PERAMALAN DATA DERET BERKALA MENGGUNAKAN METODE PEMULUSAN EKSPONENSIAL TRIPLE
ABSTRACT
FORECASTING PERIODIC DATA USING TRIPLE EXPONENTIAL SMOOTHING METHOD
By
Sella Nofriska Sudrimo
The aim of this study is determined the best time series model to predict the number of passengers at Juanda Airport with a triple exponential smoothing method. The first step is to test the assuming stationer the data with graphs ACF and the unit root test, assuming trends with graphs time series and unit root test and then seasonal assumptions using time series charts and seasonal index. The best predicts of passengers at Juanda Airport is measured by the smallest value of Mean Absolute Percentage Error (MAPE) and Mean Absolute Deviation (MAD). The results showed that the number of passengers at Juanda Airport is most affected by seasonal influences and less affected by the influence of the trend. Keywords : Triple exponential smoothing method, MAPE ( Mean Absolute Percentage Error ), MAD ( Mean Absolute Deviation ).
(2)
ABSTRAK
PERAMALAN DATA DERET BERKALA MENGGUNAKAN METODE PEMULUSAN EKSPONENSIALTRIPLE
Oleh
SELLA NOFRISKA SUDRIMO
Tujuan dari penelitian ini adalah menentukan model deret waktu terbaik untuk meramalkan jumlah penumpang di Bandara Juanda dengan metode pemulusan eksponensial triple. Langkah pertama adalah menguji asumsi kestasioneran data dengan grafik ACF dan uji akar unit, asumsitrend dengan grafik deret waktu dan uji akar unit dan asumsi musiman dengan menggunakan grafik deret waktu serta indeks musiman. Model terbaik untuk meramalkan jumlah penumpang di Bandara Juanda adalah yang memiliki nilai Mean Absolute Persentage Error (MAPE) dan Mean Absolute Deviation (MAD) terkecil
Hasil penelitian menunjukkan bahwa jumlah penumpang di Bandara Juanda sangat dipengaruhi oleh pengaruh musiman dan kurang dipengaruhi oleh pengaruhtrend.
Kata kunci: Metode pemulusan eksponensial triple, MAPE (Mean Absolute Percentage Error), MAD (Mean Absolute Deviation)
(3)
PERAMALAN DATA DERET BERKALA MENGGUNAKAN METODE PEMULUSAN EKSPONENSIALTRIPLE
(Studi Kasus Data Penumpang Bandara Juanda 2008-2014)
(Skripsi)
Oleh
SELLA NOFRISKA SUDRIMO
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG
BANDAR LAMPUNG 2016
(4)
ABSTRACT
FORECASTING PERIODIC DATA USING TRIPLE EXPONENTIAL SMOOTHING METHOD
By
Sella Nofriska Sudrimo
The aim of this study is determined the best time series model to predict the number of passengers at Juanda Airport with a triple exponential smoothing method. The first step is to test the assuming stationer the data with graphs ACF and the unit root test, assuming trends with graphs time series and unit root test and then seasonal assumptions using time series charts and seasonal index. The best predicts of passengers at Juanda Airport is measured by the smallest value of Mean Absolute Percentage Error (MAPE) and Mean Absolute Deviation (MAD). The results showed that the number of passengers at Juanda Airport is most affected by seasonal influences and less affected by the influence of the trend. Keywords : Triple exponential smoothing method, MAPE ( Mean Absolute Percentage Error ), MAD ( Mean Absolute Deviation ).
(5)
ABSTRAK
PERAMALAN DATA DERET BERKALA MENGGUNAKAN METODE PEMULUSAN EKSPONENSIALTRIPLE
Oleh
SELLA NOFRISKA SUDRIMO
Tujuan dari penelitian ini adalah menentukan model deret waktu terbaik untuk meramalkan jumlah penumpang di Bandara Juanda dengan metode pemulusan eksponensial triple. Langkah pertama adalah menguji asumsi kestasioneran data dengan grafik ACF dan uji akar unit, asumsitrend dengan grafik deret waktu dan uji akar unit dan asumsi musiman dengan menggunakan grafik deret waktu serta indeks musiman. Model terbaik untuk meramalkan jumlah penumpang di Bandara Juanda adalah yang memiliki nilai Mean Absolute Persentage Error (MAPE) dan Mean Absolute Deviation (MAD) terkecil
Hasil penelitian menunjukkan bahwa jumlah penumpang di Bandara Juanda sangat dipengaruhi oleh pengaruh musiman dan kurang dipengaruhi oleh pengaruhtrend.
Kata kunci: Metode pemulusan eksponensial triple, MAPE (Mean Absolute Percentage Error), MAD (Mean Absolute Deviation)
(6)
PERAMALAN DATA DERET BERKALA MENGGUNAKAN METODE PEMULUSAN EKSPONENSIALTRIPLE
(Studi Kasus Data Penumpang Bandara Juanda 2008-2014)
Oleh
SELLA NOFRISKA SUDRIMO
Skripsi
Sebagai Salah Satu Syarat untuk Mencapai Gelar SARJANA SAINS Pada
Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS LAMPUNG
BANDAR LAMPUNG 2016
(7)
(8)
(9)
(10)
RIWAYAT HIDUP
Penulis dilahirkan di Tanjung Karang, Bandar Lampung pada tanggal 26 November 1994, merupakan anak kedua dari Bapak Ir. Sudrimo dan Ibu Kamilawati.
Menempuh pendidikan di Taman Kanak-Kanak (TK) Xaverius Terbanggi Besar pada tahun 1999-2000, Sekolah Dasar (SD) diselesaikan di SD Xaverius
Terbanggi Besar pada tahun 2000-2006, kemudian bersekolah di SMP Xaverius 4 Bandar Lampung pada tahun 2006-2009, kemudian bersekolah di SMA Al-Azhar 3 Bandar Lampung pada tahun 2009-2012.
Pada tahun 2012 penulis terdaftar sebagai mahasiswa S1 Matematika di Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung melalui Jalur SBMPTN tertulis. Selama menjadi mahasiswa, penulis pernah aktif di Himpunan Mahasiswa Jurusan Matematika (HIMATIKA) FMIPA Unila 2013/2014 (sebagai anggota Bidang Eksternal) dan HIMATIKA FMIPA Unila 2014/2015 (sebagai anggota Biro Dana dan Usaha.
Pada bulan Februari tahun 2015 melakukan Kerja Praktik (KP) di Badan Pusat Statistik (BPS) Provinsi Lampung dan pada bulan Agustus tahun 2016
melaksanakan Kuliah Kerja Nyata (KKN) di Desa Wonokerto, kec. Tulang Bawang Tengah, kab. Tulang Bawang Barat, Lampung.
