99
PREDIKSI JUMLAH KASUS PENYAKIT DIARE MENGGUNAKAN METODE TRIPLE EXPONENTIAL SMOOTHING (TES)
Indra1, Nurdina Rasjid2
Teknik Informatika, Universitas Sulawesi Barat 1,2 Email : indra@unsulbar.ac.id1, nurdina.rasjid@unsulbar.ac.id2
ABSTRAK
Problema penyakit merupakan salah satu faktor utama dalam usaha perbaikan kesehatan masyarakat. Hal tersebut disebabkan jumlah pasien yang terus bertambah bahkan berdampak pada kematian jika tidak segera ditangani sehingga diperlukan persiapan dalam menghadapi situasi peningkatan jumlah kasus. Salah satu penyakit endemis yang sering terjadi di Indonesia adalah diare. Banyaknya kasus diare yang terjadi berpotensi menjadi kejadian luar biasa sehingga patut untuk mendapat perhatian khusus. Prediksi atau peramalan menjadi salah satu upaya untuk mengetahui kapan terjadinya lonjakan kasus sehingga dapat diantisipasi secara dini. Penelitian ini bertujuan untuk melakukan prediksi jumlah kasus penyakit diare yang terjadi menggunakan metode Triple Exponential Smoothing. Adapun data yang digunakan dalam penelitian ini berupa data time series yang diperoleh dari Rumah Sakit Umum Daerah Majene selama empat tahun pada periode Tahun 2015-2018. Berdasarkan hasil pengujian yang dilakukan dengan nilai alpha optimum sebesar 0.097, metode Triple Exponential Smoothing efektif dalam melakukan peramalan atau prediksi jumlah kasus penyakit diare dengan nilai MAPE yang kurang dari 10%.
Kata Kunci: peramalan, triple exponential smoothing, diare
ABSTRACT
Disease problems are one of the main factors in efforts to improve public health. This is because the number of patients continues to grow and even has an impact on death if it is not treated immediately so that preparation is needed to deal with the situation of increasing the number of cases. One of the endemic diseases that often occurs in Indonesia is diarrhea. The number of cases of diarrhea that occurs has the potential to be an extraordinary event so it deserves special attention. Prediction or forecasting is an effort to find out when a spike in cases will occur so that it can be anticipated early. This study aims to predict the number of cases of diarrhea disease that occurs using the Triple Exponential Smoothing method. The data used in this study is in the form of time series data obtained from the Majene Regional General Hospital for four years in the 2015-2018 period. Based on the results of tests carried out with an optimum alpha value of 0.097, the Triple Exponential Smoothing method is effective in forecasting or predicting the number of cases of diarrhea disease with a MAPE value of less than 10%.
Keywords: forecasting, triple exponential smoothing, diarrhea
99
100
1. PENDAHULUAN
Penyakit diare merupakan salah satu penyakit endemis yang sering disertai dengan kematian di Indonesia. Banyaknya kasus diare yang terjadi berpotensi menjadi Kejadian Luar Biasa (KLB) sehingga patut untuk mendapat perhatian khusus.
Berdasarkan data yang diperoleh data Kementerian Kesehatan Republik Indonesia, pada tahun 2018 tercatat terjadi 10 kali KLB yang tersebar di 8 Provinsi.
Problema penyakit merupakan salah satu faktor utama dalam usaha perbaikan kesehatan masyarakat, dikarenakan jumlah orang sakit semakin terus bertambah hingga berujung pada kematian. Berdasarkan hal tersebut maka sangat diperlukan persiapan/strategi yang tepat dalam menghadapi situasi peningkatan jumlah kasus penyakit. Persiapan/strategi yang tepat dapat diperoleh dari informasi mengenai penyakit yang terjadi pada masa yang datang atau memprediksi penyakit itu sendiri untuk tahun-tahun kedepan. Memecahkan masalah prediksi tidak hanya menerka-nerka hasilnya tetapi menggunakan beberapa metode pengolahan data statistik yang dilakukan dengan mengambil data-data yang ada pada periode sebelumnya.
