Pembuatan Aplikasi Peramalan Jumlah Perm
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
1
PEMBUATAN APLIKASI PERAMALAN JUMLAH
PERMINTAAN PRODUK DENGAN METODE TIME
SERIES EXPONENTIAL SMOOTHING HOLTS WINTER
DI PT. TELEKOMUNIKASI INDONESIA Tbk.
Riansyah Halimi, Wiwik Anggraeni, S.Si, M.Kom., Raras Tyasnurita S.Kom., MBA.
Jurusan Sistem Informasi, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember
Jl. Sukolilo, Surabaya 60111
E-mail: riansyah09@mhs.is.its.ac.id, wiwik@its-sby.edu, raras.tyasnurita@gmail.com
Abstrak— Peramalan jumlah permintaan pasang baru produk
Speedy merupakan hal yang sangat penting dilakukan bagi
perusahaan PT. Telekomunikasi Indonesia, Tbk. Karena dengan
adanya peramalan jumlah permintaan pasang baru produk,
maka pihak manajemen akan dapat melakukan perencanaan
pemasangan pasang baru dan pengambilan keputusan secara
efektif dan efisien. Selama ini, PT. Telekomunikasi Indonesia
Regional Jawa Timur wilayah Surabaya belum melakukan
perencanaan pemasangan pasang baru produk Speedy.
Oleh karena itu, pada penelitian ini akan dilakukan
pembuatan aplikasi metode peramalan Exponential Smoothing
Holts Winter untuk memperkirakan jumlah permintaan pasang
baru produk Speedy periode berikutnya. Metode Holts Winter
digunakan karena merupakan metode terbaik untuk menangani
data musiman.
Hasil yang didapatkan dari uji coba adalah metode Holts
Winter memiliki akurasi yang cukup baik dengan nilai MAPE di
antara 20%-50%, yaitu sebesar 20,33%. Dengan akurasi
tersebut, hasil peramalan ini diharapkan dapat membantu pihak
perusahaan dalam membuat perencanaan yang lebih efektif dan
efisien, khususnya dalam menentukan permintaan pasang baru
produk Speedy.
Kata kunci— peramalan, pasang baru, Holts Winter,
perencanaan, produk
I. PENDAHULUAN
Perkembangan teknologi yang pesat membuat
masyarakat dihadapkan pada kondisi ketergantungan pada
kegunaan teknologi. Tak terkecuali dengan perkembangan
teknologi informasi berbasis internet. Masyarakat sudah tidak
buta mengenai internet. Bahkan mereka menganggap internet
sebagai gaya hidup mereka. Hal itu ditandai dengan semakin
meningkatnya jumlah pengguna internet di negeri ini. Pada
tahun 2000 pengguna internet masih 1% dari jumlah populasi
di Indonesia. Kemudian 10 tahun berikutnya meningkat
menjadi 12,30% dari keseluruhan populasi di Indonesia
(www.internetworldstats.com, 2013).
Dengan kebutuhan internet yang sudah mendekati
kebutuhan primer tersebut, PT. Telekomunikasi Indonesia Tbk
(Telkom) selaku penyedia layanan internet dengan Speedy
sebagai produk utamanya, menyediakan berbagai jenis paket
internet yang disesuaikan dengan kebutuhan masyarakat.
Mulai dari paket untuk penggunaan internet di rumah,
penggunaan internet di warnet sampai paket untuk
penggunaan internet di kalangan pendidikan.
Melalui produk unggulan layanan Telkom tersebut,
diperlukan sebuah kondisi untuk memperkirakan jumlah
permintaan layanan Speedy di masa yang akan datang.. Proses
untuk memperkirakan permintaan inilah yang disebut dengan
peramalan. Dalam melakukan peramalan dibutuhkan data
masa lalu yang dijadikan landasan dalam menentukan analisis
ke depannya. Tidak hanya sekedar melihat data, namun harus
diperhatikan juga metode apa yang akan digunakan dalam
proses peramalan. Dari hasil peramalan tersebut akan
digunakan dalam proses pengambilan keputusan yang
dilakukan oleh perusahaan.
Dalam melakukan suatu peramalan penjualan,
diperlukan suatu metode peramalan yang tepat untuk
memperhitungkan data penjualan di masa lampau untuk
kemudian digunakan dalam pengambilan keputusan di masa
yang akan datang. Dalam Tugas Akhir kali ini akan digunakan
model time series. Metode yang digunakan dalam meramalkan
penjualan layanan internet speedy ialah metode Exponential
Smoothing Holts Winter. Metode tersebut digunakan karena
berdasarkan pola data yang dimiliki dan bisa digunakan untuk
time series baik untuk linier trends maupun nonlinier trends
(Makridakis, 1999).
Selain itu, pada penelitian sebelumnya yang
dilakukan S.Hilas, Constantinos, dkk (2005) telah diterapkan
analisis time series dengan menggunakan berbagai
perbandingan metode, seperti Seasonal Decomposition,
Exponential Smoothing Holts Winter untuk peramalan data
telekomunikasi di University Campus. Hasil dari penelitian ini
membuktikan bahwa metode Holts Winter memberikan nilai
RMSE dan MAPE paling kecil dibandingkan dengan metode
peramalan lain seperti dekomposisi, Single Exponential
Smoothing. Dengan metode tersebut, berikutnya dapat
diketahui hasil peramalan data-data penjualan di waktu
terdahulu untuk kemudian dapat digunakan untuk mengetahui
bulan-bulan mana saja yang sepi penjualannya.
Oleh karena itu, untuk memudahkan PT. Telkom
dalam melakukan peramalan, dalam Tugas Akhir ini akan
dibuatkan aplikasi peramalan dengan menggunakan metode
Holts Winter memanfaatkan fasilitas makro excel dengan
pemrograman VBA sehingga pada akhirnya pihak perusahaan
dapat dengan mudah mengambil keputusan dalam rangka
promosi pasang baru produk Speedy.
II. METODE
Berikut ini adalah gambar metodologi tugas akhir yang
digunakan dalam tugas akhir.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
Gambar 1 Diagram Alur Metodologi Pengerjaan
A. Perancangan Aplikasi
Pada bagian ini akan dijelaskan mengenai model data
masukan (input) untuk metode yang akan digunakan untuk
melakukan peramalan.
Analisis Kebutuhan Masukan Aplikasi
Untuk melakukan peramalan dengan menggunakan
metode Holts Winter maka model data yang dimasukkan pada
aplikasi harus bersifat integer.
Data tersebut harus dimasukkan dalam file .xls. Hal
ini dilakukan agar proses peramalan dapat dengan mudah
dilakukan. Data yang akan dimasukkan ke dalam sistem
sebagai berikut :
1) Data aktual
Data aktual ini merupakan kumpulan data yang akan
digunakan untuk peramalan dalam periode berikutnya.
