Peramalan Kebutuhan Internet Service PT Telkom Menggunakan

Analisis Time Series

1.

Pendahuluan
PT Telkom, satu-satunya perusahaan telekomunikasi milik negara di

Indonesia, menyediakan sejumlah produk dan jasa telekomunikasi, yang meliputi

layanan internet akses ke pengguna melalui Speedy. Namun, meskipun pertumbuhan
dan ekspansi, Realisasi penjualan tahunan Speedy tidak pernah mencapai target
penjualan sejak 2011. Penjualan realisasi untuk Speedy telah menurun sejak 2011.
Hal ini disebabkan oleh beberapa faktor yang antara lain terkait dengan
ketidakmampuan PT Telkom untuk memperkirakan permintaan. Saat ini, PT Telkom
menggunakan pendekatan permintaan mikro untuk prediksi permintaan mereka, yang
didasarkan pada survei ke daerah perumahan yang potensial. Pendekatan permintaan
mikro dapat diimplementasikan dalam dua jenis konstruksi jaringan. Jenis pertama,
New Line,digunakan untuk daerah yang tidak memiliki jaringan telepon dan kabel
sama sekali. Tipe kedua, terakhir Mile Ekspansi (LME), digunakan untuk daerah
yang sudah memiliki jaringan telepon atau kabel dan ada beberapa rumah baru di
daerah itu. Namun, ada beberapa kelemahan pendekatan mereka saat ini. Masalah
utama dari pendekatan permintaan mikro PT Telkom adalah bahwa prediksi tidak
mempertimbangkan tinggal ada. Ada kebutuhan untuk meningkatkan pendekatan
peramalan berdasarkan permintaan historis yang dapat mencakup para pengguna
potensial tinggal di kediaman yang ada. Oleh karena itu, hal ini studi penelitian dan
analisis alternatif pendekatan, berdasarkan metode Time Series, dalam memprediksi
permintaan Speedy di Timur Wilayah Bandung. Selain itu, kami menyelidiki metode
peramalan yang menggabungkan nyata permintaan dan permintaan mikro data.
Lima metode yang digunakan dalam penelitian ini, termasuk Moving
Average, Exponential Smoothing, Holt Model, ARIMA, dan Fungsi Transfer. Berarti
kesalahan mutlak (MAE) dan

kesalahan persentase absolute (MAPE) yang

digunakan sebagai ukuran untuk membandingkan kinerja metode ini. Ada dua data
time series yang digunakan dalam penelitian ini, yang meliputi permintaan bulanan
Speedy dari tahun 2011 hingga 2013 dan PT Telkom mikro.

2.

Studi Literatur
Peramalan permintaan untuk layanan internet yang dibahas dalam beberapa

karya

menggunakan

berbeda

metode.

Karya

Chvalinadisajikan

permintaan

pemodelan Asymetric Digital Subscriber Line di Republik Ceko menggunakan

pendekatan time series. Perkiraan jangka pendek adalah belajar dan metode statistik
dan Neural Networks diterapkan. Karya Yannelis, Christopoulos, dan Kalantzis
disajikan peramalan permintaan ADSL dan ISDN jasa di Yunani menggunakan
metode yang berbeda. Dalam tulisan ini kita membahas permintaan peramalan
layanan internet PT Tekom didasarkan pada analisis time series, termasuk Moving
Average, Exponential Smoothing, Holt Model, ARIMA, dan Fungsi Transfer.
Perbandingan dengan karya-karya di atas Chvalina dan Yannelis. Tulisan ini
menyediakan metode peramalan berdasarkan Fungsi Transfer yang menggabungkan
permintaan riil dan permintaan mikro.
a.

Moving Average
Moving average tunggal adalah rata-rata dari sejumlah konstan pengamatan.

Ini berarti didasarkan pada jumlah yang sama pengamatan dalam rentang waktu geser
yang bergerak titik asal satu periode waktu pada suatu waktu, dari awal sampai yang
paling terbaru dari seri pengamatan. Jumlah observasi digunakan untuk perhitungan
mean disebut urutan seri. Rata-rata yang dihitung dan dicatat untuk nomor ini
pengamatan dari awal sampai akhir seri. Metode moving average untuk waktu
peramalan seri didasarkan pada data.
b.

