Fakultas Ilmu Komputer
6136
Perbandingan
Holt’s
dan
Winter’s Exponential Smoothing
untuk Peramalan
Indeks Harga Konsumen Kelompok Transportasi, Komunikasi dan Jasa
Keuangan
Achmad Fahlevi1, Fitra A. Bachtiar2, Budi Darma Setiawan3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1achmad.fahlevi96@gmail.com, 2fitra.bachtiar@ub.ac.id, 3s.budidarma@ub.ac.id
Abstrak
Indeks Harga Konsumen (IHK) merupakan salah satu indikator yang paling sering digunakan untuk mengukur tingkat inflasi. Kelompok Transportasi, Komunikasi dan Jasa Keuangan merupakan kelompok IHK yang memiliki proporsi biaya hidup tertinggi ke dua sebesar 19.15%. Sebagai kelompok yang tergolong sebagai administered price (harga yang diatur pemerintah), peramalan ini membantu pihak-pihak terkait untuk mengambil keputusan terkait untuk menghindari inflasi yang terlalu tinggi. Peramalan pada penilitian ini dilakukan menggunakan dua metode Exponential Smoothing, yaitu Holt’s Exponential Smoothing dan Winter’s Exponential Smoothing. Evaluasi hasil peramalan dilakukan dengan menghitung nilai rata-rata error menggunakan metode Mean Absoulte Percentage Error (MAPE). Data yang digunakan sebanyak 132 data dari bulan Januari 2007 hingga Desember 2017, dan didapatkan dari situs resmi Bank Indonesia (www.bi.go.id). Dari penelitian ini didapatkan nilai parameter paling optimal dari Holt’s Exponential Smoothing yaitu ɑ = 0.7 dan β = 0.1 dan Winter’s Exponential Smoothingyaitu ɑ = 0.1, β = 0.4 dan γ = 0.8. Kemudian dengan nilai parameter tersebut didapatkan nilai MAPE dari Holt’s Exponential Smoothing sebesar 0.474% dan nilai MAPE dari Winter’s Exponential Smoothing sebesar 1.503%. Keduanya memiliki nilai MAPE dibawah 10% sehingga dapat diklasifikasikan sebagai sangat baik untuk meramalkan IHK kelompok Transportasi, Komunikasi dan Jasa Keuangan. Dan dapat disimpulkan juga bahwa Holt’s Exponential Smoothing memiliki akurasi yang lebih baik dibandingkan Winter’s Exponential Smoothing.
Kata kunci: Peramalan, Indeks Harga Konsumen (IHK), Exponential Smoothing, Holt’s ES, Winter’s ES, Mean Absolute Percentage Error (MAPE)
Abstract
1. PENDAHULUAN
Indeks Harga Konsumen adalah salah satu indikator yang paling sering digunakan untuk mengukur tingkat inflasi pada suatu daerah, atau secara sederhana dapat diartikan sebagai perbandingan antara harga suatu paket komoditas dari suatu kelompok barang atau jasa (market basket) yang dikonsumsi rumah tangga (household) dalam kurun waktu tertentu (Badan Pusat Statistik 2017).
Perkembangan inflasi IHK di Indonesia dalam kurun waktu 10 tahun terakhir lebih banyak dipengaruhi oleh lonjakan kenaikan inflasi administered price dan volatile food (Tim Pengendalian Inflasi Daerah 2014). Inflasi juga sering disebabkan kenaikan administered prices (harga yang diatur pemerintah), terutama transportasi seiring permintaan yang naik. (Joewono, Doni P, 2018). Berdasarkan metadata Indeks Harga Konsumen (IHK) yang diterbitkan oleh Bank Indonesia pada tahun 2017, kelompok Transportasi, Komunikasi dan Jasa Keuangan adalah kelompok IHK yang memiliki persentase proporsi biaya hidup yang paling tinggi ke dua dari kelompok IHK lainnya, yaitu sebesar 19.15%.
