A.

TINJAUAN PUSTAKA
1. Retribusi
Retribusi daerah sebagaimana halnya pajak daerah merupakan salah satu
PAD yang diharapkan menjadi salah satu sumber pembiayaan penyelenggaraan
pemerintahan dan pembangunan daerah, untuk meningkatkan dan memeratakan
kesejahteraan
kabupaten/kota

masyarakat.
diberi

Menurut

peluang

Yani

dalam

(2002:55),

menggali

daerah

potensi

provinsi,

sumber-sumber

keuangannya dengan menetapkan jenis retribusi selain yang telah ditetapkan,

sepanjang memenuhi kriteria yang telah ditetapkan dan sesuai dengan aspirasi
masyarakat.
Menurut Siahaan (2005:6), retribusi daerah adalah pungutan daerah sebagai
pembayaran atas jasa atau pemberian izin tertentu yang khusus disediakan dan
atau diberikan oleh pemerintah daerah untuk kepentingan orang pribadi atau
badan. Jasa adalah kegiatan pemerintah daerah berupa usaha dan pelayanan yang
menyebabkan barang, fasilitas, atau kemanfaatan lainnya, dapat dinikmati oleh
orang pribadi atau badan, dengan demikian bila seseorang ingin menikmati jasa
yang disediakan oleh pemerintah daerah, ia harus membayar retribusi yang
ditetapkan sesuai dengan ketentuan yang berlaku.
Ciri-ciri retribusi daerah:
(a) retribusi dipungut oleh pemerintah daerah,
(b) dalam pemungutan terdapat paksaan secara ekonomis,
(c) adanya kontraprestasi yang secara langsung dapat ditunjuk,
(d) retribusi dikenakan pada setiap orang/badan yang mengunakan/mengenyam
jasa-jasa yang disiapkan negara.
2. Pasar
Pasar adalah: Tempat bertemunya penjual dan pembeli untuk melakukan
transaksi atas barang yang diperdagangkan (dalam kamus besar bahasa Indonesia
, 2006:422).
Pada umumnya suatu transaksi jual beli melibatkan produk/barang atau
jasa dengan uang sebagai alat transaksi pembayaran yang sah dan disetujui oleh
kedua belah pihak yang bertransaksi.
Dalam Peraturan Daerah No. 3 Tahun 2001 menjelaskan bahwa: Pasar
adalah suatu area atau lokasi tertentu yang disediakan/ditetapkan oleh pemerintah

daerah sebagai tempat jual beli barang dan jasa secara langsung dan teratur, terdiri
atas pelataran,bangunan yang berbentuk kios, los dan bentuk bangunan
lainnya (Perda No.3 Tahun 2001).
3. Retribusi Pasar
Retribusi pasar menurut Peraturan Daerah No. 3 Tahun 2001, adalah:
Pembayaran atas pelayanan penyediaan fasilitas pasar berupa pelataran dan los
yang

dikelola

oleh

pemerintah

daerah

dan

khusus

disediakan

untuk

pedagang (Perda No. 3 Tahun 2001).

Retribusi pasar atau retribusi pelayanan pasar merupakan salah satu jenis
retribusi jasa umum yang keberadaannya cukup dimamfaatkan oleh masyarakat.
Menurut penjelasan Peraturan Pemerintah No. 66 Tahun 2001 yang dimaksud
pelayanan pasar adalah fasilitas pasar tradisional atau sederhana berupa pelataran,
los yang dikelola pemerintah daerah, yang khusus disediakan untuk pedagang,
tidak termasuk yang dikelola oleh badan usaha milik daerah dan pihak swasta.
Fasilitas-fasilitas lain yang dikelola oleh pemerintah daerah untuk pedagang yaitu
keamanan, penerangan umum, penyediaan air, telepon, kebersihan dan penyediaan
alat-alat pemadam kebakaran.
Dalam pelaksanaannya retribusi jasa umum harus memenuhi kriteria
sebagai berikut:
(1) retribusi ini bersifat bukan pajak dan bersifat bukan retribusi jasa usaha atau
retribusi perizinan tertentu,
(2) jasa yang bersangkutan merupakan kewenangan daerah dalam rangka
pelaksanaan desentralisasi,
(3) jasa tersebut memberikan mamfaat khusus bsgi orang pribadi atau badan yang
diharuskan untuk membayar retribusi disamping untuk melayani kepentingan
dan kemanfaatan umum,
(4) jasa tersebut layak untuk dikenakan retribusi,
(5) retribusi tidak bertentangan dengan kebijakan

nasional

tentang

pelaksanaannya,
(6) retribusi dapat dipungut secara efektif dan efisien, serta merupakan salah satu
sumber pendapatan daerah yang potensial,
(7) pemungutan retribusi memungkinkan penyediaan jasa tersebut dengan tingkat
dan kualitas layanan yang baik.

Adapun yang menjadi subyek dari retribusi pasar adalah orang pribadi atau
badan yang menggunakan fasilitas pasar. Sedangkan obyek retribusi pasar
meliputi:
(1) penyediaan fasilitas pasar/tempat (kios, los, toko, dan pelataran) pada pasar
yang disediakan oleh pemerintah daerah,
(2) setiap kegiatan membongkar muatan hasil bumi, laut, ternak, dan barang
dagangan lainnya pada radius 200 meter dari pasar,
(3) keramaian pasar,
(4) biaya balik nama pemakai.
4.

Peramalan
Peramalan (forecasting) adalah kegiatan untuk memperkirakan apa yang

akan terjadi pada masa yang akan datang. Sedangkan ramalan adalah suatu situasi
atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang (Assauri,
1984). Peramalan merupakan bagian integral dari kegiatan pengambilan
keputusan, sebab efektif atau tidaknya suatu keputusan umumnya bergantung
pada beberapa faktor yang tidak dapat dilihat pada waktu keputusan itu diambil
(Aswi dan Sukarna,2006:1).
5. Metode Peramalan
Makridakis, dkk., (1992:9-10) menjelaskan bahwa peramalan kualitatif
adalah metode peramalan yang digunakan untuk meramalkan data yang berupa
hasil dari pemikiran intuitif, pertimbangan, dan pengetahuan yang telah diperoleh.
Metode kuantitatif adalah metode peramalan yang sangat mengandalkan pola data
historis yang berupa data Jenis-jenis
numerik. Metode Peramalan
Metode peramalan adalah metode atau cara untuk memperkirakan secara
kuantitatif apa yang akan terjadi di masa depan berdasarkan data yang relevan
pada masa
lalu. Oleh
karena itu, metode peramalan
yang Kuantitatif
digunakan adalah
Peramalan
Kualitatif
Peramalan
peramalan objektif karena berdasarkan dengan metode kuantitatif (Assauri, 1984).
Terdapat beberapa metode yang dapat digunakan untuk peramalan. Berikut ini
adalah bagan yang menggambarkan
tentang beberapa metode peramalan
:
Metode Time Series
Metode Kausal
Metode Smoothing

