METODE EXPONENTIAL SMOOTHING EVENT BASED

(1)

METODE EXPONENTIAL SMOOTHING EVENT BASED UNTUK MERAMALKAN BANYAKNYA KASUS

PENCURIAN SEPEDA MOTOR PADA SAAT SPECIAL EVENT DI

KOTA MADYA MEDAN

(Studi Kasus: POLRESTABES MEDAN)

SKRIPSI

YOSUA WALFRIED 170803056

PROGRAM STUDI S-1 MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2021

(2)

METODE EXPONENTIAL SMOOTHING EVENT BASED UNTUK MERAMALKAN BANYAKNYA KASUS

PENCURIAN SEPEDA MOTOR PADA SAAT SPECIAL EVENT DI

KOTA MADYA MEDAN

(Studi Kasus: POLRESTABES MEDAN)

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains

YOSUA WALFRIED 170803056

PROGRAM STUDI S-1 MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2021

(3)

PERNYATAAN ORISINALITAS

METODE EXPONENTIAL SMOOTHING EVENT BASED UNTUK MERAMALKAN BANYAKNYA KASUS

PENCURIAN SEPEDA MOTOR PADA SAAT SPECIAL EVENT DI

KOTA MADYA MEDAN

(Studi Kasus: POLRESTABES MEDAN)

SKRIPSI

Saya menyatakan bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, 21 Oktober 2021

Yosua Walfried 170803056

(4)

4

(5)

i METODE EXPONENTIAL SMOOTHING EVENT BASED

UNTUK MERAMALKAN BANYAKNYA KASUS PENCURIAN SEPEDA MOTOR PADA

SAAT SPECIAL EVENT DI KOTA MADYA MEDAN

ABSTRAK

Peramalan jumlah pencurian motor bisa menjadi pertimbangan Polrestabes kota Medan. Jumlah pencurian bisa dipengaruhi oleh musiman ataupun spesial acara tertentu. Untuk acara khusus yang berpengaruh pada jumlah pencurian di kota Medan menggunakan metode peramalan Exponential Smoothing Event Based (ESEB).

Pengaruh musiman dapat diketahui melalui data pola sejarah. Setelah dibandingkan, metode ESEB dengan 𝛼 = 0,4 merupakan metode yang lebih baik dalam meramalkan jumlah pencurian karena memiliki nilai MAPE yang lebih kecil sebesar 8%

dibandingkan dengan 𝛼 = 0,2 dan 0,3. Kasus pencurian Motor di Kota Medan pada Special Event 2021 yaitu bulan Puasa dan Hari Raya Idul Fitri (bulan april) dan Hari Raya Natal & Tahun Baru (desember) diprediksi masing-masing 136 kasus dan 102 kasus.

Kata kunci: Exponential Smoothing Event Based (ESEB), Peramalan, Pencurian Motor, Special Event.

(6)

ii METODE EXPONENTIAL SMOOTHING EVENT BASED

UNTUK MERAMALKAN BANYAKNYA KASUS PENCURIAN SEPEDA MOTOR PADA

SAAT SPECIAL EVENT DI KOTA MADYA MEDAN

ABSTRACT

Forecasting the number of motorcycle thefts can be considered by the Medan City Police. The number of thefts can be affected by seasonality or special events. For special events that affect the number of thefts in the city of Medan using the Exponential Smoothing Event Based (ESEB) forecasting method. Seasonal effects can be identified through historical pattern data. After being compared, the ESEB method with 𝛼 = 0.4 is a better method in predicting the number of thefts because it has a smaller MAPE value of 8% compared to the weights of 𝛼 = 0.2 and 0.3. Motorcycle theft cases in Medan City in the 2021 Special Event, namely the month of Fasting and Eid al-Fitr (April) and Christmas & New Year's Day (December) are predicted to be 136 cases and 102 cases.

Keywords: Exponential Smoothing Event Based (ESEB), Forecasting, Motorcycle Theft, Special Event.

(7)

iii PENGHARGAAN

Puji syukur penulis panjatkan kehadirat Tuhan Yesus Kristus atas kasih-Nya sehingga penulis dapat menyelesaikan penulisan skripsi ini yang berjudul “Metode Exponential Smoothing Event Based Untuk Meramalkan Banyaknya Kasus Pencurian Sepeda Motor pada Saat Special Event di Kota Madya Medan (Studi Kasus: POLRESTABES MEDAN).”

Dalam menyelesaikan skripsi ini, banyak pihak yang telah membantu penulis.

Untuk itu, penulis menyampaikan ucapan terima kasih yang sebesar-besarnya dan penghargaan yang setinggi-tingginya kepada:

1. Bapak Dr. Pasukat Sembiring, M.Si. selaku dosen pembimbing yang senantiasa membimbing dan memberi masukan kepada penulis dalam menyelesaikan skripsi ini.

2. Bapak Dr. Drs. Open Darnius, M.Sc., Bapak Drs. Agus Salim Harahap, M.Si.

dan Ibu Dra. Laurentina Pangaribuan,MS. selaku dosen pembanding penulis yang senantiasa memberikan kritik dan saran yang membangun kepada penulis selama penyusunan skripsi ini.

3. Ibu Dra. Laurentina Pangaribuan, MS. selaku dosen Penasihat Akademik penulis yang senantiasa memberikan arahan dan masukan selama masa perkuliahan.

4. Ibu Dr. Nursahara Pasaribu, M.Sc. selaku Dekan FMIPA USU serta seluruh staf pegawai di Fakultas Matematika dan Ilmu Pengetahuan Alam USU.

5. Ibu Dr. Mardiningsih, M.Si. dan Bapak Muhammad Romi Syahputra, S.Si., M.Si. selaku Ketua dan Sekretaris Departemen Matematika serta seluruh Bapak dan Ibu dosen yang telah mendidik penulis selama menjalani pendidikan di Fakultas Matematika dan Ilmu Pengetahuan Alam USU.

6. Bapak Riko Sunarko, S.H., S.I.K., M.Si. selaku Kepala POLRESTABES MEDAN yang telah memberikan izin kepada penulis untuk melakukan penelitian dan pengambilan data yang berhubungan dengan penyelesaian skripsi ini.

(8)

iv 7. Orangtua, yaitu Ayahanda AKP Nelson Manurung, S.H dan Ibunda Ratna Sirait, SST yang sangat penulis sayangi yang senantiasa mendoakan, memberikan perhatian, kasih sayang, nasihat, dukungan dan semangat kepada penulis dalam menyelesaikan skripsi ini baik secara moral maupun finansial.

8. Saudari penulis yaitu Sonia Magdalena,S.P. dan Adik Widya Putri Ningsih yang juga selalu mendoakan dan memberikan semangat kepada penulis.

9. Keluarga besar Op. Yanto Manurung dan Op. Duma Sirait yang selalu mendoakan dan memeberi semangat serta motivasi kepada penulis.