Prediksi atau forecasting adalah suatu proses memperkirakan secara sistematis tentang sesuatu yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan sekarang yang dimiliki, agar kesalahannya (selisih antara sesuatu yang terjadi dengan hasil perkiraan) dapat diperkecil. Prediksi tidak harus menjadikan secara pasti kejadian yang akan terjadi melainkan berusaha untuk mencari jawaban sedekat mungkin yang akan terjadi (Sari, 2019).
Saat ini teknologi forecasting banyak digunakan dalam berbagai bidang, antara lain, bidang bisnis dan industri seperti prediksi pola penjualan/ pembelian konsumen sebagai dasar menjalankan strategi pemasaran, pada bidang pemerintahan contohnya prediksi informasi pola pertumbuhan penduduk sebagai acuan perencanaan maupun sasaran pembangunan, serta dalam bidang kesehatan seperti prediksi informasi pola penyakit yang terjadi pada waktu tertentu.
Salah satu metode prediksi/ forecasting adalah exponential smoothing (pemulusan eksponensial). Metode Exponential Smoothing merupakan teknik peramalan yang digunakan secara umum untuk analisis time series, karena kesederhanaan dan kemudahan dalam prosedur peramalan yang otomatis. ( Azman Maricar, M. 2019).
Exponential smoothing ini terbagi menjadi tiga, yaitu single, double dan triple, yang mana setiap bagiannya memiliki jumlah pemulusan sesuai tingkatannya dan akan digunakan sesuai dengan pola data historisnya. Pola data historis jumlah kasus penyakit sebagai data aktual yang telah diperoleh pada data rekam medik Rumah Sakit Umum Majene mendukung penggunaan metode exponential smoothing tingkat ketiga. Berdasarkan uraian yang telah disebutkan, penulis melakukan pengembangan penelitian yaitu Metode Triple Exponential Smoothing (TES) dalam Memprediksi Jumlah Kasus Penyakit Diare di RSUD Majene.
2. LANDASAN TEORI
2.1. Triple Exponential Smoothing
Metode triple exponential smoothing merupakan penyempurnaan dari metode penghalusan ganda dua dari Holt dengan menambahkan satu parameter pemulusan
101 untuk faktor musiman (Indriana Yusuf,
Feby. 2019). Metode Triple Exponential Smoothing merupakan salah satu dari metode pemulusan eksponensial dengan melakukan 3 kali pemulusan (S. Madianto, 2021). Pemilihan metode dalam pemulusan eksponensial dilakukan dengan terlebih dahulu menganalisa data mentah penelitian sebab jenis dan model data akan sangat mempengaruhi (Saragih, V, 2019). Data pada penelitian ini merupakan data berfluktuasi atau mengalami gelombang pasang surut yakni kenaikan atau penurunan jumlah data tersebut biasanya terjadi secara tiba-tiba . Untuk itu metode yang digunakan adalah metode Triple Exponential Smoothing.
Persamaan dari metode TES adalah sebagai berikut.
𝑆′𝑡 = α𝑋𝑡(1-𝛼)𝑆′𝑡−1 (1) 𝑆′′𝑡 = α𝑆′𝑡(1-𝛼)𝑆′′𝑡−1 (2)
𝑆′′′𝑡 = α𝑆′′𝑡(1-𝛼)𝑆′′′𝑡−1 (3) 𝛼𝑡 = 3𝑆′𝑡 - 3𝑆′′𝑡 + 𝑆′′′𝑡−1 (4) 𝑏𝑡 = 𝛼
2(1−𝛼)2 |(6 – 5α)𝑆′𝑡 – (10 - 8α)𝑆′′𝑡 +
(4 - 3α)𝑆′′′𝑡| (5)
𝑐𝑡 = 𝛼2
(1−𝛼)2 (𝑆′𝑡− 2𝑆′′𝑡 + 𝑆′′′𝑡) (6) 𝐹𝑡+𝑚 = 𝛼𝑡 + 𝑏𝑡𝑚 + 1
2𝑐𝑡𝑚 (7)
Keterangan:
𝑋𝑡 = Data aktual dari periode ke-t.
