LAPORAN

PRAKTIK KERJA LAPANGAN

DI BADAN PUSAT STATISTIK (BPS) KABUPATEN PATI

PERBANDINGAN METODE KAUSAL DAN METODE FUZZY PADA

ANALISIS PERAMALAN (FORECASTING) ANGKATAN KERJA
DI KABUPATEN PATI

Disusun oleh
Nama

: Diwa Saputra

NIM

: 4112313037

Prodi

: Statistika Terapan dan Komputasi

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI SEMARANG
2016

LAPORAN
PRAKTIK KERJA LAPANGAN
DI BADAN PUSAT STATISTIK (BPS) KABUPATEN PATI

PERBANDINGAN METODE KAUSAL DAN METODE FUZZY PADA

ANALISIS PERAMALAN (FORECASTING) ANGKATAN KERJA
DI KABUPATEN PATI

Disusun oleh
Nama

: Diwa Saputra

NIM

: 4112313037

Prodi

: Statistika Terapan dan Komputasi

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI SEMARANG
2016

ii

ABSTRAK

Diwa Saputra. 2016. Perbandingan Metode Kausal dan Metode Fuzzy Pada
Analisis Peramalan (forecasting) Angkatan Kerja di Kabupaten Pati. Laporan
PKL. Program Studi D3 Statistika Terapan dan Komputasi Jurusan Matematika
FMIPA Universitas Negeri Semarang.
Laporan ini bertujuan untuk membandingkan dua metode peramalan
(forecasting) yang paling tepat digunakan dalam memprediksi jumlah angkatan
kerja di Kabupaten Pati di masa yang akan datang. Metode peramalan ialah
peramalan dengan metode kausal dan peramalan dengan metode fuzzy. Pada
peramalan metode kausal digunakan teknik auto regresi dan auto korelasi
sedangkan peramalan metode fuzzy digunakan teknik fuzzy time series.
Perbandingan peramalan antar kedua metode diukur dengan mencari tingkat
error terkecil dari masing-masing metode agar diperoleh tingkat keakuratan yang
paling baik dalam meramal angkatan kerja di waktu yang akan datang. Tingkat
error dicari menggunakan rumus Mean Square Error (MSE) dan dipilih metode
peramalan (forecasting) dengan nilai MSE yang terkecil dari kedua metode.
Peramalan dengan metode kausal memiliki MSE terkecil jika dibandingkan
dengan peramalan dengan metode fuzzy sehingga metode kausal merupakan metode
peramalan yang paling baik untuk meramal jumlah angkatan kerja di Kabupaten
Pati pada masa yang akan datang.
Kata kunci : peramalan, forecasting, angkatan kerja, MSE.

iii

KATA PENGANTAR

Puji syukur penulis panjatkan kepada Allah Subhanahuwataala atas segala

nikmat dan karunia-Nya serta tidak lupa sholawat dan salam selalu tercurahkan
kepada baginda Nabi besar Muhammad SAW, sahabat beserta keluarganya
sehingga penulis dapat menyelesaikan laporan Praktik Kerja Lapangan (PKL) yang
berjudul Perbandingan Metode Kausal dan Metode Fuzzy Pada Analisis Peramalan
(forecasting) Angkatan Kerja di Kabupaten Pati.
Dalam mengerjakan dan menulis laporan ini, penulis telah banyak
mendapatkan bantuan, bimbingan dan dorongan yang sangat bermanfaat dari
berbagai pihak. Oleh karena itu, penulis dalam kesempatan ini mengucapkan terima
kasih kepada :
1. Prof. Dr. Fathur Rokhman, M.Hum., selaku Rektor Universitas Negeri
Semarang.
2. Prof. Dr. Zaenuri S.E, M.Si.,Akt., selaku Dekan FMIPA Universitas Negeri
Semarang.
3. Drs. Arief Agoestanto, M.Si., selaku Ketua Jurusan Matematika FMIPA
Universitas Negeri Semarang.
4. Dr. Wardono, M.Si., selaku Ketua Program Studi Statistika Terapan dan
Komputasi serta Dosen Pembimbing yang telah memberikan arahan, petunjuk,
bimbingan, koreksi dan membantu dalam memecahkan masalah-masalah yang
penulis hadapi sehingga laporan Praktik Kerja Lapangan (PKL) ini dapat
terselesaikan.

iv

5. Bapak dan Ibu Dosen Jurusan Matematika Universitas Negeri Semarang yang
telah memberikan bekal ilmu yang bermanfaat bagi penulis.
6. Pimpinan Badan Pusat Statistik Kabupaten Pati yang telah bersedia
memberikan kesempatan bagi penulis untuk melaksanakan Praktik Kerja
Lapangan.
7. Agus Slamet Rupingi, S.Si., selaku Pembimbing Lapangan yang telah
memberikan arahan, petunjuk, bimbingan serta ilmu yang bermanfaat kepada
penulis selama Praktik Kerja Lapangan di BPS Kabupaten Pati.
8. Teman-teman seperjuangan selama Praktik Kerja Lapangan di Badan Pusat
Statistik Kabupaten Pati atas bantuan serta motivasi yang diberikan kepada
penulis.
9. Ibu dan adik perempuan saya yang tercinta yang selalu memberikan dukungan,
doa, kasih sayang dan perhatian yang sangat besar serta sangat berarti bagi
penulis selama menyelesaikan laporan PKL ini.
10. Teman-teman Program Studi Statistika Terapan dan Komputasi angkatan 2013
yang memberikan motivasi, semangat dan dukungan dalam menyelesaikan
laporan PKL.

11. Teman-teman kos yang tidak kalah petingnya memberikan dukungan selalu
hingga akhirnya laporan PKL terselesaikan.
Akhir kata penulis berharap semoga laporan ini dapat berguna dan bermanfaat
bagi pembaca.

Semarang, 27 Januari 2016

Penulis

vi

DAFTAR ISI

HALAMAN JUDUL ...

HALAMAN PENGESAHAN

ii

ABSTRAK ..

iii

KATA PENGANTAR

iv

DAFTAR ISI

vii

DAFTAR TABEL

ix

DAFTAR GAMBAR

DAFTAR GRAFIK ..

xi

DAFTAR LAMPIRAN

xii

BAB 1 PENDAHULUAN
1.1. Latar Belakang

1.2. Rumusan Masalah dan Pembatasan Masalah ..

1.2.1

Rumusan Masalah ..

1.2.2

Pembatasan Masalah ..

1.3. Tujuan dan Manfaat

1.3.1 Tujuan

1.3.2 Manfaat ..

1.4. Tempat dan Pelaksanaan

1.4.1

Tempat ...

1.4.2

Pelaksanaan ...

1.5. Metode Pengumpulan Data

vii

BAB 2 PEMBAHASAN
2.1. Profil BPS Kabupaten Pati .........

11

2.1.1 Sejarah Singkat Perkembangan BPS .

11

2.1.2 Gambaran Umum Kabupaten Pati .

11

2.1.3 Visi dan Misi BPS Kab. Pati .

13

2.1.4 Struktur Organisasi BPS Kab. Pati

14

2.1.5 Tugas, Fungsi, dan Kewenangan BPS ...

16

2.2. Peramalan (forecasting) ..

18

2.2.1 Metode Peramalan (forecasting) ...

23

2.2.2 Peramalan (forecasting) dengan Metode Kausal ..

27

2.2.3 Peramalan (forecasting) dengan Metode Fuzzy

31

2.3. Pembahasan .

38

2.3.1 Peramalan (forecasting) dengan Metode Kausal dan Metode

Fuzzy .

38

2.3.2 Perbandingan Metode Peramalan (forecasting) Kausal dengan

Metode Peramalan (forecasting) Fuzzy

55

2.3.3 Analisis Data

58

BAB 3 KESMPULAN
3.1. Kesimpulan ..

60

3.2. Saran

61

DAFTAR PUSTAKA .

62

viii

DAFTAR TABEL

2.1.1. Data Angkatan Kerja Kabupaten Pati

29

2.1.2. Nilai untuk menghitung a, b dan r dengan selisih waktu 1 tahun

39

2.1.3. Hasil Peramalan dengan Metode Auto Regresi

41

2.1.4. Selisih dan Selisih Kuadrat pada Metode Kasual

56

2.2.1. Tabel Pemetaan Basis ..

34

2.2.2. Data Aktual Angkatan Kerja Kabupaten Pati ..

44

2.2.3. Selisih Di, Di-1 .

45

2.2.4. Fuzziffikasi data aktual angkatan kerja

48

2.2.5. Hasil Peramalan dengan Metode Fuzzy Time Series

54

2.2.6. Selisih dan Selisih Kuadrat pada Metode Fuzzy ..

57

ix

DAFTAR GAMBAR

2.1. Struktur Organisasi BPS Kabupaten Pati .

15

2.2. Tabel t ...

43

DAFTAR GRAFIK

2.1. Pola Data Horison .

21

2.2. Pola Data Musiman ...

22

2.3. Pola Data Siklis ........

22

2.4. Pola Data Trend ........

23

xi

DAFTAR LAMPIRAN

1.

Data Angkatan Kerja Kabupaten Pati tahun 1999-2014 ..

65

2.

Surat Permohonan PKL ....

66

3.

Surat Ijin PKL dan Surat Tugas Dosen Pembimbing ..

67

4.

Surat Tugas Dosen Pembimbing PKL ..

68

5.

Surat Penyerahan Mahasiswa PKL ..

69

6.

Surat Penarikan Mahasiswa PKL dan Ucapan Terima Kasih ..

70

7.

Surat Tugas Dosen Penguji PKL ..

71

8.

Formulir Daftar Hadir Kegiatan PKL ...

72

9.

Surat Persetujuan Izin tempat PKL ..

73

xii

BAB 1
PENDAHULUAN

1.1. Latar Belakang

Manusia telah sangat terbantu dengan perkembangan teknologi pada
jaman modernisasi ini. Semua pekerjaan menjadi ringan dengan
pemanfaatan teknologi baik itu dalam hal aktivitas fisik maupun non fisik.
Menurut Almatsier (2003) aktivitas fisik merupakan gerakan fisik yang
dilakukan oleh otot tubuh manusia serta sistem penunjangnya. Contoh
pemanfaatan tekologi dalam kegiatan fisik ini salah satunya adalah traktor
yang dulunya menggunakan tenaga hewan sekarang sudah menggunakan
teknologi yang lebih praktisi. Sedangkan kegiatan non fisik seperti belajar
dan contohnya adalah buku-buku yang dulu dibaca secara langsung dengan
media kertas sekarang buku dapat dibaca melalui media virtual seperti
laptop.
Pembangunan

nasional

terus

ikut

berkembang

seiring

berkembangnya teknologi pada modernisasi ini. Siagian (1994)

menyatakan definisi dari pembangunan yang merupakan Suatu usaha atau
rangkaian usaha pertumbuhan dan perubahan yang berencana dan
dilakukan secara sadar oleh suatu bangsa, negara dan pemerintah, menuju
modernitas dalam rangka pembinaan bangsa (nation building). Sedangkan
definisi dari teknologi adalah cara atau metode serta proses atau produk
yang dihasilkan dari pemafaatan berbagai disiplin ilmu pengetahuan yang

