M. LUTHFI ABDURAHMAN
H1011181009
Puji syukur dipanjatkan kepada Tuhan yang Maha Esa, atas rahmat dan
hidayah-Nya, penulis telah menyusun Laporan Kerja Praktik (KP) selama hari
kerja dimulai dari 12 Juli 2021 sampai dengan 13 Agustus 2021 di Bawaslu Kota
Pontianak dengan judul “Pengoptimalan Pengawasan TPS Di Kota Pontianak
Dengan Algoritma Dijkstra”. Keberlangsungan Kerja Praktik (KP) dibantu dan
didukung oleh berbagai pihak secara langsung atau tidak. Dengan demikian,
penulis mengucapkan terima kasih kepada:
1. Tuhan yang Maha Esa yang senantiasa memberi kesehatan dan kemudahan
dalam penyusunan laporan ini.
2. Kedua orangtua yang mendukung dan memberi motivasi.
3. Bapak Fransiskus Fran, S.Si., M.Si. sebagai dosen pembimbing KP yang
telah membimbing penulis dalam menyusun laporan ini.
4. Bapak Irwan Malik Radja, S.T., M.T. sebagai pembimbing selama KP di
Bawaslu Kota Pontianak.
5. Seluruh karyawan Bawaslu Kota Pontianak yang telah membantu dan
memberi ilmu serta bekerjasama dengan baik selama pelaksanaan KP.
6. Semua pihak yang berkontribusi dalam penulisan laporan ini yang tidak
dapat disebutkan satu persatu.
i
Penulis
DAFTAR ISI
DAFTAR GAMBAR...........................................................................................iv
DAFTAR TABEL................................................................................................v
DAFTAR LAMPIRAN.......................................................................................vi
BAB I PENDAHULUAN....................................................................................1
ii
2.2 Visi, Misi, dan Budaya Bank Mandiri Taspen ......................................6
BAB IV PEMBAHASAN....................................................................................15
iii
4.3.1 Peramalan Pencapaian Kredit Mantap Pra-pensiun....................17
BABV PENUTUP................................................................................................20
5.1 Kesimpulan............................................................................................20
5.2 Saran.......................................................................................................20
DAFTAR PUSTAKA..........................................................................................21
iv
DAFTAR GAMBAR
v
DAFTAR TABEL
vi
DAFTAR LAMPIRAN
vii
BAB I
PENDAHULUAN
1
PT. Bank Mandiri Taspen adalah Bank yang mengelolah dana pensiun yang
umurnya masih muda yaitu baru 4 tahun berjalan untuk itu dibutuhkan beberapa
strategi komunikasi pemasaran. Salah satunya kredit mantap pra-pensiun. Kredit
pra-pensiun merupakan salah satu fasilitas kredit yang diberikan PT. Bank
Mandiri Taspen kepada nasabah yang masih berstatus aktif atau belum pensiun
dengan syarat minimal 3 tahun menjelang pensiun.
2
Penulis membatasi masalah pada laporan agar lebih spesifik, yaitu
digunakan data lokasi TPS yang ada di Kelurahan Bansir Darat pada tahun 2019
menggunakan metode Algoritma Dijkstra.
Manfaat yang didapat untuk pembaca dari penulisan laporan ini adalah:
3
time series, langkah selanjutnya yaitu menentukan metode peramalan yang sesuai
dengan pola data tersebut. Setelah menentukan metode peramalan yang sesuai
selanjutnya melakukan peramalan data dengan metode yang telah ditentukan.
