BAB I

PENDAHULUAN

1.1 Latar Belakang

Kecoa merupakan salah satu jenis serangga pemukiman yang sering
mengganggu kenyamanan hidup manusia karena meninggalkan bau yang tidak
sedap, pembawa patogen penyakit, penyebab alergi, dan mengotori perkakas
rumah tangga. Berbagai cara dapat dilakukan untuk mengendalikan kecoa, seperti
menjaga sanitasi, secara biologis, mekanik, atau kimiawi. Cara yang umum
dilakukan oleh masyarakat adalah dengan penyemprotan dan pengasapan
menggunakan insektisida sintetik karena dinilai lebih praktis. Meskipun demikian,
asap yang mengandung insektisida ini akan menyebar keseluruh ruangan sehingga
dapat meracuni penghui rumah dan meninggalkan residu yang berbahaya bagi
manusia (Environmental Health Watch, 2005). Kodok dalam bahasa inggrisnya
frog dan katak/bangkong toad termasuk dalam bangsa Anura dan merupakan
hewan amfibi yang paling dikenal orang di Indonesia. Meski mirip, katak dan
kodok berbeda dari ciri katak yang memiliki kulit tipis dan halus, tubuh ramping,
dan kaki yang lebih kurus dan panjang. Kodok memiliki tubuh yang lebih pendek
dan gemuk dengan kulit kasar dan tertutup bintil-bintil. Warna katak bervariasi,
dari hijau, coklat, hitam, merah, oranye, kuning dan putih. Ukuran SVL (Snout
Vent Length) Anura berkisar dari 1-35 cm, tetapi kebanyakan berkisar antara 2-12
cm (Taufik, 2010).
Peramalan (forecasting) merupakan suatu proses perkiraan keadaan pada
masa yang akan datang dengan menggunakan data di masa lalu. Peramalan
merupakan kegiatan untuk mengetahui nilai variabel yang dijelaskan (variabel
dependen) pada masa akan datang dengan mempelajari variabel independen pada
masa lalu, yaitu dengan menganalisis pola data dan melakukan ekstrapolasi bagi
nilai-nilai masa datang(Adam dan Ebert, 1982).
Dalam laporan ini memakai metode exponentiaal smoothing. Exponential
Smoothing adalah suatu prosedur yang secara terus menerus memperbaiki
peramalan dengan merata-rata (menghaluskan/smoothing) nilai masa lalu dari

1
suatu data runtun waktu dengan cara menurun (exponential). Analisis exponential
smoothing merupakan salah satu analisis deret waktu, dan merupakan metode
peramalan dengan memberi nilai pembobot pada serangkaian pengamatan
sebelumnya untuk memprediksi nilai masa depan (Menurut Trihendradi,2005).
Dalam Exponential Smoothing terdapat 3 macam metode yaitu Single
Exponentials Smoothing, Double Exponentials Smoothing, dan Triple
Exponentials Smoothing.
Pada kasus ini peneliti menggunakan metode Single Exponentials
Smoothing. Metode ini digunakan untuk peramalan jangka pendek. Model
mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap, tanpa
trend atau pola pertumbuhan konsisten. Tidak seperti Moving
Average, Exponential Smoothing memberikan penekanan yang lebih besar kepada
time series saat ini melalui penggunaan sebuah konstanta smoothing (penghalus).
Dengan demikian, Pada kasus ini peniliti ingin melihat nilai peramalan
kemunculan kecoa dan kodok pada hari ke -15,16,dan 17 dari data yang
dikumpulkan selama 14 hari (2 minggu) dengan alpha 0,3 ; 0,4 ; 0,5 ; dan 0,6.
Kemudian ingin diketahui pula nilai MAD,MSD,dan MAPE dari masing-masing
alpha yang sudah diketahui untuk mengetahui nilai alpha terbaik.
1.2 Rumusan Masalah
Berdasarkan latar belakang, yang menjadi rumusan masalah pada penelitian
ini adalah :
1. Bagaimana hasil peramalan jumlah kemunculan kecoa pada hari ke-15, 16
dan 17 pada alpha 0,3 ; 0,4 ; 0,5 dan 0,6 menggunakan metode Single
Exponential Smoothing ?
2. Bagaimana hasil peramalan jumlah kemunculan kodok pada hari ke-15, 16
dan 17 pada alpha 0,3 ; 0,4 ; 0,5 dan 0,6 menggunakan metode Single
Exponential Smoothing ?
3. Manakah nilai alpha terbaik yang dapat digunakan pada peramalan jumlah
kemunculan kecoa berdasarkan perbandingan nilai MAD, MSD dan
MAPE ?
4. Manakah nilai alpha terbaik yang dapat digunakan pada peramalan jumlah
kemunculan kodok berdasarkan perbandingan nilai MAD, MSD dan
MAPE ?

2
1.3 Tujuan
Berdasarkan rumusan masalah, tujuan dari penelitian ini adalah :
1. Untuk mengetahui hasil peramalan jumlah kemunculan kecoa pada hari ke-
15, 16 dan 17 pada alpha 0,3 ; 0,4 ; 0,5 dan 0,6 menggunakan metode Single
Exponential Smoothing.
2. Untuk mengetahui hasil peramalan jumlah kemunculan kodok pada hari ke-
15, 16 dan 17 pada alpha 0,3 ; 0,4 ; 0,5 dan 0,6 menggunakan metode Single
Exponential Smoothing.
3. Untuk mengetahui nilai alpha terbaik yang dapat digunakan pada peramalan
jumlah kemunculan kecoa berdasarkan perbandingan nilai MAD, MSD dan
MAPE.
4. Untuk mengetahui nilai alpha terbaik yang dapat digunakan pada peramalan
jumlah kemunculan kodok berdasarkan perbandingan nilai MAD, MSD dan
MAPE.

BAB II
TINJAUAN PUSTAKA

3
2.1 Single Exponential Smoothing
Juga dikenal sebagai simple exponential smoothing yang digunakan pada
peramalan jangka pendek, biasanya hanya 1 bulan ke depan. Model
mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap, tanpa
trend atau pola pertumbuhan konsisten
Rumus untuk simple exponential smoothing adalah sebagai berikut:
St = α * Xt + (1 – α) * St-1
Dimana:
St = peramalan untuk periode t.
Xt + (1-α) = Nilai aktual time series
Ft-1 = peramalan pada waktu t-1 (waktu sebelumnya)
α = konstanta perataan antara nol dan 1
2.2 Forcasting ErorMAD
Model-model peramalan yang dilakukan kemudian divalidasi menggunakan
sejumlah indikator. Indikator-indikator yang umum digunakan adalah rata-rata
penyimpangan absolut (Mean Absolute Deviation), rata-rata kuadrat terkecil
(Mean Square Error), dan rata-rata persentase kesalahan absolut (Mean Absolute
Percentage Error
2.2.1 Mean Absolute Deviation (MAD)
Metode untuk mengevaluasi metode peramalan menggunakan jumlah dari
kesalahan-kesalahan yang absolut. Mean Absolute Deviation (MAD) mengukur
ketepatan ramalan dengan merata-rata kesalahan dugaan (nilai absolut masing-
masing kesalahan). MAD berguna ketika mengukur kesalahan ramalan dalam unit
yang sama sebagai deret asli. Nilai MAD dapat dihitung dengan menggunakan
rumus sebegai berikut.

