BAB I

PENDAHULUAN

1.1 Latar Belakang

Pada era globalisasi saat ini, banyak sekali perubahan-perubahan yang
sangat signifikan dari era sebelumnya. Antara lain dalam bidang teknologi
dan transportasi. Dalam bidang teknologi, semakin canggihnya alat
elektronik pada saat ini dibanding dengan era sebelumnya. Sedangkan, pada
bidang transportasi, jumlah kendaraan setiap tahunnya mengalami
peningkatan. Selain kendaraan pribadi yang meningkat, fasilitas umum
seperti angkutan umum pun juga mengalami peningkatan volume kendaraan
angkutan umum.
Tidak hanya kendaraan pribadi yang harus melengkapi surat-surat izin
mengendarai, tetapi dalam angkutan umum pun haruslah melengkapi surat-
surat izin mengendarai angkutan umum. Untuk kendaraan pribadi yang
harus dilengkapi adalah surat tanda nomor kendaraan (STNK) dan juga
surat izin mengemudi (SIM). Sedangkan yang bertugas untuk memberi surat
tilang (pelanggaran) pada kendaraan pribadi jika tidak melengkapi surat-
surat yang harus dibawa adalah anggota polisi. Pada angkutan umum yang
harus dilengkapi ketika berkendara adalah buku KIR (kumpulan rangkaian
kegiatan untuk melakukan uji kendaraan bermotor sebagai tanda bahwa
kendaraan tersebut layak digunakan secara teknis di jalan raya), surat izin
trayek, STNK, dan SIM. Yang bertugas untuk memberi surat tilang kepada
angkutan umum adalah anggota dinas perhubungan.
Nasution dan Prasetyawan (2008:29) mengungkapkan bahwa
peramalan adalah proses untuk memperkirakan beberapa kebutuhan dimasa
datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan
lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun
jasa. Kemudahan penggunaan metode peramalan yang sederhana, mudah
dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi

1
 2

perusahaan (Indiyanto, 2008:15). Selain itu Indiyanto (2008:11) juga

mengungkapkan bahwa dalam kondisi pasar bebas yang kompleks dan
dinamis, peramalan permintaan sangat diperlukan sebagai salah satu acuan
dalam membuat perencanaan produksi yang baik dan akurat. Oleh karena
itu, peramalan yang akurat merupakan informasi yang sangat dibutuhkan
dalam pembuatan perencanan produksi. Karakteristik peramalan yang baik
antara lain akurasi, biaya dan kemudahan. Akurasi dari suatu hasil
peramalan diukur dengan mengukur besarnya error (selisih demand aktual
dengan hasil peramalan) biaya.
Di Kabupaten Banyumas banyaknya pelanggaran yang dialami oleh
angkutan umum memiliki data musiman yang artinya naik turunnya terjadi
pada waktu-waktu yang sama. Untuk memprediksi jumlah pelanggaran
pelanggaran lalu lintas bidang lalu lintas angkutan jalan (LLAJ) 10 bulan
kedepan, maka penulis menggunakan dua metode yang sesuai dengan data
penulis. Dua metode tersebut adalah moving average dan triple exponential
smoothing yang umumnya digunakan untuk data musiman (Makridakis,
1999:94). Selanjutnya penulis juga akan membandingkan hasil prediksi dan
error kedua metode tersebut dengan seasonal lenght dan parameter yang
berbeda-beda. Ukuran error yang digunakan adalah mean absolute
percentage error (MAPE), mean absolute deviation (MAD), dan mean
squared deviation (MSD) (Indiyanto, 2008:11). Salah satu jurnal aplikasi
pelanggaran lalu lintas yang digunakan adalah jurnal Budaya Tertib Berlalu-
Lintas “Kajian Fenomenologis atas Masyarakat Pengendara Sepeda Motor
di Kota Bandung” (Sadono, 2016).
Selanjutnya riset ini membahas tentang prediksi data pelanggaran lalu
lintas di Kabupaten Banyumas, dengan judul “Perbandingan Hasil Prediksi
Pelanggaran Lalu Lintas di Kabupaten Banyumas dengan Triple
Exponential Smoothing dan Moving Average” yang pendekatan metodenya
adalah moving average dan triple exponential smoothing dan akurat error
sebagai indikator pertimbangan adalah mean absolute percentage error
 3

(MAPE), mean absolute deviation (MAD), dan mean squared deviation

(MSD).

1.2 Rumusan Masalah

Berdasarkan uraian pada latar belakang, permasalahan yang dapat
dirumuskan adalah bagaimana hasil perbandingan triple exponential
smoothing dan moving average untuk memprediksi jumlah pelanggaran
pelanggaran lalu lintas bidang LLAJ 10 bulan kedepan dengan seasonal
length dan parameter yang berbeda-beda ?

1.3 Batasan Masalah

Batasan masalah yang digunakan dalam laporan kerja praktik ini, antara
lain :
1. Data yang digunakan adalah data pelanggaran pelanggaran lalu lintas
bidang LLAJ dari tahun 2017 sampai dengan tahun 2019 sebanyak 20
bulan.
2. Pengolahan dan analisis data menggunakan MINITAB16 untuk
memudahkan dalam mencari parameter pemulusan yang optimum.

1.4 Tujuan
Tujan dilaksanakannya kerja praktik ini adalah untuk memprediksi
jumlah pelanggaran pelanggaran lalu lintas bidang LLAJ 10 bulan kedepan,
dan membandingkan hasil prediksi dari triple exponential smoothing dan
moving average yang menyimulasikan seasonal length dan parameter dari
model keduanya untuk yang berbeda-beda.

1.5 Manfaat Kerja Praktik

1. Menambah pengetahuan, wawasan mengenai ilmu matematika terutama
mengenai exponential smoothing.
2. Penulis memperoleh pengetahuan dan pengalaman bekerja di Dinas
Perhubungan Kabupaten Banyumas.
 4

3. Sebagai pertimbangan dalam memprediksi jumlah pelanggaran

pelanggaran lalu lintas bidang LLAJ sehingga pihak-pihak terkait dapat
mengetahui banyaknya pelanggaran 10 bulan kedepan sehingga
diharapkan bisa meminimalisir penyebab terjadinya pelanggaran.

1.6 Tempat Kerja Praktik

Tempat kerja praktik dilaksanakan di Dinas Perhubungan Kabupaten
Banyumas yang beralamat di Jalan Margantara No.460 Tanjung, Purwokerto
Selatan, Kabupaten Banyumas, Jawa Tengah.

1.7 Waktu Pelaksanaan Kerja Praktik

Kerja Praktik dilaksanakan selama 30 hari, yaitu tanggal 21 Januari
sampai 21 Februari 2019. Pelaksanaan kerja praktik dilaksanakan 5 hari
kerja yaitu dari hari Senin – Jumat mulai pukul 07.15 s/d 14.00 WIB,
dengan waktu istirahat antara pukul 11.30 sampai dengan 13.00 WIB.
 BAB II
TINJAUAN PUSTAKA

2.1 Peramalan

Peramalan adalah suatu teknik untuk memperkirakan suatu nilai pada

masa yang akan datang dengan memperhatikan data masa lalu maupun data
saat ini (Aswi dan Sukarna, 2006:113). Makridakis (1999:41) menyatakan
bahwa metode peramalan adalah cara untuk memperkirakan apa yang akan
terjadi di masa yang akan datang berdasarkan data yang relevan pada masa
lalu.
Selanjutnya menurut Montgomery (1999:139), klasifikasi peramalan
di bagi dalam dua jenis teknik peramalan yaitu metode kualitatif dan metode
kuantitatif.
1. Kuantitatif adalah metode yang sangat mengandalkan perhitungan
mamematis menggunakan pola data historis yang berupa data numerik.
Peramalan kuantitatif yang paling sering digunakan adalah model regresi,
model pemulusan, dan model runtun waktu.

Metode peramalan kuantitatif dibagi menjadi 2, yaitu :

a.) Metode eksplanatoris (Kausal) mengasumsikan adanya hubungan

sebab dan akibat diantara input dan output dari suatu sistem. Sistem
tersebut dapat berupa apa saja ekonomi nasional, pasar suatu
perusahaan, atau rumahtangga. Menurut peramalan eksplanatoris,
setiap perubahan dalam input akan berakibat pada output sistem
dengan cara yang dapat diramalkan dengan menganggap sebab dan
akibat itu tetap.

b.) Metode time series, yaitu metode peramalan masa depan yang
dilakukan berdasarkan data masa lalu dari suatu variabel dan
kesalahan (faktor gangguan) masa lalu. Tujuan dari metode time

5
 6

series adalah menemukan pola dalam deret data historis dan

menerapkan pola tersebut lebih lanjut untuk data masa depan.
2. Metode kualitatif adalah metode yang digunakan untuk meramalkan data
yang berupa hasil dari pemikiran intuitif, pertimbangan, dan pengetahuan
yang telah diperoleh.

2.2 Horizon Waktu Peramalan

Horizon (rentang waktu) waktu peramalan adalah rentang waktu

dalam melakukan peramalan. Menurut Gaspersz (1998:43). horizon
peramalan dapat diklompokan menjadi 3 yaitu:
a. Peramalan jangka pendek : peramalan dengan rentang waktu antara 1-5
bulan. Biasanya digunakan untuk rencana pembelian, jadwal kerja,
tingkat produksi, dan lain sebagainya.
b. Peramalan jangka menengah: peramalan dengan rentang waktu
menengah, rentang waktu antara 1-24 bulan. Peramalan ini hanya
digunakan untuk rencana penjualan serta rencana produksi dan anggaran.
c. Peramalan jangka panjang: peramalan dengan rentang waktu 3 tahun
atau lebih. Peramalan jangka panjang ini biasanya digunakan dalam
rencana produksi baru, pembangunan fasilitas baru, riset, dan lain
sebagainya.