Metode Regresi

Metode Box-Jenkins

Model Ekonometri

Metode Proyeksi Trend dengan Regresi Model Input/Output

Gambar 2.1 Bagan tentang beberapa metode peramalan

Metode peramalan kuantitatif (Makridakis, dkk., 1992:9) dibagi menjadi 2,
yaitu.
1. Metode kausal, yaitu metode peramalan masa depan dari suatu faktor yang
diramalkan (variabel tak bebas) dengan didasari suatu asumsi bahwa faktor
itu menunjukkan suatu hubungan sebab akibat dengan satu atau lebih
variabel bebas. Tujuan dari metode kausal adalah menemukan bentuk
hubungan sebab akibat tersebut, dan menggunakannya untuk meramalkan
nilai masa depan dari variabel tak bebas.
2. Metode time series, yaitu metode peramalan masa depan yang dilakukan
berdasarkan data masa lalu dari suatu variabel dan atau kesalahan (faktor
gangguan) masa lalu. Tujuan dari metode deret berkala adalah menemukan
pola dalam deret data historis dan menerapkan pola tersebut lebih lanjut ke
masa depan.
Makridakis, dkk., (1992:8) menjelaskan bahwa peramalan kuantitatif dapat
diterapkan bila terdapat 3 kondisi berikut :
(1) tersedia informasi tentang masa lalu (data historis),

(2) informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik,

(3) dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus
berlanjut di masa mendatang.
6. Langkah-langkah Peramalan
Dengan menggunakan software Minitab 14, langkah-langkah yang
digunakan untuk mendapatkan hasil peramalan yang baik adalah sebagai berikut.
1. Mendefinisikan tujuan dari peramalan.
2. Data dibagi menjadi dua bagian yaitu initialization set dan test set.
Initialization set digunakan untuk melakukan estimasi parameter di dalam
model yang dibangun, sedangkan test set digunakan untuk validasi apakah
hasil ramalan dari model (yang dibangun dari initialization set) memang
memberikan hasil yang baik.
3. Melakukan pemodelan pada initialization set menggunakan metode
double exponential smoothing.
4. Menghitung kesalahan ramalan.
Keakuratan suatu model peramalan bergantung pada seberapa dekat nilai
hasil peramalan terhadap nilai data yang sebenarnya.
5. Membandingkan ukuran kesalahan in sample dan out of sample dari
initialization set.
6. Melakukan peramalan dengan seluruh data digabungkan, menggunakan
metode double exponential smoothing.
7. Melakukan verifikasi peramalan.
Untuk mengevaluasi apakah pola data menggunakan metode peramalan
tersebut sesuai dengan pola data sebenarnya.
7. Deret Waktu
Analisis deret waktu diperkenalkan pada tahun 1970 oleh George E.P. Box
dan Gwilym M. Jenkins.
Deret waktu merupakan serangkaian data pengamatan yang terjadi
berdasarkan indeks waktu secara berurutan dengan interval waktu tetap. Analisis
deret waktu adalah salah satu prosedur statistika yang diterapkan untuk
meramalkan struktur probabilistik keadaan yang akan terjadi di masa yang akan
datang dalam rangka pengambilan keputusan (Aswi dan Sukarna, 2006:5).

Tujuan dari metode peramalan deret waktu adalah untuk menemukan pola
dalam deret data historis dan mengeksplorasikan pola tersebut ke masa depan
(Makridakis, dkk., 1992:19). Secara matematis suatu data berkala diberi simbol
X 1 , X 2 ,..., X b ,..., X n

X1
sebagai nilai variabel

X2
= data pada waktu pertama,

Xb
data pada waktu kedua,

Xn
= data pada waktu ke-b dan

= data pada waktu ke-

n.
Pola deret waktu merupakan pola yang dibentuk oleh suatu deret waktu
yang digunakan pada peramalan tentang masa depan. Menurut Makridakis, dkk.,
(1992:10), pola deret waktu dibagi menjadi empat bagian, yaitu.
(1) Pola horisontal (H)
Pola horisontal terjadi bilamana data berfluktuasi disekitar nilai ratarata yang konstan. Berikut ini adalah contoh dari data yang berpola horisontal
(H).

Gambar 2.2 Bentuk pola data horizontal

(2) Pola musiman (S)
Pola musiman terjadi bilamana suatu deret dipengaruhi oleh faktor
musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada
minggu tertentu). Contoh: penjualan produk seperti minuman ringan, es
krim, dan bahan bakar pemanas ruangan.
Berikut ini adalah contoh dari data yang berpola musiman (S)
Xt

Gambar 2.3 Bentuk pola data musiman

10

(3) Pola siklis (C)

Pola siklis terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi
jangka panjang seperti yang berhubungan dengan siklus bisnis.
Berikut ini adalah contoh dari data yang berpola siklis (C)

Xt

Gambar 2.4 Bentuk pola data siklis

(4) Pola Trend (T)
Pola trend terjadi bilamana terdapat kenaikan atau penurunan sekuler
jangka panjang dalam data. Contoh: penjualan dari suatu perusahaan, GNP, dan
berbagai indikator bisnis atau ekonomi lainnya.
Berikut ini adalah contoh dari data yang berpola trend (T)
Xt

Gambar 2.5 Bentuk pola data trend

8. Trend
Trend adalah suatu gerakan kecenderungan naik atau turun dalam jangka
panjang. Trend menunjukan perubahan waktu yang relatif panjang dan stabil.
Trend data berkala bisa berbentuk trend yang meningkat (trend positif) dan yang
menurun (trend negatif) secara mulus.
a. Trend Positif

11

Trend positif yaitu mempunyai kecenderungan yang nilai ramalan ( )

meningkat dengan meningkatnya waktu (

). Trend positif mempunyai

slope/gradien/kemiringan garis yang positif yaitu dari bawah ke atas.

Gambar 2.6 Bentuk Trend Positif

b. Trend Negatif

Trend negatif yaitu mempunyai kecenderungan yang nilai ramalan ( )

menurun dengan meningkatnya waktu (

). Trend negatif mempunyai

slope/gradien/kemiringan garis yang negatif yaitu dari atas ke bawah.

Gambar 2.7 Bentuk Trend Negatif

9. Metode Peramalan Menggunakan Smoothing
Pada bagian ini, akan dijelaskan mengenai metode smoothing (pemulusan)
yang diperoleh dengan cara memodelkan pola-pola data yang terlihat pada plot
time series-nya kemudian menggunakan plot tersebut untuk meramalkan masa
depan. Metode peramalan smoothing (pemulusan) antara lain adalah moving
average, exponential smoothing, dan winters method.
Beberapa pola yang mungkin terjadi ketika suatu data akan dianalisa
adalah.
(1) Pola data stasioner dari waktu ke waktu
Data yang stasioner mempunyai rata-rata (mean) dan varians yang
konstan dari waktu ke waktu. Bila data tidak menunjukkan adanya kenaikan
atau penurunan dari waktu ke waktu maka data tersebut telah stasioner.