menghasilkan nilai bagi pemenuhan kebutuhan, kelangsungan dan

peningkatan mutu kehidupan manusia menurut Undang-undang nomor
18 tahun 2002 pasal 1 ayat 2. Jadi, baik itu teknologi maupun
pembangunan nasional saling terkait satu sama lain. Pemanfaatan
teknologi yang tepat sasaran dapat meringankan pekerjaan manusia yang
berdampak positif pada pembangunan nasional pada suatu daerah. Daerah
yang pembangunan nasionalnya selalu berkembang akan berdampak baik
juga akan tingkat kemakmuran rakyatya.
Faktor yang menyebabkan tingginya tingkat kemakmuran rakyat
adalah pembangunan ekonomi yang memadai. Menurut Todaro (2006)
pembangunan ekonomi memiliki tiga tujuan inti antara lain peningkatan
ketersedian serta perluasan distribusi berbagai barang kebutuhan hidup,
peningkatan standar hidup (pendapatan, penyediaan lapangan kerja,
perbaikan kualitas pendidikan, peningkatan perhatian atas nilai-nilai
kultural dan kemanusiaan) serta perluasan pilihan-pilihan ekonomis dan
sosial. Peningkatan standar hidup terutama pada penyediaan lapangan
kerja merupakan salah satu tujuan inti dari pembangunan ekonomi (Todaro,
2006) yang menjadi dasar adanya pertumbuhan jumlah angkatan kerja baik
itu positif maupun negatif terutama di Kabupaten Pati.
Kabupaten Pati merupakan daerah dengan jumlah penduduk
sebanyak 1.225.594 (Data BPS Kabupaten Pati) pada tahun 2014 dan
sebanyak 68,91% adalah tingkat partisipasi angkatan kerja (TPAK) yang
merupakan ukuran perbandingan jumlah angkatan kerja terhadap penduduk

usia kerja (usai 15+) (BPS Kabupaten Pati:Statistik Daerah Kabupaten Pati
2015, 5).
Angkatan kerja dikelompokkan menjadi dua, yaitu penduduk usia
kerja (berumur 15 tahun atau lebih) yang selama seminggu sebelum
pencacahan bekerja/punya pekerjaan/sementara tidak bekerja dan sedang
mencari pekerjaan (Disnakertrans kota Yogyakarta, 2005). Bekerja yang
artinya mereka yang selama seminggu yang lalu melakukan pekerjaan
dengan maksud memperoleh atau membantu memperoleh pendapatan
ataupun keuntungan (BPS Kabupaten Pati : Pati Dalam Angka 2015, 44).
Sedangkan angkatan kerja yang sedang mencari pekerjaan yaitu mereka
yang bekerja pada saat pencacahan belum pernah bekerja dan sedang
berusaha mencari / mendapatkan pekerjaan. Angkatan kerja merupakan
peran yang sangat penting dalam mempercepat pembangunan baik itu
pembangunan ekonomi maupun nasional pada suatu daerah. Tanpa ada
angkatan kerja, suatu daerah belum bisa dikatakan berjalan dengan baik
sebab tidak ada yang menggerakkan roda perekonomian. Manusia sendiri
berperan sebagai tenaga yang menggerakkan gigi perokonomian
menjadikan roda perekonomian mampu bergerak dengan baik. Jadi,
angkatan kerja sangat penting dalam membangun perkonomian yang ada
di suatu daerah.
Di Kabupaten Pati, pertumbuhan angkatan kerja yang menjadi peran
utama dalam pembangunan nasional masih belum terkontrol dengan baik
antara peramalan pertumbuhan angkatan kerja dengan hasil pertumbuhan

angkatan kerja yang sebenarnya. Peramalan pada tahun yang akan datang
dengan hasil sebenarnya pada tahun yang telah diramal masih diluar
harapan yang ada maka dibutuhkan metode peramalan yang cukup efisien
untuk mengatur terkendalinya jumlah pertumbuhan angkatan kerja di
Kabupaten Pati pada tahun-tahun berikutnya. Peramalan yang digunakan
merupakan metode peramalan dengan metode kausal yang digunakan
untuk mempetakan/memprediksi jumlah pertumbuhan angkata kerja di
Kabupaten Pati di tahun yang akan datang. Pemetaan/prediksi ini
diharapkan akan mampu memberikan informasi agar pemerintah
khususnya Pemerintah Kabupaten Pati dapat mengambil suatu kebijakan
pada jumlah angkatan kerja yang ada seperti membuka kesempatan kerja
yang besar bagi masyarakatnya agar dalam daerah tersebut roda
perekonomian maupun pembangunan nasional Kabupaten Pati dapat
tercapai.
Selain itu, akan digunakan peramalan dengan metode kausal dan
metode fuzzy lalu akan dibandingkan dari kedua metode itu mana yang
lebih akurat dan lebih efisien dalam peramalan (forecasting) jumlah
pertumbuhan angkatan kerja di Kabupaten Pati. Oleh sebab itu, penulis
membuat laporan yang berjudul PERBANDINGAN METODE KAUSAL
DAN

METODE

FUZZY

PADA

ANALISIS

PERAMALAN

(FORECASTING) ANGKATAN KERJA DI KABUPATEN PATI agar

nantinya dapat dimanfaatkan sebagai bahan pertimbangan Pemerintah

Kabupaten Pati demi tercapainya pembangunan nasional yang baik dan

berkualitas serta dapat mensejahterahkan masyarakat di Kabupaten Pati.

1.2. Rumusan Masalah dan Pembatasan Masalah

1.2.1. Rumusan Masalah
Dari pendahuluan yang telah dibahas, maka diperoleh rumusan
masalah sebagai berikut :
1) Bagaimana peramalan (forecasting) dengan metode kausal dan
metode fuzzy ?
2) Apa hasil dan manakah yang paling baik antara peramalan
(forecasting) menggunakan metode kausal dan peramalan
(forecasting) menggunakan metode fuzzy ?

1.2.2. Pembatasan Masalah

Meramalkan (forecast) atau memprediksi jumlah pertumbuhan
angkatan kerja di Kabupaten Pati bukanlah hal yang cukup mudah
sebab dalam realisasinya metode peramalan tersebut masih banyak
kekurangan ataupun kesalahan. Kekurangan dan kesalahan itu dapat
berupa hasil peramalan yang tidak sesuai dengan hasil sebenarnya
di tahun-tahun berikutnya. Dibutuhkan peramalan (forecasting)
yang mempunyai nilai error sedikit agar kekurangan dan kesalahan
hasil peramalan (forecasting) dapat diminimalisir.
Peramalan jumlah pertumbuhan angkatan kerja yang baik dan
berkualitas akan menghasilkan pembangunan nasional maupun

pembangunan ekonomi yang berkualitas juga. Metode yang dipakai

oleh peneliti dalam hal ini adalah metode peramalan (forecasting)
menggunakan metode kausal dan metode fuzzy dimana dari kedua
metode tersebut akan dibandingkan mana yang lebih baik untuk
dijadikan metode peramalan (forecasting) yang baik dan berkualitas.

1.3. Tujuan dan Manfaat

1.3.1. Tujuan
Setelah membahas tentang rumusan masalah dan pembatasan
masalah, maka penulis akan menerangkan beberapa tujuan dari
laporan ini, yaitu :
1) Untuk mengetahui ada atau tidak pengaruh antara data angkatan
kerja pada masa lampau dengan data angkatan kerja pada masa
kini baik menggunakan metode kausal maupun metode fuzzy,
2) Untuk mengetahui peramalan (forecasting) jumlah pertumbuhan
angkatan kerja pada tahun-tahun yang akan datang,
3) Untuk mengetahui metode peramalan (forecasting) manakah
yang paling baik untuk digunakan antara metode peramalan
(forecasting) kausal dan metode peramalan (forecasting) fuzzy.

1.3.2. Manfaat
Penulis berharap laporan ini dapat bermanfaat serta penunjang
demi tercapainya kesejahteraan masyarakat bersama dan berikut
manfaat disusunnya laporan ini :

1) Bagi Penulis
Dalam laporan ini, berisi tentang teori-teori, materi-materi,
maupun ilmu-ilmu yang berkaitan dengan statistika yang mana
dapat diterapkan pada kehidupan nyata serta di dunia kerja
terutama di Badan Pusat Statistik Kabupaten Pati.
2) Bagi Penulis Lain
Laporan ini dapat berguna sebagai bahan referensi untuk
menyelesaikan tugas-tugas ataupun laporan yang berkaitan
dengan angkatan kerja serta berguna sebagai bahan bacaan atau
sumber bacaan yang menarik tentang angkatan kerja yang ada di
Kabupaten Pati. Pada kondisi tertentu, laporan ini dapat
dikembangkan oleh penulis lain baik itu dalam bentuk penelitian
yang lebih lanjut maupun laporan berkaitan peramalan jumlah
pertumbuhan angkatan kerja di Kabupaten Pati.
3) Bagi Badan Pusat Statistik
Diharapkan hasil dari laporan ini dapat digunakan sebagai bahan
referensi untuk meramalkan jumlah pertumbuhan angkatan kerja
serta potensi yang ada pada jumlah angkatan kerja di masa yang
akan datang. Selain itu, dari Badan Pusat Statistik (BPS)
Kabupaten Pati dalam merencanakan kebutuhan angkatan kerja
untuk tahun ke depannya dengan bekerja sama dengan
Pemerintah Kabupaten Pati.

1.4. Tempat dan Pelaksanaan

1.4.1. Tempat
Dalam hal ini, penulis melaksanakan Praktik Kerja Lapangan (PKL)
di Badan Pusat Statistik (BPS) Kabupaten Pati yang beralamat di
Jalan Raya Pati - Kudus KM. 3, Margorejo, Kecamatan Pati, 59163.

1.4.2. Pelaksanaan
Penulis telah melaksanakan Praktik Kerja Lapangan (PKL) yang
pelaksanaannya dimulai pada tanggal 26 Juli sampai tanggal 28
Agustus 2015 atau selama 25 hari kerja. Hari kerja di Badan Pusat
Statistik Kabupaten Pati, yaitu hari Senin sampai Kamis dengan
waktu kerja dimulai pukul 07.30 16.00 WIB sedangkan untuk hari
Jumat dimulai pukul 07.30 16.30 WIB.

