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
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
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
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
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).
10
Xt
11
12
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
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
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
t 1, 2,...,
dengan
nilai
diperoleh menjadi :
1
n
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 tersebut diasumsikan sama seperti nilai data pada periode
X1 .
pertama
pada periode
S
'
t
S
"
t
Pada proses
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
16
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)
St'
double exponential smoothing pada periode t (
St''
dan
S
'''
t
pada periode t
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
S1'''
dan
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
(2.15)
21
(2.16)
ct
(2.17)
c. Winters Method
Winters method memberikan tiga pembobotan dalam prediksinya, yaitu ,
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
Xt
dengan
^
periode t dan ( Y ) menyatakan hasil peramalan pada periode
adalah
sebagai berikut.
a.
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.
MAD
c.
X
t 1
X t
.
(2.19)
X
n
MSD
t 1
X t
.
(2.20)
20
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
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
Initialization Set
37500000
35000000
32500000
30000000
27500000
25000000
Month Jan
Year 2010
Jul
Jan
2011
Jul
Jan
2012
Jul
Jan
2013
Jul
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
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
26
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
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
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
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
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
32
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
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
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
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,