Exponential Smoothing sendiri merupakan metode yang melakukan perbaikan secara terus menerus suatu peramalan dengan mengambil nilai rata-rata (smoothing) nilai masa lalu dari suatu data runtut waktu dengan cara menurunkan nilainya (exponential). Analisis Exponential Smoothing merupakan salah satu analisis time series dan merupakan metode peramalan dengan memberi nilai bobot pada serangkaian pengamatan sebelumnya untuk memprediksi nilai pada masa depan (Trihendradi, 2005).
Metode Exponential Smoothing sendiri memiliki beberapa jenis seperti dijelaskan di dalam penelitian yang dilakukan oleh Ahmad Nazim pada tahun 2014. Penelitian tersebut bertujuan untuk melakukan peramalan populasi
penduduk Malaysia serta melakukan
perbandingan hasil peramalan metode-metode yang digunakan. Data yang digunakan merupakan Secondary Data penduduk Malaysia dari tahun 1957 hingga 2013, yang didapatkan dari Departmen Statistik Malaysia. Hasil peramalan diuji tingkat akurasi nya dengan metode Mean Square Error (MSE), serta didapatkan nilai akurasi nya yaitu 210,480.29 untuk SES, 38,827.7 untuk DES, 38,273.3 untuk Holt’s dan 209,835.8 untuk ARRES Technique.
Sehingga dapat disimpulkan bahwa metode Holt’s merupakan yang paling akurat dibanding metode Exponential Smoothing lainnya di atas. Selain itu, terdapat jenis metode Exponential Smoothing yg lain yaitu Winter’s Exponential Smoothing. Dalam sebuah penelitian yang dilakukan oleh Elisa Fani pada tahun 2017, penulis menyebutkan bahwa metode ini sangat cocok digunakan apabila data yang diteliti memiliki tren musiman. Penelitian tersebut bertujuan untuk membandingkan akurasi peramalan penjualan produk dengan antara Winter’s Exponential Smoothing dengan Event Based. Hasil yang didapatkan, pada Produk A, Winter’s Exponential Smoothing memiliki nilai error yang lebih kecil yaitu 0.76% dibandingkan dengan MA Event Based dan ES Event Based yang masing-masing mendapatkan nilai error 8% dan 6.50%.
Tujuan dari penelitian ini adalah untuk mengetahui perbandingan hasil peramalan dan nilai error antara metode Holt’s Exponential Smoothing dan Winter’s Exponential Smoothing pada studi kasus IHK kelompok transportasi, komunikasi dan jasa keuangan.
2. LANDASAN KEPUSTAKAAN
2.1 Indeks Harga Konsumen
Indeks Harga Konsumen adalah salah satu indikator yang paling sering digunakan untuk mengukur tingkat inflasi pada suatu daerah. Secara sederhana IHK atau dalam Bahasa Inggris disebut Consumer Price Index (CPI) adalah perbandingan antara harga suatu paket komoditas dari suatu kelompok barang atau jasa (market basket) yang dikonsumsi rumah tangga (household) dalam kurun waktu tertentu (Badan Pusat Statistik, 2017).
Proses perhitungan IHK sendiri dilakukan untuk mencatat dan mengetahui perubahan harga beli di tingkat konsumen (purchasing cost) dari sekelompok tetap barang dan jasa yang sering atau umum dikonsumsi oleh masyarkat luas (Bank Indonesia, 2016). IHK tidak memiliki satuan, karena hasil perhitungan IHK adalah suatu indeks tunggal yang bisa mengukur tingkat harga secara keseluruhan yang dicatat tiap bulannya. Dari indeks tersebut. Dari indeks tersebut dapat dihasilkan persentase tingkat inflasi yang perhitungan persentase perubahannya dianalisis secara bulanan ( month-to-month), tahunan (year-over-year) dan tahun kalender (year-to-date).
diklasifikasikan menjadi 7 kelompok pengeluaran barang dan jasa, yaitu 1. Kelompok Makanan Jadi, Minuman, Rokok dan Tembakau; 2. Kelompok Sandang; 3. Kelompok Transportasi, Komunikasi dan Jasa Keuangan; 4. Kelompok Pendidikan, Rekreasi dan Olahraga; 5. Kelompok Perumahan, Air, Listrik, Gas dan Bahan Bakar; 6. Kelompok Kesehatan; dan 7. Kelompok Bahan Makanan (Bank Indonesia, 2016).
