See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/332093792

Model Trend untuk Peramalan Jumlah Penduduk

Article · October 2015

CITATION READS

1 192

1 author:

Rahmawati Rahmawati
Universitas Sulawesi Barat
7 PUBLICATIONS   1 CITATION   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Kernel Bayesian View project

All content following this page was uploaded by Rahmawati Rahmawati on 15 April 2019.

The user has requested enhancement of the downloaded file.

 JTRISTE, Vol.2, No.2, Oktober 2015, pp. 46~52
ISSN: 2355-3677

Model Trend untuk Peramalan Jumlah Penduduk

Studi kasus pada Pertumbuhan Penduduk Kabupaten Gowa

Rahmawati
Sistem Informasi, STMIK Kharisma Makassar
rahmawati@kharisma.ac.id

Abstrak
Penelitian ini bertujuan untuk menerapkan analisis trend pada data peramalan jumlah
penduduk. Data yang digunakan adalah data time series dari tahun 1979 – 2008. Model trend
menggunakan variabel terikat Y sebagai jumlah penduduk dan variabel bebas X sebagai
periode dalam tahun. Ada tiga jenis trend yang digunakan yaitu, model linear, kuadratik dan
eksponen. Berdasarkan nilai MAPE, MAD, dan MSD terkecil maka diperoleh model trend
kuadratik Yˆ  354685  254.11X  201.917 X 2 sebagai model terbaik. Hasil peramalan untuk 8 periode
berikutnya menunjukkan kenaikan rata-rata sebesar 16479 jiwa.
Kata kunci: Peramalan, trend analysis, MAPE

Abstract
The purpose of this research is to apply the trend analysis in the data of forcasting
population. The data used in this research are time series data from 1979 – 2008. Trend model
use dependent variable Y as number of population and independent variable X as the period of
time. There are three various trend used in this research. They are linear, quadratic, and
exponent model. Based on the lowest value of MAPE, MAD and MSD,
Yˆ  354685  254.11X  201.917 X 2 is obtained as the best quadratic trend model. The forecasting
result for next 8 period shows that the population increase 16479 in average.
Keywords: Forecasting, , trend method, MAPE.

1. Pendahuluan
Peramalan merupakan bagian integral dari kegiatan pengambilan keputusan, sebab efektif
atau tidaknya suatu keputusan umumnya bergantung pada beberapa faktor yang tidak dapat
dilihat pada waktu keputusan itu diambil. Dengan adanya beberapa metode peramalan yang
tersedia, maka masalah yang timbul bagi para peneliti adalah dalam memahami bagaimana
karakteristik suatu metode peramalan akan cocok bagi situasi pengambilan keputusan tertentu.
Situasi peramalan sangat beragam dalam horison waktu peramalan, faktor yang menentukan
hasil sebenarnya, tipe pola data dan berbagai aspek lainnya. Untuk menghadapi penggunaan
yang luas seperti itu, beberapa teknik telah dikembangkan, salah satunya adalah metode trend.
Langkah penting dalam memilih suatu metode deret waktu (time series) yang tepat adalah
dengan mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan pola
tersebut dapat diuji. Salah satu pola data yang terjadi bilamana terdapat kenaikan atau
penurunan sekuler jangka panjang dalam data disebut pola trend [1]. Bambang [2]
mengemukakan bahwa dalam banyak hal pola pergerakan dapat digambarkan dalam suatu
garis lurus seperti pertumbuhan yang gradual atau kemerosotan yang pelan. Selain dari itu,
gerakan tersebut mungkin pula berupa kurva nonlinear. Metode penyederhanaan dengan
asumsi tertentu memungkinkan kita untuk dapat mengidentifikasi, menerangkan dan mengukur
goncangan (fluktuasi) yang terdapat pada suatu deret waktu [3]. Peramalan dalam time series
dapat dilakukan dengan tiga cara yaitu dengan menggunakan penghalusan eksponensial
(eksponential smooting) , rata-rata bergerak (moving average) dan trend. Apabila data tidak
 JTRISTE ISSN: 2355-3677  47

mengandung unsur trend, maka teknik peramalan yang dapat digunakan adalah penghalusan
eksponensial dan rata-rata bergerak. Tetapi apabila data mengandung unsur trend, maka
peramalan dapat menggunakan analisis trend.

