0

LAPORAN PRAKTIKUM

Kelas

ANALISIS RUNTUN WAKTU

MODUL : 2
SINGLE EXPONENTIAL SMOOTHING DAN HOLT-WINTER EXPONENTIAL
SMOOTHING

Nama

Nomor

Tanggal

Tanda Tangan

Praktikan

Mahasiswa

Kumpul

Praktikan

Slamet Abtohi

13611198

4 April 2016

Nama Penilai

Tanggal
Koreksi

Nilai

Tanda Tangan
Asisten

Dosen

Asriyanti Ali
Sri Siska Wirdaniyati
Arum Handini
Primandari, S.Pd.Si,
M.Sc.
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2015

BAB I
PENDAHULUAN

1.1

Single Exponential Smoothing

Smoothing adalah mengambil rata-rata dari nilai pada beberapa periode
untuk menaksir nilai pada suatu periode. Exponential Smoothing adalah
suatu metode peramalan rata-rata bergerak yang melakukan pembobotan
menurun secara eksponensial terhadap nilai-nilai observasi yang lebih tua.
Single Exponential Smoothing (SES) merupakan salah satu prosedur
mengulang perhitungan (untuk peramalan) secara terus-menerus dengan
menggunakan data terbaru. Metode ini baik digunakan ketika data tidak
dipengaruhi secara signifikan oleh faktor trend dan musiman. Setiap data
diberi bobot tertentu dengan data yang lebih baru diberi bobot yang lebih
besar dari data lama, disinilah letak keeksponensialan metode. Bobot yang
digunakan untuk data paling baru adalah dan data yang lebih lama diberi
bobot (-1) dengan alfa antara 0 sampai 1. Secara matematis dituliskan
Ft+1 = Xt + (1-)Ft atau dapat dituliskan:
Prediksi baru = (data baru) + (1-) (prediksi lama)

1.2

Holt Winters
Metode peramalan Holt-Winters merupakan gabungan dari metode Holt
dan metode Winters, digunakan untuk peramalan jika data memiliki
komponen trend dan musiman.
Metode Holt-Winters didasarkan pada tiga persamaan penghalusan,
yakni persamaan penghalusan keseluruhan, penghalusan trend, dan
persamaan penghalusan musiman. Formula yang digunakan dalam HoltWinters adalah sebagai berikut :

Penghalusan keseluruhan

Lt

yt
1 Lt 1 bt 1
S t s

Pemulusan Trend
bt Lt Lt 1 1 bt 1

Pemulusan musiman

St

yt
1 S t 1
Lt

Nilai prediksi untuk 1 periode

Ft m Lt bt S t 1s

Nilai prediksi untuk m periode

Ft m Lt bt mS t 1s

Dengan inisialisasi sebagai berikut :

Ls

1 s
yi
s i 1

y y3
1 y y1 y s 2 y 2
bs s 1

... s 3

s
s
s
s

Si

yi
; i 1,2,..., s
Ls

BAB II
DESKRIPSI KERJA

Pada bab ini praktikan akan mendeskripsikan langkah-langkah kerja dalam

melakukan peramalan menggunakan metode Single Exponential Smoothing dan
Holt Winter Exponential Smoothing dengan menggunakan software Eviews dan
Microsoft Excel.
2.1 Studi Kasus
1.

Berikut adalah data Jakarta Composite Index (JKSE) dari tanggal 20

Februari 2015 sampai 27 Mei 2015.
Tabel 2.1 Data Jakarta Composite Index (JKSE)
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

Date
2/20/2015
2/23/2015
2/24/2015
2/25/2015
2/26/2015
2/27/2015
3/2/2015
3/3/2015
3/4/2015
3/5/2015
3/6/2015
3/9/2015
3/10/2015
3/11/2015
3/12/2015
3/13/2015
3/16/2015
3/17/2015
3/18/2015
3/19/2015
3/20/2015
3/23/2015
3/24/2015

Close
5400.104
5403.277
5417.314
5445.108
5454.796
5450.294
5477.831
5474.619
5448.059
5450.947
5514.787
5444.634
5462.928
5419.566
5439.832
5426.466
5435.271
5439.153
5413.151
5453.854
5443.065
5437.098
5447.648

