Prediksi Jumlah Penumpang Bus Trans Metro Dewata di PT. Satria Trans Jaya Menggunakan Double Exponential Smoothing dan
Weighted Moving Average
N Dinda Maharani1*, I Gede Aris Gunadi2*, Komang Setemen3
1,2,3Program Studi Ilmu Komputer, Universitas Pendidikan Ganesha, Singaraja Bali Indonesia
*Koresponden email: dinda.maharani@undiksha.ac.id1 , igedearisgunadi@undiksha.ac.id2
Diterima: 27 Januari 2023 Disetujui: 10 Februari 2023
Abstract
Forecasting is a technique or process for predicting an event in the future using previous historical data.
Public transportation is a service to transport people or goods from one place to another. The purpose of this study is to predict the number of public transportation passengers, namely the Trans Metro Dewata bus on each corridor in the future with the right forecasting method. The forecasting method used is Double Exponential Smoothing and Weighted Moving Average. This study using the Mean Absolute Percentage Error (MAPE) as the error accuracy test value. Forecasting results based on the MAPE value show that Double Exponential Smoothing is more appropriate than the Weighted Moving Average because the resulting error value is smaller, namely, corridor I of 7.41%, corridor II of 7.05%, corridor III of 9.83%, corridor IV of 6.37% and forecasting results for the next 48 periods produce a straight increasing trend.
Keywords: forecasting, mape, double exponential smoothing, weighted moving average, time series
Abstrak
Peramalan merupakan teknik atau proses untuk melakukan prediksi suatu kejadian di masa depan dengan menggunakan data histori sebelumnya. Transportasi umum merupakan layanan jasa untuk mengangkut orang atau barang dari satu tempat ke tujuan tempat lainnya. Tujuan penelitian ini untuk memprediksi jumlah penumpang transportasi umum yaitu bus Trans Metro Dewata pada setiap koridor di masa mendatang dengan metode peramalan yang tepat. Metode peramalan yang di gunakan adalah Double Exponential Smoothing dan Weighted Moving Average. Pada penelitian ini menggunakan Mean Absolut Precentage Error (MAPE) sebagai nilai uji akurasi error. Hasil peramalan berdasarkan nilai MAPE bahwa Double Exponential Smoothing lebih tepat digunakan dibandingkan Weighted Moving Average karena nilai error yang di hasilkan lebih kecil, yaitu koridor I sebesar 7,41%, koridor II sebesar 7,05%, koridor III sebesar 9,83%, koridor IV sebesar 6,37% dan hasil peramalan 48 periode mendatang menghasilkan tren meningkat lurus.
Kata Kunci: peramalan, mape, double exponential smoothing, weighted moving average, deret waktu
1. Pendahuluan
Permasalahan yang sering terjadi pada setiap daerah, termasuk di Provinsi Bali adalah masalah transportasi. Hal ini disebabkan oleh perkembangan jumlah kendaraan bermotor yang terus meningkat.
Pada tahun 2019 sekitar 3.718.636 unit dan Tahun 2020 meningkat menjadi 3.811.957 unit [1]. Kondisi inilah yang kerap menimbulkan kemacetan pada lalu lintas jalan di Provinsi Bali. Pemerintah Provinsi Bali mengatasi permasalahan tersebut dengan berbagai program, salah satunya dengan mengoperasikan bus Trans Metro Dewata. Bus Trans Metro Dewata merupakan transportasi umum berupa bus pertama di Provinsi Bali berbasis Bus Rapid Transit yaitu bus dengan pelayanan transit cepat, nyaman dan biaya murah. Transportasi merupakan bagian penting bagi masyarakat dalam melakukan aktifitas perpindahan tempat.