Exponential Smoothing
Pemulusan eksponensial menggunakan rata-rata tertimbang dari data masa

lalu. Pengaruh pengamatan baru-baru ini diperkirakan menurun secara eksponensial

dari waktu ke waktu. Bagian belakang lebih lanjut sepanjang jalan sejarah waktu satu

perjalanan, kurang pengaruh setiap pengamatan memiliki pada perkiraan. Untuk

mewakili penurunan geometris ini pengaruh, seorang eksponensial Skema
pembobotan diterapkan dalam prosedur disebut sebagai sederhana (tunggal)
pemulusan eksponensial.
c.

Holts Model
Untuk memahami perhitungan tren di pemulusan eksponensial, kami juga

harus memahami bahwa perhitungan pemulusan eksponensial hanya rata-rata

tertimbang dua ukuran hal yang sama. Dalam rumus pemulusan eksponensial asli, Dt
merupakan salah satu ukuran permintaan terakhir (demand periode lalu) dan Ft
adalah ukuran lain permintaan masa lalu (rata-rata tertimbang dari permintaan di
semua periode sebelum t). Dengan demikian, kita mengambil rata-rata tertimbang
dari dua ukuran yang sama hal. Kita sekarang akan melakukan hal yang sama untuk
trend-dikoreksi eksponensial smoothing.
d.

ARIMA
ARIMA Prosedur analisis dan prakiraan sama spasi univariat time series data,

data fungsi transfer, dan data intervensi dengan menggunakan autoregressive yang
terpadu rata-rata bergerak (ARIMA) atau autoregressive moving-rata (ARMA)
Model ARIMA memprediksi nilai dalam time series masalah dengan linear
kombinasi nilai masa lalu sendiri, kesalahan masa lalu (juga disebut guncangan atau
inovasi), nilai-nilai dan saat ini dan masa lalu time series lainnya. Urutan model
ARIMA adalah biasanya dilambangkan dengan notasi ARIMA (p, d, q), di mana p
adalah urutan autoregressive, d adalah urutan differencing, dan q adalah urutan yang
bergerak rata rata.
e.

Fungsi Transfer
Dalam banyak kasus, time series tidak hanya berkaitan dengan masa lalu

sendiri, tetapi juga mungkin dipengaruhi oleh nilai-nilai sekarang dan masa lalu dari
time series lainnya. Sebuah model yang dapat mengakomodasi situasi seperti ini
disebut sebagai model fungsi transfer. Transfer fungsi untuk pemodelan time series
adalah cara multivariat pemodelan berbagai struktur lag ditemukan dalam data.

Transfer sederhana model fungsi menganggap hubungan antara jelas (input) variabel
dependen dan variabel independen.
f.

Kesalahan Peramalan
Beberapa langkah-langkah yang digunakan dalam praktek untuk menghitung

kesalahan perkiraan keseluruhan, termasuk kesalahan mutlak berarti (MAE) dan ratarata error persen absolut (MAPE). MAE, disebut juga MAD (mean deviasi absolut),
dihitung dengan mengambil jumlah dari nilai absolut dari kesalahan individu
perkiraan (penyimpangan) dan membagi oleh jumlah periode data (n).
Masalah dengan MAE adalah bahwa nilainya tergantung pada besarnya item
yang perkiraan. Jika item perkiraan diukur dalam ribuan, nilai MAE bisa sangat
besar. Untuk menghindari masalah ini, kita bisa menggunakan MAPE. Hal ini
dihitung sebagai rata-rata dari perbedaan mutlak antara nilai diperkirakan dan aktual,
yang dinyatakan sebagai persentase dari nilai yang sebenarnya. Artinya, jika kita
telah diperkirakan dan nilai-nilai aktual untuk n periode.

3.