Data aktual ini nantinya akan dipecah menjadi data
pelatihan dan data pengujian. Sistem akan mengolah data
pelatihan terlebih dahulu untuk kemudian dicari nilai
optimum yang dihasilkan oleh model. Proporsi
pembagian data yang digunakan dalam sistem ialah
70:30.
2
Analisis Kebutuhan Keluaran Aplikasi
a) Model Optimum
Model optimum ini berisikan nilai dari a, ß, dan γ yang
didapatkan dari pencarian model yang memiliki nilai
MAPE paling minimum (paling kecil) yang berasal dari
data pelatihan. Optimum model ini akan ditampilkan
secara langsung pada halaman aplikasi. Kemudian hasil
dari nilai optimum ini digunakan untuk perhitungan data
pengujian.
Teknik yang digunakan dalam mencari nilai optimum
yaitu teknik bruteforce. Pada penelitian sebelumnya yang
dilakukan oleh Kärkkäinen, Ismo dan Fränti , Pasi
(2002) telah diterapkan teknik bruteforce untuk mencari
nilai kluster yang belum diketahui. Hasil dari penelitian
tersebut menunjukkan bahwa teknik brute force mampu
mencari nilai kluster.
b) MAPE (Mean Average Percentage Error)
Nilai MAPE ini merupakan nilai persentase yang
diperoleh dari hasil perhitungan rata-rata nilai absolute
(error) yang dihasilkan dari perhitungan data pelatihan
maupun pengujian.
c) Data Proses Peramalan
Proses ini berisikan data hasil peramalan yang dihasilkan
dari proses peramalan sebanyak n periode selanjutnya.
B. Perancangan Proses Aplikasi
Pada bagian ini dijelaskan mengenai alur kerja
(proses) dari masing-masing metode yang digunakan sistem
untuk melakukan proses peramalan. Alur kerja dari aplikasi
yang akan dibuat akan dijabarkan secara detail mulai dari awal
sampai sistem berhenti.
Alur
kerja
(proses)
dari
system
yang
mengimplementasikan metode Holts Winter ini memiliki tiga
bagian utama yaitu: input data, pelatihan process atau
pengujian process, dan forecasting process.
1) Alur kerja data masukan
Aplikasi akan memilih data yang akan diramalkan
dengan mengambil data yang berada dibawah kolom
sales.
2) Pelatihan data
Aplikasi akan memilah sejumlah data dengan proporsi
yang telah diatur sebelumnya untuk penentuan model.
3) Pengujian data
Setelah melalui proses pelatihan, maka aplikasi akan
melanjutkan ke proses selanjutnya yaitu proses
pengujian. Proses pengujian akan otomatis mengambil
proporsi data 30% dari keseluruhan data yang dimiliki
dan mengatur nilai optimum model yang dihasilkan dari
proses pelatihan di halaman aplikasi untuk kemudian
menguji error dari model pengujian. Pengujian data
berisi kumpulan data yang digunakan untuk menguji
keakuratan hasil peramalan model.
4) Peramalan data
Proses peramalan data diperlukan untuk mengetahui nilai
ramalan sejumlah n-periode ke depan. Forecast data
menggunakan nilai dari periode yang lalu (Makridakris,
1999) untuk meramalkan periode ke depan.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
3
C. Gambaran Umum Aplikasi untuk Pengguna
Gambaran secara umum aplikasi peramalan untuk
pengguna dapat dilihat pada gambar (2) berikut ini.
Gambar 4 Nilai presisi sistem 0,1
Gambar 2 Gambaran Umum Sistem untuk Pengguna
Pengguna aplikasi adalah pegawai perusahaan yang
akan memakai aplikasi peramalan. Pengguna akan
memasukkan sejumlah data yang ingin diramalkan. Kemudian
user akan menekan tombol training! untuk mendapatkan nilai
optimum model. Selanjutnya user menekan tombol testing!
untuk mengetahui nilai akurasi peramalan. Dan langkah
terakhir yaitu user mengisi sejumlah periode yang ingin
diramalkan dengan menekan tombol forecast!.
III. HASIL DAN PEMBAHASAN
A. Uji Coba dan Analisis Hasil
Pada bagian uji coba dan analisis hasil ini dijelaskan
mengenai uji coba yang dilakukan untuk mengetahui
keakuratan sistem dan metode yang digunakan. Di dalam bab
ini dijelaskan pula analisis hasil yang diperoleh dari proses
implementasi sistem yang telah dibahas pada bab 4 serta
analisis hasil yang diperoleh dari proses uji coba pada bab ini.
1) Verifikasi Aplikasi
Untuk memastikan apakah program yang telah dibuat sudah
bebas dari error maka perlu dilakukan uji coba dan verifikasi.
Langkah pertama dalam melakukan uji coba dan verifikasi
adalah dengan melihat pada program yang telah dibuat,
apakah ada kesalahan yang ditandai dengan adanya tanda
error. Pada gambar 3 berikut terdapat tulisan berwarna merah
yang menandakan bahwa kode program terdapat error.
Gambar 3 Verifikasi Aplikasi
Apabila pada program sudah tidak terdapat tanda error maka
langkah selanjutnya adalah melakukan proses running untuk
mengetahui hasil yang dikeluarkan program.
Hasil yang didapat dalam verifikasi aplikasi yaitu sebagai
berikut:
a) Pengujian dengan mengganti parameter nilai presisi
sistem 0,1
Pada gambar 4 nilai presisi yang digunakan dalam sistem
yaitu sebesar 0,1. Dan tidak ditemukan adanya tanda error
yang ditandai dengan tidak adanya kode yang berwarna
merah. Aplikasi juga mampu melakukan perhitungan dengan
catatan waktu 1 menit. MAPE yang didapatkan ialah sebesar
34,17%.
b) Pengujian dengan mengganti parameter nilai presisi
sistem 0,01
Gambar 5 Nilai presisi sistem 0,01
Pada gambar 5 nilai presisi yang digunakan dalam sistem
yaitu sebesar 0,01. Dan tidak ditemukan adanya tanda error
yang ditandai dengan tidak adanya kode yang berwarna
merah. Aplikasi mampu melakukan perhitungan namun tidak
secepat nilai presisi 0,1. Waktu yang dibutuhkan oleh aplikasi
ialah kurang lebih 6 jam. MAPE yang didapatkan untuk data
pelatihan ialah sebesar 32,08%.
c) Pengujian dengan mengganti parameter nilai presisi
sistem 0,001
Gambar 6 Nilai presisi sistem 0,001
Pada gambar 5.4 nilai presisi yang digunakan dalam sistem
yaitu sebesar 0,001. Ketika melakukan proses ditemukan
adanya tanda error yang ditandai dengan dialog box “out of
reach”. Aplikasi tidak mampu melakukan perhitungan karena
proses perhitungan untuk masing-masing nilai 0,001 sebanyak
tiga kali, yaitu menghitung nilai alpha, beta dan gamma.
