PENGOPTIMALAN PENGAWASAN TPS DI KOTA PONTIANAK

DENGAN ALGORITMA DIJKSTRA

(Studi kasus: Kelurahan Bansir Darat, Kec. Pontianak Selatan)

LAPORAN KERJA PRAKTIK

M. LUTHFI ABDURAHMAN
H1011181009

PROGRAM STUDI MATEMATIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS TANJUNGPURA
PONTIANAK
2021
 KATA PENGANTAR

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.

Penulis menyadari bahwa masih terdapat kekurangan dalam penyusunan

laporan. Kritik dan saran yang sifatnya membangun dibutuhkan untuk perbaikan
laporan. Semoga laporan ini dapat bermanfaat bagi pembaca, khususnya
mahasiswa/i bidang matematika.
Pontianak, 07 November 2021

i
 Penulis

DAFTAR ISI

KATA PENGANTAR ........................................................................................i

DAFTAR ISI ......................................................................................................ii

DAFTAR GAMBAR...........................................................................................iv

DAFTAR TABEL................................................................................................v

DAFTAR LAMPIRAN.......................................................................................vi

BAB I PENDAHULUAN....................................................................................1

1.1 Latar Belakang......................................................................................1

1.2 Rumusan Masalah.................................................................................2
1.3 Tujuan Penelitian..................................................................................2
1.4 Batasan Masalah...................................................................................2
1.5 Manfaat Penelitian................................................................................3
1.6 Metode Penelitian.................................................................................3

BAB II PROFIL PERUSAHAAN......................................................................5

2.1 Sejarah PT. Bank Mandiri Taspen KC Pontianak .................................5

ii
 2.2 Visi, Misi, dan Budaya Bank Mandiri Taspen ......................................6

2.2.1 Visi Perusahaan............................................................................6

2.2.2 Misi Perusahaan...........................................................................6
2.2.3 Budaya Perusahaan......................................................................6
2.3 Struktur Organisasi................................................................................7

BAB III LANDASAN TEORI............................................................................9

3.1 Peramalan (Forecasting)........................................................................9

3.1.1 Tujuan Peramalan (Forecasting)..................................................9

3.1.2 Jenis-jenis Peramalan (Forecasting) ............................................10

3.2 Pola Data................................................................................................10

3.3 Metode Single Moving Average.............................................................12

3.4 Menghitung Forecast Error...................................................................13

3.5 The Mean Absolute Percentage Error (MAPE)....................................14

BAB IV PEMBAHASAN....................................................................................15

4.1 Statistik Deskriptif.................................................................................15

4.2 Penentuan Jenis Pola..............................................................................16

4.3 Analisis Menggunakan Metode Single Moving Avarage.......................17

iii
 4.3.1 Peramalan Pencapaian Kredit Mantap Pra-pensiun....................17

4.4 Hasil Peramalan.....................................................................................18

BABV PENUTUP................................................................................................20

5.1 Kesimpulan............................................................................................20

5.2 Saran.......................................................................................................20

DAFTAR PUSTAKA..........................................................................................21

iv
 DAFTAR GAMBAR

Gambar 1.1 Flowchart Peramalan Pencapaian Kredit Mantap Pra-pensiun........4

Gambar 2.1 Perubahan Nama PT. Bank Mandiri Taspen.....................................5

Gambar 2.2 Struktur Organisasi Bank Mandiri Taspen KC Pontianak.................8

Gambar 3.1 Pola Data Horizontal.........................................................................11

Gambar 3.2 Pola Data Musiman...........................................................................11

Gambar 3.3 Pola Data Trend.................................................................................12

Gambar 3.4 Pola Data Siklis.................................................................................12

Gambar 4.1 Grafik Data Pencapaian Kredit Mantap Pra-pensiun........................16

Gambar 4.2 Perbandingan Plot Data Aktual dan Hasil Peramalan.......................19

v
 DAFTAR TABEL

Tabel 3.1 Kriteria Menentukan Peramalan Menggunakan MAPE........................14

Tabel 4.1 Data Pencapaian Kredit Mantap Pra-pensiun.......................................14

Tabel 4.2 Output Deskriptif Statistik Data Pencapaian Kredit Mantap Pra-
pensiun..................................................................................................15
Tabel 4.3 Hasil Peramalan Pencapaian Kredit Mantap Pra-pensiun....................18

vi
 DAFTAR LAMPIRAN

Lampiran 1 Data Asli Pencapaian Kredit Mantap Pra-pensiun............................22