1.5. Metode Pengumpulan Data

Data merupakan suatu informasi yang diperoleh dari pengukuranpengukuran tertentu, untuk digunakan sebagai landasan dalam menyusun
argumentasi logis menjadi fakta. Sedangkan definisi dari fakta adalah
kenyataan yang telah diuji kebenaran dan keasliannya secara empirik, yaitu
dengan cara analisis data (Fathoni, 2006:104). Dalam hal ini, penulis
memperoleh data dari Badan Pusat Statistik Kabupaten Pati serta Badan
Pusat Statistik Provinsi Jawa Tengah dimana data tersebut berbentuk data
kuantitatif. Sugiono (2012:13) berpendapat tentang definisi dari data
kuantitatif, yaitu Suatu karakteristik dari suatu variabel yang nilai-nilainya

dinyatakan dalam bentuk numerical. Jika data ditinjau dari aspek sumber
datanya, data yang diperoleh merupakan data sekunder, yaitu data yang
diperoleh bukan bersumber dari pihak pertama melainkan bersumber dari
pihak kedua (Sugiono, 2010:137), contohnya adalah data yang diambil dari
Badan Pusat Statistik.
Pengumpulan data merupakan langkah strategis dalam suatu
penelitian sebab tujuan utama dari penelitian adalah mengumpulkan data
(Sugiono, 2010:62). Sedangkan menurut Suharsimi Arikunto (2010:265)
mengumpulkan data adalah pekerjaan yang penting dalam langkah
penelitian, terutama apabila peneliti menggunakan metode yang memiliki
cukup besar celah untuk dimasuki unsur minat peneliti.
Secara metodologis, ada beberapa metode pengumpulan data yang
digunakan oleh para peneliti untuk menyusun/mempersiapkan suatu
penelitian. Berikut beberapa metode pengumpulan data yang peneliti
lakukan guna mendapatkan data sesuai dengan judul laporan yang penulis
buat :
Metode dokumentasi, Sugiono (2009:329) berpendapat bahwa
dokumen merupakan catatan peristiwa yang sudah berlalu. Dokumen bisa
berbentuk tulisan, gambar, atau karya-karya monumental dari seseorang.
Disini, peneliti melakukan dokumentasi dengan mengamati buku-buku
yang berisi data-data yang peneliti butuhkan untuk menyusun laporan ini
lalu peneliti mengambil informasi maupun data yang bersumber dari buku
bacaan tersebut. Selain itu, peneliti juga memperoleh data hasil penelitian

10

yang bersumber dari Badan Pusat Statistik Kabupaten Pati serta Badan
Pusat Statistik Provinsi Jawa Tengah dimana berbentuk buku-buku
referensi tentang keadaan Kabupaten Pati serta softfile yang berisi data-data
yang berhubungan dengan laporan yang penulis susun.
Metode studi pustaka, merupakan metode yang digunakan dengan
cara mengumpulkan buku-buku yang berkaitan dengan masalah yang
sedang dihadapi guna mendapatkan data-data yang sesuai dengan peneliti
inginkan dan peneliti mengumpulkan buku-buku yang berhubungan
dengan angkatan kerja khususnya di Kabupaten Pati.
Metode wawancara yang merupakan salah satu cara pengumpulan
data dengan mengajukan pertanyaan langsung kepada informan atau
seorang autoritas (seorang ahli/pakar yang berwenang dalam suatu
permasalahan) (Gorys Keraf, 1989:161). Wawancara digunakan peneliti
guna mendapatkan informasi terkait angkatan kerja yang ada di Kabupaten
Pati dengan cara mengajukan pertanyaan kepada informan BPS Kabupaten
Pati.

11

BAB 2
PEMBAHASAN

2.1. Profil Badan Pusat Statistik (BPS) Kabupaten Pati

2.1.1. Sejarah Singkat Perkembangan Badan Pusat Statistik (BPS)
Badan Pusat Statistik merupakan Lembaga Pemerintahan
Non-Departemen yang bertanggung jawab langsung kepada
Presiden. Sebelumya, Badan Pusat Statistik merupakan Biro Pusat
Statistik yang dibentuk berdasarkan UU Nomor 6 Tahun 1960
tentang Sensus dan UU Nomor 7 Tahun 1960 tentang Statistik.
Setelah itu, kedua UU tersebut diganti sesuai ditetapkannya UU
Nomor 16 tahun 1997 tentang Statistik dan secara formal nama Biro
Pusat Statistik diganti menjadi Badan Pusat Statistik.

2.1.2. Gambaran Umum Kabupaten Pati

Kabupaten Pati merupakan sebuah kabupaten yang terdapat di
Provinsi Jawa Tengah yang berjarak 75 km ke arah timur dari pusat
Kota Semarang. Penduduknya yang mayoritas bekerja di bidang
pertanian menjadi alasan Kabupaten Pati mendapat julukan Pati
Bumi Mina Tani. Selain itu juga, sebagian besar luas wilayah di
Kabupaten Pati digunakan sebagai area persawahan, yaitu sebesar
70% dari luas wilayah Kabupaten Pati.

12

2.1.2.1. Luas Wilayah

Berdasarkan hasil EPT pada tahun 2002, luas wilayah
Kabupaten Pati adalah 150.368 Ha yang terdiri dari 59.332
Ha lahan sawah, 66.086 Ha lahan bukan sawah dan 24.950
Ha lahan bukan pertanian. Lahan sawah merupakan lahan
pertanian yang berbentuk petak memiliki pematang
(galengan) dan saluran untuk menahan ataupun menyalurkan
air guna untuk pengairan tanaman. Sedangkan lahan bukan
sawah

adalah

semua

lahan

pertanian selain

lahan

persawahan seperti lahan perkebunan, ladang maupun

tambak. Lahan bukan pertanian merupakan lahan yang
digunakan bukan untuk ladang pertanian melainkan
digunakan sebagai area pemukiman. Jadi, sebagian besar
wilayah di Kabupaten Pati merupakan area pertanian.

2.1.2.2. Batas Wilayah

Secara astronomis, Kabupaten Pati terletak antara 60
25 70 00 lintang selatan dan antara 1000 50 1110 15
bujur timur.
Sedangkan ditinjau dari segi geografisnya, Kabupaten
Pati memiliki batas-batas wilayah sebagai berikut :
1) Utara

: Kabupaten Jepara dan Laut Jawa,

2) Selatan

: Kabupaten Grobogan dan Blora,

3) Barat

: Kabupaten Kudus dan Kabupaten Jepara,

13

4) Timur

: Kabupaten Rembang dan Laut Jawa.

(BPS Kabupaten Pati:Pati dalam Angka 2015, 3)

2.1.2.3. Kondisi Iklim

Kondisi iklim di Kabupaten Pati dipengaruhi oleh zona
iklim tropis yang hanya memiliki dua musim, musim hujan
dan musim kering. Berdasarkan data BPS Kabupaten Pati
tahun 2014 musim penghujan jatuh antara bulan Desember April dengan rata-rata jumlah curah hujan (Mm) antara 146
- 883 Mm dan tingkat curah hujan yang paling tinggi terjadi
pada bulan Januari sebanyak 883 Mm. Sedangkan musim
kering jatuh pada Mei - November dengan rata-rata jumlah
curah hujan (Mm) antara 11 - 96 Mm dan tingkat curah
hujan paling rendah terjadi pada bulan September.

2.1.3. Visi dan Misi Badan Pusat Statistik (BPS) Kabupaten Pati
2.1.3.1. Visi
Pelopor data statistik terpercaya untuk semua.

2.1.3.2. Misi
1. Memperkuat landasan konstitusional dan operasional
lembaga statistik untuk penyelenggaraan statistik yang
efektif dan efisien.

14

2. Menciptakan insan statistik yang kompeten dan

profesional, didukung pemanfaatan teknologi mutakhir
untuk kemajuan perstatistikan Indonesia.
3. Meningkatkan penerapan standar klarifikasi, konsep dan
definsi, pengukuran, dan kode etik statistik yang bersifat
universal dalam setiap penyelenggaraan statistik.
4. Meningkatkan kualitas pelayanan informasi statistik bagi
semua pihak.
5. Meningkatkan koordinasi, integrasi, dan sinkronisasi
kegiatan statistik yang diselenggarakan pemerintah dan
swasta, dalam kerangka Sistem Statistik Nasional (SSN)
yang efektif dan efisien.

2.1.4. Struktur Organisasi Badan Pusat Statistik (BPS) Kabupaten

Pati
Berdasarkan Keputusan Kepala Badan Pusat Statistik Nomor
121 Tahun 2001 tentang Organisasi dan Tata Kerja Perwakilan
Badan Pusat Statistik di Daerah maka dibentuk struktur organisasi
Badan Pusat Statistik (BPS) di Kabupaten Pati sebagai berikut :

15

Kepala
Kepala Sub
Bagian Tata
Usaha
Ka. Sie
Statistik
Sosial

Ka. Sie
Statistik
Produksi

Ka. Sie
Statistik
Distribusi

Ka. Sie Statistik

Neraca Wilayah
& Analisa
Statistik

Ka. Sie
Integrasi
Pengolahan &
Diseminasi
Statistik

Fungsional
Statistik /
Koordinator
Statistik
Gambar 2.1. Struktur Organisasi BPS Kabupaten Pati

1) Kepala merupakan seseorang yang memimpin Badan Pusat

Statistik (BPS) Kabupaten/Kota. Selain itu, kepala juga
memiliki tugas dan fungsi untuk membina aparatur BPS
Kabupaten/Kota agar berdaya guna dan berhasil guna.
2) Sub bagian Tata Usaha memiliki tugas untuk melakukan
penyususnan rencana dan program, urusan kepegawaian dan
keuangan, perlengkapan serta urusan dalam.
3) Seksi

Statistik

Sosial

yang

melakukan

pengumpulan,

pengolahan, analisis, evaluasi serta pelaporan yang berkaitan

dengan statistik sosial.
4) Seksi

Statistik

Produksi

bertugas

untuk

melaksanakan

pengumpulan, pengolahan, analisis, evaluasi serta pelaporan

yang berhubungan dengan statistik produksi.

16

5) Seksi Statistik Distribusi dengan tugas yang sama dengan tugas

seksi statistik sosial maupun statistik produksi tetapi seksi
statistik distribusi melaksanakan tugas dan fungsinya yang
berkaitan dengan distribusi.
6) Seksi Neraca Wilayah dan Analisis Statistik yang bertugas
melakukan pengumpulan, kompilasi data, pengolahan, analisis,
evaluasi, dan pelaporan neraca wilayah dan analisis statistik
lintas sektor.
7) Seksi Integrasi Pengolahan dan Diseminasi Statistik yang
melaksanakan pengintegrasian pengolahan data, pengolahan
jaringan dan rujukan statistik serta diseminasi dan layanan
statistik terpadu dalam wilayah/daerah tersebut.
8) Fungsional Statistik / Koordinator Statistik Kecamatan (KSK)
yang dulu populer dengan sebutan Mantri Statistik merupakan
petugas fungsional yang melakukan pengumpulan data statistika
di lapangan serta pengkoordinasian kegiatan pada tingkat
kecamatan yang berada di bawah dan bertanggung jawab
langsung kepada Kepala Badan Pusat Statistik pada tingkat
Kabupaten/Kota terutama di Kabupaten Pati.

2.1.5. Tugas, Fungsi, dan Kewenangan Badan Pusat Statistik (BPS)

Tugas, fungsi dan kewenangan Badan Pusat Statistik (BPS)
telah ditetapkan berdasarkan Peraturan Presiden (Perpres) Nomor 86
Tahun 2007 tentang Badan Pusat Statistik dan Peraturan Kepala

17

Badan Pusat Statistik Nomor 7 Tahun 2008 tentang Organisasi dan

Tata Kerja Badan Pusat Statistik.
1. Tugas
Melaksanakan tugas pemerintahan dibidang statistik sesuai
peraturan perundang-undangan.
2. Fungsi
a. Pengkajian, penyusunan dan perumusan kebijakan dibidang
statistik,
b. Pengkoordinasian kegiatan statistik nasional dan regional,
c. Penetapan dan penyelenggaraan statistik dasar,
d. Penetapan sistem statistik nasional,
e. Pembinaan dan fasilitasi terhadap kegiatan instansi
pemerintah dibidang kegiatan statistik, dan
f. Penyelenggaraan pembinaan dan pelayanan administrasi
umum

dibidang

organisasi

dan

perencanaan
tatalaksana,

umum,

ketatausahaan,

kepegawaian,

keuangan,

kehumasan, hukum, perlengkapan dan rumah tangga.

3. Kewenangan
a. Penyusunan rencana nasional secara makro di bidangnya,
b. Perumusan kebijakan di bidangnya untuk mendukung
pembangunan secara makro,
c. Penetapan sistem informasi di bidangnya,
d. Penetapan dan penyelenggaraan statistik nasional,

18

e. Kewenangan lain sesuai dengan ketentuan peraturan

perundang-undangan yang berlaku, yaitu :
i. Perumusan dan pelaksanaan kebijakan di bidang
kegiatan statistik,
ii. Penyusunan pedoman penyelenggaraan survei statistik
sektoral.