2.2 Peramalan
Peramalan adalah proses perkiraan (pengukuran) besarnya atau jumlah sesuatu pada waktu yang akan datang berdasarkan data pada masa lampau yang dianalisis secara ilmiah khususnya menggunakan metode statistika (Sudjana, 1989).
Ada beberapa jenis metode yang dapat digunakan dalam peramalan data yaitu sebagi berikut:
• Smoothing, metode ini umumnya digunakan untuk peramalan perencanaan
keuangan dan berfungsi untuk
meminimalisir data masa lalu yang tidak beraturan atau memiliki tren musiman.
• Box jenknis, metode ini memiliki model
matematis yang berfungsi untuk
meramalkan data time series dalam jangka waktu pendek.
• Proyeksi trend, metode ini berisi persamaan matematis yang berupa garis trend dan berfungsi untuk prediksi jangka panjang dan pendek.
2.3 Penentuan Pola Data
Kumpulan suatu data biasanya membentuk suatu pola atau tren. Berikut adalah beberapa jenis pola data:
Gambar 1 Jenis-Jenis Pola Data
2.3.1 Pola Data Horizontal
Suatu data dapat dikatakan memiliki pola data horizontal apabila terdapat fluktuasi data yang berada disekitar nilai rata-rata yang konstan. Suatu produk yang penjualannya tidak meningkat atau menurun secara drastis dalam periode tertentu, dapat dilkasifikasikan pada jenis pola ini (Makridakis,1999). Contoh pola data horizontal terdapat pada Gambar 1.
2.3.2 Pola Data Musiman
Pola data musiman dapat terjadi apabila suatu deret data dipengaruhi oleh faktor yang terjadi secara musiman (Contoh: data tahunan, bulanan atau hari-hari tertentu). Penjualan dari produk makanan, minuman dan bahan bakar merupakan beberapa contoh dari pola jenis ini. Pola data musiman dapat dilihat pada Gambar 1.
2.3.3 Pola Data Skilis
Pola data siklis dapat terjadi pada data yang dipengaruhi oleh fluktuasi ekonomi dalam waktu yang panjang seperti sesuatu proses bisnis. Contoh dari pola data siklis adalah penjualan mobil, motor dan Handphone. Pola data siklis dapat dilihat pada Gambar 1.
2.3.4 Pola Data Trend
Pola data trend ada pada saat terjadi kenaikan atau penurunan sekuler jangka panjanga dalam data. Contoh dari pola data ini adalah Gross National Product (GNP) dan Pertambahan Jumlah Penduduk. Pola data trend dapat dilihat pada Gambar 1.
2.4 Algoritma Metode Exponential Smoothing
Exponential Smoothing adalah perataan eksponensial dari data deret waktu memberikan bobot yang menurun secara eksponensial untuk observasi terbaru hingga tertua. Dengan kata lain, semakin tua data, semakin kecil prioritas (berat) data diberikan. Data yang lebih baru dipandang lebih relevan dan diberi bobot lebih. Parameter pemulusan (Exponential Smoothing)
biasanya dilambangkan dengan α, untuk
menentukan bobot untuk observasi.
2.4.1 Holt’s Exponential Smoothing
tanpa menggunakan Secondary Exponential Smoothing. Karena fleksibilitas yang tinggi, metode ini digunakan secara luas. Proses inisilaisasi menggunakan Persamaan 1-2 dan nilai peramalan didapatkan dari Persamaan 3-5.