12

(2) Membentuk sebuah trend, baik itu naik atau turun

Trend merupakan suatu keadaan dimana terdapat fluktuasi data yang
cenderung naik atau turun.
(3) Membentuk suatu pola musiman
Pola musiman dapat dilihat bila pada plot data berbentuk naik atau
turun dalam jangka waktu atau periode tertentu. Panjang periode musiman
dapat dilihat dari jarak periode antar puncak atau lembah pada plot time series.
Tidak

ada

efek Terdapat

musiman

efek Terdapat

musiman Additive

efek

musiman Multiplikatif

Tidak ada
efek
trend
Terdapat
trend

Gambar 2.8 Pola data berkaitan dengan efek trend dan musiman
Bentuk plot time series diatas digunakan untuk menentukan metode
smoothing mana yang mungkin diterapkan. Karena itu, identifikasi awal untuk
melihat pola data harus dilakukan terlebih dahulu sebelum melakukan analisa
peramalan lebih jauh.
Metode-metode smoothing yang akan dipelajari ini merupakan metode
peramalan yang tidak terlalu sulit dan cukup singkat untuk diaplikasikan. Dalam
menentukan mana metode yang memberikan hasil ramalan terbaik, seorang analis
bisa saja menggunakan lebih dari satu metode sekaligus, yang nantinya metode
yang terbaik bisa diukur melalui kriteria ukuran kesalahan peramalan.
Berikut ini akan dijelaskan secara singkat beberapa metode peramalan
smoothing yaitu sebagai berikut :
a. Moving Average

13

Moving average (rata-rata bergerak) diperoleh dengan cara menghitung

rata-rata dari sekumpulan data tertentu (sebanyak k data) dan menggunakannya
untuk prediksi pada periode sebelumnya. Istilah moving average digunakan untuk
penamaan metode ini karena pada setiap penambahan observasi periode baru,
rata-rata yang baru dihitung dengan cara menghilangkan observasi periode
terlama dan memasukkan observasi periode baru pada sekumpulan data tersebut.
Menurut Assauri (1984), tujuan dari penggunaan moving average adalah
untuk menghilangkan atau mengurangi keacakan (randomness) dalam deret
waktu. Bentuk model peramalan menggunakan moving average adalah sebagai
berikut :

Ft 1

1 t
Yt
k i t k 1

.
(2.1)
Estimasi model moving average menggunakan orde k, yang menyatakan
banyaknya data yang dipakai untuk perhitungan rata-rata berjalan. Tidak ada
ketentuan khusus tentang seberapa besar orde moving average ini. Bila
pengamatan dilakukan harian, maka orde yang dipilih adalah 7 (kurun waktu
seminggu), bila pengamatan dilakukan mingguan maka orde yang dipilih adalah 4
(kurun waktu 1 bulan), bila pengamatan dilakukan bulanan maka orde yang
dipilih adalah 12 (kurun waktu 1 tahun), dan sebagainya.
b. Metode Exponential Smoothing
Exponential smoothing adalah suatu metode peramalan rata- rata bergerak
yang melakukan pembobotan menurun secara exponential terhadap nilai observasi
yang lebih tua (Makridakis, dkk., 1992:79).
Metode exponential smoothing merupakan pengembangan dari metode
moving average. Dalam metode ini peramalan dilakukan dengan mengulang
perhitungan secara terus menerus dengan menggunakan data yang terbaru.
1). Metode Single Exponential Smoothing
Menurut Makridakis, dkk., (1992:79), metode single exponential
smoothing merupakan perkembangan dari metode moving average sederhana.
Konsep dasar dari metode pemulusan eksponensial tunggal adalah data periode

14

t 1
saat ini digunakan untuk melakukan peramalan pada periode selanjutnya

,
metode ini membutuhkan parameter

dan nilai kesalahan bergantung pada

pemilihan parameter tersebut.

Ft 1
Ft
Nilai
dapat dicari berdasarkan nilai
yaitu :
X
X

Ft 1 Ft t t n
n
n
.
(2.2)
X t n
Ft
Jika
diganti dengan nilai peramalan pada tahun t (yaitu ) maka persamaan
(2.2) diubah menjadi :

X F
Ft 1 Ft t t
n n

(2.3)

bisa menjadi:

Ft 1

1
1

X t 1 Ft
n
n

(2.4)
t 1

Peramalan dengan pemulusan eksponensial tunggal pada periode

t 1, 2,...,

dengan

nilai

diperoleh menjadi :

1
n

diganti dengan sehingga rumus forecast yang

Ft 1 X t 1 Ft

.
(2.5)
Adapun hasil peramalan untuk jangka m periode ke depan diperoleh
dengan persamaan :

Ft 1 Ft X t Ft
(2.6)

Ft 1 Ft et
.

(2.7)

15

F2 ,
Pada proses perhitungan hasil peramalan untuk periode kedua

F1

Ft
karena nilai

pada periode pertama

belum diketahui maka hasil permalan

pada periode pertama tersebut diasumsikan sama seperti nilai data pada periode

X1 .
pertama

Metode single exponential smoothing lebih cocok digunakan

untuk meramal hal-hal yang fluktuasinya secara random (tidak teratur).

2). Metode Double Exponential Smoothing
Menurut Makridakis, dkk., (1992:88), metode double exponential
smoothing memberikan pembobotan (kontribusi pendekatan nilai parameter pada
model) pada observasi masa lalu secara berganda. Metode ini merupakan suatu
model linier yang dikemukakan oleh Brown. Dalam melakukan metode double
exponential smoothing dilakukan proses smoothing dua kali.
Hasil peramalan pada metode double exponential smoothing diperoleh
dengan terlebih dahulu melakukan proses single exponential smoothing yang
kemudian dilanjutkan dengan proses double exponential smoothing. Pada proses
single exponential smoothing akan diperoleh nilai single exponential smoothing

pada periode

S
'
t

sedangkan pada proses double exponential smoothing akan

diperoleh nilai double exponential smoothing pada periode

S
"
t

Pada proses

perhitungan nilai single exponential smoothing dan nilai double exponential

S 2'
smoothing pada periode kedua (

S1'
pertama (

S 2''
dan

St'
), karena nilai

S1''
dan

S1'
) belum diketahui maka nilai

St''
dan

pada periode

S1''
dan

tersebut diasumsikan

X1 .
sama seperti nilai data pada periode pertama

Persamaan yang digunakan

16

untuk memperoleh nilai single exponential smoothing pada periode

dan double

t
t 1
exponential smoothing pada periode untuk
adalah sebagai berikut :
'
'
St X t 1 St 1

S Xt 1 S
"
t

(2.8)
"
t 1

.
(2.9)
Adapun hasil peramalan untuk jangka m periode ke depan diperoleh
dengan persamaan :

Ft m at bt m
,

(2.10)

dengan :
m = jangka waktu maju ke depan, yaitu berapa tahun yang akan datang
peramalan dilakukan.
at 2St' St"

bt
St' St"
1

(2.11)

(2.12)

3). Metode Triple Exponential Smoothing

Menurut Makridakis, dkk., (1992:94) pada metode ini proses pemulusan
(smoothing) dilakukan sebanyak tiga kali, yaitu proses single exponential
smoothing, proses double exponential smoothing, dan proses triple exponential
smoothing. Pada proses single exponential smoothing dan proses double
exponetial smoothing akan diperoleh nilai single exponential smoothing dan nilai

St'
double exponential smoothing pada periode t (

St''
dan

), sedangkan pada proses

triple exponential smoothing akan diperoleh nilai triple exponential smoothing

S
'''
t

pada periode t

. Pada proses perhitungan nilai single exponential smoothing,

nilai double exponential smoothing, dan nilai triple exponential smoothing pada

17

S ,S ,S ,
'
2

''
2

periode kedua

'''
2

St' , St'' ,
karena nilai

S ,S ,S
'
1

''
1

'''
1

St'''
dan

S1' , S1'' ,
belum diketahui maka nilai

pada periode pertama

S1'''
dan

tersebut diasumsikan sama

X1 .
seperti nilai data pada periode pertama
digunakan untuk memperoleh nilai triple
Adapun persamaan yang