10. Tri Adven Manullang, Febriyadi Nasution, Josianto Berutu, Rizky Manalu, Rifan Sinaga, Adventus Manurung, Andreas Haposan, Uli Siahaan, Ingri Situmorang, Herlina F Laia, Yohana Bua yang selalu membantu dan menyemangati penulis.

11. Christiani Turnip yang selalu memberi perhatian, mendukung, memberi semangat dan motivasi kepada penulis dalam menyelesaikan skripsi ini.

12. Seluruh rekan-rekan kuliah jurusan Matematika stambuk 2017 dan Himpunan Mahasiswa Matematika (HMM) yang telah bersama-sama belajar dan memberikan dukungan serta semangat kepada penulis.

Terima kasih penulis ucapkan kepada seluruh pihak yang telah membantu dalam menyelesaikan skripsi ini. Penulis menyadari bahwa masih terdapat banyak kekurangan dalam penulisan skripsi ini. Maka dari itu, diperlukan kritik dan saran yang membangun untuk penyempurnaan skripsi ini.

Medan, 21 Oktober 2021

Yosua Walfried 170803056

(9)

v DAFTAR ISI

Halaman

PENGESAHAN SKRIPSI i

ABSTRAK ii

ABSTRACT iii

PENGHARGAAN iv

DAFTAR ISI vi

DAFTAR TABEL viii

DAFTAR GAMBAR ix

DAFTAR LAMPIRAN x

BAB 1 PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 4

1.5 Manfaat Penelitian 4

BAB 2 TINJAUAN PUSTAKA 5

2.1 Peramalan 5

2.1.1. Definisi Peramalan 5

2.1.2. Jenis-Jenis Peramalan 5

2.1.3. Faktor-Faktor Yang Mempengaruhui Peramalan 6

2.2 Analisis Deret Berkala 6

2.3 Klasifikasi Metode Smoothing 8

2.4 Metode Exponential Smoothing 8

2.4.1. Metode Exponential Smoothing Event Based 10

2.5 Ukuran Kesalahan Peramalan 11

BAB 3 METODOLOGI PENELITIAN 13

3.1 Sumber Data 13

3.2 Metode Penelitian 13

3.3 Langkah-Langkah Penelitian 14

BAB 4 HASIL DAN PEMBAHASAN 16

4.1 Pola Data Pencurian 16

4.2 Perhitungan Indeks Special Event 16

4.3 Perhitungan Peramalan 31

4.3.1. Metode Exponential Smoothing Event Based(ESEB) 32 4.4 Pola Data Peramalan Pencurian Sepeda Motor di Kota Medan 35

BAB 5 KESIMPULAN DAN SARAN 37

5.1 Kesimpulan 37

5.2 Saran 37

DAFTAR PUSTAKA 38

LAMPIRAN 40

(10)

vi DAFTAR TABEL

Nomor Judul Halaman

Tabel

4.1 Nilai Indeks Pencurian Sepeda Motor di Kota Medan 2017 17 Dengan Metode Exponential Smoothing

4.2 Nilai Indeks Pencurian Sepeda Motor di Kota Medan 2018 17 Metode Exponential Smoothing

4.5 Nilai Grup Indeks Pencurian Sepeda Motor di Kota Medan 21 dengan Metode Exponential Smoothing ( = 0.2)

4.10 Nilai Grup Indeks Pencurian Sepeda Motor di Kota Medan 26 Metode Exponential Smoothing ( = 0.3)

4.15 Nilai Grup Indeks Pencurian Sepeda Motor di Kota Medan 31 Metode Exponential Smoothing ( = 0.4)

4.16 Peramalan Pencurian Sepeda Motor di Kota Medan dengan 32 Metode Exponential Smoothing event based ( = 0.2)

4.19 Perbandingan Kesalahan Peramalan Metode Exponential 34 Smoothing event based

4.20 Rekapitulasi Hasil Permalan Pencurian Sepeda Motor di 35 Kota Medan

(11)

vii DAFTAR GAMBAR

Gambar

2.1 Pola Data Horizontal 7

2.2 Pola Data Musiman 7

2.3 Pola Data Trend 7

2.4 Pola Data Siklis 8

4.1 Grafik Data Pencurian Sepeda Motor di Kota Medan 16 4.2 Grafik Data Pencurian dan Peramalan Sepeda Motor 35

di Kota Medan

(12)

viii DAFTAR LAMPIRAN

Lampiran

1 Data Kasus Pencurian Sepeda Motor di Kota Madya 40 Medan 2017-2020

2 Surat Izin Penelitian 41

3 Surat Pengiriman Data/ Riset Mahasiswa 43

(13)

BAB 1 PENDAHULUAN

1.1 Latar Belakang

Kasus adalah suatu keadaan atau kondisi yang telah terjadi atau bahkan terjadi di masa yang akan datang. Menurut Kamus Besar Bahasa Indonesia kasus ialah keadaan yang sebenarnya dari suatu urusan atau perkara; keadaan atau kondisi khusus yang berhubungan dengan seseorang atau suatu hal soal perkara.

Pencurian adalah suatu kejahatan yang dilakukan secara sengaja dengan cara mengambil sesuatu barang yang dimiliki orang lain dengan tanpa diketahui oleh pemiliknya. Biasanya pelaku dari kejahatan pencurian akan mengincar barang-barang berharga dari korban yang telah di targetkannya. Tingkat kasus pencurian akan meningkat apabila mendekati hari-hari tertentu atau peristiwa yang khusus, seperti perayaan hari raya besar agama ataupun hari libur nasional.

Jenis kasus pencurian di zaman ini sangatlah banyak seperti kasus pencurian kendaraan, barang-barang berharga. Dari jenis kasus pencurian ini yang paling sering ialah pencurian kendaraan, seperti pencurian sepeda motor.

Kasus ini sangat sering dikarenakan pemilik dari sepeda motor kurang pengawasan terhadap sepeda motornya dan korban sering lengah tidak memberikan kunci ganda terhadap sepeda motornya.

Statistik diartikan sebagai kumpulan fakta yang berbentuk angka-angka yang disusun dalam bentuk daftar atau tabel yang menggambarkan suatu persoalan (Somantri, 2006:18). Pengolahan data dalam statistika mempunyai beberapa metode dan dengan metode itu data yang akan diolah bisa akan menjadi suatu data yang akan datang atau bisa disebut dengan menjadi peramalan data.

Salah satu metode peramalan data yaitu exponential smoothing.

Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang

(14)

(Murahartawaty, 2009:41). Fungsi peramalan atau forecasting terlihat pada saat pengambilan keputusan. Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi pada waktu keputusan itu dilaksanakan.

Apabila kurang tepat ramalan yang disusun, maka masalah peramalan juga merupakan masalah yang selalu dihadapi (Ginting, 2007).

Maanfat peramalan diantaranya ialah dapat memperkirakan suatu data pada masa yang akan mendatang sehingga data tersebut bisa menjadi pedoman untuk dijadikan sebagai dasar-dasar pengambilan keputusan, sehingga peramalan sangat berguna di bidang perencanaan dan pengawasan.

