TUGAS AKHIR

PEMODELAN MATEMATIKA

PERAMALAN JUMLAH PENDUDUK SUMATRA BARAT

BERDASARKAN JENIS KELAMIN MENGGUNAKAN METODE
PEMULUSAN EKSPONENSIAL GANDA BROWN

OLEH :

AUFA HAYATI

(1210432018)

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS ANDALAS

PADANG

2015
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Penduduk adalah faktor utama yang menjadi pembentuk adanya suatu
daerah. Kondisi penduduk menentukan berbagai aspek di kehidupan di daerah
tersebut. Pertumbuhan penduduk merupakan keseimbangan yang dinamis
antara kekuatan-kekuatan yang menambah dan kekuatan-kekuatan yang
mengurangi jumlah peenduduk. Karena pertumbuhan penduduk secara terus-
menerus akan dipengaruhi oleh jumlah kelahiran tetapi secara bersamaan juga
akan dikurangi oleh jumlah kematian dan migrasi penduduk yang terjadi
setiap tahunnya.
Dewasa ini masalah kependudukan sudah menjadi masalah dunia, bukan
hanya bagi negara yang berkembang, tetapi juga bagi negara-negara maju.
Oleh karena itu, studi mengenai masalah kependudukan ini menarik minat
berbagai ilmuan untuk meneliti masalah dasar yang terjadi demi kebutuhan
manusia.
Masalah kependudukan ini juga dialami daerah Provinsi Sumatra Barat.
Oleh karena itu, penulis memilih judul “Peramalan Jumlah Penduduk Provinsi
Sumatra Barat Di Tahun 2015-2017” dengan harapan peramalan ini dapat
membantu mengurangi beberapa masalah kependudukan di Sumatra Barat.

1.2 Rumusan Masalah

a. Bagaimana tingkat pertumbuhan penduduk di Provinsi Sumatra Barat ?
b. Bagaimana peramalan jumlah penduduk Sumatra Barat di tahun 2015-
2017 ?
1.3 Tujuan Penulisan
a. Untuk mengetahui tingkat pertumbuhan penduduk di Provinsi Sumatra
Barat.
b. Untuk meramalkan jumlah penduduk di Provinsi Sumtra Barat di tahun
2015-2017.
 BAB II
TINJAUAN PUSTAKA
2.1 Pengertian Peramalan
Peramalan adalah suatu bentuk kegiatan yang memperkirakan situasi
dimasa yang akan datang. Dalam statistika terdapat berbagai metode
peramalan, diantaranya yaitu metode rata-rata sederhana, Moving Average,
pemulusan eksponensial, metode Box-Jenkins (ARIMA) dan metode regresi.
Metode peramalan adalah cara untuk memperkirakan secara kuantitatif
apa yang akan terjadi pada masa yang akan datang dengan dasar data yang
relevan pada masa lalu. Dengan kata lain, metode peramalan bersifat objektif.
Disamping itu, metode peramalan memberikan urutan pengerjaan dan
pemecahan atas pendekatan suatu masalah dalam peramalan, sehingga bila
digunakan pendekatan yang sama dalam suatu permasalahan di suatu kegiatan
peramalan, akan diperoleh dasar pemikiran dan pemecahan yang sama.
Baik tidaknya peramalan yang disusun, selain ditentukan oleh metode
yang digunakan juga ditentukan oleh baik tidaknya informasi yang
digunakan. Selama informasi yang digunakan tidak meyakinkan untuk
mendapatkan hasil yang bagus, maka hasil peramaln yang disusun juga akan
sulit dipercaya ketepatannya.