𝑆′𝑡 = Nilai pemulusan tunggal.
𝑆′′𝑡 = Nilai pemulusan ganda.
𝑆′′′𝑡 = Nilai pemulusan triple 𝑎𝑡 = Nilai konstanta a.
𝑏𝑡 = Nilai konstanta b.
𝑐𝑡 = Nilai konstanta c.
𝐹𝑡+𝑚 = Mencari peramalan di periode berikutnya.
m = Jangka waktu perencanaan kedepan α = Parameter eksponensial dengan
nilai antara 0–1.
Persamaan dari metode TES di implementasikan ke dalam program dengan menggunakan bahasa PHP. Namun, terlebih dahulu program diarahkan untuk mencari nilai alpha sebagai tolak ukur dalam persamaan TES diatas. Flowchart metode TES dapat dilihat pada Gambar 1.
2.2. Perhitungan akurasi
Selanjutnya dilakukan pengujian data pada hasil prediksi yang telah didapatkan untuk mengetahui selisih error dari prediksinya. Pengujian tingkat akurasi yang digunakan adalah pengujian absolute (MAPE) dan pengujian rata-rata kuadrat (MSE).
Dalam penelitian Sitorus (2019), MAPE atau nilai tengah kesalahan persentase absolut adalah rata-rata dari keseluruhan persentase kesalahan (selisih) antara data aktual dengan data hasil peramalan.
Persamaan untuk menghitung MAPE adalah sebagai berikut:
MAPE = ∑𝑁𝑡=1 𝑃𝐸𝑡
𝑁 (8) Persentase error merupakan kesalahan persentase dari suatu peramalan.
Persamaannya adalah sebagai berikut.
PE = ( 𝑋𝑡−𝐹𝑡
𝑋𝑡 ) 100 (9)
Keterangan:
𝑒𝑡 = kesalahan pada periode ke-𝑡 𝑋𝑡 = data aktual pada periode ke-𝑡 𝐹𝑡 = nilai ramalan pada periode ke-𝑡 N = banyaknya periode waktu PE = persentase error
102
Pengujian tingkat akurasi MAPE ini dimaksudkan untuk menguji tingkat keefektifan dari metode Triple Exponential Smoothing. Dalam Gusfadilah dkk (2019), Chang menyebutkan bahwa penggunaan tingkat kesalahan MAPE dapat menghindari akurasi terhadap besarnya nilai aktual dan nilai prediksi. Kriteria nilai MAPE terdapat pada tabel 1 berikut.
Tabel 1. Kriteria Nilai MAPE Nilai MAPE Waktu (detik)
< 10% Sangat Baik
10% – 20% Baik
20% – 50% Cukup
> 50% Buruk
MSE = ∑𝑁𝑡=1 (𝑋𝑡−𝐹𝑡)^2
𝑁 (10)
Dengan terlebih dahulu menentukan nilai SE pada persamaan berikut.
SE = (Xt – Ft)2 (11)
Keterangan:
SE = Squared Error Xt = Data Aktual Ft = Nilai Peramalan
Gambar 1. Flowchart metode TES
3. HASIL DAN PEMBAHASAN
Rancangan penelitian ditunjukkan pada gambar 2 sebagai berikut:
Gambar 2. Rancangan Penelitian
103 3.1 Data
Data yang digunakan berupa data time series. Data Time series dianalisis sehingga pola dapat diekstrapolasi ke masa depan berdasarkan pola yang ada (Harlina, Sitti dan Usman. 2020).
Data diperoleh dari Rumah Sakit Umum Daerah Majene selama empat tahun pada periode Tahun 2015-2018.