Lampiran 2 Hasil Peramalan Pencapaian Kredit Mantap Pra-pensiun.................24

vii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Kerja Praktik (KP) adalah salah satu mata kuliah yang wajib diambil oleh
mahasiswa di Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA)
Universitas Tanjungpura Program Studi Matematika. KP dilaksanakan dengan
cara magang di perusahaan, instansi pemerintah, ataupun badan usaha yang
dinaungi oleh negara atau swasta. Mata kuliah KP memiliki bobot Satuan Kredit
Semester (SKS) sebesar 2 SKS. Syarat pengambilan mata kuliah KP adalah
mahasiswa telah mengambil bobot mata kuliah lain minimal 90 SKS pada
semseter enam hingga seterusnya.
Pelaksanaan KP bertujuan untuk menambah wawasan dan pengetahuan
yang sudah dipelajari di perkuliahan melalui implementasi nyata di lokasi KP.
Mahasiswa mendapatkan pengalaman secara nyata di lapangan sebagai media
untuk membentuk luaran yang profesional, unggul, dan berkarakter demi
penerapan di kehidupan sehari-hari. Diharapkan pelaksanaan KP di Bawaslu Kota
Pontianak dapat memberikan pengetahuan dan keterampilan di dunia kerja. Setiap
mahasiswa mendapat pembagian kerja yang ditentukan oleh Bawaslu Kota
Pontianak.
PT. Bank Mandiri Taspen mempunyai tagline “Tiada Kata Pensiun untuk
Berkarya”, maksud dari tagline “Tiada Kata Pensiun untuk Berkarya” adalah agar
para pensiunan lebih produktif di masa tuanya. PT. Bank Mandiri Taspen juga
menginginkan dapat berkontribusi untuk membantu para pensiunan
mengembangkan kreatifitas maupun usaha yang sedang mereka rintis dan bangun,
menjadi saksi kesuksesan para pensiunan. Dalam mengkomunikasikan taglinenya
tersebut selain dalam media pada produk Kredit Mantap Pra-pensiun kepada para
calon nasabahnya untuk meningkatkan brand awereness.

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.

Laporan KP ini membahas tentang penerapan metode Single Moving

Avarage pada pencapaian kredit mantap pra-pensiun kota Pontianak. Metode
peramalan yang digunakan Single Moving Avarage. Alasan digunakan metode
Single Moving Avarage adalah untuk meramalkan target yang dapat dicapai setiap
bulannya dan metode ini juga dapat meramalkan sesuai perkiraan pada periode
sebelumnya dengan memperhatikan pola data.

1.1 Rumusan Masalah

a. Bagaimana menentukan rute terpendek TPS di Kelurahan Bansir Darat
menggunakan Algoritma Dijkstra?
b. Bagaimana pengaruh rute tersebut dalam mengoptimalkan pengawasan
oleh Bawaslu Kota Pontianak?

1.2 Tujuan Penelitian

a. Menentukan rute terpendek TPS di Kelurahan Bansir Darat
menggunakan Algoritma Dijkstra.
b. Melihat pengaruh rute tersebut dalam pengoptimalan pengawasan oleh
Bawaslu Kota Pontianak.

1.3 Batasan Masalah

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.

1.4 Manfaat Penulisan

Manfaat yang didapat untuk pembaca dari penulisan laporan ini adalah:

a. Meningkatkan peran mahasiswa dalam menghadapi kondisi lapangan di

dunia kerja.
b. Menginformasikan tentang pengawasan TPS secara optimal.
c. Mengimplementasikan ilmu matematika sebagai solusi permasalahan di
dunia kerja.

1.5 Metode Penulisan

Penelitian ini dimulai dengan mencari literatur mengenai proses peramalan

menggunakan metode Single Moving Avarage. Data yang digunakan pada
penelitian ini merupakan data sekunder yang diperoleh dari PT. Bank Mandiri
Taspen KC Pontianak (Bank MANTAP) Kalimantan Barat pada periode Januari
2017 sampai Desember 2020.

