metode pemulusan (smoothing) eksponensial ganda …

METODE PEMULUSAN (SMOOTHING) EKSPONENSIAL

GANDA DALAM MEMPERKIRAKAN JUMLAH PEMAKAIAN

LISTRIK DI KOTA MEDAN TAHUN 2019-2021

TUGAS AKHIR

WIDYA MARGARETTA SIHOMBING

172407047

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2020

Universitas Sumatera Utara

METODE PEMULUSAN (SMOOTHING) EKPONENSIAL GANDA

DALAM MEMPERKIRAKAN JUMLAH PEMAKAIAN LISTRIK DI

KOTA MEDAN TAHUN 2019-2021

TUGAS AKHIR

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar

Ahli Madya

WIDYA MARGARETTA SIHOMBING

172407047

PROGRAM STUDI D3 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2020


i


ii

PERNYATAAN ORISINALITAS

METODE PEMULUSAN (SMOOTHING) EKSPONENSIAL GANDA DALAM

MEMPERKIRAKAN JUMLAH PEMAKAIAN LISTRIK DI KOTA MEDAN

TAHUN 2019-2021

TUGAS AKHIR

Penulis mengakui bahwa tugas akhir ini adalah hasil kerja Penulis sendiri, kecuali

beberapa kutipan dan ringkasan yang masing – masing di sebutkan sumbernya.

Medan, Juli 2020

Widya Margaretta Sihombing

172407047


iii

METODE PEMULUSAN (SMOOTHING) EKSPONENSIAL GANDA DALAM

MEMPERKIRAKAN JUMLAH PEMAKAIAN LISTRIK DI KOTA MEDAN

TAHUN 2019-2021

ABSTRAK

Perusahaan Listrik Negara atau PLN merupakan salah satu BUMN yang mengurusi

semua aspek kelistrikan di Indonesia mulai dari pembangkitan, transmisi, distribusi,

dan penjualan energi listrik kepada konsumen. Energi listrik menjadi salah satu

kebutuhan dasar dalam kehidupan masyarakat, sehingga tingkat permintaan akan

energi listrik pun semakin besar seiring semakin kompleksnya aktivitas di

masyarakat. Dalam rangka pemenuhan kebutuhan energi listrik yang memadai di

Indonesia, PT PLN perlu melakukan peramalan beban puncak listrik guna mencegah

krisis energi listrik akibat permintaan listrik yang terus meningkat.Penulisan pada

Tugas Akhir ini membahas tentang bagaimana memperkirakan jumlah pemakaian

listrik pada tahun 2019-2021 khususnya di kota Medan. Data yang digunakan adalah

data sekunder dari Badan Pusat Statistik Provinsi Sumatera Utara pada tahun 2010

sampai tahun 2018. Metode yang digunakan dalam penelitian ini adalah Metode

Pemulusan Eksponensial Satu Parameter dari Brown. Dapat disimpulkan pada

penelitian ini bahwa hasil perkiraan jumlah pemakaian energi listrik di kota Medan

pada tahun 2019-2020 meningkat.

Kata kunci: Listrik, Pemulusan eksponensial.


iv

DOUBLE EXPONENTIAL SMOOTHING METHOD IN ESTIMATING

AMOUNT OF ELECTRICITY USAGE IN MEDAN CITY IN 2019-2021.

ABSTRACT

The State Electricity Company (PLN) is a state-owned company that deals with all

aspects of electricity in Indonesia, starting from the generation, transmission,

distribution and sale of electricity to consumers. Electrical energy is one of the basic

needs in people's lives, so that the level of demand for electricity is even greater

along with the increasingly complex activities in the community. In order to meet the

adequate electricity needs in Indonesia, PT PLN needs to forecast the peak

electricity load in order to prevent the electricity crisis due to increasing electricity

demand. Writing in this Final Project discusses how to estimate the amount of

electricity usage in 2019-2021 especially in Medan city. The data used are secondary

data from the Central Statistics Agency of North Sumatra Province in 2010 to 2018.

The method used in this research is the One Parameter Exponential Smoothing

Method from Brown. It can be concluded in this study that the estimated results of

the use of electrical energy in the city of Medan in 2019-2020 increased.

Keywords: Electricity, exponential smoothing.


v

PENGHARGAAN

Puji dan syukur atas penyertaan Tuhan Yang Maha Kuasa, karena atas berkat

kasih karunia-Nya dan pengetahuan yang diberikan, penulis dapat menyelesaikan

tugas akhir ini dengan judul “Metode Pemulusan (smoothing) Eksponensial Ganda

Dalam Memperkirakan Jumlah Pemakaian Listrik di Kota Medan Tahun 2019-2021.

Tugas akhir ini merupakan salah satu syarat guna memperoleh gelar Ahli Madya

bagi mahasiswa program D-III Statistika Departemen Matematika Fakultas

Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.

Selama proses penyelesaian tugas akhir ini mulai dari pelaksanaan penelitian dan

penulisan tugas akhir ini, penulis memperoleh bantuan baik moral maupun materil

juga dukungan dari berbagai pihak. Oleh karena itu, pada kesempatan kali ini penulis

dengan kerendahan hati mengucapkan terima kasih yang tulus kepada:

1. Ibu Dr.Dra. Rahmawati Pane M.Si selaku Dosen Pembimbing penulis yang telah

memberikan bimbingan, saran serta meluangkan waktu dalam penulisan serta

ilmu kepada penulis sehingga penulis dapat menyelesaikan tugas akhir ini.

2. Bapak Prof.Dr. Kerista Sebayang, MS selaku Dekan Fakultas Matematika dan

Ilmu Pengetahuan Alam Universitas Sumatera Utara.

3. Ibu Dr. Elly Rosmaini, M.Si selaku Ketua Program Studi D3 Statistika Fakultas

Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.

4. Bapak Dr. Open Darnius, M.Sc selaku Sekretaris Program Studi D3 Statistika

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.

5. Dosen pengajar D3 Statistika, dan staf BPS sumatera utara.

Akhirnya tidak terlupakan kepada ayah penulis Sahat Sihombing, bunda Doharma

Siregar, Spd dan keluarga penulis yang selama ini memberikan bantuan dan

dorongan yang diperlukan. Semoga Tuhan membalas kebaikan kalian. Dan juga

kepada teman teman penulis yang selama ini mendukung, semoga Tuhan juga

memberkati.

Penulis menyadari bahwa dalam penulisan tugas akhir ini masih terdapat

kekurangan baik dalam hal penyajian materi maupun dalam menganalisis

permasalahan yang ada dan tugas akhir ini jauh dari kata sempurna. Namun harapan

penulis semoga tugas akhir ini bermanfaat kepada seluruh pembaca dan penulis


vi

mengharapkan saran dan kritik yang bersifat membangun. Akhir kata, penulis

mengucapkan terimakasih dan kiranya Tuhan Yang Maha Kuasa memberkati kita

semua.