(11)
PERSEMBAHAN
Dengan segala rasa syukur kehadirat Allah SWT atas segala nikmat dalam
hidupku dan dengan segala kerendahan hati, kupesembahkan karya kecilku
untuk orang - orang yang telah memberi makna dalam hidupku.
Ayah dan Ibu tersayang yang telah menjadi motivasi terbesarku selama ini.
Kakakku Ridwan Benni Saputra yang menjadi penyemangatku untuk menjadi
adik yang bisa dibanggakan.
Orang yang selalu disampingku saat suka maupun duka Reno Bagus Saputra
Keluarga besar kutercinta yang selalu memberikan semangat dan dukungan.
Dosen Pembimbing dan Penguji yang sangat berjasa, seluruh sahabat-sahabatku
dan Almamaterku Universitas Lampung
(12)
KATA INSPIRASI
Maka Nikmat Tuhanmu Yang Mana Lagi Yang Kamu Dustakan ?
(Q.S. Ar-Rahman 55)
Jika ingin sukses bersiaplah untuk diposes dan diuji
(Anonim)
Saat muda ini habiskan lah waktu kegagalan kita sehingga saat tua kita dapat
menghabiskan waktu kesuksesan kita
(13)
SANWACANA
Puji syukur kehadirat Allah SWT atas rahmat dan karunia-Nya sehingga skripsi ini dapat diselesaikan. Skripsi denganjudul “Peramalan Data Deret Berkala Menggunakan Pemulusan EksponensialTriple” disusunsebagai salah satu syarat memperoleh gelar Sarjana Sains (S.Si.) di Universitas Lampung.
Dengan ketulusan hati penulis ingin mengucapkan terimakasih banyak kepada : 1. Netti Herawati, Ph.D. selaku Dosen Pembimbing I, terimakasih untuk
bimbingan dan kesedian waktunya selama penyusunan skripsi ini.
2. Dr. Muslim Ansori selaku Dosen Pembimbing II dan Pembimbing Akademik, terimakasih untuk bantuan dan masukannya selama penyusunan skripsi. 3. Nusyirwan, M.Si. selaku Dosen Penguji, terimakasih atas kesediannya untuk
menguji, memberikan saran dan kritik yang membangun dalam penyelesaian skripsi ini.
4. Tiryono Ruby, P.hD. selaku Ketua Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung.
5. Seluruh dosen dan karyawan Jurusan Matematika.
6. Keluargaku tercinta, Ibu yang tak pernah berhenti melantunkan doanya untuk kesuksesanku, Ayah yang selalu mendukung dan memberikan banyak
pembelajaran hidup serta kakakku Ridwan Benni S yang senantiasa memberi semangat dan dukungan untuk menyelesaikan skripsi ini
(14)
7. Keluarga kecilku di kampus, RUSUH (Anisa, Grita, Naelu, Lina, Citra, Hana, dan Merda) atas bantuannya dan motivasinya selama ini.
8. Reno Bagus S yang selalu memberi motivasi, ilmu, dan waktunya sehingga terselesaikannya skripsi ini.
9. Sahabat-sahabat seperjuangan matematika 2012.
10. Semua pihak yang telah membantu saya dalam menyusun skripsi ini. 11. Almamterku tercinta Universitas Lampung.
Akhir kata, penulis berharap skripsi ini dapat bermanfaat bagi banyak pihak
Bandar Lampung, 2016 Penulis
(15)
DAFTAR ISI
Halaman
DAFTAR GAMBAR ...iii
DAFTAR TABEL ...iv
I. PENDAHULUAN 1.1. Latar Belakang dan Masalah ... 1
1.2. Tujuan Penelitian... 2
1.3. Manfaat Penelitian... 2
II. TINJAUAN PUSTAKA 2.1 Analisis Deret Waktu ... 3
2.2 Definisi Musiman... 3
2.3 DefinisiTrend... 4
2.4 Definisi Siklis ... 4
2.5 Metode Peramalan ... 5
2.6 Definisi Kestasioneran... 5
2.7 Uji Akar Unit ... 6
2.8 Autokorelasi... 8
2.9 Indeks Musiman... 10
2.10 Fungsi Eksponensial dan Bobot Pemulusan Eksponensial... 11
2.11 Deret Pangkat... 12
2.12 Metode Pemulusan... 13
2.12.1 Metode Perataan ... 13
2.12.2 Metode Pemulusan Eksponensial... 13
2.13 Metode Pemulusan EksponensialTriple... 15
2.14 Nilai Awal... 20
2.15 Kriteria Kabaikan Model ... 21
III. METODOLOGI PENELITIAN 3.1 Waktu dan Tempat Penelitian ... 23
3.2 Data Penelitian ... 23
(16)
ii
IV. HASIL DAN PEMBAHASAN
4.1 Uji Asumsi Data ... 26
4.1.1 Uji Stasioner ... 26
4.1.1 UjiTrend... 27
4.1.2 Uji Musiman ... 28
4.2 Nilai Awal ... 29
4.2.1 Nilai Awal Untuk Pemulusan Eksponensial... 29
4.2.1 Nilai Awal Untuk PemulusanTrend... 30
4.2.2 Nilai Awal Untuk Pemulusan Musiman ... 30
4.3 Peramalan dengan Pemulusan EksponensialTriple... 31
4.3.1 Penentuan Nilai Pembobotan , ,Dan ... 31
4.3.2 Perhitungan Peramalan Pemulusan EksponensialTriple.. 32
4.4 Pemilihan Model Terbaik ... 33
4.5 Peramalan Jumlah Penumpang di Bandara Juanda pada Bulan Januari 2015 - Desember 2015 ... 35
V. KESIMPULAN ... 39 DAFTAR PUSTAKA
(17)
DAFTAR TABEL
Tabel Halaman
1. Jumlah Penumpang Pesawat di Bandara Juanda Tahun 2008-2014. ... 23 2. Nilai pengujian asumsi data memiliki akar unit dengan menggunakan
E-Views... 27 3. Nilai pengujian asumsi data mengandungtrenddengan menggunakan
E-Views... 28 4. Perhitungan Indeks Musiman... 29 5. Nilai MAPE dan MAD untuk mencari model terbaik ... 34 6. Nilai Pemulusan dan Peramalan Jumlah Penumpang Bandara Juanda
(18)
DAFTAR GAMBAR
Gambar Halaman
1. Grafik Musiman. ... 3
2. GrafikTrend... 4
3. Grafik Siklus. ... 4
4. Grafik ACF Jumlah Penumpang Bandara Juanda Tahun 2008-2014 ... 26
5. Grafik Deret Waktu Jumlah Penumpang Bandara Juanda Tahun 2008-2014 ... 28
7. Grafik Deret Waktu Peramalan Jumlah Penumpang di Bandara Juanda pada Bulan Januari 2015–Desember 2015 ... 38
(19)
I. PENDAHULUAN
1.1 Latar Belakang dan Masalah
Peramalan merupakan dugaan atau perkiraan yang menyatakan terjadinya sesuatu kejadian atau peristiwa untuk waktu yang akan datang. Peramalan dapat bersifat kualitatif artinya tidak berbentuk angka misalnya ramalan cuaca seperti minggu depan akan turun hujan dan sebagainya. Namun, ada juga yang bersifat
kuantitatif yakni berbentuk angka yang dinyatakan dalam bentuk bilangan (Santoso dan Hamdani, 2007).
