Disusun oleh
Nama
: Diwa Saputra
NIM
: 4112313037
Prodi
LAPORAN
PRAKTIK KERJA LAPANGAN
DI BADAN PUSAT STATISTIK (BPS) KABUPATEN PATI
Disusun oleh
Nama
: Diwa Saputra
NIM
: 4112313037
Prodi
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
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.
Penulis
vi
DAFTAR ISI
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
1.2.1
Rumusan Masalah ..
1.2.2
Pembatasan Masalah ..
1.3.1 Tujuan
1.3.2 Manfaat ..
1.4.1
Tempat ...
1.4.2
Pelaksanaan ...
vii
BAB 2 PEMBAHASAN
2.1. Profil BPS Kabupaten Pati .........
11
11
11
13
14
16
18
23
27
31
2.3. Pembahasan .
38
38
55
58
BAB 3 KESMPULAN
3.1. Kesimpulan ..
60
3.2. Saran
61
DAFTAR PUSTAKA .
62
viii
DAFTAR TABEL
29
39
41
56
34
44
45
48
54
57
ix
DAFTAR GAMBAR
15
43
DAFTAR GRAFIK
21
22
22
23
xi
DAFTAR LAMPIRAN
1.
65
2.
66
3.
67
4.
68
5.
69
6.
70
7.
71
8.
72
9.
73
xii
BAB 1
PENDAHULUAN
nasional
terus
ikut
berkembang
seiring
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
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.
1.4.2. 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.
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
12
adalah
semua
lahan
pertanian selain
lahan
2) Selatan
3) Barat
13
4) Timur
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
15
Kepala
Kepala Sub
Bagian Tata
Usaha
Ka. Sie
Statistik
Sosial
Ka. Sie
Statistik
Produksi
Ka. Sie
Statistik
Distribusi
Ka. Sie
Integrasi
Pengolahan &
Diseminasi
Statistik
Fungsional
Statistik /
Koordinator
Statistik
Gambar 2.1. Struktur Organisasi BPS Kabupaten Pati
Statistik
Sosial
yang
melakukan
pengumpulan,
Statistik
Produksi
bertugas
untuk
melaksanakan
16
17
dibidang
organisasi
dan
perencanaan
tatalaksana,
umum,
ketatausahaan,
kepegawaian,
keuangan,
18
lain
mengutarakan
bahwa
peramalan
(forecasting)
adalah
19
20
langkah
peramalan
tersebut
dibuat
agar
saat
21
Penjualan Gula
250
Data
200
150
100
50
0
1998 2000 2002 2004 2006 2008 2010 2012 2014 2016
Tahun
22
Penjualan Durian
350
300
Permintaan
250
200
150
100
50
0
0
10
12
14
Bulan
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
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.
Gaji/bulan
1000000
800000
600000
400000
200000
0
1998
2000
2002
2004
2006
2008
2010
2012
2014
Tahun
angka).
Adapun
metode-metode
dalam
peramalan
24
25
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
input-output
hampir
sama
denga
metode
27
28
29
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
. . .
2
(.
( )2 ). (. 2 ( )2 )
2
1 2
31
32
33
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
( + 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)
(1)
36
(+1)
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
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
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.
. 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.
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
dimana :
3.
=
Xt
Xt-1
Yt
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.
43
4) Perhitungan
N = 14, dk = N - 2 = 14 - 2 = 12, maka diperoleh
dari tabel t, = 2,17881
=
=
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
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
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
46
=1| 1 |
1
307069
141
= 23620,69
23620,69
2
= 11810,35
( +1 )( +2 )
(663864+33324)(595157+23864)
11000
= 7,106 = 7
Jadi, jumlah interval fuzzy yaitu berjumlah 7.
47
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
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,
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
= 1 + 2. 2
2003 = 12003 + 2. 2
2003 = 611096,5 + 2.20000
= ,
51
52
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
53
= 1 + 2. 2
2010 = 12010 + 2. 2
2010 = 644711 + 2. (10000)
=
= 1 + 1
2014 = 12014 + 1
2014 = 645878 + 5000
=
54
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
55
dimana :
Xt
Xt-1
56
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
8849723
= = 14 = 632123
( )2
19116960
= . =1( )2 , . = .
1
e=(Y-Yt)
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
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
8849723
= = 14 = 632123,1
( )2
4409085150
= . =1( ) , . = .
1
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
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
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
63
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
66
67
68
69
70
71
72
73