Peramalan Alokasi Anggaran Dana Pensiun di Kabupaten Banyumas dengan Metode Triple Exponential Smoothing

Nur Jannah; Agung Prabowo; Diah Paramita Amitarwati

doi:10.33830/hexagon.v2i1.6218.

Nur Jannah
Universitas Jenderal Soedirman
Agung Prabowo
Jurusan Matematika, FMIPA Universitas Jenderal Soedirman
Diah Paramita Amitarwati
UPBJJ Universitas Terbuka Purwokerto

Keywords: aparatur sipil negara, future value, MAPE, TASPEN, time series

Abstract

Jumlah Aparatur Sipil Negara (ASN) di Kabupaten Banyumas hingga Januari 2023 adalah 148.384 orang terdiri dari Pegawai Negeri Sipil (PNS) dan Pegawai Pemerintah dengan Perjanjian Kerja (P3K). Pemerintah harus menyiapkan uang pensiun agar tidak terjadi masalah dengan pembayaran uang pensiun setiap bulannya. Kebutuhan uang pensiun tergantung pada prediksi jumlah ASN yang akan pensiun, rata-rata besar uang pensiun dan tingkat bunga. Tujuan penelitian ini adalah menganalisis kebutuhan dana pensiun selama tiga bulan berturut-turut. Metode penelitian berupa studi kasus dengan mengambil sampel PNS di Kabupaten Banyumas dari Januari 2022 sampai dengan Januari 2023. Data penelitian diperoleh dari PT. TASPEN (Persero) Kantor Cabang Purwokerto, diramal menggunakan metode triple exponential smoothing. Hasil ramalan dengan parameter pemulus alfa sebesar 0,95 menghasilkan nilai MAPE 1,8765% yang masuk kriteria sangat baik. Hasil ramalan jumlah Pensiunan PNS di Kabupaten Banyumas untuk bulan Februari, Maret dan April 2023 berturut-turut sebesar 11.569, 11.598, dan 11.648 orang. Sedangkan hasil analisis terhadap total kebutuhan dana pensiun selama tiga bulan dengan asumsi setiap pensiunan mendapatkan uang pensiun rata-rata Rp3.000.000 dan tingkat bunga 3,00692% perbulan adalah Rp110.860.475.416. Hasil perhitungan ini tidak dapat dibandingkan dengan data riil sebagai akibat tidak tersedianya data riil besar dana pensiun selama tiga bulan dari Februari – April 2023.

References

Aswi dan Sukarna. (2006). Analisis Deret Waktu Makassar: Adira Publisher.

Asyhari, E., Wahyudi, D., dan Aeni, Q. (2020). Analisis Peramalan Permintaan pada Geprek Bensu Menggunakan Metode Time Series. Jurnal Teknologi dan Sistem Informasi, 6(3), 215-220. DOI: https://doi.org/10.33330/jurteksi.v%vi%i.424.

Herispon. (2007). Matematika Keuangan. Pekanbaru Riau: UIR PRESS.

Krisma, A., Azhari, M., dan Widagdo, P. P. (2019). Perbandingan Metode Double Exponential Smoothing dan Triple Exponential Smoothing dalam Parameter Tingkat Error Mean Absolute Percentage Error (MAPE) dan Mean Absolute Deviation (MAD). Prosiding Seminar Nasional Ilmu Komputer dan Teknologi Informasi, 4(2): 81-87. Tersedia: https://e-journals.unmul.ac.id/index.php/SAKTI/article/view/2303.

Laksmana, R. D., Santoso, E., dan Rahayudi, B. (2019). Prediksi Penjualan Roti Menggunakan Metode Exponential Smoothing (Studi Kasus: Harum Bakery). Jurnal Pengembangan Teknologi Informatika dan Ilmu Komputer, 3(5): 4933-4941. Tersedia: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/5375.