Metode pemulusan eksponensial merupakan metode yang dapat digunakan dalam berbagai macam variasi pola data. Sesuai dengan kreterianya, untuk data dengan pola dasar stasioner atau konstan, metode pemulusan eksponensial tunggal sangat cocok digunakan, untuk mengatasi fluktuasi data. Sedangkan untuk data dengan pola dasar linear, metode pemulusan eksponensial ganda sangat cocok digunakan. Untuk pola data yang lain seperti kuadratik dapat digunakan metode pemulusan eksponensialtripledan sebagainya.
Pada peneliti terdahulu (Lestari, 2006) telah dibahas pemulusan eksponensial tunggal dan ganda. Pada pemulusan eksponensial tunggal digunakan untuk data yang stasioner dan pemulusan eksponensial ganda digunakan untuk data yang
(20)
2
mengandung trend, namun keduanya tidak dapat digunakan untuk data yang mengandung unsur musiman (Makridakis, dkk., 1999).
Maka dari itu penulis akan membahas metode pemulusan eksponensialtripleatau biasa dikenal denganHolt’s Winter Method. Metode ini dapat digunakan untuk data yang mengandung musiman dan trend. Metode eksponensialtriple
merupakan pendekatan yang sangat penting dalam peramalan.
Dalam penelitian ini, akan dibahas peramalan data deret berkala menggunakan pemulusan eksponensialtriple.
1.2 Tujuan Penelitian
Tujuan penelitian ini adalah untuk meramalkan data deret berkala menggunakan pemulusan eksponensialtriple.
1.3 Manfaat Penelitian
Manfaat penelitian ini yaitu dapat menjadi referensi bagi pembaca apabila ingin melakukan penelitian mengenai peramalan dengan data yang mengandungtrend
(21)
II. TINJAUAN PUSTAKA
2.1 Analisis Deret Waktu
Analisis deret waktu merupakan serangkaian observasi terhadap suatu variabel yang diambil secara beruntun berdasarkan interval waktu yang tetap (Wei, 2006). Biasanya jarak atau interval dari waktu ke waktu sama. Pada umumnya
pengamatan dan pencatatan itu dilakukan dalam jangka waktu tertentu, misalnya akhir tahun, tiap permulaan tahun, tiap sepuluh tahun, dan sebagainya
(Hadi,1995).
2.2 Definisi Musiman
Musiman didefinisikan sebagai suatu pola yang berubah sendiri setelah selang waktu yang tetaap. Pola musiman dapat berupa kwartal (4 bulan), semesteran (6 bulan), atau tahunan (12 bulan) (Makridakis, dkk., 1992).
(22)
4
2.3 DefinisiTrend
Jika dalam suatu deret terdapat gerakan naik ataupun turun dalam jangka panjang, maka deret tersebut dikatakan deret yang mengandung unsurtrend(Makridakis, dkk., 1992). 2014 2012 2010 2008 2006 2004 2002 2000 180000000 160000000 140000000 120000000 100000000 80000000 60000000 40000000 20000000
Ta h u n
P D R B (j u ta R u p ia h )
S ca t t e r pl ot of P D R B ( j ut a R upi a h) v s Ta hun
Gambar 2. GrafikTrend
2.4 Definisi Siklis
Suatu deret berkala dikatakan mengandung siklis jika data tersebut dipengaruhi oleh fluktuasi jangka panjang yang bisa terjadi secara periodik ataupun tidak (Makridakis, dkk., 1992 )
(23)
5
2.5 Metode Peramalan
Peramalan merupakan dugaan atau perkiraan yang menyatakan terjadinya sesuatu kejadian atau peristiwa untuk waktu yang akan datang. Peramalan dapat bersifat kualitatif artinya tidak berbentuk angka misalnya ramalan cuaca seperti minggu depan akan turun hujan dan sebagainya. Namun, ada juga yang bersifat kuantitatif yakni berbentuk angka yang dinyatakan dalam bentuk bilangan (Santoso dan Hamdani, 2007).
2.6 Definisi Kestasioneran
Jika proses pembangkitan yang mendasari suatu deret berkala didasarkan pada nilai tengah ( )konstan dan ragam( )yang konstan, maka deret berkala berupa stasioner (Makridakis, dkk., 1992).
Ciri-ciri data yang stasioner:
1. Apabila diplot maka akan sering melewati sumbu horizontal.
2. Autokorelasinya akan menurun mendekati nol setelah lag kedua atau ketiga.
Stasioneritas dibagi menjadi 2 yaitu : 1. Stasioner dalam rata-rata
Stasioner dalam rata adalah fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, tidak bergantung pada waktu dan variansi dari fluktuasi tersebut. Dari bentuk plot data dapat diketahui bahwa data tersebut stasioner atau tidak stasioner. Apabila data tidak stasioner dalam rata-rata maka dapat
(24)
6
dilakukan pengurangan antar data sehingga data tersebut stasioner dalam rata-rata.
2. Stasioner dalam ragam
Sebuah data deret waktu dikatakan stasioner dalam ragam apabila struktur dari waktu ke waktu mempunyai fluktuasi data yang tetap atau konstan dan tidak berubah-ubah. Secara visual untuk melihat hal tersebut dapat dibantu dengan menggunakan grafik deret waktu, yaitu dengan melihat fluktuasi data dari waktu ke waktu. Apabila tidak stasioner dalam variansi maka perlu dilakukan perhitungan dengan metode box-cox sehingga data tersebut stasioner dalam variansi (Wei, 2006).
2.7 Uji Akar Unit
Uji Akar Unit dengan metode ADF (Augmented Dickey Fuller) dapat dilakukan dengan melihat secara grafis sehingga dapat diketahui apakah pada variabel mengandungtrendatau tidak. Pada prinsipnya, uji ini dimaksudkan untuk mengamati apakah koefisien tertentu dari modelAutoregresif(AR) mempunyai nilai satu atau tidak. Untuk mencari uji akar unit, pertama kita menghitung nilai dari model persamaan berikut:
= + (2.1)
Dimana adalah nilai galat dan merupakan nilai autoregresinya( 1 < < 1). Jika = 1, maka deret tersebut mengandung akar unit (mengandungtrend). Sedangkan apabila < 1, maka deret tersebut tidak mengandung akar unit (stasioner).