2.2 Metode Peramalan

Berdasarkan sifatnya, teknik peramalan dibagi menjadi dua kategori, yaitu :

1. Metode peramalan kualitatif

Metode peramalan kualitatif yaitu metode peramalan yang menggunakan
data kualitatif pada masa lalu. Hasil peramaln yang dibuat sagat
bergantung pada orang yang melakukan peramalan. Hal ini penting
karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang
bersifat intusi, pendapat dan pengetahuan dari orang yang menyusunnya.
Metode kualitatif dapat dibagi menjadi Metode Eksplanatori dan
Normatif.
 2. Metode peramalan kuantitatif
Peramalan kuantitatif adalah peramalan yang didasarkan atas data
kuantitatif pada masa yang lalu. Hasil peramalan yang dibuat sangat
bergantung dari metode yang digunakan dalam peramalan tersebut.
Metode yang digunakan akan semakin baik jika hasil ramalan semakin
mendekati kenyataan yang terjadi. Metode kuantitatif dapat dibagi dalam
deret waktu (time series) dan metode kausal. Peramalan kuantitatif dapat
digunakan jika terdapat tiga kondisi, yaitu :
a. Adanya informasi tentang masa lalu
b. Informasi tersebut dapat dikuantitatifkan dalam bentuk data.
c. Informasi tersebut dapat diasumsikan bahwa beberapa aspek pola
masa lalu akan terus berlanjut di masa yang akan datang.

Kondisi terakhir dibuat sebagai asumsi yang berkesinambungan

(Asumption of Continuity), asumsi ini merupakan modal yang mendasari
semua metode peramalan kuantitatif dan banyak metode peramalan
kualitatif. Metode-metode peramalan dengan analisa deret waktu, yaitu:

1. Metode pemulusan eksponensial dan moving average, sering

digunakan untuk ramalan jangka pendek dan jarang dipakai untuk
peramalan jangka panjang.
2. Metode regresi, metode ini biasa digunakan untuk peramalan jangka
menengah dan jangka panjang.
3. Metode Box Jenkins (ARIMA), metode ini jarang dipakai tetapi baik
untuk jangka pendek, menegah dan panjang.

2.3 Pemilihan Teknik dan Metode Peramalan

Dalam pemilihan teknik dan metode peramalan, perlu diketahui ciri-ciri

penting yang harus diperhatikan oleh pengambil keputusan dan analisa
keadaan dalam mempersiapkan peramalan. Ada enam faktor yang
diidentifikasikan sebagai teknik dan metode peramalan, yaitu :
 1. Horizon waktu
Ada dua aspek horizon waktu yang berhubungan dengan masing-
masing metode peramalan. Pertama adalah cakupan waktu dimasa
yang akan datang, yang kedua adalah jumlah periode untuk peramalan
yang diinginkan.
2. Pola data
Dasar utama dari metode peramalan adalah anggapan bahwa macam-
macam dari pola yang didapati dalam data yang diramalkan akan
berkelanjutan.
3. Jenis dari model
Model-model adalah suatu deret dimana waktu yang digambarkan
sebagai unsur penting untuk menentukan perubahan-perubahan dalam
pola. Model-model perlu diperhatikan karena masing-masing model
mempunyai kemampuan yang berbeda dalam analisa keadaan untuk
pengambilan keputusan.
4. Biaya yang dibutuhkan
Umumnya ada empat unsur yang tercakup didalam penggunaan suatu
prosedur peramalan, yaitu biaya-biaya pengembangan, penyimpanan
data, operasi pelaksanaan dan kesempatan dalam penggunaan teknik-
teknik dan metode lainnya.
5. Ketepatan metode peramalan
Tingkat ketepatan yang dibutuhkan sangat erat kaitannya dengannya
tingkat kerincian yang dibutuhkan dalam suatu peramalan.
6. Kemudahan dalam penerapan
Metode-metode yang dapat dimengerti dan mudah diaplikasikan
sudah merupakan suatu prinsip umum bagi pengambil keputusan.

2.4 Analisa Deret Waktu

Data berkala (Time Series) adalah data yang dikumpulkan dari waktu ke
waktu untuk memberikan gambaran tentang perkembangan suatu kegiatan
dari waktu ke waktu. Analisa deret waktu memungkinkan untuk mengetahui
 perkembangan suatu atau beberapa kejadian serta hubungan dengan kejadian
lainnya.