Medan, Juli 2020

Penulis

Widya M Sihombing

172407047


vii

DAFTAR ISI

Halaman

PERSETUJUAN i

ABSTRAK iii

ABSTRAC iv

PENGHARGAAN v

DAFTAR ISI vii

DAFTAR TABEL ix

DAFTAR GAMBAR xi

BAB 1 PENDAHULUAN 1

1.1 LatarBelakang 1

1.2 Rumusan Masalah 2

1.3 Batasan Masalah 2

1.4 Tujuan Penelitian 3

1.5 ManfaatPenelitian 3

BAB 2 TINJAUAN PUSTAKA 4

2.1 Pengertian Peramalan 4

2.2 Jenis- jenis Peramalan 4

2.3 Peranan dan Kegunaan Peramalan 5

2.4 Jenis-Jenis Pola Data 6

2.5 Metode Peramalan 7

2.5.1 Pengertian Metode Peramalan 7

2.5.2 Jenis jenis Metode Peramalan 9

2.5.3 Metode Pemulusan (Smoothing) 9


viii

BAB 3 METODE PENELITIAN 13

3.1 Sumber Data 13

3.2 Lokasi Penelitian 13

3.3 Studi Kepustakaan 13

3.4 Metode Pengumpulan Data 13

3.5 Metode Analisis Data 13

3.6 Metode Pengolahan Data 14

BAB 4 HASIL DAN PEMBAHASAN 15

4.1 Penyajian Data 15

4.2 Implementasi Sistem 15

4.2.1 Pengertian Implementasi Sistem 15

4.2.2 Microsoft Excel 16

4.2.3 Pengaktifan Microsoft Excel 17

4.2.4 Langkah- langkah Pengolahan Data 17

4.2.5 Pembuatan Grafik 22

4.3 Metode Smoothing Eksponensial Ganda Satu 22

Parameter dari Brown

4.4 Penentuan Bentuk Persamaan dan Nilai Peramalan 34

BAB 5 KESIMPULAN DAN SARAN 37

5.1 Kesimpulan 37

5.2 Saran 38

DAFTAR PUSTAKA


ix

DAFTAR TABEL

Halaman

Tabel 4.1 Data Jumlah Pemakaian Listrik di Kota Medan 15

Tahun 2010-2018

Tabel 4.2 Memperkirakan Jumlah Pemakaian Listrik dengan Pemulusan 25

Eksponensial Ganda Linier Satu Parameter dari Brown

dengan menggunakan α = 0,1






















x





Tabel 4.11 Perbandingan Ukuran Ketetapan Metode Peramalan 34

Tabel 4.12 Peramalan Jumlah Pemakaian Listrik di Kota Medan 36

Tahun 2019-2021


xi

DAFTAR GAMBAR

Halaman

Gambar 1.1 Pola Data Horizontal 6

Gambar 1.2 Pola Data Musiman 7

Gambar 1.3 Pola Data Siklis 7

Gambar 1.4 Pola Data Trend 8

Gambar 4.1 Grafik Jumlah Pemakaian Listrik di

Kota Medan Tahun 2010-2018 36

Gambar 4.1 Tampilan Lembar Kerja Microsoft Exel 17

Gambar 4.2 Tampilan Pemasukan Data 18

Gambar 4.3 Tampilan Hasil Olah Data untuk persamaan 2.1 18

Gambar 4.4 Tampilan Hasil Olah Data untuk Persamaan 2.2 19






Gambar 4.10 Hasil Kuadrat Persamaan 2.8 21

Gambar 4.10 Tampilan Chart untuk Memilih Range Data 22

Gambar 4.11 Kurva Peramalan jumlah pemakaian listrik 2010-2021 37


xii

DAFTAR LAMPIRAN

Nomor Judul

Lampiran

1 Surat Permohonan

2 Surat Permohonan Kepada Instansi

3 Surat Balasan dari Instansi

4 Surat Keputusan Dekan

5 Surat Keputusan Pembimbing Tugas Akhir

6 Surat Keterangan Hasil Uji Implementasi

7 Formulir Kontrol Bimbingan


BAB 1

PENDAHULUAN

1.1 Latar Belakang

Energi mempunyai peranan yang sangat penting dalam kehidupan manusia dan dalam

proses pembangunan dalam sektor energi perlu dilaksanakan secara berdayaguna dan

berhasilguna. Dilihat dari sumbernya, energi dapat dikelompokkan menjadi dua

kategori yaitu energi primer dan energi final. Energi primer yaitu energi yang belum

mengalami pengolahan teknologi dan biasanya diperlukan sebagai bahan untuk

menghasilkan energi final, misalnya adalah minyak bumi, gas bumi, batu bara, tenaga

air, panas bumi, dan lain sebagainya. Sedangkan energi final merupakan energi yang

siap digunakan oleh konsumen, misalnya adalah Bahan Bakar Minyak dan listrik

yang siap dipakai.

Energi listrik membawa peranan yang sangat penting bagi masyarakat, industri

dan pemerintah. Fungsi listrik juga sangat berperan dalam pembangunan seperti pada

bidang produksi, penelitian dan riset, bidang pertahanan dan keamanan, bidang

komunikasi dan media, bidang rumah tangga. Bahkan tingkat pemakaian listrik juga

menjadi salah satu ukuran bagi perkembangan dan kemajuan suatu Negara.

Salah satu lembaga yang menangani listrik di Indonesia adalah PLN (Perusahaan

Listrik Negara). Jenis pembangkit listrik PLN di Sumatera Utara pada saat ini terdiri

dari PLTU (Pembangkit Listrik Tenaga Uap), PLTG (Pembangkit Listrik Tenaga

Gas), dan PLTA (Pembangkit Listrik Tenaga Air). Pembangkit-pembangkit ini

bertugas untuk menyediakan tenaga listrik sesuai dengan kebutuhan masyarakat yang

berkembang dengan begitu pesatnya.

Sementara itu jumlah cabang PLN (Perusahaan Listrik Negara) di wilayah

Sumatera Utara mengalami penambahan jumlah menjadi 7 cabang yaitu cabang

Binjai, cabang Medan, cabang Lubuk Pakam, cabang P. Siantar , cabang Rantau

Parapat, cabang Sibolga, dan cabang Padang Sidempuan . Dalam penelitian tugas

akhir ini akan dibahas cabang Medan.

Meningkatnya jumlah pengguna listrik secara terus menerus sangat berpengaruh

terhadap besarnya arus yang dipakai. Ini menunjukkan bahwa peranan listrik dalam

mendukung pembangunan, perbaikan kesehatan, pendidikan dan sebagainya


2

sangatlah penting dan sejalan dengan peningkatan kebutuhan akan listrik itu sendiri.

Hal ini mengakibatkan semakin sulitnya bagi para pengambil kebutusan untuk

melihat jumlah pemakaian listrik menurut besar arus yang dipakai dimasa mendatang

dengan mempertimbangkan semua kelompok dan banyaknya arus yang digunakan.

Luas dari tiap cabang khususnya PLN cabang Medan, mendorong minat penulis

untuk mengadakan penelitian untuk mengetahui peningkatan jumlah pemakaian

listrik menurut besar arus yang dipakai. Melihat betapa pentingnya peranan yang

dijalankan PLN dalam mengalirkan listrik kepada masyarakat. Berdasarkan uraian

yang telah dikemukakan maka penulis tertarik untuk mengadakan penelitian dengan

judul “Metode Pemulusan (Smoothing) Eksponensial Ganda Dalam

Memperkirakan Jumlah Pemakaian Listrik di Kota Medan Tahun 2019-

2021”.

1.2 Rumusan Masalah

Berdasarkan latar belakang Listrik sebagai sumber energi yang sangat penting dalam

kehidupan sehari-hari dan penulis merasa perlu untuk mengetahui besarnya

pemakaian arus listrik di kota Medan. Demikian halnya kota Medan sebagai salah

satu kota besar maupun ibu kota di Sumatera Utara yang sekarang ini mengarah

kepada industrialisasi dan modernisasi maka besar kemungkinan kondisi seperti ini

juga akan sangat membutuhkan energi khususnya energi listrik yang cukup besar.