2.2. Peramalan (forecasting)

Render dan Heizer (2007) mengemukakan pendapat mereka tentang
peramalan, yaitu suatu seni atau ilmu untuk memprediksi / memperkirakan
peristiwa-peristiwa yang mungkin akan terjadi di masa yang akan datang.
Ahli

lain

mengutarakan

bahwa

peramalan

(forecasting)

adalah

memperkirakan sesuatu yang akan terjadi (Subagyo, 2000). Menurut

Hadoko (1999) peramalan merupakan suatu kegiatan yang dilakukan guna
meramalkan keadaan yang akan terjadi di masa depan dengan pengujian
keadaan maupun menggunakan data di masa lalu/sebelumnya. Jadi, dari
beberapa pendapat para ahli mengenai definisi dari peramalan (forecasting)
dapat diambil inti dari pengertian tersebut, yaitu kegiatan atau seni yang
dilakukan guna memperkirakan suatu peristiwa yang mungkin akan terjadi
di masa depan dengan menggunakan data-data dari masa lalu. Dalam hal
ini, peneliti ingin meramalkan pertumbuhan angkatan kerja di Kabupaten
Pati baik itu peramalan jangka pendek, jangka menegah maupun jangka
panjang.

19

Peramalan jangka pendek (short-range forecast) merupakan

peramalan yang digunakan untuk meramalkan suatu peristiwa/kejadian
dengan cakupan waktu kurang dari tiga bulan dan data yang digunakan
merupakan data kegiatan harian ataupun tiga bulanan. Peramalan jangka
menengah (medium-range forecast) merupakan peramalan yang digunakan
untuk meramalkan suatu peristiwa/kejadian dengan cukapan waktu tiga
bulan sampai satu tahun dan data yang digunakan dominan adalah data
tahunan. Sedangkan peramalan jangka panjang (long-range forecast)
merupakan peramalan yang digunakan untuk meramalkan suatu
peristiwa/kejadian dengan periode yang lebih lama antara satu atau dua
tahun bahkan lebih. Sebelum melakukan kegiatan peramalan, ada langkahlangkah atau prosedur yang harus diperhatikan sebab peramalan yang baik
adalah peramalan yang mengikuti kaidah-kaidah yang telah ada dan
menurut Gaspersz (2005) terdapat 9 langkah-langkah pada sistem
peramalan, yaitu :
1) Menentukan tujuan dari peramalan,
2) Memilih item independent demand yang akan diramalkan,
3) Menentukan horison waktu dari peramalan (jangka pendek,
jangka menengah, jangka panjang),
4) Memilih model-model peramalan,
5) Memperoleh data yang dibutuhkan untuk melakukan peramalan,
6) Validasi model peramalan,
7) Membuat peramalan,

20

8) Implementasi hasil-hasil peramalan,

9) Memantau keandalan hasil peramalan.
Langkah

langkah

peramalan

tersebut

dibuat

agar

saat

meramalkan/memprediksi suatu kejadian maupun peristiwa dimana

kesalahan dalam peramalan tersebut dapat diminimalisir dan data yang
diperolehpun dapat digunakan sebagai acuan untuk pemerintah dalam
mengambil kebijakan pada pertumbuhan angkatan kerja di masa yang akan
datang khususnya di Kabupaten Pati.
Selain itu, terdapat jenis - jenis peramalan berdasarkan sifat
peramalannya (Mulyono, 2000:3-4), yaitu dibagi menjadi 2 macam :
1) Peramalan kualitatif yang merupakan sifat peramalan yang
digunakan atas dasar data kualitatif pada masa lalu. Faktor - faktor
seperti intuisi pengambilan keputusan, emosi, pengalaman pribadi
dan sistem nilai merupakan suatu teknik dalam melakukan
peramalan yang bersifat kualitatif sebab data yang berupa
kualitatif tidak bisa digunakan untuk perhitungan langsung seperti
peramalan dengan data bersifat kuantitatif.
2) Peramalan kuantitatif merupakan sifat peramalan yang digunakan
atas dasar data kuantitatif pada masa lalu. Karena data yang
bersifat kuantitatif atau data berupa angka maka data itu dapat
langsung digunakan pada peramalan (forecasting). Di lain sisi,
data kuantitatif nantinya akan peneliti gunakan sebagai sumber
data pada metode peramalan dengan alasan data kuantitatif yang

21

mana data berupa angka dapat langsung digunakan dalam

peramalan dan tidak harus diubah seperti data kualitatif yang harus
diubah mejadi bentuk data kuantitatif.
Berdasarkan jenis pola datanya, Taylor III (2005) berpendapat bahwa
ada beberapa pola atau kecenderungan data:
1) Pola Data Horison (H) merupakan pola data dimana data
berfluktuasi konstan dengan nilai rata-ratanya. Contohnya harga
bahan bakar minyak dimana penjualannya tidak naik maupun
turun selama waktu tertentu.

Penjualan Gula
250

Data

200
150
100
50
0
1998 2000 2002 2004 2006 2008 2010 2012 2014 2016
Tahun

Grafik 2.1. Pola Data Horison

2) Pola Data Musiman (S) merupakan pola data yang dipengaruhi

oleh faktor musim baik itu mingguan, bulanan maupun tahunan.
Contohnya penjualan buah durian yang hanya ada setiap tahun.

22

Penjualan Durian
350
300

Permintaan

250
200
150
100
50
0
0

10

12

14

Bulan

Grafik 2.2. Pola Data Musiman

3) Pola Data Siklis (C) merupakan pola data yang dipengaruhi oleh
fluktuasi ekonomi jangka panjang yang mana data tersebut ada
kaitannya dengan siklus bisnis. Contohnya penjualan motor,
mobil.

Penjualan Sepeda
35
30

Permintaan

25
20
15
10
5
0
1995

2000

2005
Tahun

Grafik 2.3. Pola Data Siklis

2010

2015

23

4) Pola Data Trend (T) merupakan pola data dengan bentuk data
berupa garis pada jangka waktu tertentu baik itu naik maupun
turun. Contohnya pertumbuhan upah minimum kabupaten/kota.

Upah Minumum Kabupaten/Kota

1400000
1200000

Gaji/bulan

1000000
800000
600000
400000
200000
0
1998

2000

2002

2004

2006

2008

2010

2012

2014

Tahun

Grafik 2.4. Pola Data Trend

2.2.1. Metode Peramalan (forecasting)

Kegiatan peramalan merupakan hal yang dalam pengambilan
keputusan berguna untuk menganalisis suatu peristiwa yang akan
terjadi di masa yang akan datang. Agar prediksi yang tersebut tepat
sasaran dibutuhkan suatu metode peramalan (forecasting) yang
berguna mengurangi kesalahan (error) dan mempermudah peneliti
dalam meramalkan suatu peristiwa sebab data bersifat kuantitatif
(berupa

angka).

Adapun

metode-metode

dalam

peramalan

(forecasting), yaitu metode peramalan deret waktu (time series) dan

metode peramalan kausal.

24

Metode peramalan deret waktu (time series) merupakan

peramalan yang menggunakan deret waktu sebagai sumber data
peramalannya dimana data itu sendiri harus berupa data yang
terbaru/aktual. Data yang aktual akan mempengaruhi tingkat
keberhasilan dalam meramal dan kesalahan dapat diminimalisir.
Adapaun metode-metode dalam peramalan deret waktu (time series)
sebagai berikut :
1) Metode ARIMA dapat disebut juga dengan nama metode
Box-Jenkins. ARIMA (Autoregressive Integrated Moving
Average) merupakan metode peramalan deret waktu
dimana pada metode ini tidak memiliki variabel bebas
(independent) melainkan menggunakan data masa kini
dengan data masa lampau yang diperoleh dari variabel
terikat (dependent). Dalam segi ketepatan dalam meramal
sangat baik jika digunakan pada peramalan jangka pendek
sedangkan untuk jangka menengah ataupun jangka
panjang kurang tepat jika menggunakan metode ARIMA.
Tujuan dari peramalan dengan metode ARIMA adalah
menentukan hubungan antara variabel yang diramal
dengan variabel masa sebelumnya/lampau.
2) Metode nave merupakan metode peramalan yang
didasarkan pada asumsi bahwa data sekarang merupakan
prediktor yang paling baik (Firdaus, 2006:4) sebab dalam

25

perhitungannya metode ini menggunakan data pada masa

lampau (pass data) sebagai peramalan di waktu
mendatang. Selain itu, metode nave sangat cocok
digunakan pada pola data stasioner.
3) Metode rata-rata bergerak (moving average) merupakan
metode peramalan yang menggunakan data masa lalu
untuk memperkirakan serta memproyeksikan data di masa
yang akan datang. Menurut Makridakis, dkk (1999) teknik
rata-rata bergerak sederhana (simple moving average)
bertujuan untuk memanfaatkan data masa lalu untuk
mengembangkan suatu sistem peramalan pada periode
mendatang. Di sisi lain, terdapat kelebihan dalam
penggunaan metode tersebut yaitu cepat, mudah dan juga
murah serta dapat memberikan ramalan yang relatif baik
untuk waktu dekat.
4) Metode exponential smoothing merupakan pengembangan
dari metode moving average. Akan tetapi, dalam metode
ini dilakukan perhitungan secara berulang pada data yang
ingin diramal. Setiap data diberi bobot lalu data yang telah
diberi bobot yang mana menjadi data terbaru diberi bobot
yang lebih besar.
Metode peramalan kausal merupakan metode dengan pola
peramalan sebab-akibat dimana variabel satu mempengaruhi

26

variabel yang lainnya. Selain itu, pola peramalan pada metode ini
didasarkan pada analisa pola hubungan antara variabel yang
diperkirakan (dependent) dengan variabel yang mempengaruhinya
(independent) atau dapat disebut juga sebagai metode regresi.
Metode regresi merupakan analisis statistik yang menggunakan dua
variabel atau lebih dengan salah satu dari variabel tersebut adalah
variabel terikat (dependent) dan variabel lain adalah variabel bebas
(independent). Ada beberapa jenis metode dalam peramalan kausal
dimana

berkaitan

dengan

metode

regresi,

yaitu

metode

ekonometrika, input-output dan regresi-korelasi.

Metode ekonometrika merupakan suatu peramalan pada
metode kausal yang sering digunakan untuk perencanaan ekonomi
nasional dalam jangka pendek maupun jangka panjang. Contohnya
meramalkan besarnya indikator moneter untuk tahun ke depan yang
dilakukan Bank Indonesia setiap tahunnya.
Metode

input-output

hampir

sama

denga

metode

ekonometrika hanya saja metode input-output digunakan untuk

meramalkan perencanaan ekonomi nasional dalam jangka waktu
yang panjang antara tahunan sampai 10 tahunan. Contohnya
meramalkan pertumbuhan domestik bruto (PDB) untuk tahun ke
depan antara 5-10 tahun yang akan datang.
Metode regresi-korelasi merupakan metode peramalan kausal
yang menggunakan teknik kuadrat terkecil (least square) sebagai

27

upaya dalam meramalkan suatu peristiwa yang akan terjadi di tahun

yang akan datang. Prediksi yang dilakukan pada metode ini ialah
peramalan dengan pola waktu pendek sampai panjang.
Dalam hal ini, peneliti akan menggunakan metode peramalan
kausal khususnya metode regresi-korelasi sebagai teknik dalam
peramalan (forecasting) sebab metode ini sangat tepat berkaitan
waktu dimana cocok untuk digunakan pada waktu menengah sampai
tahunan. Penggunaan metode ini untuk meramalkan pertumbuhan
jumlah angkatan kerja dengan jenis data berupa tahunan yang akan
diramalkan di tahun yang akan datang. Di sisi lain, peneliti juga
menggunakan metode peramalan fuzzy sebagai pembanding dengan
metode peramalan kausal dan akan dianalisis metode yang paling
baik diantara kedua peramalan tersebut.