Kemudian, menentukan hasil peramalan yang telah ditentukan ordenya. Langkah
terakhir yaitu mencari nilai Mean Absolute Percentage Error (MAPE) terkecil
untuk melihat keakuratan peramalan yang telah dilakukan. Berikut adalah alur
penelitian yang disajikan pada Gambar 1.1
Mulai
Selesai
4
Gambar 1.1 Flowchart Penentuan Rute Terpendek Menggunakan Algoritma
Dijkstra
BAB II
PROFIL PERUSAHAAN
5
Kantor pusat PT. Bank Mandiri Taspen berada di Jakarta dan memiliki
banyak kantor cabang. Salah satunya adalah PT. Bank Mandiri Tapen KC
Pontianak yang pertama kali didirikan di Kalimantan Barat pada tanggal 29
Agustus 2016. Dengan nama awal adalah Bank Mandiri Taspen Pos di jalan
Sultan Abdurahman No. 68 di tahun 2016, kemudian pindah ke jalan Ahmad Yani
No. 61I-61L ditahun 2020.
6
Diharapkan memegang teguh kepercayaan yang diberikan,
memenuhi janji dan komitmen, bertanggungjawab atas tugas
keputusan dan tindakan yang dilakukan dan berpegang teguh kepada
nilai moral dan etika.
2. Kompeten
3. Harmonis
4. Loyal
7
Berdedikasi dan mengutamakan kepentingan bangsa dan negara,
menjaga nama baik sesame karyawan, rela berkorban untuk mencapai
tujuan yang lebih besar, dan patuh kepada pemimpin sepanjang tidak
bertentangan dengan hukum dan etika.
5. Adaptif
6. Kolaboratif
8
merupakan struktur organisasi di PT. Bank Mandiri Taspen KC Pontianak.
Struktur organisasi dapat dilihat pada gambar 2.2.
9
BAB III
LANDASAN TEORI
10
yang relative lama. Sedangkan peramalan adalah bentuk kegiatannya. Peramalan
merupakan suatu dugaan terhadap permintaan yang akan datang berdasarkan pada
beberapa variabel peramalan, sering berdasarkan data deret waktu historis atau
menggunakan data historis (data masa lalu) yang telah dimiliki untuk
diproyeksikan kedalam sebuah model, dan menggunakan model ini untuk
memperkirakan di masa mendatang. Hal ini dapat dilakukan dengan melibatkan
pengambilan data historis dan memproyeksikan ke masa mendatang dengan suatu
bentuk model matematis (kuantitatif), atau biasa juga merupakan prodiksi intuisi
yang bersifat subjektif (kualitatif). Sedangkan ramalan adalah suatu situasi atau
kondisi yang akan diperkirakan terjadi pada masa yang akan datang.
2. Peramalan diperlukan karena adanya time lag atau delay antara saat
suatu kebijakan perusahaan ditetapkan dengan saat implementasi.
11
3. Peramalan merupakan dasar penyusutan bisnis pada suatu
perusahaan sehingga dapat meningkatkan efektivitas suatu rencana
bisnis.
12
perencanaan pembelian material, penjadwalan kerja dan penugasan
karyawan.
Menurut Taylor III (2005) terdapat beberapa pola atau kecenderungan. Pola-
pola data tersebut adalah:
13
2. Pola Data Musiman (S)
14
Gambar 3.3 Pola Data Trend
15
dengan menggunakan data-data pada masa lalu kemudian mencari nilai rata-
rata tersebut sebagai ramalan untuk periode yang akan datang. Metode single
moving average memiliki karater khusus yaitu memerlukan data historis
dengan jangka waktu tertentu dan semakin pajang waktunya maka moving
average yang akan dihasilkan akan semakin halus. Moving average untuk
menaksir arah dari rangkaian waktu merupakan metode yang sangat simpel
dan sederhana. Metode Single Moving Average dapat dihitung dengan
menggunakan persamaan 3.1 sebagai berikut:
K t + K t −1+ … K t−n+1
F t+1= ................................................(3.1)
n
Keterangan:
F t+1 = Forecast untuk periode ke t+1
Kt = Data pada periode t
n = Jangka waktu moving average
16
Nilai MAD dapat dihitung dengan menggunakan persamaan 3.3 dan
MSE menggunakan persamaan 3.4 sebagai berikut:
MAD =
∑ ¿ Kt−Ft ∨¿ ¿ ..............................................