Apakah pasokan listrik rumah tangga pada daya 900 watt mencukupi untuk

masyarakat dan industri pada tahun 2019-2021 berdasarkan data yang diambil tahun

2010-2018?

1.3 Batasan Masalah

Sehubungan dengan keterbatasan waktu dan kemampuan penulis serta untuk

menghindari kesimpangsiuran dalam penulisan tugas akhir yang sesuai dengan judul

dan latar belakang masalah yang telah diuraikan, penulis membatasi ruang lingkup

penelitian dalam memperkirakan jumlah pemakaian listrik yang di peroleh :

1) Wilayah Medan PT. PLN (persero) .

2) Data yang digunakan adalah dari tahun 2010-2018.

3) Besarnya daya rumah tangga 900 watt.


3

4) Memperkirakan jumlah pengguna energi listrik pada tahun 2019-2021.

1.4 Tujuan Penelitian

Adapun tujuan dalam penelitian ini adalah untuk mengetahui jumlah pengguna atau

pemakaian listrik di Kota Medan untuk Tahun 2019-2021.

1.5 Manfaat Penelitian

Manfaat dari penelitian ini adalah:

1. Memberikan informasi tentang bagaimana cara memperkirakan jumlah

pemakaian listrik di kota Medan dengan metode pemulusan (smoothing)

eksponensial.

2. Sebagai referensi bagi PT PLN Persero ataupun pihak yang terkait, guna

mengetahui perkembangan pemakaian listrik dikota Medan untuk di masa

yang akan datang.

3. Memberikan kontribusi bagi penelitian selanjutnya, terlebih bagi yang akan

melakukan penelitian dengan pembahasan yang sama.


BAB 2

TINJAUAN PUSTAKA

2.1 Pengertian Peramalan

Peramalan (forecasting) adalah suatu kegiatan yang memperkirakan apa yang akan

terjadi pada masa yang akan datang. Ramalan adalah suatu situasi atau kondisi yang

diperkirakan akan terjadi pada masa yang akan datang. Metode peramalan

merupakan 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.

2.2 Jenis-jenis Peramalan

Peramalan pada umumnya dapat dibedakan dari berbagai segi, tergantung dalam cara

melihatnya atau memandangnya.

Dilihat dari jangka waktu yang disusun, peramalan dapat dibedakan atas 2 macam

yaitu:

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

hasil ramalan yang jangka waktunya lebih dari satu setengah tahun atau tiga

semester.

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

hasil ramalan yang dilakukan kurang dari satu setengah tahun atau tiga

semester.

Dilihat dari sifat penyusunannya maka peramalan dapat dibedakan menjadi 2 macam

yaitu:

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

intuisi dari orang yang menyusunnya.

b. Peramalan objektif, yaitu peramalan yang didasarkan atas data yang relavan

pada masa lalu dengan menggunakan teknik-teknik dan metode-metode

dalam pengelolaan data tersebut.


5

Jika dilihat dari sifat peramalan yang telah disusun maka peramalan dapat dibedakan

atas 2 macam yaitu:

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

masa lalu. Hasil peramalan yang ada tergantung pada orang yang

menyusunnya, karena peramalan tersebut sangat ditentukan oleh pemikiran

yang bersifat intuisi, pendapat dan pengetahuan serta pengalaman dari

penyusunnya.

b. Peramalan kuantitatif yaitu peramalan yang didasarkan atas data kuantitatif

pada masa lalu. Hasil peramalan yang dibuat tergantung pada metode yang

digunakan dalam peramalan tersebut. Metode yang baik adalah metode yang

memberikan nilai-nilai penyimpangan yang sekecil mungkin.

2.3 Peranan dan Kegunaan Peramalan

Peramalan kini memainkan peranan yang penting antara lain:

a. Penjadwalan sumber daya yang tersedia

Penggunaan sumber daya yang efisien memerlukan penjadwalan produksi,

transportasi, khas, personalia, dan lain sebagainya.

b. Penyediaan sumber daya tambahan

Waktu tenggang (lead time) untuk memperoleh bahan baku, menerima

pekerja baru atau membeli mesin dan peralatan dapat berkisar antara

beberapa hari, bulan bahkan sampai beberapa tahun. Jadi

peramalandiperlukan untuk menentukan kebutuhan sumber daya dimasa yang

akan datang.

c. Penentuan sumber daya yang diinginkan

Setiap organisasi harus menentukan sumber daya yang ingin dimiliki dalam

jangka panjang. Keputusan semacam itu harus bergantung pada kesempatan

pasar, faktor lingkungan dan pengembangan internal dari sumber daya

finansial, manusia, produk dan teknologis. Semua penentuan ini memerlukan

ramalan yang baik dan manejer dapat menafsirkan perkiraan serta membuat

keputusan yang tepat.


6

Sedangkan kegunaan dari peramalan adalah sebagai berikut:

a. Menentukaan apa yang dibutuhkan untuk pengembangan atau perluasan

organisasi (perusahaan, pabrik, home industri, dan lain sebagainya).

b. Menentukan perencanaan lanjutan bagi produk-produk yang ada untuk

dikerjakan dengan fasilitas yang ada.

d. Menentukan penjadwalan jangka pendek produk-produk yang ada untuk

dikerjakan berdasarkan peralatan yang ada.

2.4 Jenis-jenis Pola Data

1. Pola Horizontal

Pola Horizontal terjadi bila nila data berfluktuasi disekitar nilai rata-rata yang

konstan. Contohnya adalah suatu produk yang penjualannya tidak meningkat atau

menurun selama kurun waktu tertentu. Struktur pola datanya adalah sebagai berikut:

Gambar 1.1 Pola Data Horizontal

2. Pola Musiman

Pola Musiman terjadi bila faktor musiman misalnya triwulan, trimester, tahunan,

bulanan. Struktur pola datanya adalah sebagai berikut:


7

Gambar 1.2 Pola Data Musiman

3. Pola Siklis

Pola Siklis terjadi bila mana datanya dipengaruhi oleh fluktuasi ekonomi jangka

panjang seperti yang berhubungan dengan siklus bisnis seperti penjualan produk

mobil, baja, dan peralatan lainnya. Struktur pola datanya adalah sebagai berikut:

Gambar 1.3 Pola Data Siklis


8

4. Pola Trend

Pola Trend terjadi bila mana terdapat kenaikan atau penurunan sekuler jangka

panjang dalam data. Seperti penjualan banyak perusahaan produk bruto nasional

seperti GNP (Gross National Product). Struktur pola datanya adalah sebagai berikut:

Gambar 1.4 Pola Data Trend

2.5 Metode Peramalan

2.5.1 Pengertian Metode Peramalan

Metode peramalan adalah suatu cara memperkirakan atau mengestimasi secara

kuantitatif maupun kualitatif apa yang terjadi pada masa depan berdasarkan data

yang relavan pada masa lalu. Metode peramalan juga merupakan cara

memperkirakan apa yang akan terjadi pada masa depan secara sistematis, sehingga

metode peramalan sangat berguna untuk dapat memperkirakan secara sistematis atas

dasar data yang relavan pada masa lalu. Dengan demikian metode peramalan

diharapkan dapat memberikan objektifitas yang lebih besar. Metode peramalan juga

memberikan urutan pengerjaan dan pemecahan atas pendekatan suatu masalah dalam

peramalan, sehingga bila digunakan pendekatan yang sama atas permasalahan dalam

kegiatan peramalan, maka akan didapat dasar pemikiran dan pemecahan yang sama,


9

karena argumentasinya sehingga sama. Metode peramalan memberikan cara

pengerjaan yang teratur dan terarah, sehingga dengan demikian dapat

dimungkinkannya penggunaan teknik-teknik penganalisaan yang lebih maju.