MAD=
∑ ( absolut dari forecast errors)
n

2.2.2 Mean Square Error (MSE)

4
 Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode
peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian
dijumlahkan dan ditambahkan dengan jumlah observasi. Pendekatan ini mengatur
kesalahan peramalan yang besar karena kesalahan-kesalahan itu dikuadratkan.
Metode itu menghasilkan kesalahan-kesalahan sedang yang kemungkinan lebih
baik untuk kesalahan kecil, tetapi kadang menghasilkan perbedaan yang besar.
2

MSE=
∑ ( X i−F i )
n

2.2.3 Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan
kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata
untuk periode itu. Kemudian, merata-rata kesalahan persentase absolut tersebut.
Pendekatan ini berguna ketika ukuran atau besar variabel ramalan itu penting
dalam mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar
kesalahan dalam meramal yang dibandingkan dengan nilai nyata.
X i −Fi
∑¿ Xi
∨¿
x 100
n
MAPE=¿
2.3 Kecoa
2.3.1 Pengertian Kecoa
Kecoa adalah serangga dengan bentuk tubuh oval, pipih dorso-ventral.
Kepalanya tersembunyi di bawah pronotum, dilengkapi dengan sepasang mata
majemuk dan satu mata tunggal, antena panjang, sayap dua pasang, dan tiga
pasang kaki. Pronotum dan sayap licin, tidak berambut dan tidak bersisik,
berwarna coklat sampai coklat tua.
Kecoa adalah serangga dengan metamorfosa tidak lengkap, hanya melalui
tiga stadia (tingkatan), yaitu stadium telur, stadium nimfa dan stadium dewasa
yang dapat dibedakan jenis jantan dan betinanya. Nimfa biasanya menyerupai
yang dewasa, kecuali ukurannya, sedangkan sayap dan alat genitalnya dalam taraf
perkembangan.

5
2.3.2 Kelebihan dan Kekurangan
Kelebihan :
Beberapa kelebihan kecoa antara lain sebagai berikut :
a) Kecoa bisa terbang
b) Kecoa tidak membutuhkan kepala untuk dapat bertahan hidup
c) Penelitian menunjukkan bahwa kecepatan kecoa tercatat mendekati 2 mil
per jam (75 cm per detik).

d) Umumnya, Kecoa dijadikan bahan tes ketepatan dosis obat anti serangga.
Kecoa juga bisa dijadikan hewan piliharaan Hanya saja, yang bisa dijadikan
peliharaan itu yang Kecoa jenis Madagaskar.

e) Kecoa dipakai sebagai pendeteksi bom. Hal ini karena kecoa mempunyai
tingkat memori atau ingatan yang tinggi. Bahkan lebih tinggi dari anjing.

f) Para ilmuwan di india yg sedang mengembangkan teknologi jantung buatan

menggunakan jantung kecoak sebagai model, sebuah prototype yg
dihasilkan mampu memberikan sebuah jantung buatan yang lebih murah
dan lebih bisa diandalkan untuk dicangkok dibanding dengan jantung buatan
yang sekarang ada.

g) Selain itu kecoak juga termasuk hewan yg mempunyai protein yg sangat

tinggi dan bisa disantap.

h) Ada pembicaraan yang menyatakan kecoa merupakan satu-satunya yang

dapat bertahan hidup dalam serangan bom nuklir.
Kekurangan :
Beberapa kekurangan dari kecoa sebagai berikut :
a) Menyebabkan global warming
b) Kecoa menyebabkan asma
c) Kecoak dapat Mengotori Makanan
d) Meracuni Makanan
e) Penyebab Alergi

6
f) Penyebarluasan Bakteri dan Penyakit.

2.3.3 Fungsi Kecoa

Beberapa manfaat dari kecoa untuk manusia yaitu sebagai berikut :
a) Umumnya, Kecoa dijadikan bahan tes ketepatan dosis obat anti serangga.
Kecoa juga bisa dijadikan hewan peliharaan. Hanya saja, yang bisa
dijadikan peliharaan itu Kecoa jenis Madagaskar.
b) Kecoa dipakai sebagai pendeteksi bom. Hal ini karena kecoa mempunyai
tingkat memori atau ingatan yang tinggi. Bahkan lebih tinggi dari anjing.
c) Para ilmuwan di india yang sedang mengembangkan teknologi jantung
buatan menggunakan jantung kecoa sebagai model, sebuah prototype yg
dihasilkan mampu memberikan sebuah jantung buatan yang lebih murah
dan lebih bisa diandalkan untuk dicangkok dibanding dengan jantung buatan
yang sekarang ada.
d) Kecoa termasuk hewan yang mempunyai protein yang sangat tinggi dan
bisa disantap.
e) Ada pembicaraan yang menyatakan kecoa merupakan satu-satunya yang
dapat bertahan hidup dalam serangan bom nuklir.
2.4 Kodok
2.4.1 Pengertian Kodok
Kodok (bahasa Inggris: frog) dan katak alias bangkong (b. Inggris: toad)
adalah hewan amfibia yang paling dikenal orang di Indonesia. Kedua macam
hewan ini bentuknya mirip. Adapun perbedaan antara keduanya adalah:
Kodok bertubuh pendek, gempal atau kurus, berpunggung agak bungkuk,
berkaki empat dan tak berekor (anura: a tidak, ura ekor). Kodok umumnya
berkulit halus, lembab, dengan kaki belakang yang panjang. Sebaliknya katak atau
bangkong berkulit kasar berbintil-bintil sampai berbingkul-bingkul, kerapkali
kering, dan kaki belakangnya pendek, sehingga kebanyakan kurang pandai
melompat jauh. Katak mempunyai mata berukuran besar, dengan pupil mata
horisontal dan vertikal. Pada beberapa jenis katak, pupil matanya berbentuk

7
berlian atau segi empat yang khas bagi masing-masing kelompok. Pada
kebanyakan jenis, binatang betina lebih besar daripada yang jantan. Ukuran katak
dan kodok di Indonesia bervariasi dari yang terkecil hanya 10 mm, dengan berat
hanya satu atau dua gram sampai jenis yang mencapai 280 mm dengan berat lebih
dari 1500 gram (Iskandar, 1998).
2.4.2 Kelebihan Dan Kekurangan
Kelebihan :
a) Kulit dan kelenjar, kulit dan kelenjar ini penting dalam respirasi dan
proteksi. Pada beberapa kodok atau katak kulit ini dapat mengeluarkan
kelenjar racun.

b) Warna tubuh, terdapat variasi warna pada berbagai macam amfibi, hal ini
dipengaruhi oleh pigmen yang terdapat pada kromatofora kulit. Warna ini
juga dapat digunakan sebagai proteksi.

c) Alat gerak, Pada tungkai belakang memanjang yang berpotensi untuk

melompat.

d) Pada kodok sawah, terdapat ciri utama yaitu bentuk timpanium bulat utuh
tanpa ada lapisan kulit yang menutupi.
Kekurangan :
a) Mengandung Racun.
b) Banyak Cacing Dalam Tubuh Kodok
c) Rentan Penyakit Kanker
d) Rentan Terkena Gagal Ginjal.
e) Banyak Mahzab Melarang dan Membolehkan.
f) Membuat Pusing.
g) Mengganggu Kinerja Hati.
h) Kurang Baik untuk Kesehatan Ginjal
2.4.3 Fungsi Kodok