Kata transportasi berasal dari bahasa latin trans berarti seberang atau sebelah lain dan portare berarti mengangkut, sehingga definisi transportasi ialah usaha dan kegiatan mengangkut barang dan/atau penumpang dari suatu tempat ke tempat lainnya. Transportasi umum yang biasa di jumpai adalah bus dan kereta api [2][3]. Bus Trans Metro Dewata baru beroperasi pada bulan September Tahun 2020. Bus ini melayani wilayah kota Denpasar, Tabanan, Ubud, Gianyar, Sukawati dan Sanur dengan empat (4) koridor yang dimiliki yaitu koridor I Central Parkir Kuta menuju Terminal Persiapan Tabanan, koridor II GOR Ngurah Rai menuju Bandara Ngurah Rai, koridor III Terminal Ubung menuju Pantai Matahari Terbit Sanur dan koridor IV Terminal Ubung menuju Central Parkir Monkey Forest. Berdasarkan data yang dimiliki,
pertumbuhan penumpang bus cenderung mengalami tren meningkat namun bersifat fluktuatif yaitu adanya kenaikan dan penurunan penumpang tidak menentu setiap hari. Hal ini yang membuat pihak PT. Satria Trans Jaya selaku perusahaan operator belum dapat mengetahui prediksi jumlah penumpang di masa mendatang dan sulit melakukan strategi perencanaan operasional layanan bus. Peramalan adalah proses untuk memperkirakan berapa kebutuhan dalam rangka memenuhi permintaan barang, jasa dan produksi [4]. Peramalan di klasifikasikan berdasarkan horizon waktu masa depan dengan beberapa kategori antara lain peramalan jangka pendek, jangka menengah dan jangka panjang. Peramalan juga dibedakan berdasarkan peramalan kualitatif yaitu menggunakan intuisi dalam pengambilan keputusan dan peramalan kuantitatif yaitu peramalan menggunakan metode pendekatan naif, metode rata-rata bergerak (moving average), metode exponential smoothing, metode pengalusan tren dan regresi linear [5].
Pada penelitian ini menggunakan metode Double Exponential Smoothing dan Weighted Moving Average karena berdasarkan dari beberapa penelitian revelan sebelumnya metode Double Exponential Smoothing dapat melakukan peramalan dengan pola data berunsur tren [6][7]. Metode Weighted Moving Average dapat melakukan peramalan apabila terdapat tren pada deret waktu dan data bersifat fluktuatif karena metode ini lebih responsif terhadap perubahan [8][9]. Time Series atau deret waktu merupakan data yang dibuat secara berurut atau beruntun dalam bentuk harian, mingguan, bulanan, dan tahunan. Ada beberapa variasi atau gerakan dari data rangkaian waktu pada pola data antara lain pola data trend, pola data musiman, pola data horizontal dan pola data siklis [10].
Peramalan pada penelitian ini bertujuan untuk mengetahui jumlah penumpang bus Trans Metro Dewata pada periode mendatang serta membandingkan kedua(2) metode tersebut guna mengetahui metode yang tepat digunakan dalam penelitian. Dalam melakukan peramalan pengukuran tingkat kesalahan peramalan pada penelitian ini menggunakan Mean Absolute Precentage Error (MAPE) [11]. Proses implementasi penelitian ini menggunakan tools Anaconda dengan bahasa pemprograman Python. Python merupakan salah satu bahasa pemrograman berbasis desktop, web, mobile yang dapat di gunakan untuk menganalisa data dengan perpustakan yang dimiliki seperti library pandas [12], menulis code, equations, visualisasi dan markdown editor [13].
2. Metode Penelitian
Berikut ini merupakan rancangan penelitian seperti disajikan pada Gambar 1.
Gambar 1. Rancangan penelitian Sumber : Data Penelitian (2023)
1. Studi Literatur
Tahap ini melakukan pencarian dan pengumpulan berbagai referensi pustaka dan literatur pada penelitian sebelumnya terkait penelitian ini sehingga memiliki dasar teori mengenai peramalan, dan metode-metode yang digunakan. Sumber referensi berupa buku, artikel dan jurnal.
