SKRIPSI
Oleh :
ANJANI YUNIARTI
NIM.06510044
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK
IBRAHIM MALANG
2010
PERBANDINGAN METODE PERAMALAN
EXPONENTIAL SMOOTHING DENGAN BOX- JENKINS
(ARIMA)
UNTUK DERET WAKTU MUSIMAN
SKRIPSI
Diajukan Kepada:
Universitas Islam Negeri
Maulana Malik Ibrahim Malang
Untuk Memenuhi Salah Satu Persyaratan dalam
Memperoleh Gelar Sarjana Sains (S.Si)
Oleh :
ANJANI YUNIARTI
NIM.06510044
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK
IBRAHIM MALANG
2010
PERBANDINGAN METODE PERAMALAN
EXPONENTIAL SMOOTHING DENGAN BOX- JENKINS (ARIMA)
UNTUK DERET WAKTU MUSIMAN
SKRIPSI
Oleh :
ANJANI YUNIARTI
NIM.06510044
Pembimbing I Pembimbing II
Mengetahui,
Abdussakir, M.Pd
NIP. 1975006 200312 1 001
PERBANDINGAN METODE PERAMALAN
EXPONENTIAL SMOOTHING DENGAN BOX- JENKINS (ARIMA)
UNTUK DERET WAKTU MUSIMAN
SKRIPSI
Oleh:
ANJANI YUNIARTI
NIM. 06510044
Abdussakir, M. Pd
NIP. 1975006 200312 1 001
”....... Allah akan meninggikan orang-orang
yang beriman di antaramu dan orang-orang yang
diberi ilmu pengetahuan beberapa derajat.....”
(Al-Mujadilah : 11)
KATA PENGANTAR
Assalamu’alaikum Wr.Wb.
Puji syukur kepada Allah SWT, berkat rahmat dan izin-Nya penulis dapat
tenaga dan pikiran, namun penulis menyadari bahwa tanpa partisipasi dari banyak
pihak tugas akhir ini dapat terselesaikan. Dengan iringan do’a dan kerendahan hati
2. Prof. Drs. Sutiman B. Sumitro, SU, D.Sc, selaku Dekan Fakultas Sains dan
ini.
7. Hairur Rahman, M.Si selaku wali dosen yang telah memberikan motivasi dan
10. Ustad Halimy Zuhdi yang memberikan motivasi dan do’anya sehingga penulis
11. Dosen jurusan Matematika yang telah banyak memberikan pelajaran dan
didikan, Fachrur Rozy, M.Si, Jamhuri, Usman Pagalay, M.Si, terima kasih
akhir ini.
12. Bapak dan Ibu dosen, jurusan matematika dan staf fakultas yang selalu
13. Kedua orang tua penulis Bapak Meselan dan (Alm) Ibu Giyem yang tidak
dukungan, dan semangat dalam setiap langkah hidup penulis . Adik Billa dan
15. Umi Hj. Sutik, Abah H. Maksum serta pengurus Panti Asuhan Anak Yatim
16. Pengurus Panti Asuhan Anak Yatim Daarul Yatama, terimakasih atas
17. Bapak/Ibu guru seperjuangan di Yatim Mandiri, LP3i, Mts Sunan Kalijaga
PKLI, Ema, Fitri, Irma, Himmah, Ulfa, Fita, Farida semuanya. Terimakasih
skripsi ini.
bantuan moril dan sprituil, penulis ucapkan terima kasih sehingga dapat
menyelesaikan skripsi.
pernah luput dari salah dan lupa serta keterbatasan ilmu yang dimiliki penulis,
masukan, saran, kritik, dan teguran dari semua evaluator dan pembaca demi
kesempurnaan skripsi ini. Semoga skripsi ini dapat memberikan manfaat bagi
semua pihak dan dapat menjadi literatur penambah wawasan dalam aspek
Statistika. Amiin.
Wassalamu’alaikum Wr.Wb
Penulis
DAFTAR ISI
HALAMAN JUDUL
HALAMAN PENGAJUAN
HALAMAN PERSETUJUAN
HALAMAN PENGESAHAN
HALAMAN PERNYATAAN KEASLIAN TULISAN
HALAMAN MOTTO
HALAMAN PERSEMBAHAN
BAB I : PENDAHULUAN
1.1 Latar Belakang ..................................................................................... 1
1.2 Rumusan Masalah ................................................................................ 4
1.3 Batasan Masalah......................................................................................5
1.4 Tujuan Penelitian .................................................................................. 5
1.5 Manfaat Penelitian ............................................................................... 5
1.6 Metode Penelitian ................................................................................ 6
1.7 Sistematika Pembahasan ...................................................................... 7
BAB IV : PENUTUP
4.1 Kesimpulan ........................................................................................... 64
4.2 Saran...................................................................................................... 65
DAFTAR PUSTAKA
LAMPIRAN
DAFTAR GAMBAR
Gambar Halaman
Gambar 3.1 Grafik Jumlah Penderita DBD..................................................... 40
Gambar 3.2 Grafik data DBD pada tahun 1998 sanpai 2007 pertahun ........... 41
Gambar 3.3 Plot Pemulusan Eksponensial Musiman dari Data DBD ............ 43
Gambar 3.4 Plot Autokorelasi Dari Data Asli ................................................. 45
Gambar 3.5 Plot Data Setelah Dilakukan Pembedaan Pertama ...................... 46
Gambar 3.6 Plot ACF Setelah Pembedaan Pertama........................................ 47
Gambar 3.7 Plot PACF Setelah Pembedaan Pertama ..................................... 49
Gambar 3.8 Grafik Perbandingan Data Asli dan Data Ramalan pada
ARIMA Musiman ......................................................................... 52
Gambar 3.9 Plot Data Hasil Ramalan ............................................................. 54
Gambar 3.10 Plot Data Asli digabung Data Ramalan
Jumlah Penderita DBD ............................................................... 54
Gambar 3.11 Plot data ramalan dari Metode
Pemulusan Eksponensial Musiman dengan
Box-Jenkins (ARIMA) Musiman pada Penderita DBD ............. 58
DAFTAR TABEL
Tabel Halaman
BAB I
PENDAHULUAN
seseorang atau suatu kejadian di masa yang akan datang. Akan tetapi, tidak
kejadian masa lalu sebagai pelajaran bagi kita semua, agar kedepannya lebih
baik. Manusia hanya bisa berusaha dan berdo’a. Kepastian nasib suatu bangsa
hanya di tangan Allah SWT. Kadar rizki yang diberikan kepada manusia
Di dalam kitab suci Al Qur’an, surat Al- Hasyr ayat 18, sebagaimana
©!$# ¨βÎ) 4 ©!$# (#θà)¨?$#uρ ( 7‰tóÏ9 ôMtΒ£‰s% $¨Β Ó§øtΡ öÝàΖtFø9uρ ©!$# (#θà)®?$# (#θãΖtΒ#u™ š⎥⎪Ï%©!$# š7$pκš‰r'¯≈tƒ
pada masa yang akan datang. Harus memperhatikan apa yang telah
dikerjakan untuk akhirat yang dapat memberi manfaat pada hari hisab
sederhana sampai sistem yang canggih dan padat modal. Berbagai teknologi
dimasa sekarang dan masa datang, agar perencanaan yang matang dapat
sistematik tentang apa yang paling mungkin terjadi dimasa sekarang dan
menetapkan peristiwa yang akan terjadi sehingga tindakan yang tepat dapat
dilakukan.