Metode Time Series merupakan metode peramalan kuantitatif yang

didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan
diperkirakan dengan variabel waktu. Tujuannya yaitu untuk mencakup
penelitian pola data yang digunakan untuk meramalkan apakah data tersebut
stasioner atau tidak dan ekstrapolasi ke masa yang akan datang. Stasioner itu
sendiri berarti bahwa data tidak mengalami pertumbuhan atau penurunan.
Data secara kasar harus horizontal sepanjang waktu. Dengan kata lain
fluktuasi data konstan setiap waktu.

2.5 Penentuan Pola Data

Secara umum, pola data dapat dibedakan sebagai berikut :

1. Pola data horizontal

Pola ini terjadi bila nilai berfluktuasi disekitar nilai rata-rata yang konstan.
Tekink peramalan yang bisa dipakai untuk pola data ini antara lain yaitu
metode rata-rata sederhana, moving average, pemulusan eksponensial
sederhana, dan metode Box Jenkins.
2. Pola data musiman
Pola yang menunjukkan perubahan yang berulang-ulang secara periodik
dalam deret waktu. Pola ini terhadi bila suatu deret dipengaruhi oleh faktor
musiman, misalnya kwartal tahun tertentu, bulanan, atau hari-haripada
minggu tertentu. Teknik peramalan yang bisa dipakai untuk pola data ini
antara lain yaitu pemulusan eksponensial dari winter, regresi berganda
runtut waktu, dan metode Box Jenkins.
3. Pola data siklis
Pola data yang menunjukkan gerakan naik turun dalam jangka panjang
dari suatu kurva trend, yang terjadi akibat pengaruh fluktuasi ekonomi
jangka panjang seperti yang berhubungan dengan siklus bisnis. Teknik
peramalan yang bisa digunakan untuk pola data ini antara lain yaitu regersi
berganda runtut waktu dan metode Box Jenkins.
 4. Pola data trend
Pola yang menunjukkan kenaikan tau penurunan jangka panjang dalam
data. Teknik peramalan yang bisa digunakan untuk pola data ini antara lain
yaitu double moving average, pemulusan eksponensial dari Brown dan
pemulusan eksponensial dari Holt.
Dibawah ini adalah grafik untuk pola-pola data dalam peramalan

2.6 Metode Pemulusan (Smoothing)

Metode pemulusan adalah suatu metode peramalan dengan mengadakan
penghalusan terhadap masa lalu, yaitu dengan mengambil rata-rata dari nilai
beberapa tahun untuk menaksir nilai beberapa tahun kedepannya. Secara
umum metode pemulusan diklsasifikasikan menjadi dua bagian, yaitu :
a. Metode Rata-rata
Metode rata-rata dibagi atas empat bagian, yaitu :
 Nilai tengah (Mean)
 Rata-rata bergerak tunggal (Singel Moving Average)
 Rata-rata bergerak ganda (Double Moving Average)
 Kombinasi rata-rata bergerak lainnya
 Metode rata-rata bertujuan untuk memanfaatkan data masa lalu untuk
mengembangkan suatu sistem peramalan pada periode mendatang.