2) Uji Coba dan Analisis Hasil
Uji coba yang akan dilakukan meliputi tahap uji coba dan
analisis hasil uji coba dalam menghitung nilai ramalan di
periode yang akan datang dengan menggunakan Microsoft
Excel dan aplikasi yang telah dihasilkan pada tahap
sebelumnya menggunakan metode time series Exponential
Smoothing Holts Winter :
1) Penggantian proporsi data
Dengan menggunakan proporsi 80:20, maka hasil yang
didapatkan dari running sistem dapat dilihat pada tabel (1)
berikut :
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
4
Tabel 6 Tabel proporsi 60:40
Tabel 1 Tabel proporsi 80:20
MAPE
Pelatihan
34,17%
Pengujian
39,32%
MAPE
Error pelatihan yang dihasilkan dari proporsi data 80:20
adalah sebesar 34,17%. Nilai tersebut masih dalam batas yang
diperbolehkan dalam nilai error peramalan yaitu dalam batas
20%-50%. Nilai yang dihasilkan melalui evaluasi ini,
menunjukkan kemampuan peramalan seperti yang ditunjukkan
dalam kriteria MAPE pada Tabel 2 (Chang, Wang, & Liu,
2007).
Tabel 2 Kriteria MAPE
MAPE
< 10%
10% - 20%
20% - 50%
> 50%
Pengertian
Kemampuan peramalan sangat baik
Kemampuan peramalan baik
Kemampuan peramalan cukup
Kemampuan peramalan buruk
Sedangkan nilai error yang dihasilkan dari validasi sebesar
39,32%. Nilai tersebut menggunakan nilai optimum model
yang dihasilkan dari model pelatihan. Tabel (3) berikut
mengenai nilai optimum model yang dihasilkan oleh data
pelatihan dengan proporsi 80:20.
Tabel 3 Nilai optimum model proporsi 80:20
ALPHA
BETA
0.8
GAMMA
0.9
Tabel 4 Tabel proporsi 70:30
MAPE
Pelatihan
35,83%
Pengujian
24,20%
Pelatihan error yang dihasilkan dari proporsi data 70:30
adalah sebesar 35,83%. Nilai tersebut masih dalam batas yang
diperbolehkan dalam nilai error peramalan yaitu dalam batas
20%-50%. Sedangkan nilai error yang dihasilkan dari validasi
sebesar 24,20%. Nilai tersebut menggunakan nilai optimum
model yang dihasilkan dari model pelatihan. Tabel (5) berikut
mengenai nilai optimum model yang dihasilkan oleh data
pelatihan dengan proporsi 70:30.
Tabel 5 Nilai optimum model proporsi 70:30
BETA
Pengujian
25,69%
Pelatihan error yang dihasilkan dari proporsi data 60:40
adalah sebesar 37,94%. Nilai tersebut masih dalam batas yang
diperbolehkan dalam nilai error peramalan yaitu dalam batas
20%-50%. Sedangkan nilai error yang dihasilkan dari validasi
sebesar 25,69%. Nilai tersebut menggunakan nilai optimum
model yang dihasilkan dari model pelatihan. Tabel (7) berikut
mengenai nilai optimum model yang dihasilkan oleh data
pelatihan dengan proporsi 60:40.
Tabel 7 Nilai optimum model proporsi 60:40
ALPHA
BETA
GAMMA
Dengan menggunakan proporsi 50:50, maka hasil yang
didapatkan dari running sistem dapat dilihat pada tabel (8)
berikut :
1
1
0.1
Tabel 8 Tabel proporsi 50:50
MAPE
Pelatihan
26,14%
Pengujian
71,39%
Pelatihan error yang dihasilkan dari proporsi data 50:50
adalah sebesar 26,14%. Nilai tersebut masih dalam batas
yang diperbolehkan dalam nilai error peramalan yaitu dalam
batas 20%-50%. Sedangkan nilai error yang dihasilkan dari
validasi sebesar 71,39%. Error tersebut lebih dari batas
normal yang diperbolehkan dalam peramalan yaitu melebihi
50% sehingga error tersebut sangat buruk. Nilai tersebut
menggunakan nilai optimum model yang dihasilkan dari
model pelatihan. Tabel (9) berikut mengenai nilai optimum
model yang dihasilkan oleh data pelatihan dengan proporsi
50:50.
Tabel 9 Nilai optimum model proporsi 50:50
ALPHA
BETA
0.1
GAMMA
0.1
0.1
Dari ujicoba penggantian proporsi data pelatihan dan
pengujian, maka proporsi data yang paling bagus ialah yang
menggunakan proporsi data 70:30 dengan nilai optimum
parameternya 0,9, 0,1, 0,1 dengan hasil MAPE pelatihan
yang bernilai 35,83% dan MAPE pengujian yang bernilai
24,20%.
GAMMA
Dengan menggunakan proporsi 60:40, maka hasil yang
didapatkan dari running sistem dapat dilihat pada tabel (6)
berikut :
0.9
37,94%
1
Dengan menggunakan proporsi 70:30, maka hasil yang
didapatkan dari running sistem dapat dilihat pada tabel (4)
berikut :
ALPHA
Pelatihan
0.1
0.1
2) Penggantian nilai optimum model terhadap nilai proporsi
data untuk mencari nilai akurasi peramalan terbaik
Tahap ini dilakukan untuk membandingkan keakuratan hasil
peramalan dengan mengganti nilai optimum model pada
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
masing-masing proporsi data yang ada. Berikut nilai optimum
model yang didapatkan dari masing-masing proporsi data.
Nilai optimum model dengan proporsi 80 : 20 ialah sebesar
0.8, 0.9, 1 dengan nilai akurasi peramalan pengujian sebesar
39,32%.. Hasil tersebut akan dibandingkan terhadap proporsi
data yang berbeda yang ditampilkan pada tabel berikut ini :
Tabel 10 Nilai optimum model 0.8, 0.9, 1
Proporsi data
MAPE
80 : 20
39,32 %
70 : 30
69,08 %
60 : 40
43,48 %
50 : 50
248,60 %
5
70 : 30
25,68 %
60 : 40
25,69 %
50 : 50
114,90 %
Dari tabel (12) diatas menunjukkan bahwa nilai optimum
model 1, 1, 0,1 dengan nilai akurasi peramalan terendah ialah
data dengan proporsi 70:30 dengan nilai akurasi peramalan
berbeda 0,01% dengan proporsi data 60:40 yaitu sebesar
25,68%.. Sedangkan nilai akurasi peramalan tertinggi atau
terburuk dimiliki oleh data dengan proporsi 50:50 dengan
nilai sebesar 114,90%.