Analisis data yang dilakukan secara kuantitatif ini menggunakan metode

Single Moving Avarage. Data yang telah diperoleh kemudian diplot untuk melihat
pola data, sehingga memudahkan untuk pemilihan metode yang akan digunakan.
Data yang digunakan berupa data time series dengan selang waktu pada periode
2017 sampai Desember 2020 sebanyak 48 bulan. Tahap-tahap dalam peramalan
yaitu menentukan pola data. Setelah mengetahui pola data yang tepat dari plot

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

Graf Lokasi TPS di Kelurahan

Bansir Darat

Membuat Tabel Lintasan

Terpendek

Menentukan Lintasan Terpendek

Menggunakan Algoritma Dijkstra

Hasil Rute Terpendek Lokasi TPS di

Kelurahan Bansir Darat

Selesai

4
 Gambar 1.1 Flowchart Penentuan Rute Terpendek Menggunakan Algoritma
Dijkstra

BAB II
PROFIL PERUSAHAAN

2.1 Sejarah PT. Bank Mandiri Taspen KC Pontianak

PT. Bank Mandiri Taspen adalah lembaga keuangan berjenis perbankan di

Indonesia. PT. Bank Mandiri Taspen pertama kali didirikan di Denpasar pada
tanggal 3 November 1992 berdasarkan  Akta  Pendirian No.  4,  yang  dibuat  di
hadapan  Ida  Bagus  Alit Sudiatmika,  S.H.,  Notaris  di  Denpasar dengan nama
PT. Bank Sinar Harapan Bali. Kemudian, pada tanggal 7 Agustus 2015 berganti
nama menjadi PT. Bank Mandiri Taspen Pos. Pada tanggal 28 Januari 2018 PT.
Bank Mandiri Taspen Pos berganti nama lagi menjadi PT. Bank Mandiri Taspen.
Perubahan nama PT. Bank Mandiri Taspen dapat dilihat pada gambar 2.1

Gambar 2.1 Perubahan Nama PT.

Bank Mandiri Taspen

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.

Sejak berdirinya PT. Bank Mandiri Taspen KC Pontianak sudah 3 kali

berganti kepala cabang. Kepala cabang pertama yaitu Tri Joko Prayidno, berganti
menjadi Andi Prasetio Nugroho, kemudian diganti lagi menjadi David Meringgo.

2.2 Visi, Misi, dan Budaya PT. Bank Mandiri Taspen

2.2.1 Visi Perusahaan

Menjadi mitra terbaik dan terpercaya dalam memberdayakan dan
mensejahterahkan.

2.2.2 Misi Perusahaan

1. Menciptakan pertumbuhan bisnis dan kesejahteraan melalui
produk dan layanan keuangan terbaik.
2. Fokus pada kebutuhan UMKM dan Pensiunan dengan
menyelaraskan kepentingan ekonomi, sosial dan lingkungan.

2.2.3 Budaya Perusahaan

Amanah, Kompeten, Harmonis, Loyal, Adaktif, dan Kolaboratif
disingkat dengan AKHLAK.
1. Amanah

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

Terus belajar dan mengembangkan kapabilitas, meningkatkan

kompetensi diri untuk menjawab tantangan yang selalu berubah,
membantu orang lain belajar dan menyelesakan tugas dengan kualitas
terbaik.

3. Harmonis

Saling peduli dan menghargai perbedaan, menghargai setiap

orang apapun latar belakangnya, suka menolong orang dan membantu
lngkungan kerja yang kondusif.

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

Terus berinovasi dan antusias dalam menggerakkan atapun

menghargai perubahan, cepat menyesuaikan diri untuk menjadi lebih
baik,terus-menerus melakukan perbaikan mengikuti perkembangan
teknologi dan bertindak proaktif.

6. Kolaboratif

Membangun kerjasama yang sinergis, memberi kesempatan

kepada berbagai pihak untuk berkontribusi, terbuka dalam bekerja
sama untuk menghasilkan nilai tambah, dan menggerakan
pemanfaatan berbagai sumber daya untuk tujuan bersama.

2.3 Struktur Organisasi

Di dalam suatu instansi pasti terdapat suatu struktur organisasi. Struktur

organisasi ini memiliki fungsi untuk mengetahui pembagian kerja untuk tiap
individu atau pun seluruh pegawai di dalam instansi tersebut. Berikut ini

8
merupakan struktur organisasi di PT. Bank Mandiri Taspen KC Pontianak.
Struktur organisasi dapat dilihat pada gambar 2.2.