2. Pengumpulan Data
Proses pengumpulan data ini dilakukan dengan pemilihan data, cleaning (penghapusan) data, transformasi data, evaluasi pola, penambangan data dan presentasi pengetahuan. Proses pengumpulan peneliti memakai microsoft excel.
3. Implementasi Peramalan Time Series
Tahap ini peneliti melakukan implementasi peramalan time series dengan metode Double Exponential Smoothing dan Weighted Moving Average. Alat bantu yang di gunakan adalah Anaconda dengan bahasa pemrograman Python. Proses implementasi menggunakan data penumpang mingguan bus Trans Metro Dewata pada periode bulan Januari 2021 s/d April 2022 yang dikumpulkan pada ms.excel yang telah di transformasi ke dalam bentuk .csv
4. Pengujian
Pada tahap ini melakukan pengujian akurasi error hasil peramalan metode Double Exponential Smoothing dan Weighted Moving Average dengan menggunakan Mean Absolute Precentage Error (MAPE).
5. Hasil Analisis
Pada tahap terakhir ini mendapatkan hasil peramalan jumlah penumpang 48 periode di masa mendatang dengan metode peramalan yang tepat digunakan berdasarkan nilai Mean Absolute Precentage Error (MAPE)
Double Exponential Smoothing
Metode Double Exponential Smoothing dari Holt adalah metode pemulusan kedua yang digunakan untuk data yang mempunyai unsur tren, peramalan ini menggunakan pemulusan exponential linear dengan konstanta 𝛼 dan 𝛽 yang bernilai 0 sampai 1. Penentuan konstanta terbaik dengan menggunakan tools solver parameter. Adapun rumus yang digunakan sebagai berikut[14] :
𝑆𝑡 = 𝛼𝑋𝑡 + ( 1 – 𝛼)(𝑆𝑡−1 + 𝑇𝑡−1) (1) 𝑇𝑡 = 𝛽(𝑆𝑡 – 𝑆𝑡−1) + ( 1 – 𝛽)𝑇𝑡−1 (2) 𝐹𝑡+𝑚 = 𝑆𝑡 + 𝑇𝑡 . m (3) Keterangan :
𝑆𝑡 = pemulusan standar period ke t 𝑇𝑡 = pemulusan tren period ke t
𝐹𝑡+𝑚 = Peramalan untuk period ke t+m 𝑋𝑡 = data actual period ke t
𝛼 = konstanta pemulusan standar 𝛽 = konstanta pemulusan trend linier m = periode yang akan diramal kedepan
Weighted Moving Average
Metode Weighted Moving Average merupakan metode rata-rata bergerak menggunakan sejumlah data histori yang dimana data diberikan bobot yang berbeda dengan asumsi bahwa data histori yang terbaru memiliki bobot lebih besar dibandingkan dengan data histori yang lama. Karena data histori paling terbaru merupakan data yang paling relevan. Adapun rumus sebagai berikut [15] :
𝑊𝑀𝐴 = ∑(data x bobot)
∑ bobot (1)
Keterangan :
Data = Data aktual pada periode t Bobot = Penilaian sesuai panjang periode Mean Absolute Precentage Error (MAPE)
Pada penelitian ini untuk mengevaluasi nilai ketepatan hasil peramalan dengan melihat hasil evaluasi akurasi dengan menggunakan MAPE, yang dimana menghitung semua error absolut pada setiap posisi point
(selisih nilai aktual dengan nilai prediksi), dibagi dengan nilai aktual selanjutnya hasilnya dikonversikan ke dalam persen (dengan pengalian 100%). Berikut perhitungan dari rumus MAPE [11] :
𝑀𝐴PE = (1
𝑁 ∑ |𝛾𝑡− 𝛾̂𝑡|
𝛾𝑡
𝑛𝑡−1 ) X 100% (1) Keterangan :
𝛾𝑇= nilai aktual pada periode t 𝛾̂𝑡 = nilai peramalan periode t
n = jumlah periode peramalan yang terlibat.