Nilai optimum model dengan proporsi 50 : 50 ialah sebesar
0.1, 0.1, 0.1 dengan nilai akurasi peramalan pengujian sebesar
71,39%. Hasil tersebut akan dibandingkan terhadap proporsi
data yang berbeda yang ditampilkan pada tabel berikut ini :
Tabel 13 Nilai optimum model 0.1, 0.1, 0.1
Dari tabel (10) diatas menunjukkan bahwa nilai optimum
model 0.8, 0.9, 1 dengan nilai akurasi peramalan terendah
ialah data dengan proporsi 80:20. Sedangkan nilai akurasi
peramalan tertinggi atau terburuk dimiliki oleh data dengan
proporsi 50:50.
Nilai optimum model dengan proporsi 70 : 30 ialah sebesar
0.9, 0.1, 0.1 dengan nilai akurasi peramalan pengujian sebesar
24,20%. Hasil tersebut akan dibandingkan terhadap proporsi
data yang berbeda yang ditampilkan pada tabel berikut ini :
Proporsi data
MAPE
80 : 20
27,94 %
70 : 30
26,73 %
60 : 40
22,89 %
50 : 50
71,39 %
Tabel 11 Nilai optimum model 0.9, 0.1, 0.1
Proporsi data
MAPE
80 : 20
28,01 %
70 : 30
24,20 %
60 : 40
20,33%
50 : 50
113,65 %
Dari tabel (11) diatas menunjukkan bahwa nilai optimum
model 0.9, 0.1, 0.1 dengan nilai akurasi peramalan terendah
ialah data dengan proporsi 60:40. Sedangkan nilai akurasi
peramalan tertinggi atau terburuk dimiliki oleh data dengan
proporsi 50:50 dengan nilai akurasi sebesar 113,65%.
Nilai optimum model dengan proporsi 60 : 40 ialah sebesar 1,
1, 0.1 dengan nilai akurasi peramalan pengujian sebesar
25,69%. Hasil tersebut akan dibandingkan terhadap proporsi
data yang berbeda yang ditampilkan pada tabel berikut ini :
Dari tabel (13) diatas menunjukkan bahwa nilai optimum
model 0,1, 0.1, 0.1 dengan nilai akurasi peramalan terendah
ialah data dengan proporsi 60:40 dengan nilai akurasi
peramalan sebesar 22,89%.. Sedangkan nilai akurasi
peramalan tertinggi atau terburuk dimiliki oleh data dengan
proporsi 50:50 dengan nilai sebesar 71,39%.
Dari hasil perbandingan proporsi data dengan mengganti nilai
optimum model diatas didapatkan bahwa data dengan nilai
proporsi 60:40 dibandingkan dengan proporsi data yang lain
dengan nilai optimum model yang digunakan sama yaitu 0.9,
0.1, 0.1 mempunyai nilai akurasi peramalan terbaik sebesar
20,80%. Sedangkan untuk nilai akurasi peramalan terburuk
yang didapatkan dari nilai proporsi data 50:50 dengan nilai
optimum model 0.8, 0.9, 1 sebesar 248,60%. Tidak hanya
untuk nilai optimum model 0.8, 0.9, 1 yang memiliki nilai
akurasi peramalan buruk. Nilai optimum model pada tabel
5.22, 5.23 dan 5.24 juga memiliki nilai akurasi peramalan
yang buruk dengan masing-masing nilai sebesar 113,65%,
114,90% dan 71,39%.
Dengan menggunakan aplikasi peramalan yang telah
dibuat, maka hasil yang didapatkan dari running sistem untuk
peramalan sejumlah 10 periode ke depan dapat dilihat pada
gambar (7) berikut :
3) Peramalan data
Tabel 12 Nilai optimum model 1, 1, 0.1
Proporsi data
MAPE
80 : 20
30,25 %
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
Gambar 7 Nilai ramalan 10 periode ke depan
IV. KESIMPULAN
Berdasarkan proses-proses yang telah dilakukan dalam
pengerjaan tugas akhir ini maka ada beberapa kesimpulan
yang dapat diambil, diantaranya adalah :
1. Proporsi data 70:30 menghasilkan nilai akurasi
peramalan untuk data pelatihan sebesar 35,83% dan
data pengujian sebesar 24,20% dengan nilai
optimum model sebesar 0.9, 0.1, dan 0.1.
2. Penggunaan nilai akurasi 0.1 pada aplikasi
menghasilkan nilai akurasi peramalan untuk data
pelatihan sebesar 35,83% dan data pengujian
sebesar 24,20% dengan menggunakan proporsi
70:30 dan menghasilkan nilai optimum model
sebesar 0.9, 0.1, dan 0.1 serta waktu yang
dibutuhkan kurang lebih 1 menit.
3. Dengan menggunakan nilai optimum model yang
didapat dari proporsi data 70:30 yaitu sebesar 0.9,
0.1, dan 0.1, hasil yang didapatkan proporsi data
60:40 memiliki nilai akurasi peramalan yang lebih
baik dari proporsi data yang lainnya yaitu sebesar
20,33%.
DAFTAR PUSTAKA
[1] C.E. Holt, Forecasting trends and seasonals by exponentially
weighted moving averages, ONR Memorandum, vol. 52, Carnegie
Institute of Technology, Pittsburg, USA, 1957, Reprinted:
International Journal of Forecasting, 20, 5–10 (2004).
[2] Gaynor, P. E. Dan Kirkpatrick R. C. 1994. Introduction to Time
Series Modelling and Forecasting ini Business and Economic .
Singapura : Mc. Graw Hill.
[3] Hanke, J.E., Wichern, D.W., Reitsch, A.G. 2003. Peramalan Bisnis.
PT. Prenhallindo. Jakarta
[4] Makridakis, S.G., Wheelwright, S.C., V.E. McGee, Forecasting:
Methods and Applications, 2nd ed., Wiley, New York, 1998.
[5] Makridakis, S.G., Wheelwright, S.C., Hyndman, Rob J.,
Forecasting: Methods and Applications, 3d ed., Wiley, New York,
1998.
[6] Mulyono, S. 2000. Peramalan Bisnis dan Ekonometrika. Edisi ke-1,
Badan Penerbit Fakultas Ekonomi Yogyakarta. Yogyakarta.
[7] R. Yaffee, M. McGee, Introduction to Time Series Analysis and
Forecasting with Applications to SAS and SPSS, Academic Press,
Inc., San Diego, 2000.