8
 a) Racun bufotalin dan bufotenin yang dihasilkan oleh kodok bufo marinus
dimanfaatkan sebagai penguat denyut jantung.
b) Sebagai bahan makanan.
c) Merangsang pembuahan buatan.
d) Indikator pencemaran lingkungan.
e) Sebagai penghasil devisa negara

BAB III
PEMBAHASAN

3.1 Studi Kasus

Berikut merupakan data jumlah kemunculan kecoa pada sebuah rumah
selama empat belas (14) hari pengamatan. Dari data tersebut akan diramalkan
jumlah kemunculan kecoa pada hari ke - 15, 16 dan 17 pada alpha 0,3 ; 0,4 ; 0,5
dan 0,6 dengan menggunakan metode Single Exponential Smoothing. Ingin
diketahui pula nilai MAD, MSD dan MAPE dari masing-masing alpha ( α )
untuk mengetahui nilai alpha ( α ) terbaik yang dapat digunakan pada data
jumlah kemunculan kecoa.
Tabel 3.1 Data Jumlah Kemunculan Kecoa
Periode (t) 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Xt 3 2 1 2 2 3 2 3 2 2 2 7 2 2

Berikut merupakan data jumlah kemunculan kodok pada salah satu lapangan
dengan luas 10x10 meter yang berlokasi di BTN Bumi Roviga. Data dikumpulkan
selama empat belas (14) hari pengamatan. Dari data tersebut akan diramalkan
jumlah kemunculan kodok pada hari ke - 15, 16 dan 17 pada alpha 0,3 ; 0,4 ; 0,5
dan 0,6 dengan menggunakan metode Single Exponential Smoothing. Ingin
diketahui pula nilai MAD, MSD dan MAPE dari masing-masing alpha ( α )
untuk mengetahui nilai alpha ( α ) terbaik yang dapat digunakan pada data
jumlah kemunculan kodok.
Tabel 3.2 Data Jumlah Kemunculan Kodok
Periode (t) 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Xt 1 2 1 2 1 1 2 1 1 1 1 1 1 1

9
3.2 Menentukan Nilai Ramalan Kecoa
3.2.1 Menentukan Nilai Ramalan Kecoa Untuk α =0,3
Tabel 3.3 Nilai Ramalan Kecoa Untuk α =0,3
Periode (t) Xt St Ft
1 3 2
2 2 2 2
3 1 2 2
4 2 2 2
5 2 2 2
Tabel 3.3 Nilai Ramalan Kecoa Untuk α =0,3 (Lanjutan)
Periode (t) Xt St Ft
6 3 2 2
7 2 2 2
8 3 2 2
9 2 2 2
10 2 2 2
11 2 2 2
12 7 4 2
13 2 3 4
14 2 3 3
15 3
16 3
17 3
Interpretasi :

Berdasarkan peramalan yang telah dilakukan dengan metode Single

Exponential Smoothing dengan nilai alpha ( α ) = 0,3, diperoleh ramalan data
jumlah kemunculan kecoa pada hari ke 15, 16 dan 17 adalah sebanyak 3 ekor
kecoa.
3.2.2 Menentukan Nilai Ramalan Kecoa Untuk α =0,4
Tabel 3.4 Nilai Ramalan Kecoa Untuk α =0,4
Periode (t) Xt St Ft
1 3 2
2 2 2 2
3 1 2 2
4 2 2 2
5 2 2 2
6 3 2 2
7 2 2 2
8 3 3 2

10
 9 2 2 3
10 2 2 2
11 2 2 2
12 7 4 2
13 2 3 4
14 2 3 3
15 3
16 3
17 3
Interpretasi :

Berdasarkan peramalan yang telah dilakukan dengan metode Single

Exponential Smoothing dengan nilai alpha ( α ) = 0,4, diperoleh ramalan data
jumlah kemunculan kecoa pada hari ke 15, 16 dan 17 adalah sebanyak 3 ekor
kecoa.
3.2.3 Menentukan Nilai Ramalan Kecoa Untuk α =0,5
Tabel 3.5 Nilai Ramalan Kecoa Untuk α =0,5
Periode (t) Xt St Ft
1 3 2
2 2 2 2
3 1 2 2
4 2 2 2
5 2 2 2
6 3 2 2
7 2 2 2
8 3 3 2
9 2 2 3
10 2 2 2
11 2 2 2
12 7 5 2
13 2 3 5
14 2 3 3
15 3
16 3
17 3
Interpretasi :

Berdasarkan peramalan yang telah dilakukan dengan metode Single

Exponential Smoothing dengan nilai alpha ( α ) = 0,5, diperoleh ramalan data

11
jumlah kemunculan kecoa pada hari ke 15, 16 dan 17 adalah sebanyak 3 ekor
kecoa.
3.2.4 Menentukan Nilai Ramalan Kecoa Untuk α=0,6
Tabel 3.6 Nilai Ramalan Kecoa Untuk α =0,6
Periode (t) Xt St Ft
1 3 2
2 2 2 2
3 1 1 2
4 2 2 1

Tabel 3.6 Nilai Ramalan Kecoa Untuk α=0,6 (Lanjutan)

Periode (t) Xt St Ft
5 2 2 2
6 3 3 2
7 2 2 3
8 3 3 2
9 2 2 3
10 2 2 2
11 2 2 2
12 7 5 2
13 2 3 5
14 2 2 3
15 2
16 2
17 2
Interpretasi :

Berdasarkan peramalan yang telah dilakukan dengan metode Single

Exponential Smoothing dengan nilai alpha ( α ) = 0,6, diperoleh ramalan data
jumlah kemunculan kecoa pada hari ke 15, 16 dan 17 adalah sebanyak 2 ekor
kecoa.
3.3 Menentukan Nilai Ramalan Kodok
3.3.1 Menentukan Nilai Ramalan Kodok Untuk α = 0,3
Tabel 3.7 Menentukan Nilai Ramalan Kodok Untuk α = 0,3
Periode (t) Xt St Ft
1 1 1
2 2 2 1
3 1 1 2
4 2 2 1

12
 5 1 1 2
6 1 1 1
7 2 2 1
8 1 1 2
9 1 1 1
10 1 1 1
11 1 1 1
12 1 1 1
13 1 1 1
14 1 1 1
15 1
Tabel 3.7 Menentukan Nilai Ramalan Kodok Untuk α = 0,3 (Lanjutan)
Periode (t) Xt St Ft
16 1
17 1
Interpretasi :
Dari tabel diatas menunjukkan bahwa ramalan jumlah kemunculan kodok
pada hari ke 15, 16, dan 17 untuk orde 0,3 yaitu sebanyak 1 ekor kodok.
3.3.2 Menentukan Nilai Ramalan Kodok Untuk α = 0,4
Tabel 3.8 Menentukan Nilai Ramalan Kodok Untuk α = 0,4
Periode (t) Xt St Ft
1 1 1
2 2 2 1
3 1 1 2
4 2 2 1
5 1 1 2
6 1 1 1
7 2 2 1
8 1 1 2
9 1 1 1
10 1 1 1
11 1 1 1
12 1 1 1
13 1 1 1
14 1 1 1
15 1
16 1
17 1
Interpretasi :
Dari tabel diatas menunjukkan bahwa ramalan jumlah kemunculan kodok
pada hari ke 15, 16, dan 17 untuk orde 0,4 yaitu sebanyak 1 ekor kodok.