No.
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56

Date
4/9/2015
4/10/2015
4/13/2015
4/14/2015
4/15/2015
4/16/2015
4/17/2015
4/20/2015
4/21/2015
4/22/2015
4/23/2015
4/24/2015
4/27/2015
4/28/2015
4/29/2015
4/30/2015
5/4/2015
5/5/2015
5/6/2015
5/7/2015
5/8/2015
5/11/2015
5/12/2015

Close
5500.9
5491.34
5447.409
5419.107
5414.547
5420.733
5410.644
5400.803
5460.573
5437.119
5436.209
5435.355
5245.446
5242.157
5105.563
5086.425
5141.137
5160.308
5184.95
5150.486
5182.213
5172.482
5205.612

24
25
26
27
28
29
30
31
32
33

3/25/2015
3/26/2015
3/27/2015
3/30/2015
3/31/2015
4/1/2015
4/2/2015
4/6/2015
4/7/2015
4/8/2015

5405.489
5368.8
5396.854
5438.656
5518.675
5466.867
5456.399
5480.031
5523.29
5486.584

57
58
59
60
61
62
63
64
65
66

5/13/2015
5/15/2015
5/18/2015
5/19/2015
5/20/2015
5/21/2015
5/22/2015
5/25/2015
5/26/2015
5/27/2015

5246.133
5227.096
5237.811
5269.371
5292.749
5313.208
5315.153
5288.362
5320.901
5253.388

Berdasarkan data tersebut:

a.
Metode apakah yang terbaik dalam meramalkan harga Close Jakarta
Composite Index (JKSE) dan sebutkan alasannya?
b.

Berapakah hasil peramalan harga Close Jakarta Composite Index

(JKSE) untuk tanggal 28 Mei 2015?

2.

Berikut adalah data hasil penjualan produk A di Toko B dari tahun 20112015:
Tabel 2.2 Data Penjualan Produk A (Unit)
Year Quarterly
2011
1
2
3
4
2012
1
2
3
4
2013
1
2
3
4
2014
1
2
3
4

No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

Sales
3505
2005
1505
4005
5505
3505
2505
5505
5505
4005
3505
6005
7505
5005
4005
6505

2015

1
2
3
4

17
18
19
20

8505
6005
4505
7005

Keterangan:
Quarterly 1: Januari-Maret
Quarterly 2: April-Juni
Quarterly 3: Juli-September
Quarterly 4: Oktober-Desember
Berdasarkan data tersebut:
a.

Metode apakah yang terbaik dalam meramalkan data penjualan

produk A di Toko B dan sebutkan alasannya?

b.

Apabila diberikan 3 parameter pertama yaitu

= 0.02, =

0.001, dan
= 0.001 dan 3 parameter kedua yaitu = 0.05, = 0.02, dan =
0.02, maka parameter manakah yang dapat memberikan hasil
peramalan terbaik dan sebutkan alasannya?
c.

Berapakah hasil peramalan data penjualan produk A di Toko B untuk

tahun 2016 kuartal 1 dan kuartal 2 ?

2.2 Langkah Kerja

Berikut adalah langkah-langkah kerja dalam melakukan peramalan
menggunakan metode single moving average dan double moving average
dengan Microsoft Excel :
1.

Pada studi kasus pertama, praktikan akan melakukan peramalan data

dengan menggunakan software Eviews, dengan cara buka software
Eviews, klik menu File New Workfile kemudian pada kotak dialog
workfile create tentukan data specification seperti terlihat pada gambar
berikut :

Gambar 2.1 Menentukan date specification

2.

Klik OK, sehingga akan muncul kotak dialog workfile seperti berikut :

Gambar 2.2 Kotak dialog workfile

3.

Kemudian buat object baru dengan cara klik button object new object
sehingga akan muncul kotak dialog new object, selanjutnya tentukan tipe
objek sebagai series dan masukkan nama objek seperti pada gambar
berikut :

Gambar 2.3 Kotak dialog new object

4.

Klik OK, sehingga akan muncul objek baru pada kotak workfile dengan
nama JKSE. Kemudian double click pada object JKSE, sehingga akan

muncul kotak dialog series:JKSE. Klik button edit, kemudian inputkan

data seperti berikut :

Gambar 2.4 Menginputkan data

5.