Listiwikono, E. (2022). Perbandingan Metode Double Exponential Smoothing Holt dan Metode Triple Exponential Smoothing Holt-Winters untuk Peramalan Wisatawan Grand Watu Dodol. Transformasi: Jurnal Pendidikan Matematika dan Matematika, 2(2): 12-25. Tersedia: https://ejournal.unibabwi.ac.id/index.php/transformasi/article/view/252.

Martia, D. Y., Setyawati, W., dan Hastuti, Y. (2018). Analisis Valuasi Saham PT. Semen Indonesia (Persero) Tbk dengan Metode Discounted Cash Flow (DCF). Jurnal Aktual Akuntansi Keuangan Bisnis Terapan, 1(2): 160-166, DOI: http://dx.doi.org/10.32497/akunbisnis.v1i2.1232.

Nurkahfi, M. B., Wahanggara, V., & Prakoso, B. H. (2020). Perbandingan Metode Double Exponential Smoothing dan Least Square untuk Sistem Prediksi Hasil Produksi Teh. BIOS: Jurnal Teknologi Informasi dan Rekayasa Komputer, 1(2): 48-53. Tersedia: https://media.neliti.com/media/publications/340250-perbandingan-metode-double-exponential-s-d00fb17b.pdf.

Prabowo, A. Susilawati, S., dan Amitarwati, D.P. (2021). Analisis Pendapatan Retribusi Pasar di Kabupaten Banyumas Menggunakan Uji Anova Satu Arah. Perwira Journal of Science & Engineering, 1(2): 12-25. DOI:https://doi.org/10.54199/pjse.v1i2.63.

Pratama, D.A., Dzulfida, A.L., Huwaida, J.K., Prabowo, A., dan Tripena, A. (2016). Aplikasi Metode Double Exponential Smoothing Brown dan Holt untuk Meramalkan Total Pendapatan Bea dan Cukai. Prosiding Seminar Nasional Matematika dan Terapannya, Jurusan Matematika FMIPA Universitas Jenderal Soedirman, Tersedia: https://adoc.pub/aplikasi-metode-double-exponential-smoothing-brown-dan-holt-.html.

Purnama, E. D., Frederica, D., dan Adirinekso, G. (2021). Perencanaan Keuangan Dana Pensiun Melalui Metode Time Value of Money dengan Menggunakan Kalkulator Finansial. Jurnal Abdikaryasakti, 1(1): 47-62. DOI: https://doi.org/10.25105/ja.v1i1.8877.

Putri, N. G., Herawati, Y. T., dan Ramani, A. (2019). Peramalan Jumlah Kasus Penyakit Hipertensi di Kabupaten Jember dengan Metode Time Series. Journal of Health Science and Prevention, 3(1): 39-46, DOI: https://doi.org/10.29080/jhsp.v3i1.161.

Ramadhan, A.S., Prabowo, A. Kankarofi, R.H., dan Sulaiman, I.M. (2023). Forecasting Human Development Index with Double Exponential Smoothing Method and Acorrect Determination. International Journal of Business, Economics, and Social Development 4(1): 25-31. DOI: https://doi.org/10.46336/ijbesd.v4i1.375.

Robi’al, S. M. (2018). Perbandingan Model Statistik pada Analisis Metode Peramalan Time Series: Studi Kasus: PT. Telekomunikasi Indonesia, Tbk. Kandatel Sukabumi. Santika, 8(2): 823-838, DOI: https://doi.org/10.37150/jsa.v8i2.400.

Utami, R., dan Atmojo, S. (2017). Implementasi Metode Triple Exponential Smoothing Additive untuk Prediksi Penjualan Alat Tulis Kantor (ATK) pada “X Stationery”. Seminar Nasional Sains dan Teknologi Terapan V 2017, Institut Teknologi Adhi Tama Surabaya, pp. 25-30, https://jurnal.itats.ac.id/wp-content/uploads/2017/12/sntekpan-ruli.pdf.

Winarno, S. H. (2014). Analisis Penilaian Keputusan Investasi Menggunakan Metode Net Present Value. Moneter Jurnal Akuntansi dan Keuangan, 1(1): 116-124. DOI: https://doi.org/10.31294/moneter.v1i1.852.