2.2.2. Peramalan (forecasting) dengan Metode Kausal

Metode yang menggunakan teknik sebab-akibat sebagai
analisis peramalan (forecasting).

Teknik sebab-akibat tersebut

dapat disebut juga sebagai teknik regresi-korelasi. Telah dibahas

sebelumnya bahwa metode peramalan kausal memiliki beberapa
metode lagi, yaitu metode ekonometrika, metode input-output dan
metode regresi-korelasi. Akan tetapi, peneliti akan menitik beratkan
peramalan metode kausal dengan teknik regresi-korelasi. Alasan
tersebut berkaitan dengan permasalahan yang peneliti hadapi yakni
pertumbuhan jumlah angkatan kerja dari tahun ke tahun yang mana

28

dalam hal termasuk ke dalam peramalan dengan pola jangka waktu

panjang (data dari tahun ke tahun). Peramalan dengan metode
regresi-korelasi digunakan karena ada faktor yang mempengaruhi
variabel terikat (dependent) yaitu variabel bebas (independent) serta
hubungan yang saling berkaitan antar satu sama lainnya..
Menurut Sugiyono (2012:50) definisi dari variabel yang
dipengaruhi atau yang menjadi akibat karena adanya variabel bebas
dan peneliti mengambil angkatan kerja sebagai variabel terikatnya
dengan simbol variabel yaitu Y. Sedangkan variabel bebas
(independent) merupakan variabel yang mempengaruhi atau yang
menjadi sebab perubahannya atau timbulnya variabel terikat
(dependent), Sugiyono (2012:50).
Karena faktor-faktor yang saling mempengaruhi dan saling
terkait tersebut menjadi alasan peneliti menggunakan metode
regresi-korelasi dalam peramalan kausal ini baik itu metode dengan
regresi linier sederhana, regresi linier berganda maupun auto regresi
dan auto korelasi. Namun, peneliti akan lebih menitik beratkan pada
uji auto regresi dan auto korelasi.
Uji auto regresi dan auto korelasi merupakan metode statistik
yang membahas mengenai pengaruh serta hubungan antara variabel
yang telah terjadi pada suatu periode dengan variabel yang akan
terjadi pada periode berikutnya. Untuk mengetahui besarnya
pengaruh antar variabel digunakan teknik auto regresi sedangkan

29

untuk mengetahui hubungan antar variabel digunakan teknik auto

korelasi. Kata auto pada teknik auto regresi maupun teknik auto
korelasi digunakan karena variabel yang akan digunakan sebagai
variabel bebas (independent) juga akan digunakan sebagai variabel
terikatnya (dependent). Dengan kata lain besarnya nilai pada suatu
variabel tergantung pada variabel itu sendiri.
Pada permasalahan ini peneliti menggunakan data angkatan kerja
pada tahun sekarang sebagai variabel terikat (dependent) dan data
angakatan kerja pada tahun lalu/lampau sebagai variabel bebas
(independent) sebab kedua data tersebut saling berhubungan serta
data pada tahun lampau dapat mempengaruhi data pada masa kini
seperti pada tabel 2.1.1.
Data Angkatan Kerja Kabupaten Pati
tahun 2000-2014
Xt
Xt - 1
2001 606856 2000 593324
2002 612036 2001 606856
2003 647360 2002 612036
2004 595157 2003 647360
2005 631138 2004 595157
2006 620240 2005 631138
2007 663864 2006 620240
2008 630524 2007 663864
2009 639265 2008 630524
2010 620602 2009 639265
2011 651095 2010 620602
2012 640664 2011 651095
2013 641599 2012 640664
2014 649323 2013 641599
Sumber : Badan Pusat Statistik Provinsi Jawa Tengah (Jawa Tengah Dalam Angka)

Tabel 2.1.1. Data Angkatan Kerja Kabupaten Pati

30

Karena berkaitan data yang diambil merupakan data pada masa yang
telah terjadi serta data pada masa berikutnya maka dengan alasan
tersebut peneliti menggunakan teknik auto regresi dan auto korelasi
sebagai metode analisis statistik untuk metode peramalan kausal.
Berikut rumus mencari persamaan dan koefisien auto regresi :
1. Mencari a dan b
=

. . .
2
.
( )2

N = banyaknya pasangan data

s = selisih waktu antara variabel terikat dengan variabel bebas
=

2. Persamaan Auto Regresi

= + . 1
3. Mencari Koefisien Auto Regresi
=

. . .
2
(.
( )2 ). (. 2 ( )2 )

Lalu dari rumus tersebut akan didapat persamaan auto regresi

yang akan digunakan untuk peramalan pada tahun mendatang yakni
diperoleh pertumbuhan jumlah angkatan kerja pada tahun
berikutnya sedangkan koefisien auto regresi akan digunakan untuk
mencari auto korelasi dengan rumus sebagai berikut :
=

2
1 2

31

Dari rumus auto korelasi di atas akan diperoleh nilai yang

menyatakan hubungan antara variabel terikat dengan variabel bebas.

2.2.3. Peramalan (forecasting) dengan Metode Fuzzy

Logika fuzzy merupakan salah satu logika sebagai pembentuk
utama dari soft computing. Logika ini untuk pertama kalinya
diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965
(Kusumadewi dan Purnomo, 2010). Menurut Zadeh, definisi dari
logika fuzzy merupakan logika dengan kemungkinan nilai
keanggotaannya berada pada interval antara 0 sampai 1 dimana
keanggotaannya berbentuk linguistik, contohnya seperti sedikit,
lumayan dan sangat yang mana pada masing-masing antara
sedikit-lumayan, lumayan-sangat memiliki konsep yang tidak pasti
atau memiliki tingkat keabuan. Selain itu, menurut pendapat Vrusias
(2005) bahwa logika fuzzy merupakan logika yang digunakan untuk
menjelaskan keambiguan, dimana logika fuzzy adalah cabang teori
dari himpunan fuzzy, himpunan yang menyelesaikan keambiguan.
Himpunan tegas atau crisp merupakan nilai keanggotaan suatu
item x dalam suatu himpunan A yang sering ditulis dengan ().
() memiliki dua kemungkinan yakni () = 1 yang artinya
bahwa suatu item x menjadi anggota dalam suatu himpunan A dan
() = 0 yang artinya bahwa suatu item x tidak menjadi anggota
dalam suatu himpunan A (Kusumadewi dan Purnomo, 2010). Ada
dua atribut yang termasuk dalam himpunan fuzzy yakni linguistik

32

dan numeris. Linguistik merupakan penanaman suatu grup yang

mewakili suatu keadaan atau kondisi tertentu dengan menggunakan
bahasa alami, seperti sedikit, sedang, banyak. Sedangkan numeris
merupakan suatu nilai yang menunjukkan ukuran dari variabel,
seperti 4, 89, 12.
Menurut Kusumadewi dan Purnomo (2010), ada beberapa hal
tentang sistem fuzzy, yaitu variabel fuzzy, himpunan fuzzy, semesta
pembicaraan serta domain fuzzy. Variabel fuzzy merupakan variabel
yang akan dibahas di dalam suatu sistem fuzzy sebagai contoh umur,
temperatur, penjualan. Lalu, himpunan fuzzy merupakan suatu
kelompok yang mewakili kondisi atau keadaan tertentu dalam
variabel fuzzy seperti dingin, sejuk, sedang, hangat dan panas.
Sedangkan semesta pembicaraan ialah keseluruhan nilai yang
diperbolehkan untuk dioperasikan dalam variabel fuzzy. Nilai dari
semesta pembicaraan berbentuk bilangan real baik itu positif
maupun negatif dimana nilai tersebut dapat naik secara monoton dari
kiri ke kanan. Dan terkahir adalah domain yang merupakan
keseluruhan nilai yang diperbolehkan dalam semesta pembicaraan
serta dioperasikan dalam himpunan fuzzy. Sama halnya dengan
semesta pembicaraan, domain juga bernilai positif dan negatif
dengan bentuk bilangan merupakan bilangan real.
Pada teori-teori di atas tentang logika fuzzy serta menurut
pendapat-pendapat oleh para ahli, logika fuzzy dapat diterapkan pada

33

bidang-bidang yang lain seperti ekonomi, sosial maupun dalam ilmu

sains. Akan tetapi, peneliti akan menitik beratkan pada penerapan
logika fuzzy pada ilmu sains yaitu pada peramalan (forecasting)
dengan alasan pada penelitian ini membahas tentang peramalan
(forecasting). Logika fuzzy pada peramalan (forecasting) termasuk
dalam fuzzy time series yaitu metode pada logika fuzzy yang
digunakan untuk memprediksi suatu variabel yang ingin diramal
dengan menggunakan data runtun waktu atau data dengan skala
waktu. Pada penelitian ini menggunakan variabel Xt sebagai data
aktual atau data angkatan kerja pada masa sekarang sekarang serta
variabel Xt-1 sebagai data pada masa lampau atau data angkatan kerja
pada masa lampau, seperti pada tabel 2.1.1.
Ada beberapa teknik dalam metode fuzzy time series dan salah
satunya adalah metode algoritma Ruey Chyn Tsaur. Menurut Tsaur
(2011), sebelum melakukan peramalan dengan metode fuzzy time
series Reuy Chyn Tsaur ada langkah-langkah yang harus dipenuhi
terlebih dahulu, yaitu :
1. Mengumpulkan data (Xt),
2. Menentukan nilai maksimum dan minimum dari data utuk
mendefinisikan Universe of Discourse U = [Dmin, Dmaks],
3. Menentuka interval I menggunakan metode average based
length (Duru dan Yoshida, 2009) dengan langkah sebagai
berikut :

34

1) Hitung selisih , 1 per obervasi lalu hitung ratarata denga rumus berikut :
=1| 1 |
=
1
dimana :
= nilai rata-rata,

= jumlah observasi,

= data ke-i,

1 = data ke-i -1
2) Mencari nilai basis dengan rumus berikut :
=

= nilai basis
3) Besar interval I ialah pembulatan dari nilai basis (B)
lalu basis ditentukan berdasarkan Base Mapping Table
(Duru dan Yoshida, 2009) dengan kriteria tabel sebagai
berikut :
Range
0,1-1,0
1,1-10
11-100
101-1000
1001-10000
10001-100000

Base
0,1
1
10
100
1000
10000

Tabel 2.2.1. Tabel Pemetaan Basis

4. Jumlah interval fuzzy dicari dengan rumus sebagai berikut:

=

( + 1 ) ( + 2 )

