BAB II LANDASAN TEORI

(1)

7

Analisa Penentuan Kebijakan, David Armenteros, Universitas Multimedia Nusantara

BAB II

LANDASAN TEORI

Tinjauan Teori 2.1.1 Covid-19

Penyakit Covid-19 adalah penyakit yang menyerang sistem pernapasan, di mana penyebab dari penyakit ini adalah virus yang bernama Sars-CoV-2. Virus ini dapat menular antara manusia dan hewan [16]. Covid-19 dapat menyerang segala rentang usia mulai dari bayi hingga lansia. Covid-19 ini dapat menyebabkan flu, diare dan demam. Namun virus ini juga dapat menyebabkan hal yang lebih membahayakan antara lain infeksi paru-paru, Middle-East Respiratory Syndrome (MERS), Severe Acute Respiratory Syndrome (SARS), sesak nafas hingga kematian [17]. Penyebaran dari virus ini sangat cepat, di mana penularannya terjadi melalui droplet dari orang yang terkena virus ke orang lainnya [18].

2.1.2 Prediksi

Prediksi atau biasa juga disebut dengan peramalan (forecast) merupakan dugaan tentang hal yang akan terjadi pada masa mendatang [19]. Di mana dugaan atau perkiraan mengenai peristiwa yang mungkin terjadi di masa mendatang ini dilakukan dengan mengumpulkan serta menggunakan berbagai informasi dan data historis. Pemanfaatan data historis ini dilakukan dengan menggunakan metode ilmiah. Dalam menentukan periode waktu yang akan diramal atau diprediksi, didasari oleh hal-hal yang terjadi sekarang dan juga bergantung pada tujuan dilakukannya peramalan. Secara umum periode waktu yang digunakan untuk peramalan adalah satu hari, satu minggu, satu bulan, tiga bulan, enam bulan, dan dua belas bulan. Semakin jauh atau semakin lama periode waktu yang akan diprediksi maka hasil dari prediksi atau ramalan tersebut diduga akan memiliki tingkat ketepatan yang semakin kurang akurat

(2)

8

[20]. Tujuan dengan dilakukannya prediksi ini sendiri adalah untuk mendapatkan informasi atau mengetahui hal yang akan atau mungkin terjadi di masa mendatang dengan kejadian terbesar yang mungkin akan terjadi [21].

2.1.3 Time Series

Time series adalah suatu metode yang berguna dalam analisa peramalan kuantitatif dengan tujuan untuk menentukan pola di masa depan dengan memanfaatkan data historis yang dikumpulkan berdasarkan urutan waktu.

Analisis peramalan dengan time series ini sangat penting dalam proses peramalan karena peramalan dengan time series akan membantu meningkatkan tingkat akurasi ketepatan dari ramalan yang akan dibuat [22].

2.1.4 Clustering

Clustering atau pengelompokkan merupakan teknik data mining berfungsi mengelompokkan sejumlah data pada suatu cluster. Dalam cluster yang sama tersebut memiliki sejumlah data yang mempunyai tingkat kemiripan yang hampir sama dan antara cluster satu dengan cluster lainnya memiliki tingkat kemiripan yang berbeda [23]. Hasil clustering yang baik dapat diperoleh pada cluster yang elemen-elemennya memiliki tingkat kemiripan yang tinggi pada satu cluster dan tingkat kemiripan yang rendah pada cluster yang lain. Tingkat kesamaan yang dipertimbangkan adalah ukuran numerik antara dua objek [24].

2.1.5 Metode Holt-Winters

Metode Holt-Winters merupakan kombinasi dari dua metode, metode Holt dan metode Winters, dan dapat digunakan untuk menyelesaikan masalah pada data time series dengan karakteristik tren atau musiman [25]. Metode Holt- Winters terbagi menjadi dua jenis yaitu multiplikatif dan aditif. Jenis multiplikatif digunakan untuk data yang digunakan memiliki fluktuasi sedangkan jenis aditif digunakan pada data yang tidak memiliki fluktuasi.