Adapun nilai akurasi yang digunakan berdasarkan kategori nilai interpretasi MAPE untuk mengetahui tingkat akurasi hasil peramalan seperti kategori sangat bagus dengan nilai <10%, bagus dengan nilai 10%-20%, cukup dengan nilai 20-50% dan tidak bagus dengan nilai >50% [16].
3. Hasil dan Pembahasan 3.1. Data Histori Penumpang
Berikut adalah data histori yang digunakan pada penelitian ini, data histori dalam bentuk time series mingguan pada bulan Januari 2021 s/d April 2022 pada koridor I (K I), koridor II (K II), koridor III (K III) dan koridor IV (K IV) dapat dilihat pada Tabel 1.
Tabel 1. Data penumpang koridor I s/d IV
Minggu Bulan K I K II K III K IV
Tahun 2021
I Januari 5982 5606 4272 6623
II Januari 5177 6362 3083 5983
III Januari 5672 5823 3772 5156
IV Januari 6722 6044 4676 6165
I Februari 9373 7724 5732 8958
II Februari 9329 8325 5980 8905
III Februari 10090 8762 6809 10092
IV Februari 9895 8393 6953 10624
I Maret 12586 11157 9009 11545
II Maret 10454 8998 7400 8735
III Maret 11486 9835 8779 10906
IV Maret 10908 9354 6768 9912
I April 11859 9825 8513 9986
II April 11472 9350 9284 10643
III April 12645 9569 9951 10528
IV April 11374 9204 9952 10469
I Mei 11833 9498 8680 11227
II Mei 12701 9140 8570 12221
III Mei 13461 9865 8232 11419
IV Mei 14373 10151 8813 11091
I Juni 15787 11761 10517 11176
II Juni 14944 10620 10187 11089
III Juni 14527 10840 9937 10894
IV Juni 13560 9777 9566 10649
I Juli 11495 7421 7017 9132
II Juli 9525 6206 5548 7714
III Juli 8268 5510 4817 6945
IV Juli 8054 5562 5093 6738
I Agustus 8288 6053 5302 7571
II Agustus 8882 5979 5302 7300
III Agustus 8464 6280 5603 7475
IV Agustus 9177 6480 5424 7393
I September 10338 6964 5894 7744
II September 10285 7465 6221 7720
III September 10467 7463 6414 7796
IV September 10742 7941 6531 8241
Minggu Bulan K I K II K III K IV
I Oktober 11484 8301 6737 8882
II Oktober 11224 8729 6924 8616
III Oktober 11348 9178 6886 8726
IV Oktober 11216 9616 6506 9057
I Nopember 11512 9367 6201 9108
II Nopember 0 9458 7669 9722
III Nopember 0 9729 7583 9695
IV Nopember 0 9973 7446 10108
I Desember 11587 10103 7546 9947
II Desember 12132 10949 8078 10271
III Desember 12881 11209 7972 10005
IV Desember 13590 11488 8456 10436
Tahun 2022
I Januari 12827 9984 7155 10137
II Januari 13047 10363 7757 10904
III Januari 12786 9935 7625 10801
IV Januari 12951 10441 8003 11133
I Februari 12394 9793 7839 10662
II Februari 12543 9890 7533 10090
III Februari 11378 8890 7180 8249
IV Februari 11191 8843 7144 8532
I Maret 9718 8905 6906 7765
II Maret 11630 10012 7603 9234
III Maret 11865 10581 7857 9278
IV Maret 12400 10795 8704 9427
I April 12248 9884 8023 9433
II April 12312 9947 8071 9388
III April 12682 10118 7970 9419
IV April 13250 10752 8895 9562
Sumber: PT. Satria Trans Jaya (2023)
3.2. Metode Weighted Moving Average
Berdasarkan Tabel 2 bahwa hasil peramalan menggunakan metode Weighted Moving Average (WMA 3) dengan pemberian bobot 0,2;0,3;0,5 menghasilkan nilai MAPE 8,03% untuk koridor I, nilai MAPE 8,02% untuk koridor II, nilai MAPE 9,86% untuk koridor III dan nilai MAPE 7,08% untuk koridor IV. Metode ini mem-forecasting jumlah penumpang pada 48 periode berikutnya (bulan Mei 2022 s/d April 2023) relatif stabil atau sama yaitu pada koridor I sebesar 12.972 orang, koridor II sebesar 10.471 orang, koridor III sebesar 8.526 orang dan koridor IV sebesar 9.499 orang. Berikut dapat di lihat pada Gambar 2, Gambar 3 ,Gambar 4, Gambar 5 plot data penumpang dan hasil peramalan.