Metode smoothing merupakan metode peramalan dengan mengadakan penghalusan terhadap data masa lalu, yaitu dengan mengambil rata-rata dari nilai beberapa tahun untuk menaksir nilai pada beberapa tahun kedepan. Peramalan dengan metode ini akan terdapat pada peramalan jangka pendek, sedangkan untuk peramalan jangka panjang sangat kurang ketepatannya. Data yang dibutuhkan untuk penggunaan metode peramalan ini minimal selama 2 tahun.

Metode smoothing dapat dikelompokkan menjadi dua kelompok, yakni kelompok pertama adalah metode perataan dan kelompok kedua adalah metode exponential smoothing. Beberapa metode yang termasuk dalam kelompok kedua ini adalah Single Exponential Smoothing, Holt Exponential Smoothing, dan Holt Winter’s Exponential Smoothing. Holt Winter’s Exponential Smoothing menurut penggunaannya dapat dibagi menjadi dua yaitu Holt Winter’s Additive dan Holt Winter’s Multiplicative (Makridakis, 1995).

Metode peramalan event based adalah metode pendekatan peramalan berdasarkan special event yang terjadi di periode-periode tertentu. Yang berarti tinggi rendahnya nilai akan berdasarkan indeks dari masing-masing event.

Apabila peramalannya menggunakan moving average maka disebut moving average event based (MAEB) dan apabila metode peramalan yang digunakan adalah exponential smoothing maka disebut exponential smoothing event based (ESEB).

Dalam penelitian sebelumnya dengan memakai metode peramalan exponential smoothing event based dan moving avarege adanya pengaruh

(15)

3

special event yang mengakibatkan perbedaan jumlah penumpang bandara Ahmad Yani Ketika memasuki special event (Dhevani, 2018).

Berdasarkan uraian di atas sehingga penulis tertarik untuk meramalkan tingkatan kasus pencurian sepeda motor pada saat peristiwa-peristiwa tertentu atau peristiwa khusus/spesial di Kota Madya Medan dengan judul “Metode Exponential Smoothing Event Based Untuk Meramalkan Banyaknya Kasus Pencurian Sepada Motor Pada Special Event Di Kota Madya Medan (Studi KasusL POLRESTABES MEDAN).”

1.2 Rumusan Masalah

Di saat ada peristiwa tertentu atau special event yang telah terlaksanakan di Kota Madya Medan di temukan kasus pencurian sepeda motor di acara tersebut.

Untuk itu di perlukan suatu peramalan untuk meramalkan jumlah kasus pencurian sepeda motor di masa yang akan datang, yang akan berguna untuk mendapatkan solusi terhadap kasus pencurian sepada motor di saat special event yang akan mendatang. Sehingga permasalahan yang akan di bahas dalam penelitian ini adalah meramalkan jumlah kasus pencurian sepeda motor pada saat special event di tahun 2021 dan meramalkam jumlah kasus pencurian sepeda motor di tahun 2021 dengan menggunakan metode exponential smoothing event based

1.3 Batasan Masalah

Batasan masalah pada penelitian ini adalah :

1. Hanya meramalkan jumlah kasus pencurian sepeda motor di Kota Madya Medan pada tahun 2021 dan pada saat peristiwa spesial di tahun 2021.

2. Data di ambil dari tahun 2017 hingga 2020.

3. Data adalah data sekunder yang diperoleh dari kantor POLRESTABES KOTA MEDAN.

4. Penulis tidak menganalisa tentang faktor-faktor yang mempengaruhui jumlah pencurian.

(16)

1.4 Tujuan Penelitian

Untuk meramalkan jumlah kasus pencurian sepeda motor pada saat Special Event di Kota Madya Medan pada tahun 2021 dan jumlah kasus pencurian sepeda motor di Kota Madya Medan pada tahun 2021.

1.5 Manfaat Penelitian

Manfaat dari penelitian ini adalah sebagai berikut:

1. Penelitian ini dapat menambah pengetahuan dalam menerapkan metode exponential smoothing event based untuk meramalkan banyaknya kasus pencurian sepeda motor pada saat special event di Kota Madya Medan.

2. Penelitian ini dapat digunakan sebagai referensi dan tambahan informasi bagi laporan penelitian selanjutnya.

3. Penelitian ini dapat dijadikan sebagai referensi oleh pihak aparat Polrestabes Medan bahwasanya ada perubahan jumlah pencurian sepeda motor pada saat special event di Kota Madya Medan.

(17)

BAB 2

TINJAUAN PUSTAKA

2.1 Peramalan

2.1.1 Definisi Peramalan

Peramalan adalah prediksi nilai-nilai sebuah variabel berdasarkan kepada nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan. Beberapa teknik peramalan telah dikembangkan untuk menghadapai penggunaan peramalan yang luas seperti situasi peramalan yang beragam, faktor yang menentukan, dan berbagai tipe pola data. Teknik tersebut dibagi ke dalam dua kategori utama, yaitu metode kualitatif atau teknologis dan metode kuantitatif.

Metode kuantitatif dapat dibagi lagi menjadi metode deret waktu (time series) dan metode sebab-akibat atau kausal. Setidaknya ada tiga kondisi yang harus dipenuhi untuk melakukan peramalan kuantitatif yaitu pertama jika tersedia informasi tentang masa lalu. Kedua jika informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik. Terakhir terdapat asumsi berkesisambungan (assumption of continuity), artinya beberapa aspek pola masa lalu dapat diasumsikan akan terus berlanjut di masa mendatang.

2.1.2 Jenis-Jenis Peramalan

Berdasarkan horizon waktu, peramalan atau forecasting dapat dibagi menjadi tiga jenis, yaitu (Herjanto, 2008:78).

1. Peramalan jangka panjang, yaitu yang mencakup waktu lebih besar dari 18 bulan. Misalnya, peramalan yang diperlukan dalam kaitannya dengan penanaman modal, perencanaan fasilitas dan perencanaan untuk kegiatan litbang.

2. Peramalan jangka menengah, yaitu mencakup waktu antara 3 sampai 18 bulan. Misalnya, peramalan untuk perencanaan penjualan, perencanaan produksi dan perencanaan tenaga kerja tidak tetap.

(18)

3. Peramalan jangka pendek, yaitu mencakup jangka waktu kurang dari 3 bulan.

Misalnya, peramalan dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja dan penugasan karyawan.

2.1.3 Faktor-Faktor Yang Mempengaruhui Peramalan.

Dalam hal ini terdapat beberapa faktor yang dapat mempengaruhi aktivitas peramalan menurut Sofyan, adalah:

1. Horizon Waktu

Ada data aspek horizon waktu yang berhubungan dengan masing-masing metode peramalan. Pertama adalah cakupan waktu di masa yang akan datang dari metode yang digunakan sebaiknya disesuaikan. Aspek kedua adalah periode untuk masa peramalan yang diinginkan.