- Inisialisasi:
S1 = A1 (1)
T1 = (𝑦2−𝑦1)+(𝑦4−𝑦3)
2 (2)
- Rumus Holt’s Exponential Smoothing:
FT + m = ST + TT * m (3)
2.4.2 Winter’s Exponential Smoothing
Metode Exponential Smoothing dari Winter’s digunakan untuk peramalan jika data memiliki komponen musiman. Metode Winter’s didasarkan pada tiga persamaan pemulusann, yakni persamaan pemulusan kesuluruhan, pemulusan trend, dan persamaan pemulusan musiman. Proses peramalan dapat diliakukan menggunakan persamaan 6-9.
Rumus metode Winter’s Exponential Smoothing
dapat digunakan dengan mengambil beberapa
nilai awal yang telah ditetapkan (Montgomery,
2008), yaitu:
St : Pemulusan keseluruhan pada periode ke t,
St-1 : Pemulusan keseluruhan pada periode ke t-1
𝑏𝑡 : Pemulusan trend pada periode ke t
m : jumlah periode kedepan yang diramalkan
2.5 Mean Absoulte Percentage Error (MAPE)
Mean Absolute Percetage Error (MAPE) merupakan metode yang dapat digunakan untuk mengukur tingkat akurasi. MAPE merupakan ukuran ketetapan relatif berdasarkan nilai absolut yang digunakan untuk mengetahui persentase penyimpangan hasil prediksi dengan data aktual. MAPE dipilih untuk pengujian akurasi karena dapat memberikan hasil yang relatif akurat. Persamaan MAPE ditunjukkan pada Persamaan 10 (Nugroho & Purqon, 2015).
𝑀𝐴𝑃𝐸 = 1𝑛∑ |𝑦′𝑖−𝑦𝑖
𝑙 = banyaknya dimensi data
MAPE mengukur rata-rata error absolut sebagai persentase bukan pada setiap periode melainkan persentase dari rata-rata error rate absolute sejumlah periode data aktual. Penggunaan MAPE pada evaluasi hasil prediksi dapat menghindari pengukuran akurasi terhadap besarnya nilai aktual dan nilai prediksi. Kriteria nilai MAPE ditunjukkan pada Tabel 1 (Chang, Wang, & Liu, 2007).
Tabel 1 Kriteria Nilai MAPE
Nilai MAPE Kriteria
< 10% Sangat Baik
10% – 20% Baik
20% – 50% Cukup
3. METODOLOGI
Gambar 2 Tahapan Penelitian
Metodologi yang digunakan pada penelitian ini dapat dilihat pada Gambar 2. Untuk pengumpulan data pada penelitian ini menggunakan data sekunder. Data sekunder adalah data yang telah dibuat atau dikumpulkan oleh orang lain yang dapat digunakan untuk tujuan penelitian yang diperoleh dengan cara riset kepustakaan, membaca buku atau jurnal yang berkaitan dengan masalah yang dianalisis. Data sekunder yang digunakan pada penelitian ini berupa data yang didapatkan dari situs resmi Bank Indonesia (www.bi.go.id) yang berupa data IHK kelompok transportasi, komunikasi dan jasa keuangan tiap bulan dalam kurun waktu 2007-2017, sehingga terdapat 120 data.
4. PERANCANGAN
Perancangan metode Exponential
Smoothing akan dijabarkan pada bab perancangan dalam bentuk perancangan alur algoritma, dan manualisasi data aktual.