13
3.3.3 Menentukan Nilai Ramalan Kodok Untuk α = 0,5
Tabel 3.9 Menentukan Nilai Ramalan Kodok Untuk α = 0,5
Periode (t) Xt St Ft
1 1 1
2 2 2 1
3 1 1 2
4 2 2 1
5 1 1 2
6 1 1 1
Tabel 3.9 Menentukan Nilai Ramalan Kodok Untuk α = 0,5 (Lanjutan)
Periode (t) Xt St Ft
7 2 2 1
8 1 1 2
9 1 1 1
10 1 1 1
11 1 1 1
12 1 1 1
13 1 1 1
14 1 1 1
15 1
16 1
17 1
Interpretasi :
Dari tabel diatas menunjukkan bahwa ramalan jumlah kemunculan kodok
pada hari ke 15, 16, dan 17 untuk orde 0,5 yaitu sebanyak 1 ekor kodok.
3.3.4 Menentukan Nilai Ramalan Kodok Untuk α = 0,6
Tabel 3.10 Menentukan Nilai Ramalan Kodok Untuk α = 0,6
Periode (t) Xt St Ft
1 1 1
2 2 2 1
3 1 1 2
4 2 2 1
5 1 1 2
6 1 1 1
7 2 2 1
8 1 1 2
9 1 1 1
10 1 1 1
11 1 1 1
12 1 1 1
13 1 1 1

14
 14 1 1 1
15 1
16 1
17 1
Interpretasi :
Dari tabel diatas menunjukkan bahwa ramalan jumlah kemunculan kodok
pada hari ke 15, 16, dan 17 untuk orde 0,6 yaitu sebanyak 1 ekor kodok.
3.4 Menentukan Nilai MAD, MSD dan MAPE Kecoa
3.4.1 Menentukan Nilai MAD Kecoa
a. Untuk α =¿ 0,3
Tabel 3.11 Nilai MAD Kecoa Untuk α =¿ 0,3
Periode (t) Xt St Ft MAD
¿ Xt −Ft∨¿
1 3 2
2 2 2 2 0
3 1 2 2 1
4 2 2 2 0,3
5 2 2 2 0,21
6 3 2 2 1,147
7 2 2 2 0,197
8 3 2 2 0,862
9 2 2 2 0,397 0,935
10 2 2 2 0,278
11 2 2 2 0,194
12 7 4 2 4,864
13 2 3 4 1,595
14 2 3 3 1,117
15 3
16 3
17 3

Interpretasi :

Berdasarkan tabel diatas diperoleh nilai MAD untuk α =¿ 0,3 adalah

0,935. Hal ini menandakan bahwa tingkat akurasi nilai error MAD pada data
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,3 adalah sebesar 0,935.
b. Untuk α =¿ 0,4
Tabel 3.12 Nilai MAD Kecoa Untuk α =¿ 0,4
Periode (t) Xt St Ft MAD
¿ Xt −Ft∨¿

15
 1 3 2
2 2 2 2 0
3 1 2 2 1
4 2 2 2 0,4
1,008
5 2 2 2 0,24
6 3 2 2 1,144
7 2 2 2 0,314
8 3 3 2 0,812

Tabel 3.12 Nilai MAD Kecoa Untuk α =¿ 0,4 (Lanjutan)

Periode (t) Xt St Ft ¿ Xt −Ft∨¿ MAD
9 2 2 3 0,513
10 2 2 2 0,308
11 2 2 2 0,185
12 7 4 2 4,889
13 2 3 4 2,066
14 2 3 3 1,240
15 3
16 3
17 3

Interpretasi :

Berdasarkan tabel diatas diperoleh nilai MAD untuk α =¿ 0,4 adalah

1,008. Hal ini menandakan bahwa tingkat akurasi nilai error MAD pada data
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,4 adalah sebesar 1,008.

c. Untuk untuk α =¿ 0,5

Tabel 3.13 Nilai MAD Kecoa Untuk α =¿ 0,5
MA
Periode (t) Xt St Ft
¿ Xt −Ft∨¿ D
1 3 2
2 2 2 2 0
3 1 2 2 1
4 2 2 2 0,5
5 2 2 2 0,25
1,069
6 3 2 2 1,125
7 2 2 2 0,4375
8 3 3 2 0,78125
9 2 2 3 0,60938
10 2 2 2 0,30469

16
 11 2 2 2 0,15234
12 7 5 2 4,92383
13 2 3 5 2,53809
14 2 3 3 1,26904
15 3
16 3
17 3

Interpretasi :

Berdasarkan tabel diatas diperoleh nilai MAD untuk α =¿ 0,5 adalah

1,069. Hal ini menandakan bahwa tingkat akurasi nilai error MAD pada data
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,5 adalah sebesar 1,069.

d. Untuk α =¿ 0,6
Tabel 3.14 Nilai MAD Kecoa Untuk α =¿ 0,6
Periode (t) Xt St Ft ¿ Xt −Ft∨¿MAD
1 3 2
2 2 2 2 0
3 1 1 2 1
4 2 2 1 0,6
5 2 2 2 0,24
6 3 3 2 1,096
7 2 2 3 0,5616
8 3 3 2 0,77536
9 2 2 3 0,68986 1,118
10 2 2 2 0,27594
11 2 2 2 0,11038
12 7 5 2 4,95585
13 2 3 5 3,01766
14 2 2 3 1,20706
15 2
16 2
17 2

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MAD untuk α =¿ 0,6 adalah
1,118. Hal ini menandakan bahwa tingkat akurasi nilai error MAD pada data
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,6 adalah sebesar 1,118.

e. Perbandingan Nilai MAD pada tiap alpha

17
 Tabel 3.15 Nilai MAD Kecoa
α =¿ 0 α =¿ α =¿ α =¿
,3 0,4 0,5 0,6
MAD 0,935 1,008 1,069 1,118

Interpretasi :
Berdasarkan tabel diatas dapat diketahui nilai MAD dari α =¿ 0,3 yaitu
0,935, nilai MAD dari α =¿ 0,4 yaitu 1,008, nilai MAD dari α =¿ 0,5 yaitu
1,069 dan nilai MAD dari α =¿ 0,6 yaitu 1,118. Hal tersebut menandakan
bahwa nilai MAD pada α =¿ 0,3 lebih kecil daripada nilai MAD pada alpha
lainnya ( α =¿ 0,4, α =¿ 0,5 dan α =¿ 0,6). Sehingga dapat disimpulkan
bahwa berdasarkan perbandingan nilai MAD pada tiap alpha, nilai alpha terbaik
yang dapat digunakan pada data jumlah kemunculan kecoa adalah alpha ( α ) =
0,3 karena memiliki nilai error terkecil.
3.4.2 Menentukan Nilai MSD Kecoa

a. Untuk α =¿ 0,3
Tabel 3.16 Nilai MSD Kecoa Untuk α =¿ 0,3
Periode (t) Xt St Ft MSD
( Xt −Ft )2
1 3 2
2 2 2 2 0
3 1 2 2 1
4 2 2 2 0,09
5 2 2 2 0,0441
6 3 2 2 1,31561
7 2 2 2 0,039
8 3 2 2 0,743
9 2 2 2 0,157 2,381
10 2 2 2 0,077
11 2 2 2 0,038
12 7 4 2 23,658
13 2 3 4 2,545
14 2 3 3 1,247
15 3
16 3
17 3