2. Pola Data

Dasar utama dalam metode peramalan adalah anggapan bahwa macam dari pola yang didapati didalam data yang diramalkan akan berkelanjutan.

3. Jenis Model

Model-model ini merupakan suatu deret dimana waktu digambarkan sebagai unsur yang penting untuk menentukan perubahan-perubahan didalam pola, yang mungkin secara sistematik dapat dijelaskan dengan analisis atau korelasi. Model yang lain adalah sebab akibat, yang menggambarkan bahwa ramalan yang dilakukan sangat tergantung pada terjadinya sejumlah peristiwa yang lain, atau sifatnya merupakan campuran dari model-model yang telah disebutkan diatas.

2.2 Analisis Deret Berkala

Analisis deret berkala adalah metode yang digunakan untuk menganalisis serangkaian data dari fungsi time series dengan asumsi bahwa kombinasi pola selalu berulang di masa depan, dan pola dasarnya dapat di identifikasi berdasarkan data historis dari series tersebut. Metode analisis deret berkala (time

(19)

7

series) yang tepat dapat dipilih berdasarkan pertimbangan dari jenis pola data, sehingga metode yang cocok dengan jenis pola data tersebut dapat diuji.

Pola data dapat dibedakan menjadi empat jenis pola umum (Makridakis, 1995). Berikut adalah empat pola umum untuk data runtun waktu:

1. Pola Horizontal

Pola Horizontal terjadi jika nilai data berfluktuasi di sekitar nilai rata-rata yang konstan atau dapat disebut bahwa data stasioner terhadap nilai rata- ratanya.

Gambar 2.1 Pola Data Horizontal 2. Pola Musiman

Pola Musiman terjadi jika suatu data time series dipengaruhi oleh faktor musiman. Faktor musiman tersebut dapat berupa kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu.

Gambar 2.2 Pola Data Musiman 3. Pola Trend (T)

Pola Trend (T) terjadi bila terdapat kenaikan atau penurunan pada jangka panjang dalam data. Pergerakan dalam trend yang cenderung menurun di sebut trend positif dan sebaliknya disebut sebagau trend negative.

Gambar 2.3 Pola Data Trend

(20)

4. Pola Siklis

Pola siklis terjadi jika data memiliki kecenderungan untuk naik atau turun secara terus-menerus hal ini dapat terjadi karena data time series dipengaruhi oleh fluktuasi jangka panjang. Menurut Aulia Ishak (2010), komponen siklis ini sangat berguna dalam peramalan jangka panjang. Pola yang terjadi jika terdapat kenaikan atau penurunan sekuler jangka panjang dalam dalam data.

Gambar 2.4 Pola Data Siklis

2.3 Klasifikasi Metode Smoothing

Metode Smoothing dikelompokkan menjadi dua kelompok yang berbeda.

Kelompok pertama yang disebut metode perataan yaitu nilai-nilai observasi diberikan pembobotan yang sama. Kelompok metode yang kedua dikenal sebagai metode exponential smoothing Hal ini dikarenakan pada metode kedua dilakukan pembototan dengan menggunakan bobot berbeda untuk data masa lalu, pembobotannya berciri menurun secara exponential dari titik data yang terakhir sampai dengan data pertama. Semua metode dalam kelompok kedua memerlukan adanya penentuan parameter tertentu. Beberapa metode yang termasuk dalam kelompok kedua ini adalah Single Exponential Smoothing, Holt Exponential Smoothing, dan Holt Winter’s Exponential Smoothing. Holt Winter’s Exponential Smoothing menurut penggunaannya dapat dibagi menjadi dua yaitu Holt Winter’s Additive dan Holt Winter’s Multiplicative (Makridakis, 1995).

2.4 Metode Exponential Smoothing

Metode exponential smoothing merupakan metode peramalan yang cukup baik untuk peramalan jangka panjang dan jangka menengah, terutama pada tingkat

(21)

9

operasional suatu perusahaan, dalam perkembangan dasar matematis dari metode smoothing (forcasting by Makridakis, hal 79-115) dapat dilihat bahwa konsep exponential telah berkembang dan menjadi metode praktis dengan penggunaan yang cukup luas, terutama dalam peramalan bagi persediaan.

Kelebihan utama dari metode exponential smoothing adalah dilihat dari kemudahan dalam operasi yang relative rendah, ada sedikit keraguan apakah ketepatan yang lebih baik selalu dapat dicapai dengan menggunakan (QS) Quantitatif sistem ataukah metode dekonposisi yang secara intuitif menarik, namun dalam hal ini jika diperlukan peramalan untuk ratusan item.

Menurut Makridakis, Wheelwright & Mcgee dalam bukunya “forcasting”

(hal 104). Menyatakan bahwa apabila data yang dianalisa bersifat stasioner, maka penggunaan metode rata-rata bergerak (moving average) atau single exponential smoothing cukup tepat akan tetapi apabila datanya menunjukan suatu trend linier, maka model yang baik untuk digunakan adalah exponential smoothing linier dari brown atau model exponential smoothing linier dari holt.

Exponential smoothing merupakan metode time series yang memberikan pembobotan menurun secara exponential untuk nilai observasi yang lebih lama.

Bentuk umum yang digunakan dalam menghitung ramalan dengan metode exsponential smoothing adalah sebagai berikut:

Ft+1 = Xt + (1 - ) Ft (2.1)

dimana:

Ft+1 = Hasil peramalan untuk periode t Ft = Hasil peramalan periode sebelum t Xt = data aktual periode 𝑡

𝛼 = Parameter exponential smoothing (0 < 𝛼 < 1) 1- 𝛼 = 1- parameter exponential smoothing

Nilai α yang dipilih melalui metode trial and error. Untuk pemilihan konstanta α dapat perhitungkan berdasarkan pola historis data aktual, berikut rinciannya :

(22)

1. Apabila pola historis dari data aktual sangat bergejolak atau tidak stabil dari waktu ke waktu, maka dapat dipilih α yang mendekati 1, contohnya = 0,9.

Semakin bergejolak nilai, α harus semakin tinggi menuju nilai 1.

2. Apabila pola historis dari data aktual tidak fluktuasi atau relatif stabil dari waktu ke waktu, maka dapat dipilih α yang mendekati nol, contohnya = 0,1.

Semakin stabil, nilai α yang dipilih semakin kecil menuju ke nilai nol.

2.4.1 Metode Exponential Smoothing Event Based

Metode Exponential Smoothing Event Based adalah metode peramalan berdasarkan special event pada periode tertentu dengan single exponential smoothing sebagai basic, sehingga untuk memulai analisis dengan metode ini dilakukan peramalan dengan menggunakan metode single exponential smoothing terlebih dahulu (Payu & Nurwan, 2019). Langkah selanjutnya adalah menghitung nilai indeks event pada periode yang memuat special event, dengan menggunakan persamaan berikut:

𝐼_𝑡 = 𝑋_𝑡

𝐹_𝑡+1 (2.2)

dimana:

𝑋𝑡 = data aktual periode 𝑡

𝐼𝑡 = indeks pada periode 𝑡 yang terdapat special event 𝐹𝑡+1 =Hasil peramalan untuk periode 𝑡.