3.2 Proses Triple Exponential Smoothing Pada tahapan ini terlebih dahulu data dihitung secara manual menggunakan metode Triple Exponential Smoothing dengan tujuan untuk memahami cara kerja metode tersebut sebelum diterapkan ke dalam program. Data yang akan dihitung adalah data diare sebab diare merupakan parameter pertama dalam penelitian. Adapun data aktual diare dapat dilihat pada gambar 3 berikut.
Gambar 3. Data Aktual Diare tahun 2015- 2018
Berikut merupakan contoh perhitungan Triple Exponential Smoothing pada data aktual pertama diare menggunakan alpha 0.079. Untuk mencari nilai alpha dilakukan menggunakan bahasa ltm pada bahasa R.
Data pertama adalah 63 dan data kedua adalah 52, proses perhitungannya adalah sebagai berikut.
a. Menghitung pemulusan pertama 𝑆′𝑡 = α𝑋𝑡(1-𝛼)𝑆′𝑡−1
S’t = (0.079)(52) + (0.921)(63) S’t = 4.108 + 58.023
S’t = 62.13
b. Menghitung pemulusan kedua 𝑆′′𝑡 = α𝑆′𝑡(1-𝛼)𝑆′′𝑡−1
S”t = (0.079)(62.13) + (0.921)(63) S”t = 4.908 + 58.023
S”t = 62.93
c. Menghitung pemulusan ketiga 𝑆′′′𝑡 = α𝑆′′𝑡(1-𝛼)𝑆′′′𝑡−1
S”’t = (0.079) (62.93) +(0.921)(63)
S”’t = 4.971 + 58.023 S”’t = 62.99
d. Menghitung konstanta a 𝛼𝑡 = 3𝑆′𝑡 - 3𝑆′′𝑡 + 𝑆′′′𝑡−1
at = 3(62.13) – 3(62.93) + 62.99 at = 186.39 – 188.79 + 62.99 at = 60.59
e. Menghitung konstanta b 𝑏𝑡 = 𝛼
2(1−𝛼)2 |(6 – 5α)𝑆′𝑡 – (10 - 8α)𝑆′′𝑡 + (4 - 3α)𝑆′′′𝑡| 𝑏𝑡 = (0.079)
2(1−0.079)2 |(6 – 5*0.079)
(62.13) – (10 –8*0.079) (62.93) + (4 – 3*0.079)(62.99) |
𝑏𝑡 = (0.079)
1.68 |(5.6 x 62.13) – (9.3 x 62.93) + (3.7 x 62.99) |
𝑏𝑡 = 0.047 |(347.928 - 585.249 + 233.063) |
𝑏𝑡 = 0.047 (– 4.558) 𝑏𝑡 = - 0.20
63
35 30
10 21
27
1817
0 14
2325 52
0 28
2222 28
50
42
14 26
21 2726
7 12
998 23
1918
0 17
14 24
29
19
101212 3537
17
0 1211
0 10 20 30 40 50 60 70
Januari April juli Oktober Januari April juli Oktober Januari April juli Oktober Januari April juli Oktober
201520152015201520152015201520152015201520152015201620162016201620162016201620162016201620162016201720172017201720172017201720172017201720172017201820182018201820182018201820182018201820182018
Diare
104
f. Menghitung konstanta c 𝑐𝑡 = 𝛼2
(1−𝛼)2 (𝑆′𝑡− 2𝑆′′𝑡 + 𝑆′′′𝑡)
ct = (0.079)2
(0.921)2 (62.13 – 2(62.93) + 62.99 = 0.0062
0.8482 (60.79 − 2(62.83) + 62.99)
( 62.13 – 125.86 +
62.99
= 0.0073 (-0.74) = - 0.01
g. Hasil prediksi
𝐹𝑡+𝑚 = 𝛼𝑡 + 𝑏𝑡𝑚 + 1
2𝑐𝑡𝑚 Ft+m = 60.59 – 0.20 m + 1
2 (- 0.01) m2
Ft+m = 60.59 – 0.20 m - 0.005 m2
Ft+m = 60.79
Dari perhitungan tersebut diperoleh hasil sebagai berikut.