2. Peramalan (Forecasting)
Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan
variabel untuk mengestimasi nilainya di masa yang akan datang.
Peramalan adalah sebuah prediksi mengenai apa yang akan terjadi di masa yang akan
datang. Seperti: Badan Meteorologi meramalkan keadaan cuaca, manajer suatu perusahaan
berusaha untuk meramalkan berapa permintaan atas produk mereka dimasa yang akan datang.
Peramalan merupakan suatu teknik untuk memperkirakan suatu nilai pada masa yang akan
datang dengan memperhatikan data masa lalu maupun data saat ini [4].
Menurut J. Supranto [5], peramalan (forecasting) merupakan dugaan atau perkirakan
mengenai terjadinya suatu kejadian atau peristiwa di waktu yang akan datang. Ramalan bisa
bersifat kualitatif, artinya tidak berbentuk angka, misalnya minggu depan akan turun hujan,
tahun depan akan pecah perang antara Vietnam dan Thailand, hasil penjualan tahun depan
akan meningkat, bulan depan pasaran tekstil akan sepi dan lain sebagainya. Ramalan bisa
bersifat kuantitatif, artinya berbentuk angka biasanya dinyatakan dalam bilangan.
Peramalan merupakan suatu teknik untuk memperkirakan suatu nilai pada masa yang
akan datang dengan memperhatikan data masa lalu maupun data saat ini. Metode peramalan
dapat dibagi dalam dua kategori utama, yaitu metode kualitatif dan metode kuantitatif. Metode
kualitatif lebih banyak menuntut analisis yang didasarkan pada pemikiran intuitif, perkiraan logis
dan informasi atau pengetahuan yang telah diperoleh peneliti sebelumnya. Peramalan seperti
ini biasanya digunakan untuk ramalan jangka pendek, atau jika pengambil keputusan lebih
mempercayai intuisinya dari pada rumus matematik. Satu ciri metode ini adalah faktor yang
mempengaruhi ramalan dan cara menilainya sangat bersifat pribadi dan sulit ditirukan orang
lain. Metode kuantitatif dibutuhkan informasi masa lalu yang dikuantitatifkan dalam bentuk data
numerik. Metode peramalan secara kuantitatif mendasarkan ramalannya pada metode statistika
dan matematika. Terdapat dua model peramalan kuantitatif, yaitu model deret waktu (time
series) dan model regresi (regression).
Langkah penting dalam memilih suatu metode deret waktu yang tepat adalah dengan
mempertimbangkan jenis pola data. Pola data dapat dibedakan menjadi empat sebagai berikut.
a) Pola horizontal (H) terjadi bilamana nilai data berfluktuasi di sekitar nilai rata- rata-rata
konstan.
b) Pola musiman (M) terjadi bilamana suatu deret dipengaruhi oleh faktor musiman.
c) Pola siklus (S) terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang.
d) Pola trend (T) terjadi bilamana terdapat kenaikan/ penurunan sekuler jangka panjang dalam
data.
Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi :
a) Adanya informasi tentang masa lalu.
b) Informasi tersebut dapat dikuantitatifkan dalam bentuk angka.
c) Informasi tersebut dapat diasumsikan bahwa pola masa lalu akan terus berlanjut di masa
mendatang ( asumsi berkesinambungan).
Hasil peramalan kuantitatif secara relatif lebih disukai karena memberikan pandangan
yang lebih nyata dan lebih objektif dalam besaran nilai hasil peramalan [4].

3. Komponen Time Series

Jika kita melihat time series yang tidak beraturan, menimbulkan kesan bahwa tidak
mungkin bagi kita untuk membuat analisis berdasarkan data yang demikian. Metode
penyederhanaan dengan asumsi tertentu memungkinkan kita untuk dapat mengidentifikasi,

Rahmawati
 JTRISTE ISSN: 2355-3677  48

menerangkan dan mengukur goncangan (fluktuasi) yang terdapat pada suatu deret waktu (M.A
Tiro, Baharuddin ilyas, 2002 :173-176).
Time series menunjukkan aktivitas yang penting dari sebuah organisasi, seperti aktivitas
penjualan dalam perusahaan atau dalam industri. Aktivitas ini merupakan hasil dari interaksi
beberapa bentuk dari beberapa faktor-faktor yang mempengaruhinya. Faktor-faktor tersebut
dapat berupa kegiatan ekonomi, politik, dan pengaruh faktor social sebagai suatu faktor
alamiah. Faktor-faktor tersebut umumnya diteliti untuk pengambilan keputusan setelah
perubahan.
Dalam memilih suatu metode time series yang tepat adalah dengan mempertimbangkan
jenis variasi data. Variasi data dapat dibedakan menjadi empat yaitu Variasi trend sekular
atau kecendrungan sekular, Variasi musiman, Variasi siklis, dan Variasi tidak beraturan
(irregular).