35

dimana :
= jumlah interval,
D1 dan D2 adalah konstanta sebarang.
5. Menentukan himpunan fuzzy logical,
6. Menentukan fuzzy logical relationship,
7. Menentukan fuzzy logical relationship group,
8. Menghitung hasil ramalan ( ) melalui fuzzy logical
relationship group dengan aturan :
1) Jika fuzzy logical relationship Ai adalah relasi one to
one (misalnya Ai Ak dimana Pik = 1 dan Pij = 0, j k)
maka nilai peramalan F(t) adalah mk yang merupakan
nilai tengah dari Uk.
2) Jika fuzzy logical relationship Ai adalah relasi one to
many (misalnya AjA1,A2,,An, j = 1,2,..,n) dimana
data yang diambil Xi-1 pada data (i-1) pada state Aj,
maka peramalan menggunakan rumus sebagai berikut:
1 = 1 . (1) + (1) . + +1 . (+1)
dimana :
1 , +1 = nilai tengah 1 , 1
(1)

= nilai state Aj pada data ke i-1

(1)

= probabilitas transisi dari state Aj ke Aj-1

satu langkah

36

(+1)

= probabilitas transisi dari state Aj ke Aj+1

satu langkah

Rumus :
(1) =

(1)
(+1)
, (+1) =

dimana :
(1) = jumlah transisi dari state Aj ke Aj-1 satu
langkah
(+1) = jumlah transisi dari state Aj ke Aj+1 satu
langkah

= jumlah data yang termasuk dalam state Aj

9. Mengatur kecenderungan (adjust) pada nilai peramalan.

1) Jika state Ai berhubungan dengan Ai, dimulai dari state
Ai pada waktu t-1 sebagai X(t-1) = Ai dan membuat
transisi menaik ke state Aj pada waktu t dimana (i < j)
maka rumus pengaturan nilai kecenderungan :
1 = ( 2)
dimana :
l = nilai basis interval
2) Jika state Ai berhubungan dengan Ai dimulai dari state
Ai pada waktu t-1 sebagai X(t-1) = Ai dan membuat
transisi menaik ke state Aj pada waktu t dimana (i > j)
maka rumus pengaturan kecenderungan :

37

1 = ( 2)
3) Jika arah state ke dalam state Ai pada waktu t-1 sebagai
X(t-1) = Ai dan membuat transisi melompat maju ke
state Ai+s pada waktu t dimana (1 s n-i) maka rumus
pengaturan kecenderungan :
2 = ( 2)
dimana :
s = jumlah lompatan ke depan
4) Jika arah state ke dalam state Ai pada waktu t-1 sebagai
X(t-1) = Ai dan membuat transisi melompat mundur ke
state Ai-v pada waktu t dimana (1 v i) maka rumus
pengaturan kecenderungan :
2 = ( 2)
dimana :
v = jumlah lompatan ke depan
10. Menentukan nilai peramalan berdasarkan pengaturan
kecenderungan (adjust)
1) Jika fuzzy logical relationship group Ai adalah one to
many dan state Ai+1 dapat diperoleh dari Ai dimana
state Ai berhubungan dengan Ai maka hasil peramalan:
= 1 + 1 + 2
2) Jika fuzzy logical relationship group Ai adalah one to
many dan state Ai+1 dapat diperoleh dari Ai dimana

38

state Ai tidak berhubungan dengan Ai maka hasil

peramalan :
= 1 + 1
3) Jika fuzzy logical relationship group Ai adalah one to
many dan state Ai-2 dapat diperoleh dari Ai dimana
state Ai tidak berhubungan dengan Ai maka hasil
peramalan :
= 1 + 2. 2
Hasil akhir akan diperoleh nilai peramalan pertahun yang akan
digunakan untuk peramalan pertumbuhan angkatan kerja pada tahun
yang akan datang.

2.3. Pembahasan
2.3.1. Peramalan (forecasting) dengan Metode Kausal dan Metode
Fuzzy
Sudah dijelaskan sebelumnya tentang definisi maupun
penjelasan tentang peramalan baik itu dengan menggunakan metode
kausal yakni dengan teknik auto regresi dan auto korelasi maupun
dengan menggunakan teknik/metode fuzzy. Dalam sub bab ini, akan
membahas tentang perhitungan pada peramalan menggunakan
teknik auto regresi dan auto korelasi serta metode fuzzy.

39

2.3.1.1.

Metode Kausal

Xt

Xt - 1

Thnt

Datat

Thnt-1

Datat-1

2001

606856

2000

593324

2002

612036

2001

606856

2003

647360

2002

612036

2004

595157

2003

647360

2005

631138

2004

595157

2006

620240

2005

631138

2007

663864

2006

620240

2008

630524

2007

663864

2009

639265

2008

630524

2010

620602

2009

639265

2011

651095

2010

620602

2012

640664

2011

651095

2013

641599

2012

640664

2014

649323

2013

641599

884972
3

879372
4

(Xt)(Xt 1)

X t - 12

Xt 2

3.6006E+1
1
3.7142E+1
1
3.9621E+1
1
3.8528E+1
1
3.7563E+1
1
3.9146E+1
1
4.1176E+1
1
4.1858E+1
1
4.0307E+1
1
3.9673E+1
1
4.0407E+1
1
4.1713E+1
1
4.1105E+1
1

3.5203E+1
1
3.6827E+1
1
3.7459E+1
1
4.1907E+1
1
3.5421E+1
1
3.9834E+1
1

3.68274E+1
1
3.74588E+1
1
4.19075E+1
1
3.54212E+1
1
3.98335E+1
1
3.84698E+1
1
4.40715E+1
1
3.97561E+1
1

4.166E+11

3.847E+11
4.4072E+1
1
3.9756E+1
1
4.0866E+1
1
3.8515E+1
1
4.2392E+1
1
4.1045E+1
1
4.1165E+1
1

5.559E+12

5.529E+12

Tabel 2.1.2. Nilai untuk menghitung a, b dan r dengan selisih waktu 1 tahun

1.

Mencari nilai a dan b

=

. 1 . 1 .
2 (
2
. 1
1 )

4.0866E+11
3.85147E+1
1
4.23925E+1
1
4.1045E+11
4.11649E+1
1
4.2162E+11
5.599E+12

40

(14.5,5591012 )(8793724.8849723)
(14.5,5291012 )(87937242 )

= 0,057
Jadi, diperoleh dari perhitungan di atas nilai b = 0,057
=
=

8849723
14

0,057.

8793724
14

= 596001,3576
Jadi, diperoleh dari perhitungan di atas nilai a =
596.001,3576
2.

Persamaan Auto Regresi

Dari hasil perhitungan a dan b maka diperoleh
persamaan auto regresi sebagai berikut :
= + . 1
= , + , .
Dimana dari persamaan tersebut akan digunakan
untuk mencari peramalan angkatan kerja pada tahun
mendatang serta diperoleh peramalan data angkatan
kerja per tahunnya seperti pada tabel 2.1.3 di bawah
ini yang akan digunakan sebagai perbandingan
peramalan dengan metode fuzzy.

41

Xt
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014

606856
612036
647360
595157
631138
620240
663864
630524
639265
620602
651095
640664
641599
649323

Xt - 1
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013

593324
606856
612036
647360
595157
631138
620240
663864
630524
639265
620602
651095
640664
641599

Yt
630121.9
630900.1
631197.9
633229.3
630227.3
632296.4
631669.7
634178.4
632261.1
632763.8
631690.6
633444.1
632844.3
632898

Tabel 2.1.3. Hasil Peramalan dengan Metode Auto Regresi

dimana :

3.
=

Xt

: merupakan variabel Y (independent)

Xt-1

: merupakan variabel X (dependent)

Yt

: merupakan hasil peramalan

Koefisien Auto Regresi

. 1 . 1 .

2 (
2
2
2
(. 1
1 ) ).(. ( ) )

(14.5,5591012 )(8793724.8849723)
((14.5,5291012 )(87937242 )).((14.5,5991012 )(88497232 ))

= 0,987
Jadi, didapat dari rumus mencari koefisien auto
regresi nilai r = 0,987

42

4.

Mencari Auto Korelasi

Auto korelasi membahas tentang ada atau
tidaknya hubungan antara variabel bebas dengan
variabel terikatnya atau dalam penelitian ini untuk
mengetahui hubungan antara variabel angkatan kerja
pada masa sekarang dengan variabel angkatan kerja
pada masa lampau serta akan diketahui kuat atau
tidaknya hubungan antar kedua variabel tersebut
pada pembahasan ini. Berikut analisis datanya :
1) Hipotesis
0 = tidak ada hubungan antara variabel
angkatan kerja pada masa lampau
dengan variabel angkatan kerja pada
masa sekarang
1 = ada hubungan antara variabel angkatan
kerja pada masa lampau dengan variabel
angkatan kerja pada masa sekarang
2) Taraf Signifikan
= 5% = 0,05
3) Kriteria Pengujian
0 diterima jika < .

43

4) Perhitungan
N = 14, dk = N - 2 = 14 - 2 = 12, maka diperoleh
dari tabel t, = 2,17881

Gambar 2.2 Tabel t

=
=

2
1 2
0,988142
1(0,988)2

= 21,978
Jadi, diperoleh dari perhitungan di atas =
21,978 > = 2,17881 maka 0 ditolak.
5) Kesimpulan
Dari analisis perhitungan di atas diperoleh bahwa
0 ditolak dan 1 diterima yang artinya ada
hubungan antara variabel angkatan kerja pada
masa lampau dengan variabel angkatan kerja
pada masa sekarang.

44

2.3.1.2.

Metode Fuzzy
Variabel-variabel yang digunakan pada penelitian ini
terdiri dari variabel input dan variabel output. Variabel
input diperoleh dari variabel bebas yakni X dengan data
ialah angkatan kerja pada masa lampau. Sedangkan untuk
variabel output didapat dari variabel terikat yang
merupakan variabel Y yakni data angkatan kerja pada
masa

kini/sekarang.

Berikut

perhitungan

dengan

menggunakan metode fuzzy mengikuti algoritma Reuy

Chyn Tsaur yakni fuzzy time series sebab pada penelitian
ini menggunakan skala waktu.
1) Data aktual Angkatan Kerja ( ) dari tahun 2001-2014
Tahun

Data Aktual Angkata Kerja

(Xt)

2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014

606856
612036
647360
595157
631138
620240
663864
630524
639265
620602
651095
640664
641599
649323

Sumber : (Badan Pusat Statistik, 2000-2014)

Tabel 2.2.2. Data Aktual Angkatan Kerja Kabupaten Pati

45

2) Universe of Discourse
Merupakan data minimal dan maksimal dari data
aktual angkatan kerja dari tahun 2001-2014 dimana
untuk Dmin dan Dmaks masing-masing bernilai 595157
dan 663864, U = [Dmin, Dmaks]. Jadi, Universe of
Discourse atau U = [595157, 663864].
3) Interval dan Himpunan Fuzzy
a. Selisih , 1 per obervasi seperti pada
tabel 2.2.3.
Xt
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014

Xt - 1

606856
612036
647360
595157
631138
620240
663864
630524
639265
620602
651095
640664
641599
649323

2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013

593324
606856
612036
647360
595157
631138
620240
663864
630524
639265
620602
651095
640664
641599

Selisih
Xt-Xt-1
13532
5180
35324
52203
35981
10898
43624
33340
8741
18663
30493
10431
935
7724
307069

Tabel 2.2.3. Selisih , 1

Dari data di atas, diperoleh nilai =1|

1 | = 307069 dan akan dicari nilai rataratanya () dengan n = 14.

