.291,65

t

113.311 159.516,79 225.975,41 93.058,2 -155.070,10 -62.011,93 175.322,93 30.738.129.706,11

101.180 118.681,04 150.869,35 86.492,7 -75.106,06 11.386,67 89.793,33 8.062.842.452,39

69.662 84.367,71 104.318,20 64.417,2 -46.551,15 17.866,07 51.795,93 2.682.817.891,51

262.987 209.401,21 177.876,31 240.926 73.558,11 314.484,22 -51.497,22 2.651.964.128,62

134.625 157.057,86 163.303,40 150.812 -14.572,91 136.239,42 -1.614,42 2.606.345,68

222.447 202.830,26 190.972,20 214.688 27.668,80 242.357,12 -19.910,12 396.412.901,27

207.353 205.996,18 201.488,98 210.503 10.516,78 221.020,15 -13.667,15 186.791.118,39

205.440 205.606,85 204.371,49 206.842 2.882,51 209.724,72 -4.284,72 18.358.842,51

44.739.923.386,49

MSE = 4.473.992.338,65

t

113.311 133.284,84 166.591,94 99.977,7 -133.228,42 -33.250,68 146.561,68 21.480.326.044,42

101.180 107.600,97 119.399,16 95.802,8 -47.192,78 48.609,99 52.570,01 2.763.605.741,12

69.662 77.249,79 85.679,67 68.819,9 -33.719,50 35.100,42 34.561,58 1.194.502.535,60

262.987 225.839,56 197.807,58 253.872 112.127,91 365.999,45 -103.012,45 10.611.564.838,52

134.625 152.867,91 161.855,85 143.880 -35.951,73 107.928,24 26.696,76 712.716.833,89

222.447 208.531,18 199.196,11 217.866 37.340,27 255.206,52 -32.759,52 1.073.186.098,63

207.353 207.588,64 205.910,13 209.267 6.714,02 215.981,16 -8.628,16 74.445.109,82

205.440 205.869,73 205.877,81 205.862 -32,32 205.829,32 -389,32 151.571,94

37.910.498.773,96

(11)

MSE = 3.791.049.877,40

t

113.311 117.882,91 126.871,14 108.894,68 -80.894,05 28.000,63 85.310,37 7.277.859.229,54

101.180 102.850,29 105.252,38 100.448,21 -21.618,76 78.829,44 22.350,56 499.547.353,51

69.662 72.980,83 76.207,98 69.753,674 -29.044,39 40.709,28 28.952,72 838.259.850,63

262.987 243.986,38 227.208,54 260.764,22 151.000,56 411.764,78 -148.777,78 22.134.828.434,69

134.625 145.561,14 153.725,88 137.396,4 -73.482,66 63.913,73 70.711,27 5.000.083.197,73

222.447 214.758,41 208.655,16 220.861,67 54.929,28 275.790,95 -53.343,95 2.845.576.883,90

207.353 208.093,54 208.149,70 208.037,38 -505,46 207.531,92 -178,92 32.013,24

205.440 205.705,35 205.949,79 205.460,92 -2.199,91 203.261,00 2.179,00 4.748.019,21

38.600.934.982,46

MSE = 3.860.093.498,25

Kemudian nilai-nilai MSE yang telah diperoleh dapat dilihat pada nilai α yang memberikan nilai MSE yang paling kecil. Ukuran ketepatan metode peramalan jumlah ekspor Provinsi Sumatera Utara menurut sektor Pertambangan dan Penggalian dengan melihat MSE adalah sebagai berikut:

Tabel 3.11 Ukuran Ketepatan Metode Peramalan Jumlah Ekspor

(12)

0,8 3.791.049.877,40 0,9 3.860.093.498,25

Dari Tabel 3.22, dapat dilihat bahwa MSE jumlah ekspor yang paling kecil

terdapat pada α = 0,8 yaitu dengan MSE =3.791.049.877,40.

3.5. Penentuan Bentuk Persamaan Peramalan

Melalui cara trial and error dengan 0 < α < 1, telah diperoleh untuk jumlah ekspor, perhitungan peramalan pemulusan eksponensial linier satu-parameter dari

Brown dengan α = 0,8, sehingga dapat ditentukan bentuk persamaan peramalan

untuk periode-periode berikutnya.

Berdasarkan perhitungan pada α = 0,8 untuk ekspor, dapat diperoleh persamaan peramalan untuk periode berikutnya yaitu dengan menggunakan persamaan 2.6 sebagai berikut:

1. Ekspor (α = 0,8)

3.6. Peramalan Jumlah Ekspor untuk Tahun 2016, 2017 dan 2018

Setelah diperoleh peramalan jumlah ekspor, maka dapat dihitung jumlah ekspor untuk tiga periode berikutnya, yaitu untuk tahun 2016, 2017 dan 2018 seperti di bawah ini:

a. Untuk periode ke-11 (tahun 2016)

b. Untuk periode ke-12 (tahun 2017)

c. Untuk periode ke-13 (tahun 2018)

(13)

Tabel 3.12 Peramalan Jumlah Ekspor Provinsi Sumatera Utara Menurut Sektor Pertambangan dan Penggalian untuk Tahun 2017, 2018 dan 2019

Tahun Periode Peramalan Nilai Ekspor (Ton)

2017 11 205.829,68

2018 12 205.797,36

(14)

BAB 4

IMPLEMENTASI SISTEM

4.1. Pengertian Implementasi Sistem

Berbicara tentang pengolahan data, bukanlah merupakan suatu pekerjaan yang ringan. Karena manusia mempunyai sifat lupa atau khilaf yang dapat terjadi setiap saat. Apalagi berbicara tentang data, pastinya sangat erat kaitannya dengan angka. Jika dalam suatu perhitungan khilaf satu angka saja, maka akan berakibat fatal pada hasil yang diperoleh. Oleh karena itu, seiring dengan berkembangnya teknologi, maka diciptakanlah berbagai macam jenis alat atau aplikasi yang dapat membantu manusia dalam menyelesaikan pengolahan data. Salah satu contohnya yang sudah sangat sering dipakai dewasa ini adalah Microsoft Exel. Dengan menggunakan aplikasi Microsoft Exel manusia akan jauh lebih mudah dalam mengolah data, terutama data yang dalam jumlah besar. Di samping itu, juga dapat mengurangi kesalahan-kesalahan dalam perhitungan serta bisa dikerjakan dengan mudah, praktis dan cepat. Jadi, implementasi sistim merupakan penerapan hasil desain tertulis ke dalam sebuah tulisan yang mana dalam hal ini penulis menggunakan Microsoft Excel 2007 untuk menganalisis data nilai ekspor dan impor Provinsi Sumatera Utara.

4.2. Microsoft Excel

Microsoft Exel adalah sebuah aplikasi (perangkat lunak) yang merupakan bagian

dari paket Software Microsoft yang berfungsi mengolah data berupa perhitungan atau grafik. Aplikasi ini memungkinkan penggunanya untuk membuat lembar kerja spreadsheet dengan berbagai fitur kalkulasi akurat dan mudah dioperasikan.

(15)

lebih praktis dan mudah digunakan, juga berintegrasi dengan berbagai software lain seperti Microsoft Word, Microsoft Accses, dan Microsoft Powerpoint.

4.3. Langkah-langkah Pengolahan Data

Adapun cara memulai Excel yaitu dengan cara:

1. Klik Start pada sudut kiri bawah layar desktop, maka akan muncul seperti pada Gambar 4.

(16)

2. Klik Microsoft Office Excel 2007. Maka akan muncul seperti gambar seperti Gambar 4.3.

Gambar 4.3 Tampilan Lembar Kerja Microsoft Excel

3. Masukkan(entry) data yang akan diolah seperti pada Gambar 4.4.

Gambar 4.4 Tampilan Pemasukan Data

(17)

4. Olah data dengan memasukkan rumus

 Persamaan 2.2 untuk jumlah ekspor dengan α = 0,1 yaitu dengan

memasukkan rumus =(0,1*B3)+((1-0,1)*C2), kemudian melanjutkan rumus untuk baris selanjutnya seperti pada Gambar 4.5.