Tabel 3. Hasil Prediksi dari Diare
Untuk menghitung pengujian errornya dapat dijabarkan sebagai berikut.
a. Pengujian MAPE
Untuk menghitung pengujian MAPE, terlebih dahulu mencari nilai present errornya dengan persamaan berikut.
PE = ( 𝑋𝑡−𝐹𝑡
𝑋𝑡 ) 100 PE2 = (60.79−52)
52 (100%) = 0.17
Percent error dihitung pada masing- masing nilai prediksi yang telah dihitung sebab untuk menemukan nilai MAPE
dihitung dari sigma PE (total keseluruhan PE) dengan penjabaran sebagai berikut.
MAPE = ∑𝑁𝑡=1 𝑃𝐸𝑡
𝑁
= 2.21
4
= 0.55 % b. Pengujian MSE
Sama seperti pengujian MAPE, dalam menghitung pengujian MSE harus menentukan nilai SE nya terlebih dahulu.
Adapun penjabarannya adalah sebagai berikut.
SE = (Xt – Ft)2 SE = (52 – 60.79)2
= (-8.79)2
= 77.34
Maka, nilai dari pengujian MSE nya adalah:
MSE = ∑𝑁𝑡=1 (𝑋𝑡−𝐹𝑡)^2
𝑁 = 1387.76
4
= 346.94
Nilai dari pengujian akurasinya dapat dilihat pada tabel 3.
Adapun nilai prediksi untuk dua tahun kedepan dihitung dengan menggunakan persamaan 1.7 dimana m adalah periode selanjutnya, hasilnya dapat dilihat sebagai berikut.
Tabel 4. Nilai prediksi 2 tahun selanjutnya
Tahun M Ft
2018 1 47.30
2019 2 48.59
2020 3 49.85
3.3 Antarmuka Program
Hasil program berupa tampilan aplikasi Prediksi Jumlah Kasus Penyakit dimulai dari tampilan home hingga hasil prediksi sebagaimana yang dapat dilihat pada gambar 4 sebagai berikut.
105 Gambar 4. Tampilan home
Gambar 4 merupakan halaman awal dalam tampilan aplikasi. Tampilan ini memberikan informasi dari hasil perhitungan prediksi.
Tampilan ini berupa grafik yang memudahkan untuk membaca informasi prediksi penyakit dalam satu tahun secara keseluruhan. Selanjutnya menu user dapat dilihat pada gambar 5 berikut.
Gambar 5. Tampilan menu user Gambar 5 merupakan tampilan menu pertama setelah home. Bagian ini memuat data user yang dilengkapi dengan CRUD agar datanya bisa ditambah, di edit dan dihapus. Fungsi CRUD ini juga terdapat dalam tampilan menu selanjutnya, yaitu menu sepuluh parameter yang digunakan serta menu data aktual. Menu parameter yang digunakan dapat dilihat pada gambar 6 berikut.
Gambar 6. Tampilan menu parameter
Gambar 6 berfungsi untuk memberikan informasi kepada user terkait jenis-jenis penyakit yang terdapat dalam database. Pada tampilan ini memungkinkan untuk menambah, menghapus, serta mengedit data jika sewaktu-waktu data parameter berubah.
Adapun perincian data berupa jumlah kasus dari masing-masing parameter ditampilkan pada menu data aktual yang dapat dilihat pada gambar 7 berikut.
Gambar 7. Tampilan menu data actual Gambar 7 merupakan halaman pertama menu data aktual yang memuat data jumlah kasus diare tahun 2015. Data pada penelitian ini berjumlah 48 data setiap parameter sehingga total keseluruhan datanya adalah 480 data. Data aktual kemudian menjadi acuan untuk menghitung nilai prediksi pada menu prediksi. Tampilan menu prediksi dapat dilihat pada gambar 8 berikut.