2.3 Langkah-langkah Melakukan Peramalan

Menurut Montgomery (1999:141), peramalan yang baik adalah
peramalan yang dilakukan dengan mengikuti langkah-langkah atau prosedur
penyusunan sebagai berikut, yaitu ada 7 tahapan:
1. Pendefinisian permasalahan, meliputi tujuan peramalan yang diharapkan.
Dalam tahap ini juga menentukan rentang waktu yang akan diramal,
misalnya peramalan harga untuk mengontrol distribusi barang.
2. Pengumpulan data, terdiri dari mendapatkan dan mengumpulkan data
dari variabel yang akan diramalkan.
3. Analisis data, tahap ini merupakan langkah awal yang penting untuk
pemilihan model peramalan yang akan digunakan.
 7

4. Pemilihan dan penyesuaian model, menentukan dan menetapkan model-

model yang dapat digunakan untuk melakukan peramalan.
5. Pengesahan model, menetapkan model peramalan yang paling baik
berdasarkan dari hasil evaluasi model yang sudah ditentukan.
6. Melakukan peramalan, yaitu mendapatkan hasil perkiraan dari model
yang sudah ditentukan.
7. Memonitori kinerja model peramalan, memastikan bahwa hasil yang
ditampilkan sesuai dengan apa yang diharapkan.

2.4 Peramalan Deret Waktu

Deret waktu (time series) 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, 2006:120).
Tujuan dari metode peramalan deret waktu adalah untuk menemukan
pola dalam data historis dan mengeksplorasikan pola tersebut ke masa
depan (Makridakis, 1999:52). Secara matematis suatu data berkala diberi

X 1 , X 2 ,..., X b ,..., X n X1 X2
simbol dan adalah data pada waktu pertama,

Xb Xn
adalah data pada waktu kedua, adalah data pada waktu ke-b, dan
adalah data pada waktu ke-n.
Makridakis (1999:53) mengungkapkan bahwa langkah penting dalam
memilih suatu metode time series yang tepat adalah dengan
mempertimbangkan jenis pola data. Sehingga metode yang paling tepat
dengan data tersebut dapat diuji. Pola data dapat dibedakan menjadi empat,
adalah sebagai berikut:
a. Pola horizontal, terjadi bila mana nilai data berfluktasi di sekitar nilai
rata-rata yang konstan (deret stasioner terhadap nila rata-ratanya). Misal
 8

suatu produk yang penjualannya tidak meningkat atau menurun selama

waktu tertentu.
Xt

t
Gambar 2.1: Bentuk pola horizontal
Gambar 2.1 menunjukkan bahwa jumlah permintaan suatu produk
selama t periode yang menunjukkan fluktuasi dalam jumlah yang sama.
Pola ini menunjukkan model horisontal.
b. Pola musiman, terjadi bilamana suatu data dipengaruhi oleh faktor
musiman (misalnya kuartal tahun tertentu, bulan, atau hari-hari pada
minggu tertentu), misalnya pada penjualan es krim yang akan
meningkat pada saat musim panas namun akan menurun pada saat
musim hujan. Berikut contoh pola musiman pada permintaan suatu
produk.
Xt

Gambar 2.2 Bentuk pola musiman

Gambar 2.2 terdapat kenaikan pada periode tertentu secara teratur.

Hal tersebut menunjukan kenaikan di pengaruhi oleh faktor musiman.
Selanjutnya bentuk tersebut adalah dikatakan sebagai bentuk pola
musiman.
c. Pola siklis, terjadi bilamana datanya dipengaruhi oleh fluktasi ekonomi
jangka panjang seperti yang berhubungan dengan siklus bisnis.
Misalnya pada penjualan produk seperti mobil, baja, dan beras. Berikut
contoh pola siklis pada permintaan suatu barang.

Xt

Gambar 2.3 permintaan barang meningkat pada periode ke 0

hingga periode ke 3 kemudian terus menurun dari periode ke 3 hingga
t
Gambar 2.3 Bentuk pola siklis
 9

periode ke 6, dan seterusnya. Selanjutnya bentuk tersebut adalah

dikatakan sebagai bentuk pola siklis.
d. Pola trend, terjadi bilamana terdapat kenaikan atau penurunan sekuler
jangka panjang dalam data. Misalnya produk nasional bruto, penjualan
produk, dan berbagai indikator bisnis atau ekonomi. Berikut contoh
pola trend:
Xt

t
Gambar 2.4. Bentuk pola trend
Gambar 2.4 menunjukan perubahan waktu yang relatif panjang
dan stabil. Pola trend pada time series terbagi mencadi 2 bentuk, yaitu:
1) Pola trend positive
Pola trend positive yaitu pola trend yang mempunyai kecenderungan

yang nilai ramalan ( Y ) meningkat dengan meningkatnya waktu ( X ).

Contoh pada pola trend positive pada Gambar 2.5.

Gambar 2.5 Bentuk trend positive

Gambar 2.5 merupakan trend positive yang menunjukkan misal

(X) adalah banyaknya makanan cepat saji yang terjual dan (Y) adalah
konsumsi makanan cepat saji dalam suatu negara, sehinggasemakin
banyak makanan cepat saji yang terjual maka semakin tinggi pula
konsumsi makanan cepat saji dalam negara tersebut. Selanjutnya bentuk
tersebut adalah dikatakan sebagai bentuk pola trend positive.
2) Pola trend negative
 10

Pola trend negative yaitu pola trend yang mempunyai kecenderungan

yang nilai ramalan ( Y ) menurun dengan meningkatnya waktu ( X ).

Pola trend negative digambarkan pada Gambar 2.6.

Gambar 2.6 Bentuk trend negative

Gambar 2.6 menunjukkan hubungan antara waktu penjualan (X)
terhadap persediaan barang (Y). semakin lama waktu penjualan maka
persediaan barang akan semakin sedikit. Selanjutnya bentuk tersebut
adalah dikatakan sebagai bentuk pola trend negative.

2.5 Metode Peramalan Menggunakan Smoothing

Metode peramalan smoothing (pemulusan) adalah metode peramalan
dengan melakukan penghalusan atau pemulusan terhadap data masa lalu
yaitu dengan mengambil rata rata nilai dari beberapa periode untuk
menaksir nilai pada suatu periode. Tujuan dilakukannya pemulusan adalah
untuk menghilangkan perbedaan fluktuasi, kecenderungan trend, serta efek
musiman pada data. Metode peramalan smoothing antara lain adalah
moving average, exponential smoothing, dan holt winter’s exponential
smoothing. Metode peramalan smoothing menitik-beratkan pada penurunan
prioritas pada objek pengamatan yang sebelumnya. Dengan kata lain,
observasi terbaru akan diberikan prioritas lebih tinggi bagi peramalan
daripada observasi yang sebelumnya. Beberapa pola yang mungkin terjadi
pada metode smoothing ketika suatu data akan dianalisa adalah :

a. Pola data stasioner

Data yang stasioner mempunyai rata-rata (mean) dan variansi yang
konstan dari waktu ke waktu. Bila data tidak menunjukkan adanya
 11

kenaikan atau penurunan dari waktu ke waktu maka data tersebut telah
stasioner.
b. Membentuk sebuah trend
Trend merupakan suatu keadaan dimana terdapat fluktuasi data yang
cenderung naik atau turun.
c. 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 moving average.
Moving average adalah metode peramalan yang dilakukan dengan
cara menghitung rata-rata dari sekumpulan data tertentu (sebanyak k data)
dan menggunakannya untuk meramalkan periode berikutnya. Selanjutnya
membuat sekumpulan data baru dengan cara menambahkan hasil ramalan
menjadi periode terbaru kedalam data dan menghilangkan periode terlama.
Kemudian dilakukan cara yang sama untuk mendapatkan hasil peramalan
untuk periode berikutnya. Bentuk model peramalan menggunakan moving
average adalah sebagai berikut:
t
1
Ft +1 =
K
�X
i =t - K +1
t

(2.1)

dengan

Ft+1 : Ramalan untuk periode ke t+1

Xt : Nilai aktual pada periode t
K : Jangka waktu moving average
Estimasi model moving average menggunakan orde k, yang
menyatakan banyaknya data yang dipakai untuk perhitungan moving
average. Perbedaan K dengan k yaitu K adalah jangka waktu dalam moving
average sedangkan k yaitu orde dari moving average. Tidak ada ketentuan
khusus tentang seberapa besar orde moving average ini. Bila pengamatan
 12

dilakukan secara harian, maka orde yang dipilih adalah 7 (karena kurun
waktu seminggu adalah 7 hari), bila pengamatan dilakukan secara mingguan
maka orde yang dipilih adalah 4 (karena kurun waktu 1 bulan adalah 4
minggu), bila pengamatan dilakukan secara bulanan maka orde yang dipilih
adalah 12 (karena kurun waktu 1 tahun adalah 12 bulan), dan sebagainya.