Metode Holt-Winters multiplikatif dilakukan dengan mengoperasikan tiga lapisan yaitu lapisan pemulusan level, lapisan pemulusan tren dan lapisan pemulusan musiman. Perhitungan untuk mendapatkan nilai dari masing-masing

(3)

9

lapisan dilakukan secara bertahap mulai dari pemulusan level, pemulusan tren dan yang terakhir pemulusan musiman. Metode Holt-Winters multiplikatif diawali dengan menentukan nilai awal pada pemulusan level dengan menggunakan rumus pada gambar 2.1.

𝑆

_𝑡

= 𝛼

^𝑋^𝑡

𝐼_𝑡−𝐿

+ (1 − 𝛼)(𝑆

_𝑡−1

+ 𝑏

_𝑡−1

)

(2.1) Setelah nilai awal pada pemulusan level sudah didapatkan maka nilai Stsudah didapatkan sehingga nilai pemulusan tren sudah dapat dihitung. Untuk menghitung nilai pemulusan tren dengan metode Holt-Winters multiplikatif dapat dilihat pada rumus 2.2.

𝑏

_𝑡

= 𝛽(𝑆

_𝑡

− 𝑆

_𝑡−1

) + (1 − 𝛽)𝑏

_𝑡−1 (2.2) Setelah nilai pemulusan tren sudah didapatkan maka nilai bt sudah didapatkan sehingga nilai pemulusan musiman sudah dapat dihitung. Untuk menghitung nilai pemulusan musiman dengan metode Holt-Winters multiplikatif dapat dilihat pada rumus 2.3.

𝐼

_𝑡

= 𝛾

^𝑋^𝑡

𝑆_𝑡

+ (1 − 𝛾)𝐼

_1−𝐿

(2.3) Setelah nilai pemulusan musiman sudah didapatkan maka masing-masing nilai pada setiap lapisan sudah ditemukan. Maka langkah terakhir adalah menghitung hasil peramalan dengan cara menambahkan nilai pemulusan level dan nilai pemulusan tren kemudian hasil penjumlahan tersebut dikalikan dengan nilai pemulusan musiman seperti pada rumus 2.4.

𝐹

_𝑡+𝑚

= (𝑆

_𝑡

+ 𝑏

_𝑡

𝑚)𝐼

_{1−𝐿+𝑚} (2.4)

Metode Holt-Winters aditif juga dilakukan dengan mengoperasikan tiga lapisan yaitu lapisan pemulusan level, lapisan pemulusan tren dan lapisan pemulusan musiman. Perhitungan untuk mendapatkan nilai dari masing-masing lapisan dilakukan secara bertahap mulai dari pemulusan level, pemulusan tren dan yang terakhir pemulusan musiman. Metode Holt-Winters aditif juga diawali

(4)

10

dengan menentukan nilai awal pada pemulusan level dengan menggunakan rumus pada gambar 2.5.

𝑆

_𝑡

= 𝛼(𝑋

_𝑡

− 𝐼

_1−𝐿

) + (1 − 𝛼)(𝑆

_𝑡−1

+ 𝑏

_𝑡−1

)

(2.5) Setelah nilai awal pada pemulusan level sudah didapatkan maka nilai Stsudah didapatkan sehingga nilai pemulusan tren sudah dapat dihitung. Untuk menghitung nilai pemulusan tren dengan metode Holt-Winters aditif dapat dilihat pada rumus 2.6.

𝑏

_𝑡

= 𝛽(𝑆

_𝑡−1

− 𝑠

_𝑡

) + (1 − 𝛽)𝑏

_𝑡−1 (2.6) Setelah nilai pemulusan tren sudah didapatkan maka nilai bt sudah didapatkan sehingga nilai pemulusan musiman sudah dapat dihitung. Untuk menghitung nilai pemulusan musiman dengan metode Holt-Winters aditif dapat dilihat pada rumus 2.7.