Dapat disimpulkan bahwa metode peramalan sangat berguna, karena akan

membantu dalam mengadakan pendekatan analisa terhadap tingkah laku atau pola

dari data yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaaan dan

pemecahan yang sistematis, serta memberikan tingkat keyakinan yang lebih besar

atas ketepatan hasil ramalan yang dibuat.

2.5.2 Jenis-jenis Metode Peramalan

1. Metode peramalan yang didasarkan atas penggunaan analisa hubungan antar

variabel yang diperkirakan dengan variabel waktu merupakan deret berkala (time

series). Metode peramalan yang termasuk pada jenis ini yaitu:

a. Metode pemulusan (smoothing)

b. Metode box Jenkins

c. Metode proyeksi trend dengan regresi

2. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antar

variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya,

yang bukan waktunya disebut Metode Korelasi atau sebab akibat (metode

kasual). Metode peramalan yang termasuk jenis ini adalah:

a. Metode regresi dan korelasi

b. Metode ekonometri

c. Metode input output

2.5.3 Metode Pemulusan (Smoothing)

Metode pemulusan (smoothing) adalah metode peramalan dengan melakukan

penghalusan atau pemulusan terhadapa data masa lalu yaitu dengan mengambil rata-

rata dari nilai beberapa tahun untuk menaksir nilai pada beberapa tahun kedepan.

Secara umum pemulusan (smoothing) dapat digolongkan menjadi beberapa bagian:


10

1. Metode Perataan (Avarage)

a. Nilai tengah (Mean)

b. Rata-rata bergerak tunggal (Single Moving Avarage)

c. Rata-rata bergerak ganda (Doble Moving Avarage)

d. Kombinasi rata-rata bergerak lainnya

2.Metode pemulusan (Smoothing)

1) Pemulusan eksponensial tunggal

a. Satu parameter (One paramate) dari brown & dua parameter dari

Holt.

b. Pendekatan aditif (ARRES)

Pendekatan ini memiliki kelebihan yang nyata dalam hal nilai yang dapat

berubah secara terkendali, dengan adanya perubahan dalam pola datanya.

2) Pemulusan eksponensial ganda

a. Metode Linier Satu Parameter dari Brown

= αXt + (1-α)

t-1 (2.1)

= α + (1-α)

t-1 (2.2)

at = + (

) = 2

(2.3)

bt =

(

) (2.4)

Ft+m = at + btm (2.5)

Keterangan:

= Nilai eksponensial smoothing tunggal

= Nilai eksponensial smoothing ganda

α = Nilai parameter pemulusan eksponensial

At,bt = konstanta pemulusan

Ft+m = Hasil peramalan untuk m periode kedepan yang akan diramalkan.

Untuk menghitung nilai kesalahan (error) ramalan tersebut, dapat digunakan

rumus dibawah ini:


11

1. ME (Mean Error) atau Nilai Tengah Kesalahan:

ME = ∑

2. MSE (Mean Square Error) atau Nilai Tengah Kesalahan Kuadrat:

MSE = ∑

3. SDE (Standart Deviation of Error) atau Deviasi Standar Kesalahan:

SDE = √∑

Dimana:

Et = Xt – Ft (kesalahan pada periode t)

Xt = Data Aktual pada periode t

Ft = Nilai Ramalan pada periode t

4. Mean Absolute Percentage Error (MAPE)

Merupakan indikator yang digunakan untuk mengukur ketelitian dengan cara

persentase kesalahan absolute. Indikator ini dihitung dengan menggunakan

kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata

untuk periode itu. Pendekatan ini berguna dalam mengevaluasi ketepatan

ramalan.

Rumus : MAPE = ∑

b. Metode Dua Parameter dari Holt

Metode ini digunakan peramalan data yang bersifat trend

St = αXt + (1 - α)(St-1 + bt-1)

bt = Y(St – St-1) + (1 - α)bt – 1

Ft+m = St + btm

Keterangan: Y = Parameter Peramalan Eksponensial.


12

Analisis Pemulusan Eksponensial Ganda

Menentukan nilai parameter yang akan digunakan, dimana nilai parameter (α)

besarnya antara 0 < α < 1 dengan cara trial dan error.

Adapun langkah-langkah yang ditempuh untuk menentukan bentuk persamaan

peramalan dengan menggunakan Metode Linier Satu Parameter dari Brown adalah:

1. Menentukan harga parameter Smoothing eksponensial yang besarnya dari 0 < α <

1

2. Menghitung harga pemulusan eksponensial tunggal dengan menggunakan

persamaan:

= αXt + (1- α)

3. Menghitung harga pemulusan eksponensial tunggal dengan menggunakan

persamaan:

= α

+ (1- α)

Menghitung koefisien ɑt dan bt dengan menggunakan persamaan:

ɑt = + (

) = 2

bt =

(

)

5. Menggunakan trend peramalan (Ft+m) dengan menggunakan persamaan:

Ft+m = ɑt + btm

Penaksiran Model Peramalan:

Dalam pengolahan dan penganalisaan data, penulis mengaplikasikan data dengan

metode peramalan (forecasting) berdasarkan metode pemulusan eksponensial satu

parameter dari Brown.

Untuk memenuhi perhitungan smoothing eksponensial ganda ramalan yang

akan datang, maka terlebih dahulu menentukan parameter nilai α yang biasanya

secara trial dan error (coba dan salah).

Suatu nilai α dipilih besarnya 0 < α < 1, dihitung Mean Square Error masing-

masing kesalahan untuk masing-masing item dalam sebuah susunan data dan

kemudian dicoba nilai α yang lain.

Untuk menghitung nilai MSE pertama dicari error terlebih dahulu, yang

merupakan hasil dari data asli dikurangi hasil ramalan kemudian tiap error

dikuadratkan dan dibagi banyaknya error


36

BAB 3

METODE PENELITIAN

3.1 Sumber Data

Sumber data dalam penelitian ini adalah jumlah pengguna listrik di kota Medan dari

tahun 2010-2018.

3.2 Lokasi Penelitian

Untuk mempermudah penelitian ini, peneliti mengadakan penelitian dan

pengumpulan data pada kantor Badan Pusat Statistik (BPS) Provinsi Sumatera

Utara, Jl. Asrama No. 179, Dwikora Medan Helvetia, Kota Medan.

3.3 Studi Kepustakaan

Studi pustaka merupakan suatu cara penelitian yang digunakan untuk memperoleh

data atau informasi dari perpustakaan yaitu dengan membaca buku-buku, jurnal-

jurnal ataupun sumber terbitan lainnya dan bahan-bahan yang bersifat teoritis yang

mendukung serta relavan dengan penulisan tugas akhir ini.