46

=1| 1 |
1

307069
141

= 23620,69

Jadi, didapat dari perhitungan nilai av =

23620,69
b. Mencari nilai basis
=

23620,69
2

= 11810,35

c. Menentukan besar interval I

Interval I merupakan pembulatan dari B =
11810,35 maka nilai I = 11000 dengan
menggunakan basis sesuai dengan tabel 2.2.2
yaitu basis 10000 dengan alasan nilai Xt masuk
dalam range 10001-100000.
4) Jumlah interval fuzzy
Diketahui D1 dan D2 merupakan konstanta sebarang
dan peneliti mengambil konstanta D1 dan D2 masingmasing sebesar 33324 dan 23864. Untuk mencari
interval fuzzy digunakan perhitungan sebagai berikut :
=
=

( +1 )( +2 )

(663864+33324)(595157+23864)
11000

= 7,106 = 7
Jadi, jumlah interval fuzzy yaitu berjumlah 7.

47

5) Himpunan Fuzzy Logical

Berdasarkan perhitungan di atas maka diperoleh
jumlah interval fuzzy yaitu berjumlah 7 maka dapat
ditentukan himpunan fuzzy Ai dan nilai tengahnya mi
sebagai berikut :
1 = [595157, 605157]; 1 = 600157
2 = [605157, 615157]; 2 = 610157
3 = [615157, 625157]; 3 = 620157
4 = [625157, 635157]; 4 = 630157
5 = [635157, 645157]; 5 = 640157
6 = [645157, 655157]; 6 = 650157
7 = [655157, 665157]; 7 = 660157
Dari himpunan fuzzy yang sudah diketahui akan dicari
fuzzifikasi dari data aktual angkatan kerja seperti pada
tabel 2.2.4 berikut.

48

Tahun

Xt

Interval

Fuzzifikasi

2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014

606856
612036
647360
595157
631138
620240
663864
630524
639265
620602
651095
640664
641599
649323

[605157, 615157]
[605157, 615157]
[645157, 655157]
[595157, 605157]
[625157, 635157]
[615157, 625157]
[655157, 665157]
[625157, 635157]
[635157, 645157]
[615157, 625157]
[645157, 655157]
[635157, 645157]
[635157, 645157]
[645157, 655157]

A2
A2
A6
A1
A4
A3
A7
A4
A5
A3
A6
A5
A5
A6

Tabel 2.2.4. Fuzzifikas data aktual angkatan kerja

6) Menentukan fuzzy logical relation

Berdasarkan tabel 2.2.4 maka fuzzy logical relation
diperoleh sebagai berikut : A2A2; A2A6;
A6A1; A1A4; A4A3; A3A7; A7A4;
A4A5; A5A3; A3A6; A6A5; A5A5;
A5A6;
7) Menentukan fuzzy logical relation group
Berdasarkan fuzzy logical relation maka diperoleh
fuzzy logical relation group, yaitu A2A2,A6;
A6A1; A1A4; A4A3; A3A7; A7A4;
A4A5; A5A3; A3A6; A6A5; A5A5,A6;

49

8) Menghitung peramalan
Dari fuzzy logical relation group akan diperoleh
nilai peramalan per tahun pada data angkatan kerja.
Untuk fuzzy logical relation group :
A0A2 (menghitung ramalan 2001)
Karena data pada tahun sebelumnya yaitu tahun 2000
sebesar 593324 maka tidak ada interval yang masuk
maka transisi menjadi A0 ke A2 sehingga bersifat one
to one maka nilai peramalan pada tahun 2001
merupakan nilai tengah dari A2 yaitu 2 = 610157.
= .
Jadi,

A2A2, A6 (menghitung ramalan 2002, 2003)

Karena bersifat one to many maka akan digunakan
perhitungan dengan aturan ke-2 :
1

= 1 . (1) + (1) . + +1 . (+1)

12002 = 1 . 21 + 2001 . 22 + 3 . 23
12003 = 1 . 21 + 2002 . 22 + 3 . 23
1

= 1 = 600157

= 3 = 620157

21

= 21 2 = 02 = 0

22

= 22 2 = 12 = 0,5

23

= 23 2 = 02 = 0

50

Karena nilai 21 + 22 + 23 = 1 maka nilai 21 dan

23 adalah 0,25.
12002 = 600157.0,25 + 606856.0,50 +
620157.0,25
12002 = 150039,25 + 303428 + 155039,25
= ,

12003 = 600157.0,25 + 612036.0,50 +

620157.0,25
12003 = 150039,25 + 306018 + 155039,25
12003 = 611096,5
Pada tahun peramalan 2003, memiliki transisi
melompat maju yaitu dari transisi A2 ke A6 dengan
lompatan ke depan berjumlah 4 (s=4) sehingga nilai
adjust = 2 = ( 2). = (100002). 4 = 20000.
Karena state Ai tidak berhubungan dengan Ai maka
nilai peramalan untuk tahun 2003 menjadi

= 1 + 2. 2

2003 = 12003 + 2. 2
2003 = 611096,5 + 2.20000
= ,

51

A6A1 (menghitung ramalan 2004)

Karena bersifat one to one maka nilai peramalan pada
tahun 2004 merupakan nilai tengah dari A1 yaitu
= .
1 = 600157. Jadi,

A1A4 (menghitung ramalan 2005)

Karena bersifat one to one maka nilai peramalan pada
tahun 2005 merupakan nilai tengah dari A4 yaitu
= .
4 = 630157. Jadi,

A4A3 (menghitung ramalan 2006)

Karena bersifat one to one maka nilai peramalan pada
tahun 2006 merupakan nilai tengah dari A3 yaitu
= .
3 = 620157. Jadi,
A3A7 (menghitung ramalan 2007)
Karena bersifat one to one maka nilai peramalan pada
tahun 2007 merupakan nilai tengah dari A7 yaitu
= .
7 = 660157. Jadi,

A7A4 (menghitung ramalan 2008)

Karena bersifat one to one maka nilai peramalan pada
tahun 2008 merupakan nilai tengah dari A4 yaitu
= .
4 = 630157. Jadi,

52

A4A5 (menghitung ramalan 2009)

Karena bersifat one to one maka nilai peramalan pada
tahun 2009 merupakan nilai tengah dari A5 yaitu
= .
5 = 640157. Jadi,

A5A3, A5, A6 (menghitung ramalan 2010, 2013,

2014)
Karena bersifat one to many maka akan digunakan
perhitungan dengan aturan ke-2 :
1

= 1 . (1) + (1) . + +1 . (+1)

12010 = 4 . 54 + 2009 . 55 + 6 . 56
12013 = 4 . 54 + 2012 . 55 + 6 . 56
12014 = 4 . 54 + 2013 . 55 + 6 . 56
4

= 4 = 630157

= 6 = 650157

54

= 54 5 = 02 = 0,0

55

= 55 5 = 12 = 0,5

56

= 56 5 = 12 = 0,5

Karena nilai 54 + 55 + 56 = 1 maka nilai 54

adalah 0,0.
12010 = 630157.0,0 + 639265.0,5 + 650157.0,5
12010 = 644711

53

12013 = 630157.0,0 + 640664.0,5 + 650157.0,5

=

12014 = 630157.0,0 + 641599.0,5 + 650157.0,5

12014 = 645878
Pada tahun peramalan 2010, memiliki transisi
melompat mundur yaitu dari transisi A5 ke A3 dengan
lompatan ke belakang berjumlah 2 (v=2) sehingga
nilai adjust = 2 = ( 2). = (100002). 2 =
10000. Karena state Ai tidak berhubungan dengan
Ai maka nilai peramalan untuk tahun 2010 menjadi

= 1 + 2. 2

2010 = 12010 + 2. 2
2010 = 644711 + 2. (10000)
=

Pada tahun peramalan 2014, memiliki transisi

menaik yaitu dari transisi A5 ke A6 dimana (5<6)
sehingga nilai adjust = 1 = ( 2). = (100002) =
5000. Karena state Ai tidak berhubungan dengan Ai
maka nilai peramalan untuk tahun 2014 menjadi

= 1 + 1

2014 = 12014 + 1
2014 = 645878 + 5000
=

54

A3A6 (menghitung ramalan 2011)

Karena bersifat one to one maka nilai peramalan pada
tahun 2011 merupakan nilai tengah dari A6 yaitu
= .
6 = 650157. Jadi,

A6A5 (menghitung ramalan 2012)

Karena bersifat one to one maka nilai peramalan pada
tahun 2012 merupakan nilai tengah dari A5 yaitu
= .
5 = 640157. Jadi,
Diperoleh dari perhitungan tersebut nilai peramalan
angkatan kerja per tahunnya dicantumkan pada tabel 2.2.5 sebagai
berikut :
Xt

Xt - 1

2001

606856

2000

593324

610157.0

2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014

612036
647360
595157
631138
620240
663864
630524
639265
620602
651095
640664
641599
649323

2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013

606856
612036
647360
595157
631138
620240
663864
630524
639265
620602
651095
640664
641599

608506.5
651096.5
600157.0
630157.0
620157.0
660157.0
630157.0
640157.0
624711.0
650157.0
640157.0
645878.0
650878.0

Tabel 2.2.5. Hasil Peramalan dengan Metode Fuzzy Time Series

55

dimana :
Xt

: merupakan variabel output terdiri dari variabel terikat

(independent) Y

Xt-1

: merupakan variabel input terdiri dari variabel bebas

(dependent) X

: merupakan hasil peramalan dengan metode fuzzy

Dari tabel 2.2.5 di atas akan digunakan sebagai perbandingan

peramalan dengan metode kausal serta akan dianalisis dari kedua

metode tersebut manakah yang paling baik dalam peramalan untuk
meramal jumlah angkatan kerja di tahun yang akan datang.
2.3.2. Perbandingan Metode Peramalan (forecasting) Kausal dengan
Metode Peramalan (forecasting) Fuzzy
Pada perbandingan ini, akan dicari nilai koefisien
determinasi, standard deviation error, mean square error. Koefisien
determinasi ( 2 ) merupakan ukuran dalam peramalan yang
digunakan untuk mengetahui ketepatan suatu model persamaan serta
untuk mengetahui hubungan/keeratan antar variabel dalam
peramalan. Standard deviation error (SDE) merupakan perhitungan
error dalam bentuk standar deviasi (Makridakis dkk, 1999).
Sedangkan mean square errror (MSE) merupakan metode yang
digunakan dalam peramalan untuk mengevaluasi metode peramalan
(Singh, 2009). Dalam penelitian ini, peneliti menggunakan mean

56

square error (MSE) sebagai ketepatan dalam peramalan serta

sebagai uji perbandingan antara metode kausal dengan metode fuzzy.
Untuk metode Kausal
Diperoleh nilai selisih dan selisih kuadrat dari regresi dengan
rata-rata Y, Y dengan rata-rata Y, Y dengan regresi per tahunnya
seperti pada tabel 2.1.4
X

Yt

(Yt-)2
4004831
1495772
855864.4
1223814

2000
2001
2002
2003

593324
606856
612036
647360

2001
2002
2003
2004

606856
612036
647360
595157

630121.9
630900.1
631197.9
633229.3

2004
2005
2006
2007
2008
2009
2010
2011
2012
2013

595157
631138
620240
663864
630524
639265
620602
651095
640664
641599

2005
2006
2007
2008
2009
2010
2011
2012
2013
2014

631138
620240
663864
630524
639265
620602
651095
640664
641599
649323

630227.3 3594044
632296.4 30059.42
631669.7 205516.1
634178.4 4224517
632261.1 19062.5
632763.8 410546.4
631690.6 187074.6
633444.1 1745176
632844.3 520117.6
632898 600564.8