Gambar 2.Hasil peramalan koridor I WMA dengan python Sumber : Hasil pengolahan data (2023)
Gambar 3. Hasil peramalan koridor II WMA dengan python Sumber : Hasil pengolahan data (2023)
Gambar 4. Hasil peramalan koridor III WMA dengan python Sumber : Hasil pengolahan data (2023)
Gambar 5. Hasil peramalan koridor IV WMA dengan python Sumber : Hasil pengolahan data (2023)
3.3. Metode Double Exponential Smoothing (DES)
Berdasarkan Tabel 2 bahwa hasil peramalan Double Exponential Smoothing pada koridor I dengan 𝛼 = 0,96 dan 𝛽 = 0,14 dengan hasil nilai MAPE 7,41%, koridor II dengan 𝛼 = 0,83 dan 𝛽 = 0,59 dengan hasil nilai MAPE 7,05%, koridor III dengan 𝛼 = 0,96 dan 𝛽 = 0,33 dengan hasil nilai MAPE 9,83%, koridor IV dengan 𝛼 = 0,77 dan 𝛽 = 0,43 dan hasil nilai MAPE 6,37%. Metode ini mem-forecasting jumlah penumpang pada 48 periode berikutnya (bulan Mei 2022 s/d April 2023) relatif meningkat/naik lurus.
Berikut dapat dilihat pada Gambar 6, Gambar 7, Gambar 8, Gambar 9 plot data penumpang dan hasil peramalan. Tabel 3 adalah hasil peramalan 48 periode berikutnya.
Gambar 6. Hasil peramalan koridor I DES dengan python Sumber : Hasil pengolahan data (2023)
Gambar 7. Hasil peramalan koridor II DES dengan python Sumber : Hasil pengolahan data (2023)
Gambar 8. Hasil peramalan koridor III DES dengan python Sumber : Hasil pengolahan data (2023)
Gambar 9. Hasil peramalan koridor IV DES dengan python Sumber : Hasil pengolahan data (2023)
3.4. Hasil Perbandingan Nilai Akurasi
Perbandingan hasil nilai akurasi antara metode Double Exponential Smoothing dan Weighted Moving Average untuk mengetahui metode yang tepat digunakan dalam penelitian peramalan ini dilihat dari hasil nilai MAPE yang paling terkecil. Pada Penelitian ini metode yang tepat adalah Double Exponential Smoothing. Berikut dapat dilihat pada Tabel 2.
Tabel 2. Perbandingan nilai akurasi MAPE
Metode Koridor I Koridor II Koridor III Koridor IV
WMA 8,03% 8,02% 9,86% 7,08%
DES 7,41% 7,05% 9,83% 6,37%
Sumber : Data diolah (2023)
3.5. Hasil Peramalan Periode Mendatang dengan Metode Peramalan yang Tepat
Berdasarkan hasil akurasi MAPE bahwa Double Exponential Smoothing adalah metode yang tepat digunakan pada penelitian ini dibandingkan Weighted Moving Average. Berikut adalah hasil peramalan penumpang 48 periode mendatang pada minggu pertama bulan Mei 2022 hingga minggu keempat di bulan April 2023 dengan Double Exponential Smoothing. Berikut dapat dilihat pada Tabel 3.