Sebelum melakukan peramalan, praktikan akan melihat pola data

menggunakan grafik dengan cara klik button view graph klik OK

6.

Karena pola data tak beraturan, maka peramalan akan dilakukan dengan
menggunakan metode Single Exponential Smoothing (SES). Untuk
melakukan peramalan SES, dapat dilakukan dengan cara mengklik button
proc exponential smoothing sehingga akan muncul kotak dialog
exponential smoothing. Pilih single pada bagian smoothing method, dan
pada smoothing parameters, nilai alpha ditentukan sebagai E untuk
mencari nilai alpha yang terbaik seperti gambar berikut :

Gambar 2.6 Menentukan metode SES

7.

Klik OK sehingga akan muncul hasil peramalan dengan metode SES.

8.

Pada kasus kedua, praktikan akan melakukan peramalan dengan

menggunakan microsoft excel. Sebelum melakukan peramalan, praktikan
akan melihat pola data menggunakan chart dengan cara memblok semua
data omzet, kemudian klik menu insert chart 2-D line Line with
markers seperti berikut :

Gambar 2.7 Membuat chart line

9.

Pola data membentuk pola trend dan musiman, sehingga praktikan akan
melakukan

analisis

dengan

menggunakan

metode

Holt-Winter

Exponential Smoothing. Untuk melakukan peramalan dengan metode

Holt-Winter

Exponential

Smoothing,

langkah

pertama

menginputkan data kedalam worksheet excel seperti berikut :

Gambar 2.8 Menginputkan data ke dalam worksheet excel

adalah

10

10. Kemudian, praktikan akan melakukan inisialisasi dengan mencari nilai

Ls, karena data yang digunakan merupakan data kuartal, maka inisialisasi
Ls akan diletakkan sejajar pada periode ke empat, yakni tahun 2011 pada
kuartal 4, dengan cara merata-ratakan data kuartal sebagai berikut :

Gambar 2.9 Menghitung nilai Ls

11. Setelah menghitung Ls, selanjutnya menghitung inisialisasi bs dengan
cara sebagai berikut :

Gambar 2.10 Menghitung nilai Bs

12. Langkah selanjutnya adalah menghitung inisialisasi Si, nilai Si dihitung
mulai dari data pertama hingga data keempat (kuartal), dengan cara
membagi nilai yi dengan inisialisasi Ls dengan rumus seperti berikut :

11

Gambar 2.11 Menghitung nilai Si

13. Tarik pointer hingga sejajar pada data keempat. Setelah selesai
menentukan inisialisasi, selanjutnya praktikan akan menghitung nilai
pemulusan.
14. Pada studi kasus kedua, diberikan 3 parameter pertama yaitu =
0.02, = 0.001, dan = 0.001, maka tuliskan nilai , , dan pada
worksheet seperti berikut :

Gambar 2.12 Menentukan nilai , , dan

15. Setelah menentukan nilai , , dan , kemudian hitung nilai Lt yakni nilai
pemulusan keseluruhan. Adapun nilai Lt diletakkan dibawah nilai Ls
dengan menggunakan rumus sebagai berikut :

12

Gambar 2.13 Menentukan nilai Lt

16. Langkah selanjutnya adalah menentukan nilai pemulusan trend (bt), nilai
bt diletakkan sejajar dengan Lt dengan rumus sebagai berikut :

Gambar 2.14 Menentukan nilai Bt

17. Kemudian menghitung nilai pemulusan musiman (St), dengan letak yang
sejajar dengan Lt dan bt, menggunakan rumus sebagai berikut :

Gambar 2.15 Menentukan nilai St

13

18. Setelah menentukan nilai pemulusan, selanjutnya dapat dilakukan

perhitungan nilai prediksi (Ft+m). Pada kasus yang kedua, praktikan akan
menghitung nilai prediksi pada kuartal 1 dan kuartal 2, nilai prediksi
diletakkan pada periode ke-lima, sebelum melakukan peramalan, terlebih
dahulu tarik pointer pada Lt, bt, dan St hingga diperoleh nilai pada
masing-masing Lt, bt, dan St sampai periode ke-20. Untuk menghitung
nilai prediksi dapat dilakukan dengan cara sebagai berikut :