Lalu menghitung group indeks untuk mencakup nilai keseluruhan rata-rata indeks pada periode sebelumnya untuk nilai indeks diperiode mendatang sebagai berikut:

Gt+1

=

(𝐼𝑛𝑑𝑒𝑘𝑠 1+𝐼𝑛𝑑𝑒𝑘𝑠2+𝐼𝑛𝑑𝑒𝑘𝑠… ) 𝑛

(2.3)

Dimana:

𝐺𝑡+1 = Grup Indeks special event untuk periode t+1 Indeks 1 = nilai indeks periode 1

Indeks 2 = nilai indeks periode 2 Indeks… = nilai indeks periode lainya

(23)

11

n = nilai jumlah indeks pada periode t

Selanjutnya, indeks special event digunakan sebagai faktor pengali dengan persamaan:

𝑃𝑡+1 = 𝐺𝑡+1 x 𝐹𝑡+1 (2.4)

dimana:

𝑃𝑡+1 = Hasil peramalan dengan group indeks event untuk periode t+1 Ft+1 = Hasil peramalan untuk periode t

𝐺𝑡+1 = Grup Indeks special event untuk periode t+1

Setelah itu, peramalan Exponential Smoothing Event Based (ESEB) dapat dilakukan yaitu dengan mensubtitusikan persamaan (2.1) ke persamaan (2.4) sehingga menghasilkan model Exponential Smoothing Event Based sebagai berikut:

𝑃_𝑡+1 = 𝐺_𝑡+1[𝛼𝑋_𝑡 + (1 − 𝛼)𝐹_𝑡] (2.5)

dimana:

Pt+1 = Hasil peramalan dengan group indeks event untuk periode t+1

Gt+1 = Grup Indeks special event untuk periode t+1

 = Parameter exponential smoothing (0 < < 1)

Nilai α yang dipilih sesuai nilai α yang digunakan oleh peramalan sebelumnya yaitu permalan dengan menggunakan metode exponential smoothing sedangkan Gt+1 merupakan rata-rata dari nilai It untuk masing- masing special event.

2.5 Ukuran Kesalahan Peramalan

Ukuran kesalahan yang digunakan dalam penelitian ini adalah nilai Mean Absolute devition(MAD), Mean Square Error (MSE) dan Mean Absolute Percentage Error (MAPE). Ukuran kesalahan tersebut dapat dihitung menggunakan rumus dibawah ini :

MAD = 1

𝑛

∑

^𝑛_𝑡=1

|𝑋

_𝑡

− 𝑃

_𝑡+1

|

^(2.6)

(24)

Dimana:

Xt = Nilai Aktual pada periode t

n = Banyaknya Periode t

𝑀𝑆𝐸 = 1

𝑛 ∑ ℯ

_𝑡²

=

𝑛

𝑡=1

1 𝑛 ∑(𝑋

_𝑡

− 𝑃

_𝑡+1

)

²

𝑛

𝑡=1

(2.7)

Dimana:

n = banyaknya periode t

et = nilai error pada periode ke-t Xt = data aktual periode ke-t

MAPE dapat diartikan seberapa besar kesalahan dalam meramal dibandingkan dengan nilai aktual. Berikut adalah rumus untuk menghitung MAPE:

𝑀𝐴𝑃𝐸 = 1

𝑛∑ |ℯ_𝑡 𝑋_𝑡|

𝑛

𝑡=1

𝑥 100% = 1

𝑛∑ |𝑋_𝑡− 𝑃_𝑡+1 𝑋_𝑡 |

𝑛

𝑡=1

𝑥 100%

(2.8) dimana:

n = banyaknya periode t

e

t= nilai error pada periode ke t Xt = data aktual periode ke t

Evaluasi kinerja dari suatu metode dalam melakukan peramalan dapat dilakukan dengan melihat keakuratan hasil peramalan yang didapatkan.

(25)

BAB 3

METODELOGI PENELITIAN

3.1 Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari POLRESTABES Kota Medan. Adapun data sekunder yang dibutuhkan dalam penelitian ini adalah data pencurian sepeda motor di kota Medan dengan periode tahun 2017-2020.

3.2 Metodelogi Penelitian

1. Mengumpulkan berbagai bahan referensi

Berupa buku-buku materi yang diperoleh di perpustakaan dan bahan - bahan ajar perkuliahan, skripsi - skripsi yang berkaitan dengan materi yang dibahas, jurnal nasional maupun internasional, prosiding, artikel dan lain sebagainya 2. Pengumpulan data

Jenis data pada penelitian ini adalah data sekunder yang di peroleh dari POLRESTABES Kota Medan. Data yang diambil dalam kurun waktu Januari 2018 sampai Desember 2020.

3. Tahapan Analis dan Pengolahan data

a. Menganalisis data dengan metode Exponential Smoothing Event Based.

b. Menentukan nilai α optimum dengan metode trial and error untuk peramalan data.

c. Melakukan identifikasi event yang diduga mempengaruhi jumlah pencurian berdasarkan plot data jumlah pencurian yang telah dibuat pada tahap persiapan, dalam penelitian ini event yang digunakan adalah bulan puasa dan hari raya idul fitri serta hari raya natal dan tahun baru.

d. Menghitung nilai indeks event dan grup indeks.

e. Menentukan nilai ukuran kesalahan (error) atau dalam penelitian ini digunakan nilai MAD, MSE dan MAPE.

f. Membandingkan nilai MAD, MSE dan MAPE dari bobot α yang dipilih.

g. Memilih bobot α terbaik berdasarkan nilai MAD, MSE dan MAPE terkecil.

4. Penarikan Kesimpulan.

(26)

3.3 Langkah-Langkah Penelitian

Berikut ini langkah-langkah penelitian yang disajikan dalam bentuk diagram alur untuk metode Exponential Smoothing Event Based untuk meramalkan banyaknya kasus pencurian sepeda motor pada saat special event di Kota Madya Medan.

Mulai

Mengumpulkan referensi dan data Pencurian di Kota Medan dari

POLRESTABES Kota Medan

Menganalisi data dengan metode Exponential Smoothing Event Based

Menentukan nilai α optimum dengan metode trial and error untuk peramalan data

Menghitung nilai indeks event dan grup indeks

Melakukan idenfikasi event yang diduga mempengaruhi jumlah pencurian

Menentukan nilai ukuran kesalahan (error) (MAD, MSE dan MAPE)

Membandingkan nilai MAD, MSE dan MAPE dari bobot α yang dipilih

Memilih bobot α terbaik berdasarkan nilai MAD, MSE dan MAPE terkecil

α =0,2 α =0,3 α =0,4

(27)

15

BAB 4 ^Selesai

Mencatat Hasil dan Kesimpulan

(28)

BAB 4

HASIL DAN PEMBAHASAN

4.1 Pola Data Pencurian

Berdasarkan data historis pencurian motor di kota Medan pada tahun 2017 hingga tahun 2020, data pencurian dapat dilihat pada Lampiran 1, selanjutnya dilakukan pengecekan pola data pencurian motor dengan tujuan untuk mengetahui pola data yang akan diramalkan dan menentukan metode peramalan yang digunakan. Hasil pola pencurian motor sebagai berikut:

Gambar 4.1. Grafik Data Pencurian Sepeda Motor di Kota Medan.

4.2 Perhitungan Indeks Special Event

Nilai indeks yang besar, berpengaruh terhadap pencurian disetiap periode, perhitungan indeks special event menggunnakan persamaan (2.2) dan persamaan (2.3) yang telah dijelaskan pada bab sebelumnya, dimana indeks ini hanya dihitung pada periode yang terdapat pada periode special event. Dari indeks tersebut, disusun berdasarkan event yang sama pada tahun yang berbeda kemudian indeks special event yang digunakan untuk perhitungan peramalan pada metode exponential smoothing event based (ESEB).

0 50 100 150 200 250

JAN FEB MAR APRIL MAY JUN JUL AUG SEPT OCT NOV DEC

number of cases

Motorcycle Theft in Medan City Period 2017-2020

Theft 2017 Theft 2018 Theft 2019 Theft 2020 Forecasting 2021

(29)

17

Perhitungan nilai indeks pada metode exponential smoothing event based dilakukan dengan nilai bobot 0,2 ,0,3 dan 0,4. Hal tersebut dilakukan untuk mendapatkan nilai peramalan dengan nilai eror terkecil pada perhitungan peramalan menggunakan metode exponential smoothing event based (ESEB) nantinya. Berikut adalah perhitungan indeks pencurian motor metode exponential smoothing dengan nilai bobot 0,2 pada tabel 4.1, tabel 4.2, tabel 4.3 dan tabel 4.4.

Tabel 4.1. Nilai Indeks Pencurian Sepeda Motor di Kota Medan 2017 dengan Metode Exponential Smoothing

2017 Pencurian ES

Indeks

Januari 207 207

Febuari 201 205.8 0.98

Maret 203 205.24 0.99

April 199 203.99 0.98

Mei 197 202.59 0.97

Juni 203 202.67 1.00

Juli 186 199.34 0.93

Agustus 211 201.67 1.05 September 151 191.54 0.79 Oktober 164 186.03 0.88 November 152 179.22 0.85 Desember 127 168.78 0.75

Indeks

Januari 142 142

Febuari 144 142.4 1.01

Maret 159 145.72 1.09

April 175 151.57 1.15

Mei 149 151.06 0.99

Juni 144 149.64 0.96

Juli 172 154.11 1.12

Agustus 175 158.29 1.11

September 150 156.63 0.96

Oktober 170 159.30 1.07

November 150 157.44 0.95

Desember 140 153.95 0.91

(30)

Tabel 4.3. Nilai Indeks Pencurian Sepeda Motor di Kota Medan 2019 dengan Metode Exponential Smoothing

Indeks

Januari 135 135

Febuari 149 137.80 1.08

Maret 151 140.44 1.08

April 170 146.35 1.16

Mei 178 152.68 1.17

Juni 144 150.95 0.95

Juli 172 155.16 1.11

Agustus 160 156.12 1.02

September 176 160.10 1.10

Oktober 164 160.88 1.02

November 170 162.70 1.04

Desember 118 153.76 0.77

Indeks

Januari 133 133

Febuari 166 139.60 1.189

Maret 137 139.08 0.985

April 127 136.66 0.929

Mei 120 133.33 0.900

Juni 114 129.46 0.881

Juli 111 125.77 0.883

Agustus 103 121.22 0.850

September 116 120.17 0.965

Oktober 89 113.94 0.781

November 102 111.55 0.914

Desember 100 109.24 0.915

Untuk mengetahui hasil peramalan dan nilai indeks pada bulan Mei 2017, Mei 2018, Mei 2019 dan April 2020 yang merupakan adanya event Bulan Puasa dan Hari Raya Idul Fitri, bulan Desember 2017, Desember 2018, Desember 2019 dan Desember 2020 yang merupakan adanya event Hari Raya Natal & Tahun Baru maka dilakukan perhitungan dengan menggunakan persamaan (2.2) dan (2.3) diatas sebagai berikut pada pencurian sepeda motor.

(31)

19

1. Bulan Puasa dan Hari Raya Idul Fitri Mei 2017

= (0,2 x 197) + (1-0,2) x 203,99 = 202,59 Lalu dihitung nilai indeksnya = 201/202,59

= 0,97

Berdasarkan nilai tersebut mengindikasi bahwa pada bulan Mei 2017 tersebut adanya nilai indeks 0,97 atau terjadi penurunan sebesar 3% pada pencurian sepeda motor di Kota Medan.

= 0,99

= 1,17

Berdasarkan nilai tersebut mengindikasi bahwa pada bulan Mei 2019 tersebut adanya nilai indeks 1,17 atau terjadi Kenaikan sebesar 17% pada pencurian sepeda motor di Kota Medan.

4. Bulan Puasa dan Hari Raya Idul Fitri April 2020

= 0,90

(32)

5. Hari Raya Natal & Tahun Baru Desember 2017

= 0,75

Berdasarkan nilai tersebut mengindikasi bahwa pada bulan Desember 2017 tersebut adanya nilai indeks 0,75 atau terjadi penurunan sebesar 25% pada pencurian sepeda motor di Kota Medan.

= 0,91

= 0,77

= 0,91

(33)

21

Tabel 4.5. Nilai Grup Indeks Pencurian Sepeda Motor di Kota Medan dengan Metode Exponential Smoothing ( = 0.2)

Special event Tahun Indeks Grup Indeks Bulan Puasa dan Hari Raya Idul

Fitri

2017 0,97

1,0075 2018 0,99

2019 1,17 2020 0,90 Hari Raya Natal & Tahun Baru

2017 0,75

0,835 2018 0,91

2019 0,77 2020 0,91

Perhitungan grup indeks pencurian Motor di kota Medan dengan metode Exponential Smoothing Berdasarkan persamaan (2.2):

Bulan Puasa dan Hari Raya Idul Fitri = (0,97 + 0,99 + 1,17 + 0,90)/4

= 1,0075

Hari Raya Natal & Tahun Baru = (0,75 + 0,91 + 0,77 + 0,91)/4

= 0,835

Berdasarkan nilai tersebut mengindikasi bahwa event Bulan Puasa dan Hari Raya Idul Fitri adanya kenaikan pencurian motor sebesar 0,75% dan pada event Hari Raya Natal & Tahun Baru adanya nilai indeks atau penurunan sebesar 16,5% pada pencurian motor kota Medan, sehingga nilai tersebut akan digunakan untuk peramalan pencurian motor menggunakan metode Exponential Smoothing event based (ESEB).

Selanjutnya dilakukan peramalan pencurian motor di kota Medan menggunakan metode Exponential Smoothing dengan α (nilai bobot) antara 0 <

𝛼 < 1

,

yaitu (nilai bobot antara 0,1 sampai 0,9) yang bertujuan untuk membandingkan nilai parameter interval pemulusan, dan nilai parameter α yang sesuai akan memberikan ramalan yang optimal dengan nilai kesalahan yang terkecil. Bobot 0,3 dipilih setelah sebelumnya dilakukan perbandingan α (nilai bobot) dengan trial and error yang bertujuan untuk mendapatkan nilai peramalan yang mengarah pada hasil ramalan sebelumnya yaitu untuk

(34)

mendapatkan hasil peramalan dengan nilai error terendah pada perhitungan peramalan menggunakan metode exponential smoothing event based (ESEB).

Berikut adalah perhitungan indeks pencurian motor metode exponential smoothing dengan nilai bobot 0,3 pada tabel 4.6, tabel 4.7, tabel 4.8 dan tabel 4.9.

Indeks

Januari 207 207

Febuari 201 205 0.98

Maret 203 205 0.99

April 199 203 0.98

Mei 197 201 0.98

Juni 203 202 1.01

Juli 186 197 0.94

Agustus 211 201 1.05

September 151 186 0.81

Oktober 164 179 0.91

November 152 171 0.89

Desember 127 158 0.80

Indeks

Januari 142 142

Febuari 144 143 1.01

Maret 159 148 1.08

April 175 156 1.12

Mei 149 154 0.97

Juni 144 151 0.95

Juli 172 157 1.09

Agustus 175 163 1.08

Oktober 170 162 1.05

November 150 158 0.95

Desember 140 153 0.92

(35)

23

Indeks

Januari 135 135

Febuari 149 139 1.07

Maret 151 143 1.06

April 170 151 1.13

Mei 178 159 1.12

Juni 144 155 0.93

Juli 172 160 1.08

Agustus 160 160 1.00

Oktober 164 164 1.00

November 170 166 1.02

Desember 118 152 0.78

Indeks

Januari 133 133

Febuari 166 143 1.16

Maret 137 141 0.97

April 127 137 0.93

Mei 120 132 0.91

Juni 114 126 0.90

Juli 111 122 0.91

Agustus 103 116 0.89

Oktober 89 108 0.82

November 102 106 0.96

Desember 100 104 0.96

(36)

1.

Bulan Puasa dan Hari Raya Idul Fitri Mei 2017

= 0,98

= 0,97

= 1,12

= (0,3 x 120) + (1-0,3) x 136,89 = 131,82

Lalu dihitung nilai indeksnya = 120/131,82

= 0,91

(37)

25

= 0,80

= 0,92

= 0,78

= 0,96

(38)

Tabel 4.10. Nilai Grup Indeks Pencurian Sepeda Motor di Kota Medan dengan Metode Exponential Smoothing ( = 0.3)

Fitri

2017 0,98

0,995 2018 0,97

2019 1,12 2020 0,91

Hari Raya Natal & Tahun Baru

2017 0,80

0,865 2018 0,92

2019 0,78 2020 0,96

= 0,995

= 0,865

Berdasarkan nilai tersebut mengindikasi bahwa event Bulan Puasa dan Hari Raya Idul Fitri adanya penurunan pencurian motor sebesar 0,5% dan pada event Hari Raya Natal & Tahun Baru adanya nilai indeks atau penurunan sebesar 16,5% pada pencurian motor kota Medan, sehingga nilai tersebut akan digunakan untuk peramalan pencurian motor menggunakan metode Exponential Smoothing event based (ESEB).

Selanjutnya dilakukan peramalan pencurian motor di kota Medan menggunakan metode Exponential Smoothing dengan α (nilai bobot) antara 0 <

𝛼 < 1

,

yaitu (nilai bobot antara 0,1 sampai 0,9) yang bertujuan untuk membandingkan nilai parameter interval pemulusan, dan nilai parameter α yang sesuai akan memberikan ramalan yang optimal dengan nilai kesalahan yang terkecil. Bobot 0,4 dipilih setelah sebelumnya dilakukan perbandingan α (nilai bobot) dengan trial and error yang bertujuan untuk mendapatkan nilai peramalan yang mengarah pada hasil ramalan sebelumnya yaitu untuk

(39)

27

mendapatkan hasil peramalan dengan nilai error terendah pada perhitungan peramalan menggunakan metode exponential smoothing event based (ESEB).

Berikut adalah perhitungan indeks pencurian motor metode exponential smoothing dengan nilai bobot 0,4 pada tabel 4.11, tabel 4.12, tabel 4.13 dan tabel 4.14.

Indeks

Januari 207 207

Febuari 201 205 0.98

Maret 203 204 1.00

April 199 202 0.99

Mei 197 200 0.99

Juni 203 201 1.01

Juli 186 195 0.95

Agustus 211 201 1.05

Oktober 164 174 0.94

November 152 165 0.92

Desember 127 150 0.85

Indeks

Januari 142 142

Febuari 144 143 1.01

Maret 159 149 1.07

April 175 160 1.10

Mei 149 155 0.96

Juni 144 151 0.95

Juli 172 159 1.08

Agustus 175 166 1.06

Oktober 170 164 1.04

November 150 158 0.95

Desember 140 151 0.93

(40)

Indeks

Januari 135 135

Febuari 149 141 1.06

Maret 151 145 1.04

April 170 155 1.10

Mei 178 164 1.08

Juni 144 156 0.92

Juli 172 162 1.06

Agustus 160 161 0.99

Oktober 164 166 0.99

November 170 168 1.01

Desember 118 148 0.80

2020 Pencurian ES

Indeks

Januari 133 133

Febuari 166 146 1.14

Maret 137 143 0.96

April 127 136 0.93

Mei 120 130 0.92

Juni 114 123 0.92

Juli 111 118 0.94

Agustus 103 112 0.92

Oktober 89 104 0.86

November 102 103 0.99

Desember 100 102 0.98

(41)

29

= 0,99

= 0,96

= 1,08

= 0,92

(42)

= 0,85

= 0,93

= 0,80

= 0,98

(43)

31

Tabel 4.15. Nilai Grup Indeks Pencurian Sepeda Motor di Kota Medan dengan Metode Exponential Smoothing ( = 0.04)

Fitri

2017 0,99

0,987 2018 0,96

2019 1,08 2020 0,92 Hari Raya Natal & Tahun Baru

2017 0,85

0,89 2018 0,93

2019 0,80 2020 0,98

= 0,987

= 0,89

Berdasarkan nilai tersebut mengindikasi bahwa event Bulan Puasa dan Hari Raya Idul Fitri adanya penurunan pencurian motor sebesar 1,3% dan pada event Hari Raya Natal & Tahun Baru adanya nilai indeks atau penurunan sebesar 11% pada pencurian motor kota Medan, sehingga nilai tersebut akan digunakan untuk peramalan pencurian motor menggunakan metode Exponential Smoothing event based (ESEB).