4.1 Proses Perhitungan Holt’s Exponential Smoothing
Proses perhitungan Holt’s Exponential Smoothing ditunjukkan pada Gambar 3 yang merujuk pada Persamaan 3-5
Gambar 3 Proses Perhitungan Holt’s Exponential
Smoothing
Proses inisialisasi awal Holt’s Exponential Smoothing ditunjukkan pada Gambar 4 yang merujuk pada Persamaan 1-2:
Gambar 4 Proses Inisialisasi Holt’s Exponential
Smoothing
4.2 Proses Perhitungan Winter’s Exponential Smoothing
Gambar 5 Proses Perhitungan Winter’s Exponential Smooting
Proses inisialisasi awal Winter’s Exponential Smoothing ditunjukkan pada Gambar 6:
Gambar 6 Proses Perhitungan Winter’s Exponential
Smooting
4.2 Proses Perhitungan Mean Absoulte
Percentage Error (MAPE)
Langkah-langkah dalam menghitung MAPE, yang merupakan perhitungan nilai error dalam sebuah kasus peramalan, akan
ditampilkan pada Gambar 7, dengan penjelasan sebagai berikut :
1. Memasukkan data aktual dan data hasil prediksi
2. Untuk setiap data, akan dihitung presentasi selisihnya, dengan cara menghitung selisih
absolut antara data aktul dan data hasil prediksi lalu dibagikan dengan data aktual, setelah itu dikalikan dengan 100
3. Hitung nilai MAPE dengan cara
menjumlahkan seluruh nilai presentasi selisih
Gambar 7 Proses Perhitungan MAPE
5. PERANCANGAN
Implementasi yang ada dalam sistem ini meliputi batasan implementasi, implementasi algoritma dan implementasi antarmuka. Berikut merupakan diagram implementasi sistem yang ditunjukkan pada Gambar 8.
6. HASIL DAN PEMBAHASAN
6.1 Pengujian Nilai Parameter Holt’s
Exponential Smoothing
Pada pengujian metode Holt’s Exponential Smoothing, nilai parameter yang digunakan
adalah ɑ dan β. Nilai yang digunakan dalam pengujian nilai ɑ, dan β adalah 0.1, 0.2, 0.3
hingga 0.9. Pengujian dilakuan untuk
mengetahui pengaruh nilai ɑ dan β terhadap hasil
peramalan saat nilai parameter tersebut diubah.
Pengujian dilakukan dengan cara
membandingkan nilai parameter terbaik dari ɑ
saat nilai β tidak berubah. Kemudian nilai ɑ
terbaik tersebut akan digunakan untuk
membandingkan kombinasi dengan nilai β yang
terbaik. Pengujian dilakukan dengan cara membandingkan nilai prediksi dengan nilai aktual. Hasil Pengujian dapat dilihat pada Gambar 9 dan Gambar 10.
Gambar 9 Grafik Pengaruh Nilai Parameter ɑ Holt’s
Exponential Smoothing
Gambar 10 Grafik Pengaruh Nilai Parameter β
Holt’s Exponential Smoothing
Dari Gambar 10 dan Gambar 1 dapat dilihat bahwa Holt’s Exponential Smoothing ini memiliki kecenderungan untuk naik secara
linear. Parameter β memberikan pengaruh paling
besar terhadap kenaikan nilai prediksi
dibandingkan dengan nilai ɑ. Dan dapat dilihat juga bahwa nilai ɑ = 0.7 dan β = 0.1 memiliki
tingkat kesesuaian paling tinggi dengan nilai aktual.
6.2 Pengujian Nilai Parameter Winter’s
Exponential Smoothing
Pada pengujian Winter’s Exponential Smoothing nilai parameter yang digunakan adalah nilai parameter alpha, beta dan gamma.
Nilai yang digunakan dalam pengujian nilai ɑ, β, dan γ adalah 0.1, 0.2, 0.3 hingga 0.9. . Pengujian dilakuan untuk mengetahui pengaruh nilai ɑ, β, dan γ terhadap hasil peramalan saat nilai parameter tersebut diubah. Pengujian dilakukan dengan cara membandingkan nilai parameter
terbaik dari ɑ saat nilai β, dan γ tidak berubah. Kemudian nilai ɑ terbaik tersebut dan nilai γ
yang tidak berubah akan digunakan untuk
mencari nilai β yang terbaik. Lalu terakhir nilai
ɑ dan β yang terbaik tadi, akan digunakan untuk menemukan nilai γ yang terbaik. Pengujian
dilakukan dengan cara membandingkan nilai prediksi dengan nilai aktual. Hasil Pengujian dapat dilihat pada Gambar 11, Gambar 12 dan Gambar 13.