Gambar 2.16 Menghitung nilai prediksi

19. Tarik pointer hingga diperoleh nilai prediksi pada kuartal 1, kemudian
untuk menghitung nilai prediksi pada kuartal 2 dapat dilakukan dengan
cara sebagai berikut :

Gambar 2.17 Menghitung nilai prediksi pada kuartal 2

14

20. Setelah selesai menghitung nilai prediksi, langkah selanjutnya adalah

menghitung nilai error untuk mencari SSE dan MSE, kemudian hitung
nilai APE untuk mencari MAPE.
21. Selanjutnya, menghitung ulang nilai prediksi dengan menggunakan
parameter kedua yaitu = 0.05, = 0.02, dan = 0.02. Untuk
melakukan perhitungan nilai prediksi tersebut, ulangi langkah 14 sampai
dengan 20 dengan mengganti nilai , , dan , kemudian bandingkan
hasil ramalannya.

BAB III
PEMBAHASAN

Pada bab ini praktikan akan menjelaskan hasil peramalan data pada studi
kasus 1 dan 2. Pada studi kasus 1, dilakukan peramalan pada data Jakarta
Composite Index (JKSE) dari tanggal 20 Februari 2015 sampai 27 Mei 2015
dengan menggunakan software eviews. Sebelum melakukan peramalan, praktikan
akan melihat pola data dengan melihat grafik, adapun output grafik dapat dilihat
pada gambar berikut :

Gambar 3.1 Pola data JKSE

Berdasarkan gambar 3.1 diatas, pola data membentuk pola yang tidak
beraturan, karena pola data tak beraturan, maka dilakukan analisis dengan
menggunakan metode Single Exponential Smoothing (SES). Adapun peramalan
dilakukan dengan menggunakan nilai alpha () yang terbaik. Dalam hal ini,
praktikan akan meramalkan harga Close Jakarta Composite Index (JKSE) untuk
satu periode kedepan, yakni tanggal 28 Mei 2015. Adapun hasil peramalan dapat
dilihat pada gambar 3.2 berikut :

15

16

Gambar 3.2 Output peramalan SES

Berdasarkan hasil ramalan diatas, diperoleh nilai alpha () yang terbaik
adalah sebesar 0,94 dengan hasil ramalan pada tanggal 28 mei 2015 adalah
sebesar 5257,327 dengan nilai RMSE sebesar 42,21.
Setelah diperoleh hasil peramalan pada studi kasus 1, selanjutnya praktikan
akan melakukan peramalan pada studi kasus 2 yakni data hasil penjualan produk
A di Toko B dari tahun 2011-2015. Pada studi kasus 2, peramalan dilakukan
dengan menggunakan software Microsoft Excel. Sebelum melakukan peramalan,
praktikan akan melihat pola data dengan menggunakan chart. Adapun pola
datanya dapat dilihat pada gambar berikut :

Data Penjualan
10000
8000
6000
4000
2000
0
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

Gambar 3.3 Grafik pola data penjualan

17

Pada gambar 3.3 diatas menunjukkan pola data trend dan musiman. Data
menunjukkan trend naik dan memiliki pola musiman kuartal. Berdasarkan
gambar, maka metode yang digunakan untuk analisis adalah metode Holt Winter
Exponential Smoothing. Pada studi kasus 2, praktikan akan melakukan peramalan
dengan menggunakan 2 acuan, yakni 3 parameter pertama dan 3 parameter kedua.
Pada parameter pertama, praktikan akan melakukan analisis dengan menggunakan
nilai = 0.02, = 0.001, dan = 0.001. Peramalan dilakukan dalam dua
periode kedepan, adapun hasil ramalannya dapat dilihat pada gambar berikut :

Gambar 3.4 Hasil ramalan HWES dua periode

Berdasarkan gambar 3.4, dengan menggunakan

nilai = 0.02, =

0.001, dan = 0.001 diperoleh nilai ramalan pada periode 1 sebesar 11488,42
dan pada periode kedua sebesar 11965,44. Adapun besarnya ukuran error
ditentukan dengan nilai SSE, MSE dan MAPE, dengan nilai masing-masing
nilainya adalah sebesar 61455245, 3840953 dan 20,85%. Berikut adalah grafik
perbandingan antara data asli dengan data ramalan :

Data Penjualan
15000
10000
5000
0
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2
Data Asli

