BAB 3 PENGOLAHAN DATA

Transkripsi

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 diolah penulis adalah data per tahun dari banyaknya energi listrik yang disalurkan PT. PLN (Persero) Cabang Medan yang dimulai dari tahun 2005 sampai Metode yang digunakan untuk mengolah data adalah metode peramalan smoothing eksponensial ganda yaitu metode linier satu parameter dari Brown. 3.2 Pengolahan Data dengan Metode Smoothing Eksponensial Ganda: Metode Linier Satu Parameter dari Brown Tabel 3.1 Data Energi Listrik yang Disalurkan PT. PLN Cabang Medan Tahun 2005 sampai 2015 Periode Tahun Energi yang Disalurkan (kwh)

2 13 Grafik Energi Listrik yang Disalurkan PT. PLN Cabang Medan Tahun 2005 sampai 2015 sebagai berikut: Grafik Energi Listrik yang Disalurkan PT. PLN Cabang Medan Tahun Tahun Energi yang Disalurkan Gambar 3.1 Tampilan Grafik Energi Listrik yang Disalurkan PT. PLN Cabang Medan Tahun 2005 sampai 2015 Langkah-langkah 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 < Menghitung harga smoothing eksponensial tunggal menggunakan Persamaan (2.2): S t = dst. (Untuk sampai pada α = 0,1 dapat dilihat pada Tabel 3.2)

3 14 dst. (Untuk sampai pada α = 0,2 dapat dilihat pada Tabel 3.3) dst. (Untuk sampai pada α = 0,3 dapat dilihat pada Tabel 3.4) 3. Menghitung harga smoothing eksponensial ganda menggunakan Persamaan (2.3): dst. (Untuk sampai pada α = 0,1 dapat dilihat pada Tabel 3.2) dst. (Untuk sampai pada α = 0,2 dapat dilihat pada Tabel 3.3)

4 15 α = 0,3 = dst. (Untuk sampai pada α = 0,3 dapat dilihat pada Tabel 3.4) 4. Menghitung koefisien a t dan b t Persamaan (2.5): menggunakan Persamaan (2.4) dan a = S ( S S ) 2S S t t t t t t b t = ( S t S t ) 1 nilai konstanta pada periode pertama dikosongkan karena nilai eksponensial tunggal dan eksponensial ganda pada periode pertama mempunyai nilai yang sama. = dst. (Untuk sampai pada α = 0,1 dapat dilihat pada Tabel 3.2) nilai konstanta pada periode pertama dikosongkan karena nilai eksponensial tunggal dan eksponensial ganda pada periode pertama mempunyai nilai yang sama. dst. (Untuk sampai pada α = 0,1 dapat dilihat pada Tabel 3.2)

5 16 nilai konstanta pada periode pertama dikosongkan karena nilai eksponensial tunggal dan eksponensial ganda pada periode pertama mempunyai nilai yang sama. dst. (Untuk sampai pada α = 0,2 dapat dilihat pada Tabel 3.3) nilai konstanta pada periode pertama dikosongkan karena nilai eksponensial tunggal dan eksponensial ganda pada periode pertama mempunyai nilai yang sama. dst. (Untuk sampai pada α = 0,2 dapat dilihat pada Tabel 3.3) nilai konstanta pada periode pertama dikosongkan karena nilai eksponensial tunggal dan eksponensial ganda pada periode pertama mempunyai nilai yang sama. dst. (Untuk sampai pada α = 0,3 dapat dilihat pada Tabel 3.4) nilai konstanta pada periode pertama dikosongkan karena nilai eksponensial tunggal dan eksponensial ganda pada periode pertama mempunyai nilai yang sama.

6 17 dst. (Untuk sampai pada α = 0,3 dapat dilihat pada Tabel 3.4) 5. Menghitung trend peramalan Ft mmenggunakan Persamaan (2.6): F = at btm t m nilai ramalan pertama dikosongkan karena nilai konstanta smoothing sebelum periode pertama tidak ada. nilai ramalan kedua dikosongkan karena nilai konstanta smoothing periode pertama tidak ada. dst. (Untuk sampai pada α = 0,1 dapat dilihat pada Tabel 3.2) nilai ramalan pertama dikosongkan karena nilai konstanta smoothing sebelum periode pertama tidak ada. nilai ramalan kedua dikosongkan karena nilai konstanta smoothing periode pertama tidak ada. dst. (Untuk sampai pada α = 0,2 dapat dilihat pada Tabel 3.3) nilai ramalan pertama dikosongkan karena nilai konstanta smoothing sebelum periode pertama tidak ada. nilai ramalan kedua dikosongkan karena nilai konstanta smoothing periode pertama tidak ada. dst. (Untuk sampai pada α = 0,3 dapat dilihat pada Tabel 3.4) 6. Menghitung nilai kesalahan (error) menggunakan Persamaan (2.7).