2.6 Metode Exponential Smoothing

Exponential Smoothing atau penghalusan eksponensial adalah metode

peramalan pergerakan rata-rata bobot lainnya, dimana poin-poin data
ditimbang oleh sebuah fungsi eksponensial (Heizer dan Render, 2015:124).
Menurut Najmudin (2012:75), metode pemulusan eksponensial adalah suatu
prosedur yang mengulang perhitungan secara terus menerus dengan
menggunakan data terbaru. Metode rata-rata bergerak hanya menghitung
observasi-observasi terkini, sedangkan metode pemulusan sederhana
menghitung rata-rata bergerak tertimbang secara ekponensial seluruh nilai-
nilai pengamatan sebelumya. Tujuannya adalah mengestimasi nilai saat ini
yang kemudian digunakan sebagai ramalan nilai-nilai yang akan datang.
Ada berbagai macam metode pemulusan eksponensial. Masing-
masing metode memiliki kesamaan, yakni memberikan bobot yang lebih
berat pada data-data terbaru dari pada data yang lama.

2.9.1 Metode Single Exponential Smoothing

Metode single exponential smoothing (SES) lebih cocok digunakan

untuk meramalkan hal-hal yang fluktuasinya secara random atau tidak
teratur (Subagyo, 2002:7). Metode SES digunakan pada peramalan jangka
pendek, biasanya hanya 1 bulan ke depan. Pola datanya bersifat fluktuatif
dan tanpa trend.
Keuntungan dari metode single exponential smoothing adalah
berkurangnya masalah penyimpanan data, karena tidak perlu lagi
menyimpan sebagian atau semua data historis dan yang perlu disimpan
 13

hanyalah pengamatan terakhir, ramalan terakhir dan suatu nilai α yang

dipakai.
Metode SES dikembangkan dari persamaan awal sebagai berikut
(Makridakis, dkk., 1999: 79-80):
Y Y
(
Y^ t +1=Y^ t + t − t−n
n n ) (2.2)

dengan,
Y^ t : nilai ramalan pada saat periode ke– t ,
Yt : data aktual pada saat periode ke– t , dan
n : banyaknya data.
Jika Y t−n tidak tersedia maka diganti dengan suatu nilai
pendekatan. Salah satu pengganti yang mungkin adalah nilai ramalan periode
sebelumnya yaitu Y^ t , sehingga persamaan (2.2) menjadi:

Y Y^
(
Y^ t +1=Y^ t + t − t
n n ) (2.3)

atau
1 1
() ( )
Y^ t +1=
n
∙ Y t + 1− ∙ Y^ t
n
(2.4)

1
Karena nilai n positif maka bobot ( ) nilainya berkisar antara 0 dan 1.
n

Dengan mengganti ( 1n ) dengan α, persamaan (2.4) menjadi,

Y^ t +1=α ∙ Y t +(1−α )∙ Y^ t (2.5)

dengan,
Y^ t +1 : nilai peramalan untuk periode t+1 ,
Y^ t : nilai peramalan pada saat periode ke- t ,
α : konstanta pemulusan atau nilai parameter (0 < α < 1),dan
Yt : nilai aktual pada periode ke- t .
Persamaan ini merupakan bentuk umum yang digunakan dalam
menghitung ramalan dengan metode pemulusan eksponensial. Metode ini
banyak mengurangi masalah penyimpanan data, karena tidak perlu lagi
menyimpan semua data historis, hanya pengamatan terakhir, ramalan
terakhir, dan suatu nilai α yang harus disimpan.
 14

2.9.2 Metode Double Exponential Smoothing

Metode double exponential smoothing (DES) memberikan

pembobotan (kontribusi pendekatan nilai parameter pada model) pada
observasi masa lalu secara berganda. Metode DES biasanya lebih tepat
digunakan untuk meramalkan data yang mengalami kecenderungan trend
naik (Subagyo, 2002: 8).
Metode DES terdiri dari 2 jenis, yaitu metode Brown dan metode
Holt.
a. Metode Brown
Menurut Najmudin (2012: 81), metode Brown digunakan untuk
meramalkan data time series yang mengandung pola trend linier. Metode
Brown merupakan model linier yang dikemukakan oleh Brown.
Langkah-langkah untuk membuat peramalan dengan metode Brown
adalah (Najmudin, 2012: 81-82):
1. Menghitung nilai pemulusan eksponensial dengan menggunakan
persamaan berikut :
Lt=α ∙ Y t +(1−α ) ∙ Lt −1 (2.6)
2. Menghitung nilai pemulusan eksponensial ganda dengan persamaan
berikut
¿ ¿
Lt =α ∙ Lt +(1−α ) ∙ Lt −1 (2.7)
3. Menghitung perbedaan antara nilai-nilai pemulusan eksponensial dengan
persamaan berikut :
at =2 ∙ Lt −L¿t (2.8)
4. Menghitung faktor penyesuai tambahan yang hampir sama dengan
pengukuran slope (kemiringan) kurva dengan persamaan sebagai berikut :
α ¿
bt = ( Lt −Lt ) (2.9)
1−α
5. Membuat peramalan pperiode yang akan datang dengan menggunakan
persamaan berikut :
Y^ t + p=at +b t ∙ p (2.10)
 15

dengan,
α : konstanta pemulusan antara 0 dan 1,
Y^ t : data aktual pada periode ke- t ,
at : selisih untuk nilai pemulusan pada periode ke- t ,
bt : faktor penyesuai tambahan pada periode ke- t , dan
p : banyaknya periode ke depan yang akan diramalkan.
b. Metode Holt
Metode lain yang sering digunakan untuk meramalkan data yang
mengandung pola trend linier adalah metode Holt. Metode ini pada
prinsipnya serupa dengan metode Brown, hanya saja metode Holt tidak
menggunakan rumus pemulusan berganda secara langsung. Metode Holt
memuluskan nilai trend dengan parameter yang berbeda dari parameter yang
digunakan pada deret yang asli. (Makridakis,1999: 91).
Menurut Najmudin (2012: 85-86) terdapat tiga persamaan yang
digunakan dalam metode Holt, yaitu :
1. Rangkaian data pemulusan secara eksponensial atau estimasi level
Lt=α ∙ Y t +( 1−α ) ∙( Lt −1 +T t−1 ) (2.11)
2. Estimasi trend
T t =γ ∙ ( Lt−Lt −1 )+(1−γ ) ∙T t −1 (2.12)
3. Ramalan pada p periode mendatang
Y^ t + p=Lt + p ∙ T t (2.13)
dengan,
Lt : nilai estimasi level baru,
α : konstanta pemulusan untuk level (0 < α < 1),
Yt : data aktual pada periode ke- t ,
γ : konstanta pemulusan untuk trend (0 < γ < 1),
Tt : estimasi trend,
p : banyaknya periode ke depan yang akan diramalkan, dan
^
Y t+p : nilai peramalan pada p periode mendatang.

2.9.3 Metode Triple Exponential Smoothing

Menurut Makridakis (1999: 122-127) metode triple exponential

smoothing (TES) atau winter digunakan ketika data menunjukkan adanya
 16

trend dan perilaku musiman. Metode ini didasarkan pada tiga persamaan
parameter, yaitu stasioneritas, trend, dan musiman. Metode ini juga
menggunakan tiga pembobotan atau parameter pemulusan yaitu α , β ,
dan γ .
Metode Winter mempunyai dua bentuk model, yaitu musiman perkalian
(multiplicative seasonality) dan musiman penjumlahan (additive seasonality).
Bila besarnya pengaruh musiman berubah dari waktu ke waktu, maka bentuk
model yang digunakan adalah musiman perkalian (multiplicative). Sedangkan
bila besarnya pengaruh musiman konstan dari waktu ke waktu, maka bentuk
model yang digunakan adalah musiman penjumlahan (additive).
a. Winter Multiplicative
Model musiman multiplicative cocok untuk memprediksi deret berkala
(time series) yang amplitudo (ketinggian) dari pola musimannya bersifat
proporsional dengan rata-rata level atau tingkatan dari deret data
(Montgomery, 1990: 139). Dengan kata lain, pola musiman membesar seiring
meningkatnya ukuran data. Menurut Najmudin (2012: 91) persamaan dasar
untuk metode winter multiplicative adalah:
1. Pemulusan eksponensial atau estimasi level.
Yt
Lt=α ∙ +(1−α )∙(Lt −1+ T t −1) (2.14)
St −s
2. Estimasi trend.
T t =γ ∙ ( Lt−Lt −1 )+(1−γ ) T t −1 (2.15)
3. Estimasi musiman.
Yt
S t =β ∙ +(1−β )∙ S t −s (2.16)
Lt
4. Ramalan pada p periode mendatang
Y^ t + p=(Lt + p ∙T t ) ∙ St −s+ p (2.17)
dengan,
Lt : estimasi level,
α : konstanta pemulusan untuk level.
Yt : data aktual pada periode ke- t ,
γ : konstanta pemulusan untuk estimasi trend,
 17