3.4 Metode Pengumpulan Data

Metode pengumpulan data untuk keperluan penelitian ini dilakukan penulis dengan

mengumpulkan data sekunder dari Badan Pusat Statistik (BPS) Provinsi Sumatera

Utara. Pengumpulan data yang diambil melalui data sekunder. Data sekunder adalah

data yang dikumpulkan, diperoleh dari sumber-sumber yang tercetak, dimana data

tersebut telah dikumpulkan oleh pihak lain sebelumnya. Dalam hal ini penulis

merangkum data berdasarkan data yang telah tersedia atau disusun oleh BPS. Data

yang dikumpulkan tersebut kemudian diatur, disusun dan disajikan dalam bentuk

angka-angka dengan tujuan mendapatkan gambaran yang jelas tentang sekumpulan

data tersebut.

3.5 Metode Analisis Data

Analisis data dilakukan dengan menggunakan metode deskriptif, yaitu metode yang

dilakukan terlebih dahulu mengumpulkan data yang ada kemudian diklasifikasikan,


14

dianalisis selanjutnya diinterpretasikan sehingga dapat memberikan pemecahan

terhadap permasalahan.

3.6 Metode Pengolahan Data

Pengolahan data menggunakan metode peramalan Smoothing Eksponensial Ganda

yaitu metode Linier Satu Parameter dari Brown. Langkah-langkah yang dilakukan

dalam pengolahan data adalah:

1. Menghitung nilai pemulusan eksponensial dan nilai pemulusan eksponensial

ganda pada periode ke t dengan mengunakan parameter pemulusan 0 < α < 1.

2. Menghitung nilai konstanta pemulusan yaitu ɑt dan bt .

3. Menghitung trend peramalan Ft+m.

4. Menghitung jumlah kuadrat error dari masing-masing α dengan menggunakan

persamaan-persamaan yang telah ditetapkan.

5. Menentukan nilai MSE dari masing-masing α.

6. Menentukan nilai MSE terkecil.

7. Menentukan bentuk persamaan peramalan dengan menggunakan α dari nilai

MSE terkecil.

8. Menentukan peramalan untuk periode berikutnya.


36

BAB 4

HASIL DAN PEMBAHASAN

4.1 Penyajian Data

Data yang akan diolah dalam tugas akhir ini adalah data yang dikumpulkan dari

kantor Badan Pusat Statistik (BPS) Provinsi Sumatera Utara, yaitu data tingkat

perkembangan pemakaian listrik di kota Medan.

Adapun data yang diperoleh dari hasil survei yang dilakukan oleh Badan Pusat

Statistik Provinsi Sumatera Utara adalah sebagai berikut:

Tabel 4.1 Data Jumlah Pemakaian Listrik di kota Medan Tahun 2010-2018

Periode Tahun Jumlah Pengguna

1 2010 461.860

2 2011 481.336

3 2012 498.454

4 2013 520.918

5 2014 543.613

6 2015 567.858

7 2016 591.979

8 2017 614.954

9 2018 638.965

Sumber: PT. PLN (Persero) Cabang Medan

4.2 Implementasi Sistem

4.2.1 Pengertian Implementasi Sistem

Implementasi adalah hasil desain ke dalam pemograman sedangkan sistem

adalah kumpulan dari elemen-elemen yang berinteraksi untuk mencapai suatu

tujuan tertentu. Implementasi sistem merupakan kumpulan dari elemen-elemen

yang telah didesain kedalam bentuk program untuk menghasilkan suatu tujuan

yang dibuat berdasarkan kebutuhan.

Dalam menjalankan kegiatan implementasi perlu dilakukan beberapa hal yaitu:

a. Pengumpulan Data (Data Gathering) apabila ada sistem yang berjalan

sebelumnya maka perlu dilakukan pengumpulan datan dan informasi yang


16

dihasilkan dari sistem yang ada. Tahapan ini lebih menekan kepada studi

kelayakan dan definifi sistem.

b. Analisa Sistem, mendeskripsikan objek-objek yang terlibat dalam sistem dan

batasan sistem.

c. Perencanaan Sistem (Design), merancang alur kerja (workflow) dari sistem

dalam bentuk diagram alur (flowchart) atau data flow diagram.

4.2.2 Microsoft Excel

Microsoft Excel atau Microsoft Office Excel adalah sebuah program aplikasi lembar

kerja (spread sheet) yang dibuat dan didistribusikan oleh Microsoft Corporation yang

dapat dijalankan pada Microsoft Windows dan Mac OS. Microsoft excel banyak

berperan dalam pengeloaan informasi khususunya data yang berbentuk angka,

dihitung, diproyeksikan, dianalisa dan dipresentasikan data pada lembar kerja.

Microsoft telah mengeluarkan excel dalam berbagai bentuk versi mulai dari versi 1.0

tahun 1985, versi 2.0 tahun 1987, versi

1.5 tahun 1988, versi 2.2 tahun 1989, versi 3.0 tahun 1990, versi 4.0 tahun 1992, versi

5.0 tahun 1993, versi 7.0 tahun 1995, versi 97 tahun 1997, versi 8.0 tahun 1998, versi

2000 tahun 1999, versi 9.0 tahun 2000, versi 2002 dan 10.0 tahun 2001, versi 2003

tahun 2003, versi 11.0 tahun 2004, versi 2007 tahun 2007, versi 2010 tahun 2010,

versi 2013 tahun 2013, versi 2016 tahun 2016, terakhir versi 2019 tahun 2019.

Dalam pengelolaan data tugas akhir ini, penulis mengolah data dengan menggunakan

Microsoft Excel 2010 karena Microsoft Excel hadir dengan berbagai

penyempurnaan, lebih mudah digunakan, lebih terintegrasi dengan berbagai software

lainnya, seperti Microsoft Word, SPSS, dan lain sebagainya Keunggulan lembar

kerja (spreadsheet) ini adalah udah dipakai, fleksibel, mudah terintegrasi dengan

aplikasi berbasis windows.


17

4.2.3 Pengaktifan Microsoft Excel

Dalam pengolahan data dan implementasi sistem untuk menyelesaikan permasalahan

yang telah dibahas dalam Tugas Akhir ini, penulis menggunakan salah satu

perangkat bagian dari Microsoft Offiice yaitu Microsoft Excel. Microsoft Excel

adalah salah sau produk unggulan dari Microsoft Corporation yang banyak berperan

dalam pengolahan informasi khususnya data yang berbentuk angka.

Adapun cara untuk mengaktifkan Microsoft Excel adalah sebagai berikut:

1. Klik start pada dekstop

2. Kemudian pilih dan klik program

3. Pilih dan klik Microsoft Office lalu Microsoft Exel, sehingga akan tampil jendela

utama aplikasi Microsoft Office Excel pada layar monitor seperti Gambar 4.1.

Gambar 4.1 Tampilan Lembar Kerja Microsoft Exel

4.2.4 Langkah-langkah Pengolahan Data

Adapun langkah-langkah pengolahan akan diuraikan sebagai berikut:

1. Masukkan (entry) data yang akan diolah seperti pada Gambar 4.2


18

Gambar 4.2 Tampilan Pemasukan Data

2. Olah data dengan memaksukan rumus

Persamaan 2.1 untuk nilai α = 0,1 yaitu dengan memasukkan rumus

=(0.1*C5)+(1-0.1)*D4, jika di dalam rumus = + (1-α)

kemudian melanjutkan rumus untuk baris selanjutnya seperti pada Gambar

4.3.

Gambar 4.3 Tampilan Hasil Olah data untuk persamaan 2.1


19

Persamaan 2.2 untuk nilai α = 0,1 yaitu dengan memasukkan rumus

=(0.1*D5)+(1-0.1)*E4 jika di dalam rumus , kemudian melanjutkan rumus

untuk baris seperti pada Gambar 4.4

Gambar 4.4 Hasil Olah Data Persamaan 2.2

Persamaan 2.3 untuk nilai α = 0,1 yaitu dengan memasukkan rumus =(2*D5)-

E5, kemudian melanjutkan rumus untuk baris seperti pada Gambar 4.5

Gambar 4.5 Hasil Olah Data untuk Persamaan 2.3


20

Persamaan 2.4 untuk nilai α = 0,1 yaitu dengan memasukkan rumus =(0.1/(1-

0.1))*(D5-E5), kemudian melanjutkan rumus untuk baris seperti pada

Gambar 4.6


Persamaan 2.5 untuk nilai α = 0,1 yaitu dengan memasukkan rumus =F5+G5,

kemudian melanjutkan rumus untuk baris seperti pada Gambar 4.7



21

Untuk mencari et dengan nilai α = 0,1 yaitu dengan memasukkan rumus

=C6-H6, kemudian melanjutkan rumus untuk baris seperti pada Gambar 4.8

Gambar 4.8 Hasil Olah Data

Kuadratkan nilai setiap dengan rumus =I6^2 untuk baris dilanjutkan

dengan rumus tersebut, kemudian jumlahkan hasil kuadrat tersebut dengan

rumus =SUM(I4:I12) seperti pada Gambar 4.9

Gambar 4.9 Hasil Kuadrat


22

4.2.5 Pembuatan Grafik

Chart adalah grafik yang dibentuk berdasarkan data pada worksheet. Microsoft Excel

menyediakan fasilitas yang sangat lengkap untuk membuat aneka bentuk grafik.

Langkah-langkahnya adalah:

1. Blok seluruh tabel yang akan dijadikan grafik

2. Pilih menu Insert, kemudian pilih line pada chart.

3. Lalu pilih jenis chart yang akan ditentukan.

Gambar 4.10 Chart untuk memilih range data

4.3 Metode Smoothing Eksponensial Ganda Satu Parameter dari Brown

Langkah-langkah yang ditempuh untuk bentuk persamaan peramalan dengan

menggunakan metode smoothing Eksponensial Linier Satu Parameter dari Brown

adalah:

1. Menentukan harga parameter smoothing eksponensial ganda yang besarnya 0

< α < 1.

2. Menghitung harga smoothing eksponensial tunggal dengan menggunakan

persamaan (2.1) :

Untuk α = 0,1 maka dapat dihitung :

= 461.860


23

Hasil dapat dilihat pada Tabel 4.2

3. Menghitung harga smoothing eksponensial ganda dengan menggunakan

persamaan (2.2) :



4. Menghitung koefisien dan dengan menggunakan persamaan (2.3) :


=

= 2 (463.807,6)– (462.054,74) = 465.560,46

= 2 (467.272,24)–(462.576,49) = 471.967,99

Hasil dapat dilihat pada Tabel 4.

Menghitung dengan menggunakan persamaan (2.4)


194,56746



24

5. Menghitung trend peramalan dengan menggunakan persamaan (2.5) :


α = 0,1

Hasil Ft+mdapat dilihat pada Tabel 4.2

6 Menghitung nilai et (kesalahan) dan et2 (kesalahan kuadrat) dengan

menggunakan rumus:

e = Xt - Ft

untuk α = 0,1 Maka dapat dihitung :

e3 = 498.454 – 465.755,027= 32.698,973

e4 =520.918 – 472.489,218= 48.428,782

Hasil e dapat dilihat pada Tabel 4.2


25

Tabel 4.2 Memperkirakan jumlah pemakaian listrik dengan Pemulusan Eksponensial Ganda Linier Satu Parameter dari Brown dengan

α= 0,1.

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)

T Tahun

et et2

1 2010 461.860 461.860,00 461.860,00

2 2011 481.336 463.807,60 462.054,76 465.560,44 194,76

3 2012 498.454 467.272,24 462.576,51 471.967,97 521,748 465.755,20 32.698,80 1.069.211.521,44

4 2013 520.918 472.636,82 463.582,54 481.691,09 1006,031 472.489,72 48.428,28 2.345.298.303,76

5 2014 543.613 479.734,43 465.197,73 494.271,14 1615,19 482.697,12 60.915,88 3.710.743.948,85

6 2015 567.858 488.546,79 467.532,63 509.560,95 2334,906 495.886,33 71.971,67 5.179.921.282,59

7 2016 591.979 498.890,01 470.668,37 527.111,65 3135,738 511.895,85 80.083,15 6.413.310.343,73

8 2017 614.954 510.496,41 474.651,18 546.341,65 3982,804 530.247,39 84.706,61 7.175.209.928,81

9 2018 638.965 523.343,27 479.520,39 567.166,15 4869,209 550.324,45 88.640,55 7.857.147.279,67

JUMLAH 33.750.842.608,84

Untuk menghitung MSE (Mean Square Error) atau Nilai Tengah Kesalahan Kuadrat sebagai berikut:

MSE dengan α= 0,1

MSE = ∑

=

= 4.821.548.944,12


26


α= 0,2.

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)

T Tahun

Et et2

1 2010 461.860 461.860,00 461.860,00

2 2011 481.336 465.755,20 462.639,04 468.871,36 779,04

3 2012 498.454 472.294,96 464.570,22 480.019,70 1931,184 469.650,40 28.803,60 829.647.372,96

4 2013 520.918 482.019,57 468.060,09 495.979,04 3489,869 481.950,88 38.967,12 1.518.436.441,09

5 2014 543.613 494.338,25 473.315,73 515.360,78 5255,632 499.468,91 44.144,09 1.948.700.505,35

6 2015 567.858 509.042,20 480.461,02 537.623,39 7145,296 520.616,42 47.241,58 2.231.767.258,83

7 2016 591.979 525.629,56 489.494,73 561.764,40 9033,708 544.768,68 47.210,32 2.228.814.133,21

8 2017 614.954 543.494,45 500.294,67 586.694,23 10799,94 570.798,10 44.155,90 1.949.743.078,09

9 2018 638.965 562.588,56 512.753,45 612.423,67 12458,78 597.494,17 41.470,83 1.719.829.632,87

JUMLAH 12.426.938.422,40


MSE dengan α= 0,2

MSE = ∑

=

= 1.775.276.917,49


27


α= 0,3

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)

T Tahun

Et et2

1 2010 461.860 461.860,00 481.860,00

2 2011 481.336 467.702,80 477.612,84 457.792,76 -4247,16

3 2012 498.454 476.928,16 477.407,44 476.448,88 -205,404 453.545,60 44.908,40 2.016.764.390,56

4 2013 520.918 490.125,11 481.222,74 499.027,49 3815,303 476.243,48 44.674,52 1.995.812.737,23

5 2014 543.613 506.171,48 488.707,36 523.635,60 7484,622 502.842,79 40.770,21 1.662.210.186,52

6 2015 567.858 524.677,43 499.498,38 549.856,49 10791,02 531.120,22 36.737,78 1.349.664.626,28

7 2016 591.979 544.867,90 513.109,24 576.626,57 13610,86 560.647,51 31.331,49 981.662.323,27

8 2017 614.954 565.893,73 528.944,59 602.842,88 15835,35 590.237,43 24.716,57 610.909.035,64

9 2018 638.965 587.815,11 546.605,75 629.024,48 17661,16 618.678,23 20.286,77 411.553.166,88

JUMLAH 9.028.576.466,39


MSE dengan α= 0,3

MSE = ∑

=

=1.289.796.638,06


28


α= 0,4.

