PERAMALAN DATA TIME SERIES RATA-RATA PRODUKSI GAS DI

INDONESIA METODE HOLT WINTER ADDITIVE

A. PENDAHULUAN
Peramalan
Peramalan (forecasting) merupakan pendugaan masa depan yang dilakukan
berdasarkan nilai masa lalu dari satu variabel. Peramalan sering diterapkan dalam bidang
pariwisata, investasi (saham), klimatologi, produksi pertanian, dsb. Peramalan
merupakan bagian penting bagi setiap organisasi bisnis untuk pengambilan keputusan
manajemen yang sangat signifikan.Ada banyak jenis-jenis peramalan, misalnya Metode
Penghalusan Eksponensial Holt-Winters.
Penghalusan eksponensial
Penghalusan eksponensial merupakan suatu model peramalan rata-rata bergerak
yang melakukan pembobotan terhadap data masa lalu dengan cara eksponensial sehingga
data paling akhir mempunyai bobot atau timbangan lebih besar dalam rata-rata bergerak.
Metode penghalusan eksponensial telah digunakan selama beberapa tahun sebagai suatu
metode yang sangat berguna pada begitu banyak situasi peramalan.
1. Metode pemulusan yang paling sederhana adalah Single Exponential Smoothing
(SES), dimana hanya terdapat satu parameter yang perlu diestimasi.
2. Holtsmethod menggunakan dua parameter berbeda yang mengakomodasi peramalan
pada data menggunaka trend.
3. Holt-Winters method menggunakan

tiga

parameter

pemulusan:

konstanta

pemulusan, parameter untuk trend, dan parameter untuk musiman. Pada dasarnya
terdapat dua tipe metode Holt-Winter exponential yaitu Additive dan Multiplicative.
Penentuan pemakaian model adalah berdasarkan pada plot data yang ingin
diramalkan.
Metode ini lebih unggul dibandingkan metode-metode lainnya. Metode penghalusan
eksponensial bersifat sederhana, intuitif dan mudah dipahami. Artinya, walaupun
sederhana namun sangat berguna bagi peramalan pendek (shortterm forecasting) dari
data time series yang panjang. Secara umum, model pemulusan eksponensial
direkomendasikan sebagai sebuah teknik yang tidak kompleks dan ekonomis
(inexpensive technique) dengan hasil ramalan yang cukup baik dalam variasi aplikasi
yang luas.
B. METODE PENELITIAN

Karateristik Data
Data yang digunakan dalam penelitian ini adalah data sekunder dari data BPS.
Tentang rata rata produksi gas di Indonesia. Data dalam selang waktu Januari 1995
sampai Desember 1998 dengan banyaknya data sebesar 48 data dengan kategori unit.
Tahun

Bulan

1995
1996
1997
Januari
259.982
278.525
276.438
Februari
244.993
259.589
276.439
Maret
268.423
274.530
278.306
April
236.293
250.171
268.242
Mei
251.439
248.524
263.570
Juni
244.756
238.479
238.531
Juli
246.631
256.076
263.283
Agustus
254.749
267.292
272.805
September 228.903
255.964
250.000
Oktober
245.213
280.989
257.920
Nopember 243.994
273.245
263.112
Desember
273.852
283.237
280.028
Sumber: indicator Ekonomi, Maret 1999, BPS.

1998
267.785
239.373
250.492
230.830
236.124
229.838
252.718
262.069
241.952
238.903
257.450
268.948

Metode pemulusan yang digunakan pada penelitian ini adalah Holt-winter aditif yang
dimana kereteristik datanya adalah memiliki gerakan jangka pendek, kurang dari 1 tahun, yang
ber-ulang secara teratur dari beberapa tahun pengamatan dalam hal ada akan ada pengaruh
musiman bulanan. Maka kita perlu melihat pola data dengan menggunakan plot data time
series dan plot data Autocorrelation Function (ACF).
Gambar 1. Plot Time Series pada Data Pendapatan
Time Series Plot of produksi gas
290
280

produksi gas

270
260
250
240
230
220
210
200
1

10

15

20

25
Index

30

35

40

45

Pola data yang tersaji pada Gambar 1 menunjukkan bahwa pola data runtun
waktu yang terbentuk adalah pola data musiman karena pada beberapa titik yang
mengalami kenaikan secara berulang dan kemudian mengalami penurunan.
Gambar 2. Autocorrelation Function (ACF) pada Data Pendapatan
Autocorrelation Function for produksi gas
(with 5% significance limits for the autocorrelations)
1.0
0.8