Dalam memilih suatu metode deret berkala (time series) yang tepat
yang paling tepat dengan pola tersebut dapat diuji. Pola data dapat dibedakan
1. Pola horizontal (H) terjadi bilamana nilai data berfluktuasi disekitar nilai
rata- rata konstan (deret seperti ini adalah stasioner terhadap nilai rata-
ratanya).
2. Pola musiman (S) terjadi bilamana suatu deret dipengaruhi oleh faktor
musiman.
4. Pola trend (T) terjadi bilamana terdapat kenaikan atau penurunan sekuler
dimana nilai yang lebih baru diberi bobot relatif lebih besar dibanding nilai
observasi lebih lama. Dan ramalannya serta tidak perlu menyimpan banyak
diberikan bobot yang relatif lebih besar dibanding nilai observasi yang lebih
lama.
yang akan diteliti oleh peneliti. Berdasarkan latar belakang tersebut, maka
Berdarah, terhitung mulai bulan Januari 1998 sampai bulan Februari 2008.
berdarah/DHF.
3. Menggunakan Software Minitib 14.
menggunakan Chi-Square, χ 2 .
1.4 Tujuan
1. Penulis
2. Akademik
untuk masa-masa yang akan datang, sehingga dapat dijadikan acuan untuk
3. Uji stasioner.
4. Mengitung fitting error untuk semua metode yang dicoba, yaitu MAD,
5. Memilih model yang terbaik, yaitu model yang memberikan error paling
kecil.
Kabupaten Sidoarjo.
BAB II
KAJIAN PUSTAKA
tentang apa yang paling mungkin terjadi di masa depan berdasar informasi
masa lalu dan sekarang yang dimiliki agar kesalahannya (selisih antara apa
untuk menetapkan kapan suatu peristiwa akan terjadi atau timbul, sehingga
kasus penanaman modal) sampai beberapa hari atau bahkan beberapa jam
dimana nilai yang lebih baru diberi bobot relatif lebih besar dibanding nilai
observasi lebih lama. Dan ramalannya tidak perlu menyimpan banyak data
pada data yang lalu. Metode Pemulusan Eksponensial terdiri atas tunggal,
ganda, dan metode yang lebih rumit. Semuanya mempunyai sifat yang sama,
yaitu nilai yang lebih baru diberikan bobot yang relatif lebih besar dibanding
makin jauh kebelakang dimana ramalan tersebut hanya terdiri dari satu
X t X t−N
Ft +1 = Ft + ( − ). (2.1)
N N
1 1
=( ) X t + (1 − ) Ft (2.2)
N N
dimana :
1
= bobot observasi yang paling akhir
N
1
1− = bobot ramalan untuk nilai observasi pada periode- t
N
didasarkan atas bobot yang digunakan, untuk nilai observasi yang akhir
sebesar 1/N dan bobot dari nilai ramalan untuk nilai observasi pada
positif, 1/N akan menjadi suatu konstanta antara nol (jika N tak
persamaannya menjadi ;
Ft +1 = α X t + (1 − α ) Ft (2.3)
dimana,
Ft +1 = α X t + (1 − α ) Ft
Ft = α X t −1 + (1 − α ) Ft −1
Ft +1 = α X t + (1 − α )[α X t −1 + (1 − α ) Ft −1 ]
= α X t + α (1 − α ) X t −1 + (1 − α ) 2 Ft −1. (2.4)
persamaannya menjadi ;
Ft +1 = α X t + (1 − α ) X t −1 + α (1 − α ) 2 X t − 2 + α (1 − α )3 X t −3 +
α (1 − α ) 4 X t − 4 + ............α (1 − α ) N −1 X t −( N −1) +
(2.5)
(1 − α ) N Ft −( N −1)
(Makridakis, 1999:103)
digunakan untuk setiap nilai yang telah terjadi pada masa lalu,
= Ft + α ( X t − Ft ) (2.6)
Ft +1 = Ft + α (et ) (2.7)
yang menyeluruh atas kesalahan pada ramalan yang lalu. Dan apabila
Brown adalah identik dengan rata- rata bergerak linier, karena kedua
sebenarnya bilamana terdapat unsur trend. Pada metode ini identik rata-
α
bt = ( St' − St'' ) (2.11)
1−α
Ft + m = at + bt (m) (2.12)
dimana,
berikutnya
St = αX + (1 − α)(St −1 + bt −1 ) (2.13)
1 1
Ft +1 = Xt + (1 − )Ft (2.14)
N N
Ft +m = St + bt m . (2.16)
taksiran yang satu mengambil nilai pemulusan pertama S 1 dan yang lain
( X 2 − X 1 ) + ( X 3 − X 2 )( X 4 − X 3 )
b1 = (2.18)
3
yang lebih tinggi dapat digunakan bila dasar pola datanya adalah
α
bt = 2
[(6 − 5α)St' − (10 − 8α)St''' + (4 − 3α)S t'''' ]
2(1 − α)
(2.23)
α2
ct = (St' − 2St''' + St'''' ) (2.24)
(1 − α)2
1
Ft +m = at + bt m + ct m 2 . (2.25)
2
trend linier, maka baik model linier dari Brown atau Holt adalah tepat.