(25)
7
Namun, kita tidak bisa memperkirakan persamaan 2.1 olehOrdinary Least Square
(OLS) dan menguji hipotesis bahwa = 1dengan uji t biasanya karena uji tersebut sangat bias dalam kasus akar unit. Oleh karena itu kita memanipulasi persamaan 2.1 dengan mengurangkan setiap sisi persamaan dengan , sehingga persamaan menjadi:
= + (2.2)
, = ( 1) +
(2.3)
, = +
(2.4) Dimana, adalah selisih antara Yt dan , = serta = 1.
Selanjutnya, uji ADF dapat diterapkan dengan mengestimasi model berikut:
, = + + + + + + +
(2.5)
Dimana , = + + + dengan 0, 0dan = 0. merupakan persamaan untuk menentukan trend.
Dalam metode ADF, untuk menguji kestasioneran dapat dilakukan dengan mengestimasi persamaaan 2.1 sebelumnya dan menguji apakah = 1atau sama dengan mengestimasi persamaan 2.4 dan menguji apakah = 0. Dickey fuller menujukkan bahwa nilai koefisien akan mengikuti distribusi statistik (tau) dan menyusun statistik sebagai titik kritis pengujian. Hal ini menyebabkan pengujian dengan estimasi persamaan 2.4 dikenal sebagai ujiDickey Fuller. Distribusi statistik kemudian dikembangkan lebih jauh oleh Mackinnon dan dikenal sebagai distribusi statistik Mackinnon. Untuk pengujianaugmented dickey fuller
dilakukan dengan menghitung nilai -statistik dengan rumus:
=
(26)
8
Hipotesis yang digunakan untuk menentukan apakah data deret mengandung akar unit, yaitu:
H0: = 0 (Mengandung akar unit atau tidak stasioner atau memiliki trend)
H1: ≠ 0(tidak mengandung akar unit atau stasioner)
Apabila | |<| |, makaH0diterima, yang artinya data deret tidak stasioner (Gujarati and Porter, 2009).
2.8 Autokorelasi
Autokorelasi merupakan suatu alat untuk menujukkan tingkat asosiasi atau hubungan diantara variabel-variabel yang sama, tetapi waktu terjadinya berbeda. Dengan mengetahui koefisien autokorelasi dapat diketahui ciri, pola dan jenis data. Sehingga dapat mengidentifikasi model tentative yang disesuaikan dengan data (Makridakis, dkk., 1992).
Dari proses stasioner suatu data deret waktu (Xt) diperoleh E(Xt) = µ dan variansi Var (Xt) = E (Xt- µ)2= σ2, yang konstan dan kovarian Cov (Xt,Xt+k), yang fungsinya hanya pada perbedaan waktu│t- (t-k)│. Maka dari itu, hasil tersebut dapat ditulis sebagai kovariansi antara Xtdan Xt+ksebagai berikut :
= Cov (Xt,Xt+k) = E (Xt- µ)(Xt+k- µ) (2.7) dan korelasi antara Xtdan Xt+kdidefinisikan sebagai
=
( )( , )( )
=
(2.8)Dimana merupakan rata-rata data, merupakan autokovarians pada lag ke-k, dan merupakan autokorelasi pada lag ke-k, serta t = waktu pengamatan ke t untuk semua t adalah 1, 2, ..., dst.
(27)
9
Notasi ( ) ( )= . Sebagai fungsi dari k, disebut fungsi autokovarian dan disebut fungsi autokorelasi (ACF). Dalam analisisderet waktu, dan menggambarkan kovarian dan korelasi antara Xtdan Xt+kdari proses yang sama, hanya dipisahkan oleh lag ke-k.
Fungsi autokovariansi dan fungsi autokorelasi memiliki sifat-sifat sebagai berikut :
1. = Var( ); = 1. (2.9)
2. ; 1. (2.10)
3. = dan = (2.11)
untuk semua k, dan adalah fungsi yang sama dan simetrik lag ke-k = 0. Sifat tersebut diperoleh dari perbedaan waktu antara dan . Oleh sebab itu, fungsi autokorelasi sering hanya diplotkan untuk lag non negatif. Plot tersebut kadang disebut korrelogram.
Pengujian koefisien autokorelasi :
H0: = 0 (Koefisien autokorelasi tidak berbeda secara signifikan)
H1: ≠ 0 (Koefisien autokorelasi berbeda secara signifikan)
Dimana jika terletak dalam selang persamaan 2.8, keputusannya belum cukup bukti untuk menolak H0sehingga dapat disimpulkan data stasioner. Sebaliknya, jika terletak di luar selang persamaan 2.8, keputusannya belum cukup bukti untuk terima H0sehingga dapat disimpulkan data tidak stasioner (Wei, 2006). Statistik uji :
(28)
10
dengan
= ( ( )( ) ) (2.13)
SE ( ) = (2.14)
dimana:
= uji t
SE ( )= galat baku autokorelasi pada saat lag ke-k = autokorelasi pada saat lag ke-j
k = time lag
T = banyak observasi dalam data deret waktu
Kriteria keputusan : tolakH0jika nilai│thitung│> tα/2,df dengan derajat bebasdf= t-1, t merupakan banyaknya data dank adalah lag koefisien autokorelasi yang diuji (Pankratz, 1991).
2.9 Indeks Musiman
Indeks musiman dapat digunakan untuk menguraikan perkiraan/ ramalan
penjualan tahunan menjadi perkiraan penjualan perbulan pada tahun mendatang. Untuk mencari indeks musiman dapat menggunakan metode rata-rata sederhana, yaitu dengan rumus
Indeks musiman = 100% 12 (2.15)
Dimana, merupakan rata-rata data bulan ke-i tiap tahun (i = 1,2,..,12) dan merupakan rata-rata data tiap bulan pada tahun ke-j (j = 1,2,…,n).
Indeks musiman adalah suatu angka yang bervariasi terhadap nilai dasar 100. Jika suatu periode musiman mempunyai nilai indeks 100 maka ini menujukkan bahwa data tersebut tidak dipengaruhi oleh pengaruh musiman (Yulianto, 2012).
(29)
11
2.10 Fungsi Eksponensial dan Bobot Pemulusan Eksponensial Fungsi eksponen diperkenalkan pertama kali olehLeonhard Eulerdengan lambang . Fungsi eksponen didefinisikan bahwa huruf menyatakan bilangan real positif unik sedemikian rupa sehingga ln = 1.