4. Analisis Trend
Analisis trend merupakan suatu metode analisis yang ditujukan untuk melakukan suatu
estimasi atau peramalan pada masa yang akan datang. Untuk melakukan peramalan dengan
baik maka dibutuhkan berbagai macam informasi (data) yang cukup banyak dan diamati dalam
periode waktu yang relatif cukup panjang, sehingga dari hasil analisis tersebut dapat diketahui
sampai berapa besar fluktuasi yang terjadi dan faktor-faktor apa saja yang mempengaruhi
terhadap perubahan tersebut. Secara teoristis, dalam analisis time series yang paling
menentukan adalah kualitas atau keakuratan dari informasi atau data-data yang diperoleh serta
waktu atau periode dari data-data tersebut dikumpulkan.
Pada bagian ini akan dibahas peramalan dengan variable bebasnya adalah waktu.
Peramalan suatu variable dengan variable bebasnya waktu disebut dengan trend. Trend yang
dibahas pada penelitian ini adalah metode trend linear, meode trend kuadratik dan metode
trend eksponensial. Dalam memilih dari salah satu dari ketiga metode tersebut yaitu dengan
membuat diagram pencar data observasi. Misalnya, manajer pemasaran sepatu ingin
meramalkan penjualan di masa datang maka variabelnya adalah waktu. Oleh karena itu, untuk
peramalan ini dibutuhkan data yang series agar peramalan lebih baik. Semakin besar sampel
yang digunakan maka kesalahan estimasi yang ditunjukkan kesalahan standar (standart error)
semakin kecil.
Diagram pencar adalah kumpulan titik-titik yang tersebar dalam suatu sumbu silang. Titik-
titik tersebut menghubungkan antara tahun dengan variable terikat. Pada sumbu horizontal (X)
digambarkan peubah waktu dan pada sumbu vertical (Y) ditunjukkan besarnya peubah terikat.
Bila diagram pencarnya menunjukkan kenaikan secara linear maka digunakan trend linear.
Tetapi bila tidak dapat digunakan trend linear maka diperhatikan apakah berbentuk sebuah
parabola baik terbuka ke atas maupun tebuka ke bawah. Apabila bentuknya demikian maka
digunakan trend kuadratik. Selanjutnya, bila diagram pencar tersebut tidak memperlihatkan
model linear atau model kuadratik maka diperhatikan apakah model diagram pencarnya
menunjukkan kenaikan secara berlipat ganda atau dihitung lebih dahulu logaritma data asli dan
digambarkan, ternyata menunjukkan betuk linear maka digunakan model trend eksponen.

4.1. Trend linear

Garis lurus yang digambarkan pada grafik menunjukkan system koordinat persegi panjang,
yang dapat dinyatakan dalam persamaan :
Yˆ  a  bX (1)

Dimana :
: nilai dugaan periode waktu ke-X.
X : periode waktu

Rahmawati
 JTRISTE ISSN: 2355-3677  49

: titik potong garis kecendrungan (trend) dengan sumbu Y

: koefisien arah garis kecendrungan (trend)
Berdasarkan diagram pencarnya, model trend linear dapat terus meningkat atau terus
menurun dalam jangka waktu yang lama. Maka,bentuk trend linear dapat dibedakan menjadi :
1. Trend positif = trend meningkat

2. Trend negatif = trend menurun

Jika diagram pencarnya berbentuk linear maka ada beberapa metode yang dapat
digunakan dalam analisis selanjutnya. Seperti metode trend tangan bebas, metode trend semi
average dan metode trend least squere.

4.2. Trend Kuadratik

Jika penggambaran diagram pencar tidak menunjukkan kecendrungan (trend) secara
linear, model trend nonlinear dapat digunakan untuk mendekati fungsi persamaan garis
kecendrungan tersebut. Jika kurvanya berbentuk parabola, maka trend kuadratik dapat
digunakan.
Trend kuadratik adalah trend yang nilai variable tak bebasnya naik atau turun tidak secara
linear atau terjadi parabola bila datanya dibuat diagram pencarnya. Persamaan trend kuadratik
adalah sebagai berikut :
Yˆ  a  bX  cX 2  e (2)
Koefisien , , dan ditentukan dengan rumus:
(  Y )  c ( X 2 )
a
n (3)