Gambar 2.2 Struktur Organisasi PT. Bank Mandiri Taspen KC Pontianak

9
 BAB III
LANDASAN TEORI

3.1 Peramalan (Forecasting)

Peramalan (forecasting) adalah suatu kegiatan untuk memprediksi atau

memperkirakan apa yang akan terjadi pada masa yang akan datang dengan waktu

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.

Peramalan (forecasting) memiliki fungsi yang terlihat pada saat mengambil

keputusan. Keputusan yang baik adalah keputusan yang didasarkan atas
pertimbangan apa yang akan terjadi pada waktu keputusan itu diambil. Apabila
ramalan yang kita lakukan kurang tepat, maka masalah peramalan juga merupakan
masalah yang selalu pemulis hadapi (Ginting, 2007).

3.1.1 Tujuan Peramalan

Menurut Render, dkk (2009:47), peramalan atau forecasting memiliki

tujuan sebagai berikut:

1. Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan di

masa lalu serta melihat sejauh mana pengaruh di masa 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.

3.1.2 Jenis-jenis Peramalan

Berdasarkan horizon waktu, peramalan (forecasting) dapat dibagi

menjadi tiga jenis, yaitu (Herjanto, 2008:78):

1. Peramalan Jangka Panjang

Peramalan jangka panjang adalah yang meliputi waktu yang lebih
panjang dari 18 bulan. Contohnya yaitu peramalan yang dibutuhkan dalam
hubungannya dengan penanaman modal, merencanakan fasilitas dan
merencanakan untuk kegiatan litbang.

2. Peramalan Jangka Menengah

Peramalan jangka menengah adalah yang meliputi waktu antara 3

sampai 18 bulan. Contohnya yaitu peramalan untuk merencanakan
penjualan, merencanakan produksi dan merencanakan tenaga kerja tidak
tetap.

3. Peramalan Jangka Pendek

Peramalan jangka pendek adalah yang meliputi waktu yang kurang

dari 3 bulan. Contohnya yaitu peramalan dalam hubungannya dengan

12
 perencanaan pembelian material, penjadwalan kerja dan penugasan
karyawan.

3.2 Pola Data

Teknik peramalan dapat bermacam-macam tergantung pada pola data yang

ada. Dengan mempertimbangkan jenis pola data yang terbentuk maka dapat
diketahui metode peramalan yang paling tepat dan cocok untuk digunakan. Hasil
pengamatan data yang diindeks dan dikumpulkan dari waktu ke waktu disebut
sebagai deret waktu.

Menurut Taylor III (2005) terdapat beberapa pola atau kecenderungan. Pola-
pola data tersebut adalah:

1. Pola Data Horizontal (H)

Pola data horizontal terjadi bila data berfluktuasi di sekitar rata-rata

suatu nilai konstan atau mean yang membentuk garis horizontal. Produk
yang penjualannya tidak meningkat atau menurun selama waktu tertentu
termasuk jenis ini. Struktur datanya dapat digambarkan sebagai berikut ini.

13
2. Pola Data Musiman (S)

Pola data musiman merupakan fluktuasi dari data yang terjadi secara

periodik dalam kurun waktu satu tahun, seperti triwulan, kuartalan, bulanan,
mingguan, atau harian.  Struktur datanya dapat digambarkan sebagai berikut
ini.

Gambar 3.2 Pola Data Musiman

3. Pola Data Trend (T)

Pola data trend merupakan kecenderungan arah data dalam jangka

panjang, dapat berupa kenaikan maupun penurunan. Suatu pengamatan yang
memiliki pola data trend disebut data nonstasioner. Struktur datanya dapat
digambarkan sebagai berikut ini.

14
 Gambar 3.3 Pola Data Trend

4. Pola Data Siklis (C)

Pola data siklis terjadi bilamana deret data dipengaruhi oleh fluktuasi

ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis.
Struktur datanya dapat digambarkan sebagai berikut ini.