Fungsi eksponensial merupakan fungsi yang mempunyai satu konstanta baris dan satu peubah eksponen, disebut fungsi eksponensial.
=
= exp (ln )
= exp (x ln a)
= (2.16)
Persamaan 2.16 disebut fungsi eksponensial berbasis a dan x sebagai eksponen. Definisi 2: untuk a>0 dan sebarang bilangan real x, maka
=
(Purcell, dkk., 2004) Bobot yang diberikan untuk setiap data pada model pemulusan eksponensial menurun secara eksponensial, sebagaimana persamaan sebagai berikut:
Ft= + (1 ) + (1 ) + + (1 ) (2.17)
Sehingga bobot pemulusan adalah (Y) = , (1 ), (1 )2, …, dst dan membentuk suatu deret pangkat.
Secara umum persamaan 2.17 dituliskan sebagai berikut:
(Y) = (1 )n (2.18)
(30)
12
2.11 Deret Pangkat
Teorema 1: Deret pangkat adalah konvergen seragam dan mutlak dalam sebarang interval yang terletak seluruhnya di dalam interval konvergensinya.
Jika deret konvergen pada satu (atau kedua) titik ujung interval konvergensi, maka kita dapat membuktikan suatu fungsi kontinu dan suku demi suku pada deret dapat diintegrasikan sehingga menghasilkan integral.
Teorema 2: Teorema Abel. Ketika deret pangkat konvergen sampai dan termasuk titik ujung dari interval konvergensinya, maka interval konvergensi seragam tersebut juga diperluas hingga termasuk titik ujung ini.
Untuk penyederhanaan pembuktian, kita asumsikan deret pangkat sebagai dengan titik ujung dari interval konvergensinya pada x =1, sehingga deret tersebut sudah pasti konvergen untuk0 1. Dengan demikian, kita harus memperlihatkan bahwa deret konvergen seragam dalam interval ini. Misalkan
( ) = + + + (2.19)
Apabila disubtitusikan pada , pada persamaan 2.19 dengan demikian dapat ditulis sebagai berikut:
( ) = ( ) + ( ) + ( ) +
= + ( ) + ( ) +
= [ + (1 ) + + + (2.20)
Dimanan>NdanNtidak tergantung pada x tertentu dalam interval0 1 (Ayres and Medelson, 2012)
(31)
13
2.12 Metode Pemulusan
Metode pemulusan adalah metode peramalan yang dilakukan dengan cara mengambil rata-rata dari nilai-nilai pada beberapa tahun untuk menaksir nilai pada suatu tahun. Metode ini merupakan metode yang menghaluskan
gerak/pergerakan data, dari periode ke periode berikutnya. Metode ini dapat dikelompokkan menjadi 2 kelompok: metode perataan dan metode pemulusan eksponensial (Makridakis, dkk., 1992).
2.12.1 Metode Perataan
Metode perataan adalah metode yang memperlakukan data masa lalu yang menjadi bagian dari perhitungan dengan bobot yang sama untuk nilai tengah dan rata-rata bergerak tunggal dan bobot yang berbeda untuk rata-rata bergerak ganda dan kombinasi rata-rata bergerak lainnya. Untuk semua kasus, tujuannya adalah memanfaatkan data masa lalu untuk mengembangkan suatu peramalan
(Makridakis, dkk., 1992).
2.12.2 Metode Pemulusan Eksponensial
Metode pemulusan eksponensial merupakan metode yang dapat digunakan dalam berbagai macam variasi pola data. Sesuai dengan kreterianya, untuk data dengan pola dasar stasioner atau konstan, metode pemulusan eksponensial tunggal sangat cocok digunakan, untuk mengatasi fluktuasi data. Sedangkan untuk data dengan pola dasar linear, metode pemulusan eksponensial ganda sangat cocok digunakan.
(32)
14
Untuk pola data yang lain seperti kuadratik dapat digunakan metode pemulusan eksponensialtriple.
Metode pemulusan eksponensial yang mendasarkan, ramalan yang prinsip perataan - perataan (penghalusan) galat masa lalu dengan menambahkan
persentase galat kepada persentase ramalan sebelumnya (Makridakis, dkk., 1992).
Persamaan berikut yang dapat digunakan untuk menghitung ramalan dengan metode pemulusan eksponensial:
= + [ ] (2.21)
Dimana:
= dugaan baru atau nilai ramalan waktu t
= dugaan atau nilai ramalan pada periode t-1 (periode waktu terakhir)
= data aktual pada periode sekarang.
= konstanta pembobot pemulusan eksponensial (0 < <1) merupakan galat peramalan
Pada persamaan 2.18 dapat ditulis dalam bentuk:
= + (1 )[ ] (2.22)
Peramalan pada metode ini dapat ditulis sebagai berikut:
Ft= + (1 ) (2.23)
Ft= + (1 )[ + (1 ) ] (2.24)
Ft= + (1 ) + (1 ) (2.25)
Ft= + (1 ) + (1 ) [ + (1 ) ] (2.26)
Apabila proses pada persamaan 2.22 berulang, subtitusi dengan komponen , dengan komponen dan seterusnya, maka hasilnya sebagai berikut:
Ft= + (1 ) + (1 ) + (1 ) + (1 ) + +
(1 ) + (1 ) (2.27)
(33)
15
Ft= + (1 ) (2.28)
dimana:
Ft = dugaan baru atau nilai ramalan untuk waktu t = data aktual pada periode sekarang
= dugaan atau nilai ramalan pada periode t-1 (periode waktu terakhir).
2.13 Metode Pemulusan EksponensialTriple
Pada pemulusan eksponensial tunggal digunakan untuk data yang stasioner dan pemulusan eksponensial ganda digunakan untuk data yang mengandungtrend, namun keduanya tidak dapat digunakan untuk data yang mengandung unsur musiman (Makridakis, dkk., 1999).
Metode pemulusan eksponensialtripleatau yang biasa dikenal denganHolt’s
Winter Methodmerupakan metode peramalan yang dikemukakan oleh Holt dengan menggunakan persamaan kuadrat. Metode ini lebih sesuai jika digunakan untuk membuat peramalan dari suatu data yang berfluktuasi atau mengalami gelombang pasang surut (Subagyo, 2002).
Metode ini dapat mengatasi masalah data dengan menggunakan pola komponen data trend dan musiman yang tidak dapat diatasi oleh metodemoving averagedan metode pemulusan eksponensial lainnya . Apabila identifikasi pada historis dari data aktual permintaan menunjukkan adanya fluktuasi musiman, perlu dilakukan penyesuaian terhadap pengaruh musiman itu melalui menghitung indeks
musiman. Sebagai contoh untuk menjelaskan pengaruh musiman menggunakan angka indeks musiman (Triana, 2015).