Tt : estimasi trend,
β : konstanta pemulusan untuk estimasi musiman,
St : estimasi musiman,
s : panjang musiman,
p : periode yang diramalkan, dan
Y^ t + p : nilai ramalan pada p periode mendatang.
Persamaan (2.14) memperbaharui nilai-nilai pemulusan. Dalam
persamaan tersebut, Yt dibagi dengan S t −s yang dapat menghilangkan
pengaruh musiman dalam data asli Y t . Setelah estimasi trend dan
musiman dimuluskan dalam persamaan (2.15) dan persamaan (2.16),
peramalan dilakukan dengan persamaan (2.17). Estimasi untuk periode
mendatang t+ p merupakan perkalian komponen (Lt + p ∙T t ) dengan
S t −s+ p . Indeks musiman ini digunakan untuk menghilangkan pengaruh
musiman dalam peramalan.
Ketika memulai perhitungan, diperlukan penentuan nilai awal
(inisialisasi) untuk Lt , T t , dan S t . Untuk mendapatkan estimasi
nilai awal dari indeks musiman, diperlukan setidaknya data lengkap selama
satu musim. Dengan demikian, nilai trend dan pemulusan diinisialisasi pada
periode ke- s . Nilai awal konstanta pemulusan didapatkan dengan
menggunakan nilai rata-rata musim pertama, sehingga:
1
Ls= ∙(Y 1 +Y 2 +…+Y s) (2.18)
s
Ketika menginisialisasi trend, lebih baik menggunakan data lengkap selama 2
musim (2 periode) sebagai berikut:

T s=
s[
1 Y s +1−Y 1 Y s +2−Y 2
s
+
s
Y −Y s
+ …+ s+ s
s ]
(2.19)
Kemudian didapatkan nilai inisialisasi indeks musiman dengan
menggunakan rasio dari data tahun pertama dengan rata-rata data tahun
pertama, sehingga:
Y1 Y Y
S 1= , S 2= 2 , … , S s = s (2.20)
Ls Ls Ls
 18

Penentuan parameter α, β, dan γ dilakukan untuk meminimumkan tingkat

kesalahan (error). Pendekatan untuk mendapatkan nilai-nilai parameter
tersebut dapat dilakukan dengan menggunakan algoritma optimasi non-linier
untuk menemukan nilai parameter yang optimal.
b. Winter Additive
Menurut Montgomery (1990: 146), model musiman additive cocok
untuk prediksi deret berkala (time series) yang amplitudo (atau ketinggian)
pola musimannya tidak tergantung pada rata-rata level atau ukuran data.
Tiga persamaan yang digunakan dalam metode winter additive
menurut Najmudin (2012: 95) adalah sebagai berikut:
Level : Lt=α ∙ ( Y t −S t−s ) +(1−α )∙( Lt−1 +T t −1) (2.21)
Trend : T t =γ ∙ ( Lt−Lt −1 )+(1−γ )∙T t −1 (2.22)
Musiman : S t =β ∙ ( Y t −Lt ) +(1−β )∙ S t− s (2.23)
Peramalan: Y^ t + p=Lt + p ∙ T t +S t −s+ p (2.24)
dengan,
Lt : nilai level,
α : konstanta level (0 < α < 1),
Tt : estimasi trend,
γ : konstanta pemulusan untuk estimasi trend,

St : estimasi musiman,
β : konstanta pemulusan untuk estimasi musiman,
s : panjang musiman,
p : periode yang diramalkan, dan
^
Y t+p : nilai ramalan pada p periode mendatang.
Persamaan (2.22) identik dengan persamaan (2.15). Pada metode
winter additive, data dikurangi indeks musiman lalu dikalikan dengan
bobotnya, sedangkan pada winter multiplicative data dibagi dengan indeks
musiman lalu dikalikan dengan bobotnya. Proses inisialisasi untuk Ls dan
Ts identik dengan metode multiplicative, sedangkan untuk proses
inisialisasi indeks musiman untuk metode additive adalah:
S 1=Y 1−L s S 2=Y 2−L s .... S s =Y s−L s (2.25)
 19

2.7 Ketepatan Metode Peramalan

Makridakis (1999:85) menjelaskan setiap metode peramalan memiliki
ketepatan dan tingkat kesulitan masing-masing yang harus dipertimbangkan.
Oleh karena itu, harus dipilih metode yang paling tepat (metode yang dapat
meminimumkan kesalahan peramalan). Semakin kecil nilai kesalahan, maka
akan semakin tepat hasil peramalan yang diperoleh. Pada metode
peramalan, ketepatan hasil ramalan dipandang sebagai kriteria untuk
memilih suatu metode peramalan.
Ketepatan ramalan adalah suatu hal yang penting untuk peramalan,
yaitu bagaimana mengukur kesesuaian antara data yang yang sudah ada
dengan data peramalan. Menurut Pakaja (2012:12), ada beberapa
perhitungan yang biasa digunakan untuk menghitung kesalahan peramalan
total. Tiga dari perhitungan yang paling terkenal adalah deviasi mutlak
rerata (mean absolute deviation (MAD)), kesalahan kuadrat rerata (mean
squared deviation (MSD)), dan kesalahan persen mutlak rerata (mean
absolute percentage error (MAPE)).
Nilai-nilai yang umum digunakan untuk mengukur ketepatan suatu

X
metode peramalan untuk suatu data berjumlah n dengan t menyatakan

data aktual pada periode t dan Ft ^

Xt menyatakan data peramalan pada
periode t adalah sebagai berikut:
a) MAPE
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 :

1
n
|Y t −Y^ t|
MAPE= ∑
n t =1 Y t
(2.26)

dengan,
 20

Yt : nilai aktual pada periode ke- t ,

Y^ t : nilai peramalan untuk periode ke- t , dan
n : banyaknya data.
Menurut Goh dan Law (2002:123), peramalan model deret waktu
dapat dievaluasi dengan klasifikasi nilai MAPE seperti pada Tabel 2.1.

Tabel 2.1 Klasifikasi nilai MAPE

Nilai MAPE (%) Pengertian
0< x <10 Sangat Akurat
10 ≤ x <20 Baik
20 ≤ x <50 Layak
≥50 Tidak Akurat

dengan: x : Nilai MAPE.

b) MAD
Menurut Pakaja (2012:10), metode untuk mengevaluasi metode
peramalan menggunakan jumlah dari kesalahan-kesalahan yang absolut.
mean absolute deviation (MAD) mengukur ketepatan ramalan dengan
merata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan).
MAD berguna ketika mengukur kesalahan ramalan dalam unit yang sama
sebagai deret asli. MAD merupakan ukuran pertama kesalahan peramalan
keseluruhan untuk sebuah model. Rumus untuk menghitung MAD adalah
sebagai berikut:
n
1 (2.27)
MAD= ∑ |Y −Y^ t|
n t =1 t

dengan,
Yt: nilai aktual pada periode t,
Y^ t : nilai peramalan untuk periode t, dan
n : banyaknya data.
Indikator baik atau buruknya nilai MAD belum tersedia dan
dikatakan baik atau signifikan jika nilai MAD kecil yaitu dibawah 0.
Keunggulan parameter ini adalah ukuran kesalahan permalan yang
 21

digunakan lebih sederhana dengan hanya menggunakan rata rata

kesalahan mutlak selama periode tertentu. (Najmudin, 2012:44)
c) MSD
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
t−¿ Y^ t
Y¿
¿
¿ (2.28)
¿
n
1
MSD= ∑ ¿
n t=1

dengan,
Yt : nilai aktual pada periode ke- t ,
Y^ t : nilai peramalan untuk periode ke- t , dan
n : banyaknya data.
Indikator baik atau buruknya nilai MAD belum tersedia dan
dikatakan baik atau signifikan jika nilai MAD kecil yaitu dibawah 0.
Uraian di atas 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).
Note: Dalam fase peramalan, penggunaan MAD dan MSD sebagai
suatu ukuran ketepatan juga dapat menimbulkan masalah. Ukuran ini
 22

tidak memudahkan perbandingan antar deret berskala yang berbeda

untuk selang waktu yang berlainan, karena MAD dan MSD merupakan
ukuran absolut yang sangat bergantung pada skala dari data deret waktu.
Lagi pula interpretasi nilai MSD bersifat intuitif, karena ini menyangkut
pengkuadratan sederetan nilai. Karena alasan tersebut, dalam hubungan
keterbatasan MAD dan MSD sebagai ukuran keakuratan/ketepatan
peramalan, maka dipakai ukuran alternatif sebagai salah satu indikasi
ketepatan dalam peramalan yaitu MAPE (Makridakis, 1988: 42).
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 memberikan acuan bahwa
banyaknya test set bisa mengacu pada seberapa jauh prediksi ke depan
akan dilakukan (Makridakis, 1999:99).
Initialization set adalah data yang digunakan untuk melakukan
estimasi parameter di dalam model yang dibangun, sedangkan test set
adalah data yang digunakan untuk validasi apakah hasil ramalan dari
model (yang dibangun dari initialization set) memang memberikan hasil
yang baik.
 BAB III
PROFIL TEMPAT KERJA PRAKTIK

Dinas Perhubungan merupakan unsur pelaksana Pemerintah Daerah di

bidang Perhubungan yang dipimpin oleh Kepala Dinas dan berkedudukan di
bawah dan bertanggungjawab kepada Bupati melalui Sekretaris Daerah.
Dinas Perhubungan terdapat di setiap provinsi, kabupaten dan kota di
seluruh Indonesia. Dinas Perhubungan Kabupaten Banyumas merupakan
perwakilan Dinas Perhubungan di tingkat kabupaten. Dinas Perhubungan
Kabupaten Banyumas terletak di Jalan Margantara No. 460, Tanjung,
Purwokerto Selatan 53144.

3.1. Visi dan Misi

a. Visi
Terwujudnya keselamatan lalu lintas di Kabupaten Banyumas.
b. Misi
1. Menciptakan pelayanan bidang lalu lintas dan angkutan.
2. Menyediakan sarana dan prasarana perhubungan yang memadai.
3. Meningkatkan kualitas kelaikan bagi kendaraan wajib uji yang
aman.
4. Meningkatkan kualitas sumber daya aparatur perhubungan yang
profesional.