b. Metode Pemulusan Eksponensial

Bentuk umum dari metode pemulusan adalah :
𝐹𝑡+1 = 𝛼𝑝 + 𝑋𝑡 + (1 − 𝛼𝑝 )𝐹1
Dimana :
𝐹𝑡+1 = ramalan satu periode kedepan
𝑋𝑡 = data aktual pada periode ke t
𝐹𝑡 = ramalan pada periode t
𝛼𝑝 = parameter pemulusan
Metode pemulusan eksponensial merupakan metode yang menunjukkan
pembobotan menurun secara eksponensial terhadap nilai observasi yang
lebih tua atau dengan kata lain observasi yang baru diberi bobot yang
relative besar dengan nilai observasi yang lebih tua. Metode ini terdiri atas
 Pemulusan Eksponensial Tunggal, terdiri atas :
 Satu parameter (one parameter)
 Pendekatan aditif (ARRES)
Digunakan untuk data yang bersifat stasioner dan tidak
menunjukkan pola atau trend.
 Pemulusan Eksponensial Ganda, terdiri atas :
 Metode satu parameter dari Brown
 Metode dua parameter dari Holt
 Pemulusan Eksponensial Triple, terdiri atas :
 Metode kuadratik satu parameter dari Brown.
Digunakan untuk pola kudratik, kubik atau orde yang lebuh
tinggi.
 Metode kecenderungan dan musiman tiga parameter dari
Winter.
Dapat digunakan untuk data berbentuk trend dan musiman.
 Pemulusan Eksponensial menurut Klasifikasi Pegels
2.7 Metode Pemulusan Yang Digunakan
Pemulusan eksponensial satu peremeter dari Brown merupakan metode
yang lebih disukai untuk data non-stasioner, karena data ini mempunyai satu
perameter (dibanding dua perameter Holt). Dasar pemikiran yang metode ini
sama dengan rata-rata bergerak linier karena kedua nilai pemulusan tunggal
dan ganda ketinggalan dari data sebenarnya. Jika terdapat unsur trend, maka
perbedaan nilai pemulusan tunggal dan ganda dapat ditambahkan kepada
pemulusan ganda dan disesuaikan untuk trend. Persamaan yang dipakai
dalam implementasi pemulusan eksponensial satu parameter dari Brown
ditunjukkan dibawah ini :
Inisialisasi awal : 𝑆𝑡′ = 𝑆𝑡" = 𝑋1
Dimana :
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
𝑎𝑡 = 2𝑆𝑡” − 𝑆𝑡′
𝛼
𝑏𝑡 = 1−𝛼 (𝑆𝑡′ − 𝑆𝑡” )
′
𝑆𝑡′ = 𝛼𝑋𝑡 + (1 − 𝛼)𝑆𝑡−1
"
𝑆𝑡" = 𝛼𝑆𝑡′ + (1 − 𝛼)𝑆𝑡−1
Dengan :
𝑆𝑡′ = nilai pemulusan eksponensial tunggal
𝑆𝑡" = nilai pemulusan eksponensial ganda
𝛼 = parameter pemulusan eksponensial
𝑎𝑡 , 𝑏𝑡 = konstanta pemulusan

Ketepatan ramalan beberapa kriteria yang digunakan untuk menguji antara

lain yaitu :
1. ME (Mean Error) atau Nilai Tengah Kesalahan
𝑁
𝑒𝑡
𝑀𝐸 = ∑
𝑁
𝑡=1

2. MSE (Mean Square Error) atau Nilai Tengah Kesalah Kuadrat

𝑁
𝑒𝑡2
𝑀𝑆𝐸 = ∑
𝑁
𝑡=1
3. MAE (Mean Absolute Error) atau Nilai Tengah Kesalah Absolute
𝑁
|𝑒𝑡 |
𝑀𝐴𝐸 = ∑
𝑁
𝑡=1

4. MAPE (Mean Absolute Persentage Error) atau Nilai Tengah Kesalahan

Persentase Absolute
𝑁
|𝑃𝐸𝑡 |
𝑀𝐴𝑃𝐸 = ∑
𝑁
𝑡=1

5. MPE (Mean Persentage Error) atau Nilai Tengah Kesalahan Persentase

𝑁
𝑃𝐸𝑡
𝑀𝑃𝐸 = ∑
𝑁
𝑡=1

Dimana :
𝑒𝑡 = 𝑋𝑡 𝐹𝑡 (kesalahan pada periode ke t)
𝑋𝑡 = data aktual pada peride ke t
𝑋𝑡 −𝐹𝑡
𝑃𝐸𝑡 = ( ) 100 (kesalahan persentase pada periode ke t)
𝑋𝑡

𝐹𝑡 = nilai ramalan pada peride ke t

𝑁 = banyaknya periode waktu
 BAB III
METODE PENELITIAN

1. Pengambilan data jumlah penduduk dari Badan Pusat Staistik (BPS)

Sumatra Barat.
2. Menguji nilai parameter-parameter pemulusan dengan cara trial and error.
3. Perbandingan nilai Mean Squared Error (MSE) dan Sum Squared Error
(SSE) yang terkecil dari parameter-parameter pemulusan yang diberikan
dengan formula :
𝑁
𝑒𝑡2
𝑀𝑆𝐸 = ∑
𝑁
𝑡=1
𝑁