19116960

(Yi-)2

(Y-Yt)2

638424898.6 541300429.1
403490438.6 355852527.5
232163992.3 261212117.1
1366490437 1449502510

-23265.86403
-18864.05384
16162.05795
-38072.33261

970365.7194
141207386.6
1007486547
2557029.434
51007143.72
132735086.9
359934073.7
72947460.86
89793222.29
295837542.9
4795045625

910.7249485
-12056.44795
32194.26743
-3654.434344
7003.861577
-12161.8104
19404.44976
7219.877342
8754.736783
16424.96739
-1.28057E-09

829419.9318
145357937.2
1036470856
13354890.37
49054076.99
147909632.2
376532670.6
52126628.84
76645416.13
269779553.6
4775928665

Tabel 2.1.4. Selisih dan Selisih Kuadrat pada Metode Kausal

Dari tabel di atas (2.1.4) diperoleh nilai :

8849723
= = 14 = 632123
( )2

19116960

2 = =1( )2 = 4705045625 = 0,00399

=1

= . =1( )2 , . = .
1

e=(Y-Yt)

= 141 . 4775928665 = 19167,1

57

= . =1( )
1

= 14 . (1,281109 ) = 9,1471011
Untuk metode Fuzzy
Diperoleh nilai selisih dan selisih kuadrat dari fuzzy dengan
rata-rata Y, Y dengan rata-rata Y, Y dengan fuzzy per tahunnya seperti
pada tabel 2.2.6.
X

- )2
(

(Yi - )2

)2
(Y -

)
e=(Y-

482508294

638424898.6

2000

593324

2001

606856

610157.0

10896601

-3301.0

2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013

606856
612036
647360
595157
631138
620240
663864
630524
639265
620602
651095
640664
641599

2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014

612036
647360
595157
631138
620240
663864
630524
639265
620602
651095
640664
641599
649323

608506.5 557742446 403490438.6 12457370

651096.5 359990992 232163992.3 13961432
600157.0 1021829723 1366490437 25000000
630157.0 3865436.86 970365.7194
962361
620157.0 143186865 141207386.6
6889
660157.0 785901151 1007486547 13741849
630157.0 3865436.86 2557029.434
134689
640157.0 64544008.3 51007143.72
795664
624711.0 54938802.9 132735086.9 16883881
650157.0 325222580 359934073.7
879844
640157.0 64544008.3 72947460.86
257049
645878.0 189198060 89793222.29 18309841
650878.0 351747346 295837542.9 2418025

4409085150 4795045625 116705496

3529.5
-3736.5
-5000.0
981.0
83.0
3707.0
367.0
-892.0
-4109.0
938.0
507.0
-4279.0
-1555.0
-12760.0

Tabel 2.2.6. Selisih dan Selisih Kuadrat pada Metode Fuzzy

Dari tabel di atas (2.2.6) diperoleh nilai :

8849723
= = 14 = 632123,1
( )2

4409085150

2 = =1( )2 = 4795045625 = 0,91951

=1

= . =1( ) , . = .
1

= 141 . 116705496 = 2996,222

58

= . =1( )
1

= 14 . (12760) = 911,4
2.3.3. Analisis Data
Dari perhitungan perbandingan antara peramalan dengan
metode kuasal dan peramalan dengan metode fuzzy diperoleh nilai
koefisien determinasi (R2) dari masing-masing metode, yaitu metode
kausal sebesar 0,00399 sedangkan untuk metode fuzzy sebesar
0,91951 yang artinya hubungan/keeratan antara variabel X yakni
data angkatan kerja pada masa lampau dengan variabel Y yakni data
angkatan kerja pada masa sekarang sangat kuat hubungannya jika
memakai metode fuzzy daripada metode kausal.
Untuk nilai Standar Deviation Error (SDE) akan dipilih nilai
yang terkecil dan metode peramalan fuzzy yang memiliki SDE
terkecil, yaitu sebesar 2,99103 sedangkan untuk metode peramalan
kausal memiliki SDE terbesar, yaitu 3,70108 . Sedangkan untuk
nilai Mean Square Error (MSE) juga akan dipilih yang paling kecil
nilainya dan metode kausal memiliki MSE terkecil, yaitu sebesar
9,1471011 dibandingkan dengan metode fuzzy yang memiliki
nilai paling besar, yaitu 9,114102 .
Ketepatan peramalan yang baik ialah peramalan dengan nilai
kesalahan perkiraan yang paling kecil atau nilai error yang terkecil.
Untuk mengetahui nilai error maka digunakan rumus Mean Square
Error (MSE) dan diketahui metode kausal memiliki error yang

59

paling kecil. Jadi, peramalan dengan menggunakan metode kausal

yang paling baik untuk memprediksi/meramalkan (forecasting)
jumlah angkatan kerja di tahun yang akan datang.

60

BAB 3
PENUTUP

3.1. Kesimpulan
Peramalan merupakan suatu metode statistik yang digunakan untuk
memprediksi suatu peristiwa yang akan terjadi di masa yang akan datang.
Agar prediksi suatu peristiwa tersebut tepat sasaran, maka dibutuhkan
metode peramalan (forecasting) yang memiliki tingkat kesalahan prediksi
(error) yang sedikit guna mempermudah peneliti dalam meramalkan suatu
peristiwa yang dalam hal ini ialah meramalkan jumlah angkatan kerja pada
tahun yang akan datang.
Metode peramalan yang digunakan adalah metode kausal dan metode
fuzzy yang masing-masing memiliki nilai error yang berbeda. Digunakan
rumus Mean Square Error (MSE) untuk mengetahui nilai error dari
masing-masing metode tersebut. Diperoleh MSE yang paling kecil ialah
pada metode kausal, yaitu sebesar 9,1471011 . Sedangkan metode
fuzzy memiliki tingkat error yang paling besar, yaitu 9,114102 . Maka,
dipilih

peramalan

dengan

metode

kausal

sebagai

alat

untuk

memprediksi/meramalkan (forecasting) jumlah angkatan kerja di

Kabupaten Pati di waktu ataupun di tahun yang akan datang.

61

3.2. Saran
1. Banyak metode pengembangan logika fuzzy untuk digunakan pada
penerapan di ilmu statistika. Akan tetapi, dari sekian metode logika
fuzzy, metode fuzzy time series paling tepat karena berhubungan dengan
statistik deret waktu. Sedangkan untuk statistik pengaruh digunakan
metode fuzzy regression.
2. Jika menggunakan logika fuzzy, maka data harus berupa data output dan
input serta data harus dibuat interval sesuai dengan aturan logika fuzzy.
3. Digunakan peramalan auto regresi dan auto korelasi untuk metode
peramalan kausal jika data bersifat time series atau data dengan
runtun/deret waktu (misal: data dari bulan ke bulan beriktunya, tahun
ke tahun).

62

DAFTAR PUSTAKA

Ajeng, Sri. 2011. Peramalan Penjualan Untuk Perencanaan Pengadaan Persediaan

Buah Durian Di Rumah Durian Harum Bintaro, Jakarta. Skripsi. UIN Syarif
Hidayatullah Jakarta.
Badan Pusat Statistik. 1999. Jawa Tengah Dalam Angka 1999. Semarang : Badan
Pusat Statistik.
_________________. 2000. Jawa Tengah Dalam Angka 2000. Semarang : Badan
Pusat Statistik.
_________________. 2001. Jawa Tengah Dalam Angka 2001. Semarang : Badan
Pusat Statistik.
_________________. 2002. Jawa Tengah Dalam Angka 2002. Semarang : Badan
Pusat Statistik.
_________________. 2003. Jawa Tengah Dalam Angka 2003. Semarang : Badan
Pusat Statistik.
_________________. 2004. Jawa Tengah Dalam Angka 2004. Semarang : Badan
Pusat Statistik.
_________________. 2005. Jawa Tengah Dalam Angka 2005. Semarang : Badan
Pusat Statistik.
_________________. 2006. Jawa Tengah Dalam Angka 2006. Semarang : Badan
Pusat Statistik.
_________________. 2007. Jawa Tengah Dalam Angka 2007. Semarang : Badan
Pusat Statistik.

63

_________________. 2008. Jawa Tengah Dalam Angka 2008. Semarang : Badan

Pusat Statistik.
_________________. 2009. Jawa Tengah Dalam Angka 2009. Semarang : Badan
Pusat Statistik.
_________________. 2010. Jawa Tengah Dalam Angka 2010. Semarang : Badan
Pusat Statistik.
_________________. 2011. Jawa Tengah Dalam Angka 2011. Semarang : Badan
Pusat Statistik.
_________________. 2012. Jawa Tengah Dalam Angka 2012. Semarang : Badan
Pusat Statistik.
_________________. 2013. Jawa Tengah Dalam Angka 2013. Semarang : Badan
Pusat Statistik.
_________________. 2014. Jawa Tengah Dalam Angka 2014. Semarang : Badan
Pusat Statistik.
_________________. 2015. Jawa Tengah Dalam Angka 2015. Semarang : Badan
Pusat Statistik.
_________________. 2012. Profil Ketenagakerjaan Kabupaten Pati Tahun 2012.
Pati : Badan Pusat Statistik.
Berutu, Sunneng Sandino. 2013. Peramalan Penjualan Dengan Metode Fuzzy Time
Series Reuy Chyn Tsaur. Tesis. Universitas Diponegoro Semarang.
Doyin, Mukh dan Wagiran. 2011. Bahasa Indonesia : Pengantar Penulisan Karya
Ilmiah. Semarang : Pusat Pengembangan MKU/MKDK-LP3 Universitas
Negeri Semarang.

64

Nasution, Faisal Arisandy. 2013. Metode Timo Invariant Fuzzy Time Series
Berdasarkan Selisih Data Historis. Skripsi. Universitas Pendidikan
Indonesia.
Putra, Dani Diansa. 2014. Aplikasi Metode Fuzzy Linier Regression (FLR) sebagai
Alat Peramalan. 1:229-232.
Subagyo, Pangestu. 1986. Forecasting : Konsep dan Aplikasi Edisi Kedua.
Yogyakarta : BPFE.
Sudjana. 2005. Metode Statistika. Bandung : Tarsito.
Sutrisno. 2011. Analisis Perbandingan Fuzzy Regresi Berganda Dengan Regresi
Berganda Konvensional Sebagai Alat Peramalan. Seminar Nasional
Teknologi Informasi dan Komunikasi Terapan. ISBN 979-26-0255-0.
Wati, Siska Ernida dkk. 2013. Perbandingan Metode Fuzzy dengan Regresi Linier
Berganda dalam Peramalan Jumlah Produksi. Saintia Matematika. Vol. 1,
No. 3, pp. 273-284.
Yacoub, Yarlina. 2012. Pengaruh Tingkat Pengangguran terhadap Tingkat
Kemiskinan Kabupaten/Kota di Provinsi Kalimantan Barat. Vol. 8, No. 3,
Oktober 2012, 1:176-185.

65

LAMPIRAN

Data Angkatan Kerja

Kabupaten Pati tahun 1999-2014
Tahun
Angkatan Kerja
1999
581790
2000
593324
2001
606856
2002
612036
2003
647360
2004
595157
2005
631138
2006
620240
2007
663864
2008
630524
2009
639265
2010
620602
2011
651095
2012
640664
2013
641599
2014
649323
Sumber : Badan Pusat Statistik (Jawa Tengah dalam Angka)

66

67

68

69

70

71

72

73