S
'''
t

t 1
exponential smoothing pada periode
untuk
adalah sebagai berikut :
'''
''
'''
St St 1 St 1
.
(2.13)
Setelah diperoleh hasil dari ketiga nilai pemulusan (smoothing), kemudian

hasil peramalan dapat ditentukan dengan persamaan

1
Ft m at bt m ct m 2
2
,
(2.14)
dengan
m = jangka waktu maju ke depan, yaitu berapa tahun yang akan datang
peramalan dilakukan.
at 3St' 3St'' St'''
bt

(2.15)

21

6 5 St' 10 8 St" 4 3 St"'

(2.16)
ct

( S t' 2 S t'' S t''' )

2
(1 )
2

(2.17)
c. Winters Method
Winters method memberikan tiga pembobotan dalam prediksinya, yaitu ,

, dan yang bernilai antara 0 dan 1. Pembobotan memberikan pembobotan

pada nilai ramalan, memberikan pembobotan pada slope, dan memberikan
pembobotan pada efek musiman. Winters method mempunyai dua bentuk model.
Bila besarnya efek musiman konstan dari waktu ke waktu, maka bentuk model

18

yang dipakai adalah additive seasonality, sedangkan bila besarnya efek musiman
berubah dari waktu ke waktu, maka bentuk model yang dipakai adalah
multiplicative seasonality.
10. Ketepatan Metode Peramalan
Makridakis, dkk., (1992:39) menjelaskan setiap metode peramalan
memiliki

ketepatan

dan

tingkat

kesulitan

masing-masing

yang

harus

dipertimbangkan. Oleh karena itu, harus dipilih metode yang paling tepat, yaitu
metode yang dapat meminimumkan kesalahan peramalan. Semakin kecil nilai
kesalahan, maka akan semakin tepat hasil peramalan yang diperoleh.
Pada metode peramalan, ketepatan dipandang sebagai kriteria penolakan
untuk memilih suatu metode peramalan.
a) Ukuran Kesalahan Peramalan
Nilai-nilai yang umum digunakan untuk mengukur ketepatan suatu metode

peramalan untuk suatu data berjumlah

Xt
dengan

menyatakan nilai data pada

^
periode t dan ( Y ) menyatakan hasil peramalan pada periode

adalah

sebagai berikut.
a.

Mean Absolute Percentage Error

Mean absolute percentage error (MAPE) merupakan salah satu ukuran
ketepatan metode peramalan yang memberikan petunjuk seberapa besar
kesalahan peramalan dibandingkan dengan nilai sebenarnya. Semakin kecil
nilai MAPE, maka akan semakin tepat hasil peramalan yang diperoleh.
Persamaan yang digunakan untuk memperoleh nilai MAPE pada suatu hasil
peramalan adalah :
n

MAPE

t 1

X t X t
Xt
n

100.

(2.18)

Suatu model mempunyai kinerja sangat bagus jika nilai MAPE berada di
bawah 10%, dan mempunyai kinerja bagus jika nilai MAPE berada di antara
10% dan 20% (Zainun dan Majid , 2003) .

19

b.

Mean Absolute Deviation

Mean absolute deviation (MAD) merupakan salah satu ukuran
ketepatan metode peramalan yang mengukur tingkat ketepatan peramalan
dengan meratakan nilai absolut kesalahan peramalan. Nilai kesalahan
peramalan diperoleh dari selisih antara nilai sebenarnya dan nilai hasil
peramalan. Semakin kecil nilai MAD, maka akan semakin tepat hasil
peramalan yang diperoleh. Persamaan yang digunakan untuk memperoleh nilai
MAD pada suatu hasil peramalan adalah :
n

MAD

c.

X
t 1

X t
.

(2.19)

Mean Squared Deviation

Mean squared deviation (MSD) merupakan salah satu ukuran ketepatan
metode peramalan yang mengkuadratkan jumlahan dari nilai kesalahan
peramalan dan kemudian meratakannya. MSD sama dengan bentuk ukuran
kesalahan MSE yang banyak dipakai sebagai ukuran kesalahan dalam
pemodelan statistik. MSD memberikan ketelitian yang lebih baik daripada
MAD sehingga lebih banyak digunakan sebagai ukuran ketepatan suatu metode
peramalan. Semakin kecil nilai MSD, maka akan semakin tepat hasil peramalan
yang diperoleh. Persamaan yang digunakan untuk memperoleh nilai MSD pada
suatu hasil peramalan adalah :

X
n

MSD

t 1

X t

.
(2.20)

Uraian diatas menyatakan bahwa untuk menentukan keakuratan dari

peramalan yang dilakukan dapat dilihat melalui nilai ukuran kesalahan yaitu
persentase kesalahan absolut rata-rata (MAPE), simpangan absolut rata-rata
(MAD), dan simpangan kuadrat rata-rata (MSD).

20

b) Ukuran Kesalahan Peramalan Out of Sample

Dalam mendapatkan suatu model peramalan yang baik, ukuran kesalahan
tidak hanya dilihat dari hasil ramalan in sample (hasil ketepatan prediksi pada
data masa lalu yang dipakai untuk membangun model), tetapi juga hasil ramalan
out of sample (hasil ramalan diluar data yang dipakai untuk membangun
model). Karena itu salah satu prosedur yang dilakukan dalam membangun model
peramalan adalah dengan membagi data time series yang digunakan menjadi dua
bagian yaitu initialization set dan test set. Tidak ada panduan khusus tentang
banyaknya bagian dari data keseluruhan yang dipakai untuk initializaton set
maupun test set. Beberapa literatur hanya membarikan acuan bahwa banyaknya
test set bisa mengacu pada seberapa jauh prediksi ke depan akan dilakukan
(Makridakis, dkk., 1992:39).
Initialization set digunakan untuk melakukan estimasi parameter di dalam
model yang dibangun, sedangkan test set digunakan untuk validasi apakah hasil
ramalan dari model (yang dibangun dari initialization set) memang memberikan
hasil yang baik. Hal ini juga berguna untuk mewaspadai terjadinya overfitting
pada saat model peramalan dibangun, karena tidak jarang terjadi suatu model
memberikan ramalan yang baik pada in sample namun ternyata memberikan
ramalan yang kurang baik pada saat out of sample.

B. PEMBAHASAN
1. Analisa Data
Analisis data yang diperoleh menggunakan program Minitab 16, dengan
langkah-langkah sebagai berikut.
1. Data pendapatan retribusi pasar dibagi menjadi dua bagian yaitu
initialization set dan test set. Initialization set digunakan untuk melakukan
estimasi parameter di dalam model yang dibangun, sedangkan test set
digunakan untuk validasi apakah hasil ramalan dari model (yang dibangun
dari initialization set) memang memberikan hasil yang baik.
2. Membuat plot times series pada initialization set menggunakan metode
double exponential smoothing.

21

3. Menghitung kesalahan ramalan (forecast error).

4. membandingkan ukuran kesalahan in sample dan out of sample dari
initialization set.
5. Melakukan peramalan dengan seluruh data digabungkan, menggunakan
metode double exponential smoothing.
6. Membuat plot times series dan meramalkan data pendapatan retribusi
pasar dengan menggunakan metode double exponential smoothing.
7. Menghitung kesalahan ramalan (forecast error).
8. Melakukan verifikasi untuk mengevaluasi apakah pola data menggunakan
metode peramalan tersebut sesuai dengan pola data sebenarnya.
2. Hasil Data Pendapatan Retribusi Pasar Trayeman di Kabupaten Tegal
Retribusi pasar merupakan salah satu jenis retribusi jasa umum yang
keberadaannya cukup dimanfaatkan oleh masyarakat, dimana pembayaran atas
pelayanan penyediaan fasilitas pasar berupa pelataran atau los yang dikelola oleh
pemerintah daerah yang disediakan untuk pedagang.
Berikut ini adalah data pendapatan retribusi pasar trayeman di Kabupaten
Tegal bulan Januari 2010 sampai dengan bulan September 2014 (57 periode data).
Tabel 4.1 Data pendapatan retribusi pasar Trayeman di Kabupaten Tegal bulan
Januari 2010 sampai dengan bulan September 2014.