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)

T Tahun

Et et2

1 2010 461.860 461.860,00 461.860,00

2 2011 481.336 469.650,40 464.976,16 474.324,64 3116,16

3 2012 498.454 481.171,84 471.454,43 490.889,25 6478,272 477.440,80 21.013,20 441.554.574,24

4 2013 520.918 497.070,30 481.700,78 512.439,83 10246,35 497.367,52 23.550,48 554.625.108,23

5 2014 543.613 515.687,38 495.295,42 536.079,34 13594,64 522.686,18 20.926,82 437.931.962,73

6 2015 567.858 536.555,63 511.799,50 561.311,75 16504,08 549.673,98 18.184,02 330.658.437,89

7 2016 591.979 558.724,98 530.569,69 586.880,26 18770,19 577.815,84 14.163,16 200.595.173,70

8 2017 614.954 581.216,59 550.828,45 611.604,72 20258,76 605.650,45 9.303,55 86.556.029,80

9 2018 638.965 604.315,95 572.223,45 636.408,45 21395 631.863,48 7.101,52 50.431.595,58

JUMLAH 2.102.352.882,17


MSE dengan α= 0,4

MSE = ∑

=

=300.336.126,024


29


α= 0,5.

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)

T Tahun

Et et2

1 2010 461.860 461.860,00 461.860,00

2 2011 481.336 471.598,00 466.729,00 476.467,00 4869

3 2012 498.454 485.026,00 475.877,50 494.174,50 9148,5 481.336,00 17.118,00 293.025.924,00

4 2013 520.918 502.972,00 489.424,75 516.519,25 13547,25 503.323,00 17.595,00 309.584.025,00

5 2014 543.613 523.292,50 506.358,63 540.226,38 16933,88 530.066,50 13.546,50 183.507.662,25

6 2015 567.858 545.575,25 525.966,94 565.183,56 19608,31 557.160,25 10.697,75 114.441.855,06

7 2016 591.979 568.777,13 547.372,03 590.182,22 21405,09 584.791,88 7.187,13 51.654.765,77

8 2017 614.954 591.865,56 569.618,80 614.112,33 22246,77 611.587,31 3.366,69 11.334.584,72

9 2018 638.965 615.415,28 592.517,04 638.313,52 22898,24 636.359,09 2.605,91 6.790.747,38

JUMLAH 970.339.564,18


MSE dengan α= 0,5

MSE = ∑

=

=138.619.937,74


30


α= 0,6.

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)

T Tahun

Et et2

1 2010 461.860 461.860,00 461.860,00

2 2011 481.336 473.545,60 468.871,36 478.219,84 7011,36

3 2012 498.454 488.490,64 480.642,93 496.338,35 11771,57 485.231,20 13.222,80 174.842.439,84

4 2013 520.918 507.947,06 497.025,40 518.868,71 16382,48 508.109,92 12.808,08 164.046.913,29

5 2014 543.613 529.346,62 516.418,14 542.275,11 19392,73 535.251,18 8.361,82 69.919.966,82

6 2015 567.858 552.453,45 538.039,32 566.867,57 21621,19 561.667,84 6.190,16 38.318.080,83

7 2016 591.979 576.168,78 560.917,00 591.420,56 22877,67 588.488,76 3.490,24 12.181.757,39

8 2017 614.954 599.439,91 584.030,75 614.849,08 23113,75 614.298,24 655,76 430.026,89

9 2018 638.965 623.154,96 607.505,28 638.804,65 23474,53 637.962,83 1.002,17 1.004.351,71

JUMLAH 460.743.536,75


MSE dengan α= 0,6

MSE = ∑

=

= 65.820.505,25


31


α= 0,7.

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)

T Tahun

Et et2

1 2010 461.860 461.860,00 461.860,00

2 2011 481.336 475.493,20 471.403,24 479.583,16 9543,24

3 2012 498.454 491.565,76 485.517,00 497.614,52 14113,76 489.126,40 9.327,60 87.004.121,76

4 2013 520.918 512.112,33 504.133,73 520.090,93 18616,73 511.728,28 9.189,72 84.450.953,68

5 2014 543.613 534.162,80 525.154,08 543.171,52 21020,35 538.707,65 4.905,35 24.062.439,00

6 2015 567.858 557.749,44 547.970,83 567.528,05 22816,75 564.191,87 3.666,13 13.440.538,51

7 2016 591.979 581.710,13 571.588,34 591.831,92 23617,51 590.344,80 1.634,20 2.670.606,63

8 2017 614.954 604.980,84 594.963,09 614.998,59 23374,75 615.449,43 -495,43 245.453,47

9 2018 638.965 628.769,75 618.627,75 638.911,75 23664,66 638.373,34 591,66 350.064,53

JUMLAH 212.224.177,58


MSE dengan α= 0,7

MSE = ∑

=

= 30.317.739,65


32


α= 0,8.

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)

T Tahun

Et et2

1 2010 461.860 461.860,00 461.860,00

2 2011 481.336 477.440,80 474.324,64 480.556,96 12464,64

3 2012 498.454 494.251,36 490.266,02 498.236,70 15941,38 493.021,60 5.432,40 29.510.969,76

4 2013 520.918 515.584,67 510.520,94 520.648,40 20254,92 514.178,08 6.739,92 45.426.521,61

5 2014 543.613 538.007,33 532.510,06 543.504,61 21989,11 540.903,33 2.709,67 7.342.322,35

6 2015 567.858 561.887,87 556.012,30 567.763,43 23502,25 565.493,73 2.364,27 5.589.782,09

7 2016 591.979 585.960,77 579.971,08 591.950,47 23958,77 591.265,68 713,32 508.828,16

8 2017 614.954 609.155,35 603.318,50 614.992,21 23347,42 615.909,24 -955,24 912.487,49

9 2018 638.965 633.003,07 627.066,16 638.939,99 23747,66 638.339,63 625,37 391.087,99

JUMLAH 89.681.999,44


MSE dengan α= 0,8

MSE = ∑

=

= 12.811.714,20


33


α= 0,9.