b
 XY
X 2
(4)
n( X Y )   X
2 2
Y
c
n(  X )  (  X ) 2
4 2
(5)
4.3. Trend Eksponen
Analisis deret waktu diperkenalkan pada tahun 1970 oleh Box dan Jenkin [6] melalui
bukunya yang berjudul Time Series Analysis : Forecasting and control. Sejak saat itu time
series mulai banyak dikembangkan. Salah satu metode analisis deret waktu adalah analisis
trend. Kadang-kadang ditemukan suatu diagram pencar yang penyebaran datanya semakin
naik. Jika hal itu terjadi, persamaan kecendrungan yang cocok digunakan adalah model trend
eksponen. Trend eksponen adalah sebuah trend yang variable bebasnya naik secara berlipat
ganda atau tidak linear. Persamaan trend eksponen adalah sebagai berikut :
Yˆ  ab X (6)
Dimana X merupakan pangkat eksponen dari . untuk mencari nilai- nilai dan ,
logaritma natural dari persamaan tersebut menghasilkan ln Yˆ  ln a  X ln b . Jika notasi ,
, dan diganti dengan , , maka dihasilkan
Y *  a *  b* X (7)
Persamaan terakhir ini merupakan persamaan trend linear yang telah dibahas
sebelumnya. Untuk menentukan nilai dan metode kuadrat terkecil dapat digunakan.
Nilai-nilai Y yang telah ditransformasikan kedalam , , dan diganti dengan , ,
memberikan rumus:

Rahmawati
 JTRISTE ISSN: 2355-3677  50

X ln Yˆ
Y dan b *  ln 
*

a*  (8)
n X 2

Dengan demikian nilai koefisien trend diperoleh sebagai berikut:

a  anti ln
 ln Yˆ dan b  anti ln  X ln Yˆ (9)
n X2
dimana;
: data dugaan time series periode X
X : waktu (hari, minggu, bulan, triwulan, tahun)
: koefisien trend

5. Ukuran Kebaikan Model (Measure of Accuracy)

Metode yang digunakan untuk mengukur kebaikan model adalah tingkat kesalahan
prediksi paling kecil. Beberapa ukuran kebaikan model yang melibatkan yaitu :
1. MAPE (mean absolute percentage error)

MAPE 
 (Y  Yˆ ) / Y
n
2. MAD (mean absolute deviation)

MAD 
 (Y  Yˆ )
n
3. MSD (mean squared deviation)

MSD 
 (Y  Yˆ ) 2
n
Dimana = nilai sebenarnya , = nilai ramalan dan = jumlah data [7].

6. Analisis dan Pembahasan

Data yang dianalisis dalam penelitian ini adalah data jumlah penduduk Kabupaten Gowa
dari tahun 1979 sampai tahun 2008, yang terdiri dari 30 pengamatan. Data yang diperoleh
adalah data tahunan.
Data jumlah penduduk Kabupaten Gowa dari tahu 1979 sampai tahun 2008 dalam satuan
orang (dibaca dari kiri ke kanan).
361043 362624 364322 366172 368552
372581 377097 393465 394128 395776
400366 429157 431293 435714 436711
444327 447314 471525 474407 479401
484280 512876 522105 528313 552293
565252 575295 586069 594423 607218
Sumber : Badan Pusat Statistik (BPS) Kabupaten Gowa

Trend Analysis Plot for C1 Trend Analysis Plot for C1 Trend Analysis Plot for C1
Linear Trend Model Quadratic Trend Model Growth Curve Model
Yt = 321302 + 8807*t Yt = 354685 + 2547*t + 201.9*t**2 Yt = 335998 * (1.01924* *t)
V V
600000 A 600000 A 600000
F F

550000 Accurac A ccurac

550000 550000 Ac
MAPE MA PE
MA
MAD MA D
500000 MSD MSD
MA
500000 MS
500000
C1

C1

450000
C1

450000 450000
400000

400000 400000
350000

300000 350000 350000

3 6 9 12 15 18 21 24 27 30 3 6 9 12 15 18 21 24 27 30
Index Index 3 6 9 12 15 18 21 24 27 30
Index

(a) Trend Linear (b) Trend Kuadratik

(c) Trend Eksponensial
Gambar 1. Grafik Model Trend Jumlah Penduduk

Rahmawati
 JTRISTE ISSN: 2355-3677  51

1. Model trend linear data jumlah penduduk kabupaten gowa.

Yˆ  321302  8806.55 X
dengan X = periode waktu pertahun dan = nilai ramalan pertahun.
Persamaan di atas menjelaskan bahwa angka 321302 merupakan perpotongan Y
(jumlah penduduk) pada tahun dasar dan angka 8806,55 menunjukkan pertambahan jumlah
penduduk untuk setiap tahun.
2. Model trend kuadratik data jumlah penduduk kabupaten gowa.
Yˆ  354685  254.11X  201.917 X 2
dengan X = periode waktu pertahun dan = nilai ramalan pertahun.
3. Model Trend eksponensial data jumlah penduduk Kabupaten Gowa
Yˆ  335998(1.01924 X )
dengan X = periode waktu pertahun dan = nilai ramalan pertahun