Gambar 3.4 Pola Data Siklis

3.3 Metode Single Moving Average

Single Moving Average adalah suatu metode peramalan yang dilakukan

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

3.4 Menghitung Forecast Error

Untuk menghitung forecast error (kesalahan) maka menggunakan Mean
Absolute Deviation (MAD) dan Mean Squared Error (MSE). MAD adalah rata-
rata nilai absolut dari kesalahan meramal (tidak dihiraukan tanda positif atau
negatifnya). Sedangkan MSE adalah metode lain yang digunakan untuk
mengevaluasi metode peramalan dengan cara menghitung rata-rata selisih kuadrat
antara nilai yang diramalkan dan yang diamati. Nilai error yang asli biasanya
tidak dirata-rata sebagai ukuran besar kecilnya error, sebab ada yang positif dan
ada yang negatif. MSE merupakan cara kedua untuk mengukur kesalahan
peramalan keseluruhan. Kekurangan penggunaan MSE adalah bahwa MSE
cenderung menonjolkan deviasi yang besar karena adanya pengkuadratan. Nilai
error dapat dihitung dengan menggunakan persamaan 3.2 sebagai berikut:
Error = Kt −Ft ........................................................(3.2)

16
 Nilai MAD dapat dihitung dengan menggunakan persamaan 3.3 dan
MSE menggunakan persamaan 3.4 sebagai berikut:

MAD =
∑ ¿ Kt−Ft ∨¿ ¿ ..............................................
n
(3.3)

MSE = ∑ ¿ Kt−Ft ∨¿2 ¿ ............................................

n
(3.4)

Keterangan:
Kt = Nilai penjualan periode ke t
Ft = Ramalan periode ke t
n = Banyak data yang diramalkan

3.5 The Mean Absolute Percentage Error (MAPE)

The Mean Absolute Percentage Error (MAPE) merupakan pengukuran
kesalahan yang menghitung ukuran presentase penyimpanan antara data aktual
dengan data peramalan. MAPE dihitung dengan menggunakan kesalahan absolut
pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode.
Kemudian, merata-ratakan kesalahan persentase absolut tersebut. Pendekatan ini
berguna ketika ukuran atau besar variabel ramalan tersebut penting dalam
mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar kesalahan
dalam meramal yang dibandingkan dengan nilai nyata pada deret. Semakin kecil
nilai presentasi kesalahan (percentage error) pada MAPE maka semakin akurat
hasil peramalan tersebut.
Nilai MAPE juga dapat diperoleh dari seluruh nilai Average Percentage
Error (APE) yang dirata-ratakan. Nilai APE dapat dihitung dengan menggunakan
persamaan 3.4 dan MAPE menggunakan persamaan 3.5 sebagai berikut:
¿
APE = ¿ K t −Ft ∨ K ¿ ..............................................................
t

(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

Tabel 3.1 Kriteria Ketepatan Peramalan Menggunakan MAPE

NO Nilai MAPE Kriteria Penilaian

1. MAPE ≤ 10% Sangat Baik

2. 10% < MAPE ≤ 20% Baik

3. 20% < MAPE ≤ 50% Cukup

4. MAPE > 50% Tidak Baik

BAB IV
PEMBAHASAN

4.1 Deskripsi Data

Data yang dianalisis pada penelitian ini merupakan data sekunder yang
diperoleh dari PT. Bank Mandiri Taspen KC Pontianak. Penelitian ini
menggunakan data nominal dari data pencapaian kredit mantap pra-pensiun
sebanyak 48 data dari periode Januari 2017 sampai Desember 2020. Data yang
telah diperoleh diberikan pada tabel 4.1.
Tabel 4.1 Data Pencapaian Kredit Mantap Pra-pensiun

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.

4.2 Penentuan Jenis Pola Data

Menentukan pola data adalah langkah pertama yang dilakukan dalam
peramalan. Dari data permintaan kredit mantap pra-pensiun pada periode Januari
2017 sampai Desember 2020 dengan menggunakan software excel diperoleh
grafik data pada Gambar 4.1

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

Gambar 4.1 Grafik Data Pencapaian Kredit Mantap Pra-pensiun

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.