𝐼

_𝑡

= 𝑦(𝑋

_𝑡

− 𝑆

_𝑡

) + (1 − 𝑦)𝐼

_𝑡−𝐿 ^(2.7)

Setelah nilai pemulusan musiman sudah didapatkan maka masing-masing nilai pada setiap lapisan sudah ditemukan. Maka langkah terakhir adalah menghitung hasil peramalan dengan cara menambahkan nilai pemulusan level, tren dan musiman. Untuk lebih jelasnya dapat dilihat pada rumus 2.8.

𝐹

_𝑡+𝑚

= 𝑆

_𝑡

+ 𝑏

_𝑡

𝑚 + 𝐼

_{𝑡−𝐿+𝑚} (2.8)

Gambar 2.1 berikut merupakan makna dari simbol-simbol yang digunakan pada rumus Holt-Winters multiplikatif maupun pada Holt-Winters aditif.

(5)

11

Analisa Penentuan Kebijakan, David Armenteros, Universitas Multimedia Nusantara Gambar 2.1 Makna Simbol pada Rumus Holt-Winters

Sumber: [26]

2.1.6 Metode K-Means

K-Means merupakan metode yang digunakan untuk melakukan clustering pada sejumlah data dengan menggunakan sistem partisi atau metode clustering tanpa hierarki. Di mana dalam metode ini terdapat dua kata yaitu K dan Means.

K merupakan jumlah cluster yang akan terbentuk dan means merupakan rata- rata nilai dari sejumlah data yang nantinya akan dikelompokkan [27]. Berikut merupakan beberapa langkah dalam metode K-Means:

i. Menentukan nilai k

Penentuan jumlah cluster yang optimal dapat ditentukan dengan menggunakan metode elbow method. Penentuan jumlah cluster tidak boleh ditentukan secara acak atau asal agar hasil clustering dapat lebih maksimal.

ii. Menentukan nilai centroid

Pada penentuan nilai centroid yang pertama dilakukan secara acak dari seluruh objek yang tersedia sebanyak jumlah cluster yang terbentuk atau nilai k.

(6)

12

iii. Menghitung jarak dari titik pusat cluster dengan setiap titik pada objek

Perhitungan jarak ini dapat dihitung dengan rumus Euclidean Distance. Rumus 2.9 berikut merupakan rumus dari Euclidean Distance:

𝐷

_𝑒

= √(𝑥

_𝑖

− 𝑠

_𝑖

)

² (2.9) Dengan De merupakan jarak Euclidean, i merupakan jumlah objek, x merupakan koordinat dari objek dan s adalah koordinat dari titik pusat cluster. Di mana rumus 2.9 di atas digunakan untuk melakukan perhitungan jarak dari dua buah titik untuk Euclidean Distance satu dimensi. Jarak yang dimaksud adalah jarak dari koordinat objek ke koordinat titik pusat cluster.

iv. Pengelompokan objek

Pengelompokan objek dilakukan dengan pengalokasian seluruh objek dalam pusat cluster yang paling terdekat atau dapat dihitung dengan menghitung jarak minimum objek.

v. Kembali dan ulangi tahap ke ii

Lakukan tahap ke ii secara berulang hingga nilai dari titik pusat cluster yang didapatkan selalu tetap serta anggota pada cluster yang satu tidak pindah ke cluster yang lain [28].

2.1.7 Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error adalah metode untuk mengukur tingkat kesalahan relatif dalam perhitungan peramalan. Secara umum MAPE dirumuskan dalam formula dalam rumus 2.10 berikut:

𝑀𝐴𝑃𝐸 =

^𝛴^𝑡=1

𝑛 |(^{𝐴𝑡−𝐹𝑡} 𝐴𝑡 )100|

𝑛 (2.10)

Dengan At adalah nilai sebenarnya pada saat t, sedangkan Ft adalah hasil peramalan ke t dan n merupakan besarnya data peramalan. MAPE memberikan persentase kesalahan mengenai hasil peramalan yang dibandingkan dengan

(7)

13

nilai sebenarnya dalam periode waktu yang sudah ditentukan. MAPE akan memberikan informasi mengenai persentase kesalahan terhadap peramalan yang dibuat. MAPE juga dapat diartikan sebagai rata-rata mengenai kesalahan yang terjadi selama periode waktu tertentu, di mana hasil akhir dari MAPE akan berbentuk persen karena hasil dari rata-rata kesalahan akan dikalikan dengan 100 [29]. Di mana semakin kecil nilai MAPE maka tingkat akurasinya semakin baik , begitu pun sebaliknya.