.
Gambar 11 Grafik Pengaruh Nilai Parameter ɑ
Winter’s Exponential Smoothing
Gambar 12 Grafik Pengaruh Nilai Parameter β
Winter’s Exponential Smoothing
Gambar 13 Grafik Pengaruh Nilai Parameter γ
Dari Gambar 11, Gambar 12 dan Gambar 13 dapat dilihat bahwa pada Winter’s Exponential Smoothing ini, setiap penambahan nilai parameter membantu hasil peramalan mendekati hasil aktual. Dan dari gambar diatas juga dapat dilihat bahwa hasil peramalan memiliki kecenderungan untuk mengikuti pola pada data inisialisasi. Sehingga dapat disimpulkan bahwa pada saat nilai parameter ɑ = 0.1, β = 0.4 dan γ = 0.8, Winter’s Exponential Smoothing memiliki tingkat kesesuaian paling tinggi dengan nilai aktual.
6.3 MAPE Holt’s Exponential Smoothing
Pengujian MAPE dilakukan dengan cara membandingan selisih nilai hasil peramalan dengan nilai aktual. MAPE dihitung sebagai rata-rata diferensiasi absolut antara nilai yang diramalkan dengan nilai aktual, dinyatakan sebagai presentase nilai aktual. Pengujian MAPE dilakukan dua kali, yang pertama saat
nilai ɑ berubah-ubah dan nilai β default. Lalu
pengujian MAPE kedua dilakukan
menggunakan nilai ɑ dengan MAPE terbaik dan β yang berubah-ubah Hasil pengujian dapat dilihat pada Tabel 2 dan Tabel 3.
Tabel 2 MAPE nilai ɑ Holt’s Exponential Smoothing
Parameter MAPE
Tabel 3 MAPE nilai βHolt’s Exponential Smoothing
Parameter MAPE Exponential Smoothing, MAPE terkecil
didapatkan saat nilai ɑ = 0.7 dan β = 0.1, yaitu
sebesar 0.474 dan nilai MAPE terbesar
didapatkan pada saat nilai ɑ = 0.7 dan β = 0.9,
yaitu sebesar 8.642. Dengan demmikian, nilai parameter terbaik untuk peramalan Holt’s Exponential Smoothingadalah dengan nilai ɑ =
0.7 dan β = 0.1.
6.4 MAPE Holtx’s Exponential Smoothing
Pengujian MAPE dilakukan dengan cara membandingan selisih nilai hasil peramalan dengan nilai aktual. MAPE dihitung sebagai rata-rata diferensiasi absolut antara nilai yang diramalkan dengan nilai aktual, dinyatakan sebagai presentase nilai aktual. Pengujian MAPE dilakukan dua kali, yang pertama saat
nilai ɑ berubah-ubah dan nilai β & γ default. Kemudian pengujian MAPE kedua dilakukan
menggunakan nilai ɑ dengan MAPE terbaik, lalu
dengan nilai β yang berubah-ubah dan nilai γ default. Dan yang terkahir, pengujian mape
menggunakan nilai ɑ dan β yang terbaik dari pengujian sebelumnya dan nilai γ yang berubah -ubah. Hasil pengujian dapat dilihat pada Tabel 4, Tabel 5 dan Tabel 6.