n
(3.3)
Keterangan:
Kt = Nilai penjualan periode ke t
Ft = Ramalan periode ke t
n = Banyak data yang diramalkan
(3.4)
17
n
1
MAPE = ∑ ¿ Kt −Ft∨ Kt¿ x 100 % ¿.....................................(3.5)
n i=1
Keterangan:
Kt = Nilai penjualan periode ke t
Ft = Ramalan periode ke t
n = Banyak data yang diramalkan
Kriteria ketepatan peramalan menggunakan MAPE dapat dilihat pada tabel 3.1
BAB IV
PEMBAHASAN
18
Tahun Bulan K(t)
Jan 3.552.300.000
Feb 5.823.750.000
Mar 4.719.400.000
Apr 6.833.000.000
Data nominal Mei 5.291.600.000 laporan permintaan
2017 Jun 5.834.500.000
kredit mantap pra- pensiun yang
Jul 6.894.600.000
diberikan pada tabel Agu 4.844.650.000 4.1 merupakan data
deret waktu. Tahap Sep 4.020.500.000 proses uji dan
Okt 6.586.400.000
peramalan data Nov 5.926.500.000
dimulai dengan
melakukan analisis Des 7.621.300.000 deskripsi statistik
untuk data yang ⋮ ⋮ ⋮ digunakan. Output
2020 Des 6.255.000.000
statistik deskriptif dari data yang
digunakan dalam penelitian ini dapat
dilihat pada Tabel 4.2
Tabel 4.2 Output Deskriptif Statistik Data Pencapaian Kredit Mantap Pra-pensiun
N Min Max Mean Std. Deviation
Nominal 48 3.552.300.000 8.598.000.000 5.840.444.792 1.181.008.768,96
Berdasarkan Tabel 4.2 didapat output statistik deskriptif diperoleh data dari
bulan Januari 2017 sampai dengan bulan Desember 2020 sebanyak 48 data
dengan nilai minimum sebesar Rp3.552.300.000, nilai maksimum sebesar
Rp8.598.000.000, nilai rata-rata sebesar Rp5.840.444.792, dan standar deviasi
sebesar 1.181.008.768,96. Data tersebut yang akan diramalkan menggunakan
metode Single Moving Average.
19
Data Aktual
10,000,000,000
9,000,000,000
8,000,000,000
7,000,000,000
6,000,000,000
5,000,000,000
4,000,000,000
3,000,000,000
2,000,000,000
1,000,000,000
0
Berdasarkan grafik pada gambar 4.1 data pencapaian kredit mantap pra-
pensiun memiliki pola data siklis. Maka metode yang di pilih adalah metode
Single Moving Average.
20
F2 = Ditentukan sebesar nilai aktual yang pertama pada data nominal target
output permintaan kredit mantap pra-pensiun yaitu 0.
21
Perhitungan secara lengkap pada peramalan Pencapaian Kredit Mantap Pra-
pensiun menggunakan metode Single Moving Average dengan 3 orde diberikan
pada tabel 4.3. Setelah semua ditemukan hasilnya, diperoleh nilai MAPE yaitu
sebesar 18,7%.
22
Gambar 4.2 Perbandingan Plot Data Aktual dan Hasil Peramalan
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan analisis dan pembahasan Bab IV dengan metode Single
Moving Average pada data Pencapaian Kredit Mantap Pra-pensiun dapat
disimpulkan Peramalan Pencapaian Kredit Mantap Pra-pensiun dari periode
Januari 2021 sampai Maret 2021 berturut-turut sebesar Rp6.567.000.000,
Rp7.426.500.000, dan Rp6.255.000.000. Dengan nilai Mean Absolut Percentage
Error (MAPE) sebesar 18,7%. Hal ini berarti peramalan masuk dalam kategori
baik.