Metodologi Penelitian
Data yang digunakan dalam peramalan permintaan terdiri dari hasil

permintaan mikro PT Telkom dari tahun 2011 hingga 2013 dan permintaan bulanan
untuk Speedy dari tahun 2011 sampai tahun 2013 di Timur Wilayah Bandung.
Dilakukan permintaan peramalan untuk Speedy di Bandung Timur daerah
menggunakan lima metode, yang terdiri dari Moving Average, Exponential
Smoothing, Holt Model, ARIMA. SAS / JMP dan Microsoft Excel yang digunakan
sebagai alat untuk time series peramalan. Secara khusus, SAS / JMP digunakan untuk
meramalkan kebutuhan berdasarkan ini metode, kecuali Moving Average yang
dihitung dengan menggunakan MS Excel.
Data Time series permintaan yang sebenarnya diterapkan untuk meramalkan
diprediksi permintaan di Moving Average, Exponential Smoothing, Holt Model, dan
ARIMA. Dalam kasus Fungsi Transfer, time series permintaan yang sebenarnya
dianggap sebagai output dan mikro permintaan time series dianggap sebagai input.

Setelah prakiraan dilakukan, hasilnya dianalisis dengan membandingkan

kesalahan masing-masing pendekatan. Berarti kesalahan mutlak (MAE) dan berarti
kesalahan persentase absolute (MAPE) yang diterapkan sebagai tindakan untuk
membandingkan kinerja lima metode. Semakin kecil MAE dan MAPE, semakin baik
akurasi metode peramalan.
Hasil peramalan permintaan Speedy menggunakan Moving Average,
Exponential Smoothing, Holt Model, ARIMA, dan Fungsi Transfer disajikan. Itu
data permintaan historis dan mikro juga menunjukkan dalam bentuk grafik

Gambar 3.1 MenunjukkanData Historis Permintaan Bulanan untuk Speedy di

Wilayah Bandung Timur dari 2011 sampai 2013

Hasil survei permintaan mikro untuk Speedy di wilayah Bandung Timur dari
2011 sampai 2013. Tidak ada tanggal yang tepat pada saat survei dilakukan pada
rekapitulasi. Karena terbatasnya ketersediaan data, hasil permintaan mikro bulanan
dirata-ratakan untuk setiap empat bulan. Hasil survei dapat dilihat pada gambar 3.2.

Gambar 3.2 Hasil Permintaan Mikro Speedy di Wilayah Bandung Timur

Grafik perbandingan antara permintaan riil dan permintaan diperkirakan untuk

Speedy di Wilayah Bandung Timur berdasarkan metode Moving Average
ditunjukkan pada Gambar 3.3. Sebagai jelas dari angka ini, kurva permintaan
diprediksi cenderung tertinggal beberapa bulan dari permintaan yang sebenarnya.

Gambar 3.3 Realisasi vs Prediksi Permintaan Speedy Service dengan

Menggunakan Moving Average

Grafik perbandingan antara permintaan riil dan permintaan diperkirakan untuk

Speedy di Wilayah Bandung Timur menggunakan Fungsi Transfer ditunjukkan pada
Gambar 3.4. Untuk keperluan peramalan permintaan dengan metode Fungsi Transfer,
dalam prakteknya diperlukan masukan. Data tersedia dalam periode perkiraan masa

depan. Oleh karena itu, dalam Transfer Function ini, kami menggunakan prediksi
permintaan mikro sebagai input data untuk periode perkiraan masa depan.

Gambar 3.4. Realisasi vs Prediksi Permintaan Speedy menggunakan Fungsi

Transfer
Grafik perbandingan antara permintaan riil dan permintaan diprediksi untuk Speedy
di wilayah Bandung Timur menggunakan Smoothing eksponensial sederhana dengan
= 0,9. Sebagai ditunjukkan dalam grafik, kurva permintaan diprediksi cenderung
tertinggal satu bulan dari permintaan yang sebenarnya. Grafik dapat dilihat pada
Gambar 3.5.