4.3 Perhitungan Peramalan

Berdasarkan hasil analisa pola data dan perhitungan indeks special event, metode peramalan yang dipilih untuk digunakan adalah metode exponential smoothing event based (ESEB). Untuk perhitungan peramalan menggunakan metode exponential smoothing event based dilakukan dengan adanya pengalian nilai indeks pada peramalan.

(44)

4.3.1 Metode Exponential Smoothing Event Based (ESEB)

Hasil peramalan telah dilakukan pada saat perhitungan nilai indeks special event, lalu hasil peramalan tersebut dikalikan dengan nilai indeks pada event Hari Raya Idul Fitri dan Hari Raya Natal & Tahun Baru. Peramalan metode exponential smoothing event based (ESEB) menggunakan persamaan (2.4) pada bulan April dan Desember:

Tabel 4.16. Peramalan Pencurian Motor di Kota Medan dengan Metode Exponential Smoothing event based (α=0,2).

Bulan

Peramalan sebelum

indeks

Indeks Actual Sales

Peramalan Setelah

Indeks

ME MAD MSE MAPE (%)

Januari

Febuari 140 1 166 140 26 26 697 16

Maret 139 1 137 139 -2 2 4 2

April 137 1.0075 127 138 -11 11 114 8

Mei 133 1 120 133 -13 13 178 11

Juni 129 1 114 129 -15 15 239 14

Juli 126 1 111 126 -15 15 218 13

Agustus 121 1 103 121 -18 18 332 18

September 120 1 116 120 -4 4 17 4

Oktober 114 1 89 114 -25 25 622 28

November 112 1 102 112 -10 10 91 9

Desember 109 0.835 100 91 9 9 77.15 9

Jumlah 148 2590 131

rata-rata 13 235 12

April = 137 x 1,0075 = 138 Desember = 109 x 0,835 = 91

Tingkat kesalahan peramalan atau error. dengan 3 indikator dengan persamaan (2.6), (2.7) dan persamaan (2.8).

MAD (mean absolute deviation) = 13

MSE (mean squar error) = 235

MAPE (mean absolute percentage error) = 12 %

(45)

33

Tabel 4.17. Peramalan Pencurian Sepeda Motor di Kota Medan dengan Metode Exponential Smoothing event based (α=0,3).

Bulan

Peramalan Sebelum

Indeks

ME MAD MSE MAPE (%)

Januari

Febuari 133 1 166 133 33 33 1089 20

Maret 143 1 137 143 -6 6 35 4

April 141 0.9950 127 140 -13 13 180 11

Mei 137 1 120 137 -17 17 285 14

Juni 132 1 114 132 -18 18 318 16

Juli 126 1 111 126 -15 15 240 14

Agustus 122 1 103 122 -19 19 355 18

September 116 1 116 116 0 0 0 0

Oktober 116 1 89 116 -27 27 736 30

November 108 1 102 108 -6 6 36 6

Desember 106 0.865 100 92 8 8 66.31 8

Jumlah 163 3339 141

rata-rata 15 304 13

April = 141 x 0,995 = 140 Desember = 106 x 0,865 = 92

Tabel 4.18. Peramalan Pencurian Sepeda Motor di Kota Medan dengan Metode Exponential Smoothing event based (α=0,4).

Bulan

Indeks

ME MAD MSE MAPE (%)

Januari

Febuari 146 1 166 146 20 20 392 12

Maret 143 1 137 143 -6 6 30 4

April 136 0.9870 127 135 -8 8 57 6

Mei 130 1 120 130 -10 10 96 8

(46)

Bulan

Indeks

ME MAD MSE MAPE (%)

Juni 123 1 114 123 -9 9 90 8

Juli 118 1 111 118 -7 7 56 7

Agustus 112 1 103 112 -9 9 86 9

September 114 1 116 114 2 2 5 2

Oktober 104 1 89 104 -15 15 221 17

November 103 1 102 103 -1 1 1 1

Desember 102 0.89 100 91 9 9 87.13 9

Jumlah 96 1121 83

rata-rata 9 102 8

April = 136 x 0,987 = 135 Desember = 102 x 0,89 = 91

Hasil akhir rekapitulasi perbandingan nilar error peramalan metode exponential smoothing event based (ESEB) sebagai berikut:

Tabel 4.19. Perbandingan Error Peramalan Metode Exponential Smoothing Event Based.

Pencurian Motor di

Kota Medan

Metode MAD MSE MAPE

(%) Exponential smoothing event based (ESEB) bobot 0,2 13 235 12 Exponential smoothing event based (ESEB) bobot 0,3 15 304 13 Exponential smoothing event based (ESEB) bobot 0,4 9 102 8

(47)

35

Berdasarkan hasil perhitungan nilai indeks special event dan perhitungan peramalan menggunakan metode exponential smoothing event based (ESEB), hasil akhir didapatkan metode exponential smoothing event based (ESEB) bobot 0,4 (𝛼 = 0,4) adalah metode peramalan terpilih karena menghasilkan nilai mean absolute deviation (MAD) dengan nilai yang terkecil diantara bobot α lainnya.

Semakin kecil nilai MAD maka semakin tinggi akurasi dari peramalan. Untuk pencurian di Kota Medan memiliki nilai MAD sebesar 9. Nilai mean squared error (MSE) pada pencurian Motor di Kota Medan memiliki nilai sebesar 102.

Evaluasi terakhir yang dapat dilakukan sebagai indikasi pemilihan tingkat kesalahan atau error pada hasil perhitungan peramalan dengan nilai mean absolute percentage error (MAPE) yang dihitung dengan menggunakan nilai absolut pada tiap periode dan dibagi dengan nilai peramalan pada periode itu.

Kemudian, merata-rata kesalahan persentase absolut tersebut. MAPE bertujuan untuk melihat ukuran atau besar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan. Nilai MAPE pada pencurian Motor di Kota Medan memiliki nilai sebesar 8%. Hasil dari perhitungan tingkat kesalahan atau error ini akan menjadi dasar pemilihan metode peramalan terbaik yang dapat digunakan dalam meramalkan pencurian Motor di Kota Medan pada kondisi special event.

4.4 Pola Data Peramalan Pencurian Sepeda Motor di Kota Medan

Berikut ini adalah perbandingan Pencurian Motor dari tahun 2017 hingga tahun 2020 dengan data peramalan untuk tahun 2021 :

Tabel 4.20. Rekapitulasi Hasil Peramalan Pencurian Sepeda Motor di Kota Medan.

Bulan Pencurian 2017

Pencurian 2018

Peramalan 2021

Januari 207 142 135 133 133

Febuari 201 144 149 166 146

Maret 203 159 151 137 143

April 199 175 170 127 136

Mei 197 149 178 120 130

Juni 203 144 144 114 123