TUGAS KULIAH

Nama Matakuliah

: Pemodelan dan Simulasi

Periode Tugas

: Tugas ke 1

Nilai

:5

Nama Tugas

: Pembuatan Model Time Series

Rincian Tugas
1. Mahasiswa melakukan install Aplikasi R Studio, R-Tin atau R.
2. Mahasiswa mempelajari cara penggunaannya.
3. Mahasiswa melakukan Install Packages yang dibutuhkan untuk pemodelan Time Series.
4. Mahasiswa mencari data di web www.bps.go.id untuk dianalisis.
5. Memilih salah satu metode Time Series yang akan digunakan untuk analisis, buat kode dalam
bahasa pemrograman R.
6. Melakukan analisis dan interpretasi luarannya.
7. Membuat laporan singkat hasil eksperimennya (seperti contoh).

Nama :
NIM :

CONTOH

Analisis Time Series Pola Hujan Kabupaten Boyolali Menggunakan Metode

Exponential Smoothing

40000
20000

Data Aktual

Curah Hujan

60000

Prediksi Curah Hujan 2012-2014 PHP V Surakarta

-20000

Data Prediksi

2002

2004

2006

2008

2010

2012

Tahun

Prediksi curah hujan menggunakan metode Holt-Winter pada tahun 2013 - 2014 menggambarkan
peningkatan secara berulang mengikuti pola musiman dan variasi siklus yang tetap sepanjang

tahun. Kisaran signifikasi prediksi adalah 50% sampai dengan 90% ,artinya metode Exponential
Smoothing sesuai untuk merepresentasikan pola variasi siklus data prediksi curah hujan di wilayah
studi dengan nilai adalah 0.18, adalah 0.05 dan adalah 0.34. Tingkat akurasi prediksi ME
adalah 871.86 dan MASE adalah 0.84.

Algoritma
Langkah 0 Inisialisasi deret data aktual dalam rentang waktu tertentu.
Simpan deret data aktual dalam array.
Inisialisasi nilai pemulusan (alfa), dengan rentang nilai antara 0 sampai dengan 1.

Fase I: menghasilkan pola prediksi dari nilai aktual

Langkah 1 Ulangi langkah 2-7 sampai jumlah data yang sudah diinputkan terpenuhi.
Langkah 2 Untuk tiap data lakukan proses sehingga dari nilai [i] akan menghasilkan prediksi [j]
(nilai aktual menghasilkan nilai prediksi).
Langkah 3 Ulangi langkah 4-7 sampai panjang data aktual terpenuhi.
Langkah 4 Pertama, triple exponential smoothing ini dilakukan sebanyak tiga kali pemulusan,
yang ditunjukkan oleh perintah:
Langkah 5

Hitung s1[i]=(alfa*nilai)+((1-alfa)*s1[i-1]) (Pemulusan tunggal)

Hitung s2[i]=(alfa*s1[i])+((1-alfa)*s2[i-1])(Pemulusan double)
Hitung s3[i]=(alfa*s2[i])+((1-alfa)*s3[i-1]))(Pemulusan triple)

Langkah 6

Hitung nilaiA[i]=(3*s1[i])-(3*s2[i])+$3[i]
Hitung nilaiB[i]= alfa/(2*((1-alfa)*(1-alfa))))*(((6(5*alfa)) *
s1[i])-((10-(8*alfa))*s2[i])+((4-(alfa*3))*s3[i]))
Hitung nilaiC[i]=((alfa*alfa)/(((1-alfa)*(1-alfa))))*(s1[i]-(2*s2[i])+s3[i])

Langkah 7

Hitung nilaiF[i]=nilaiA[i]+(nilaiB[i]*1)+(0.5*(nilaiC[i]*1*1))

Fase II: menghasilkan nilai prediksi sebanyak n periode

Langkah 8 Ulangi langkah 9-10 dari jumlah data (j) + 1.
Langkah 9 Load nilaiA[j], nilaiB[j], nilaiC[j].
Langkah 10
Hitung prediksi[j] = nilaiA[j]+(nilaiB[j]*periode)+(0.5*(nilaiC[j]*periode*periode)).

Daftar Pustaka