Autocorrelation

0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
1

10

11

12

Lag

Pada gambar 2 menjelaskan karateristik dari data musiman adal turun secara
lambat kemudian mengalami kenaikan data. Pola ini tidak akan terbentuk kalau data
mengalami perubahan berdaarkan tren dan tidak mengandung pola musiman.
Metode Analisis
Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang
akanterjadi pada masa yang akan datang, berdasarkan data yang relevan pada masa lalu.
Metode ini sangat berguna dalam mengadakan pendekatan analisis terhadap perilaku atau
pola dari data yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan
pemecahan yang sistematis dan pragmatis serta memberikan tingkat keyakinan yang
lebih. Metode peramalan yang digunakan dalam peramalan ini adalah Holt Winter
Additive.
Metode peramalan Holt Winters merupakan gabungan dari 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.

Dalam hal ini, menentukan estimasi pada metode pemulusan holt winters additive
dilakukan dengan dua cara yaitu dengan manual dan dengan menggunakan aplikasi
Minitab.
Cara manual
Langkah langkah menentukan estimasi yt secara manual adalah sebagai berikut:
1. Menentukan nilai a0 ( 0 ) , b0 ( 0 ) , dan sn t ( 0 )
Persamaan dari metode Holt Wintersadditive adalah
y t =( 0+ 1 t ) + S N t + t
Untuk menghitung nilai estimasi dari

0 , 1 t , dan S N t

dapat menggunakan

rumus berikut:
Niliai SNt

sn t (0)=sn t

[ ]
L

sn t
t =1

sn 1=

s 1+ s 13+ s25 + s37

4
yt

st =
y 1

L+1
j b1 (0)
2

2. Menghitung nilai pemulus dari Holt Winters additive

Dalam metode ada tiga nilai pemulusan yaitu pemulusan keseluruhan ( a0 ( T ) ,
pemulusaan trend ( b1 ( T ) , dan pemulusan musim, rumus dari ketiga pemulusan
ini adalah sebagai berikut.
a. Pemulusan keseluruhan
a0 ( T )= [ y T s nT ( T L ) ] + ( 1 ) [ a0 ( T 1 )+ b1 (T 1 ) ]
b. Pemulusan trend :
b1 ( T ) = [ a 0 ( T )a 0 ( T 1 ) ] + ( 1 ) b1 (T 1)
c. Penghalusan musiman (seasonal) :
sn t ( T ) = [ y t a 0 ( T ) ] + ( 1 ) sn t (T L )
3. Menghitung nilai estimasi

a
( 0 ( 0 ) +b 1 ( 0 ))snT ( T L )
^y T ( T 1 )=

4. Menghitung nilai permalan pada data dan permalan untuk bulan kedepannya. Nlai
permalan dapat dihitung dengan rumus:
^y T + ( T ) =a0 ( T ) +b 0 ( T ) + snT + ( T + L )
5. Menghitung nilai ukuran akurasi peramalan
Ukuran keakuratan
a. Mean Absolute Deviation (MAD)
Akurasi peramalan akan tinggi apabila nilai-nilai MAD, mean
absolute

percentage

error,

dan mean

squared

error semakin kecil. Jika,

diformulasikan maka Rumus untuk menghitung MAD adalah sebagai berikut:

y t ^yT (T 1 )
n

1
MAD=
n t =1

b. Mean Squared Error (MSE)