𝑆𝑆𝐸 = ∑ 𝑒𝑡2
𝑡=1

4. Perhitungan peramalan jumlah penduduk dengan eksponensial ganda

Brown memakai nilai MSE dan SSE yang terkecil.
5. Penarikan kesimpulan.
 BAB IV
HASIL DAN PEMBAHASAN

Berdasarkan pengambilan data jumlah penduduk dari Badan Pusat

Statistik (BPS) Sumatra Barat, diperoleh data sebagai berikut :

No Tahun Laki-laki Perempuan

1 1999 2.214.703 2.239.287
2 2000 2.217.446 2.245.270
3 2001 2.219.291 2.248.217
4 2002 2.220.494 2.250.381
5 2003 2.222.740 2.252.301
6 2004 2.257.121 2.270.201
7 2005 2.300.899 2.314.224
8 2006 2.327.008 2.357.952
9 2007 2.340.525 2.373.909
10 2008 2.378.294 2.406.741
11 2009 2.414.876 2.443.250
12 2010 2.431.536 2.463.881
13 2011 2.443.311 2.496.635
14 2012 2.466.224 2.518.251
15 2013 2.436.776 2.492.607
16 2014 2.459.416 2.516.060

Dengan grafik sebagai berikut :

2,600,000
2,500,000
Jumlah penduduk

2,400,000
2,300,000
Laki-laki
2,200,000
2,100,000 Perempuan

2,000,000
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014

Tahun

Grafik diatas merupakan bentuk data trend, sehingga peramalan dapat dilakukan
dengan menggunakan metode pemulusan eksponensial satu peremeter dari
Brown.
4.1 Jenis Kelamin Laki-Laki
Dengan menggunakan persamaan :
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
𝑎𝑡 = 2𝑆𝑡” − 𝑆𝑡′
𝛼
𝑏𝑡 = 1−𝛼 (𝑆𝑡′ − 𝑆𝑡” )
′
𝑆𝑡′ = 𝛼𝑋𝑡 + (1 − 𝛼)𝑆𝑡−1
"
𝑆𝑡" = 𝛼𝑆𝑡′ + (1 − 𝛼)𝑆𝑡−1
Maka data diatas dapat diolah dengan nilai parameter pemulusan  = 0.1;  =
0.5;  = 0.95 sebagai berikut :

Tabel data perhitungan peramalan jumlah penduduk berjenis kelamin laki-

laki dengan  = 0.1

No Tahun Xt S't S"t a b Ft

1 1999 2214703 2214703 2214703 0 0 0
2 2000 2217446 2214977,3 2214730,4 2214483,56 27,4293 0
3 2001 2219291 2215408,67 2214798,3 2214187,84 67,8116 2215251,94
4 2002 2220494 2215917,203 2214910,1 2213903,09 111,879035 2216087,11
5 2003 2222740 2216599,483 2215079,1 2213558,68 168,920867 2217036,27
6 2004 2257121 2220651,634 2215636,3 2210621,04 557,2405423 2218288,98
7 2005 2300899 2228676,371 2216940,3 2205204,3 554,8887548 2226224,3
8 2006 2327008 2238509,534 2219097,3 2199684,98 2156,899594 2241716,5
9 2007 2340525 2248711,081 2222058,6 2195406,19 2961,360523 2260078,71
10 2008 2378294 2261666,937 2226019,5 2190372 3961,052271 2278324,83
11 2009 2414876 2276990,035 2231116,5 2185243,01 5097,016565 2301280,02
12 2010 2431536 2292444,632 2237249,3 2182054,04 6132,768976 2327960,36
13 2011 2443311 2307531,269 2244277,5 2181023,79 7028,159241 2353772,42
14 2012 2466224 2323400,542 2252189,8 2180979,12 7912,268763 2377813
15 2013 2436776 2334738,088 2260444,7 2186151,22 8254,796287 2402523,35
16 2014 2459416 2347205,879 2269120,8 2191035,68 8676,094619 2417286,17