2.1.8 Rapid Miner

Rapid Miner adalah software memiliki fungsi untuk melakukan analisis terhadap text mining dan analisis prediksi maupun terhadap data mining.

Analisa yang digunakan pada Rapid Miner dilakukan dengan menggunakan teknik deskriptif maupun prediksi dan diharapkan dapat memberikan informasi kepada para penggunanya sehingga membantu dalam pengambilan keputusan [30] .

2.1.9 Data Cleaning

Data cleaning merupakan teknik untuk menghadapi data yang bermasalah, baik data tersebut tidak lengkap, maupun data yang mengandung nilai null.

Proses data cleaning ini juga mencakup pembuangan data yang memiliki duplikasi dan pengecekan kesalahan penulisan pada data [31].

2.1.10 Metode Elbow

Metode Elbow adalah suatu metode yang berfungsi untuk mencari jumlah cluster yang paling optimal dalam proses clustering. Pencarian jumlah cluster terbaik tersebut didapatkan dengan membandingkan persentase mengenai jumlah cluster yang membentuk sudut siku [32].

2.1.11 Knowledge Discovery in Database

Knowledge Discovery in Database atau biasa disingkat KDD merupakan metode yang digunakan untuk mendapatkan informasi atau knowledge dari database, di mana informasi tersebut akan membantu dalam pengambilan keputusan [33]. Dengan Knowledge Discovery in Database (KDD) akan

(8)

14

memberikan manfaat berupa informasi berharga yang tidak bisa didapatkan apabila hanya melihat data dengan mata telanjang. Knowledge Discovery in Database terdiri dari beberapa tahapan atau langkah dalam pengimplementasiannya. Langkah pertama yaitu data selection, yaitu langkah pertama dalam KDD yang bertujuan untuk memilih variabel-variabel tertentu saja yang dibutuhkan dan akan digunakan dalam penelitian [34]. Langkah kedua yaitu data pre-processing, langkah ini merupakan tahapan untuk mempersiapkan data atau proses manipulasi dataset yang akan dimasukkan ke dalam model sehingga data menjadi kompatibel dan sesuai yaitu dengan melakukan data cleaning dan melakukan penghapusan duplikasi data. Langkah selanjutnya atau langkah ketiga yaitu transformation, langkah ini merupakan proses perubahan data serta penggabungan data agar sesuai dengan format yang kompatibel dan sesuai dengan proses pada saat di data mining [35]. Langkah keempat atau langkah yang paling penting adalah data mining yang merupakan sebuah proses yang menggunakan teknik matematika, statistik, pembelajaran mesin dan kecerdasan buatan guna melakukan identifikasi atau penemuan informasi berharga yang ada di dalam suatu database [36]. Langkah terakhir dalam KDD yaitu interpretation/ evaluation, tahap ini merupakan tahap untuk menampilkan output berdasarkan hasil data mining ke dalam bentuk yang lebih mudah dimengerti, langkah ini juga mencakup untuk melakukan evaluasi apakah output dari proses data mining yang dihasilkan bertolak belakang dengan fakta yang sudah ada sebelumnya atau tidak [37].

2.1.12 Tableau

Tableau merupakan software untuk analisis data dan visualiasi data baik dalam bentuk report maupun dalam bentuk dashboard. Tableau dapat menampilkan hasil dari analisa data menjadi bentuk visualisasi data yang lebih mudah dimengerti dan lebih interaktif [38].