Interpretasi :

18
 Berdasarkan tabel diatas diperoleh nilai MSD untuk α =¿ 0,3 adalah
2,381. Hal ini menandakan bahwa tingkat akurasi nilai error MSD pada data
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,3 adalah sebesar 2,381.

b. Untuk α =¿ 0,4
Tabel 3.17 Nilai MSD Kecoa Untuk α =¿ 0,4
Periode (t) Xt St Ft MSD
( Xt −Ft )2
1 3 2
2 2 2 2 0
3 1 2 2 1
4 2 2 2 0,16
5 2 2 2 0,058 2,568
6 3 2 2 1,309
7 2 2 2 0,098
8 3 3 2 0,659
9 2 2 3 0,263
Tabel 3.17 Nilai MSD Kecoa Untuk α =¿ 0,4 (Lanjutan)

Periode (t) Xt St Ft MSD

( Xt −Ft )2
10 2 2 2 0,095
11 2 2 2 0,034
12 7 4 2 23,904
13 2 3 4 4,270
14 2 3 3 1,537
15 3
16 3
17 3

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MSD untuk α =¿ 0,4 adalah
2,568. Hal ini menandakan bahwa tingkat akurasi nilai error MSD pada data
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,4 adalah sebesar 2,568.

c. Untuk α =¿ 0,5
Tabel 3.18 Nilai MSD Kecoa Untuk α =¿ 0,5
Periode (t) Xt St Ft MSD
( Xt −Ft )2
1 3 2 2,782
2 2 2 2 0

19
 3 1 2 2 1
4 2 2 2 0,25
5 2 2 2 0,063
6 3 2 2 1,266
7 2 2 2 0,191
8 3 3 2 0,610
9 2 2 3 0,371
10 2 2 2 0,093
11 2 2 2 0,023
12 7 5 2 24,244
13 2 3 5 6,442
14 2 3 3 1,610
15 3
16 3
17 3

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MSD untuk α =¿ 0,5 adalah
2,782. Hal ini menandakan bahwa tingkat akurasi nilai error MSD pada data
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,5 adalah sebesar 2,782.

d. Untuk α =¿ 0,6
Tabel 3.19 Nilai MSD Kecoa Untuk α =¿ 0,6
Periode (t) Xt St Ft ( Xt −Ft )2 MSD
1 3 2
2 2 2 2 0
3 1 1 2 1
4 2 2 1 0,36
5 2 2 2 0,058
6 3 3 2 1,201
7 2 2 3 0,315
8 3 3 2 0,601
9 2 2 3 0,476 3,017
10 2 2 2 0,076
11 2 2 2 0,012
12 7 5 2 24,560
13 2 3 5 9,106
14 2 2 3 1,457
15 2
16 2
17 2

Interpretasi :

20
 Berdasarkan tabel diatas diperoleh nilai MSD untuk α =¿ 0,6 adalah
3,017. Hal ini menandakan bahwa tingkat akurasi nilai error MSD pada data
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,6 adalah sebesar 3,017.

e. Perbandingan Nilai MSD pada tiap alpha

Tabel 3.20 Nilai MSD Kecoa
α =¿ 0 α =¿ α =¿ α =¿
,3 0,4 0,5 0,6
MSD 2,381 2,568 2,782 3,017

Interpretasi :
Berdasarkan tabel diatas dapat diketahui nilai MSD dari α =¿ 0,3 yaitu
2,381, nilai MSD dari α =¿ 0,4 yaitu 2,568, nilai MSD dari α =¿ 0,5 yaitu
2,782 dan nilai MSD dari α =¿ 0,6 yaitu 3,017. Hal tersebut menandakan
bahwa nilai MSD pada α =¿ 0,3 lebih kecil daripada nilai MSD pada alpha
lainnya ( α =¿ 0,4, α =¿ 0,5 dan α =¿ 0,6). Sehingga dapat disimpulkan
bahwa berdasarkan perbandingan nilai MSD pada tiap alpha, nilai alpha terbaik
yang dapat digunakan pada data jumlah kemunculan kecoa adalah alpha ( α ) =
0,3 karena memiliki nilai error terkecil.
3.4.3 Menentukan Nilai MAPE Kecoa

a. Untuk α =¿ 0,3
Tabel 3.21 Nilai MAPE Kecoa Untuk α =¿ 0,3
Periode (t) Xt St Ft | Xt|
Xt −Ft
MAPE
1 3 2 34,679
2 2 2 2 0 %
3 1 2 2 1
4 2 2 2 0,15
5 2 2 2 0,105
0,3823
6 3 2 2
3
7 2 2 2 0,099
8 3 2 2 0,287
9 2 2 2 0,198
10 2 2 2 0,139
11 2 2 2 0,097
12 7 4 2 0,695

21
 13 2 3 4 0,798
14 2 3 3 0,558
15 3
16 3
17 3

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MAPE untuk α =¿ 0,3 adalah
34,679%. Hal ini menandakan bahwa tingkat persentase error MAPE pada data
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,3 adalah sebesar
34,679%.

b. Untuk α =¿ 0,4
Tabel 3.22 Nilai MAPE Kecoa Untuk α =¿ 0,4
Periode (t) Xt St Ft |Xt −Ft
Xt |
MAPE
1 3 2
2 2 2 2 0
3 1 2 2 1
4 2 2 2 0,2
5 2 2 2 0,120
6 3 2 2 0,381 38,331%
7 2 2 2 0,157
8 3 3 2 0,271
9 2 2 3 0,256
10 2 2 2 0,154
11 2 2 2 0,092
Tabel 3.22 Nilai MAPE Kecoa Untuk α =¿ 0,4 (Lanjutan)

Periode (t) Xt St Ft |
Xt −Ft
Xt |
MAPE
12 7 4 2 0,698
13 2 3 4 1,033
14 2 3 3 0,620
15 3
16 3
17 3

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MAPE untuk α =¿ 0,4 adalah
38,331%. Hal ini menandakan bahwa tingkat persentase error MAPE pada data

22
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,4 adalah sebesar
38,331%.

c. Untuk α =¿ 0,5
Tabel 3.23 Nilai MAPE Kecoa Untuk α =¿ 0,5
Periode (t) Xt St Ft |Xt −Ft
Xt |
MAPE
1 3 2
2 2 2 2 0
3 1 2 2 1
4 2 2 2 0,25
5 2 2 2 0,125
6 3 2 2 0,375
7 2 2 2 0,219
8 3 3 2 0,260
9 2 2 3 0,305 41,303
10 2 2 2 0,152
11 2 2 2 0,076
12 7 5 2 0,703
13 2 3 5 1,269
14 2 3 3 0,635
15 3
16 3
17 3

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MAPE untuk α =¿ 0,5 adalah
41,303%. Hal ini menandakan bahwa tingkat persentase error MAPE pada data
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,5 adalah sebesar
41,303%.

d. Untuk α =¿ 0,6
Tabel 3.24 Nilai MAPE Kecoa Untuk α =¿ 0,6
Periode (t) Xt St Ft |
Xt −Ft
Xt |
MAPE
1 3 2 43,716
2 2 2 2 0
3 1 1 2 1
4 2 2 1 0,3