Tabel galat peramalan jumlah pendudukberjenis kelamin laki-laki dengan

 = 0.1

No Tahun et et*et
1 1999 0 0
2 2000 0 0
3 2001 1.719 2953585,96
4 2002 1.875 3516412,544
5 2003 2.427 5891843,545
 6 2004 16.524 273050557,2
7 2005 31.777 1009746714
8 2006 36.294 1317260675
9 2007 34.232 1171855841
10 2008 42.540 1809657929
11 2009 48.339 2336649843
12 2010 44.075 1942567784
13 2011 38.102 1451740561
14 2012 37.622 1415390938
15 2013 14.576 212449262,4
16 2014 17.928 321398433

Dengan menggunakan perhitungan yang sama maka akan dapat diperoleh

perhitungan peramalan jumlah penduduk berjenis kelamin laki-laki dengan  =
0.5 dan  = 0.95. Dengan demikian, perbandingan nilai MSE dan SSE dari
masing-masing parameter pemulusan dapat dilihat dari perhitungan berikut
1. Untuk  = 0.1

1
𝑀𝑆𝐸 = ((944.379 − 942.660, 4)2 + (944.891 − 943.015, 7)2 + ⋯
14
+ (1.046.560 − 1.028.632, 4)2 ) = 948.152.169,9
𝑆𝑆𝐸 = ((944.379 − 942.660, 4)2 + (944.891 − 943.015, 7)2 + ⋯
+ (1.046.560 − 1.028.632, 4)2 ) = 13.274.130.379

2. Untuk  = 0.5
1
𝑀𝑆𝐸 = ((944.379 − 943.594)2 + (944.891 − 944.670, 7)2
14
+ ⋯ + (1.046.560 − 1.046.148, 1)2 ) = 86.802.927,77

𝑆𝑆𝐸 = (944.379 − 943.594)2 + (944.891 − 944.670, 7)2 + ⋯

+ (1.046.560 − 1.046.148, 1)2 = 1.215.240.989

3. Untuk  = 0.95
1
𝑀𝑆𝐸 = ((944.379 − 944.644, 3)2 + (944.891 − 945.193, 4)2
14
+ ⋯ + (1.046.560 − 1.026.588, 9)2 ) = 98.111.895,2

𝑆𝑆𝐸 = (944.379 − 944.644, 3)2 + (944.891 − 945.193, 4)2 + ⋯

+ (1.046.560 − 1.026.588, 9)2 = 1.373.566.533

Berdasarkan nilai MSE dan SSE dari masing-masing parameter

pemulusan, yaitu  = 0.1;  = 0.5 dan  = 0.95 yang digunakan adalah
 nilai MSE dan SSE terkecil, yang untuk kasus ini pada  = 0.5, maka
peramalan untuk jumlah penduduk Sumatra Barat yang berjenis kelamin
laki-laki untuk tahun 2015, 2016 dan 2017 dapat dilakukan sebagai
berikut:
a. Untuk periode ke 𝑚 = 1
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
𝐹17 = 𝑎16 + 𝑏16 (1)
𝐹17 = 2459174,028 + 8867,5652(1)
𝐹17 = 2468041,5932

Dari perhitungan tersebut, diperoleh hasil peramalan jumlah penduduk

Sumatra Barat yang berjenis kelamin laki-laki pada tahun 2015 adalah
2.468.041 orang.

b. Untuk periode ke 𝑚 = 2
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
𝐹18 = 𝑎16 + 𝑏16 (2)
𝐹18 = 2459174,028 + 8867,5652(2)
𝐹18 = 2476909,1584

Dari perhitungan tersebut, diperoleh hasil peramalan jumlah penduduk

Sumatra Barat yang berjenis kelamin laki-laki pada tahun 2016 adalah
2.476.909 orang.

c. Untuk periode ke 𝑚 = 3
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
𝐹19 = 𝑎16 + 𝑏16 (3)
𝐹19 = 2459174,028 + 8867,5652(3)
𝐹19 = 2485776,7236

Dari perhitungan tersebut, diperoleh hasil peramalan jumlah penduduk

Sumatra Barat yang berjenis kelamin laki-laki pada tahun 2017 adalah
2.485.776 orang.