6.1. Memilih Model Trend Terbaik

Memilih model trend yang terbaik digunakan ukuran ketepatan yaitu seberapa tepat suatu
peramalan sebuah alat peramalan tersebut menduga kejadian yang sebenarnya. Semakin tepat
semakin baik, dengan demikian alat yang lebih tepat akan mempunyai derajat kesalahan yan
lebih kecil. Untuk mengukur ketepatan maka diperlukan nilai selisih antara data dengan
peramalan yang paling kecil.

Tabel 1. Analisis trend data jumlah penduduk Kabupaten Gowa

Model Trend MAPE MAD MSD
Linear 3 12510 219022540
Kuadratik 1 5031 36573237
Eksponen 2 8576 102223621

Pada tabel terlihat bahwa metode yang memiliki nilai MAPE, MAD, dan MSD yang paling
kecil adalah metode yang paling baik digunakan dalam peramalan. Model trend kuadratik
merupakan model terbaik dengan persamaan Yˆ  354685  254.11X  201.917 X 2 .

6.2. Melakukan Peramalan dengan Model Trend Terbaik

Metode trend kuadratik digunakan untuk peramalan jumlah penduduk Kabupaten Gowa
untuk beberapa periode berikutnya. Adapun hasil peramalan tersebut diperlihatkan dalam Tabel
2.
Tabel 2. Peramalan Model Trend Kuadratik 8 periode berikutnya
Periode Forecast Tahun
31 627688 2009
32 642956 2010
33 658628 2011
34 674704 2012
35 691183 2013
36 708066 2014
37 725353 2015
38 743044 2016

Grafik pertumbuhan penduduk model trend kuadratik diperlihatkan pada Gambar 2.

Rahmawati
 JTRISTE ISSN: 2355-3677  52

Trend Analysis Plot for C1

Quadratic Trend Model
Yt = 354685 + 2547* t + 201.9* t** 2
800000 Variable
A ctual
F its
700000 F orecasts

A ccuracy Measures
MA PE 1
600000 MA D 5031
MSD 36573237

C1
500000

400000

300000
4 8 12 16 20 24 28 32 36
Index

Gambar 2. Model trend kuadratik dan peramalan data jumlah penduduk kabupaten gowa.

Grafik 2 menunjukkan hasil peramalan yang mengalami kenaikan setiap periodenya.

Jumlah penduduk pada tahun 2009 – 2016 ditunjukkan dengan titik hijau dengan kenaikan rata-
rata 16479 jiwa per tahun.

7. Kesimpulan
Analisis trend untuk peramalan jumlah penduduk kabupaten Gowa menunjukkan model
linear, kuadratik dan eksponen dengan masing-masing persamaan Yˆ  321302  8806.55 X ,
Yˆ  354685  254.11X  201.917 X 2 , dan Yˆ  335998(1.01924 X ) . Model kuadratik dengan
MAPE = 1, MAD = 5031, dan MSD = 36573237 merupakan nilai terkecil dibanding model
lainnya dan dipilih sebagai model terbaik. Peramalan menggunakan model kuadratik
menunjukkan bahwa jumlah penduduk pada 8 periode berikutnya mengalami kenaikan secara
terus-menerus dengan rata-rata kenaikan 16479 jiwa.

8. Referensi
[1] Cryer, J. D., Time Series Analysis. Massachusetts: PWS Publishers. 1986.
[2] Bambang, K.1984. Statistik Analisa Runtun Waktu Dan Korelasi. Yogyakarta: BPFE –
Yogyakarta.
[3] Tiro, M. Arif. 2002. Statistika Terapan untuk Ilmu Ekonomi dan Ilmu Sosial. Makassar:
Andira Publisher.
[4] Aswi, dan Sukarna, Analisis Deret Waktu. Makassar: Andira Publisher. 2006
[5] Supranto, J., Statistika Teori dan Aplikasi, Erlangga. Jakarta, 2000.
[6] Box, G. E. P and Jenkins, G. M., Time Series Analysis Forecasting and Control. 2nd
Edition, San Fransisco: Holden-day, 1976.
[7] Makridakis, Spyros, dkk., Metode Dan Aplikasi Peramalan. Diterjemahkan oleh : untung
sus andryanto dan abdul basith. Jakarta : Erlangga, 1999.

Rahmawati

View publication stats