3.2. Logo

Gambar 3.1 Logo Dinas Perhubungan

Arti dari unsur logo adalah :
1. Roda bergigi berarti matra Perhubungan Darat.

23
 24

2. Jangkar berarti matra Perhubungan Laut.

3. Burung Garuda berarti matra Perhubungan Udara.
4. Bulatan bumi berarti lingkup pelayanan jasa Perhubungan.
5. Warna logo terdiri dari warna biru langit (cerulean blue) berarti
kedamaian dan kuning berarti keagungan

3.3. Fungsi
Fungsi dari Dinas Perhubungan Kabupaten Banyumas adalah sebagai
berikut :
1. Perumusan kebijakan teknis lingkup perhubungan, komunikasi dan
informatika.
2. Penyelenggaraan urusan pemerintahan dan pelayanan umum lingkup
perhubungan, komunikasi dan informatika.
3. Pembinaan dan pelaksanaan tugas lingkup perhubungan, komunikasi
dan informatika.
4. Pelaksanaan tugas lain yang diberikan oleh Bupati sesuai dengan
tugas dan fungsinya.

3.4. Dasar Hukum Pembentukan

Dasar hukum pembentukan Dinas Perhubungan Kabupaten Banyumas
adalah Peraturan Daerah Nomor 16 Tahun 2010 Kabupaten Banyumas
Tentang Penjabaran Fungsi Dinas Perhubungan Kabupaten Banyumas.

3.5. Struktur Organisasi Dinas Perhubungan Kabupaten Banyumas

Struktur organisasi Dinas Perhubungan Kabupaten Banyumas tersaji
pada Lampiran 1.
Tugas dan fungsi Pejabat Struktural :
a. Kepala Dinas
1. Merumuskan dan menetapkan program kerja dinas perhubungan
sebagai pedoman dan acuan pelaksanaan tugas.
 25

2. Merumuskan kebijakan umum kesekretariatan, bidang prasarana

lalu lintas, bidang teknik sarana dan angkutan serta bidang
keselamatan lalu lintas angkutan jalan.
3. Melaksanakan koordinasi kebijakan kesekretariatan, bidang
prasarana lalu lintas, bidang teknik sarana dan angkutan serta
bidang keselamatan lalu lintas angkutan jalan.
4. Mendistribusikan tugas dan mengarahkan pelaksaan tugas bawahan
sesuai dengan fungsi dan kompetensi bawahan dengan prinsip
pembagian tugas habis.
5. Menyelenggarakan kebijakan kesekretariatan, bidang prasarana lalu
lintas, bidang teknik sarana dan angkutan serta bidang keselamatan
lalu lintas angkutan jalan.
6. Mengendalikan pelaksanaan kesekretariatan, bidang prasarana lalu
lintas, bidang teknik sarana dan angkutan serta bidang keselamatan
lalu lintas angkutan jalan.
7. Mengendalikan pelaksanan tugas operasional Unit Pelaksana Tugas
(UPT) dengan mengarahkan pelaksanaan kegiatan pengelolaan
terminal penumpang tipe c dan pengelolaan penerangan jalan
umum.
8. Mengarahkan dan menilai kinerja bawahan dengan mengevaluasi
hasil kerja bawahan untuk memacu prestasi kerja.
9. Menyampaikan saran dan masukan kepada pimpinan untuk bahan
pertimbangan pengambil kebijakan.
10.Melaksanakan monitoring evaluasi dan laporan pelaksanaan tugas
sebagai wujud pertanggungjawaban.
11.Melaksanakan tugas kedinasan lain yang diberikan oleh Bupati
sesuai dengan tugas dan fungsinya.
b. Sekretaris
1. Menyusun konsep Rencana Strategis dan Rencana Kerja Dinas
Perhubungan sesuai Rencana Pembangunan Jangka Menengah
Daerah (RPJMD) Kabupaten Banyumas.
 26

2. Menyusun program dan kegiatan di lingkungan Sekretariat meliputi

kegiatan perencanaan, keuangan, ketatausahaan, kerumahtanggaan,
hukum, kehumasan, organisasi dan tatalaksana, kepegawaian,
pelayanan administrasi dan kearsipan.
3. Mengkoordinasikan pelaksanaan kegiatan administrasi, fasilitasi,
pengarahan dan pengendalikan pelaksanaan kegiatan
kesekretariatan dan penyusunan dokumen pelaporan kinerja di
lingkungan Dinas Perhubungan.
4. Mengkoordinasikan pelaksanaan monitoring, evaluasi dan
pelaporan terhadap pelaksanaan kegiatan di Dinas Perhubungan
agar pelaksanaannya berjalan sesuai dengan rencana.
5. Mendistribusikan tugas dan mengarahkan tugas bawahan sesuai
dengan fungsi dan kompetensi bawahan dengan prinsip pembagian
tugas habis.
6. Menyelia perencanaan dan program kerja, pengelolaan keuangan,
ketatausahaan, kerumahtanggaan hukum, kehumasan, organisasi
dan tata laksana, kepegawaian, pelayanan administrasi dan
kearsipan.
7. Menyelenggarakan perencanaan dan program kerja, pengelolaan
keuangan, ketatausahaan, kerumahtanggaan, hukum, kehumasan,
organisasi dan tata laksana, kepegawaian, pelayanan administrasi
dan kearsipan.
8. Mengarahkan dan mengendalikan kegiatan di lingkungan
sekretariat.
9. Mengarahkan penglolaan barang inventaris, barang pakai habis,
pemeliharaan sarpras dan pengadaan serta penghapusan barang
inventaris.
10.Mengarahkan dan menilai kinerja bawahan dengan mengevaluasi
hasil kerja bawahan untuk memacu prestasi kerja.
11.Menyampaikan saran dan masukan kepada pimpinan untuk bahan
pertimbangan pengambilan kebijakan.
 27

12.Melaksanakan tugas kedinasan lain yang diberikan oleh atasan

sesuai dengan tugas dan fungsinya.
c. Kepala Sub Bagian Umum dan Kepegawaian
1. Mengkoordinasikan pembuatan rencana, program kerja, dan jadwal
kegiatan ketatausahaan guna tercapainya sinkronisasi penetapan
rencana dan program.
2. Mengkoordinasikan pembuatan konsep kebijakan strategis urusan
ketatausahaan guna tercapainya sinkronisasi dalam penetapan
kebijaksanaan teknis.
d. Kepala Sub Bagian Perencanaan dan Keuangan
1. Menyelenggarakan kegiatan penyusunan rencana strategis, program
dan kegiatan serta monitoring dan evaluasi kegiatan dinas dalam
rangka penyelarasan dengan tujuan organisasi.
2. Menyelenggarakan kegiatan pelayanan administrasi keuangan
dalam rangka guna mewujudkan tertib administrasi keuangan.
e. Kepala Bidang Teknik Sarana
1. Mengoordinasikan penyiapan perumusan konsep kebijakan teknis
pengujian/pemeriksaan teknis kendaraan bermotor dan pengawasan
dan pengendalian perbengkelan dan kendaraan tidak bermotor.
2. Mengoordinasikan penyiapan penyelenggaraan pengujian
kendaraan bermotor.
3. Mengoordinasikan penyiapan penyelenggaraan pelayanan
administrasi dan/atau teknis izin usaha bengkel umum kendaraan
bermotor
4. Mengoordinasikan penyiapan pelaksanaan pemberdayaan bidang
angkutan jalan.
5. Mengoordinasikan penyiapan pelaksanaan pengawasan meliputi
penilaian terhadap pelaksanaan kebijakan, tindakan korektif
terhadap kebijakan dan tindakan penegakan hukum.
6. Mengoordinasikan penyiapan pelaksanaan evaluasi dan pelaporan
kegiatan bidang teknik sarana.
 28

7. Mengoordinasikan penyiapan pembinaan, pengawasan dan

monitoring pelaksanaan kegiatan bidang teknik sarana.
8. Melaksanakan tugas lain yang diberikan oleh atasan sesuai dengan
tugas dan fungsinya.
f. Kepala Bidang Angkutan
1. Mengoordinasikan perumusan kebijakan teknis di bidang angkutan.
2. Mengoordinasikan penyiapan penyelenggaraan kegiatan
pengelolaan perencanaan program angkutan jalan.
3. Mengoordinasikan penyiapan penyelenggaraan urusan
pemerintahan bidang perhubungan subbidang perhubungan darat.
4. Mengoordinasikan penyiapan penyelenggaraan pelayanan
administratif dan atau teknis izin operasi angkutan sewa.
5. Mengoordinasikan penyiapan penyelenggaraan penelitian
persyaratan administratif dan atau teknis.
6. Mengoordinasikan penyiapan pengawasan.
7. Mengoordinasikan penyiapan pelaksanaan manajemen dan
rekayasa lalu lintas angkutan jalan.
8. Mengoordinasikan penyiapan evaluasi dan pelaporan pelaksanaan
program dan kegiatan bidang lalu lintas angkutan jalan.
9. Melaksanakan tugas lain yang diberikan oleh atasan sesuai dengan
tugas dan fungsinya.
g. Kepala Bidang Lalu Lintas Angkutan Jalan
1. Mengoordinasikan penyiapan perumusan konsep kebijakan
pengawasan dan keselamatan dan ketertiban lalu lintas
2. Mengoordinasikan penyiapan penyelenggaraan pelayanan
administrasi dan/atau teknis pemberian rekomendasi terhadap
penyelenggaraan sekolah/kursus/pendidikan dan pelatihan
mengemudi
3. Mengoordinasikan penyiapan pengelolaan dalam pelaksanaan
keselamatan lalu lintas dengan penyebarluasan informasi
 29