Pola musiman ada pada model Wniters tiga parameter linier dan
satu unsur stasioner, satu untuk trend, dan satu untuk musiman. Hal ini
Xt
St = α + (1 − α)(St −1 + bt −1 ) . (2.26)
I t −L
b. Estimasi Trend ;
c. Estimasi Musiman ;
Xt
It = β + (1 − β )I t −L . (2.28)
St
keterangan :
bt = estimasi trend
I t = estimasi musiman
L = panjangnya musiman
(ARIMA)
X t = φ1 X t −1 + φ 2 X t − 2 + φ3 X t −3 + ... + φ p X t − p + et . (2.30)
dimana :
et : galat
Contoh :
X t = φX t −1 + et (2.31)
X t = φ1 X t −1 + φ 2 X t − 2 + et (2.32)
X t −1 = φ1 X t − 2 + φ 2 X t −3 + et −1 (2.33)
X t = φ1 X t −1 + φ 2 X t − 2 + φ3 X t −3 + ... + φ p X t − p + et (2.34)
sebagai jumlah berbobot dari gangguan kecil (white noise) pada waktu
dimana:
untuk i = 1, 2.......q
Contoh:
1. Model MA(1)
X t = et − θ1et −1 (2.36)
X t = (1 − θ1 B )et (2.37)
1
Persamaan karakteristik (1 − θ1 B ) = 0 , B =
−1
= θ1 sehingga θ <1
θ1
2. Model MA (2)
X t = et − θ1et −1 − θ 2 et − 2 . (2.38)
(
Persamaan karakteristiknya 1 − θ1 B − θ1 B 2 = 0)
Menurut Makridarkis (1999: 388) selang yang diijinkan untuk model
< 2.
Contoh :
1. Model ARMA(1,1)
X t = φ1 X t −1 + et − θ1et −1 . (2.41)
2. Model ARMA(2,1)
X t = φ1 X t −1 + φ1 X t − 2 + et − θ1et −1 . (2.42)
X t = φ1 X t −1 + φ1 X t −2 + et − θ1et −1 − θ 2 et − 2 . (2.43)
model terbaik untuk series yang stasioner dari suatu kelompok model
stasioner, maka data tersebut dapat dibuat lebih mendekati atau bahkan
bersifat stasioner dengan melakukan pembedaan (differencing) pada data
φ (B) Wt = et
φ (B)(1-B) d X t = et
φ (B) ∇ d X t = et (2.44)
pembedaan.
Model lain dari hasil integrasi ini adalah model IMA (d,q) dan model
(1 − B ) d X t = θ ( B )et
∇ d X t = θ ( B ) et
dimana θ ( B ) = (1 − θ 1 B − θ 2 B 2 − ... − θ q B q )
φ ( B)∇ d X t = θ ( B)et
dimana φ ( B ) = (1 − φ1 B − φ 2 B 2 − ... − φ p B P )
θ ( B ) = (1 − θ 1 B − θ 2 B 2 − ...θ q B q )
(AR), Integrated (I) dan Moving Average (MA), maka model ARIMA
(2.48)
(2.49)
orde pertama.
(p,d,q).
terdiri dari tiga tahap, yaitu : identifikasi model, pendugaan dan pengujian
apakah data berkala yang akan digunakan bersifat stasioner atau tidak.
deret berkala (ARIMA) yang tidak stasioner agar menjadi data stasioner.
peningkatan maupun penurunan pada data. Data tetap berada pada sumbu
disekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu.
Plot ACF dan PACF dapat menunjukkan identifikasi model dari data
(AR) orde p jika plot PACF signifikan pada semua lag p dan plot ACF
(ARIMA) dapat dilihat dari bentuk plot ACF dan PACF pada tabel
berikut:
^
antara X t = φ0 + φ1 X t −1 + et − θ1et −1 dan X = φ 0 + φ1 X t −1 − θ 1et −1 .
^
residual ε t = X t − X t , untuk meyakinkan bahwa residual tersebut secara
maka model tersebut tidak layak. Oleh karena itu harus mengulangi lagi
1999: 340)
yang diperoleh dari perbedaan antara data aktual dan hasil ramalan pada
untuk I = 1,2,……n
Jika terdapat nilai pengamatan dan ramalan untuk n periode waktu, maka
akan terdapat n galat. Dari nilai galat tersebut diperoleh suatu ukuran yang
digunakan, yaitu :
1. Nilai tengah Mean Absolut Deviasi (MAD)
1 n
MAD = ∑
n t =1
Xt − Xt
n (2.58)
∑ Xt − Xt
= t =1
secara pasti. Terdapat dua jenis peramalan pertama peramalan yang bersifat
ilmiah seperti peramalan cuaca, peramalan hasil pertanian dan permalan lain
yang bisa di tentukan dengan cara ilmiah. Kedua, peramalan non ilmiah atau
masalah perekonomian yang tersurat dalam surat Yusuf ayat 47- 48, yaitu :
tβθè=ä.ù's? $£ϑÏiΒ Wξ‹Î=s% ωÎ) ÿ⎯Ï&Î#ç7.⊥ß™ ’Îû çνρâ‘x‹sù ôΜ›?‰|Áym $yϑsù $\/r&yŠ t⎦⎫ÏΖÅ™ yìö7y™ tβθããu‘÷“s? tΑ$s%
∩⊆∇∪ tβθãΨÅÁøtéB
bertani agar mendapatkan hasil yang banyak. Apabila panen, membiarkan biji
dalam tangkainya agar tetap terjaga dari hama penyakit lainnya kecuali
dan peceklik selama tujuh tahun pula. Selama itu tidak ada hujan yang turun
maupun buah-buahan yang muncul, oleh karena itu makanlah dari bulir-bulir
pegangan dalam pengambilan suatu keputusan, akan tetapi hasil dari rencana
pertanian, apabila kita mempersiapkan dengan baik maka hasilnya akan baik
pula, dan apabila kita tidak mempersiapkan tidak baik maka hasilnya tidak
baik pula, untuk itu kita harus berusaha untuk mendapatkan apa yang kita
Ÿω öΝèδuρ $yγn=÷WÏΒ ωÎ) #“t“øgä† Ÿξsù Ïπy∞ÍhŠ¡¡9$$Î/ u™!%y` ⎯tΒuρ ( $yγÏ9$sWøΒr& çô³tã …ã&s#sù ÏπuΖ|¡ptø:$$Î/ u™!%y` ⎯tΒ
∩⊇∉⊃∪ tβθßϑn=ôàãƒ
Barangsiapa pada Hari Kiamat membawa satu amal sholeh, niscaya dia
karunia Allah Swt. Barangsiapa membawa satu amal buruk, niscaya dia
dihukum dengan setimpal, tanpa ditambah- tambahan, kecuali jika Allah Swt
perbuat dan tidak ada penganiyaan berupa pengurangan amal sholeh yang
BAB III
PEMBAHASAN
unsur stasioner, trend, dan musiman. Hal ini serupa dengan metode Holt,
parameter yang berbeda dari parameter yang digunakan pada deret yang asli.