Penelitian Terdahulu

Tabel 2.1 berikut merupakan tabel mengenai penelitian sebelumnya yang sudah pernah dilakukan yang menjadi wawasan tambahan dalam penelitian kali ini.

(9)

15

Analisa Penentuan Kebijakan, David Armenteros, Universitas Multimedia Nusantara Tabel 2.1 Penelitian Terdahulu

No Judul Jurnal (Nama Jurnal/

Penulis/

Tahun/ Vol/

No)

Permasalahan Solusi & Hasil Hal yang diambil

1 K-Means Clustering Data COVID- 19 (Jurnal Teknik

Industri/ R. A.

Indraputra dan Rina Fitriana/

2020/ Vol 10/

No 3)

Pengelompokan data Covid-19 berdasarkan total kasus Covid-19 dari masing- masing negara untuk memberikan informasi

mengenai negara- negara apa saja yang perlu

penanganan kasus Covid-19 yang lebih darurat

Terbentuk 2 cluster, di mana cluster 1 berisi 29 data dan cluster 2 berisi 19 data. Cluster 2 memiliki jumlah kasus positif dan meninggal yang jauh lebih banyak dibanding cluster 1

sehingga cluster 2 membutuhkan penanganan kasus Covid-19 yang lebih darurat.

Pembagian 2 cluster ini mendapatkan nilai SSE

Penggunaan metode K-Means dalam

mengelompokkan negara-negara berdasarkan total kasus Covid-19.

[39]

(10)

16

Penulis/

Tahun/ Vol/

No)

sebesar

183006796028 2 Implementasi

Holt - Winters Exponential Smoothing untuk Peramalan Harga Bahan Pangan di Kabupaten Pamekasan (Jurnal Teknologi Informasi dan Komunikasi/

Nindian Puspa Dewi & Indah Listiowarni/

2020/ Vol 11/

No 2)

Ketidakstabilan harga bahan pangan pada kabupaten Pamekasan sehingga dengan dilakukan peramalan masyarakat kabupaten

Pamekasan dapat melakukan pengelolaan uang dengan lebih baik dan bijak

Peramalan dilakukan dengan menggunakan metode Holt- Winters untuk memprediksi harga telur, daging ayam dan kentang dari September 2020 sampai dengan Desember 2020.

Hasil peramalan menunjukkan untuk harga telur per kg tertinggi pada bulan

Desember, untuk harga daging ayam per kg tertinggi

Penggunaan metode Holt- Winters dalam memprediksi harga bahan pangan dan penggunaan MAPE dalam menghitung tingkat akurasi dari pemodelan prediksi yang dibuat.

[40]

(11)

17

Penulis/

Tahun/ Vol/

No)

pada bulan November dan untuk harga kentang tertinggi pada bulan

September.

Untuk pemodelan peramalannya sendiri

menghasilkan nilai MAPE

<10%.

Berdasarkan penelitian terdahulu yang sudah dituliskan pada tabel di atas, terdapat jurnal yang dapat dijadikan sebagai referensi untuk melakukan peramalan, pengelompokan dan pengukuran tingkat akurasi pemodelan prediksi. Dari artikel jurnal dengan judul ‘K-Means Clustering Data COVID-19’ dapat dilihat bahwa K- Means mampu mengelompokkan atau melakukan proses clustering pada data kasus Covid-19. Dari artikel jurnal dengan judul ‘Implementasi Holt-Winters Exponential Smoothing untuk Peramalan Harga Bahan Pangan di Kabupaten Pamekasan’ dapat dilihat bahwa metode Holt-Winters dapat digunakan untuk peramalan data time series (data harga pangan) dan metode MAPE juga dapat digunakan sebagai metode yang digunakan untuk mengukur tingkat akurasi dari pemodelan data time series.

(12)

18

Penelitian terdahulu pada area gym sangat terbatas maka dari itu dalam penelitian ini menggunakan penelitian sebelumnya yang sesuai dengan metode yang digunakan dalam penelitian ini.