4. Mengoordinasikan penyiapan pelaksanaan pemberdayaan bidang

keselamatan.
5. Mengoordinasikan penyiapan pelaksanaan pengawasan meliputi
penilaian terhadap pelaksanaan kebijakan, tindakan korektif
terhadap kebijakan dan tindakan penegakan hukum
6. Mengoordinasikan penyiapan pelaksanaan penyusunan, penyediaan
dan pemeliharaan, pengkajian masalah dan manajemen
keselamatan lalu lintas
7. Mengoordinasikan penyiapan penindakan terhadap pelanggaran
lalu lintas.
8. Mengoordinasikan penyiapan pelaksanaan evaluasi dan pelaporan
kegiatan bidang keselamatan.
9. Mengoordinasikan penyiapan pembinaan, pengawasan dan
monitoring pelaksanaan kegiatan bidang keselamatan.
10.Melaksanakan tugas lain yang diberikan oleh atasan sesuai dengan
tugas dan fungsinya
h. Kepala Unit Pelaksana Teknis Perparkiran
1. Memimpin perumusan kebijakan teknis pengelolaan Perparkiran
2. Memimpin penyelenggaraan pengelolaan Perparkiran
3. Memimpin pembinaan tenaga Perparkiran
4. Melaksanakan tugas lain yang diberikan oleh atasan sesuai dengan
tugas dan fungsinya
i. Kepala Unit Pelaksana Teknis Terminal
1. Memimpin perumusan kebijakan teknis pengelolaan Terminal
2. Memimpin penyelenggaraan pengelolaan Terminal
3. Memimpin pembinaan masyarakat lingkungan Terminal
4. Melaksanakan tugas lain yang diberikan oleh atasan sesuai dengan
tugas dan fungsinya.
 BAB IV
PELAKSANAAN DAN PEMBAHASAN

Pada bab ini dibahas mengenai pelaksanaan kerja praktik, metode

kerja praktik, analisis data, dan pembahasan pemilihan metode terbaik
untuk memprediksi jumlah pelanggaran lalu lintas bidang LLAJ 10
bulan kedepan dengan membandingkan metode triple exponential
smoothing dan moving average yang menyimulasikan seasonal lenght dan
parameter dari model keduanya untuk yang berbeda-beda.

4.1 Pelaksanaan Kerja Praktik

Kerja Praktik dilaksanakan selama 30 hari, yaitu tanggal 21 Januari
sampai 21 Februari 2019. Pelaksanaan kerja praktik dilaksanakan 5 hari
kerja yaitu dari hari Senin – Jumat mulai pukul 07.15 s/d 14.00 WIB,
dengan waktu istirahat antara pukul 11.30 sampai dengan 13.00 WIB.

4.2 Metode Kerja Praktik

Metode yang digunakan dalam penyelesaian penulisan laporan kerja
praktik ini adalah metode studi kasus yaitu penulis mencari dan mempelajari
materi yang berkaitan dengan metode peramalan dari berbagai literatur. Data
yang diperoleh oleh penulis, selanjutnya diolah dengan menggunakan
metode peramalan khususnya moving average dan triple exponential
smoothing dengan bantuan program Minitab16.

4.3 Analisis Data

Data yang digunakan pada peramalan yaitu data jumlah pelanggaran
lalu lintas bidang LLAJ dari bulan Januari 2017 hingga Februari 2019 (data
terlampir pada Lampiran 2.).
Peramalan yang baik merupakan peramalan yang dilakukan
denganmengikuti langkah-langkah atau prosedur penyusunan yang baik.
Analisis data akan diperoleh menggunakan program MINITAB16, dengan
langkah-langkah sebagai berikut:

30
 1. Mendefinisikan tujuan peramalan.
2. Membuat plot data jumlah pelanggaran lalu lintas bidang LLAJ.
3. Menganalisa peramalan. Berdasarkan kriteria-kriteria yang ada,
metode manakah yang cocok dengan hasil plot data tersebut. Apakah
single exponensial smoothing, double exponensial smoothing, triple
exponensial smoothing atau moving average.
4. Membandingkan dua metode yang tepat untuk peramalan.
5. Membandingkan ukuran ketepatan uji (MAD, MAPE, MSE) untuk
menentukan parameter dan seasonal lenght terbaik.
6. Memilih parameter (α) yang memberikan kesalahan peramalan
terkecil untuk metode tersebut.
7. Memprediksi jumlah pelanggaran lalu lintas bidang LLAJ 10 bulan
kedepan menggunakan dua metode terbaik dengan nilai parameter
dan seasonal lenght yang memiliki kesalahan terkecil.
Seluruh langkah tersebut perlu diperhatikan agar kegiatan
memprediksi yang dilakukan dapat berhasil dengan baik dan efektif.

4.4 Hasil dan Pembahasan

4.4.1 Plot Data
Langkah pertama dalam peramalan menggunakan time series (moving
average dan triple exponential smoothing) adalah menentukan metode yang
tepat untuk memprediksi jumlah pelanggaran lalu lintas bidang LLAJ 10
bulan kedepan. Sebelum melakukan peramalan, langkah yang dilakukan
adalah membuat plot data masa lalu yaitu data jumlah pelanggaran lalu
lintas bidang LLAJ dari bulan Januari 2017 hingga Februari 2019.
Kemudian dari plot data tersebut diamati apakah terdapat pola tren,
musiman, atau tidak. Pada laporan ini, data di plot dengan aplikasi
Minitab16. Hasil output dari aplikasi Minitab16 ditunjukkan pada Gambar
4.1 sebagai berikut.

31
 32

Gambar 4.1 Grafik data jumlah pelanggaran lalu lintas

bidang LLAJ dari bulan Januari 2017 hingga Februari 2019
Gambar 4.1 menunjukkan bahwa sumbu horizontal adalah bulan atau
periode, sedangkan sumbu vertikal adalah realisasi jumlah pelanggaran lalu
lintas bidang LLAJ Dinas Perhubungan Kab. Banyumas. Scatter plot
tersebut memperlihatkan bahwa data jumlah pelanggaran lalu lintas bidang
LLAJ yang bersifat musiman yaitu dilihat dengan adanya pola perubahan
turun-naiknya data yang berulang dari bulan ke bulan yang disebut
fluktuasi, turun-naiknya data tersebut dipengaruhi oleh adanya razia
gabungan atau razia di tempat-tempat yang banyak dilintasi oleh angkutan
umum. Hal tersebut terjadi setiap minimal satu bulan sekali. Karena data
tersebut mempunyai plot data musiman (data mengalami fluktuasi atau
gelombang pasang surut), maka metode peramalan yang tepat digunakan
adalah triple exponential smoothing dan moving average (Subagyo, 1986:
26).
Selanjutnya, dibahas tentang prediksi jumlah pelanggaran lalu lintas
bidang LLAJ untuk 10 bulan kedepan dengan membandingkan metode
triple exponential smoothing dan moving average yang menyimulasikan
seasonal lenght dan parameter dari model keduanya untuk data pelanggaran
lalu lintas bidang LLAJ
 33

4.4.2 Pemilihan Ketepatan Parameter

Metode triple exponential smoothing dan moving average merupakan
metode yang cocok digunakan untuk memprediksi jumlah pelanggaran lalu
lintas bidang LLAJ Kabupaten Banyumas untuk 10 bulan kedepan.
Dengan menggunakan parameter yang sama tetapi dengan sesonal
lenght yang berbeda-beda dan 2 metode yang berbeda yaitu metode triple
exponential smoothing dan moving average, maka diperoleh nilai error yang
berbeda pula. Nilai ukuran error yang digunakan adalah nilai MAPE yang
paling minimum. Sebab nilai MAPE satu-satunya ukuran error yang
memiliki indikator baik atau tidak suatu prediksi. Untuk mecari nilai
kesalahan MAPE secara manual dapat dicari dengan menggunakan
persamaan (2.27), sebagai berikut:

1 |Y t −Y^ t|
n
MAPE= ∑
n t =1 Y t

Dengan menggunakan metode triple exponential smoothing dan

menyimulasikan seasonal lenght yang berbeda dan parameter yang sama
maka MAPE dapat dilihat seperti Tabel 4.1.