Tabel 3. Hasil peramalan penumpang 48 periode mendatang menggunakan python No. Koridor I Koridor II Koridor III Koridor IV
1. 13.408 10977 9149 9611
2. 13.582 11316 9438 9677
3. 13.756 11655 9727 9744
4. 13.930 11994 10016 9811
5. 14.103 12333 10305 9878
6. 14.277 12672 10594 9945
7. 14.451 13012 10883 10012
8. 14.625 13351 11172 10078
9. 14799 13690 11461 10145
10. 14973 14029 11750 10212
11. 15147 14368 12039 10279
12. 15320 14707 12328 10346
13. 15494 15046 12617 10413
14. 15668 15385 12906 10479
15. 15842 15725 13195 10546
16 16016 16064 13484 10613
17. 16190 16403 13773 10680
18. 16364 16742 14062 10747
19. 16538 17081 14351 10814
20. 16711 17420 14640 10880
21. 16885 17759 14929 10947
22. 17059 18098 15218 11014
23. 17233 18438 15507 11081
No. Koridor I Koridor II Koridor III Koridor IV
24. 17407 18777 15796 11148
25. 17581 19116 16085 11215
26. 17755 19455 16374 11281
27. 17929 19794 16663 11348
28. 18102 20133 16952 11415
29. 18276 20472 17241 11482
30. 18450 20811 17531 11549
31. 18624 21151 17820 11615
32. 18798 21490 18109 11682
33. 18972 21829 18398 11749
34. 19146 22168 18687 11816
35. 19319 22507 18976 11883
36. 19493 22846 19265 11950
37. 19667 23185 19554 12016
38. 19841 23525 19843 12083
39. 20015 23864 20132 12150
40. 20189 24203 20421 12217
41. 20363 24542 20710 12284
42. 20537 24881 20999 12351
43. 20710 25220 21288 12417
44. 20884 25559 21577 12484
45. 21058 25898 21866 12551
46. 21232 26238 22155 12618
47. 21406 26577 22444 12685
48. 21580 26916 22733 12752
Sumber : Hasil pengolahan data (2023)
4. Kesimpulan
Penelitian ini tentang prediksi jumlah penumpang bus Trans Metro Dewata pada PT. Satria Trans Jaya menggunakan metode Weighted Moving Average dan Double Exponential Smoothing dengan pola data fluktuaktif namun kecenderungan tren meningkat. Hasil nilai akurasi MAPE menunjukkan metode Double Exponential Smoothing merupakan metode paling tepat digunakan pada setiap koridor karena menghasilkan nilai MAPE terkecil, yaitu koridor I 7,41%, koridor II 7,05%, koridor III 9,83% dan koridor IV 6,37% dengan jumlah penumpang yang meningkat lurus pada 48 periode mendatang.
5. Ucapan Terima Kasih
Puji Syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas karunia-Nya penyusunan penelitian ini dapat berjalan dengan lancar serta dapat diselesaikan dan peneliti juga mengucapkan terimakasih kepada semua pihak yang sudah mendukung pelaksanaan penelitian ini.
6. Daftar Pustaka
[1] R. N. T. Amboro, N. P. S. H. Saptari and N. P. P. Syanthi, Provinsi Bali Dalam Angka 2022. 2022.
[2] Mustakim and C. Seftarita, “Willingnes To Accept Masyarakat Menggunakan Transportasi Online,”
Jurnal Ilmiah Mahasiswa Ekonomi Pembangunan, vol. 3, no. 2, pp. 177–184, 2018.