Xt
St = α + (1 − α)(St −1 + bt −1 ) . (3.1)
I t −L
Xt
It = β + (1 − β )I t −L . (3.3)
St
I = faktor musiman
L = panjang musiman
Untuk ramalan m periode ke depan dapat dihitung dengan persamaan
sebagai berikut :
kemuka.
merupakan rasio antara nilai sekarang dari deret data X t , dibagi dengan nilai
pemulusan tunggal yang sekarang untuk deret data tersebut St . Jika X t lebih
besar dari pada St , maka rasio tersebut akan lebih besar dari pada 1. Dimana
St merupakan nilai pemulusan (rata-rata) dari deret data yang tidak termasuk
faktor musiman yang dihitung paling akhir dengan β dan angka musiman
Persamaan (3.2) tepat sama dengan persamaan (2.15) dari Holt untuk
Holt, dimana unsur pertamanya dibagi dengan angka musiman I t − L . Hal ini
paling sedikit satu data musiman lengkap (yaitu L periode) untuk menentukan
estimasi awal dari indeks musiman I t − L , dan menaksir faktor trend dari satu
1 ⎡ ( X L +1 − X 1 ) ( X L + 2 − X 2 ) (X − XL)⎤
b= ⎢ + ........ L + L ⎥⎦
L⎣ L L L
berulang-ulang dalam selang waktu yang tetap. Untuk data yang stasioner,
autokorelasi pada dua atau tiga time-lag yang berbeda nyata dari nol.
suatu pola dalam data. Untuk mengenali adanya faktor musiman, harus
umumnya adalah:
ARIMA( p, d , q)( P, D, Q) s
musiman. Ciri dari gerakan ini adalah gerakan yang mempunyai pola-pola
tetap atau identik dari waktu ke waktu dengan jangka waktu tertentu, gerakan
Φ p ( B s ) = 1 − Φ 1 B s − Φ 2 B 2 s − ... − Φ P B Ps
Θ Q ( B s ) = 1 − Θ1 B 2 − Θ 2 B 2 s − ... − Θ Q B Qs
s = musiman
(1 − ΦB12 ) X t = et (3.7)
sehingga,
.
Φ P ( B s )φ p ( B )(1 − B ) d (1 − B s ) D X t = θ q ( B )Θ Q ( B s )et (3.9)
musiman.
demam berdarah berasal dari berbagai golongan, baik kelas atas, menengah,
maupun menengah ke bawah, serta tidak mengenal usia, baik lansia, dewasa
yang diperoleh penulis dari RSUD Sidoarjo bagian Rekam Medis selama
Tabel 3.1 Laporan Data Jumlah Penderita DHF (Dengue Haemorrhagic Fever) RSUD
Kabupaten Sidoarjo Tahun 1998 - 2008.
no th jan feb mart aprl mei jun Jul agt sep okt nop des
1 1998 93 97 115 165 251 78 42 29 25 16 9 24
2 1999 14 19 20 21 28 27 11 12 8 11 26 27
3 2000 14 25 50 42 63 62 37 40 40 48 42 52
4 2001 100 99 145 179 220 124 78 40 31 37 58 61
5 2002 57 83 70 66 107 78 48 25 33 38 43 38
6 2003 50 66 38 57 47 37 25 11 15 20 6 30
7 2004 47 55 178 42 41 12 12 7 6 4 5 8
8 2005 8 37 81 68 37 20 50 89 132 90 123 189
9 2006 252 210 169 236 190 187 102 54 39 27 19 41
10 2007 81 94 113 100 183 157 114 66 38 41 42 62
11 2008 67 116 - - - - - - - - - -
Sumber: Data Rekam Medis RSUD Kabupaten Sidoarjo tahun 2008.
DHF selama 122 bulan terakhir (Januari 1998 - Februari 2008) adalah 66,26.
hal ini berarti bahwa rata-rata setiap bulan RSUD Sidoarjo menerima 66
sepuluh tahun adalah 4 orang, yaitu yang terjadi pada bulan Oktober tahun
2004, sedangkan jumlah pasien tertingginya mencapai 252 kasus yaitu pada
bulan Januari tahun 2006, hal ini terjadi karena pada bulan tersebut terjadi
musim penghujan dengan intensitas yang tinggi. Dan pada tahun 2006 ini
seperti kejadian yang terjadi lima tahun yang lalu yaitu di tahun 2001.
Langkah awal dalam analisis data deret berkala adalah membuat plot
data secara grafis, pada Tabel 3.1 tentang laporan data bulanan penderita
berikut :
P lo t D a ta A s li
250
200
150
data
100
50
0
1 12 24 36 48 60 72 84 96 108 120
In d e x
Gambar 3.1 Grafik Jumlah Penderita DHF (Januari 1998 - Februari 2008)
Dari Gambar 3.1 di atas nampak bahwa grafik tidak stasioner, karena
terdapat pertumbuhan atau penurunan data, dimana data tidak stabil pada nilai
tengah, dengan kata lain fluktuasi data tidak berada di sekitar nilai rata-rata
yang konstan. Untuk itu perlu dilakukan differencing pada data sampai data
tersebut stasioner, setelah dicapai data yang stasioner, baru dilakukan uji
stasioneritas.