Menurut Gaspersz (2004), mean squared error biasa disebut juga galat
peramalan. Galat peramalan ini juga dapat berfungsi untuk menghitung nilai
MAD yang telah dibahas pada sub bab sebelumnya. Adapun formulasinya
adalah sebagai berikut:
y t ^y T ( T 1 ) 2

n
1
MSD=
n t =1
c. Mean Absolute Percentage Error (MAPE)
MAPE menunjukkan rata-rata kesalahan absolut prakiraan dalam bentuk
persentasenya terhadap data aktualnya.
MAPE=

n
y t ^y T ( T 1 )
1

n t =1
yt

Menggunkana Minitab
Langkah langkah menentukan nilai estimasi menggunakan aplikasi Minitab adalah
sebagai berikut:

1. Terlebih dahulu memasukkan data pada lembar kerja Worksheet yang ada pada
Minitabperiode pada kolom C1 denga nama variabel penjualan motor.
2. Pilih menu Stat > Time Series >Winters Metohod
3. Kemudian akan muncul kotak dialog winters method seperti pada gambar berikut:

4. Masukkan data pada kotak Variabledan jumlah periodepada kotak Seasonal lenght
5. Setelah pilih method type = addiive untum memiliha jenis metode musimanny,
masukan nilai , , dan pada kotak level , trend dan seaonal.
6. Kemudian centang generate forecast dan masukan nilai periodekotak numbers of
forecast dan nilai priode pertama peramalan pada kotak starting from origin
7. Pilih Storage untuk memunculkan nilai pada worksheet, maka muncul kotak dialog
Moving Average Storage seperti pada gambar berikut.

8. Centang semua pilihan kecuali upper 95% prediction limits dan lowerr 95%
prediction limits
9. Terakhir klik OK untuk kedua kotak dialog

C. HASIL DAN PEMBAHASAN

Cara manual pada excel dengan = 0.2, = 0.2, dan =0.2

 Nilai awal:

b1 ( 0 ) =

248.04249,936
( 41 ) 12

= 250,25

a0 ( 0 ) =249,36
s 1=

12
[250,25 ]
= -0,05
2

259.98
=1.039
12+1
249,936
1 0,05
2

sn 1 (0)=snt

[ ]
12

snt
t=1

sn 1

1,039+1,054+1,054 +1,078
=1,056
4

Menghitung pemulusan
259,981,056+ ( 10,2 ) [ 250,25 0,05 ] =251,94

a 0 ( 1 )=0.2

b1 ( 1 )=0,2 [ 251,94250,25 ] + ( 10,2 ) 0,05=0,30

sn T ( T ) = [ y T a 0 ( T ) ] + ( 1 ) + snT ( T 1 )

sn 1 ( 1 )=0.2 [ 259,98251,94 ] + ( 10,2 ) +1,056=2,453

^y 1 ( 11 )=( 250,25+0,03 )1,056=264,32

^y 48+1 ( 1 )=251,94+ 0,30+sn 48+1 ( 48+112 )=251,94+ 0,30+ 2,999=249,630

Cara manual pada excel dengan = 0.3, = 0.3, dan =0.3

Cara manual pada excel dengan = 0.4, = 0.4, dan =0.4

Hasil Analisis pada Minitab

dengan = 0.2, = 0.2, dan =0.2

dengan = 0.3, = 0.3, dan =0.3

dengan = 0.4, = 0.4, dan =0.4

hasil pada minitab dengan engan = 0.2, = 0.2, dan =0.2

Produksi
Gas
259.982
244.993
268.423
236.293
251.439
244.756
246.631
254.749
228.903
245.213
243.994
273.852
278.525
259.589

LEVE1

TREN1

SEAS1

FITS1

RESI1

FORE1

249.740
248.724
249.914
249.008
250.475
252.987
252.399
251.450
251.563
250.351
248.182
248.677
251.639
253.796

-0.36240
-0.49312
-0.15663
-0.30651
0.04820
0.54096
0.31521
0.06237
0.07244
-0.18435
-0.58121
-0.36605
0.29945
0.67108

13.5764
-1.6397
13.1255
-10.3166
-4.7110
-16.1149
-2.1559
7.3446
-22.8207
-1.0295
2.1612
21.7324
16.2384
-0.1532