Tabel 4.1 Parameter Kesalahan Ramalan Pelanggaran LL dengan Metode

Triple Exponential Smoothing
Parameter
No. Seasonal Lenght MAPE
  
1. 0,9 0,1 0,1 154,777
2. 0,9 0,1 0,2 157,854
3. 0,9 0,1 0,3 3 161,328
4. 0,9 0,2 0,1 155,532
5. 0,9 0,3 0,1 162,771
6. 0,9 0,4 0,1 171,676
7. 0,8 0,1 0,1 156,490
3
8. 0,7 0,1 0,1 157,374
9. 0,6 0,1 0,1 158,578
10. 0,9 0,1 0,1 5 153,625
11. 0,9 0,1 0,2 155,978
12. 0,9 0,1 0,3 158,474
13. 0,9 0,2 0,1 156,872
 34

14. 0,9 0,3 0,1 162,558

15. 0,9 0,4 0,1 169,740
16. 0,8 0,1 0,1 146,999
17. 0,7 0,1 0,1 139,990
18. 0,6 0,1 0,1 136,442
19 0,9 0,1 0,1 124,650
20. 0,9 0,1 0,2 126,143
21. 0,9 0,1 0,3 127,623
22. 0,9 0,2 0,1 131,764
23. 0,9 0,3 0,1 9 139,483
24. 0,9 0,4 0,1 147,823
25. 0,8 0,1 0,1 118,896
26. 0,7 0,1 0,1 113,291
27. 0,6 0,1 0,1 107,248
28. 0,9 0,1 0,1 34,2082
29. 0,9 0,1 0,2 38,4530
30. 0,9 0,1 0,3 34,6986
31. 0,9 0,2 0,1 35,2274
15
32. 0,9 0,3 0,1 37,0062
33. 0,9 0,4 0,1 38,7913
34. 0,8 0,1 0,1 32,5836
35. 0,7 0,1 0,1 31,4000
36. 0,6 0,1 0,1 15 30,4411
37. 0,9 0,1 0,1 1,89924
38. 0,9 0,1 0,2 1,89924
39 0,9 0,1 0,3 1,89924
.40. 0,9 0,2 0,1 1,69550
41. 0,9 0,3 0,1 20 1,57832
42. 0,9 0,4 0,1 1,51357
43. 0,8 0,1 0,1 1,99424
44. 0,7 0,1 0,1 2,23623
45. 0,6 0,1 0,1 2,51178

Berdasarkan Tabel 4.1 dapat dilihat bahwa hasil tersebut mempunyai

persamaan parameter alpha, beta, dan gamma tetapi memiliki seasonal
lenght yang berbeda dan dapat meminimalkan masing-masing nilai ukuran
kesalahan MAPE. Nilai ukuran kesalahan MAPE menurut tabel diatas,
semakin besar panjang seasonal-nya maka akan mengakibatkan nilai MAPE
mengecil. Selanjutnya dipilih parameter dengan nilai kesalahan paling
minimum pada nilai MAPE.
 35

Tabel 4.1 menunjukkan nilai MAPE terkecil adalah 1,51357 dengan

nilai alpha (level) adalah 0.900, nilai gamma (seasonal) adalah 0.400, nilai
beta (trend) adalah 0,100 dan ukuran seasonal lenght adalah 20.
Dengan menggunakan metode moving average dan
menyimulasikan seasonal lenght yang berbeda dapat dilihat nilai MAPE
seperti Tabel 4.2:

Tabel 4.2 Parameter Kesalahan Ramalan Pelanggaran LL dengan Metode

Moving Average.

No Seasonal Lenght MAPE

1. 3 168,998
2. 5 188,777
3. 9 173,590
4. 15 156,403
5. 20 98,170
Dari Tabel 4.2 dapat dilihat bahwa hasil tersebut mempunyai seasonal
lenght yang berbeda dan dapat meminimalkan masing-masing nilai ukuran
kesalahan MAPE. Nilai ukuran kesalahan MAPE menurut tabel diatas,
semakin besar panjang seasonal-nya maka akan mengakibatkan nilai MAPE
mengecil. Selanjutnya dipilih parameter dengan nilai kesalahan paling
minimum pada nilai MAPE.
Tabel 4.2 menggambarkan nilai MAPE terkecil adalah 98,170 dengan
ukuran seasonal lenght adalah 20.
Dari kedua tabel parameter kesalahan ramalan tersebut yaitu pada
Tabel 4.1 dan Tabel 4.2 didapat nilai alpha, beta, gamma yang paling tepat
untuk meramalkan jumlah pelanggaran lalu lintas bagian LLAJ dengan
metode triple exponential smoothing adalah α =0.90, γ =0.40, β=0.10
dan seasonal length = 20 dengan nilai MAPE = 1,51357. Dengan
menggunakan metode moving average diperoleh seasonal length = 20
dengan nilai MAPE = 98,170.
Langkah selanjutnya yaitu memprediksi jumlah pelanggaran lalu
lintas bidang LLAJ Dinas Perhubungan Kab. Banyumas untuk 10 bulan
 36

kedepan dengan menyimulasikan parameter dan seasonal length untuk

kedua model yang berbeda yaitu moving average dan triple exponential
smoothing.

4.4.3 Hasil Peramalan

Hasil memprediksi jumlah pelanggaran lalu lintas bidang LLAJ Dinas
Perhubungan Kab. Banyumas dengan menggunakan MINITAB16
ditampilkan pada Gambar 4.2 dan Gambar 4.3 sebagai berikut.

Gambar 4.2 Grafik prediksi jumlah pelanggaran lalu lintas

dengan metode moving average.
 37

Gambar 4.3 Grafik prediksi jumlah pelanggaran lalu lintas

dengan metode triple exponential smoothing.

Gambar 4.2 menunjukkan bahwa nilai pendugaan model (fits) dengan

nilai sebenarnya (actual) yang ditunjukkan oleh garis berwarna hitam, tidak
saling berhimpit, bahkan hanya ada satu titik berwaarna merah yang
menunjukkan bahwa itu adalah nilai pendugaan model (fits), maka model
prediksi diatas memiliki akurasi yang rendah. Untuk nilai prediksinya
ditunjukkan oleh garis warna hijau yang diapit oleh dua garis diatas dan
dibawahnya yang merupakan batas atas dan batas bawah pada nilai
peramalannya. Sedangkan Gambar 4.3, menunjukkan bahwa nilai
sebenarnya (actual) yang menunjukkan garis warna hitam hampir
berhimpitan dengan nilai pendugaan model (fits) yang ditunjukkan garis
berwarna merah. Hal ini berarti model prediksi diatas memiliki akurasi yang
baik. Sedangkan pada hasil prediksi jumlah pelanggaran lalu lintas bidang
LLAJ Dinas Perhubungan Kab. Banyumas ditunjukkan pada Tabel 4.3 dan
Tabel 4.4 sebagai berikut.

Berikut adalah contoh perhitungan manual moving average untuk

kolom ke 4 pada Tabel 4.3 dengan mensimulasikan K=20, dengan Xt adalah
data aktual di Lampiran 2.

t
1
Ft +1 =
K
�X
i =t - K +1
t

1 20
F21 = �X t
20 i =1
1
= ( 12 + 19 + ... + 12 )
20
1
= (401)
20
= 20, 05
 38

Secara sama (analog), maka peramalan dengan metode moving

average untuk periode selanjutnya dapat dihitung secara manual dengan
detail pada kolom 4 pada Tabel 4.3.

Tabel 4.3 Hasil Peramalan dengan Metode Moving Average Jumlah

Pelanggaran
Ramalan Ramalan Data
Error RB Error DA Error RB
No Bulan Minitab Manual Aktual
& RL & RL & DA
(RB) (RL) (DA)
1 Maret 2019 20,5263 20,05 0,0232 13 0,5423 0,5789
2 April 2019 20,5263 20,05 0,0232 17 0,1794 0,2074
3 Mei 2019 20,5263 20,05 0,0232 15 0,3367 0,3584
4 Juni 2019 20,5263 20,05 0,0232
5 Juli 2019 20,5263 20,05 0,0232
6 Agustus 2019 20,5263 20,05 0,0232
7 September 2019 20,5263 20,05 0,0232
8 Oktober 2019 20,5263 20,05 0,0232
9 November 2019 20,5263 20,05 0,0232
10 Desember 2019 20,5263 20,05 0,0232

Tabel 4.3 merupakan hasil prediksi jumlah pelanggaran lalu lintas 10

bulan kedepan dengan metode moving average menggunakan program
MINITAB16 serta perhitungan manual yang di dasari oleh persamaan 2.1.
Dengan seasonal length = 20 didapat nilai MAPE = 98,170, sehingga
berdasarkan klasifikasi nilai MAPE maka peramalan tersebut kurang akurat.
Hasil perbandingan data aktual bulan Maret-Mei 2019 dengan data hasil
ramalan bulan Maret-Mei 2019 didapat nilai error berkisar antara 20%-57%
sehingga peramalan ini dapat dikatakan kurang akurat. Sedangkan, hasil
perbandingan data aktual dengan perhitungan manual didapat nilai error
berkisar antara 17%-54% sehingga peramalan ini dapat dikatakan kurang
baik. Kemudian, untuk perbandingan peramalan manual dengan
MINITAB16 didapat nilai error 2% sehingga peramalan ini dapat dikatakan
cukup baik.
 39

Berikut ini adalah contoh perhitungan manual triple exponential

smoothing pada Tabel 4.4 di kolom 3, dengan periode s = 20 dan dengan
data aktual terlampir pada Lampiran 2.

a. Menginisialisasi Ls, Ts, dan Ss

1
Ls =( Y1 + Y2 + ... + Ys )
s
1
L20 = ( 12 + 19 + ... + 12 )
20
1
= �401 = 20.05
20
1� Y -Y Y -Y Y -Y �
Ts = �s +1 1 + s + 2 2 + ... + s + s s �
s� s s s �
1 � 0 - 12 0 - 19 0 - 12 �
T20 = � + + ... +
20 � 20 20 20 � �
1
= �20, 05 = 1, 0025
20
sehingga didapat:
Y1 12
S1 = = = 0,598504
Ls 20, 05
Y2 19
S2 = = = 0,947631
Ls 20, 05
.
.
.
Ys
Ss =
Ls

b. Estimasi level
Y
Lt=α ∙ t +(1−α )∙(Lt −1+ T t −1) , dengan = 0,9
St −s
 40

12
L21 = 0.9 � + (1 - 0.9) �(20.05 + 1.0025)
0.5985
= 20.15036
c. Estimasi trend
T t =γ ∙ ( Lt−Lt −1 )+(1−γ ) T t −1 , dengan = 0,4
T21 = 0.1�(20.15036 - 20.05) + (1 - 0.1) �1.0025
= 0.91229
d. Estimasi musiman
Y
S t =β ∙ t +(1−β )∙ S t −s , dengan = 0,4
Lt
12
S 21 = 0.4 � + (1 - 0.4) �0.5985
20.15036
= 0.597309
e. Ramalan pada p periode mendatang
Y^ t + p=(Lt + p ∙T t ) ∙ St −s+ p , dengan t = 20 dan p = 1
Yˆ21 = ( L20 + 1�T20 ) �S 20-20+1
= (20, 05 + 1�1,0025) �0,598504
= 12, 6001

Secara sama (analog), maka peramalan dengan metode triple

exponential smoothing untuk periode selanjutnya dapat dihitung secara
manual dengan detail pada kolom 3 pada Tabel 4.4.