bulan kelima (Januari 2008 sampai Mei tahun 1998) hal ini terulang kembali
pada bulan ke-36 sampai dengan bulan ke-41 yaitu pada bulan Desember
tahun 2000 sampai bulan Mei tahun 2001. Peningkatan jumlah penderita DHF
tersebut tidak lepas dari faktor alam, yaitu musim penghujan dengan
setiap tahunnya dibuat nilai rata-rata tiap tahun maka dari tabel 3.1 dapat
1800
1600
1400
1200
JUML
1000
800
600
400
200
0
1 2 3 4 5 6 7 8 9 10
TAHUN KE-
pada tahun 2001 dan 2006, dimana pada tahun 2006 ini kasus DBD/DHF di
eksponensial musiman dapat dilihat pada Tabel 3.1 Data DHF (Dengue
pada ramalan periode 123, 124, 125 dan seterusnya dapat disandingkan
dengan data aslinya pada periode 1, 2, 3 dan seterusnya tersebut, yang dapat
dilihat pada Tabel (Lampiran 2). Ramalan untuk periode 123 secara manual
adalah :
1000 Variable
A ctual
F its
750 F orecasts
95,0% PI
A ccuracy Measures
MA PE 32,029
0
MA D 15,296
MSD 562,405
-250
-500
Gambar 3.3 Plot Pemulusan Eksponensial Musiman dari Data DHF (Dengue
Haemorrhagic Fever) RSUD Kabupaten Sidoarjo
1 n
MAD = ∑
n t =1
Xt − Xt
1
= 584,82
36
= 16, 245
2
1 n
MSE = ∑ X t − X t
n t =1
1
= (20.246, 62)
36
= 562, 405
1 n Xt − Xt
MAPE = ∑
n t =1 Xt
1
= 115.272%
36
= 32028%
= 32, 028
Didapat nilai dari MAD adalah 16,245 nilai MSE adalah 562,405
data asli. Plot Autokorelasi dari data asli yang disajikan dalam Gambar
meningkatnya jumlah time lag pada data dan nilai autokorelasinya tidak
secara signifikan berbeda dari nol untuk beberapa periode waktu. Hal ini
nampak pada ACF data asli yang disajikan dalam Tabel 3.4 berikut :
di bawah ini :
1,0
0,8
0,6
0,4
Autocorrelation
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Dari Gambar 3.4 di atas dapat dilihat bahwa pada lag 1, 2, dan 3
nilai ACF tidak mendekati nol dan dan secara nyata nilai ACF-nya
berada diluar selang rk yang berarti bahwa data untuk kasus DBD/DHF
100
50
hasil pembedaan
0
-50
-100
-150
-200
1 12 24 36 48 60 72 84 96 108 120
Bulan Ke-
Dari Gambar 3.5 di atas dapat dilihat bahwa pola data sudah
pertama diperoleh, maka nilai ACF untuk data yang diperoleh setelah
lag 30 nilai ACF-nya mendekati nol dan berada pada selang rk untuk
membuktikan hal ini maka dari Tabel 3.5 akan dibuat plot ACF setelah
Autocorrelation Function for stlh pembedaan prtm
(with 5% significance limits for the autocorrelations)
1.0
0.8
0.6
0.4
Autocorrelation
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
Dari Gambar 3.6 di atas tampak bahwa nilai ACF berada pada
bergantian sesudah time lag ke-1. Berarti bahwa data telah mencapai
berikut :
n = 122
1
serk = = 0,091
122
α α
− Z 2 ( s e rk ) ≤ rk ≤ Z 2 ( s e rk )
− 1.96(0,091) ≤ rk ≤ +1,96(0,091)
− 0,18745 ≤ rk ≤ 0,18745
nyata r1 sampai r30 untuk data DHF berada diluar selang rk yaitu untuk r1,
r2, dan r3. Akan tetapi setelah dilakukan pembedaan pertama dipenuhi
dari seluruh koefisien korelasi bernilai nol yang berarti data sudah
bersifat acak, kecuali pada lag 13, nilai r13 = 0,3 dan 19, nilai r19 = 0,3
karena pada lag ini, nilai ACFnya berada diluar selang koefisien korelasi
( rk ), akan tetapi tidak signifikan. Bila melihat data yang ada pada bulan
tajam mencapai 173 pasien. Untuk lag ke-19 juga terjadi penurunan
jumlah penderita sampai 126 pasien yaitu dari bulan Maret 2004 ke
data bersifat stasioner adalah mencari model sementara, untuk itu perlu
dibuat plot fungsi Autokorelasi Parsial (PACF) untuk data yang telah
1.0
0.8
0.6
Partial Autocorrelation
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
Lag
dari kedua koefisien nampak sempurna menurun menuju nol pada lag
.
Φ P ( B s )φ p ( B )(1 − B ) d (1 − B s ) D X t = θ q ( B )Θ Q ( B s )et
.
Φ 1 ( B 24 )φ1 ( B )(1 − B )1 (1 − B 24 )1 X t = θ 1 ( B )Θ1 ( B 24 )et
.
[1 − B (1 + φ1 ) + φ1 B 2 ][1 − B 24 (1 + Φ ) + ΦB 48 ] X t = [et − θ 1et −1 ][1 − ΘB 24 ]
pada hal ini maka model peramalan untuk jumlah penderita demam
berdarah yaitu:
0,7183et − 24 − 0,68et − 24 + et
3.2.3.3 Pengujian Model
dan MA(1) dan konstanta telah signifikan pada taraf kepercayaan 0,05.
Lag 12 24 36 48
Chi-Square 11.7 25.3 35.0 63.5
DF 7 19 31 43
χ2 14.07 30.1 43.8 67.5
11.7, lag 24 = 25.3, lag 36 = 35.0 dan lag 48 = 63.5 nilainya lebih kecil
dari χ 2 tabel pada lag 12 = 14.07, lag 24 = 30.1, lag 36 = 43.8 dan lag
model tersebut sesuai maka perlu dilakukan validasi model dengan data
Tabel 3.7 Hasil Validasi Model Untuk Periode November 2008 – Februari 2008
95 Percent
Limits
Period Forecast Lower Upper Actual
119 41.345 -20.520 103.209 42.000
120 42.008 -35.745 119.762 62.000
121 31.156 -54.625 116.936 67.000
122 65.030 -25.276 155.336 116.000
Sumber : Data olahan Minitab 14
Tabel 3.7 di atas menjelaskan bahwa hasil ramalan untuk bulan
Untuk lebih meyakinkan bahwa model yang diajukan sesuai maka pada
Gambar 3.8 akan ditunjukkan plot data ramalan bersama dengan plot
300
Data Asli
250
Peramalan
200
Jumlah
150
100
50
0
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49
Bulan ke-
Gambar 3.8 Plot Perbandingan Data Asli Dengan Data Ramalan pada ARIMA
musiman
0,7362 kali dua periode sebelumnya ditambah 0,319 kali dua puluh
dan data empat puluh delapan periode sebelumnya sebesar 178 dengan
residual dua puluh empat periode sebelumnya adalah 62,54 maka jumlah
ramalan pada bulan Maret di atas. Tabel 3.8 berikut adalah hasil
Tabel 3.8 Hasil Ramalan Penderita DBD/DHF Untuk Bulan Mar 2008 – Feb 2010
ramalan untuk periode dua tahun berikutnya, terhitung mulai bulan Maret
tahun 2008 smapai Februari tahun 2010 adalah 189, 94, 139, 83, 86, 89, 95,
101, 104, 102, 107, 125, 146, 162, 129, 97, 107, 128, 158, 140, 161, 197,
230, 205 penderita DHF/DBD, jika ramalan tersebut diplot secara grafik
P l o t D a ta R a m a l a n
250
230
205
197
200
189
Jumlah
162 161
158
150 146
138 140
129 128
125
107 107
104 102
101
97
100 94 95
89
86
83
Gambar 3.9 Plot Data Ramalan
P lo t D a ta R a m a la n
250
200
150
data
100
50
0
1 15 30 45 60 75 90 105 120 135
In d e x
Gambar 3.10 Plot Data Asli digabung Data ramalan Jumlah Penderita DBD/DHF
Grafik di atas menjelaskan bahwa jumlah penderita DBD/DHF di
tidak begitu signifikan, kejadian ini dipengaruhi oleh cuaca yang tak
bulan Oktober 1998 sampai April 2009, keadaan ini terjadi akibat
tahun 2009 mengalami penurunan mulai bulan Mei sampai Agustus, dan
penyakit ini selama kurun waktu 2 tahun yang akan datang terjadi pada
1 n
MAD = ∑
n t =1
Xt − Xt
1
= 2514,848
24
= 104, 7853
2
1 n
MSE = ∑ X t − X t
n t =1
1
= (324.460,5)
24
= 635,19
1 n Xt − Xt
MAPE = ∑
n t =1 Xt
1
= 311089,6%
24
= 12962, 067%
= 129, 62067
Didapat nilai dari MAD adalah 104,7853, nilai MSE adalah 635,19
Ramalan
Data Aktual Pemulusan
Periode (x) Eksponensial Box-Jenkins
Musiman (ARIMA) Musiman
123 93 108,148 189,271
124 97 98,694 94,027
125 115 110,337 138,804
126 165 82,223 83,964
127 251 71,693 86,494
128 78 83,486 89,59
129 42 116,556 95,889
130 29 98,16 101,714
131 25 137,001 104,123
132 16 180,779 102,561
133 9 225,471 107,329
134 24 225,72 125,016
135 14 194,256 146,877
136 19 254,245 162,506
137 20 233,616 129,872
138 21 224,487 97,79
139 28 131,201 107,747
140 27 85,006 128,327
141 11 77,95 158,625
142 12 79,726 140,594
143 8 56,073 161,219
144 11 106,472 197,566
145 26 210,542 230,033
146 93 230,324 205,88
Gambar 3.11 Plot data ramalan dari metode pemulusan eksponensial musiman
dengan Box-Jenkins (ARIMA) musiman.