Gambar 8. Tampilan menu prediksi Pada gambar 8 memperlihatkan menu prediksi dari aplikasi. Adapun periode merupakan pemilihan bulan (waktu) dari penyakit yang ingin diprediksi. Hasil
106
prediksi data diare dapat dilihat pada gambar 9.
Gambar 9. Hasil prediksi diare
Gambar 9 merupakan tampilan dari hasil prediksi diare periode januari yang terperinci dimulai dari hasil pemulusan pertama, kedua, ketiga serta hasil konstanta at, bt, dan ct.
Sekaligus menampilkan nilai tingkat akurasi prediksinya. Adapun hasil prediksi diare dua tahun selanjutnya dapat dilihat pada gambar 10 berikut.
Gambar 10. Hasil Prediksi Diare dua tahun selanjutnya
3.4 Pengujian Program
Pengujian sistem merupakan proses untuk mengeksekusi sistem perangkat lunak untuk menentukan apakah sistem tersebut sudah sesuai dengan spesifikasi yang diinginkan.
Pengujian dilakukan dengan menguji setiap proses untuk melihat apakah ada kesalahan yang terjadi untuk setiap proses (Abdullah, 2021).
Pengujian program yang dilakukan pada penelitian ini adalah dengan menggunakan pengujian black box. Proses Black Box Testing adalah dengan cara mencoba program yang telah dibuat dengan mencoba memasukkan data pada setiap formnya.
Pengujian ini diperlukan untuk mengetahui program tersebut berjalan sesuai dengan yang dibutuhkan oleh perusahaan. Adapun pengujian blackbox pada program ini adalah sebagai berikut.
Tabel 5. Pengujian Black Box
No Deskripsi Pengujian Hasil output Kesimpulan
1
Menu login, memasukkan username dan password yang telah diisi pada database (admin, admn) Kemudian klik button sign in.
Login berhasil dan masuk ke menu home.
Sesuai
2
Menu login, memasukkan username dan password yang tidak terdapat pada database (Nurul, 12345) Kemudian klik button sign in.
Akses login gagal dengan menampilkan pesan gagal pada url browser, serta sistem tetap menampilkan
form login.
Sesuai
3 Pada menu user, sepuluh penyakit dan data aktual, dilakukan proses CRUD (Menambah, Mengedit, dan menghapus data)
Button add, button edit, dan button delete
berfungsi.
Sesuai
4
Pada menu prediksi, sistem menginput jenis penyakit dan periode yang dipilih
Sistem dapat menginput jenis penyakit dan periode
Sesuai
107 No Deskripsi Pengujian Hasil output Kesimpulan
oleh user, serta menampilkan hasil hitung ketika mengklik button proses.
yang dipilih oleh user, serta button proses berfungsi.
5
Pada fungsi pencarian data (search) berfungsi menemukan data dengan cepat yang diinput oleh user.
Sistem dapat
melakukan pencarian data (search) sesuai inputan user.
Sesuai
Tabel 5 memperlihatkan hasil pengujian blackbox pada aplikasi yang bertujuan untuk mengetahui kesesuaian fungsi aplikasi sebagaimana mestinya agar memudahkan pengguna melakukan user interface terhadap program aplikasi.
3.5 Pemeliharaan Program
Pada tahapan ini aplikasi yang penulis buat belum dilakukan pemeliharaan program sebab aplikasi prediksinya masih berproses dan belum digunakan oleh user/admin pihak RSUD Majene.
4. SIMPULAN
Berdasarkan analisis data dan pembahasan yang telah dilakukan dapat diambil kesimpulan bahwa nilai alpha optimum yang digunakan adalah 0.097 yang merupakan hasil dari proses cronbach alpha menggunakan package ltm pada bahasa R.