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)

T Tahun

Et et2

1 2010 461.860 461.860,00 461.860,00

2 2011 481.336 479.388,40 477.635,56 481.141,24 15775,56

3 2012 498.454 496.547,44 494.656,25 498.438,63 17020,69 496.916,80 1.537,20 2.362.983,84

4 2013 520.918 518.480,94 516.098,47 520.863,41 21442,22 515.459,32 5.458,68 29.797.187,34

5 2014 543.613 541.099,79 538.599,66 543.599,93 22501,19 542.305,64 1.307,36 1.709.200,63

6 2015 567.858 565.182,18 562.523,93 567.840,43 23924,27 566.101,11 1.756,89 3.086.648,42

7 2016 591.979 589.299,32 586.621,78 591.976,86 24097,85 591.764,70 214,30 45.926,02

8 2017 614.954 612.388,53 609.811,86 614.965,21 23190,08 616.074,71 -1.120,71 1.255.986,75

9 2018 638.965 636.307,35 633.657,80 638.956,90 23845,95 638.155,28 809,72 655.638,92

JUMLAH 9.963,44 38.913.571,92


MSE dengan α= 0,9

MSE = ∑

=

= 5.559.081,70


34

Tabel 4.11 Perbandingan ukuran ketepatan metode peramalan

Α MSE

0,1 4.821.548.944,12

0,2 1.775.276.917,12

0,3 1.289.796.638,06

0,4 300.336.126,02

0,5 138.619.937,74

0,6 65.820.505,25

0,7 30.317.739,65

0,8 12.811.714,20

0,9 5.559.081,70

Dari tabel 4.11 diatas dapat dilihat bahwa Nilai Tengah Kuadrat (Mean Square

Error) yang paling minimum atau terkecil adalah nilai parameter pemulusan

dengan α = 0,9 dengan MSE = 5.559.081,70

4.4 Penentuan Bentuk Persamaan dan Nilai Peramalan

Setelah diketahui bahwa error yang didapat pada model peramalan bersifat random

maka dilakukan peramalan Jumlah Pemakaian listrik Tahun 2019 dengan menggunakan

persamaan:

Ft+m = ɑt + btm

Ft+m = 638.956,90 +23.845,95 (m)

Setelah diperoleh bentuk persamaan peramalan maka dapat dihitung untuk periode

tiga tahun kedepan yaitu tahun 2019-2021.


35

a. Untuk periode 10 (tahun 2019)

Ft+m = 638.956,90 +23.845,95 (m)

F10+1 = 638.956,90 +23.845,95 (1)

F10 = 662.802,85

b. Untuk periode 11 (tahun 2020)

Ft+m = 638.956,90 +23.845,95 (m)

F10+2 = 638.956,90 +23.845,95 (2)

F11 = 686.648,8

c. Untuk periode 12 (tahun 2021)

Ft+m = 638.956,90 +23.845,95 (m)

F10+3 = 638.956,90 +23.845,95 (3)

F12 = 710.494,75


36

4.12 Peramalan Jumlah Pemakaian Listrik di Kota Medan Tahun 2019-2021 pada

α = 0,9

(1) (2) (3) (4) (5) (6) (7) (8)

T Tahun

1 2010 461.860 461.860,00 461.860,00

2 2011 481.336 479.388,40 477.635,56 481.141,24 15775,56

3 2012 498.454 496.547,44 494.656,25 498.438,63 17020,69 496.916,80

4 2013 520.918 518.480,94 516.098,47 520.863,41 21442,22 515.459,32

5 2014 543.613 541.099,79 538.599,66 543.599,93 22501,19 542.305,64

6 2015 567.858 565.182,18 562.523,93 567.840,43 23924,27 566.101,11

7 2016 591.979 589.299,32 586.621,78 591.976,86 24097,85 591.764,70

8 2017 614.954 612.388,53 609.811,86 614.965,21 23190,08 616.074,71

9 2018 638.965 636.307,35 633.657,80 638.956,90 23845,95 638.155,28

10 2019

662.802,85 (m=1)

11 2020

686.648,8 (m=2)

12 2021

710.494,75 (m=3)


Dari hasil peramalan dapat dilihat grafik Tingkat perkembangan jumlah

pemakaian energi listrik di kota Medan dari tahun 2010-2021 sebagai berikut:

Gambar 4.11 Kurva jumlah pemakaian energi listrik dari tahun 2010-2021.

0

100000

200000

300000

400000

500000

600000

700000

800000

1 2 3 4 5 6 7 8 9 10 11 12

Axi

s Ti

tle

Tahun

Jumlah PelangganListrik


BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Kesimpulan yang dapat diambil dari perhitungan perkembangan Jumlah Pemakaian

Listrik pada bab 4 adalah sebagai berikut:

1. Pada hasil analisis pemulusan (Smoothing) Eksponensial ganda metode linear satu

parameter dari brown diperoleh hasil nilai Mean Square Error (MSE) yang terkecil

adalah 5.559.081,70 pada α = 0,9.

2. Menurut perhitungan perkiraan jumlah pemakaian listrik yang dilakukan dalam

penelitian juga mengalami peningkatan. Dapat dilihat pada tabel 4.12 atau gambar

4.11

3. Berdasarkan data pada tahun 2010-2018 mengalami peningkatan jumlah pemakaian

listrik dan pada tahun 2019-2021 juga terus mengalami peningkatan. Ini berarti

peningkatan persentase tingkat kenaikan jumlah pemakaian listrik di kota Medan

pada tahun 2019 sebesar 3,73%, di tahun 2020 sebesar 3,59%, dan di tahun 2021

mengalami kenaikan persentase sebesar 3,47%.

5.2 Saran

1. Sebagai bahan pertimbangan atau perbandingan ada baiknya membahas metode

peramalan yang sesuai dengan data yang diperoleh.

2. Peramalan Jumlah Pemakaian Listrik dengan menggunakan Metode Pemulusan

Eksponensial Ganda Satu Parameter dari Brown dapat dipakai sebagai bahan

informasi yang mampu menjadi acuan pada PT PLN Persero Cabang Medan.

3. Bagi para pembaca hendaknya penulisan tugas akhir ini dapat menjadi inspirasi

dalam membuat tulisan-tulisan yang berkaitan dengan penelitian menggunakan

Metode Pemulusan Eksponensial Ganda Satu Parameter dari Brown


DAFTAR PUSTAKA

Assauri, Sofyan. 1984. Teknik dan Metode Peramalan. Jakarta: Universitas Indonesia.

Makridakis, S. Wheelwright, S, C, McGee, V, E. 1999.

Badan Pusat Statistik Jakarta Pusat , 2010. Statistik Indonesia Tahun 2010. Jakarta Pusat

: Badan Pusat Statistik.

Bowerman, B. L. & O’Connell, R.T. Boston: Duxbury Press. (1987). Time Series

Forecasting.

D. R. S. Barus and S. T. Kasim, “Analisis Audit Energi Sebagai Upaya Peningkatan

Efisiensi Penggunaan Energi Listrik ( Aplikasi Pada Gedung J16 Departemen Teknik

Elektro Universitas Sumatera Utara ),” pp. 54–59, 2015.

Hanke, J. E. 2005. Business Forecasting. Eighth edition . Pearson Prantice Hall, Inc.

New Jersey 07458.

http://www.google.com

Manurung, Adler Haymans. 1990. Teknik Peramalan Bisnis dan Ekonomi. Jakarta:

Rineka Cipta.

Metode dan Aplikasi Peramalan Edisi Kedua. Jakarta: Binarupa Aksara.

Miswanto, 1995. Metode Peramalan, Jakarta: Harvarindo.

Raharja, A., el al. 2010. Penerapan Metode Exponential Smoothing untuk Peramalan

Penggunaan Waktu Telepon Di PT. Telkomsel DIVRE3 Surabaya. SISFO Jurnal Sistem

Informasi.

Sudjana. 2002. Metode Statistika. Bandung: Tarsito Bandung.

Subagyo, P. 1986. Forecasting Konsep dan Aplikasi. BPFE UGM. Yogyakarta.

Taryana Suryana, Koesheryatin. 2009. Microsoft Office 2007 Word & Exel. Yogyakarta:

Graha Ilmu.


metode pemulusan (smoothing) eksponensial ganda …

Documents