1 n
MAD = ∑
n t =1
Xt − Xt
1
= 584,82
36
= 16, 245
2
1 n
MSE = ∑
n t =1
Xt − Xt
1
= (20.246, 62)
36
= 562, 405
1 n Xt − Xt
MAPE = ∑
n t =1 Xt
1
= 115.272%
36
= 32028%
= 32, 028
2. Ramalan dari metode Box-Jenkins (ARIMA) musiman adalah :
1 n
MAD = ∑
n t =1
Xt − Xt
1
= 2514,848
24
= 104, 7853
2
1 n
MSE = ∑
n t =1
Xt − Xt
1
= (324.460,5)
24
= 635,19
1 n Xt − Xt
MAPE = ∑
n t =1 Xt
1
= 311089,6%
24
= 12962, 067%
= 129, 62067
Pemulusan
Eksponensial Box-Jenkins
Uji Model Musiman (ARIMA) Musiman
MAD 16,245 104,7853
MSE 562,405 635,19
MAPE 32,028 129,62067
ayat 47-48, dimana di dalamnya tersirat makna bahwa Nabi Yusuf diperintah
oleh Allah untuk merencanakan ekonomi pertanian untuk masa lima belas
ajaran Islam karena ramalan atau prediksi dalam Islam hukumnya ada yang
boleh dan ada yang tidak, salah satu contoh ramalan yang diperbolehkan
yang tersurat dalam surat Yusuf, dimana di dalamnya tersirat makna bahwa
untuk masa tujuh tahun, hal ini dilakukan untuk menghadapi terjadinya krisis
Al Quran adalah sumber dari segala macam ilmu. Salah satu contoh
∩⊆∇∪ tβθãΨÅÁøtéB $£ϑÏiΒ Wξ‹Î=s% ωÎ) £⎯çλm; ÷Λä⎢øΒ£‰s% $tΒ z⎯ù=.ä ù'tƒ ׊#y‰Ï© Óìö7y™ y7Ï9≡sŒ ω÷èt/ .⎯ÏΒ ’ÎAù'tƒ §ΝèO
Didalam ayat diatas tersirat makna bahwa Nabi Yusuf diperintah oleh
Allah untuk merencanakan ekonomi pertanian untuk masa lima belas tahun,
hal ini dilakukan untuk menghadapi terjadinya krisis pangan menyeluruh atau
ilmu dan sudah teruji semua kebenarannya, ini terlepas dari peramalan yang
berhubungan nasib manusia. Pada penelitian yang dilakukan peneliti ini
pegangan dalam pengambilan suatu keputusan, akan tetapi hasil dari rencana
untuk menjadi yang lebih baik, sebagai mana firman Allah dalam surat Ar –
çÉitóムŸω ©!$# χÎ) 3 «!$# ÌøΒr& ô⎯ÏΒ …çµtΡθÝàxøts† ⎯ϵÏù=yz ô⎯ÏΒuρ ϵ÷ƒy‰tƒ È⎦÷⎫t/ .⎯ÏiΒ ×M≈t7Ée)yèãΒ …çµs9
Οßγs9 $tΒuρ 4 …çµs9 ¨ŠttΒ Ÿξsù #[™þθß™ 5Θöθs)Î/ ª!$# yŠ#u‘r& !#sŒÎ)uρ 3 öΝÍκŦàΡr'Î/ $tΒ (#ρçÉitóム4©®Lym BΘöθs)Î/ $tΒ
kaum maka tidak ada yang bisa mencegahnya. Tak ada tempat untuk
suka dan menghalangi apa yang mereka benci. Hanya Allah SWT semata
BAB IV
PENUTUP
4.1 Kesimpulan
unsur stasioner, trend, dan musiman. Persamaan dasar untuk metode Winters
adalah :
Xt
St = α + (1 − α)(St −1 + bt −1 ) .
I t −L
bt = γ(St − St −1 ) + (1 + γ )bt −1 .
Xt
It = β + (1 − β )I t −L .
St
sebagai berikut :
ARIMA( p, d , q )( P, D, Q ) s
Φ p ( B s )(1 − B s ) D X t = Θ Q ( B s )et
Pada hasil penelitian yang dilakukan peneliti dari metode peramalan
metode Pemulusan Ekspoensial Musiman nilai galatnya lebih kecil dari pada
4.2 Saran
DAFTAR PUSTAKA
Al- Qarmi ,‘Aldh. 2008. Tafsir Muyassar Juz 9- 30. Jakarta : Qisthi Press.
Iriantoro, Agus. 2004. Statistik Konsep dasar dan Aplikasinya. Jakarta: Prenada
Media.
Lains, Alfian. 2003. Ekonometrika Teori dan Aplikasi. Jakarta: Pustaka LP3ES
Indonesia.
Makridakis, Spyros. dkk. 1993. Metode dan Aplikasi Peramalan. Jakarta:
Erlangga.