Selain itu tingkat akurasi hasil peramalan pada penelitian ini dapat dikategorikan sangat baik karena memiliki nilai MAPE yang kurang dari 10%. Dengan demikian dapat dikatakan bahwa tingkat akurasi metode Triple Exponential Smoothing efektif dalam melakukan peramalan/prediksi jumlah kasus penyakit.
Penelitian ini dapat dikembangkan dengan menggunakan metode peramalan yang lain seperti jaringan syaraf tiruan,
neural network, dan sebagainya serta menggunakan data yang lebih variatif dengan skala yang lebih besar.
UCAPAN TERIMA KASIH
Penelitian ini didanai oleh DIPA Universitas Sulawesi Barat Tahun 2021.
DAFTAR PUSTAKA
Abdullah, Alfiah, Andani Achmad, dan Supriadi Sahibu. (2021). Media Pembelajaran Interaktif Mata Kuliah Pemrograman Web Berbasis Android.
Jurnal Teknologi Informasi dan Komunikasi (Inspiration). Vol 11, No.
1.
(https://jurnal.akba.ac.id/index.php/ins piration/article/view/2626/203, diakses pada 12 September 2021)
Azman Maricar, M. (2019). Analisa Perbandingan Nilai Akurasi Moving Average dan Exponential Smoothing untuk Sistem Peramalan Pendapatan pada Perusahaan XYZ. Jurnal Sistem dan Informatika (JSI), Vol. 13, No. 2, Mei 2019.
Fitria, V.A dan Hartono, R. 2017. Peramalan Jumlah Penumpang pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential Smoothing
108
(online). Vol.11 No.1
(https://jurnal.stmikasia.ac.id/index.php /jitika/article/view/35)
Gusfadilah, A., Setiawan, B.D dan Rahayudi, B. 2019. Implementasi Metode Exponential Smoothing untuk Prediksi Bobot Kargo Bulanan di Bandara Internasional I Gusti Ngurah Rai (online). Vol.3 No.2 (http://j- ptiik.ub.ac.id/index.php/j-
ptiik/article/view/4598)
Harlina, Sitti dan Usman. 2020. Analisa Prediktif Curah Hujan Data Time series berbasis Metode Neural Network.
Jurnal Teknologi Informasi dan Komunikasi (Inspiration). Vol 10, No.
2.
(https://jurnal.akba.ac.id/index.php/ins piration/article/view/2586/169, diakses pada 12 September 2021)
Indriana Yusuf, Feby dan Hilda Anjasari, Dwi. 2019. Metode Triple Exponential Smoothing Holt-Winters untuk Peramalan Jumlah Wisatawan Nusantara di Kabupaten Banyuwangi.
Jurnal UJMC, Volume 4, Nomor 2, Hal. 1 -6. ( http://e- jurnal.unisda.ac.id/index.php/ujmc/arti cle/view/1107/814)
S. Madianto, E. Utami, and A. Hartanto,
“Algoritma Triple Exponential Smoothing Untuk Prediksi Trend Turis Pariwisata Jatim Park Batu Saat Pandemi Covid-19”, JAIC, vol. 5, no. 1, pp. 58-63, Jul. 2021.
Saragih, V dan Silitonga, P. 2019. Penerapan Triple Exponential Smoothing pada Sistem Peramalan Jumlah Mahasiswa Baru (online). Vol.4 No.1 (http://103.76.21.184/index.php/JTIUS T/article/viewFile/509/544, diakses 10 November 2019)
Sasmito, G.W. 2017. Penerapan Metode
Waterfall pada Desain Sistem Informasi Geografis Industri Kabupaten Tegal.
Jurnal Informatika : Jurnal Pengembangan IT (JPIT), Vol.2, No.1 (diakses tanggal 20 november 2020) Sitorus, R.2019. Peramalan Jumlah Produksi
Obat Batuk Menggunakan Metode Double Exponential Smoothing Brown pada P.T. Mutiara Mukti Farma Tahun 2019. Skripsi. Sumatera Utara: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara
