Vanissa Hapsari,2013
Perbandingan Metode Dekomposisi Klasik Dengan Metode Pemulusan Eksponensial Holt-Winter Dalam Meramalkan Tingkat Pencemaran Udara Di Kota Bandung Periode 2003-2012 Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
PERBANDINGAN METODE DEKOMPOSISI KLASIK DENGAN METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DALAM
MERAMALKAN TINGKAT PENCEMARAN UDARA DI KOTA BANDUNG PERIODE 2003-2012
SKRIPSI
Diajukan untuk Memenuhi Sebagian dari Syarat Memperoleh Gelar Sarjana Sains di Bidang Matematika
Oleh :
Vanissa Hapsari 0905655
JURUSAN PENDIDIKAN MATEMATIKA
FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA
Vanissa Hapsari,2013
Perbandingan Metode Dekomposisi Klasik Dengan Metode Pemulusan Eksponensial Holt-Winter Dalam Meramalkan Tingkat Pencemaran Udara Di Kota Bandung Periode 2003-2012 Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
PERBANDINGAN METODE DEKOMPOSISI KLASIK DENGAN METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DALAM
MERAMALKAN TINGKAT PENCEMARAN UDARA DI KOTA BANDUNG PERIODE 2003-2012
Oleh Vanissa Hapsari
Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat untuk memperoleh gelar Sarjana Sains pada
Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam
© Vanissa Hapsari 2013 Universitas Pendidikan Indonesia
Oktober 2013
Hak Cipta dilindungi undang-undang.
Vanissa Hapsari,2013
Vanissa Hapsari,2013
Perbandingan Metode Dekomposisi Klasik Dengan Metode Pemulusan Eksponensial Holt-Winter Dalam Meramalkan Tingkat Pencemaran Udara Di Kota Bandung Periode 2003-2012 Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
ABSTRAK
Data yang diamati berdasarkan urutan waktu merupakan data runtun waktu. Peramalan pada data runtun waktu dapat dilakukan untuk memprediksi sejumlah data di masa mendatang. Akan dilakukan peramalan tingkat pencemaran udara di kota Bandung menggunakan metode Dekomposisi Klasik dan metode Eksponensial Holt-Winter. Pengambilan sampel partikulat kasar berukuran secara berkala dilakukan untuk mengetahui tingkat pencemaran udara di suatu tempat. Metode Dekomposisi merupakan suatu metode yang memecah data berdasarkan komponen musiman, trend dan siklus, dengan persamaan . Pada metode Holt-Winter memiliki 3 parameter pembobotan untuk pemulusan unsur musiman, trend dan keseluruhan data, diperoleh persamaan
( ( .
Untuk mengetahui metode mana yang paling baik untuk meramalkan suatu data, digunakan alat ukur diantaranya Mean Squared Deviation (MSD),
Mean Absolute Deviation (MAD), dan Mean Absolute Percentage Error (MAPE) dan metode yang memiliki tingkat kesalahan terkecil yang dipilih.
Berdasarkan hasil perhitungan didapatkan untuk metode Dekomposisi memiliki nilai MSD = 51831705,862, MAD = 5487,835 dan MAPE = 31,904 sementara untuk metode Holt-Winter memiliki nilai MSD = 34749831, MAD = 4170,602 dan MAPE = 28,411.
Vanissa Hapsari,2013
Perbandingan Metode Dekomposisi Klasik Dengan Metode Pemulusan Eksponensial Holt-Winter Dalam Meramalkan Tingkat Pencemaran Udara Di Kota Bandung Periode 2003-2012 Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
ABSTRACT
Observed data based upon time is called time series data. Forecasting time series data is done to predict data in a future as preventive action. Clasic decomposition method and Holt-Winter’s method will be used to forecast air pollution level in Bandung. Coarse particulat ( ) sampling conducted regularly to know air pollution level in some place. Decomposition method try to identify seasonality, trend and cycle component which assumes that the data has the form . Holt-Winter’s method involves three smoothing parameters to smooth the data, the trend and the seasonal index, in this case the form is
( ( .
Several measurement tools are used which is Mean Squared Deviation (MSD), Mean Absolute Deviation (MAD), and Mean Absolute Percentage Error (MAPE) A method that has the least number of measurement will be the best method to predict the data. Based on the calculation, Decomposition method have MSD = 51831705,862, MAD = 5487,835 and MAPE = 31,904 while Holt-Winter’s method have MSD = 34749831, MAD = 4170,602 and MAPE = 28,411.
Vanissa Hapsari,2013
Perbandingan Metode Dekomposisi Klasik Dengan Metode Pemulusan Eksponensial Holt-Winter Dalam Meramalkan Tingkat Pencemaran Udara Di Kota Bandung Periode 2003-2012 Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
DAFTAR ISI Abstrak...i Kata Pengantar...iii Ucapan Terimakasih...iv Daftar Isi...vi Daftar Tabel...viii Daftar Gambar...ix
BAB I PENDAHULUAN 1.1Latar Belakang...1
1.2Rumusan Masalah...4
1.3Batasan Masalah...4
1.4Tujuan Penelitian...5
1.5Manfaat Penulisan...5
1.5.1 Manfaat Praktis...5
1.5.2 Manfaat Teoritis...5
1.6Sistematika Penulisan...5
BAB II LANDASAN TEORI 2.1. Peramalan...7
2.2. Metode Runtun Waktu...10
2.3. Stasioneritas...10
2.3.1 Fungsi Autokovariansi...12
2.3.2 Fungsi Autokorelasi (FAK)...12
2.3.3 Funsi Autokorelasi Parsial (FAKP)...13
2.4 Metode Perataan...14
2.4.1 Nilai Tengah...14
2.4.2 Rata-Rata Bergerak Tunggal (Single Moving Average)...16
2.4.3 Rata-Rata Bergerak Ganda (Double Moving Average)...18
2.5 Metode Pemulusan...25
2.5.1 Pemulusan Eksponensial Tunggal...25
2.5.2 Pemulusan Eksponensial Ganda : Metode Linier Satu Parameter dari Brown...27
2.5.3 Pemulusan eksponensial Ganda : Metode Linier Dua Parameter dari Holt...29
2.5.4 Pemulusan eksponensial Tripel : Metode Kuadratik Satu Parameter dari Brown...30
2.6 Analisis Regresi...31
2.6.1 Metode Tangan Bebas...32
2.6.2 Metode Kuadrat Terkecil...34
Vanissa Hapsari,2013
Perbandingan Metode Dekomposisi Klasik Dengan Metode Pemulusan Eksponensial Holt-Winter Dalam Meramalkan Tingkat Pencemaran Udara Di Kota Bandung Periode 2003-2012 Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
2.6.4 Regresi Non Linier...34
2.6.4.1Model Parabola Kuadratik...34
2.6.4.2Model Parabola Kubik...35
2.6.4.3Model Eksponen...35
2.6.4.4Model Logistik...36
2.6.4.5Model Hiperbola...36
BAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK 3.1Metode Pemulusan Eksponensial Holt-Winter...38
3.1.1 Holt-Winter Multiplikatif...38
3.1.2 Proses Inisialisasi...40
3.1.3 Holt-Winter Aditif...40
3.2Metode Dekomposisi Klasik...41
3.2.1 Indeks Musiman...43
3.2.2 Nilai trend...45
3.2.3 Indeks Siklus...48
3.2.4 Menentukan Error (Keacakan)...48
3.3Ketepatan Metode Peramalan...48
BAB IV STUDI KASUS 4.1Plot Data...50
4.2Metode Pemulusan Eksponensial Holt-Winter...52
4.2.1 Proses Inisialisasi...52
4.2.2 Pemilihan Konstanta Pemulusan...54
4.2.3 Peramalan...54
4.3Metode Dekomposisi...56
4.3.1 Indeks Musiman...56
4.3.2 Menentukan Trend...60
4.3.3 Indeks Siklus...65
4.3.4 Peramalan...65
4.4Perbandingan Hasil Peramalan...67
BAB V KESIMPULAN DAN SARAN 5.1Kesimpulan...68
5.2Saran...69
Daftar Pustaka...70
Lampiran...71
Vanissa Hapsari,2013
Perbandingan Metode Dekomposisi Klasik Dengan Metode Pemulusan Eksponensial Holt-Winter Dalam Meramalkan Tingkat Pencemaran Udara Di Kota Bandung Periode 2003-2012 Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
DAFTAR TABEL
Tabel 2.1 Langkah-Langkah Peramalan dangan Nilai Tengah...16
Tabel 2.2 Peramalan Deret yang Mengandung Trend dengan Menggunakan Rata-Rata Bergerak Tunggal Orde 3...19
Tabel 2.3 Peramalan Deret yang Mengandung Trend dengan Menggunakan Rata-Rata Bergerak Ganda (MA )...20
Tabel 3.1 Uji ANOVA...46
Tabel 4.1 Inisialisasi Indeks Musiman...53
Tabel 4.2 Hasil Peramalan Data Partikulat Udara Kasar Periode Januari 2003-Desember 2012...56
Tabel 4.3 Nilai Rata-Rata Bergerak untuk Data Partikulat Udara Kasar dengan N = 12...57
Tabel 4.4 Indeks Musiman...60
Tabel 4.5 Output SPSS untuk mengetahui R-square dan Standard Error...61
Tabel 4.6 ANOVA output SPSS...61
Tabel 4.7 Nilai Koefisien output SPSS...62
Tabel 4.8 Taksiran Trend dengan Metode Eksponensial...63
Tabel 4.9 Nilai Trend untuk Ramalan Periode 2013...65
Tabel 4.10 Indeks Siklus...65
Tabel 4.11 Hasil Perhitungan Indeks Musiman, Trend, Indeks Siklus untuk Periode 2013...66
Tabel 4.12 Hasil Peramalan Data Partikulat Udara Kasar di Kota Bandung Periode Januari 2013-Desember 2013...66
Tabel 4.13 Hasil Perbandingan Peramalan Data Partikulat Udara Kasar di Kota Bandung Periode Januari 2013-Desember 2013...67
Vanissa Hapsari,2013
Perbandingan Metode Dekomposisi Klasik Dengan Metode Pemulusan Eksponensial Holt-Winter Dalam Meramalkan Tingkat Pencemaran Udara Di Kota Bandung Periode 2003-2012 Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
DAFTAR GAMBAR
Gambar 2.1 Skenario Peramalan...9
Gambar 2.2 Plot Data Runtun Waktu Stasioner...11
Gambar 2.3 Plot Data Runtun Waktu Non Stasioner...11
Gambar 2.4 Regresi Linier Berdasarkan Metode Tangan Bebas...33
Gambar 2.4 Regresi Non Linier Berdasarkan Metode Tangan Bebas...33
Gambar 4.1 Plot Data Partikulat Udara Kasar di Kota Bandung Periode Januari 2003-Desember 2012...50
Gambar 4.2 Grafik Fungsi Autokorelasi Data Partikulat Udara Kasar di Kota Bandung Periode Januari 2003-Desember 2012...51
Gambar 4.3 Grafik Fungsi Autokorelasi Parsial Data Partikulat Udara Kasar di Kota Bandung Periode Januari 2003-Desember 2012...51
Vanissa Hapsari,2013
Perbandingan Metode Dekomposisi Klasik Dengan Metode Pemulusan Eksponensial Holt-Winter Dalam Meramalkan Tingkat Pencemaran Udara Di Kota Bandung Periode 2003-2012
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB I
PENDAHULUAN
1.1. Latar Belakang
Tingkat pencemaran udara di beberapa kota besar cenderung meningkat dari
tahun ke tahun. Hal ini disebabkan oleh beberapa faktor diantaranya jumlah transportasi
terus meningkat yang disebabkan oleh aktifitas masyarakat di kota besar yang
cenderung tinggi, ketergantungan masyarakat terhadap bahan bakar minyak dan aktifitas
perekonomian yang berkembang pesat diiringi dengan meningkatnya kegiatan pada
sektor industri.
Tanpa disadari, penurunan kualitas udara di kota besar akan berakibat pada
kesehatan masyarakat. Beberapa penyakit yang terkait dengan pencemaran udara
diantaranya Infeksi Saluran Pernapasan Atas (ISPA), iritasi mata, penyakit jantung dan
paru-paru. Jika tidak ada tindakan pengurangan pencemaran udara, dikhawatirkan
kesehatan masyarakat akan terus menurun yang berakibat pada menurunnya
produktivitas kerja dan meningkatnya pengeluaran untuk urusan kesehatan.
Sebagai instansi milik pemerintah, Pusat Teknologi Nuklir Bahan dan
Radiometri, Badan Tenaga Nuklir Nasional (PTNBR BATAN), berkepentingan untuk
melakukan kajian terhadap kualitas udara di beberapa kota besar di Indonesia. PTNBR
BATAN mengambil sampel partikulat udara di beberapa kota besar di Indonesia yang
dilakukan selama 24 jam setiap bulan menggunakan Gent stacked filter unit sampler,
mengumpulkan partikulat udara halus (PM2,5 yang berukuran 2,5m) pada filter halus
dan partikulat udara kasar (berukuran 2,5-10m) pada filter kasar. PM2,5 merupakan
partikulat udara halus yang berukuran mikron atau submikron dan diperkirakan
memiliki kontribusi besar pada angka kematian yang diakibatkan oleh gangguan
kesehatan terkait pencemaran udara.
Data jumlah partikulat udara untuk mengetahui tingkat pencemaran udara dicatat
dan diamati berdasarkan urutan waktu (bulan) sehingga data ini merupakan data runtun
2
intrepretasinya dapat digunakan sebagai bahan pertimbangan oleh pemerintah atau
instansi terkait dalam pengambilan kebijakan untuk mengatasi tingkat pencemaran
udara.
Untuk menentukan metode peramalan yang tepat, perlu diketahui pola dari data
runtun waktu tersebut. Pola data runtun waktu dibedakan menjadi empat jenis, yakni
pola musiman, pola siklus, pola trend dan pola irregular (Hanke dan Wichern,
2005:158). Pola musiman merupakan data yang berfluktuasi secara periodik dalam
kurun waktu satu tahun, seperti triwulan, kuartalan, bulanan, mingguan atau harian.
Pola siklis merupakan data yang berfluktuasi secara periodik dan tidak dapat dipisahkan
dari trend sehingga sulit untuk dideteksi. Pola trend merupakan kecenderungan arah
data dalam jangka waktu yang panjang, baik berupa kenaikan atau penurunan. Pola
irregular merupakan kejadian yang tak terduga dan bersifat acak, tetapi kemunculannya
dapat mempengaruhi fluktuasi data runtun waktu.
Pada tahun 1920 ditemukan suatu metode dekomposisi klasik sebagai salah satu
metode peramalan. Metode ini pada dasarnya memecah pola data runtun waktu menjadi
unsur trend, siklus dan musiman serta mengidentifikasi masing-masing unsur tersebut
secara terpisah. Pemisahan ini dilakukan untuk membantu meningkatkan ketepatan
peramalan dan membantu pemahaman atas perilaku runtun data secara lebih baik
(Makridakis, Wheelwrigt dan Hyndman, 1998). Metode dekomposisi mempunyai
asumsi bahwa data tersusun sebagai berikut:
Data = Pola + error
= f(trend, siklus, musiman) + error (1.1)
Selain metode dekomposisi, ada pula metode pemulusan eksponensial yang
tingkat kompleksitasnya lebih rendah dari ARIMA sehingga populer digunakan.
Metode pemulusan eksponensial menghilangkan sifat acak sehingga pola dapat
diproyeksikan ke depan dan dipakai sebagai dasar peramalan (Reksohadiprodjo, 1988).
Keuntungan dari penggunaan metode pemulusan eksponensial adalah banyak
mengurangi masalah penyimpanan data, sehingga tidak perlu lagi menyimpan semua
data historis atau sebagian, hanya pengamatan terakhir, ramalan terakhir, dan suatu nilai
3
Apabila data yang dianalisa bersifat stasioner, maka penggunaan metode
rata-rata bergerak (moving average) atau metode pemulusan eksponensial tunggal (single
exponential smoothing) cukup tepat. Akan tetapi apabila datanya menunjukkan suatu
trend linier, maka model yang baik untuk digunakan adalah metode pemulusan
eksponensial ganda (double exponential smoothing linier) dari Brown atau model
pemulusan eksponensial linier dari Holt. Pada kedua tipe tersebut, terdapat kelemahan
yakni tidak bisa menangani data yang memiliki kecenderungan musiman.
Salah satu penemuan penting dalam bidang peramalan, yakni ditemukannya
metode pemulusan eksponensial Holt-Winter’s yang mampu menangani data berpengaruh trend dan musiman, yang merupakan penyempurnaan dari metode
Holt-Brown yang hanya mampu menangani data yang memiliki unsur trend. Sebagai
gambaran, apabila metode pemulusan eksponensial tunggal dan ganda diterapkan pada
data musiman, maka pada hasil yang diperoleh akan terlihat pola kesalahan (selisih data
aktual dengan ramalan) yang sistematis. Misalnya kesalahan seluruhnya bernilai positif
pada periode tertentu dan bernilai negatif pada periode lainnya. Persamaan dasar untuk
metode Holt-Winter’s adalah sebagai berikut:
(1.2)
dimana Lt merupakan konstanta pemulusan keseluruhan, bt merupakan konstanta
pemulusan trend dan St merupakan konstanta pemulusan musiman.
Data partikulat udara diyakini ada kecenderungan musiman dikarenakan jumlah
partikulat udara dipengaruhi oleh curah hujan setiap bulannya. Metode dekomposisi
memisahkan suatu runtun waktu menjadi beberapa pola dan mengidentifikasi
masing-masing komponen dari runtun waktu tersebut secara terpisah. Metode dekomposisi
dilandasi oleh asumsi bahwa data yang ada merupakan gabungan dari komponen trend,
siklus, musiman dan irregular. Metode pemulusan yang akan digunakan adalah metode
pemulusan eksponensial tripel (Holt-Winter’s Exponential Smoothing) karena metode
ini digunakan ketika data menunjukkan pola tren dan musiman.
Kelemahan pada metode Holt-Winter yakni metode ini membutuhkan tiga
parameter pemulusan ( yang dapat bernilai antara 0 dan 1 untuk meminimumkan
galat, sehingga banyak kombinasi yang mungkin digunakan pada persamaan (1.2). Oleh
4
optimal. Metode ini jarang digunakan dikarenakan untuk mendapatkan nilai parameter
yang optimal akan menyita waktu dan biaya.
Sebagaimana telah diketahui bahwa tidak ada metode peramalan yang dapat
dengan tepat meramalkan data yang akan datang. Jika tingkat kesalahan semakin kecil,
maka hasil peramalan akan semakin mendekati data aktualnya. Alat ukur yang
digunakan untuk mengetahui metode mana yang memiliki tingkat kesalahan terkecil
diantaranya Mean Squared Deviation (MSD), Mean Absolute Deviation (MAD), dan
Mean Absolute Percentage Error (MAPE).
Berdasarkan uraian di atas, penulis tertarik untuk melakukan penelitian yang
berhubungan dengan analisis runtun waktu dalam suatu skripsi dengan judul
“PERBANDINGAN METODE DEKOMPOSISI KLASIK DENGAN METODE
PEMULUSAN EKSPONENSIAL HOLT-WINTER DALAM MERAMALKAN
TINGKAT PENCEMARAN UDARA DI KOTA BANDUNG PERIODE 2003-2012”
1.2. Rumusan Masalah
1. Bagaimana model peramalan partikulat udara kasar untuk mengetahui tingkat
pencemaran udara di kota Bandung menggunakan metode Dekomposisi?
2. Bagaimana model peramalan partikulat udara kasar untuk mengetahui tingkat
pencemaran udara di kota Bandung menggunakan metode Pemulusan
Eksponensial Holt-Winter ?
3. Metode manakah yang paling baik dalam meramalkan partikulat udara kasar untuk
mengetahui tingkat pencemaran udara di kota Bandung?
1.3. Batasan Masalah
Penulis hanya membahas penerapan metode Dekomposisi dan metode
Pemulusan Eksponensial dari Holt-Winter, serta perbandingan keduanya untuk
peramalan jumlah partikulat udara kasar untuk mengetahui tingkat pencemaran udara
dengan Mean Squared Deviation (MSD), Mean Absolute Deviation (MAD) dan Mean
5
1.4. Tujuan Penelitian
1. Mengetahui model peramalan partikulat udara kasar untuk mengetahui tingkat
pencemaran udara di kota Bandung menggunakan metode Dekomposisi.
2. Mengetahui model peramalan partikulat udara kasar untuk mengetahui tingkat
pencemaran udara menggunakan metode Holt-Winter’s Exponential Smoothing.
3. Membandingkan hasil peramalan partikulat udara kasar untuk mengetahui tingkat
pencemaran udara di kota Bandung dengan menggunakan metode Dekomposisi dan
Holt-Winter’s Exponential Smoothing.
1.5. Manfaat Penulisan
1.5.1 Manfaat Praktis
Sebagai bahan pertimbangan PTNBR BATAN dan atau instansi terkait dalam
pengambilan kebijakan untuk mengatasi pencemaran udara selama 12 bulan ke depan.
1.5.2 Manfaat Teoritis
Penulis dapat memperkaya dan memperluas pengetahuan tentang analisis runtun
waktu, serta memahami cara mengidentifikasi metode peramalan yang tepat digunakan
untuk meramalkan data berdasarkan pola data runtun waktu tersebut. Skripsi ini sebagai
evaluasi terhadap kemampuan penulis dalam mengaplikasikan teori analisis runtun
waktu yang disampaikan semasa perkuliahan.
1.6. Sistematika Penulisan
BAB I PENDAHULUAN
Mencakup latar belakang masalah, rumusan masalah, batasan masalah, tujuan
penelitian, manfaat penelitian, sistematika penulisan serta skema penyusunan tugas
skripsi.
BAB II LANDASAN TEORI
Mengemukakan tinjauan kepustakaan diantaranya menjelaskan dasar-dasar teori
6
BAB III PEMBAHASAN
Menjelaskan tentang metode Pemulusan Eksponensial Holt-Winter dan metode
Dekomposisi klasik serta alat ukur yang digunakan untuk mengetahui metode mana
yang memiliki tingkat kesalahan terkecil.
BAB IV STUDI KASUS
Studi kasus membandingkan metode Pemulusan Eksponensial Holt-Winter dan
metode Dekomposisi Klasik dalam meramalkan data runtun waktu.
BAB V KESIMPULAN DAN SARAN
Bab ini terdiri dari kesimpulan yang merupakan hasil dari studi kasus yang
dilakukan serta saran praktis dan teoritis dari penulis seperti metode lain yang dapat
digunakan untuk menganalisis data runtun waktu, sesuai dengan kapasitas dan
Vanissa Hapsari,2013
Perbandingan Metode Dekomposisi Klasik Dengan Metode Pemulusan Eksponensial Holt-Winter Dalam Meramalkan Tingkat Pencemaran Udara Di Kota Bandung Periode 2003-2012 Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB III
METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN
METODE DEKOMPOSISI KLASIK
3.1Metode Pemulusan Eksponensial Holt-Winter
Metode rata-rata bergerak dan pemulusan Eksponensial dapat
digunakan untuk data stasioner maupun data nonstasioner. Namun apabila
data mengandung unsur musiman, seringkali ditemukan galat yang bersifat
sistematis. Salah satu penemuan penting dalam bidang peramalan yakni
ditemukannya metode pemulusan Eksponensial Holt-Winter yang mampu
menangani data yang memiliki unsur trend dan musiman, yang merupakan
penyempurnaan dari metode Holt-Brown.
Metode Winter didasarkan pada tiga persamaan pemulusan;
stasioneritas, trend dan musiman. Metode ini serupa dengan Metode Holt,
dengan satu persamaan tambahan untuk mengatasi musiman. Metode
Holt-Winters menggunakan tiga pembobotan atau parameter pemulusan yakni ,
dan dimana parameter-parameter tersebut berada pada interval (0,1).
Sebenarnya ada dua metode Holt-Winter yang berbeda, bergantung pada
sifat musiman itu sendiri apakah aditif atau multiplikatif.
3.1.1 Holt-Winter’s Multiplikatif
Persamaan dasar untuk metode Holt-Winter’s Multiplikatif adalah
sebagai berikut :
(3.1)
(3.2)
(3.3)
(3.4)
dimana s merupakan panjang musiman (seperti bulan atau kuartal pada
39
trend, St merupakan komponen musiman, dan Ft+m merupakan peramalan
untuk m periode berikutnya.
Persamaan (3.3) adalah pemulusan untuk indeks musiman yang
merupakan rasio antara nilai aktual dan deret data, Yt, dibagi dengan Lt
yang merupakan nilai pemulusan tunggal terbaru untuk deret data. Jika
lebih besar dari , rasionya akan lebih dari 1, namun apabila lebih kecil
dari maka rasionya akan kurang dari 1. Perlu dipahami bahwa pada
metode ini merupakan nilai pemulusan (rata-rata) dari deret data yang
tidak mengandung unsur musiman. Selanjutnya dengan membagi oleh ,
diperoleh taksiran untuk indeks musiman tanpa pemulusan untuk periode t
sebagai berikut :
(3.5)
Perlu diperhatikan bahwa masih berunsur musiman dan keacakan.
Untuk memuluskan deret data , persamaan (3.3) memboboti faktor
musiman terakhir dengan dan angka musiman paling akhir pada musim
yang sama dengan . Faktor musiman sebelum ini ditentukan pada
periode – , karena s merupakan panjang musiman. Berdasarkan hal
tersebut, maka persamaan (3.3) dimuluskan menjadi :
Persamaan (3.2) sama dengan persamaan (2.42) dari Holt’s untuk
pemulusan trend. Persamaan (3.1) sedikit berbeda dengan persamaan (2.41)
dari Holt’s dimana unsur pertamanya yaitu nilai aktual dibagi dengan
indeks musiman . Hal ini dilakukan untuk mengeliminasi unsur
musiman pada . Ketika lebih besar dari 1, perlu dilakukan
penyesuaian karena nilai periode t-s lebih besar dari rata-rata pada
musimannya. Apabila dibagi dengan angka yang lebih besar dari 1, maka
akan menghasilkan nilai yang lebih kecil dari nilai aktual. Lawan dari
penyesuaian terjadi ketika angka musiman lebih kecil dari 1. Penggunaan
nilai sangatlah penting karena nilai tidak dapat dihitung apabila
tidak diketahui dari persamaan (3.1). Oleh karena itu diperlukan suatu
40
3.1.2 Proses Inisialisasi
Sama halnya dengan metode pemulusan Eksponensial lainnya,
dibutuhkan nilai awal komponen untuk memulai perhitungan. Untuk
menginisialisasi metode peramalan Holt-Winter’s, diperlukan nilai awal
untuk pemulusan , trend dan indeks musiman . Untuk mendapatkan
estimasi nilai awal dari indeks musiman, diperlukan setidaknya data lengkap
selama satu musim. Dengan demikian, nilai trend dan pemulusan
diinisialisasi pada periode s. Nilai awal konstanta pemulusan didapatkan
dengan menggunakan nilai rata-rata musim pertama, sehingga :
(3.6)
Perlu diingat bahwa persamaan (3.6) merupakan rata-rata bergerak
berorder s yang akan mengeliminasi unsur musiman pada data. Untuk
menginisialisasi trend, lebih baik menggunakan data lengkap selama 2
musim (2 periode), sebagai berikut :
(3.7)
Kemudian didapatkan nilai inisialisasi indeks musiman dengan
menggunakan rasio dari data tahun pertama dengan rata-rata data tahun
pertama, sehingga
(3.8)
Penentuan parameter , dan dilakukan untuk meminimumkan
MSE atau MAPE. Pendekatan untuk mendapatkan nilai-nilai parameter
tersebut dilakukan dengan menggunakan algoritma optimasi non-linear
untuk menemukan nilai parameter yang optimal.
3.1.3 Holt-Winter’s Aditif
Komponen musiman pada metode Holt-Winter’s dapat bersifat
aditif, namun jarang terjadi. Persamaan dasar untuk metode Holt-Winter’s
aditif adalah sebagai berikut :
(3.9)
(3.10)
41
(3.12)
Persamaan (3.10) identik dengan persamaan (3.2). Pada metode
Holt-Winter’s aditif, data dikurangi indeks musiman lalu dikalikan dengan
bobotnya, sementara pada Holt-Winter’s multiplikatif data dibagi dengan
indeks musiman lalu dikalikan dengan bobotnya.
Proses inisialisasi untuk dan identik dengan metode
multiplikatif. Berikut proses inisialisasi indeks musiman untuk metode
aditif:
3.2 Metode Dekomposisi Klasik
Metode dekomposisi memisahkan tiga komponen terpisah dari pola
dasar, yakni komponen trend, komponen siklus dan komponen musiman.
Faktor trend menggambarkan perilaku data dalam jangka panjang, dan dapat
meningkat, menurun, atau tidak berubah. Faktor siklus menggambarkan
kenaikan atau penurunan pada periode tertentu. Faktor musiman berkaitan
dengan fluktuasi periodik dengan panjang konstan yang disebabkan oleh
beberapa hal. Perbedaan antara musiman dan siklus adalah musiman
berulang dengan sendirinya pada interval yang tetap seperti tahun, bulan
atau minggu, sedangkan faktor siklus mempunyai jangka waktu yang lebih
lama dan lamanya berbeda dari siklus yang satu ke siklus yang lain.
Dekomposisi mempunyai asumsi bahwa data tersusun sebagai berikut :
Selain komponen pola, terdapat pula unsur galat atau keacakan.
Galat dianggap sebagai perbedaan antara pengaruh gabungan dari tiga
sub-pola deret tersebut dengan data yang sebenarnya.
Metode dekomposisi termasuk pendekatan peramalan yang tertua.
Dasar dari metode dekomposisi saat ini muncul pada tahun1920-an ketika
konsep rasio-trend (ratio-to-trend) diperkenalkan. Sejak saat itu pendekatan
dekomposisi telah digunakan secara luas baik oleh para ahli ekonomi
42
Terdapat beberapa pendekatan alternatif untuk mendekomposisi
suatu deret berkala, yang bertujuan untuk memisahkan setiap komponen
deret data seteliti mungkin. Konsep dasar dalam pemisahan tersebut bersifat
empiris dan tetap, mula-mula memisahkan musiman, trend dan siklus.
Residu yang ada dianggap sebagai unsur acak yang tidak dapat ditaksir
namun teridentifikasi.
Penulisan matematis umum dari pendekatan dekomposisi adalah :
(3.13)
dimana :
menyatakan data runtun waktu (data yang aktual) pada periode t,
menyatakan komponen musiman (atau Indeks) pada periode t,
menyatakan komponen trend pada periode t,
menyatakan komponen siklus pada periode t, dan
menyatakan komponen galat atau keacakan pada periode t.
Metode dekomposisi dapat berasumsi pada model aditif atau
multiplikatif, bergantung pada pola unsur musiman pada data. Sebagai
ilustrasi, dekomposisi rata-rata sederhana berasumsi pada model aditif :
(3.14)
sementara dekomposisi rata-rata bergerak berasumsi pada model
multiplikatif :
(3.15)
Metode dekomposisi rata-rata sederhana dan rasio-trend pada masa
lalu telah digunakan terutama karena perhitungannya mudah. Tetapi metode
tersebut kehilangan daya tariknya dengan dikenalnya komputer secara luas,
yang mengakibatkan aplikasi pendekatan dengan metode rasio rata-rata
bergerak lebih disukai.
Sejak dikembangkan pada tahun 1920-an, metode rasio rata-rata
bergerak merupakan prosedur dekomposisi yang telah banyak digunakan
dalam beberapa kurun waktu, metode ini berasumsi pada model
multiplikatif. Metode rasio rata-rata bergerak diawali dengan memisahkan
unsur trend-siklus dari data dengan menghitung rata-rata bergerak yang
43
panjang seperti ini tidak mengandung pengaruh musiman dan tanpa atau
sedikit sekali unsur acak. Berikut akan dibahas metode-metode untuk
mendapatkan komponen-komponen deret waktu.
3.2.1 Indeks Musiman
Gerakan musiman terjadi pada waktu yang sama atau sangat
berdekatan, dengan kata lain gerakan musiman merupakan gerakan yang
teratur yang mempunyai pola tetap atau berulang-ulang secara teratur.
Kecenderungan musiman dapat berupa tahunan, kuartalan atau mingguan.
Karena jumlah hari pada setiap bulan tidak sama, dan jumlah hari kerja
tidak sama untuk setiap bulannya, maka perlu diadakan penyesuaian data.
Untuk keperluan analisis, data runtun waktu dapat dinyatakan dalam
bentuk angka indeks. Indeks musiman merupakan angka yang menunjukkan
nilai relatif dari variabel Y, dimana Y adalah data runtun waktu selama
seluruh bulan dalam satu tahun. Rata-rata angka indeks musiman untuk satu
periode adalah 100% (tanda % sering dihilangkan atau tidak ditulis).
Dengan kata lain indeks musiman adalah suatu angka yang bervariasi
terhadap nilai dasar 100.
Ada beberapa metode untuk menghitung angka indeks musiman,
antara lain metode rata-rata sederhana (simple average method), metode
rasio terhadap trend (ratio to trend method) dan metode rasio terhadap
rata-rata bergerak (ratio to moving average method).
Pada metode rata-rata sederhana, akan ditentukan rata-rata bulanan
untuk seluruh tahun, dengan kata lain angka rata-rata dipakai untuk
mewakili bulan Januari, Februari dan seterusnya. Hal ini dilakukan karena
angka dari bulan tertentu berubah dari tahun ke tahun, sehingga perlu dicari
rata-ratanya. Untuk mencari rata-rata bagi bulan tertentu dilakukan dengan
cara menjumlahkan angka dari bulan tersebut kemudian membaginya
dengan banyaknya tahun pada data. Rata-rata tiap bulan dinyatakan sebagai
persentase terhadap total rata-ratanya. Pengambilan rata-rata tiap bulan
dimaksudkan untuk menghilangkan pengaruh trend.
Pada metode rasio terhadap trend, data asli untuk setiap bulan
44
persentase ini merupakan indeks musiman. Apabila rata-rata indeks tidak
sama dengan 100 atau jumlahnya tidak sama dengan 1200%, maka perlu
diadakan penyesuaian. Akan tetapi indeks musiman yang dihasilkan tidak
murni karena masih mengandung unsur siklus dan keacakan.
Perhitungan indeks musiman dengan menggunakan metode rata-rata
sederhana dan metode rasio terhadap trend digunakan karena
perhitungannya yang mudah. Tetapi metode ini kehilangan daya tariknya
seiring dengan dikenalnya komputer yang membantu perhitungan dengan
cepat sehingga metode rata-rata bergerak lebih disukai.
Berikut adalah prosedur untuk mencari indeks musiman pada proses
dekomposisi dengan metode rasio terhadap rata-rata bergerak :
i. Hitung rata-rata bergerak yang panjangnya (N) sama dengan panjang
musiman.
ii. Rata-rata bergerak digunakan untuk menghilangkan unsur musiman dan
unsur keacakan.
iii.Rata-rata bergerak yang dihasilkan adalah :
(3.16)
iv.Dengan membagi data aktual pada persamaan (3.15) oleh persamaan
(3.16), maka dan dapat dipisahkan, yaitu :
(3.17)
v. Pisahkan unsur keacakan pada persamaan (3.17) untuk mendapatkan
indeks musiman dengan cara sebagai berikut :
a. Gunakan rata-rata bergerak medial untuk menghilangkan unsur
keacakan dan yang tersisa hanya faktor musiman.
b. Rata-rata medial adalah nilai rata-rata untuk setiap deret waktu
setelah dikeluarkan nilai terbesar dan nilai terkecil.
c. Indeks musiman diperoleh dari rata-rata medial dikalikan dengan
45
3.2.2 Nilai Trend
Penghitungan nilai trend dapat dilakukan dengan beberapa metode,
diantaranya metode linier, metode trend kuadratis dan metode eksponensial.
Garis trend pada dasarnya adalah garis regresi dimana variabel bebas
merupakan variabel waktu. Ketiga metode tersebut menggunakan
pendekatan metode kuadrat terkecil dengan asumsi ∑ , dan
terdapat dua cara agar jumlah nilai variabel waktu adalah nol.
i. Untuk n ganjil
Misalkan terdapat tiga buah data yaitu . Pada umumnya,
yang diberi nilai 0 adalah variabel yang di tengah, sehingga ,
. Jika banyak data adalah ganjil, maka diperoleh :
dimana k adalah suatu bilangan bulat dan n adalah banyaknya data.
Berdasarkan hal tersebut, data yang akan diberi nilai nol terdapat pada data
ke- .
Misalkan terdapat 3 buah data, maka:
sehingga , artinya titik 0 terletak pada .
Jarak antara dua waktu diberi nilai satu satuan. Untuk nilai yang
berada di atas nilai 0 diberi tanda + dan untuk nilai yang berada di bawah 0
diberi tanda –, menjadi
ii. Untuk n genap
Jika banyak data adalah genap, maka diperoleh
dimana k adalah suatu bilangan bulat dan n adalah banyaknya data.
Sehingga data yang akan diberi nilai 0 terletak antara dan
46
Misalkan , dengan maka diperoleh
sehingga terletak antara data ke-2 dan ke-3. Jarak antara dua
waktu diberi nilai dua satuan dan untuk nilai yang berada di atas nilai 0
diberi tanda + dan untuk nilai yang berada di bawah 0 diberi tanda –,
menjadi Setelah nilai-nilai X diketahui,
maka selanjutnya akan ditentukan nilai trend dengan metode-metode yang
telah dijelaskan pada Bab 2.
Metode yang dipilih adalah metode yang mempunyai nilai R-square
paling besar dan memiliki tingkat kesalahan paling kecil. Adapun pengujian
metode untuk memilih trend yang harus dilakukan adalah sebagai berikut.
1. Uji Kecocokan (lack of fit)
Berikut ini disajikan tabel ANOVA untuk pengujian model regresi.
Tabel 3.1 Uji ANOVA
Sumber Variasi df Jumlah Kuadrat Rata-Rata Kuadrat Test F
Regresi k SSR MSR
F
Kesalahan n-k-1 SSE MSE
Total n-1
Hipotesis pada uji kecocokan ini adalah
: Kontribusi variabel independen terhadap variabel dependen tidak
signifikan
: Kontribusi variabel independen terhadap variabel dependen
signifikan
dengan uji statistik
, dengan derajat bebas
Pengambilan keputusan menggunakan angka pembanding
dengan kriteria pengujian tolak jika , dengan .
2. Pengujian Signifikansi Parameter Regresi
Pengujian parameter regresi pada hasil pengamatan dilakukan dengan
menggunakan uji t. Hal ini dilakukan untuk menguji signifikansi parameter
47
a. Uji Keberartian Intersep
Perumusan hipotesis :
: Intersep untuk model regresi tidak signifikan.
: Intersep untuk model regresi signifikan.
dengan uji statistik :
dengan:
√ √
∑
(∑ )
∑ ̂ ∑ ∑ ∑
Pengambilan keputusan menggunakan angka pembanding t tabel
dengan kriteria sebagai berikut:
Jika atau , maka ditolak dan diterima
Jika – , maka diterima dan ditolak
b. Uji Keberartian Koefisien Regresi
Perumusan hipotesis :
: Koefisien regresi untuk model regresi tidak signifikan.
: Koefisien regresi untuk model regresi signifikan.
dengan uji statistik :
dengan:
√ √
∑
(∑ )
48
Pengambilan keputusan menggunakan angka pembanding t tabel
dengan kriteria sebagai berikut:
c. Jika atau , maka ditolak dan
diterima
d. Jika – , maka diterima dan ditolak
3.2.3 Indeks Siklus
Siklus merupakan suatu perubahan atau gelombang naik dan turun
dalam suatu periode serta berulang pada periode lain. Dalam perekonomian,
siklus dikenal sebagai resesi, recovery, boom dan krisis.
Suatu siklus biasanya mempunyai periode tertentu untuk kembali ke
titik asalnya. Siklus juga memiliki frekuensi, yaitu siklus yang dapat
diselesaikan dalam satu periode waktu. Untuk memperoleh indeks siklus
ditentukan dengan cara membagi moving average dengan trend seperti yang
ditunjukkan pada persamaan (3.19).
(3.18)
(3.19)
3.2.4 Menentukan Error (Keacakan)
Variasi gerak tak beraturan merupakan suatu perubahan berupa
kenaikan dan penurunan yang tidak beraturan baik dari sisi waktu maupun
lamanya siklus. Penyebab kondisi ini misalnya perang, krisis dan bencana
alam. Penentuan indeks error dapat dilakukan dengan cara memisahkan
komponen , yaitu dengan membagi data asli dengan faktor dan .
(3.20)
3.3 Ketepatan Metode Peramalan
Dalam peramalan, ketepatan dipandang sebagai kriteria penolakan
untuk memilih suatu metode peramalan. Kata ketepatan (accuracy) merujuk
49
data. Jika metode yang digunakan sudah dianggap benar untuk melakukan
peramalan, maka pemilihan metode peramalan terbaik didasarkan pada
tingkat kesalahan prediksi (Santoso, 2009:40).
Alat ukur yang digunakan untuk menentukan besarnya kesalahan
prediksi antara lain :
1. Mean Squared Deviation (MSD)
∑ (3.21)
2. Mean Absolute Deviation (MAD)
∑ | | (3.22)
3. Mean Absolute Percentage Error (MAPE)
∑ | | (3.23)
dengan menyatakan banyaknya data,
menyatakan data aktual pada waktu ,
menyatakan data hasil peramalan pada waktu .
Semakin kecil nilai yang dihasilkan oleh ketiga alat ukur tersebut,
Vanissa Hapsari,2013
Perbandingan Metode Dekomposisi Klasik Dengan Metode Pemulusan Eksponensial Holt-Winter Dalam Meramalkan Tingkat Pencemaran Udara Di Kota Bandung Periode 2003-2012 Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil pembahasan dan analisis data yang telah dilakukan
pada bab - bab sebelumnya, maka diperoleh beberapa kesimpulan
diantaranya :
1. Model peramalan data partikulat udara kasar menggunakan metode dekomposisi pada periode 2013 adalah sebagai berikut :
dimana adalah indeks musiman pada periode t, adalah trend pada
69
2. Model peramalan data partikulat udara kasar menggunakan metode
Holt-Winter adalah
3. Dapat disimpulkan bahwa metode Holt-Winter lebih baik dalam
meramalkan data partikulat kasar di kota Bandung periode Januari
2003-Desember 2012 karena memiliki nilai MSD, MAD dan MAPE yang lebih
kecil dari metode Holt-Winter yakni MSD = 34749831, MAD =
4170,602 dan MAPE = 28,41108
5.2Saran
1. Apabila tertarik dengan pembahasan metode pemulusan eksponensial,
dapat dipelajari Metode Pemulusan Tiga-Parameter Box-Jenkins dan
Metode Pemulusan Harmonis dari Harrison serta pemilihan metode
pemulusan eksponensial menggunakan klasifikasi Pegel. Dan untuk
mengukur tingkat kesalahan, dapat digunakan Sistem Pemantauan dari
Trigg (Tracking Signal).
2. Untuk PTNBR BATAN atau instansi terkait lainnya, perlu diwaspadai
kenaikan jumlah partikulat udara setiap bulan Juni yang merupakan
musim kemarau dimana jarang terjadi hujan. Dan disarankan untuk
pencatatan data dilakukan secara rutin misalkan setiap hari dalam 1 bulan
Vanissa Hapsari,2013
Perbandingan Metode Dekomposisi Klasik Dengan Metode Pemulusan Eksponensial Holt-Winter Dalam Meramalkan Tingkat Pencemaran Udara Di Kota Bandung Periode 2003-2012
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR PUSTAKA
Hanke, J. E. & Wichers, D. W. (2005). Business Forecasting Eight Edition. New Jersey: Pearson Prentice hall
Kalekar, Prajakta S. (2004). Time series Forecasting using Holt-Winters Exponential
Smoothing.
http://www.it.iitb.ac.in/~praj/acads/seminar/04329008_ExponentialSmoothing.pdf
(diakses tanggal 14 Maret 2013)
Makridakis, S., Wheelwright, S.C. & Hyndman, R. J. (1998). Forecasting: Methods and
Applications, 3rd ed. New York: John Wiley & Sons, Inc.
Montgomery, D.C., Jennings, C.L. & Kulahci, M. (2008). Introduction to Time Series
Analysis and Forecasting. New Jersey: John Wiley & Sons, Inc.
Nurtini, H. (2008). Peramalan Deret Waktu Menggunakan Metode Dekomposisi dengan
Rasio pada Rata-Rata Bergerak. Skripsi S1 Jurusan Pendidikan Matematika
FPMIPA. UPI:(Tidak diterbitkan)
Rohimah (2009). Metode Pemulusan Eksponensial Tripel dari Winter (Studi Kasus pada
Data Kunjungan Wisatawan Manca Negara ke Bali Periode Januari 1999-Agustus 2008). Skripsi S1 Jurusan Pendidikan Matematika FPMIPA. UPI:(Tidak
diterbitkan)
Santoso, M. (2008). Jurnal Sains dan Teknologi Nuklir Indonesia. Hlm 53-59 Soejoeti, Z. (1987). Analisis Runtun Waktu. Jakarta : Karunika
Zucchini, W. & Nenadié, O. (2003). Time Series Analysis with R.
http://www.statoek.wiso.uni-goettingen.de/veranstaltungen/zeitreihen/sommer03