4.2 Jenis Kelamin Perempuan

Dengan menggunakan persamaan :

𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
𝑎𝑡 = 2𝑆𝑡” − 𝑆𝑡′
𝛼
𝑏𝑡 = 1−𝛼 (𝑆𝑡′ − 𝑆𝑡” )
′
𝑆𝑡′ = 𝛼𝑋𝑡 + (1 − 𝛼)𝑆𝑡−1
"
𝑆𝑡" = 𝛼𝑆𝑡′ + (1 − 𝛼)𝑆𝑡−1
 Maka data diatas dapat diolah dengan nilai parameter pemulusan  = 0.1;  =
0.5;  = 0.95 sebagai berikut :

Tabel data perhitungan peramalan jumlah penduduk berjenis kelamin

perempuan dengan  = 0.1

No Tahun Xt S't S"t a b Ft

1 1999 2239287 2239287 2239287 0 0 0
2 2000 2245270 2239885 2239347 2240424 59,831 0
3 2001 2248217 2240718 2239484 2241953 137,1648 2240483
4 2002 2250381 2241685 2239704 2243665 220,077 2242090
5 2003 2252301 2242746 2240008 2245484 304,2347 2243885
6 2004 2270201 2245492 2240556 2250427 548,3595 2245789
7 2005 2314224 2252365 2241737 2262992 1180,843 2250975
8 2006 2357952 2262924 2243856 2281991 2118,633 2264173
9 2007 2373909 2274022 2246873 2301172 3016,623 2284110
10 2008 2406741 2287294 2250915 2323673 4042,146 2304188
11 2009 2443250 2302890 2256112 2349667 5197,495 2327715
12 2010 2463881 2318989 2262400 2375578 6287,659 2354865
13 2011 2496635 2336753 2269835 2403672 7435,358 2381865
14 2012 2518251 2354903 2278342 2431464 8506,794 2411107
15 2013 2492607 2368674 2287375 2449972 9033,157 2439971
16 2014 2516060 2383412 2296979 2469846 9603,709 2459005

Tabel galat peramalan jumlah pendudukberjenis kelamin perempuan dengan  =

0.1
No Tahun et et*et
1 1999 0 0
2 2000 0 0
3 2001 3.291 10829364,64
4 2002 3.528 12448054,11
5 2003 3.581 12824821,54
6 2004 10.388 107916589,9
7 2005 26.914 724372613,5
8 2006 39.906 1592488239
9 2007 38.212 1460180470
10 2008 43.639 1904388519
11 2009 49.164 2417076373
12 2010 46.390 2152027885
13 2011 48.838 2385176007
14 2012 45.593 2078722703
15 2013 22.398 501689539,7
16 2014 24.279 589461563,8
Dengan menggunakan perhitungan yang sama maka akan dapat diperoleh
perhitungan peramalan jumlah penduduk berjenis kelamin perempuan dengan  =
0.5 dan  = 0.95. Dengan demikian, perbandingan nilai MSE dan SSE dari
masing-masing parameter pemulusan dapat dilihat dari perhitungan berikut
1. Untuk  = 0.1
1
𝑀𝑆𝐸 = ((956.688 − 953.397, 2)2 + (957.609 − 954.080, 8)2 + ⋯
14
+ (1.070.664 − 1.046.385, 2)2 ) = 1.139.257.339
𝑆𝑆𝐸 = (956.688 − 953.397, 2)2 + (957.609 − 954.080, 8)2 + ⋯
+ (1.070.664 − 1.046.385, 2)2 = 15.949.602.743
2. Untuk  = 0.5
1
𝑀𝑆𝐸 = ((956.688 − 955.434)2 + (957.609 − 957.324, 5)2 + ⋯
14
+ (1.070.664 − 1.072.344, 6)2 ) = 86.323.256,53
𝑆𝑆𝐸 = (956.688 − 955.434)2 + (957.609 − 957.324, 5)2 + ⋯
+ (1.070.664 − 1.072.344, 6)2 = 1.208.525.591