6
1
PEMBUATAN APLIKASI PERAMALAN JUMLAH
PERMINTAAN PRODUK DENGAN METODE TIME
SERIES EXPONENTIAL SMOOTHING HOLTS WINTER
DI PT. TELEKOMUNIKASI INDONESIA Tbk.
Riansyah Halimi, Wiwik Anggraeni, S.Si, M.Kom., Raras Tyasnurita S.Kom., MBA.
Jurusan Sistem Informasi, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember
Jl. Sukolilo, Surabaya 60111
E-mail: riansyah09@mhs.is.its.ac.id, wiwik@its-sby.edu, raras.tyasnurita@gmail.com
Abstrak— Peramalan jumlah permintaan pasang baru produk
Speedy merupakan hal yang sangat penting dilakukan bagi
perusahaan PT. Telekomunikasi Indonesia, Tbk. Karena dengan
adanya peramalan jumlah permintaan pasang baru produk,
maka pihak manajemen akan dapat melakukan perencanaan
pemasangan pasang baru dan pengambilan keputusan secara
efektif dan efisien. Selama ini, PT. Telekomunikasi Indonesia
Regional Jawa Timur wilayah Surabaya belum melakukan
perencanaan pemasangan pasang baru produk Speedy.
Oleh karena itu, pada penelitian ini akan dilakukan
pembuatan aplikasi metode peramalan Exponential Smoothing
Holts Winter untuk memperkirakan jumlah permintaan pasang
baru produk Speedy periode berikutnya. Metode Holts Winter
digunakan karena merupakan metode terbaik untuk menangani
data musiman.
Hasil yang didapatkan dari uji coba adalah metode Holts
Winter memiliki akurasi yang cukup baik dengan nilai MAPE di
antara 20%-50%, yaitu sebesar 20,33%. Dengan akurasi
tersebut, hasil peramalan ini diharapkan dapat membantu pihak
perusahaan dalam membuat perencanaan yang lebih efektif dan
efisien, khususnya dalam menentukan permintaan pasang baru
produk Speedy.
Kata kunci— peramalan, pasang baru, Holts Winter,
perencanaan, produk
I. PENDAHULUAN
Perkembangan teknologi yang pesat membuat
masyarakat dihadapkan pada kondisi ketergantungan pada
kegunaan teknologi. Tak terkecuali dengan perkembangan
teknologi informasi berbasis internet. Masyarakat sudah tidak
buta mengenai internet. Bahkan mereka menganggap internet
sebagai gaya hidup mereka. Hal itu ditandai dengan semakin
meningkatnya jumlah pengguna internet di negeri ini. Pada
tahun 2000 pengguna internet masih 1% dari jumlah populasi
di Indonesia. Kemudian 10 tahun berikutnya meningkat
menjadi 12,30% dari keseluruhan populasi di Indonesia
(www.internetworldstats.com, 2013).
Dengan kebutuhan internet yang sudah mendekati
kebutuhan primer tersebut, PT. Telekomunikasi Indonesia Tbk
(Telkom) selaku penyedia layanan internet dengan Speedy
sebagai produk utamanya, menyediakan berbagai jenis paket
internet yang disesuaikan dengan kebutuhan masyarakat.
Mulai dari paket untuk penggunaan internet di rumah,
penggunaan internet di warnet sampai paket untuk
penggunaan internet di kalangan pendidikan.
Melalui produk unggulan layanan Telkom tersebut,
diperlukan sebuah kondisi untuk memperkirakan jumlah
permintaan layanan Speedy di masa yang akan datang.. Proses
untuk memperkirakan permintaan inilah yang disebut dengan
peramalan. Dalam melakukan peramalan dibutuhkan data
masa lalu yang dijadikan landasan dalam menentukan analisis
ke depannya. Tidak hanya sekedar melihat data, namun harus
diperhatikan juga metode apa yang akan digunakan dalam
proses peramalan. Dari hasil peramalan tersebut akan
digunakan dalam proses pengambilan keputusan yang
dilakukan oleh perusahaan.
Dalam melakukan suatu peramalan penjualan,
diperlukan suatu metode peramalan yang tepat untuk
memperhitungkan data penjualan di masa lampau untuk
kemudian digunakan dalam pengambilan keputusan di masa
yang akan datang. Dalam Tugas Akhir kali ini akan digunakan
model time series. Metode yang digunakan dalam meramalkan
penjualan layanan internet speedy ialah metode Exponential
Smoothing Holts Winter. Metode tersebut digunakan karena
berdasarkan pola data yang dimiliki dan bisa digunakan untuk
time series baik untuk linier trends maupun nonlinier trends
(Makridakis, 1999).
Selain itu, pada penelitian sebelumnya yang
dilakukan S.Hilas, Constantinos, dkk (2005) telah diterapkan
analisis time series dengan menggunakan berbagai
perbandingan metode, seperti Seasonal Decomposition,
Exponential Smoothing Holts Winter untuk peramalan data
telekomunikasi di University Campus. Hasil dari penelitian ini
membuktikan bahwa metode Holts Winter memberikan nilai
RMSE dan MAPE paling kecil dibandingkan dengan metode
peramalan lain seperti dekomposisi, Single Exponential
Smoothing. Dengan metode tersebut, berikutnya dapat
diketahui hasil peramalan data-data penjualan di waktu
terdahulu untuk kemudian dapat digunakan untuk mengetahui
bulan-bulan mana saja yang sepi penjualannya.
Oleh karena itu, untuk memudahkan PT. Telkom
dalam melakukan peramalan, dalam Tugas Akhir ini akan
dibuatkan aplikasi peramalan dengan menggunakan metode
Holts Winter memanfaatkan fasilitas makro excel dengan
pemrograman VBA sehingga pada akhirnya pihak perusahaan
dapat dengan mudah mengambil keputusan dalam rangka
promosi pasang baru produk Speedy.
II. METODE
Berikut ini adalah gambar metodologi tugas akhir yang
digunakan dalam tugas akhir.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
Gambar 1 Diagram Alur Metodologi Pengerjaan
A. Perancangan Aplikasi
Pada bagian ini akan dijelaskan mengenai model data
masukan (input) untuk metode yang akan digunakan untuk
melakukan peramalan.
Analisis Kebutuhan Masukan Aplikasi
Untuk melakukan peramalan dengan menggunakan
metode Holts Winter maka model data yang dimasukkan pada
aplikasi harus bersifat integer.
Data tersebut harus dimasukkan dalam file .xls. Hal
ini dilakukan agar proses peramalan dapat dengan mudah
dilakukan. Data yang akan dimasukkan ke dalam sistem
sebagai berikut :
1) Data aktual
Data aktual ini merupakan kumpulan data yang akan
digunakan untuk peramalan dalam periode berikutnya.