Gambar 3.5 Realisasi vs Prediksi Permintaan Speedy Service dengan

menggunakan Exponential Smoothing

Kesalahan perbandingan dari semua metode di atas disajikan dalam diskusi

berikutnya. Gambar 3.6. menunjukkan perbandingan MAE untuk peramalan
permintaan Speedy di Timur Wilayah Bandung, sedangkan Gambar 3.7 menunjukkan
perbandingan MAPE permintaan Speedy peramalan di daerah Bandung Timur.Seperti
terlihat pada grafik, Moving Average pendekatan memiliki kesalahan tertinggi
dengan MAE dari 603,7 dan MAPE dari 40,33%. Kedua ARIMA (3,1,3) dan ARIMA
(2,1,0) memiliki hasil yang lebih baik daripada Exponential Smoothing dan Holt
Model dalam hal dari MAE dan MAPE. Holt Model, dengan MAE dari 374,54 dan
MAPE dari 29,07%, memiliki sedikit kesalahan lebih tinggi dari Exponential
Smoothing, dengan MAE dari 314,81 dan MAPE dari 22,93%. Sebagai ditunjukkan
pada Gambar 3.6. , ARIMA (3,1,3), dengan MAE dari 272,58, memiliki kesalahan
sedikit lebih rendah dalam hal dari MAE dari ARIMA (2,1,0), dengan MAE dari
277,02. Di sisi lain, ARIMA (2,1,0), dengan MAPE dari 20,68%, memiliki kesalahan
lebih rendah dalam hal MAPE dari ARIMA (3,1,3), dengan MAPE dari 21,62%,
seperti yang ditunjukkan pada Gambar 3.7. Dalam kedua grafik, pendekatan Fungsi
Transfer memiliki kesalahan terendah dengan MAE dari 194,96 dan MAPE dari
12,86%. Hal ini menunjukkan bahwa transfer Fungsi merupakan pendekatan yang
paling cocok untuk peramalan permintaan Speedy di Bandung Timur.

Gambar 3.6. MAE Perbandingan untuk Peramalan Permintaan Speedy

Gambar 3.7. MAPE Perbandingan untuk Peramalan Permintaan Speedy

4.

Kesimpulan
Artikel ini mempelajari lima metode peramalan berdasarkan analisis Time

Series untuk memprediksi permintaan Speedy di wilayah Bandung Timur, termasuk

Moving Average, Exponential Smoothing, Holt Model, ARIMA, dan Fungsi
Transfer. Menunjukkan kesalahan pengukuran yang Fungsi Transfer adalah
pendekatan yang paling cocok untuk peramalan permintaan Speedy di Wilayah
Bandung Timur. Hal ini disebabkan fakta bahwa Fungsi Transfer memiliki kesalahan
terendah dengan MAE dari 194,96 dan MAPE dari 12,86%. Di antara metode-metode
di atas, Fungsi Transfer adalah satu-satunya yang menggabungkan permintaan
historis Speedy dan permintaan mikro. Berbeda dengan yang lain empat metode yang
hanya mempertimbangkan permintaan time series yang sebenarnya, Transfer
Function memperlakukan time series permintaan aktual sebagai output dan
permintaan mikro time series sebagai masukan. Itu masukan permintaan mikro dalam
metode Fungsi Transfer kontribusi untuk menghasilkan peramalam yang lebih akurat,
seperti yang ditunjukkan oleh MAE dan MAPE yang dihasilkan.

Metode ARIMA diterapkan dengan menggunakan dua pendekatan, dengan

nilai yang berbeda dari Autoregressive Order (p) dan Moving Average Order (q).
Kedua pendekatan memiliki lebih rendah MAE dan MAPE dari Exponential
Smoothing, Holt Model, dan Moving Average. Ini merupakan yang utama karena
fakta bahwa itu menggabungkan Moving Average dan Autoregressive teknik. Pada
masa yang kaan datang akan sangat berguna untuk melakukan peramalan dengan
metode transfer Fungsi input tambahan yang memiliki hubungan kausal dengan
permintaan yang sebenarnya, seperti PDRB (Produk Domestik Regional Bruto),
untuk mendapatkan hasil yang lebih akurat. Lebih Lanjut, metode peramalan
dipelajari dalam penelitian ini dapat diperluas untuk mencakup daerah lain dan area
bisnis. Metode peramalan yang sama juga dapat diterapkan untuk lainnya PT Produk
dan layanan Telkom.