Data Ramalan

Gambar 3.5 Grafik perbandingan data asli dengan data ramalan

18

Berdasarkan gambar 3.5, pola menunjukkan bahwa nilai ramalan pada 2

periode kedepan akan mengalami trend peningkatan, dan membentuk pola
musiman, dengan angka ramalan pada kuartal 1 sebesar 11488,42 dan pada
kuartal 2 sebesar 11965,44.
Selanjutnya, dengan menggunakan parameter , , dan yang berbeda, yakni
= 0.05, = 0.02, dan = 0.02 diperoleh hasil peramalan pada 2 periode
kedepan seperti terlihat pada gambar berikut :

Gambar 3.6 Hasil ramalan HWES 2 periode

Berdasarkan gambar 3.6, dengan menggunakan

nilai = 0.05, =

0.02, dan = 0.02 diperoleh nilai ramalan pada periode pertama sebesar
11279,75 dan pada periode kedua sebesar 11750,34 dengan besar nilai ukuran
error SSE adalah 59115735, nilai MSE sebesar 3694733 dan MAPE sebesar
20,61. Berikut adalah grafik perbandingan antara data asli dengan data ramalan :

Data Penjualan
15000
10000
5000
0
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2

Data Asli

Data Ramalan

Gambar 3.7 Perbandingan grafik data asli dengan data ramalan

19

Berdasarkan gambar 3.7, pola menunjukkan bahwa nilai ramalan pada 2

periode kedepan akan mengalami trend peningkatan, dan membentuk pola
musiman, dengan angka ramalan pada kuartal 1 sebesar 11279,75 dan pada
kuartal 2 sebesar 11750,34.
Berdasarkan hasil ramalan pada studi kasus yang kedua, dengan
membandingkan nilai ukuran error, maka diperoleh ramalan yang terbaik yakni
dengan nilai = 0.05, = 0.02, dan = 0.02. Dengan demikian hasil
peramalan 2 periode kedepan dengan metode HWES diperoleh nilai ramalan pada
kuartal 1 sebesar 11279,75 dan pada kuartal 2 sebesar 11750,34 dengan besar nilai
ukuran error SSE adalah 59115735, nilai MSE sebesar 3694733 dan MAPE
sebesar 20,61.

BAB IV
PENUTUP

Dari hasil pembahasan dapat disimpulkan beberapa hal yaitu adalah sebagai
berikut :
1) Metode yang terbaik dalam meramalkan harga Close Jakarta Composite
Index (JKSE) adalah metode Single Exponential Smoothing (SES), kaerna
data memiliki pola yang tidak beraturan.
2) Dengan menggunakan sebesar 0,94, hasil peramalan harga Close Jakarta
Composite Index (JKSE) untuk tanggal 28 Mei 2015 diperoleh sebesar
5257,327 dengan nilai RMSE sebesar 42,21.
3) Metode yang terbaik dalam meramalkan data penjualan produk A di Toko B
adalah metode Holt Winter Exponential Smoothing (HWES), karena pola data
berbentuk trend naik dan memiliki pola musiman.
4) Apabila diberikan 3 parameter pertama yaitu = 0.02, = 0.001, dan
= 0.001 dan 3 parameter kedua yaitu = 0.05, = 0.02, dan = 0.02,
maka parameter yang dapat memberikan hasil peramalan terbaik adalah
parameter dengan nilai = 0.05, = 0.02, dan = 0.02 karena memiliki
nilai ukuran error yang lebih kecil bila dibandingkan dengan menggunakan
= 0.02, = 0.001, dan = 0.001.
5) Hasil peramalan data penjualan produk A di Toko B untuk tahun 2016 kuartal
1 adalah sebesar 11279,75 dan pada kuartal kedua sebesar 11750,34 dengan
besar nilai ukuran error SSE adalah 59115735, nilai MSE sebesar 3694733
dan MAPE sebesar 20,61.

20

DAFTAR PUSTAKA

Anonim.2009.Petunjuk

Penggunaan

Zaitun

Time

Series.

zaitunsoftware.com/system/files/zaitunTS_IDmanual.pdf

http://www.
diakses

pada

tanggal 3 April 2016 pukul 22:52

Amora, Ria. Primandari, Arum H., dkk. 2016. Analisis Runtun Waktu.Yogyakarta:
FMIPA UII

21