No

Bulan

1
2
3
4
5
6
7
8
9
10
11
12
13

Jan 2010
Feb 2010
Mar 2010
Apr 2010
Mei 2010
Jun 2010
Jul 2010
Agust 2010
Sep 2010
Okt 2010
Nov 2010
Des 2010
Jan 2011

Jumlah
pendapatan
retribusi
pasar
28,178,600
25,427,200
28,210,000
27,300,000
28,210,000
27,300,000
27,300,000
27,760,200
23,823,400
28,209,800
26,677,950
28,210,000
29,697,900

No
30
31
32
33
34
35
36
37
38
39
40
41
42

Bulan
Jun 2012
Jul 2012
Agust 2012
Sep 2012
Okt 2012
Nov 2012
Des 2012
Jan 2013
Feb 2013
Mar 2013
Apr 2013
Mei 2013
Jun 2013

Jumlah
pendapatan
retribusi pasar
34,007,000
32,821,000
25,907,000
30,357,000
31,728,000
32,877,000
33,724,000
36,238,000
33,829,000
37,005,000
36,790,000
38,219,000
37,248,000

22

14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

Feb 2011
Mar 2011
Apr 2011
Mei 2011
Jun 2011
Jul 2011
Agust 2011
Sep 2011
Okt 2011
Nov 2011
Des 2011
Jan 2012
Feb 2012
Mar 2012
Apr 2012
Mei 2012

28,308,000
30,163,000
29,220,250
30,205,750
29,217,350
30,195,200
28,629,500
25,143,600
30,275,700
28,719,300
30,377,400
25,577,400
33,671,250
36,797,400
35,208,200
33,282,500

43
44
45
46
47
48
49
50
51
52
53
54
55
56
57

Jul 2013
Agust 2013
Sep 2013
Okt 2013
Nov 2013
Des 2013
Jan 2014
Feb 2014
Mar 2014
Apr 2014
Mei 2014
Jun 2014
Jul 2014
Agust 2014
Sep 2014

38,187,000
34,901,000
36,914,000
38,421,000
40,632,000
41,606,000
42,736,000
40,387,000
46,020,000
43,222,000
45,902,000
44,018,000
41,770,000
45,660,000
45,960,000

3. Prosedur Peramalan
Langkah 1
Data dibagi menjadi dua bagian yaitu initialization set dan test set. Karena
prediksi akan dilakukan dalam 10 bulan (10 periode data), maka test set juga
akan melibatkan 10 periode data . Jadi, initialization set terdiri dari 47 data awal
dan test set terdiri dari 10 data terakhir, langkah-langkah pada perintah Minitab
dapat dilihat pada lampiran 1. Kemudian, untuk menentukan metode peramalan
yang sesuai dengan kondisi data adalah membuat plot data dari waktu ke waktu.
Hasil output dari Minitab adalah sebagai berikut :

23

Time Series Plot of Initialization Set

42500000
40000000

Initialization Set

37500000
35000000
32500000
30000000
27500000
25000000
Month Jan
Year 2010

Jul

Jan
2011

Jul

Jan
2012

Jul

Jan
2013

Jul

Gambar 4.1 Plot time series initialization set

Berdasarkan Gambar 4.1 dapat dilihat bahwa pada data pendapatan pasar
Trayeman terdapat trend yang cenderung naik, maka metode peramalan yang
mungkin diterapkan adalah double exponential smoothing.
Langkah 2
Melakukan pemodelan pada initialization set menggunakan double
exponential smoothing, langkah-langkah perintah software Minitab 16 terdapat
pada Lampiran 2 dengan hasil output sebagai berikut :
Tabel 4.2
Output
Double Exponential
Double
Exponential
Smoothing forSmoothing
Initializationdari
Set initialization set
Data
Length

Initialization Set
47

Smoothing Constants
Alpha (level)
Gamma (trend)

0.05
0.05

Accuracy Measures
MAPE
MAD
MSD

5.76695E+00
1.75465E+06
5.86101E+12

Forecasts
Period
Dec/2013
Jan/2014
Feb/2014
Mar/2014
Apr/2014
May/2014
Jun/2014
Jul/2014
Aug/2014
Sep/2014

Forecast
37509014
37779585
38050155
38320726
38591297
38861867
39132438
39403008
39673579
39944150

Lower
33210196
33475329
33740332
34005208
34269955
34534575
34799069
35063436
35327678
35591794

Upper
41807832
42083841
42359978
42636244
42912638
43189159
43465807
43742581
44019481
44296506

24

Berdasarkan pada Tabel 4.2 dari hasil output diperoleh bahwa pada data
pengamatan (initialization) dengan jumlah data (length) sebanyak 47 data.
Dengan konstanta smoothing (pemulusan) yaitu nilai alpha (level) sebesar 0,05
digunakan sebagai konstanta smoothing (pemulusan) yang berpengaruh pada
pembangunan model yang lebih sesuai, dengan nilai alpha antara 0 dan 1
sedangkan gamma (trend) sebesar 0,05 menyatakan konstanta untuk pemulusan
trend yang digunakan untuk menghilangkan kerandoman dalam data. Diperoleh
ketepatan peramalan yang dapat dilihat dari nilai persentase kesalahan absolut
rata-rata (mean absolute percentage error/MAPE) dengan nilai sebesar 5,76695
yang menyatakan bahwa persentase kesalahan absolut rata-rata untuk data
pendapatan retribusi pasar Trayeman sebesar 5,76695. Nilai simpangan absolut
rata-rata (mean absolute deviation/MAD) dengan nilai sebesar 1754650 yang
menyatakan bahwa simpangan absolut kesalahan rata-rata untuk data pendapatan
retribusi pasar Trayeman sebesar 1754650. Nilai simpangan kuadrat rata-rata
(mean squared deviation/MSD) dengan nilai sebesar 5,86101x1012 yang
menyatakan bahwa simpangan kuadrat rata-rata untuk data pendapatan retribusi
pasar Trayeman sebesar 5.86101x1012. Diperoleh nilai ramalan untuk bulan
Desember 2013 sebesar Rp37.509.014,00, untuk bulan Januari 2014 sebesar
Rp37.779.585,00, untuk bulan Februari 2014 sebesar Rp38.050.155,00, untuk
bulan Maret 2014 sebesar Rp38.320.726,00, untuk bulan April 2014 sebesar
Rp38,591,297,00, untuk bulan Mei 2014 sebesar Rp38.861.867,00, untuk bulan
Juni 2014 sebesar Rp39.132.438,00, untuk hari bulan Juli 2014 sebesar
Rp39.403.008,00, untuk bulan Agustus 2014 sebesar Rp39.673.579,00, dan untuk
bulan September 2014 sebesar Rp39.944.150,00.