(34)
16
Metode pemulusan eksponensialtripledigunakan dalam peramalan data runtut waktu yang mengikuti suatu pola musiman. Didasarkan pada 3 persamaan pemulusan, yaitu: untuk unsur eksponensial,trend, dan musiman.
Persamaan metode pemulusan eksponensial secara umum ditulis sebagai berikut:
= ( ) +
= ( ) +
= +
= + (1 ) (2.25)
Dimana
St= Pemulusan eksponensial pada tahun ke-t xt= Data ke-t
= konstanta pembobot pemulusan eksponensial (0<<1)
Persamaan 2.25 merupakan persamaan yang digunakan pada metode pemulusan eksponensial tunggal dimana pada metode tersebut hanya menggunakan satu konstanta pemulusan yaitudengan nilai pembobotan 0<<1. Namun pada
metode pemulusan eksponensial tunggal tidak dapat digunakan untuk data yang mengandungtrend, sehingga Holt (1957) mengembangkan metode ini dengan memasukkan unsurtrendpada persamaan tersebut. Oleh karena itu, Holt menambahkan unsurtrendpada persamaan 2.25. Sehingga persamaan baru tersebut dapat ditulis:
= ( ) + +
= ( ) + +
= ( ) + +
= + +
= + (1 ) + (1 )
= + ( 1)( + ) (2.26)
(35)
17
St= Pemulusan eksponensial pada tahun ke-t xt= Data ke-t
= pemulusan faktor musiman L = panjang musiman
bt= pemulusantrend
= konstanta pembobot pemulusan eksponensial (0<<1)
Persamaan 2.26 tersebut kemudian yang dikenal dengan metode pemulusan eksponensial ganda. Metode ini juga biasa dikenalHolt’s Linear. Untuk menghitung pemulusantrendnya digunakan persamaan sebagai berikut:
= ( ) + (1 )
= ( ) + (1 )
. . .
= ( ) + (1 ) (2.27)
Dimana:
= konstanta pembobot pemulusan untuk trend (0< <1) St= pemulusan eksponensial pada tahun ke-t
bt= pemulusantrend
merupakan selisih antar pemulusan eksponensial
Karena menggunakan dua konstanta pemulusan yaitu dan , maka dari itu
metode tersebut dikenal metode pemulusan eksponensial ganda. Namun pada metode pemulusan eksponensial ganda hanya dapat digunakan untuk data yang mengandungtrendtapi tidak dapat digunakan untuk data yang mengandung musiman, sehingga Holt (1960) mengembangkan metode ini dengan memasukkan unsur musiman pada data. Sehingga persamaan baru tersebut dapat ditulis:
= ( )+ +
= + + ( )
= + +
= + (1 ) + (1 )
(36)
18
Dimana
St= Pemulusan eksponensial pada tahun ke-t xt= Data ke-t
= pemulusan faktor musiman L = panjang musiman
bt= pemulusantrend
= konstanta pembobot pemulusan eksponensial (0<<1)
Persamaan 2.28 dikenal dengan metode pemulusan eksponensialtriple. Metode ini juga biasa dikenalHolt’sWinter. Karena pada metode ini menggunakan unsur
trenddan musiman maka perlu juga dilakukan perhitungan pemulusantrenddan pemulusan musimannya. Persamaan untuk menghitung pemulusantrendditulis sebagai berikut:
= ( ) + (1 ) (2.29)
Dimana:
= konstanta pembobot pemulusan untuk trend (0< <1) St= pemulusan eksponensial pada tahun ke-t
bt= pemulusantrend
merupakan selisih antar pemulusan eksponensial
Selanjutnya persamaan untuk menghitung pemulusan musiman ditulis sebagai berikut:
= ( ) + (1 ) = ( ) + (1 )
. . .
= ( ) + (1 ) (2.30)
Dimana:
= konstanta pembobot pemulusan untuk musiman (0< <1) = pemulusan faktor musiman
xt= Data ke-t
(37)
19
Untuk menentukan konstanta pemulusan apabila data yang digunakan memiliki pola historis yang tidak stabil maka nilai konstanta pemulusan memiliki nilai yang mendekati 1, namun apabila data yang digunakan memiliki pola historis yang tidak berfluktuasi atau relatif stabil maka nilai konstanta pemulusan memiliki nilai yang mendekati 0.
Peramalan menggunakan metode pemulusan eksponensiatripleyaitu dengan menghitung pemulusan eksponensial, pemulusantrend, dan pemulusan musiman. Setelah ketiga faktor ditemukan nilai pemulusannya, langkah terakhir adalah peramalan data pada periode p yang akan datang dengan rumus:
= + 1. +
= + 2. +
= + 3. +
. . .
= + +
(2.31) Dimana:
= Nilai yang ingin diramalkan = pemulusan faktor musiman L = panjang musiman
St= pemulusan eksponensial pada tahun ke-t bt= pemulusantrend
p = periode waktu yang akan diramalkan
Metode ini menggunakan tiga konstanta pemulusan yaitu, , dan dengan nilai
(38)
20
2.14 Nilai Awal
Nilai awal adalah nilai yang digunakan untuk menduga nilai awal pada koefisien
, , , . Jika data deret berkala tidak ada untuk memenuhi koefisien tersebut, maka untuk menentukan nilai tersebut dapat dilakukan dengan menghitung nilai prediksinya dengan menganalogikan dengan beberapa metode.
Berikut adalah metode yang digunakan untuk menentukan nilai awal : 1) Nilai awal untuk pemulusan eksponensial
Nilai awal untuk pemulusan total yaitu dengan menghitung rata-rata pada data di tahun pertama. Jika ditulis dalam notasi adalah sebagai beriku:
= ( + + + + )
= (2.32)
Dimana,
atau = Nilai awal pemulusan eksponensial x = Data ke-t
L = panjang periode musiman (L=3, L=4, L=6, atau L=12)
2) Nilai awal untuk pemulusantrend
= + + +
= + + +
= + + +
= + + + (2.33)
Dimana,
atau = Nilai awal untuk faktortrend
x = Data ke-t
(39)
21
3) Nilai awal untuk pemulusan musiman = = = .
. .
= (2.34)
Dimana,
= Nilai awal untuk faktor musiman ke-k x = Data ke-t
k = periode musiman, (k = 1,2,…,L)
(Makridakis, dkk., 1983).
2.15 Kriteria Kebaikan Model
Dalam melakukan permalan, ada beberapa metode yang digunakan untuk mencari ramalannya. Dari beberapa metode tersebut akan dicari metode manakah yang paling baik dan cocok untuk meramalkan data tertentu. Sebuah model dengan galat peramalan terkecil tentunya akan dipilih untuk melakukan prediksi di masa mendatang. Besarnya galat tersebut dapat dihitung melalui ukuran galat peramalan, sebagai berikut :
a. Mean Absolute Precentage Error(MAPE)
Persentase galat rata – rata mutlak (MAPE) memberikan petunjuk seberapa besar galat peramalan dibandingkan dengan nilai sebenarnya.