5.2 Saran
23
Harapannya hasil analisa pengawasan menggunakan Algoritma Dijkstra
untuk data TPS di Kelurahan Bansir Darat tahun 2019 dapat djiadikan sebagai
evaluasi dan referensi dalam menentukan keputusan bagi Bawaslu Kota
Pontianak. Bagi perguruan tinggi, diharapkan dapat meningkatkan referensi
tulisan untuk mempermudah penulis ke depannya. Untuk para pembaca, dapat
dijadikan sebagai referensi bacaan yang baik dan benar. Bagi penulis yang ingin
mengembangkan analisa lebih lanjut, diharapkan dapat menggunakan metode
yang lebih unggul dan akurat.
DAFTAR PUSTAKA
24
Makridakis, Spyros, dan Whellright, Steven c. 1993. Metode dan Aplikasi
Peramalan Edisi ke II. Jakarta: Erlangga.
PT. Bank Mandiri Taspen, Gambaran Umum PT. Bank Mandiri Taspen,
https://www.bankmantap.co.id/article/60-Sekilas-perusahaan, Diakses pada
24 Februari 2021
PT. Bank Mandiri Taspen, Struktur Organisasi PT. Bank Mandiri Taspen,
https://www.bankmantap.co.id/article/61-Struktur-organisasi, Diakses pada
1 April 2021
PT. Bank Mandiri Taspen, Nilai Budaya PT. Bank Mandiri Taspen,
https://www.bankmantap.co.id/article/62-Budaya-kerja, Diakses pada 3
April 2021
Russell, R. S., & Taylor III, B. W. 2005. Operations Management. New Jersey:
Prentice-Hall International.
Sulistiono, Eko dan Siti Mujilahwati. 2016. Sistem Prediksi Penjualan dengan
Single Moving Average pada Distro Mega Busana I. Lamongan: Universitas
Islam Lamongan.
LAMPIRAN
25
Jan 3.552.300.000
Feb 5.823.750.000
Mar 4.719.400.000
Apr 6.833.000.000
Mei 5.291.650.000
Jun 5.834.500.000
Jul 6.894.600.000
2017 Agu 4.844.650.000
Sep 4.020.500.000
Okt 6.586.400.000
Nov 5.926.500.000
Des 7.621.300.000
Jan 5.384.700.000
Feb 6.174.100.000
Mar 8.556.000.000
Apr 6.696.600.000
Mei 5.251.400.000
Jun 7.161.500.000
Jul 5.882.700.000
2018 Agu 4.531.500.000
Sep 5.907.000.000
Okt 6.991.900.000
Nov 5.499.900.000
Des 6.581.000.000
Jan 7.001.700.000
Feb 5.275.100.000
Mar 5.673.000.000
Apr 3.859.700.000
Mei 7.729.300.000
Jun 5.450.000.000
Jul 4.932.900.000
2019 Agu 5.247.500.000
Sep 4.151.900.000
Okt 5.621.500.000
Nov 6.298.300.000
Des 5.094.800.000
Jan 5.915.000.000
Feb 4.028.800.000
Mar 5.161.500.000
Apr 5.537.400.000
Mei 7.819.500.000
Jun 6.544.700.000
26
2020 Jul 4.515.900.000
Agu 5.298.000.000
Sep 6.916.000.000
Okt 4.849.000.000
Nov 8.598.000.000
Des 6.255.000.000
27
Mei 5.291.650.000 5.792.050.000 5.792.050.000 500.400.000 0,0945641
Jun 5.834.500.000 5.614.683.333 5.614.683.333 219.816.667 0,0376753
Jul 6.894.600.000 5.986.383.333 5.986.383.333 908.216.667 0,1317287
Agu 4.844.650.000 6.006.916.667 6.006.916.667 1.162.266.667 0,2399073
Sep 4.020.500.000 5.857.916.667 5.857.916.667 1.837.416.667 0,4570120