23
 5 2 2 2 0,120
6 3 3 2 0,365
7 2 2 3 0,281
8 3 3 2 0,258
9 2 2 3 0,345
10 2 2 2 0,138
11 2 2 2 0,055
12 7 5 2 0,708
13 2 3 5 1,509
14 2 2 3 0,604
15 2
16 2
17 2

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MAPE untuk α =¿ 0,6 adalah
43,716%. Hal ini menandakan bahwa tingkat persentase error MAPE pada data
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,6 adalah sebesar
43,716%.

e. Perbandingan Nilai MAPE pada tiap alpha

Tabel 3.25 Nilai MAPE Kecoa
α =¿ α =¿ α =¿ α =¿
0,3 0,4 0,5 0,6
MAP 34,679 38,331 41,303 43,716
E % % % %

Interpretasi :
Berdasarkan tabel diatas dapat diketahui nilai MAPE dari α =¿ 0,3 yaitu
34,679%, nilai MAPE dari α =¿ 0,4 yaitu 38,331%, nilai MAPE dari α =¿
0,5 yaitu 41,303% dan nilai MAPE dari α =¿ 0,6 yaitu 43,716%. Hal tersebut
menandakan bahwa nilai MAPE pada α =¿ 0,3 lebih kecil daripada nilai
MAPE pada alpha lainnya ( α =¿ 0,4, α =¿ 0,5 dan α =¿ 0,6). Sehingga
dapat disimpulkan bahwa berdasarkan perbandingan nilai MAPE pada tiap alpha,
nilai alpha terbaik yang dapat digunakan pada data jumlah kemunculan kecoa
adalah alpha ( α ) = 0,3 karena memiliki tingkat persentase error terkecil.
3.5 Menentukan Nilai MAD, MSD dan MAPE Kodok
3.5.1 Menentukan Nilai MAD Kodok

24
a. Untuk α = 0,3
Tabel 3.26 Nilai MAD Kodok Untuk α = 0,3
Periode (t) Xt St Ft |Xt-Ft| MAD
1 1 1,4
2 2 1,58 1,4 0,6
3 1 1,406 1,58 0,58
4 2 1,584 1,406 0,594
5 1 1,409 1,584 0,584
6 1 1,286 1,409 0,409
7 2 1,5 1,286 0,714
8 1 1,35 1,5 0,5
9 1 1,245 1,35 0,35 0,385
10 1 1,172 1,245 0,245
11 1 1,12 1,172 0,172
12 1 1,084 1,12 0,12
13 1 1,059 1,084 0,084
14 1 1,041 1,059 0,059
15 1,041
16 1,041
17 1,041

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MAD untuk α =¿ 0,3 adalah
0,385. Hal ini menandakan bahwa tingkat akurasi nilai error MAD pada data
jumlah kemunculan kodok selama 14 hari untuk α =¿ 0,3 adalah sebesar 0,385.
b. Untuk α = 0,4
Tabel 3.27 Nilai MAD Kodok Untuk α = 0,4
Periode (t) Xt St Ft |Xt-Ft| MAD
1 1 1,4
2 2 1,64 1,4 0,6
3 1 1,384 1,64 0,64
4 2 1,63 1,384 0,616 0,38
5 1 1,378 1,63 0,63
6 1 1,227 1,378 0,378
7 2 1,536 1,227 0,773

Tabel 3.27 Nilai MAD Kodok Untuk α = 0,4 (Lanjutan)

Periode (t) Xt St Ft |Xt-Ft| MAD
8 1 1,322 1,536 0,536
9 1 1,193 1,322 0,322
10 1 1,116 1,193 0,193

25
 11 1 1,069 1,116 0,116
12 1 1,042 1,069 0,069
13 1 1,025 1,042 0,042
14 1 1,015 1,025 0,025
15 1,015
16 1,015
17 1,015

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MAD untuk α =¿ 0,4 adalah
0,38. Hal ini menandakan bahwa tingkat akurasi nilai error MAD pada data
jumlah kemunculan kodok selama 14 hari untuk α =¿ 0,4 adalah sebesar 0,38.
c. Untuk α = 0,5
Tabel 3.28 Nilai MAD Kodok Untuk α = 0,5
Periode (t) Xt St Ft |Xt-Ft| MAD
1 1 1,4
2 2 1,7 1,4 0,6
3 1 1,35 1,7 0,7
4 2 1,675 1,35 0,65
5 1 1,338 1,675 0,675
6 1 1,169 1,338 0,338
7 2 1,584 1,169 0,831
8 1 1,292 1,584 0,584
9 1 1,146 1,292 0,292 0,381
10 1 1,073 1,146 0,146
11 1 1,037 1,073 0,073
12 1 1,018 1,037 0,037
13 1 1,009 1,018 0,018
14 1 1,005 1,009 0,009
15 1,005
16 1,005
17 1,005

Interpretasi :

26
 Berdasarkan tabel diatas diperoleh nilai MAD untuk α =¿ 0,5 adalah
0,381. Hal ini menandakan bahwa tingkat akurasi nilai error MAD pada data
jumlah kemunculan kodok selama 14 hari untuk α =¿ 0,5 adalah sebesar 0,381.
d. Untuk α = 0,6
Tabel 3.29 Nilai MAD Kodok Untuk α = 0,6
Periode (t) Xt St Ft |Xt-Ft| MAD
1 1 1
2 2 2 1 0,6
3 1 1 2 0,76
4 2 2 1 0,696
5 1 1 2 0,722
6 1 1 1 0,289
7 2 2 1 0,885
8 1 1 2 0,646
9 1 1 1 0,258 0,387
10 1 1 1 0,103
11 1 1 1 0,041
12 1 1 1 0,017
13 1 1 1 0,007
14 1 1 1 0,003
15 1
16 1
17 1

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MAD untuk α =¿ 0,6 adalah
0,387. Hal ini menandakan bahwa tingkat akurasi nilai error MAD pada data
jumlah kemunculan kodok selama 14 hari untuk α =¿ 0,6 adalah sebesar 0,387.
e. Perbandingan Nilai MAD pada tiap alpha
Tabel 3.30 Menentukan Nilai MAD Kodok
α =¿ α =¿ α =¿ α =¿
0,3 0,4 0,5 0,6
MAD 0,385 0,38 0,381 0,387

Interpretasi :
Berdasarkan tabel diatas menunjukkan bahwa nilai MAD kodok dengan α =
0,3 ; 0,4 ; 0,5 dan 0,6 masing-masing yaitu sebesar 0,385 ; 0,380 ; 0,381 dan
0,387. Sehingga dapat disimpulkan bahwa berdasarkan perbandingan nilai MAD

27
pada tiap alpha, nilai alpha terbaik yang dapat digunakan pada data jumlah
kemunculan kodok adalah alpha ( α ) = 0,4 karena memiliki nilai error terkecil.
3.5.2 Menentukan Nilai MSD Kodok
a. Untuk α = 0,3
Tabel 3.31 Nilai MSD Kodok Untuk α = 0,3

Periode (t) Xt St Ft MSD

( Xt −Ft )2
1 1 1,4
2 2 1,58 1,4 0,36
3 1 1,406 1,58 0,336
4 2 1,584 1,406 0,353
5 1 1,409 1,584 0,341
6 1 1,286 1,409 0,167
7 2 1,5 1,286 0,509
8 1 1,35 1,5 0,25
9 1 1,245 1,35 0,123 0,197
10 1 1,172 1,245 0,06
11 1 1,12 1,172 0,029
12 1 1,084 1,12 0,014
13 1 1,059 1,084 0,007
14 1 1,041 1,059 0,003
15 1,041
16 1,041
17 1,041