4.3 Analisis Menggunakan Single Moving Average

Berdasarkan Tabel 4.1 maka dapat dilakukan peramalan pencapaian kredit
mantap pra-pensiun dari periode Januari 2017 sampai bulan Desember 2020.
Berikut langkah-langkah peramalan data menggunakan metode Single Moving
Average dengan 3 orde.
4.3.1 Peramalan Data Pencapaian Kredit Mantap Pra-pensiun
a. Bulan Januari 2017
Data aktual bulan Januari 2017 adalah K1 = 3.552.300.000
F1 = Ditentukan sebesar nilai aktual yang pertama pada data nominal target
output permintaan kredit mantap pra-pensiun yaitu 0.

b. Bulan Februari 2017

Data aktual bulan Januari 2017 adalah K2 = 5.823.750.000

20
F2 = Ditentukan sebesar nilai aktual yang pertama pada data nominal target
output permintaan kredit mantap pra-pensiun yaitu 0.

c. Bulan Maret 2017

Data aktual bulan Maret 2017 adalah K3 = 4.719.400.000
F3 = Ditentukan sebesar nilai aktual yang pertama pada data nominal target
output permintaan kredit mantap pra-pensiun yaitu 0.

d. Bulan April 2017

Data aktual bulan April 2017 adalah K4 = 6.833.000.000
Untuk menentukan F4 dilakukan perhitungan sebagai berikut:
K 1+ K 2+ K 3
F4 =
n
3 .552 .300 . 000+5 . 823 .750 . 000+4 .719 . 400 . 000
= 3
14.095.450 .000
=
3
= 4.698.483.333

Selanjutnya menentukan nilai forecast error untuk prediksi pada bulan

April 2017 sebagai berikut:
e = ¿ K 4 −F 4∨¿
= ¿ 6 . 833 .000 . 000−4.698 .483 .333 |
= 2.134.516.667

Kemudian menghitung nilai Absolute Percentage Error (APE)

¿
APE = ¿ K 4 −F 4∨ K 4 ¿
¿
= ¿ 6 . 833 .000 . 000−4.698 .483 .333∨ 6 . 833. 000 . 000 ¿
= 0,3123835

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%.

4.4 Hasil Peramalan

Setelah dilakukan perhitungan terhadap data Pencapaian Kredit Mantap Pra-
pensiun dengan menggunakan nilai-nilai pada Single Moving Average pada orde 3
maka diperoleh hasil ramalan Pencapaian Kredit Mantap Pra-pensiun dari periode
Januari 2021 sampai Maret 2021 pada Tabel 4.3.
Tabel 4.3 Hasil Peramalan Pencapaian Kredit Mantap Pra-pensiun
Tahun Bulan Peramalan
Jan 6.567.000 .000
2021 Feb 7.426.500.000
Mar 6.255.000.000

Berdasarkan Tabel 4.3 Hasil Peramalan Pencapaian Kredit Mantap Pra-

pensiun dari bulan Januari 2021 sampai bulan Maret 2021 berturut-turut adalah
Rp6.567.333.333, Rp7.426.500.000, dan Rp6.255.000.000. Gambaran grafik
peramalan ditunjukkan pada Gambar 4.2

Plot Data Aktual dan Hasil Peramalan

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

Data Aktual Peramalan

22
 Gambar 4.2 Perbandingan Plot Data Aktual dan Hasil Peramalan

Berdasarkan Gambar 4.2 perbandingan data aktual dan hasil peramalan

dapat dilihat bahwa data ktual ditandai dengan garis bewarna biru dan hasil
peramalan ditandai dengan warna merah. Dari peramalan ini diperoleh nilai
MAPE (Mean Absolute Percent Error) sebesar 18,7% yang berarti peramalan ini
masuk dalam kategori baik.

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

Biegel, John E. 1999, Pengendalian Produksi Suatu Pendekatan Kuantitatif,

Akademika Presindo, Jakarta.

Herjanto, E. 2008. Manajemen Operasi. Edisi Tiga. Grasindo, Jakarta.

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

Render, Barry dan Heizer, Jay. 2001. Prinsip-prinsip Manajemen Operasi.

Jakarta: Selemba Empat.

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.

Yunaruddin, Rizky. 2019. Forecasting: untuk Kegiatan Ekonomi dan Bisnis.

Samarinda: RV Pustaka Horizon.

LAMPIRAN

Lampiran 1 Data Asli Pencapaian Kredit Mantap Pra-pensiun

Tahun Bulan K(t)

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

Lampiran 2 Hasil Peramalan Pencapaian Kredit Mantap Pra-pensiun

Tahun Bulan K(t) F(t) Error |Error| APE
|E|/K(t)
2017 Jan 3.552.300.000
Feb 5.823.750.000
Mar 4.719.400.000
Apr 6.833.000.000 4.698.483.333 4.698.483.333 2.134.516.667 0,3123835

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