[3] S. Sugianto and M. A. Kurniawan, “Tingkat Ketertarikan Masyarakat Terhadap Transportasi Online, Angkutan Pribadi dan Angkutan Umum Berdasarkan Persepsi,” J. Teknol. Transp. dan Logistik, vol. 1, no. 2, pp. 51–58, 2020.
[4] A. Lusiana and P. Yuliarty, “Penerapan Metode Peramalan (Forecasting) Pada Permintaan Atap di PT X,” Tek. Ind. ITM Malang, p. 20, 2020.
[5] R. Rachman, “Penerapan Metode Moving Average and Exponential Smoothing Pada Peramalan Produksi Industri Garment,” J. Inform., vol. 5, no. 2, pp. 211–220, 2018.
[6] V. Simanjuntak and E. Susanti, “Analisis Peramalan Permintaan Produk Palet Kayu Pada CV Barokah Utama,” J. Comasie, vol. 06, no. 02, pp. 107–119, 2022.
[7] M. Ridwan, H. Purnomo and N. Oktyajati, “Peramalan Produksi Beras di Provinsi Jawa Tengah,”
Tekinfo J. Ilm. Tek. Ind. dan Inf., vol. 9, no. 2, pp. 114–126, 2021.
[8] R. Awanda and K. Oktafianto, “Peramalan Permintaan Paving Menggunakan Metode Weighted Moving Average dan Exponential Smoothing,” MathVision: Jurnal Matematika, vol. 03, no. 01, pp.
14–18, 2021.
[9] H. Syafwan, F. Siagian, P. Putri, M. Handayani, S. H. Tinggi Manajemen Informatika and Komputer Royal Jln M Yamin No, and S. Utara, “Forecasting Jumlah Pengangguran di Kabupaten Asahan Menggunakan Metode Weighted Moving Average,” J. Tek. Inform. Kaputama, vol. 5, no. 2, pp.
224–229, 2021.
[10] Wati, D. F. K. Peramalan jumlah penumpang keberangkatan bus di Terminal Purabaya menggunakan Metode SARIMA (Seasonal Autoregressive Integrated Moving Average) (Doctoral dissertation, UIN Sunan Ampel Surabaya). 2020.
[11] S. Agustian and H. Wibowo, “Perbandingan Metode Moving Average Untuk Prediksi Hasil Produksi Kelapa Sawit,” Semin. Nas. Teknol. Informasi, Komun. dan Ind., no. November 2019, pp.
156–162, 2019.
[12] M. R. Qisthiano, T. B. Kurniawan, E. S. Negara and M. Akbar, “Pengembangan Model Untuk Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu dengan Metode Naïve Bayes,” Jurnal Media Informatika Budidarma, vol. 5, no. 3, pp. 987–994, 2021.
[13] S. R. Pratama and A. H. Mirza, “Penerapan Data Mining Untuk Memprediksi Tingkat Inflasi Menggunakan Metode Regresi Linier Berganda Pada BPS Kota Palembang,” In Bina Darma Conference on Computer Science (BDCCS), pp. 245–255, 2021.
[14] E. F. Telaumbanua and Nurviana, “Peramalan Jumlah Penduduk Miskin Di Kabupaten Aceh Tamiang Menggunakan Metode Exponential Smoothing,” JURNAL GAMMA-PI, vol. 4, pp. 31–35, 2022.
[15] R. Riyanto, F. R. Giarti and S. E. Permana, “Sistem Prediksi Menggunakan Metode Weight Moving Average Untuk Penentuan Jumlah Order Barang,” J. ICT Inf. Commun. Technol., vol. 16, no. 2, pp.
37–42, 2017.
[16] M. T. Siregar, G. Made, A. Sasmita, G. Agung and A. Putri, “Perbandingan Analisis Metode Peramalan Jumlah Kasus Penyakit Menular di Kota Bandung (Studi Kasus : Dinas Kesehatan Kota Bandung),” vol. 3, no. 1, 2022.