Tabel 4.4 HasilRamalan ErrorMetode

Peramalan dengan Ramalan Data Smoothing
Triple Exponential Error Error
No Bulan Manual Jumlah
(RL dan MINITAB
Pelanggaran Aktual (RL dan (RB dan
(RL) RB) (RB) (DA) DA) DA)
1 Maret 2019 12,6001 0,07346 11,5649 13 0,0308 0,01104
2 April 2019 19,9587 0,08097 18,3427 17 0,0174 0,00789
3 Mei 2019 23,1734 0,0002 23,1683 15 0,05449 0,07888
4 Juni 2019 22,2891 0,0041 22,1976
5 Juli 2019 21,2355 0,0003 21,2283
6 Agustus 2019 44,4000 0,0005 44,3800
7 September 2019 5,8910 0,0175 5,7881
8 Oktober 2019 4,8334 0,0022 4,8229
9 November 2019 7,8890 0,0219 7,7161
10 Desember 2019 59,8102 0,0003 59,7950
 41

Tabel 4.4 merupakan contoh perhitungan manual hasil prediksi jumlah

pelanggaran lalu lintas 10 bulan kedepan dengan metode triple exponential
smoothing menggunakan persamaan 2.14-2.17 untuk parameter
α =0.90, γ =0.40, β=0.10 dan seasonal length = 20 serta hasil prediksi
menggunakan program MINITAB16. Dengan α = 0.9, β = 0.4 dan γ = 0.1 didapat
nilai MAPE = 1,51357, sehingga berdasarkan klasifikas inilai MAPE maka
peramalan tersebut sangat akurat dari segi keakuratan. Hasil perbandingan data
aktual bulan Maret-Mei 2019 dengan data hasil ramalan menggunakan
MINITAB16 bulan Maret-Mei 2019 didapat nilai error berkisar antara 0,7%-3%
sehingga peramalan ini dapat dikatakan cukup akurat. Sedangkan, hasil
perbandingan data aktual dengan perhitungan manual didapat nilai error berkisar
antara 1%-5% sehingga peramalan ini dapat dikatakan cukup baik. Kemudian,
untuk perbandingan peramalan manual dengan MINITAB16 didapat nilai error
berkisar antara 0,02%-8% sehingga peramalan ini dapat dikatakan sudah cukup
baik.
 42

BAB V
PENUTUP

5.1 Kesimpulan
Riset ini membahas mengenai prediksi jumlah pelanggaran lalu lintas
bidang LLAJ Dinas Perhubungan Kabupaten Banyumas untuk 10 bulan
kedepan, dengan metode peramalan. Metode yang sesuai dengan data
pelanggaran lalu lintas yang memiliki pola trend data musiman yaitu triple
exponential smoothing dan moving average.
Teknis analisis yang dilakukan yaitu dengan membandingkan hasil
dari kedua metode tersebut. Hasil riset menunjukkan bahwa prediksi jumlah
pelanggaran lalu lintas bidang LLAJ lebih cocok menggunakan metode
triple exponential smoothing dengan MAPE=1,89924 yang artinya prediksi
tersebut cukup akurat, dari pada menggunakan metode moving average
karena jika menggunakan metode moving average nilai error yang
dihasilkan cukup tinggi sehingga kurang akurat untuk meramalkan data
pelanggaran lalu lintas. Hasil prediksi pelanggaran lalu lintas bidang LLAJ
10 bulan kedepan menunjukkan bahwa terjadi fluktuasi peramalan di setiap
bulannya yang bersifat musiman.
Hasil perbandingan data aktual bulan Maret-Mei 2019 dengan data
ramalan bulan Maret-Mei 2019 menggunakan metode triple exponential
smoothing juga memberikan informasi error yang relatif kecil, yaitu 0,7%-
3% sehingga peramalan ini memiliki akurasi cukup baik. Sedangkan, hasil
perbandingan data aktual dengan perhitungan manual didapat nilai error
berkisar antara 0,7%-5% sehingga peramalan ini dapat dikatakan cukup
baik. Kemudian, untuk perbandingan peramalan manual dengan
MINITAB16 didapat nilai error berkisar antara 0,02%-7% sehingga
peramalan ini dapat dikatakan sudah cukup baik.
 43

5.2 Saran
1. Untuk penelitian lebih lanjut sebaiknya membandingkan nilai akurasi
dan juga metodenya, seperti MSE dengan MAPE menggunakan 2
metode yang berbeda pula, atau MSE dengan MAD dan sebagainya.
2. Dari hasil prediksi jumlah pelanggaran lalu lintas untuk 10 bulan
kedepan mengalami naik turun atau bersifat musiman di setiap
bulannya, maka perlu antisipasi dari berbagai pihak terutama bagian
pengendalian operasional dan bagian pengujian kendaraan bermotor
untuk lebih menggalakkan ketertiban lalu lintas dengan melengkapi
surat-surat yang seharusnya selalu dibawa ketika mengendarai
kendaraan angkutan umum.
 44

DAFTAR PUSTAKA

Aswi dan Sukarna. (2006). Analisis deret Waktu Teori dan Aplikasi. Makassar:
Andira Publisher.

Gaspersz, V. (1998). Statistical Proses Control Penerapan Teknik-Teknik Statistik

dalam Manajemen Bisnis Total, Jakarta : Diterbitkan atas Kerja Sama
Yayasan Indonesia Emas, Institut Vincent, PT Gramedia Pustaka Utama

Goh, C. dan Law, R. (2002). Modeling and Forecasting Tourism Demand for
Arrivals with Stochastic Nonstationary Seasonality and Intervention.
Tourism Management. 23: 499-510.

Heizer, J. dan Render, B. (2015). Operations Management (Manajemen Operasi).

Edisi Kesebelas. Jakarta: Salemba Empat.
Indiyanto, R. (2008). Perencanaan dan Pengendalian Produksi. Surabaya:
Yayasan Humaniora.

Makridakris, S., Wheelwright, S. C., dan Mc Gee, V. E. (1999). Metode dan

Aplikasi Peramalan. Jilid I, Edisi ke-2. Jakarta: Erlangga.

Montgomery, D. (2008). Forecasting and Time Series Analysis. New Jersey: Jhon
Wiley dan Sons.Inc.

Najmudin. (2012). Teknik Peramalan Bisnis dengan Aplikasi MINITAB.

Purwokerto: Universitas Jenderal Soedirman.

Nasution, A. H. dan Prasetyawan, Y. (2008). Perencanaan Pengendalian

Produksi. Edisi Pertama. Yogyakarta: Penerbit Graha Ilmu.

Pakaja, F. (2012). “Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf

Tiruan dan Certainty Factor”. Jurnal EECCIS, Vol. 6, No. 1.

Sadono, S. (2016). “Budaya Tertib Lalu Lintas: Kajian Fenomenologis atas

Masyarakat Pengendara Sepeda Motor di Kota Bandung”, Vol. 4 nomor
1:61-79

Subagyo, P. (2002). Forecasting Konsep dan Aplikasi. Yogyakarta : BPFE.

 45

LAMPIRAN

Lampiran 1. Bagan Struktur Organisasi Dinas Perhubungan Kabupaten Banyumas.

 46

Lampiran 2. Data Pelanggaran Lalu Lintas Bidang LLAJ Dinas Perhubungan

Kabupaten Banyumas Tahun 2017 sampai 2019.

No
Tahun Bulan Jumlah Banyaknya Pelanggaran
.
1. Januari 12
2. Februari 19
3. Maret 24
4. 2017 Mei 23
5. Oktober 22
6. November 45
7. Desember 6
8. Januari 5
9. Februari 8
10. Maret 62
11. April 3
12. Mei 6
13. 2018 Juni 58
14. Juli 20
15. September 24
16. Oktober 21
17. November 4
18. Desember 20
19. Januari 7
2019
20. Februari 12
 RIWAYAT HIDUP

Nama : Kiran Nirmala Achfasarty

NIM : K1B016029
Tempat, Tanggal Lahir : Purwokerto, 25 Oktober 1999
Jenis Kelamin : Perempuan
Status : Mahasiswa
Alamat : Perumahan Kedungwringin C.38 RT 02/008 Patikraja
Telepon : 082137725250
Email : kiran.nirmala07@yahoo.com
Riwayat Pendidikan
1. SD Negeri 03 Kedungwuluh, 2011.
2. SMP Negeri 1 Purwokerto, 2013.
3. SMA Negeri 1 Purwokerto, 2016.

47