Mila Sari, Ika. 2009. Skripsi “Peramalan Jumlah Penderita Demam Berdarah
Menggunakan Model ARIMA Musiman (Studi kasus di RSUD
Kabupaten Sidoarjo)“. Malang : UIN Malang
Winters' Method Plot for Data(Xt)
Winters' Method Plot for Data(Xt)
Multiplicative Method
Multiplicative Method
500 Variable
300 Variable
Actual
A ctual
Fits
Fits
400 Forecasts
Forecasts
95,0% PI
200 95,0% PI
Smoothing Constants
Smoothing C onstants 300 Alpha (level) 0,2
A lpha (lev el) 0,1
Data(Xt)
Gamma (trend) 0,1
Data(Xt)
-100
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
600 Variable
Actual
500 Fits
Forecasts
95,0% PI
400
Smoothing Constants
Alpha (level) 0,3
300
Data(Xt)
-100
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt) Winters' Method Plot for Data(Xt)
Multiplicative Method Multiplicative Method
-100 -100
-200
-200
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
800 Variable
Actual
Fits
600 Forecasts
95,0% PI
-200
-400
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt) Winters' Method Plot for Data(Xt)
Multiplicative Method Multiplicative Method
Variable 1000 Variable
750 Actual Actual
Fits Fits
Forecasts 750 Forecasts
95,0% PI 95,0% PI
500
Smoothing Constants Smoothing Constants
500
Alpha (level) 0,7 Alpha (level) 0,8
Data(Xt)
Data(Xt)
Gamma (trend) 0,1 Gamma (trend) 0,1
250
Delta (seasonal) 0,1 Delta (seasonal) 0,1
250
Accuracy Measures Accuracy Measures
MAPE 33,066 MAPE 32,441
0
MAD 15,981 0 MAD 15,535
MSD 575,059 MSD 560,447
-250 -250
-500 -500
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
1000 Variable
Actual
Fits
750 Forecasts
95,0% PI
-500
Data(Xt)
-2000 100
0
-4000
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
600 Variable
Actual
500 Fits
Forecasts
400 95,0% PI
Smoothing Constants
300 Alpha (lev el) 0,3
Data(Xt)
-100
-200
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt) Winters' Method Plot for Data(Xt)
Multiplicative Method Multiplicative Method
600 Variable 700 Variable
Actual Actual
500 Fits 600 Fits
Forecasts Forecasts
400 95,0% PI 500 95,0% PI
Smoothing Constants 400 Smoothing Constants
300 Alpha (level) 0,4 Alpha (lev el) 0,5
Data(Xt)
Data(Xt)
Gamma (trend) 0,2 300 Gamma (trend) 0,2
Delta (seasonal) 0,2 Delta (seasonal) 0,2
200
200
Accuracy Measures Accuracy Measures
100 MAPE 38,748
100 MAPE 36,831
MAD 19,641 MAD 18,109
MSD 844,532 MSD 739,159
0 0
-100
-100
-200
-200
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
800 Variable
Actual
Fits
600 Forecasts
95,0% PI
Smoothing Constants
400 Alpha (level) 0,6
Data(Xt)
-200
-400
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt) Winters' Method Plot for Data(Xt)
Multiplicative Method Multiplicative Method
1000 Variable 1250 Variable
Actual Actual
Fits 1000 Fits
750 Forecasts Forecasts
95,0% PI 95,0% PI
750
500 Smoothing Constants Smoothing Constants
Alpha (level) 0,7 Alpha (level) 0,9
500
Data(Xt)
Data(Xt)
-250 -250
-500
-500
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
5000 Variable
Actual
4000 Fits
Forecasts
95,0% PI
3000
Smoothing Constants
Alpha (level) 0,1
2000
Data(Xt)
-1000
-2000
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt) Winters' Method Plot for Data(Xt)
Multiplicative Method Multiplicative Method
700 Variable 400 Variable
Actual Actual
600 Fits 300 Fits
Forecasts Forecasts
500 95,0% PI 95,0% PI
200
400 Smoothing Constants Smoothing Constants
Alpha (level) 0,2 100 Alpha (level) 0,3
Data(Xt)
Data(Xt)
300 Gamma (trend) 0,3 Gamma (trend) 0,3
Delta (seasonal) 0,3 Delta (seasonal) 0,3
0
200 Accuracy Measures Accuracy Measures
MAPE 51,95 -100 MAPE 44,66
100 MAD 30,14 MAD 23,55
MSD 2146,91 MSD 1230,24
0 -200
-100 -300
-200 -400
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
400 Variable
Actual
Fits
300 Forecasts
95,0% PI
Accuracy Measures
MAPE 41,665
0
MAD 20,430
MSD 942,588
-100
-200
300
Data(Xt)
-100 -200
-200
-400
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
1000 Variable
Actual
Fits
750 Forecasts
95,0% PI
-250
-500
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt) Winters' Method Plot for Data(Xt)
Multiplicative Method Multiplicative Method
Variable 1250
1000 Actual
Variable
Actual
Fits
1000 Fits
Forecasts
750 Forecasts
95,0% PI 95,0% PI
750
Smoothing Constants Smoothing C onstants
500 Alpha (level) 0,8 Alpha (lev el) 0,9
500
Data(Xt)
Data(Xt)
Gamma (trend) 0,3
Delta (seasonal) 0,3 Delta (seasonal) 0,3
250
Accuracy Measures 250
A ccuracy Measures
MAPE 35,247 MAPE 34,388
0 MAD 16,842 0 MAD 16,225
MSD 669,826 MSD 645,357
-250 -250
-500
-500
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
Variable
2000
Actual
Fits
Forecasts
1000 95,0% PI
Smoothing Constants
Alpha (lev el) 0,1
0
Data(Xt)
Accuracy Measures
-1000 MAPE 179
MAD 103
MSD 118918
-2000
-3000
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt) Winters' Method Plot for Data(Xt)
Multiplicative Method Multiplicative Method
500 Variable 500 Variable
Actual Actual
Fits Fits
Forecasts
250 Forecasts
0 95,0% PI 95,0% PI
Data(Xt)
-1000
-1500
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
Variable
500
Actual
Fits
400 Forecasts
95,0% PI
Accuracy Measures
100
MAPE 45,20
MAD 21,86
0 MSD 1080,70
-100
-200
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt) Winters' Method Plot for Data(Xt)
Multiplicative Method Multiplicative Method
Data(Xt)
Gamma (trend) 0,4 400 Gamma (trend) 0,4
Delta (seasonal) 0,4 Delta (seasonal) 0,4
-200
-400
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