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MSD untuk α =¿ 0,3 adalah
0,197. Hal ini menandakan bahwa tingkat akurasi nilai error MSD pada data
jumlah kemunculan kodok selama 14 hari untuk α =¿ 0,3 adalah sebesar 0,197.
b. Untuk α = 0,4
Tabel 3.32 Nilai MSD Kodok Untuk α = 0,4

Periode (t) Xt St Ft MSD

( Xt −Ft )2
1 1 1,4 0,21
2 2 1,64 1,4 0,36
3 1 1,384 1,64 0,41
4 2 1,63 1,384 0,379
5 1 1,378 1,63 0,397
6 1 1,227 1,378 0,143
7 2 1,536 1,227 0,598

28
 8 1 1,322 1,536 0,287
9 1 1,193 1,322 0,103
Tabel 3.32 Nilai MSD Kodok Untuk α = 0,4 (Lanjutan)

Periode (t) Xt St Ft MSD

( Xt −Ft )2
10 1 1,116 1,193 0,037
11 1 1,069 1,116 0,013
12 1 1,042 1,069 0,005
13 1 1,025 1,042 0,002
14 1 1,015 1,025 0,001
15 1,015
16 1,015
17 1,015

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MSD untuk α =¿ 0,4 adalah
0,21. Hal ini menandakan bahwa tingkat akurasi nilai error MSD pada data jumlah
kemunculan kodok selama 14 hari untuk α =¿ 0,4 adalah sebesar 0,21.
c. Untuk α = 0,5
Tabel 3.33 Nilai MSD Kodok Untuk α = 0,5

Periode (t) Xt St Ft MSD

( Xt −Ft )2
1 1 1,4
2 2 1,7 1,4 0,36
3 1 1,35 1,7 0,49
4 2 1,675 1,35 0,423
5 1 1,338 1,675 0,456
6 1 1,169 1,338 0,114
7 2 1,584 1,169 0,691
8 1 1,292 1,584 0,341
9 1 1,146 1,292 0,085 0,23
10 1 1,073 1,146 0,021
11 1 1,037 1,073 0,005
12 1 1,018 1,037 0,001
13 1 1,009 1,018 0
14 1 1,005 1,009 0
15 1,005
16 1,005
17 1,005

29
Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MSD untuk α =¿ 0,5 adalah
0,23. Hal ini menandakan bahwa tingkat akurasi nilai error MSD pada data jumlah
kemunculan kodok selama 14 hari untuk α =¿ 0,5 adalah sebesar 0,23.
d. Untuk α = 0,6
Tabel 3.34 Nilai MSD Kodok Untuk α = 0,6

Periode (t) Xt St Ft MSD

( Xt −Ft )2
1 1 1,4
2 2 1,76 1,4 0,36
3 1 1,304 1,76 0,578
4 2 1,722 1,304 0,484
5 1 1,289 1,722 0,521
6 1 1,115 1,289 0,083
7 2 1,646 1,115 0,782
8 1 1,258 1,646 0,418
9 1 1,103 1,258 0,067 0,254
10 1 1,041 1,103 0,011
11 1 1,017 1,041 0,002
12 1 1,007 1,017 0
13 1 1,003 1,007 0
14 1 1,001 1,003 0
15 1,001
16 1,001
17 1,001

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MSD untuk α =¿ 0,6 adalah
0,254. Hal ini menandakan bahwa tingkat akurasi nilai error MSD pada data
jumlah kemunculan kodok selama 14 hari untuk α =¿ 0,6 adalah sebesar 0,254.
e. Perbandingan Nilai MSD pada tiap alpha
Tabel 3.35 Menentukan Nilai MSD Kodok
α =¿ α =¿ α =¿ α =¿

30
 0,3 0,4 0,5 0,6
MSD 0,197 0,21 0,23 0,254
Interpretasi :
Berdasarkan tabel diatas menunjukkan bahwa nilai MSD kodok dengan α =
0,3 ; 0,4 ; 0,5 dan 0,6 masing-masing yaitu sebesar 0,197 ; 0,21 ; 0,23 dan 0,254.
Sehingga dapat disimpulkan bahwa berdasarkan perbandingan nilai MSD pada
tiap alpha, nilai alpha terbaik yang dapat digunakan pada data jumlah kemunculan
kodok adalah alpha ( α ) = 0,3 karena memiliki nilai error terkecil.
3.5.3 Menentukan Nilai MAPE Kodok
a. Untuk α = 0,3
Tabel 3.36 Nilai MAPE Kodok Untuk α = 0,3

Periode (t) Xt St Ft | XtXt−Ft | MAPE

1 1 1,4
2 2 1,58 1,4 0,3
3 1 1,406 1,58 0,58
4 2 1,584 1,406 0,297
5 1 1,409 1,584 0,584
6 1 1,286 1,409 0,409
7 2 1,5 1,286 0,357
8 1 1,35 1,5 0,5
9 1 1,245 1,35 0,35 31,212%
10 1 1,172 1,245 0,245
11 1 1,12 1,172 0,172
12 1 1,084 1,12 0,12
13 1 1,059 1,084 0,084
14 1 1,041 1,059 0,059
15 1,041
16 1,041
17 1,041

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MAPE untuk α =¿ 0,3 adalah
31,212%. Hal ini menandakan bahwa tingkat persentase error MAPE pada data
jumlah kemunculan kodok selama 14 hari untuk α =¿ 0,3 adalah sebesar
31,212%.
b. Untuk α = 0,4
Tabel 3.37 Nilai MAPE Kodok Untuk α = 0,4

31
 Periode (t) Xt St Ft | XtXt−Ft | MAPE
1 1 1,4
2 2 1,64 1,4 0,3
3 1 1,384 1,64 0,64
4 2 1,63 1,384 0,308 30,354%
5 1 1,378 1,63 0,63
6 1 1,227 1,378 0,378
7 2 1,536 1,227 0,387
Tabel 3.37 Nilai MAPE Kodok Untuk α = 0,4 (Lanjutan)

Periode (t) Xt St Ft | XtXt−Ft | MAPE

8 1 1,322 1,536 0,536
9 1 1,193 1,322 0,322
10 1 1,116 1,193 0,193
11 1 1,069 1,116 0,116
12 1 1,042 1,069 0,069
13 1 1,025 1,042 0,042
14 1 1,015 1,025 0,025
15 1,015
16 1,015
17 1,015

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MAPE untuk α =¿ 0,4 adalah
30,354%. Hal ini menandakan bahwa tingkat persentase error MAPE pada data
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,4 adalah sebesar
30,354%.
c. Untuk α = 0,5
Tabel 3.38 Nilai MAPE Kodok Untuk α = 0,5

Periode (t) Xt St Ft | XtXt−Ft | MAPE

1 1 1,4 30,098%
2 2 1,7 1,4 0,3
3 1 1,35 1,7 0,7
4 2 1,675 1,35 0,325
5 1 1,338 1,675 0,675
6 1 1,169 1,338 0,338
7 2 1,584 1,169 0,416
8 1 1,292 1,584 0,584