Tabel 4 MAPE nilai ɑ Winter’s Exponential Smoothing
Tabel 5 MAPE nilai βWinter’s Exponential
β = 0.9 19.680
Tabel 6 MAPE nilai γWinter’s Exponential
Smoothing Exponential Smoothing, pengujian dilakukan
dengan merubah nilai parameter ɑ, β dan γ untuk
mengetahui pengaruh parameter tersebut pada hasil peramalan. Hasilnya, nilai MAPE terkecil
didapatkan saat nilai ɑ = 0.1, β = 0.4 dan γ = 0.8,
yaitu dengan nilai MAPE sebesar 1.503, dan
nilai MAPE terbesar didapatkan pada saat nilai ɑ = 0.7, β = 0.1 dan γ = 0.1, yaitu dengan nilai
MAPE sebesar 46.208. Dengan demikian, nilai
parameter terbaik untuk peramalan
menggunakan Winter’s Exponential Smoothing
adalah pada saat nilai ɑ = 0.1, β = 0.4dan γ = 0.8.
6.5 Perbandingan Hasil Peramalan
Dari hasil penelitian di atas, di dapatkan bahwa metode Holt’s Exponential Smoothing memiliki akurasi yang lebih baik dari Winter’s Exponential Smoothing. Hal ini dapat dilihat ketika kedua metode menggunakan nilai parameter terbaik untuk melakukan peramalan.
Yaitu menggunakan nilai ɑ = 0.7 dan β = 0.1
untuk Holt’s Exponential Smoothingdan nilai ɑ
= 0.1, β = 0.4 dan γ = 0.8. Perbandingan hasil
peramalan dapat dilihat pada Gambar 14 berikut ini.
Gambar 14 Grafik Perbandingan Peramalan Holt’s
ES dan Winter’s ES
Dari hasil analisis di atas, Data latih dan data uji yang digunakan memiliki karakteristik dan juga tren untuk terus meningkat, Hal ini sesuai dengan karakteristik Holt’s Exponential Smoothing yang memiliki peramalan bersifat linear. Sedangkan akurasi yang kurang baik pada Winter’s Exponential Smoothing terjadi karena adanya tren yang berbeda pada 12 bulan awal data latih yang ada. Nilai IHK kelompok Transportasi, Komunikasi dan Jasa Keuangan memiliki kecenderungan untuk naik, namun sempat terjadi penurunan signifikan pada bulan Agustus 2007. Sehingga pada beberapa nilai parameter, nilai IHK dianggap ada penurunan signifikan di setiap bulan agustus. Sehingga untuk kasus Indeks Harga Konsumen Kelompok Transportasi, Komunikasi dan Jasa Keuangan, metode yang paling cocok digunakan adalah metode Holt’s Exponential Smoothing.
7. PENUTUP
Berdasarkan serangakaian tahapan yang telah dilakukan, yang dimulai dari perancangan, implementasi dan pengujian, maka diperoleh beberapa kesimpulan, yaitu :
1. Didapatkan nilai parameter pemulusan paling
akurat untuk metode Holt’s Exponential
Smoothing pada Peramalan Indeks Harga
Konsumen Kelompok Transportasi,
Komunikasi dan Jasa Keuangan adalah 𝛼 =
0.7 dan β = 0.1.
2. Didapatkan nilai parameter pemulusan paling
akurat untuk metode Winter’s Exponential
Smoothing pada Peramalan Indeks Harga
Konsumen Kelompok Transportasi,
Komunikasi dan Jasa Keuangan adalah 𝛼 =
0.1, β = 0.4 dan γ = 0.8
3. Kedua metode dibandingkan akurasinya melalui proses perhitungan nilai error menggunakan metode Measure Average Percentage Error (MAPE). Nilai MAPE
terkecil pada metode Holt’s Exponential
Smoothing didapatkan saat nilai parameter 𝛼
= 0.1 dan β = 0.4, yaitu dengan nilai MAPE
sebesar 0.474. Kemudian nilai MAPE terkecil pada metode Winters Exponential Smoothing didapatkan pada saat nilai parameter 𝛼 = 0.1,
β = 0.4 dan γ = 0.8, yaitu dengan nilai MAPE
sebesar 1.503. Dengan nilai MAPE dibawah 10, maka kedua metode Exponential Smoothing tersebut dapat dikategorikan sebagai sangat. Dan dapat disimpulkan juga
bahwa metode Holt’s Exponential Smoothing
dapat melakukan peramalan dengan lebih
Smoothing untuk peramalan Indeks Harga
Konsumen Kelompok Transportasi,
Komunikasi dan Jasa Keuangan.