Data aktual ini nantinya akan dipecah menjadi data
pelatihan dan data pengujian. Sistem akan mengolah data
pelatihan terlebih dahulu untuk kemudian dicari nilai
optimum yang dihasilkan oleh model. Proporsi
pembagian data yang digunakan dalam sistem ialah
70:30.
2
Analisis Kebutuhan Keluaran Aplikasi
a) Model Optimum
Model optimum ini berisikan nilai dari a, ß, dan γ yang
didapatkan dari pencarian model yang memiliki nilai
MAPE paling minimum (paling kecil) yang berasal dari
data pelatihan. Optimum model ini akan ditampilkan
secara langsung pada halaman aplikasi. Kemudian hasil
dari nilai optimum ini digunakan untuk perhitungan data
pengujian.
Teknik yang digunakan dalam mencari nilai optimum
yaitu teknik bruteforce. Pada penelitian sebelumnya yang
dilakukan oleh Kärkkäinen, Ismo dan Fränti , Pasi
(2002) telah diterapkan teknik bruteforce untuk mencari
nilai kluster yang belum diketahui. Hasil dari penelitian
tersebut menunjukkan bahwa teknik brute force mampu
mencari nilai kluster.
b) MAPE (Mean Average Percentage Error)
Nilai MAPE ini merupakan nilai persentase yang
diperoleh dari hasil perhitungan rata-rata nilai absolute
(error) yang dihasilkan dari perhitungan data pelatihan
maupun pengujian.
c) Data Proses Peramalan
Proses ini berisikan data hasil peramalan yang dihasilkan
dari proses peramalan sebanyak n periode selanjutnya.
B. Perancangan Proses Aplikasi
Pada bagian ini dijelaskan mengenai alur kerja
(proses) dari masing-masing metode yang digunakan sistem
untuk melakukan proses peramalan. Alur kerja dari aplikasi
yang akan dibuat akan dijabarkan secara detail mulai dari awal
sampai sistem berhenti.
Alur
kerja
(proses)
dari
system
yang
mengimplementasikan metode Holts Winter ini memiliki tiga
bagian utama yaitu: input data, pelatihan process atau
pengujian process, dan forecasting process.
1) Alur kerja data masukan
Aplikasi akan memilih data yang akan diramalkan
dengan mengambil data yang berada dibawah kolom
sales.
2) Pelatihan data
Aplikasi akan memilah sejumlah data dengan proporsi
yang telah diatur sebelumnya untuk penentuan model.
3) Pengujian data
Setelah melalui proses pelatihan, maka aplikasi akan
melanjutkan ke proses selanjutnya yaitu proses
pengujian. Proses pengujian akan otomatis mengambil
proporsi data 30% dari keseluruhan data yang dimiliki
dan mengatur nilai optimum model yang dihasilkan dari
proses pelatihan di halaman aplikasi untuk kemudian
menguji error dari model pengujian. Pengujian data
berisi kumpulan data yang digunakan untuk menguji
keakuratan hasil peramalan model.
4) Peramalan data
Proses peramalan data diperlukan untuk mengetahui nilai
ramalan sejumlah n-periode ke depan. Forecast data
menggunakan nilai dari periode yang lalu (Makridakris,
1999) untuk meramalkan periode ke depan.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
3
C. Gambaran Umum Aplikasi untuk Pengguna
Gambaran secara umum aplikasi peramalan untuk
pengguna dapat dilihat pada gambar (2) berikut ini.
Gambar 4 Nilai presisi sistem 0,1
Gambar 2 Gambaran Umum Sistem untuk Pengguna
Pengguna aplikasi adalah pegawai perusahaan yang
akan memakai aplikasi peramalan. Pengguna akan
memasukkan sejumlah data yang ingin diramalkan. Kemudian
user akan menekan tombol training! untuk mendapatkan nilai
optimum model. Selanjutnya user menekan tombol testing!
untuk mengetahui nilai akurasi peramalan. Dan langkah
terakhir yaitu user mengisi sejumlah periode yang ingin
diramalkan dengan menekan tombol forecast!.
III. HASIL DAN PEMBAHASAN
A. Uji Coba dan Analisis Hasil
Pada bagian uji coba dan analisis hasil ini dijelaskan
mengenai uji coba yang dilakukan untuk mengetahui
keakuratan sistem dan metode yang digunakan. Di dalam bab
ini dijelaskan pula analisis hasil yang diperoleh dari proses
implementasi sistem yang telah dibahas pada bab 4 serta
analisis hasil yang diperoleh dari proses uji coba pada bab ini.
1) Verifikasi Aplikasi
Untuk memastikan apakah program yang telah dibuat sudah
bebas dari error maka perlu dilakukan uji coba dan verifikasi.
Langkah pertama dalam melakukan uji coba dan verifikasi
adalah dengan melihat pada program yang telah dibuat,
apakah ada kesalahan yang ditandai dengan adanya tanda
error. Pada gambar 3 berikut terdapat tulisan berwarna merah
yang menandakan bahwa kode program terdapat error.
Gambar 3 Verifikasi Aplikasi
Apabila pada program sudah tidak terdapat tanda error maka
langkah selanjutnya adalah melakukan proses running untuk
mengetahui hasil yang dikeluarkan program.
Hasil yang didapat dalam verifikasi aplikasi yaitu sebagai
berikut:
a) Pengujian dengan mengganti parameter nilai presisi
sistem 0,1
Pada gambar 4 nilai presisi yang digunakan dalam sistem
yaitu sebesar 0,1. Dan tidak ditemukan adanya tanda error
yang ditandai dengan tidak adanya kode yang berwarna
merah. Aplikasi juga mampu melakukan perhitungan dengan
catatan waktu 1 menit. MAPE yang didapatkan ialah sebesar
34,17%.
b) Pengujian dengan mengganti parameter nilai presisi
sistem 0,01
Gambar 5 Nilai presisi sistem 0,01
Pada gambar 5 nilai presisi yang digunakan dalam sistem
yaitu sebesar 0,01. Dan tidak ditemukan adanya tanda error
yang ditandai dengan tidak adanya kode yang berwarna
merah. Aplikasi mampu melakukan perhitungan namun tidak
secepat nilai presisi 0,1. Waktu yang dibutuhkan oleh aplikasi
ialah kurang lebih 6 jam. MAPE yang didapatkan untuk data
pelatihan ialah sebesar 32,08%.
c) Pengujian dengan mengganti parameter nilai presisi
sistem 0,001
Gambar 6 Nilai presisi sistem 0,001
Pada gambar 5.4 nilai presisi yang digunakan dalam sistem
yaitu sebesar 0,001. Ketika melakukan proses ditemukan
adanya tanda error yang ditandai dengan dialog box “out of
reach”. Aplikasi tidak mampu melakukan perhitungan karena
proses perhitungan untuk masing-masing nilai 0,001 sebanyak
tiga kali, yaitu menghitung nilai alpha, beta dan gamma.