3. Untuk  = 0.95

1
𝑀𝑆𝐸 = ((956.688 − 957.725, 4)2 + (957.609 − 958.052, 1)2 + ⋯
14
+ (1.070.664 − 1.0451.816, 2)2 ) = 97.518.012,7
𝑆𝑆𝐸 = (956.688 − 957.725, 4)2 + (957.609 − 958.052, 1)2 + ⋯
+ (1.070.664 − 1.0451.816, 2)2 = 1.225.252,2

Berdasarkan nilai MSE dan SSE dari masing-masing parameter

pemulusan, yaitu  = 0.1;  = 0.5 dan  = 0.95 yang digunakan adalah
nilai MSE dan SSE terkecil, yang untuk kasus ini pada  = 0.5, maka
peramalan untuk jumlah penduduk Sumatra Barat yang berjenis kelamin
perempuan untuk tahun 2015, 2016 dan 2017 dapat dilakukan sebagai
berikut:
a. Untuk periode ke 𝑚 = 1
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
𝐹17 = 𝑎16 + 𝑏16 (1)
𝐹17 = 2469846 + 9603,709(1)
𝐹17 = 2479449,709
 Dari perhitungan tersebut, diperoleh hasil peramalan jumlah penduduk
Sumatra Barat yang berjenis kelamin perempuan pada tahun 2015 adalah
2.479.449 orang.

b. Untuk periode ke 𝑚 = 2
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
𝐹18 = 𝑎16 + 𝑏16 (2)
𝐹18 = 2469846 + 9603,709(2)
𝐹18 = 2489053,418

Dari perhitungan tersebut, diperoleh hasil peramalan jumlah penduduk

Sumatra Barat yang berjenis kelamin perempuan pada tahun 2016 adalah
2.489.053 orang.

c. Untuk periode ke 𝑚 = 3
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
𝐹19 = 𝑎16 + 𝑏16 (3)
𝐹19 = 2469846 + 9603,709(3)
𝐹19 = 2498657,127

Dari perhitungan tersebut, diperoleh hasil peramalan jumlah penduduk

Sumatra Barat yang berjenis kelamin perempuan pada tahun 2017 adalah
2.498.657 orang.
 BAB V
KESIMPULAN

Berdasarkan hasil perhitungan yang dilakukan dalam peramalan jumlah penduduk

Sumatra Barat berdasarkan jenis kelamin, diambil kesimpulan sebagai berikut:
1. Diperlukan data statistik yang lengkap dan akurat dalam upaya
pengotimalan peramalan jumlah penduduk.
2. Pola data yang diperoleh dari data-data tahun sebelumnya menjunjukkan
bahwa terdapat peningkatan yang konstan pada jumlah penduduk di
Sumatra Barat.
3. Nilai ramalan banyaknya penduduk Sumatra Barat berjenis kelamin laki-
laki pada tahun 2015 adalah 2.468.041 orang, pada tahun 2016 sebanyak
2.476.909 orang, dan pada tahun 2017 sebanyak 2.485.776 orang.
Sedangkan penduduk berjenis kelamin perempuan, pada tahun 2015
sebanyak 2.479.449 orang, pada tahun 2016 sebanyak 2.489.053 orang dan
pada tahun 2017 sebanyak 2.498.657 orang.
 DAFTAR PUSTAKA

Makridakis, Sypros.1993. Metode dan Aplikasi Peramalan Edisi ke-2. Jakarta :

Erlangga.

Noeryanti. 2012. Prosiding Seminar Nasional Aplikasi Sains & Teknologi

(SNAST) Periode III Yogyakarta ”Aplikasi Pemulusan Eksponensial Dari
Brown Dan Dari Holt Untuk Data Yang Memuat Trend”. Institut Sains &
Teknologi AKPRIND Yogyakarta.

Yulitasari, Astri. 2011. Perbandingan Metode Pemulusan Eksponensial Ganda

Holt Dengan Metode Pemulusan Eksponensial Ganda Brown. Universitas
Negeri Semarang.