7 18 α = 0,1 nilai error periode pertama dikosongkan karena ramalan pada periode pertama tidak ada. nilai error periode kedua dikosongkan karena ramalan pada periode kedua tidak ada = = dst. (Untuk sampai pada α = 0,1 dapat dilihat pada Tabel 3.2) α = 0,2 nilai error periode pertama dikosongkan karena ramalan pada periode pertama tidak ada. nilai error periode kedua dikosongkan karena ramalan pada periode kedua tidak ada. e 3 = = e 4 = = dst. (Untuk sampai pada α = 0,2 dapat dilihat pada Tabel 3.3) α = 0,3 nilai error periode pertama dikosongkan karena ramalan pada periode pertama tidak ada. nilai error periode kedua dikosongkan karena ramalan pada periode kedua tidak ada. dst. (Untuk sampai pada α = 0,3 dapat dilihat pada Tabel 3.4) 8. Menghitung nilai kuadrat kesalahan (error). = 0,1 = nilai kuadrat error periode pertama dikosongkan karena ramalan pada periode pertama tidak ada = nilai kuadrat error periode kedua dikosongkan karena ramalan pada periode kedua tidak ada. = ( ) 2 =

8 19 = ( ) 2 = dst. (Untuk sampai pada α = 0,1 dapat dilihat pada Tabel 3.2) α = 0,2 = nilai kuadrat error periode pertama dikosongkan karena nilai error pada periode pertama tidak ada. nilai kuadrat error periode kedua dikosongkan karena nilai error pada periode kedua tidak ada. = ( ) 2 = = ( ) 2 = dst. (Untuk sampai pada α = 0,2 dapat dilihat pada Tabel 3.3) α = 0,3 = nilai kuadrat error periode pertama dikosongkan karena nilai error pada periode pertama tidak ada. nilai kuadrat error periode kedua dikosongkan karena nilai error pada periode kedua tidak ada. = ( ) 2 = = ( ) 2 = dst. (Untuk sampai pada α = 0,3 dapat dilihat pada Tabel 3.4) Dengan perhitungan yang sama, untuk α = 0,4 sampai dengan α = 0,9 hasilnya ditampilkan pada Tabel 3.5 sampai Tabel Penaksiran Model Peramalan Dalam mengolah data pada Tabel 3.1, 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 yang biasa digunakan dengan cara trial and error atau coba dan salah. Nilai α yang dipilih dari 0 < α < 1, dihitung Mean Square Error (MSE) yang merupakan suatu ukuran ketepatan perhitungan dengan mengkuadratkan nilai error masingmasing elemen dalam sebuah susunan data dan kemudian dicoba dengan nilai α yang lain.

9 20 Untuk menghitung nilai MSE yaitu terlebih dahulu mencari error yang merupakan hasil dari data asli dikurang hasil ramalan. Lalu tiap error dikuadratkan dan dibagi dengan banyaknya error.

10 Tabel 3.2 Perhitungan Peramalan Banyaknya Energi Listrik yang Disalurkan PT. PLN (Persero) Cabang Medan dengan Smoothing Eksponensial Ganda Linier dari Brown dengan α = 0, Untuk mendapatkan nilai MSE digunakan persamaan (2.8) dengan α = 0,1 dan N = 11 MSE =

19 30 Kemudian nilai-nilai MSE yang telah diperoleh dapat dilihat pada nilai α yang memberikan nilai MSE yang paling kecil. Perbandingan ukuran ketepatan metode peramalan nilai penjualan energi listrik di PT. PLN (Persero) Cabang Medan dengan melihat MSE adalah sebagai berikut: Tabel 3.11 Perbandingan Ukuran Ketepatan Metode Peramalan α MSE 0, , , , , , , , , Dari Tabel 3.11, MSE yang paling kecil terdapat pada α = 0,7 yaitu dengan MSE = Penentuan Bentuk Persamaan Peramalan Melalui cara trial and error dengan 0 < α < 1, telah diperoleh perhitungan peramalan pemulusan eksponensial linier satu parameter dari Brown dengan α = 0,7, sehingga dapat ditentukan bentuk persamaan peramalan untuk periode berikutnya. Berdasarkan perhitungan pada α = 0,7, dapat diperoleh persamaan peramalan untuk periode berikutnya yaitu dengan menggunakan persamaan (2.6) sebagai berikut:

20 Peramalan Banyaknya Energi Listrik yang Disalurkan Tahun 2016, 2017 dan 2018 Setelah diperoleh persamaan peramalan banyaknya energi listrik yang disalurkan, maka dapat dihitung banyaknya energi listrik yang disalurkan untuk tiga periode berikutnya, yaitu untuk tahun 2016, 2017 dan 2018 : a. Untuk periode ke-12 (tahun 2016) b. Untuk periode ke-13 (tahun 2017) c. Untuk periode ke-14 (tahun 2018) Tabel 3.12 Peramalan Banyaknya Energi Listrik yang Disalurkan PT. PLN (Persero) Cabang Medan Tahun 2016 sampai 2018 Tahun Periode Peramalan Banyaknya Energi Listrik yang Disalurkan Nilai-nilai kesalahan yang diperoleh dari perincian data ramalan banyaknya energi listrik yang disalurkan adalah: 1. Nilai Tengah Kesalahan (Mean Error) adalah: N et ME N t1

21 32 = 2. Nilai Tengah Kesalahan Kuadrat (Mean Squared Error) adalah: MSE = N t1 N e 2 t = Nilai Tengah Kesalahan Absolut (Mean Absolute Error) adalah: MAE = N t1 N e t Nilai Tengah Kesalahan Persentase Absolut (Mean Absolute Percentage Error) adalah: MAPE N t1 PE N t = = 3,64 5. Nilai Tengah Kesalahan Persentase (Mean Persentase Error) adalah: MPE N t1 PE N t = = 0,91

22 33 6. Jumlah Kuadrat Kesalahan (Sum Square Error) adalah: SSE N 2 e t t

23 BAB 4 IMPLEMENTASI SISTEM 4.1 Pengertian Implementasi Sistem Dalam hal pengolahan data, komputer mempunyai kelebihan dari manusia yaitu kecepatan, ketepatan dan keandalan. Terutama dalam pengolahan data yang jumlahnya sangat besar dan rumit dikerjakan secara manual tentunya sangat membutuhkan komputer untuk mengolah data. Di samping dapat dikerjakan dengan cepat dan tepat, juga dapat mengurangi kesalahan perhitungan. Jadi, implementasi sistem merupakan penerapan hasil desain tertulis ke dalam sebuah tulisan yang mana penulis menggunakan Microsoft Excel 2007 untuk menganalisis data banyaknya energi listrik yang disalurkan. 4.2 Pengenalan Microsoft Excel Microsoft Excel adalah program lembar kerja atau spreadsheet. Program Microsoft Excel merupakan salah satu program aplikasi Microsoft Office untuk mengolah data perhitungan. Microsoft Excel dapat melakukan pengolahan data secara cepat pada bidang matematika, akuntansi, statistik dan pada bidang lain yang memerlukan perhitungan dengan cepat dan teliti. Selain Microsoft Excel, dapat juga mengolah data statistik dengan software lainnya seperti SPSS dan MINITAB. Hasil pengolahan data statistik menggunakan Microsoft Excel mempunyai keakuratan dan ketelitian yang sama dengan program yang secara khusus melakukan pengolahan data statistik. Sheet atau lembar kerja Microsoft Excel terdiri dari kolom dan baris. Kolom diberi nama dengan huruf dari A, B, C sampai dengan Z, lalu dilanjutkan dengan AA, AB, AC sampai kolom XFD. Sedangkan baris ditandai dengan angka mulai dari 1,2,3 sampai dengan Microsoft Excel 2007 hadir dengan tampilan yang lebih praktis dan mudah digunakan, juga berintegrasi dengan berbagai software lain seperti Microsoft Word, Microsoft Accses, dan Microsoft Powerpoint.

24 Langkah-langkah Pengolahan Data Cara memulai pengolahan data pada Microsoft Excel yaitu: 1. Klik Start pada sudut kiri bawah layar desktop. Gambar 4.1 Cara Mengaktifkan Microsoft Excel 2. Klik All Program kemudian klik Microsoft Office dan pilih Microsoft Excel Maka akan muncul seperti Gambar 4.2. Gambar 4.2 Tampilan Lembar Kerja Microsoft Excel

25 36 3. Masukkan (entry) data yang akan diolah seperti pada Gambar 4.3. Gambar 4.3 Tampilan Pemasukan Data 4. Olah data dengan memasukkan rumus. Persamaan (2.2) untuk nilai α = 0,1 yaitu dengan memasukkan rumus =0,1*B3+(1-0,1)*C2, kemudian melanjutkan rumus untuk baris selanjutnya seperti pada Gambar 4.4. Gambar 4.4 Tampilan Hasil Olah Data untuk Persamaan (2.2) Persamaan (2.3) untuk nilai α = 0,1 yaitu dengan memasukkan rumus =0,1*C3+(1-0,1)*D2, kemudian melanjutkan rumus untuk baris selanjutnya seperti pada Gambar 4.5