2) Uji Coba dan Analisis Hasil
Uji coba yang akan dilakukan meliputi tahap uji coba dan
analisis hasil uji coba dalam menghitung nilai ramalan di
periode yang akan datang dengan menggunakan Microsoft
Excel dan aplikasi yang telah dihasilkan pada tahap
sebelumnya menggunakan metode time series Exponential
Smoothing Holts Winter :
1) Penggantian proporsi data
Dengan menggunakan proporsi 80:20, maka hasil yang
didapatkan dari running sistem dapat dilihat pada tabel (1)
berikut :
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
4
Tabel 6 Tabel proporsi 60:40
Tabel 1 Tabel proporsi 80:20
MAPE
Pelatihan
34,17%
Pengujian
39,32%
MAPE
Error pelatihan yang dihasilkan dari proporsi data 80:20
adalah sebesar 34,17%. Nilai tersebut masih dalam batas yang
diperbolehkan dalam nilai error peramalan yaitu dalam batas
20%-50%. Nilai yang dihasilkan melalui evaluasi ini,
menunjukkan kemampuan peramalan seperti yang ditunjukkan
dalam kriteria MAPE pada Tabel 2 (Chang, Wang, & Liu,
2007).
Tabel 2 Kriteria MAPE
MAPE
< 10%
10% - 20%
20% - 50%
> 50%
Pengertian
Kemampuan peramalan sangat baik
Kemampuan peramalan baik
Kemampuan peramalan cukup
Kemampuan peramalan buruk
Sedangkan nilai error yang dihasilkan dari validasi sebesar
39,32%. Nilai tersebut menggunakan nilai optimum model
yang dihasilkan dari model pelatihan. Tabel (3) berikut
mengenai nilai optimum model yang dihasilkan oleh data
pelatihan dengan proporsi 80:20.
Tabel 3 Nilai optimum model proporsi 80:20
ALPHA
BETA
0.8
GAMMA
0.9
Tabel 4 Tabel proporsi 70:30
MAPE
Pelatihan
35,83%
Pengujian
24,20%
Pelatihan error yang dihasilkan dari proporsi data 70:30
adalah sebesar 35,83%. Nilai tersebut masih dalam batas yang
diperbolehkan dalam nilai error peramalan yaitu dalam batas
20%-50%. Sedangkan nilai error yang dihasilkan dari validasi
sebesar 24,20%. Nilai tersebut menggunakan nilai optimum
model yang dihasilkan dari model pelatihan. Tabel (5) berikut
mengenai nilai optimum model yang dihasilkan oleh data
pelatihan dengan proporsi 70:30.
Tabel 5 Nilai optimum model proporsi 70:30
BETA
Pengujian
25,69%
Pelatihan error yang dihasilkan dari proporsi data 60:40
adalah sebesar 37,94%. Nilai tersebut masih dalam batas yang
diperbolehkan dalam nilai error peramalan yaitu dalam batas
20%-50%. Sedangkan nilai error yang dihasilkan dari validasi
sebesar 25,69%. Nilai tersebut menggunakan nilai optimum
model yang dihasilkan dari model pelatihan. Tabel (7) berikut
mengenai nilai optimum model yang dihasilkan oleh data
pelatihan dengan proporsi 60:40.
Tabel 7 Nilai optimum model proporsi 60:40
ALPHA
BETA
GAMMA
Dengan menggunakan proporsi 50:50, maka hasil yang
didapatkan dari running sistem dapat dilihat pada tabel (8)
berikut :
1
1
0.1
Tabel 8 Tabel proporsi 50:50
MAPE
Pelatihan
26,14%
Pengujian
71,39%
Pelatihan error yang dihasilkan dari proporsi data 50:50
adalah sebesar 26,14%. Nilai tersebut masih dalam batas
yang diperbolehkan dalam nilai error peramalan yaitu dalam
batas 20%-50%. Sedangkan nilai error yang dihasilkan dari
validasi sebesar 71,39%. Error tersebut lebih dari batas
normal yang diperbolehkan dalam peramalan yaitu melebihi
50% sehingga error tersebut sangat buruk. Nilai tersebut
menggunakan nilai optimum model yang dihasilkan dari
model pelatihan. Tabel (9) berikut mengenai nilai optimum
model yang dihasilkan oleh data pelatihan dengan proporsi
50:50.
Tabel 9 Nilai optimum model proporsi 50:50
ALPHA
BETA
0.1
GAMMA
0.1
0.1
Dari ujicoba penggantian proporsi data pelatihan dan
pengujian, maka proporsi data yang paling bagus ialah yang
menggunakan proporsi data 70:30 dengan nilai optimum
parameternya 0,9, 0,1, 0,1 dengan hasil MAPE pelatihan
yang bernilai 35,83% dan MAPE pengujian yang bernilai
24,20%.
GAMMA
Dengan menggunakan proporsi 60:40, maka hasil yang
didapatkan dari running sistem dapat dilihat pada tabel (6)
berikut :
0.9
37,94%
1
Dengan menggunakan proporsi 70:30, maka hasil yang
didapatkan dari running sistem dapat dilihat pada tabel (4)
berikut :
ALPHA
Pelatihan
0.1
0.1
2) Penggantian nilai optimum model terhadap nilai proporsi
data untuk mencari nilai akurasi peramalan terbaik
Tahap ini dilakukan untuk membandingkan keakuratan hasil
peramalan dengan mengganti nilai optimum model pada
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
masing-masing proporsi data yang ada. Berikut nilai optimum
model yang didapatkan dari masing-masing proporsi data.
Nilai optimum model dengan proporsi 80 : 20 ialah sebesar
0.8, 0.9, 1 dengan nilai akurasi peramalan pengujian sebesar
39,32%.. Hasil tersebut akan dibandingkan terhadap proporsi
data yang berbeda yang ditampilkan pada tabel berikut ini :
Tabel 10 Nilai optimum model 0.8, 0.9, 1
Proporsi data
MAPE
80 : 20
39,32 %
70 : 30
69,08 %
60 : 40
43,48 %
50 : 50
248,60 %
5
70 : 30
25,68 %
60 : 40
25,69 %
50 : 50
114,90 %
Dari tabel (12) diatas menunjukkan bahwa nilai optimum
model 1, 1, 0,1 dengan nilai akurasi peramalan terendah ialah
data dengan proporsi 70:30 dengan nilai akurasi peramalan
berbeda 0,01% dengan proporsi data 60:40 yaitu sebesar
25,68%.. Sedangkan nilai akurasi peramalan tertinggi atau
terburuk dimiliki oleh data dengan proporsi 50:50 dengan
nilai sebesar 114,90%.