265.193
248.261
260.011
240.040
242.571
232.437
252.275
261.070
228.651
251.633
253.915
268.473
261.887
250.298

-5.2106
-3.2682
8.4122
-3.7469
8.8677
12.3191
-5.6438
-6.3210
0.2517
-6.4196
-9.9214
5.3790
16.6376
9.2907

262.104
246.669
259.532

274.530
250.171
248.524
238.479
256.076
267.292
255.964
280.989
273.245
283.237
276.438
276.439
278.306
268.242
263.570
238.531
263.283
272.805
205.000
257.920
263.112
280.028
267.785
239.373
250.492
230.830
236.124
229.838
252.718
262.069
241.952
238.903
257.450
268.948

255.855
257.540
257.556
257.667
258.361
259.254
263.764
268.619
270.852
270.732
270.006
272.312
271.823
273.901
273.962
271.041
270.114
269.158
260.138
257.800
256.796
256.004
254.209
249.778
245.616
242.361
240.236
240.046
241.502
243.144
247.643
245.834
247.429
247.747

0.94857
1.09595
0.87991
0.72623
0.71976
0.75442
1.50546
2.17542
2.18699
1.72559
1.23525
1.44928
1.06166
1.26504
1.02418
0.23515
0.00269
-0.18911
-1.95520
-2.03173
-1.82630
-1.61943
-1.65449
-2.20987
-2.60031
-2.73118
-2.60987
-2.12598
-1.40959
-0.79917
0.26034
-0.15344
0.19616
0.22051

14.2355
-9.7271
-5.5752
-16.7296
-2.1818
7.4832
-19.8166
1.6503
2.2075
19.8868
14.2771
0.7029
12.6850
-8.9136
-6.5386
-19.8857
-3.1116
6.7160
-26.8809
1.3442
3.0292
20.7143
14.1368
-1.5186
11.1232
-9.4371
-6.0533
-17.9502
-0.2461
9.1577
-22.6429
-0.3109
4.4276
20.8117

267.593
246.487
253.925
242.321
256.238
266.426
237.188
264.240
272.956
294.772
288.697
271.088
287.996
263.157
269.591
258.257
269.095
277.600
249.152
259.833
257.976
274.856
268.661
253.258
260.253
234.102
233.091
217.741
234.808
246.808
215.464
249.247
248.710
268.339

6.9373
3.6844
-5.4011
-3.8418
-0.1617
0.8664
18.7760
16.7492
0.2891
-11.5349
-12.2585
5.3506
-9.6905
5.0846
-6.0214
-19.7258
-5.8117
-4.7950
-44.1521
-1.9134
5.1359
5.1717
-0.8765
-13.8845
-9.7608
-3.2718
3.0327
12.0972
17.9096
15.2607
26.4876
-10.3443
8.7399
0.6087

D. KESIMPULAN
Kesimpulan
Berdasarkan hasil analisis yang dilakukan, penulis menyimpulkan bahwa:
a. Metode winter aditif dapat digunakan untuk peramalan rata rata produksi gas di
Indonesia tahun 1999 dengan = 0.2, = 0.2, dan

=0.2

pertama 249,63, bulan kedua 248,06 dan bulan ketiga 242,91

adalah pada bulan

b. Berdasarkan nilai Mean Absolute Deviation(MAD) dan Mean Absolute Percentage

Error (MAPE) diperoleh nilai terkecil pada = 0.2, = 0.2, dan
baik digunakan pada data rata-rata produksi gas di Indonesia.

Tugas Kelompok 5 Kelas A

ANALISIS DERET WAKTU

=0.2

lebih

Analisis Winter Aditif (DMA)

Disusun Oleh:
Safarudin
Tri Meliati Safitri
Sulfikayani Silondai
Wa Ode Rahmawati kaimuddin

P3E114055
P3E114061
P3E114059
P3E114063

PROGRAM STUDI D3 STATISTIKA

PROGRAM PENDIDIKAN VOKASI
UNIVERSITAS HALU OLEO
KENDARI
2016

24