DAFTAR PUSTAKA
Awat, Napa J. 1990. Metode Peramalan Kuantitatif. 1. Yogyakarta: Liberty Yogyakarta.
Badan Pusat Statistik. 2017. Metadata Indikator Inflasi. Accessed 12 November, 2017. https://sirusa.bps.go.id/sirusa/index.php /indikator/570.
Bank Indonesia, Departemen Statistik. 2016. Metadata Indeks Harga Konsumen (IHK). Jakarta: Bank Indonesia.
Chang, Pei-Chann, Yen-Wen Wang, and Chen-Hao Liu. 2007. "The Development of a Weighted Evolving Fuzzy Neural Network for PCB Sales Forecasting." Elsevier 32 (Expert Systems with Applications): 86-96.
Fani, Elisa. 2017. "Perbandingan Metode Winter Exponential Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X." JURNAL SAINS DAN SENI ITS Vol. 6.
Hidayatullah, Muhammad Maulana Sholihin. 2018. "Peramalan Kenaikan Indeks Harga Konsumen/Inflasi Kota Malang menggunakan Metode Support Vector Regression (SVR) dengan Chaotic Genetic Algorithm-Simulated Annealing (CGASA) ." Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 857-868.
Istiqara, Khaira. 2017. "Prediksi Kebutuhan Air PDAM Kota Malang Menggunakan Metode Fuzzy Time Series dengan Algoritma Genetika."
Li, Xiaochen. 2013. "Comparison and Analysis between Holt Exponential Smoothing and Brown Exponential Smoothing Used for Freight Turnover Forecasts." Third International Conference on Intelligent System Design and Engineering Applications.
Li, Xiaochen. 2013. "Comparison and Analysis between Holt Exponential Smoothing and Brown Exponential Smoothing Used for Freight Turnover Forecasts." Third International Conference on Intelligent System Design and
Engineering Applications.
Liljana Ferbar Tratar, Blaž Mojškerc, Aleš
Toman. 2016. "Demand forecasting with four-parameter Exponential Smoothing." Intern. Journal of Production Economics.
Maharesi, Retno. 2013. "Penggunaan Support Vector Regression (SVR) pada Prediksi Return Saham Syariah BEI." Proceeding PESAT (Psikologi, Ekonomi, Sastra, Arsitektur & Teknik Sipil) . Bandung:
Proceeding PESAT (Psikologi,
Ekonomi, Sastra, Arsitektur & Teknik Sipil) .
Nazim, Ahmad, and Asyraf Afthanorhan. 2014. "A comparison between single Exponential Smoothing (SES),double Exponential Smoothing (DES), Holt’s (brown) and adaptive response rate Exponential Smoothing (ARRES) techniques in forecasting Malaysia population." Global Journal of Mathematical Analysis.
Nugroho, Nur Adhi, and Acep Purqon. 2015. "Analisis 9 Saham Sektor Industri di Indonesia Menggunakan Metode SVR." Bandung: Seminar Kontribusi Fisika (SKF) 2015.
Sugiarto. 1992. Tahap Awal + Aplikasi Analisis Regresi. 1. Yogyakarta: Andi Offset. Taylor, J. W. 2003. "Short-Term Electricity
Demand Forecasting Using Double Seasonal Exponential Smoothing." Journal of Operational Research Society, Volume 54 799-805.
Tim Pengendalian Inflasi Daerah. 2014. Buku Petunjuk TPID. Jakarta: Tim Pelaksana Kelompok Kerja Nasional TPID. Trihendradi, C. 2005. SPSS 13.0 Analisis Data
Statistik. Yogyakarta: Andi.