25

Smoothing Plot for I nitialization Set

Double Exponential Method
45000000

Variable
Actual
Fits
Forecasts
95.0% PI

Initialization Set

40000000

Smoothing Constants
Alpha (level)
0.05
Gamma (trend)
0.05

35000000

Accuracy Measures
MAPE
5.76695E+00
MAD
1.75465E+06
MSD
5.86101E+12

30000000

25000000
Month
Year

J an
2010

J ul

J an
2011

J ul

J an
2012

J ul

J an
2013

J ul

J an
2014

J ul

Gambar 4.2 Plot double exponential smoothing dari initialization set

Berdasarkan Gambar 4.2, untuk garis berwarna hitam menunjukkan nilai
data pendapatan retribusi pasar Trayeman yang sudah diperoleh pada bulan
Januari 2010 sampai bulan November 2013 sebanyak 47 data. Untuk garis yang
^
berwarna merah merupakan nilai ramalan atau taksiran ( Y ) untuk data
pendapatan retribusi pasar Trayeman dari data yang telah diperoleh yaitu dari
bulan Januari 2010 sampai dengan bulan November 2013. Karena setiap data
mempunyai nilai taksiran maka data bulan Januari 2010 sampai dengan bulan
^
November 2013 mempunyai nilai taksiran ( Y ). Untuk garis yang berwarna
hijau menunjukkan nilai ramalan untuk pendapatan retribusi pasar Trayeman 10
bulan ke depan. Untuk garis yang berwarna biru menunjukkan interval
kepercayaan (confidence interval) dari model dengan nilai 95,0% PI dengan PI
adalah nama lain untuk interval kepercayaan (confidence interval). Konstanta
smoothing (pemulusan) antara lain nilai alpha (level) sebesar 0,05 yang digunakan
sebagai konstanta smoothing (pemulusan) yang berpengaruh pada pembangunan
model yang lebih sesuai, dengan nilai alpha antara 0 dan 1 sedangkan gamma
(trend) sebesar 0,05 yang menyatakan konstanta untuk pemulusan trend yang
digunakan untuk menghilangkan kerandoman dalam data. Diperoleh ketepatan
peramalan yang dapat dilihat dari nilai persentase kesalahan absolut rata-rata
(mean absolute percentage error/MAPE) dengan nilai sebesar 5.76695 yang

26

menyatakan bahwa persentase kesalahan absolut rata-rata untuk data pendapatan

retribusi pasar Trayeman sebesar 5.76695. Nilai simpangan absolut rata-rata
(mean absolute deviation/MAD) dengan nilai sebesar 1754650 yang menyatakan
bahwa simpangan absolut kesalahan rata-rata untuk data pendapatan retribusi
pasar Trayeman sebesar 1754650. Nilai

simpangan kuadrat rata-rata (mean

squared deviation/MSD) dengan nilai sebesar 5.86101x1012 yang menyatakan

bahwa simpangan kuadrat rata-rata untuk data pendapatan retribusi pasar
Trayeman sebesar 5.86101x1012.

27

Langkah 3
Menghitung ukuran kesalahan MAPE, MAD dan MSD untuk test set
berdasarkan model double exponential smoothing pada Langkah 2. Pada
perhitungan ini, software Minitab 16 tidak mengeluarkan nilai-nilainya dalam
output sehingga user harus melakukan perhitungan secara manual menggunakan
bantuan software Minitab 16, langkah-langkah perintah software Minitab 16
terdapat pada Lampiran 3 dengan hasil output sebagai berikut :
Tabel 4.3 Ukuran kesalahan test set untuk 10 data
Ukuran Kesalahan
MAPE
MAD
MSD

Hasil
11.2978
5001518
2.785970x1013

Berdasarkan Tabel 4.3 dapat terlihat nilai ukuran kesalahan yang telah
diperoleh dengan melakukan perhitungan manual menggunakan software Minitab
16 untuk persentase kesalahan absolut rata-rata (mean absolute percentage
error/MAPE), simpangan absolut rata-rata (mean absolute deviation/MAD), dan
simpangan kuadrat rata-rata (mean squared deviation/MSD) merupakan hasil dari
out of sample dari double exponential smoothing. Dari ketiga ukuran kesalahan
tersebut, nilai persentase kesalahan absolut rata-rata (mean absolute percentage
error/MAPE) sebesar 11.2978, simpangan absolut rata-rata (mean absolute
deviation/MAD) sebesar 5001518, dan simpangan kuadrat rata-rata (mean
squared deviation/MSD) sebesar 2.785970x1013 sehingga nilai persentase
kesalahan absolut rata-rata (mean absolute percentage error/MAPE) memberikan
hasil yang baik sebesar 11.2978. Ukuran kesalahan diatas merupakan ukuran
ketepatan dari model.
Langkah 4
Dalam membangun suatu model peramalan yang baik, ukuran kesalahan
tidak hanya dilihat dari hasil ramalan in sample (hasil ketepatan prediksi pada
data masa lalu yang dipakai untuk membangun model) tetapi juga hasil ramalan
out of sample (hasil ramalan diluar data yang dipakai untuk membangun
model). Karena itu salah satu prosedur yang dilakukan dalam membangun model
peramalan adalah dengan membagi data time series yang digunakan menjadi dua

28

bagian yaitu initialization set dan test set. Salah satunya dengan membandingkan
ukuran kesalahan in sampel dan out of sampel dari double exponential smoothing
untuk melihat ukuran kesalahan yang baik dalam membangun model peramalan
sebagai berikut :
Tabel 4.4 Perbandingan ukuran kesalahan in sample dan out of sample dari
double exponential smoothing berdasarkan dengan ukuran kesalahan
Ukuran

In sample

Out of sample

Kesalahan
MAPE
MAD
MSD
MAPE
MAD
MSD

Double Exponential Smoothing

5.76695
1754650
5.86101x1012
11.2978
5001518
2.785970x1013

Berdasarkan Tabel 4.4 dapat dilihat bahwa untuk ukuran kesalahan in

sample metode double exponential smoothing memberikan hasil yang lebih baik
(lebih kecil). Dapat di lihat juga kesalahan in sampel untuk persentase kesalahan
absolut rata-rata (mean absolute percentage error/MAPE) sebesar 5.76695,
simpangan absolut rata-rata (mean absolute deviation/MAD) sebesar 1754650,
dan simpangan kuadrat rata-rata (mean squared deviation/MSD) sebesar
5.86101x1012 lebih kecil di bandingkan dengan kesalahan out of sample untuk
nilai persentase kesalahan absolut rata-rata (mean absolute percentage
error/MAPE) sebesar 11.2978, simpangan absolut rata-rata (mean absolute
deviation/MAD) sebesar 5001518, dan simpangan kuadrat rata-rata (mean square
deviation/MSD) sebesar 2.785970x1013.

29

Langkah 5
Peramalan pendapatan retribusi pasar Trayeman pada 10 bulan ke depan
(10 periode), dilakukan dengan metode double exponential smoothing, dan
melibatkan seluruh data pengamatan. Dengan demikian, data time series yang
sebelumnya telah dibagi menjadi dua bagian, akan digabungkan kembali untuk
kemudian dibuat prediksi ke depannya, langkah-langkah perintah Minitab terdapat
pada Lampiran 4 dengan hasil output sebagai berikut :
Tabel 4.5

Output double exponential smoothing dari data gabungan jumlah

pendapatan pasar Trayeman bulan Januari 2010 sampai dengan bulan September
2014, sehingga total menjadi 57 data.
Double Exponential Smoothing for Data Gabungan
Data
Length

Data Gabungan
57

Smoothing Constants
Alpha (level)
Gamma (trend)

0.05
0.05

Accuracy Measures
MAPE
MAD
MSD

6.55974E+00
2.12303E+06
7.73936E+12

Forecasts
Period
Forecast
Lower
Upper
Oct/2014 43328880 38127553 48530208
Nov/2014 43699842 38491935 48907750
Dec/2014 44070804 38856161 49285447
Jan/2015 pada
44441767
49663300
Berdasarkan
Tabel 39220233
4.5 dari hasil
output diperoleh
Feb/2015 44812729 39584149 50041308
Mar/2015
45183691
39947912 dengan
50419470
pengamatan
mempunyai
data gabungan
jumlah data
Apr/2015 45554653 40311521 50797785
May/2015
45925615 40674977
51176253
karena data
telah digabungkan
dari data initialization
set dan
Jun/2015 46296577 41038281 51554873
Jul/2015 46667540 41401434 51933645

bahwa pada data

(length) 57 data
test set. Dengan

konstanta smoothing (pemulusan) antara lain nilai alpha (level) sebesar 0,05 yang
digunakan sebagai konstanta smoothing (pemulusan) yang berpengaruh pada
pembangunan model yang lebih sesuai, dengan nilai alpha antara 0 dan 1
sedangkan gamma (trend) sebesar 0,05 menyatakan konstanta untuk pemulusan
trend yang digunakan untuk menghilangkan kerandoman dalam data. Diperoleh

30

ketepatan peramalan yang dapat dilihat dari nilai persentase kesalahan absolut
rata-rata (mean absolute percentage error/MAPE) dengan nilai sebesar 6.55974
yang menyatakan bahwa persentase kesalahan absolut rata-rata untuk data
pendapatan retribusi pasar Trayeman sebesar 6.55974. Nilai simpangan absolut
rata-rata (mean absolute deviation/MAD) dengan nilai sebesar 2123030 yang
menyatakan bahwa simpangan absolut kesalahan rata-rata untuk data pendapatan
retribusi pasar Trayeman sebesar 2123030. Nilai simpangan kuadrat rata-rata
(mean squared deviation/MSD) dengan nilai sebesar 7.73936x1012 yang
menyatakan bahwa simpangan kuadrat rata-rata untuk data pendapatan retribusi
pasar Trayeman sebesar 7.73936x1012. Diperoleh nilai ramalan untuk bulan
Oktober 2014 sebesar Rp43,328,880,00, bulan November 2014 sebesar
Rp43,699,842,00, bulan Desember 2014 sebesar Rp44,070,804,00, bulan Januari
2015

sebesar

Rp44,441,767,00,

dan

bulan

Februari

2015

sebesar

Rp44,812,729,00, bulan Maret 2015 sebesar Rp45,183,691,00, bulan April 2015

sebesar Rp45,183,691,00, bulan Mei 2015 sebesar Rp45,925,615,00, bulan Juni
2015 sebesar Rp46,296,577,00, bulan Juli 2015 sebesar Rp46,667,540,00.

Smoothing Plot for Data Gabungan

Double Exponential Method
55000000

Data Gabungan

50000000
45000000
40000000
35000000
30000000

Variable
Actual
Fits
Forecasts
95.0% PI
Smoothing Constants
Alpha (level)
0.05
Gamma (trend)
0.05
Accuracy Measures
MAPE
6.55974E+00
MAD
2.12303E+06
MSD
7.73936E+12

25000000
20000000
Month
Year

Gambar 4.3 Plot double exponential smoothing dari data gabungan jumlah
pendapatan retribusi pasar bulan Januari 2010 September 2014

31

Berdasarkan Gambar 4.3, untuk garis berwarna hitam menunjukkan nilai

data pendapatan retribusi pasar Trayeman yang sudah diperoleh pada bulan
Januari 2010 sampai bulan September 2014. Untuk garis yang berwarna merah
^
merupakan nilai ramalan atau taksiran ( Y ) untuk data pendapatan retribusi
pasar Trayeman dari data yang telah diperoleh yaitu dari bulan Januari 2010
sampai dengan bulan September 2014. Karena setiap data mempunyai nilai
taksiran maka data bulan Januari 2010 sampai dengan bulan September 2014
^
mempunyai nilai taksiran ( Y ). Untuk garis yang berwarna hijau menunjukkan
nilai ramalan untuk pendapatan retribusi pasar Trayeman 10 bulan ke depan.
Untuk garis yang berwarna biru menunjukkan interval kepercayaan (confidence
interval) dari model dengan nilai 95,0% PI dengan PI adalah nama lain untuk
interval kepercayaan (confidence interval). Konstanta smoothing (pemulusan)
antara lain nilai alpha (level) sebesar 0,05 yang digunakan sebagai konstanta
smoothing (pemulusan) yang berpengaruh pada pembangunan model yang lebih
sesuai, dengan nilai alpha antara 0 dan 1 sedangkan gamma (trend) sebesar 0,05
yang menyatakan konstanta untuk pemulusan trend yang digunakan untuk
menghilangkan kerandoman dalam data. Diperoleh ketepatan peramalan yang
dapat dilihat dari nilai persentase kesalahan absolut rata-rata (mean absolute
percentage error/MAPE) dengan nilai sebesar 6.55974 yang menyatakan bahwa
persentase kesalahan absolut rata-rata untuk data pendapatan retribusi pasar
Trayeman sebesar 6.55974. Nilai simpangan absolut rata-rata (mean absolute
deviation/MAD) dengan nilai sebesar 2.12303x1006 yang menyatakan bahwa
simpangan absolut kesalahan rata-rata untuk data pendapatan retribusi pasar
Trayeman sebesar 2.12303x1006. Nilai

simpangan kuadrat rata-rata (mean

squared deviation/MSD) dengan nilai sebesar 7.73936x1012 yang menyatakan

bahwa simpangan kuadrat rata-rata untuk data pendapatan retribusi pasar
Trayeman sebesar 7.73936x1012.
Langkah 6

32

Berdasarkan prosedur peramalan dari langkah 1 sampai langkah 5 dengan

menggunakan peramalan double exponential smoothing, diperoleh hasil ramalan
jumlah pendapatan retribusi pasar Trayeman di Kabupaten Tegal adalah sebagai
berikut :
Tabel 4.6 Hasil ramalan jumlah pendapatan retribusi pasar Trayeman.
No

Bulan

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

Jan 2010
Feb 2010
Mar 2010
Apr 2010
Mei 2010
Jun 2010
Jul 2010
Agust 2010
Sep 2010
Okt 2010
Nov 2010
Des 2010
Jan 2011
Feb 2011
Mar 2011
Apr 2011
Mei 2011
Jun 2011
Jul 2011
Agust 2011
Sep 2011
Okt 2011
Nov 2011
Des 2011
Jan 2012
Feb 2012
Mar 2012
Apr 2012
Mei 2012
Jun 2012
Jul 2012
Agust 2012
Sep 2012
Okt 2012

Jumlah
pendapatan
retribusi
pasar
28,178,600
25,427,200
28,210,000
27,300,000
28,210,000
27,300,000
27,300,000
27,760,200
23,823,400
28,209,800
26,677,950
28,210,000
29,697,900
28,308,000
30,163,000
29,220,250
30,205,750
29,217,350
30,195,200
28,629,500
25,143,600
30,275,700
28,719,300
30,377,400
25,577,400
33,671,250
36,797,400
35,208,200
33,282,500
34,007,000
32,821,000
25,907,000
30,357,000
31,728,000