26 37 Gambar 4.5 Tampilan Hasil Olah Data untuk Persamaan (2.3) Persamaan (2.4) untuk nilai α = 0,1 yaitu dengan memasukkan rumus =2*C3- D3, kemudian melanjutkan rumus untuk baris selanjutnya seperti pada Gambar 4.6. Gambar 4.6 Tampilan Hasil Olah Data untuk Persamaan (2.4) Persamaan (2.5) untuk nilai α = 0,1 yaitu dengan memasukkan rumus =0,1/(1-0,1)*(C3-D3) kemudian melanjutkan rumus untuk baris selanjutnya seperti pada Gambar 4.7.

27 38 Gambar 4.7 Tampilan Hasil Olah Data untuk Persamaan (2.5) Persamaan (2.6) untuk nilai α = 0,1 yaitu dengan memasukkan rumus =E3+F3, kemudian melanjutkan rumus untuk baris selanjutnya seperti pada Gambar 4.8. Gambar 4.8 Tampilan Hasil Olah Data untuk Persamaan (2.6) Persamaan (2.7) untuk nilai α = 0,1 yaitu dengan memasukkan rumus =B4- G4, kemudian melanjutkan rumus untuk baris selanjutnya seperti pada Gambar 4.9.

28 39 Gambar 4.9 Tampilan Hasil Olah Data untuk Persamaan (2.7) Kuadratkan nilai e t dengan rumus =H4^2 untuk baris dilanjutkan dengan rumus seperti pada Gambar Gambar 4.10 Tampilan Hasil Kuadrat Persamaan (2.7) 4.4 Pembuatan Grafik Microsoft Excel menyediakan fasilitas untuk membuat aneka bentuk grafik. Langkah-langkah membuat grafik pada Microsoft Excel sebagai berikut: 1. Blok seluruh tabel yang akan dijadikan grafik, yaitu tahun dan data aktual energi listrik yang disalurkan (kwh). 2. Pilih menu Insert, kemudian pilih line pada charts.

29 40 3. Lalu pilih jenis chart yang diinginkan, yaitu line with markers. 4. Klik Design pada Chart Layouts pilih layout Pada Chart Title ubah menjadi Grafik Energi Listrik yang Disalurkan PT. PLN Cabang Medan Tahun Klik kanan pada grafik yang telah muncul, pilih select data. 7. Kemudian akan muncul kotak dialog select data source. 8. Pada Horizontal (Category) Axis Labels diubah menjadi tahun 2005, 2006, 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, Kemudian klik OK, maka akan muncul grafik seperti Gambar 4.11 berikut: Gambar 4.11 Tampilan Output dari Tabel yang Dijadikan Grafik Energi Listrik yang Disalurkan PT. PLN Cabang Medan Tahun 2005 sampai 2015

30 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 dalam meramalkan banyaknya energi listrik yang disalurkan, maka penyaluran energi listrik PT. PLN (Persero) Cabang Medan terus meningkat dari tahun ke tahun. b. Dari hasil pengolahan data tahun 2005 sampai 2015 untuk banyaknya energi listrik yang disalurkan oleh PT. PLN (Persero) Cabang Medan dalam satuan kwh dengan menggunakan metode smoothing eksponensial ganda dengan metode linier satu parameter dari Brown, diperoleh nilai MSE terkecil yaitu dengan α = 0,7. c. Bentuk persamaan peramalan banyaknya energi listrik yang disalurkan PT. PLN (Persero) Cabang Medan dan hasil peramalan untuk 3 periode ke depan berdasarkan data tahun 2005 sampai 2015 adalah: Peramalan banyaknya energi listrik yang disalurkan PT. PLN (Persero) Cabang Medan untuk tahun 2018 yakni periode ke-14 adalah sebesar kwh. 5.2 Saran Karena semakin bertambahnya penduduk, semakin banyak lapangan pekerjaan, dan semakin berkembanya zaman, sehingga besar kemungkinan membutuhkan energi listrik dalam kapasitas yang semakin besar dan berdasarkan hasil peramalan energi listrik yang terus meningkat maka bagi pihak PT. PLN (Persero) Cabang Medan supaya mempersiapkan dan menyediakan kapasitas energi listrik bagi para pelanggan atau pengguna listrik untuk masa yang akan datang.