Nilai optimum model dengan proporsi 50 : 50 ialah sebesar
0.1, 0.1, 0.1 dengan nilai akurasi peramalan pengujian sebesar
71,39%. Hasil tersebut akan dibandingkan terhadap proporsi
data yang berbeda yang ditampilkan pada tabel berikut ini :
Tabel 13 Nilai optimum model 0.1, 0.1, 0.1
Dari tabel (10) diatas menunjukkan bahwa nilai optimum
model 0.8, 0.9, 1 dengan nilai akurasi peramalan terendah
ialah data dengan proporsi 80:20. Sedangkan nilai akurasi
peramalan tertinggi atau terburuk dimiliki oleh data dengan
proporsi 50:50.
Nilai optimum model dengan proporsi 70 : 30 ialah sebesar
0.9, 0.1, 0.1 dengan nilai akurasi peramalan pengujian sebesar
24,20%. Hasil tersebut akan dibandingkan terhadap proporsi
data yang berbeda yang ditampilkan pada tabel berikut ini :
Proporsi data
MAPE
80 : 20
27,94 %
70 : 30
26,73 %
60 : 40
22,89 %
50 : 50
71,39 %
Tabel 11 Nilai optimum model 0.9, 0.1, 0.1
Proporsi data
MAPE
80 : 20
28,01 %
70 : 30
24,20 %
60 : 40
20,33%
50 : 50
113,65 %
Dari tabel (11) diatas menunjukkan bahwa nilai optimum
model 0.9, 0.1, 0.1 dengan nilai akurasi peramalan terendah
ialah data dengan proporsi 60:40. Sedangkan nilai akurasi
peramalan tertinggi atau terburuk dimiliki oleh data dengan
proporsi 50:50 dengan nilai akurasi sebesar 113,65%.
Nilai optimum model dengan proporsi 60 : 40 ialah sebesar 1,
1, 0.1 dengan nilai akurasi peramalan pengujian sebesar
25,69%. Hasil tersebut akan dibandingkan terhadap proporsi
data yang berbeda yang ditampilkan pada tabel berikut ini :
Dari tabel (13) diatas menunjukkan bahwa nilai optimum
model 0,1, 0.1, 0.1 dengan nilai akurasi peramalan terendah
ialah data dengan proporsi 60:40 dengan nilai akurasi
peramalan sebesar 22,89%.. Sedangkan nilai akurasi
peramalan tertinggi atau terburuk dimiliki oleh data dengan
proporsi 50:50 dengan nilai sebesar 71,39%.
Dari hasil perbandingan proporsi data dengan mengganti nilai
optimum model diatas didapatkan bahwa data dengan nilai
proporsi 60:40 dibandingkan dengan proporsi data yang lain
dengan nilai optimum model yang digunakan sama yaitu 0.9,
0.1, 0.1 mempunyai nilai akurasi peramalan terbaik sebesar
20,80%. Sedangkan untuk nilai akurasi peramalan terburuk
yang didapatkan dari nilai proporsi data 50:50 dengan nilai
optimum model 0.8, 0.9, 1 sebesar 248,60%. Tidak hanya
untuk nilai optimum model 0.8, 0.9, 1 yang memiliki nilai
akurasi peramalan buruk. Nilai optimum model pada tabel
5.22, 5.23 dan 5.24 juga memiliki nilai akurasi peramalan
yang buruk dengan masing-masing nilai sebesar 113,65%,
114,90% dan 71,39%.
Dengan menggunakan aplikasi peramalan yang telah
dibuat, maka hasil yang didapatkan dari running sistem untuk
peramalan sejumlah 10 periode ke depan dapat dilihat pada
gambar (7) berikut :
3) Peramalan data
Tabel 12 Nilai optimum model 1, 1, 0.1
Proporsi data
MAPE
80 : 20
30,25 %
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
Gambar 7 Nilai ramalan 10 periode ke depan
IV. KESIMPULAN
Berdasarkan proses-proses yang telah dilakukan dalam
pengerjaan tugas akhir ini maka ada beberapa kesimpulan
yang dapat diambil, diantaranya adalah :
1. Proporsi data 70:30 menghasilkan nilai akurasi
peramalan untuk data pelatihan sebesar 35,83% dan
data pengujian sebesar 24,20% dengan nilai
optimum model sebesar 0.9, 0.1, dan 0.1.
2. Penggunaan nilai akurasi 0.1 pada aplikasi
menghasilkan nilai akurasi peramalan untuk data
pelatihan sebesar 35,83% dan data pengujian
sebesar 24,20% dengan menggunakan proporsi
70:30 dan menghasilkan nilai optimum model
sebesar 0.9, 0.1, dan 0.1 serta waktu yang
dibutuhkan kurang lebih 1 menit.
3. Dengan menggunakan nilai optimum model yang
didapat dari proporsi data 70:30 yaitu sebesar 0.9,
0.1, dan 0.1, hasil yang didapatkan proporsi data
60:40 memiliki nilai akurasi peramalan yang lebih
baik dari proporsi data yang lainnya yaitu sebesar
20,33%.
DAFTAR PUSTAKA
[1] C.E. Holt, Forecasting trends and seasonals by exponentially
weighted moving averages, ONR Memorandum, vol. 52, Carnegie
Institute of Technology, Pittsburg, USA, 1957, Reprinted:
International Journal of Forecasting, 20, 5–10 (2004).
[2] Gaynor, P. E. Dan Kirkpatrick R. C. 1994. Introduction to Time
Series Modelling and Forecasting ini Business and Economic .
Singapura : Mc. Graw Hill.
[3] Hanke, J.E., Wichern, D.W., Reitsch, A.G. 2003. Peramalan Bisnis.
PT. Prenhallindo. Jakarta
[4] Makridakis, S.G., Wheelwright, S.C., V.E. McGee, Forecasting:
Methods and Applications, 2nd ed., Wiley, New York, 1998.
[5] Makridakis, S.G., Wheelwright, S.C., Hyndman, Rob J.,
Forecasting: Methods and Applications, 3d ed., Wiley, New York,
1998.
[6] Mulyono, S. 2000. Peramalan Bisnis dan Ekonometrika. Edisi ke-1,
Badan Penerbit Fakultas Ekonomi Yogyakarta. Yogyakarta.
[7] R. Yaffee, M. McGee, Introduction to Time Series Analysis and
Forecasting with Applications to SAS and SPSS, Academic Press,
Inc., San Diego, 2000.
6