= ( ) + ( ) + + ( ) × 100
(40)
22
Dimana :
n= banyaknya data yang diamati = peramalan ke-t
Yt= data ke-t
Dimana suatu model data akan memiliki kinerja yang sangat baik apabila nilai MAPE dibawah 10%
b. Mean Absolute Deviation(MAD)
Simpangan rata-rata MAD mengukur akurasi peramalan dengan merata-ratakan nilai absolut galat peramalan. Nilai galat diukur dalam unit yang sama seperti pada data aslinya
= − + − + − + + −
= ∑ − (2.36)
Dimana:
n= banyaknya data yang diamati = peramalan ke-t
Yt= data ke-t
(41)
III. METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian
Penelitian ini dilakukan pada semester ganjil dan semester ganjil Tahun Ajaran 2015/2016 bertempat di Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Lampung.
3.2 Data Penelitian
Data yang digunakan dalam penelitian ini adalah data penumpang Bandara Juanda pada tahun 2008-2014. Data tersebut merupakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS). Data tersebut adalah sebagai berikut:
Tabel 1. Data Jumlah Penumpang di Bandara Juanda Tahun 2008-2014
Tahun
Bulan 2008 2009 2010 2011 2012 2013 2014 Jan 36783 37289 45980 48350 52029 75029 76063 Feb 30831 34154 36094 44405 50785 59691 66733 Mar 36016 38497 44646 54560 57386 61132 72501 Apr 33293 35404 39799 45742 52720 60353 68315 May 34617 37981 39363 50127 52604 64384 71341 Jun 41212 44522 48620 58210 59982 71637 71210 Jul 40251 41238 45032 52658 48206 55163 55537 Aug 37648 36308 38335 49643 57501 92622 80665 Sep 34031 41741 55997 63390 69700 84801 69489 Oct 46388 52822 50353 58000 64800 76940 98232 Nov 42627 47911 55043 52940 65061 74757 74874 Dec 46024 54584 61665 63347 68807 92658 83161
(42)
24
3.3 Metode Penelitian
Adapun langkah-langkah yang dilakukan dalam penelitian ini adalah 1. Menguji Asumsi
A. Stasioner
1) Mengidentifikasi dengan grafik fungsi autokorelasi (ACF).
2) Menggunakan uji akar unit dengan metode uji statistikAugmented Dickey-Fuller.
a) Menentukan nilai thitADF dengan uji statistik dengan menggunakansoftwareE-Views.
b) Menentukan nilai kritik untuk thitdengan rumus pada persamaan 2.6 dengan nilai taraf uji 1%, 5%, dan 10% menggunakansoftware
E-Views.
c) Menguji hipotesis untuk masing-masing .
B.Trend
1) Menyajikan grafik deret waktu. Apabila grafik deret waktu
menunjukkan kecenderungan naik atau turun, maka data mengandung
trend.
2) Menggunakan uji akar unit dengan metode ujiAugmented Dickey-Fuller.
C. Musiman
1) Menyajikan grafik deret waktu
2) Uji data musiman menggunakan indeks musiman yang dapat dihitung dengan metode rata-rata sederhana.
(43)
25
2. Nilai awal
A. Nilai awal untuk pemulusan eksponensial
= 1 =1 (2.32)
B. Nilai awal untuk pemulusantrend
= + + + (2.33)
C. Nilai awal untuk pemulusan musiman
= (2.34)
3. Menghitung nilai pemulusan eksponensialtriplesebagai berikut: A. Pemulusan keseluruhan
= ( ) + (1 ) ( + ) (2.28)
B. Penghalusantrend
= ( ) + (1 ) (2.29)
C. Penghalusan musiman
= ( ) + (1 ) (2.30)
4. Menghitung peramalan pemulusan eksponensialtripledengan :
= + + (2.31)
5. Memilih model pemulusan eksponensialtripelterbaik dengan melihat nilai kesalahan (error) terkecil.
= ( ) × 100 (2.35)
(44)
V. KESIMPULAN
1. Data jumlah penumpang di bandara Juanda pada tahun 2008 sampai 2014 mengandung faktortrenddan faktor musiman sehingga dapat diramalkan menggunakan metode pemulusan eksponensialtriple.
2. Data jumlah penumpang di bandara Juanda pada bulan Januari 2008 sampai Desember 2014 memiliki pola historis yang tidak berfluktuasi (relatif stabil) sehingga konstanta pemulusan eksponensial ( yang baik digunakan adalah yang memiliki nilai mendekati 0
3. Nilai galat terkecil pada MAPE dan MAD berturut-turut adalah 0.553261% dan 273.7696 yaitu pada = 0.0000001, = 0.0001, dan = 0.9834 4. Banyaknya penumpang pada bandara tersebut sangat dipengaruhi oleh
pengaruh musiman namun kurang dipengaruhi oleh faktortrendsehingga nilai peramalan yang dihasilkan tidak jauh berbeda dengan nilai pada data
(45)
DAFTAR PUSTAKA
Ayres, F. dan Medelson, E. 2012. Schaum’s Outline of Calculus. Edisi 6. McGraw-Hill, New York.
Gujarati, D. N. dan Porter, D. C. 2009. Basic Econometrics. McGraw-Hill, New York.
Hadi, S.1995.Statistik 2. Andi Offset, Yogyakarta.
Makridakis, S., Spyros, dan Wheelwright, S. C. 1983.Forecasting Methods and Application. Jhon Wiley and son, New York.
Makridakis, S., Wheelwright, S. C., dan McGee, V. E. 1992.Metode dan Aplikasi Peramalan.Edisi Kedua. Terjemahan Untung Sus Andriyanto. Erlangga, Jakarta. Makridakis, S., Spyros, dan Wheelwright, S. C. 1999.Forecasting Methods and Application. Erlangga, Jakarta.
Pankratz, A. 1991. Forecasting with Dynamic Regression Models.Willey Intersciences Publication, Canada.
Santoso, P. B. dan Hamdani, M. 2007.Statistika Deskriptif dalam Bidang Ekonomi dan Niaga. Erlangga, Jakarta.
Subagyo, P.1986.Forecasting Konsep dan Aplikasi. BPFE, Yogyakarta. Triana, R. 2015.Aplikasi Permalan Penjualan Menggunakan Metode Winter Pada Milkiwae. UPN Veteran, Yogyakarta.
Wei, W.W.S. 2006. Time Series Analysis Univariate and Multivariate Methods Second Edition. Pearson Education Inc., Canada.