No
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67

Bulan
Nov 2012
Des 2012
Jan 2013
Feb 2013
Mar 2013
Apr 2013
Mei 2013
Jun 2013
Jul 2013
Agust 2013
Sep 2013
Okt 2013
Nov 2013
Des 2013
Jan 2014
Feb 2014
Mar 2014
Apr 2014
Mei 2014
Jun 2014
Jul 2014
Agust 2014
Sep 2014
Okt 2014*
Nov 2014*
Des 2014*
Jan 2015*
Feb 2015*
Mar 2015*
Apr 2015*
Mei 2015*
Jun 2015*
Jul 2015*

Jumlah
pendapatan
retribusi pasar
32,877,000
33,724,000
36,238,000
33,829,000
37,005,000
36,790,000
38,219,000
37,248,000
38,187,000
34,901,000
36,914,000
38,421,000
40,632,000
41,606,000
42,736,000
40,387,000
46,020,000
43,222,000
45,902,000
44,018,000
41,770,000
45,660,000
45,960,000
43,328,880
43,699,842
44,070,804
44,441,767
44,812,729
45,183,691
45,183,691
45,925,615
46,296,577
46,667,540

33

) Hasil ramalan pendapatan retribusi pasar Trayeman yang diperoleh dari hasil
output software Minitab 16.
Berdasarkan Tabel 4.6 dapat dilihat nilai peramalan jumlah pendapatan
retribusi pasar Trayeman di Kabupaten Tegal pada bulan Oktober 2014 sebesar
Rp43,328,880,00, bulan November 2014 sebesar Rp43,699,842,00, bulan
Desember 2014 sebesar Rp44,070,804,00, bulan Januari 2015 sebesar
Rp44,441,767,00, dan bulan Februari 2015 sebesar Rp44,812,729,00, bulan Maret
2015 sebesar Rp45,183,691,00, bulan April 2015 sebesar Rp45,183,691,00, bulan
Mei 2015 sebesar Rp45,925,615,00, bulan Juni 2015 sebesar Rp46,296,577,00,
bulan Juli 2015 sebesar Rp46,667,540,00.
Langkah 7
Dalam langkah ini akan membandingkan antara data asli tambahan
pendapatan retribusi pasar Trayeman

untuk bulan Oktober, November dan

Desember 2014 dengan hasil peramalan untuk tiga bulan yang sama.
Tabel 4.7 Hasil peramalan jumlah pendapatan retribusi pasar Trayeman untuk 3
bulan Oktober-Desember 2014 dengan data actual.
Data actual
N
o

Jumlah
Bulan

pendapatan
retribusi

Hasil
peramalan

Selisih

Error

MAPE

0.047

4.7

0.056

5.6

0.059

5.9

pasar
1

Okt 2014

45,459,000

43,328,880

Nov 2014

46,296,000

43,699,842

Des 2014

46,841,000

44,070,804

2,130,1
20
2,596,1
58
2,770,1
96

Berdasarkan tabel 4.7 diperoleh selisih antara data actual jumlah

pendapatan retribusi pasar dengan hasil peramalan untuk bulan Oktober 2014
sebesar Rp2.130.120,00, bulan November 2014 sebesar Rp2.596.158,00, dan
bulan Desember 2014 sebesar Rp2.770.196,00, selisih keduanya bernilai cukup

34

kecil. Nilai MAPE ketiganya adalah 0.046858, 0.056077, 0.05914 dan persentase
errornya sebesar 4.7%, 5.6%, 5.9% juga relative kecil.
Langkah 8
Menghitung average error dari persentase kesalahan absolut rata-rata
(mean absolute percentage error/MAPE) untuk data actual pendapatan retribusi
pasar Trayeman dari bulan Oktober Desember 2014 yang diperoleh dari hasil
peramalan meggunakan metode double exponential smoothing.
Tabel 4.8 Persentase kesalahan absolut rata-rata untuk data actual bulan
Oktober Desember 2014
N
o
1
2
3

Bulan
Okt 2014
Nov 2014
Des 2014
Rata-rata persentase error

MAPE
4.7
5.6
5.9
5.4

Berdasarkan tabel 4.8 diperoleh average error dari persentase kesalahan

absolut rata-rata (mean absolute percentage error/MAPE) untuk data actual
pendapatan retribusi pasar Trayeman bulan Oktober Desember 2014 sebesar
5.4%. Dari nilai tersebut nilai persentase rata-rata ukuran kesalahan untuk data

actual bernilai relative kecil sehingga memberikan hasil yang cukup baik.
C. KESIMPULAN DAN SARAN
1. Kesimpulan
Berdasarkan pembahasan di atas, hal yang dapat disimpulkan sesuai
dengan tujuan penulisan adalah diperoleh rata-rata persentase ukuran kesalahan
peramalan untuk data actual pendapatan retribusi pasar Trayeman di Kabupaten
Tegal sebesar 5.4%. Dari nilai tersebut nilai persentase rata-rata ukuran kesalahan
untuk data actual bernilai relative kecil sehingga memberikan hasil yang cukup
baik. Dimana Ukuran kesalahan diatas merupakan ukuran ketepatan dari model.
sehingga hasil peramalan untuk 10 bulan kedepan cukup akurat dengan
menggunakan metode double exponential smoothing.

35

2. Saran
1. Mengacu dari hasil kerja praktik dengan peramalan yang menghasilkan data
yang signifikan, artinya peramalan metode double exponential smoothing ini
cukup dapat diterapkan oleh kantor yang terkait.
2. Perlu dikaji lebih lanjut mengenai peramalan pendapatan retribusi pasar
Trayeman di Kabupaten Tegal agar dapat diambil kebijakan oleh pemerintah
untuk mengatur pendapatan retribusi pasar Trayeman untuk membangun
fasilitas sarana dan prasarana yang lebih baik.

36

D. DAFTAR PUSTAKA
Sofjan, A. 1984. Teknik dan Metode Peramalan: Penerapannya Dalam Ekonomi
dan Dunia Usaha Edisi Satu. Fakultas Ekonomi Universitas Indonesia :
Jakarta.
Aswi dan Sukarna.2006. Analisis deret Waktu Teori dan Aplikasi. Andira
Publisher : Makassar.
Dinas Koperasi UKM dan Pasar.2013.Profil Dinas Koperasi UKM dan Pasar
Kabupaten Tegal.Dinkop : Slawi.
Makridakis, S., Wheelwright, S.C.,dan McGee, V.E. 1992. Forecasting: Methods
and Applications, 2nd Edition, John Wiley & Sons, Inc. (alih bahasa :
Hari Sumintro. 1999. Metode dan Aplikasi Peramalan, Edisi ke-2,
Binarupa Aksara : Jakarta.
Padyangan,

Pengertian

Retribusi

Pasar,

Padyangan

Tax

Center,

http://padyangantaxcenter.blogspot.com/2013/05/pengertian-retribusipasar.html#.VWX9mMWSwVj , (diakses pada tanggal 19 Mei 2013).

Kopukmpas, Bidang Pengelolaan Pasar, Dinas Koperasi UKM dan Pasar,
http://dinaskoperasiukmpasar.blogspot.com/ , (diakses pada tanggal 27
Desember 2013).