32
 9 1 1,146 1,292 0,292
10 1 1,073 1,146 0,146
11 1 1,037 1,073 0,073
12 1 1,018 1,037 0,037
13 1 1,009 1,018 0,018
14 1 1,005 1,009 0,009
15 1,005
16 1,005
17 1,005

Interpretasi :
Berdasarkan tabel diatas diperoleh nilai MAPE untuk α =¿ 0,5 adalah
30,098%. Hal ini menandakan bahwa tingkat persentase error MAPE pada data
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,5 adalah sebesar
30,098%.
d. Untuk α = 0,6
Tabel 3.39 Nilai MAPE Kodok Untuk α = 0,6

Periode (t) Xt St Ft | XtXt−Ft | MAPE

1 1 1,4
2 2 1,76 1,4 0,3
3 1 1,304 1,76 0,76
4 2 1,722 1,304 0,348
5 1 1,289 1,722 0,722
6 1 1,115 1,289 0,289
7 2 1,646 1,115 0,442
8 1 1,258 1,646 0,646
30,275
9 1 1,103 1,258 0,258
%
10 1 1,041 1,103 0,103
11 1 1,017 1,041 0,041
12 1 1,007 1,017 0,017
13 1 1,003 1,007 0,007
14 1 1,001 1,003 0,003
15 1,001
16 1,001
17 1,001

Interpretasi :

33
 Berdasarkan tabel diatas diperoleh nilai MAPE untuk α =¿ 0,6 adalah
30,275%. Hal ini menandakan bahwa tingkat persentase error MAPE pada data
jumlah kemunculan kecoa selama 14 hari untuk α =¿ 0,6 adalah sebesar
30,275%.
e. Perbandingan Nilai MAPE pada tiap alpha
Tabel 3.40 Menentukan Nilai MAPE Kodok
α =¿ α =¿ 0 α =¿ α =¿
0,3 ,4 0,5 0,6
MAPE 31,212 30,354 30,098 30,275
Interpretasi :
Berdasarkan tabel diatas menunjukkan bahwa nilai MAPE kodok dengan α
= 0,3 ; 0,4 ; 0,5 dan 0,6 masing-masing yaitu sebesar 31,212% ; 30,354% ;
30,098% dan 30,275%. Sehingga dapat disimpulkan bahwa berdasarkan
perbandingan nilai MAPE pada tiap alpha, nilai alpha terbaik yang dapat
digunakan pada data jumlah kemunculan kodok adalah alpha ( α ) = 0,5 karena
memiliki tingkat persentase error terkecil.

34
 BAB IV
PENUTUP

4.1 Kesimpulan
Berdasarkan peramalan yang telah dilakukan dengan metode Single
Exponential Smoothing pada data jumlah kemunculan kecoa pada sebuah rumah
selama 14 hari, diperoleh ramalan data untuk α =0,3 yaitu akan muncul 3 ekor
kecoa pada hari ke-15, 16 dan 17, untuk α =0,4 yaitu akan muncul 3 ekor
kecoa pada hari ke-15, 16 dan 17, untuk α =0,5 yaitu akan muncul 3 ekor
kecoa pada hari ke-15, 16 dan 17 serta untuk α =0,6 yaitu akan muncul 2 ekor
kecoa pada hari ke-15, 16 dan 17. Sedangkan berdasarkan peramalan yang telah
dilakukan dengan metode Single Exponential Smoothing pada data jumlah
kemunculan kodok pada salah satu lapangan berukuran 10x10 meter yang
berlokasi di BTN Bumi Roviga selama 14 hari, diperoleh ramalan data untuk
α =0,3 ; 0,4 ; 0,5 dan 0,6 masing-masing akan muncul 1 ekor kecoa pada hari
ke-15, 16 dan 17.
Berdasarkan pengujian yang telah dilakukan dengan metode Single
Exponential Smoothing untuk alpha (α )=0,3 ; 0,4 ; 0,5 dan 0,6 pada data
jumlah kemunculan kecoa pada sebuah rumah selama 14 hari, diperoleh alpha
yang terbaik yaitu untuk alpha (α )=0,3 . Hal ini karena alpha (α )=0,3

35
memiliki nilai MAD, MSD maupun MAPE lebih kecil dibandingkan dengan nilai
MAD, MSD maupun MAPE pada alpha lainnya ( α =0,4 ; 0,5 ; 0,6). Sehingga
dapat disimpulkan bahwa alpha (α )=0,3 merupakan alpha terbaik yang dapat
digunakan pada peramalan jumlah kecoa pada sebuah rumah selama 14 hari.
Berdasarkan pengujian yang telah dilakukan dengan metode Single
Exponential Smoothing untuk alpha (α )=0,3 ; 0,4 ; 0,5 dan 0,6 pada data
jumlah kemunculan kodok pada salah satu lapangan berukuran 10x10 meter yang
berlokasi di BTN Bumi Roviga selama 14 hari, diperoleh alpha terbaik yaitu
untuk alpha (α )=0,4 pada perbandingan nilai MAD masing-masing alpha.
Berdasarkan perbandingan nilai MSD masing-masing alpha diperoleh nilai alpha
terbaik yaitu untuk alpha (α )=0,3 . Berdasarkan perbandingan nilai MAPE
dari masing-masing alpha diperoleh nilai alpha terbaik yaitu untuk alpha
(α )=0,5 . Sehingga dapat disimpulkan bahwa berdasarkan perbandingan nilai
MAD dari masing-masing alpha, alpha (α )=0,4 merupakan nilai alpha terbaik
yang dapat digunakan pada data jumlah kemunculan kodok pada salah satu
lapangan berukuran 10x10 meter yang berlokasi di BTN Bumi Roviga selama 14
hari, berdasarkan perbandingan nilai MSD dari masing-masing alpha, alpha
(α )=0,3 merupakan nilai alpha terbaik yang dapat digunakan pada data
jumlah kemunculan kodok pada salah satu lapangan berukuran 10x10 meter yang
berlokasi di BTN Bumi Roviga selama 14 hari serta berdasarkan perbandingan
nilai MAPE dari masing-masing alpha, alpha (α )=0,5 merupakan nilai alpha
terbaik yang dapat digunakan pada data jumlah kemunculan kodok pada salah satu
lapangan berukuran 10x10 meter yang berlokasi di BTN Bumi Roviga selama 14
hari
4.2 Saran
Penyusun banyak berharap kepada para pembaca untuk memberikan kritik
dan sarannya yang dapat membangun kepada penulis demi sempurnanya laporan
ini. Semoga laporan ini bisa bermanfaat bagi penyusun pada khususnya dan
bermanfaat bagi kita semua pada umumnya.

36
 DAFTAR PUSTAKA

Djuhanda, T. 1974. Analisa Struktur Vertebrata. Armico, Bandung.

Prawiro, A. 1999. Biologi I. CV.Karang Asem, Semarang.
Rahmawati, Viena. (2006). [smu mosa] kecoa terbesar didunia ada di
indonesia???. Diperoleh dari website : https://www.mail-
archive.com/smu_mosa@yahoogroups.com/msg00608.html. Diakses 3
Oktober 2016.
Nurul. (2014). Exponential Smoothing. Diperoleh dari website :
http://mjnurul.blogspot.co.id/2014/03/exponential-smoothing.html. Diakses
22 Maret 2014.

37