Yulianto, M. A. 2012. Analisa Time Series. 30 November 2015. https://digensia.wordpress.com/2012/08/24/analisa-time-series.
(1)
22
Dimana :
n= banyaknya data yang diamati = peramalan ke-t
Yt= data ke-t
Dimana suatu model data akan memiliki kinerja yang sangat baik apabila nilai MAPE dibawah 10%
b. Mean Absolute Deviation(MAD)
Simpangan rata-rata MAD mengukur akurasi peramalan dengan merata-ratakan nilai absolut galat peramalan. Nilai galat diukur dalam unit yang sama seperti pada data aslinya
= − + − + − + + −
= ∑ − (2.36)
Dimana:
n= banyaknya data yang diamati = peramalan ke-t
Yt= data ke-t
(2)
III. METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian
Penelitian ini dilakukan pada semester ganjil dan semester ganjil Tahun Ajaran 2015/2016 bertempat di Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Lampung.
3.2 Data Penelitian
Data yang digunakan dalam penelitian ini adalah data penumpang Bandara Juanda pada tahun 2008-2014. Data tersebut merupakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS). Data tersebut adalah sebagai berikut:
Tabel 1. Data Jumlah Penumpang di Bandara Juanda Tahun 2008-2014
Tahun
Bulan 2008 2009 2010 2011 2012 2013 2014
Jan 36783 37289 45980 48350 52029 75029 76063
Feb 30831 34154 36094 44405 50785 59691 66733
Mar 36016 38497 44646 54560 57386 61132 72501
Apr 33293 35404 39799 45742 52720 60353 68315
May 34617 37981 39363 50127 52604 64384 71341
Jun 41212 44522 48620 58210 59982 71637 71210
Jul 40251 41238 45032 52658 48206 55163 55537
Aug 37648 36308 38335 49643 57501 92622 80665
Sep 34031 41741 55997 63390 69700 84801 69489
Oct 46388 52822 50353 58000 64800 76940 98232
Nov 42627 47911 55043 52940 65061 74757 74874
(3)
24
3.3 Metode Penelitian
Adapun langkah-langkah yang dilakukan dalam penelitian ini adalah 1. Menguji Asumsi
A. Stasioner
1) Mengidentifikasi dengan grafik fungsi autokorelasi (ACF).
2) Menggunakan uji akar unit dengan metode uji statistikAugmented Dickey-Fuller.
a) Menentukan nilai thitADF dengan uji statistik dengan
menggunakansoftwareE-Views.
b) Menentukan nilai kritik untuk thitdengan rumus pada persamaan
2.6 dengan nilai taraf uji 1%, 5%, dan 10% menggunakansoftware E-Views.
c) Menguji hipotesis untuk masing-masing .
B.Trend
1) Menyajikan grafik deret waktu. Apabila grafik deret waktu
menunjukkan kecenderungan naik atau turun, maka data mengandung trend.
2) Menggunakan uji akar unit dengan metode ujiAugmented Dickey-Fuller.
C. Musiman
1) Menyajikan grafik deret waktu
2) Uji data musiman menggunakan indeks musiman yang dapat dihitung dengan metode rata-rata sederhana.
(4)
25
2. Nilai awal
A. Nilai awal untuk pemulusan eksponensial
= 1 =1 (2.32)
B. Nilai awal untuk pemulusantrend
= + + + (2.33)
C. Nilai awal untuk pemulusan musiman
= (2.34)
3. Menghitung nilai pemulusan eksponensialtriplesebagai berikut: A. Pemulusan keseluruhan
= ( ) + (1 ) ( + ) (2.28)
B. Penghalusantrend
= ( ) + (1 ) (2.29)
C. Penghalusan musiman
= ( ) + (1 ) (2.30)
4. Menghitung peramalan pemulusan eksponensialtripledengan :
= + + (2.31)
5. Memilih model pemulusan eksponensialtripelterbaik dengan melihat nilai kesalahan (error) terkecil.
= ( ) × 100 (2.35)
(5)
V. KESIMPULAN
1. Data jumlah penumpang di bandara Juanda pada tahun 2008 sampai 2014 mengandung faktortrenddan faktor musiman sehingga dapat diramalkan menggunakan metode pemulusan eksponensialtriple.
2. Data jumlah penumpang di bandara Juanda pada bulan Januari 2008 sampai Desember 2014 memiliki pola historis yang tidak berfluktuasi (relatif stabil) sehingga konstanta pemulusan eksponensial ( yang baik digunakan adalah yang memiliki nilai mendekati 0
3. Nilai galat terkecil pada MAPE dan MAD berturut-turut adalah 0.553261% dan 273.7696 yaitu pada = 0.0000001, = 0.0001, dan = 0.9834 4. Banyaknya penumpang pada bandara tersebut sangat dipengaruhi oleh
pengaruh musiman namun kurang dipengaruhi oleh faktortrendsehingga nilai peramalan yang dihasilkan tidak jauh berbeda dengan nilai pada data
(6)
DAFTAR PUSTAKA
Ayres, F. dan Medelson, E. 2012. Schaum’s Outline of Calculus. Edisi 6. McGraw-Hill, New York.
Gujarati, D. N. dan Porter, D. C. 2009. Basic Econometrics. McGraw-Hill, New York.
Hadi, S.1995.Statistik 2. Andi Offset, Yogyakarta.
Makridakis, S., Spyros, dan Wheelwright, S. C. 1983.Forecasting Methods and Application. Jhon Wiley and son, New York.
Makridakis, S., Wheelwright, S. C., dan McGee, V. E. 1992.Metode dan Aplikasi Peramalan.Edisi Kedua. Terjemahan Untung Sus Andriyanto. Erlangga, Jakarta. Makridakis, S., Spyros, dan Wheelwright, S. C. 1999.Forecasting Methods and Application. Erlangga, Jakarta.
Pankratz, A. 1991. Forecasting with Dynamic Regression Models.Willey Intersciences Publication, Canada.
Santoso, P. B. dan Hamdani, M. 2007.Statistika Deskriptif dalam Bidang Ekonomi dan Niaga. Erlangga, Jakarta.
Subagyo, P.1986.Forecasting Konsep dan Aplikasi. BPFE, Yogyakarta.
Triana, R. 2015.Aplikasi Permalan Penjualan Menggunakan Metode Winter Pada Milkiwae. UPN Veteran, Yogyakarta.
Wei, W.W.S. 2006. Time Series Analysis Univariate and Multivariate Methods Second Edition. Pearson Education Inc., Canada.
Yulianto, M. A. 2012. Analisa Time Series. 30 November 2015. https://digensia.wordpress.com/2012/08/24/analisa-time-series.