Gambar 4.5 Tampilan Hasil Olah Data untuk Persamaan 2.2

(18)

Gambar 4.6 Tampilan Hasil Olah Data untuk Persamaan 2.3

 Persamaan 2.4 untuk jumlah ekpor dengan α = 0,1 yaitu dengan memasukkan rumus =(2*C3)-D3, kemudian melanjutkan rumus untuk baris selanjutnya seperti pada Gambar 4.7 sebagai berikut.

Gambar 4.7 Hasil Olah Data untuk Persamaan 2.4

 Persamaan 2.5 untuk jumlah ekspor dengan α = 0,1 yaitu dengan memasukkan rumus =((0,1)/(1-0,1))*(C3-D3) kemudian melanjutkan rumus untuk baris selanjutnya seperti pada Gambar 4.8 sebagai berikut.

G a m b a r

(19)

Hasil Olah Data untuk Persamaan 2.5

 Persamaan 2.6 untuk jumlah ekspor dengan α = 0,1 yaitu dengan memasukkan rumus =E3+F3, kemudian melanjutkan rumus untuk baris selanjutnya seperti pada Gambar 4.9 sebagai berikut.

G a m b a r

4 . 9

Hasil Olah Data untuk Persamaan 2.6

(20)

Gambar 4.10 Hasil Olah Data untuk Persamaan 2.7

Kuadratkan jumlah setiap et dengan rumus =H4^2 untuk baris selanjutkan dengan rumus tersebut, kemudian jumlahkan hasil kuadrat tersebut dengan rumus =SUM(I4:I14) seperti pada Gambar 4.11.

Gambar 4.11 Hasil Kuadrat Persamaan 2.7

 Persamaan 2.6 untuk jumlah ekspor dengan α = 0,8 yaitu dengan

(21)

Gambar 4.12 Hasil Peramalan

Dari pengolahan data yang telah dilakukan, untuk jumlah ekspor

dengan α = 0,8, dan N=10 maka diperoleh peramalan nilai ekspor untuk

tahun 2018 sebesar 205.765,04.

Untuk α = 0,1, α = 0,2 sampai dengan α = 0,9 dapat menggunakan

(22)

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil pengolahan data pada Bab 3, maka penulis mengambil kesimpulan sebagai berikut :

a. Dari hasil pengolahan data tahun 2006 sampai 2015 untuk jumlah ekspor Provinsi Sumatera Utara menurut Sektor Pertambangan dan Penggalian dalam satuan Ton dengan menggunakan metode smoothing eksponensial ganda dengan metode linier satu-parameter dari Brown, diperoleh nilai MSE terkecil yaitu 3.791.049.877,40 dengan α = 0,8.

b. Bentuk persamaan peramalan jumlah Ekspor Provinsi Sumatera Utara menurut Sektor Pertambangan dan Penggalian berdasarkan data tahun 2006

sampai 2015, dengan α = 0,8 adalah

c. Peramalan jumlah ekspor Provinsi Sumatera Utara menurut Sektor Pertambangan dan Penggalian untuk tahun 2018 yakni periode ke-13 sebesar 205.765,04 Ton.

d. Berdasarkan jumlah peramalan ekspor yang diperoleh dari hasil pengolahan data, maka nilai ekspor Provinsi Sumatera Utara menurut Sektor Pertambangan dan Penggalian mengalami naik turun dari tahun ke tahun, sehingga perlu dimaksimalkan lagi dalam pengontrolan ekspor Sumatera Utara menurut Sektor Pertambangan dan Penggalian.

5.2. Saran

(23)