Okt 6.586.400.000 5.253.250.000 5.253.250.000 1.333.150.000 0,2024095
Nov 5.926.500.000 5.150.516.667 5.150.516.667 775.983.333 0,1309345
Des 7.621.300.000 5.511.133.333 5.511.133.333 2.110.166.667 0,2768775
2018 Jan 5.384.700.000 6.711.400.000 6.711.400.000 1.326.700.000 0,2463833
Feb 6.174.100.000 6.310.833.333 6.310.833.333 136.733.333 0,0221463
Mar 8.556.000.000 6.393.366.667 6.393.366.667 2.162.633.333 0,2527622
Apr 6.696.600.000 6.704.933.333 6.704.933.333 8.333.333 0,0012444
Mei 5.251.400.000 7.142.233.333 7.142.233.333 1.890.833.333 0,3600627
Jun 7.161.500.000 6.834.666.667 6.834.666.667 326.833.333 0,0456376
Jul 5.882.700.000 6.369.833.333 6.369.833.333 487.133.333 0,0828078
Agu 4.531.500.000 6.098.533.333 6.098.533.333 1.567.033.333 0,3458090
Sep 5.907.000.000 5.858.566.667 5.858.566.667 48.433.333 0,0081993
Okt 6.991.900.000 5.440.400.000 5.440.400.000 1.551.500.000 0,2218996
Nov 5.499.900.000 5.810.133.333 5.810.133.333 310.233.333 0,0564071
Des 6.581.000.000 6.132.933.333 6.132.933.333 448.066.667 0,0680849
2019 Jan 7.001.700.000 6.357.600.000 6.357.600.000 644.100.000 0,0919919
Feb 5.275.100.000 6.360.866.667 6.360.866.667 1.085.766.667 0,2058286
Mar 5.673.000.000 6.285.933.333 6.285.933.333 612.933.333 0,1080440
Apr 3.859.700.000 5.983.266.667 5.983.266.667 2.123.566.667 0,5501896
Mei 7.729.300.000 4.935.933.333 4.935.933.333 2.793.366.667 0,3613997
Jun 5.450.000.000 5.754.000.000 5.754.000.000 304.000.000 0,0557798
Jul 4.932.900.000 5.679.666.667 5.679.666.667 746.766.667 0,1513849
Agu 5.247.500.000 6.037.400.000 6.037.400.000 789.900.000 0,1505288
Sep 4.151.900.000 5.210.133.333 5.210.133.333 1.058.233.333 0,2548793
Okt 5.621.500.000 4.777.433.333 4.777.433.333 844.066.667 0,1501497
Nov 6.298.300.000 5.006.966.667 5.006.966.667 1.291.333.333 0,2050289
Des 5.094.800.000 5.357.233.333 5.357.233.333 262.433.333 0,0515100
2020 Jan 5.915.000.000 5.671.533.333 5.671.533.333 243.466.667 0,0411609
Feb 4.028.800.000 5.769.366.667 5.769.366.667 1.740.566.667 0,4320310
Mar 5.161.500.000 5.012.866.667 5.012.866.667 148.633.333 0,0287965
Apr 5.537.400.000 5.035.100.000 5.035.100.000 502.300.000 0,0907104
Mei 7.819.500.000 4.909.233.333 4.909.233.333 2.910.266.667 0,3721807
Jun 6.544.700.000 6.172.800.000 6.172.800.000 371.900.000 0,0568246
Jul 4.515.900.000 6.633.866.667 6.633.866.667 2.117.966.667 0,4690021
Agu 5.298.000.000 6.293.366.667 6.293.366.667 995.366.667 0,1878759
Sep 6.916.000.000 5.452.866.667 5.452.866.667 1.463.133.333 0,2115577
Okt 4.849.000.000 5.576.633.333 5.576.633.333 727.633.333 0,1500584
28
Nov 8.598.000.000 5.687.666.667 5.687.666.667 2.910.333.333 0,3384896
Des 6.255.000.000 6.787.666.667 6.787.666.667 532.666.667 0,0851585
29