1000 Variable
Actual
Fits
750 Forecasts
95,0% PI
-250
-500
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt) Winters' Method Plot for Data(Xt)
Multiplicative Method Multiplicative Method
Variable 1250
1000 Variable
Actual
Actual
Fits
Forecasts 1000 Fits
750 95,0% PI
Forecasts
95,0% PI
750
Smoothing Constants
Smoothing Constants
500 Alpha (level) 0,8 Alpha (level) 0,9
500
Data(Xt)
-250 -250
-500
-500
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
15000 Variable
Actual
Fits
Forecasts
10000
95,0% PI
Smoothing Constants
Alpha (lev el) 0,1
5000
Data(Xt)
Accuracy Measures
0 MAPE 530
MAD 199
MSD 1240961
-5000
-10000
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt) Winters' Method Plot for Data(Xt)
Multiplicative Method Multiplicative Method
Variable Variable
Actual 0 Actual
Fits Fits
0 Forecasts Forecasts
95,0% PI -10000 95,0% PI
Data(Xt)
Data(Xt)
-10000 -60000
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
1200 Variable
Actual
Fits
Forecasts
900 95,0% PI
Smoothing Constants
Alpha (lev el) 0,4
Data(Xt)
Accuracy Measures
300 MAPE 50,29
MAD 24,71
MSD 1358,98
0 -250
-500
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
1000 Variable
Actual
Fits
750 Forecasts
95,0% PI
-250
-500
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt) Winters' Method Plot for Data(Xt)
Multiplicative Method Multiplicative Method
Variable 1250 Variable
1000 Actual Actual
Fits 1000 Fits
Forecasts Forecasts
750 95,0% PI 95,0% PI
750
Smoothing Constants Smoothing Constants
500 Alpha (level) 0,8 Alpha (level) 0,9
500
Data(Xt)
Data(Xt)
Gamma (trend) 0,5 Gamma (trend) 0,5
Delta (seasonal) 0,5 Delta (seasonal) 0,5
250 250
Accuracy Measures Accuracy Measures
MAPE 38,346 MAPE 37,190
0 MAD 18,386 0 MAD 17,335
MSD 835,811 MSD 769,570
-250 -250
-500
-500
Smoothing Constants
5000 Alpha (level) 0,1
Data(Xt)
-2500
-5000
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt) Winters' Method Plot for Data(Xt)
Multiplicative Method Multiplicative Method
Variable 60000 Variable
5000 Actual Actual
Fits 50000 Fits
Forecasts Forecasts
95,0% PI 95,0% PI
40000
0
Smoothing C onstants Smoothing Constants
Alpha (lev el) 0,2 30000 Alpha (lev el) 0,3
Data(Xt)
Data(Xt)
-10000
-15000 -20000
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
2000 Variable
Actual
Fits
Forecasts
1500 95,0% PI
Smoothing Constants
Alpha (lev el) 0,4
Data(Xt)
Accuracy Measures
MAPE 57,69
500 MAD 29,21
MSD 2234,78
Data(Xt)
Data(Xt)
-250
-250
-500 -500
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
1000 Variable
Actual
Fits
750 Forecasts
95,0% PI
Accuracy Measures
MAPE 41,57
0
MAD 20,81
MSD 1099,34
-250
-500
-500
-500
Accuracy Measures
-5000 MAPE 120,0
MAD 95,8
MSD 72599,3
-10000
-15000
Data(Xt)
Data(Xt)
Smoothing Constants
Alpha (level) 0,4
Data(Xt)
Accuracy Measures
MAPE 88,2
-2500 MAD 50,7
MSD 44035,3
-5000
-500 -600
-800
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
750 Variable
A ctual
F its
500 F orecasts
95,0% PI
Smoothing C onstants
250 A lpha (lev el) 0,7
Data(Xt)
-500
Data(Xt)
Gamma (trend) 0,7 Gamma (trend) 0,7
250 Delta (seasonal) 0,7 Delta (seasonal) 0,7
-500
-500
Smoothing Constants
Alpha (level) 0,1
20000
Data(Xt)
Accuracy Measures
10000 MAPE 170
MAD 151
MSD 649419
0
-10000
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt) Winters' Method Plot for Data(Xt)
Multiplicative Method Multiplicative Method
25000 Variable 20000 Variable
Actual
Actual
20000 Fits Fits
Forecasts 10000 Forecasts
95,0% PI 95,0% PI
15000
Smoothing Constants Smoothing C onstants
Alpha (level) 0,2
0
A lpha (lev el) 0,3
Data(Xt)
-5000 -30000
-10000 -40000
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
40000 Variable
A ctual
Fits
30000 Forecasts
95,0% PI
A ccuracy Measures
0 MA PE 81,3
MA D 54,4
MSD 33020,6
-10000
-20000
Data(Xt)
Gamma (trend) 0,8 Gamma (trend) 0,8
Delta (seasonal) 0,8 Delta (seasonal) 0,8
0
Accuracy Measures Accuracy Measures
-500 MAPE 50,44 MAPE 46,29
MAD 27,79 MAD 24,46
MSD 2395,94 -500 MSD 1794,57
-1000
-1500 -1000
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
1000 Variable
Actual
Fits
Forecasts
95,0% PI
500
Smoothing Constants
Alpha (lev el) 0,8
Data(Xt)
0 Accuracy Measures
MAPE 43,68
MAD 21,93
MSD 1385,82
-500
-10000
-1000
1 16 32 48 64 80 96 112 128 144 1 16 32 48 64 80 96 112 128 144
Index Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
4000 Variable
Actual
3000 Fits
Forecasts
2000 95,0% PI
-4000
-5000
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
Variable
1000 Actual
Fits
Forecasts
500 95,0% PI
Smoothing Constants
A lpha (lev el) 0,6
0
Data(Xt)
Accuracy Measures
-500
MAPE 52,50
MAD 29,51
MSD 3015,50
-1000
-1500
Accuracy Measures
-500 MAPE 52,56
MAD 29,74
MSD 2934,28
-1000
-1500
Winters' Method Plot for Data(Xt)
Multiplicative Method
Variable
1000
Actual
Fits
Forecasts
95,0% PI
500
Smoothing Constants
A lpha (lev el) 0,8
Data(Xt)
-1000
1 16 32 48 64 80 96 112 128 144
Index
Smoothing Constants
A lpha (lev el) 0,8
500
Data(Xt)
Accuracy Measures
0 MAPE 44,05
MAD 21,60
MSD 1252,67
-500
-1000
1 16 32 48 64 80 96 112 128 144
Index
Winters' Method Plot for Data(Xt)
Multiplicative Method
Variable
Actual
1000
Fits
Forecasts
95,0% PI
-1000
1 16 32 48 64 80 96 112 128 144
Index
Smoothing Constants
500 Alpha (level) 0,9
Data(Xt)
Accuracy Measures
0 MA PE 39,651
MA D 18,852
MSD 907,934
-500
Lampiran 2
DEPARTEMEN AGAMA RI
UNIVERSITAS ISLAM NEGERI (UIN)
MAULANA MALIK IBRAHIM MALANG
FAKULTAS SAINS DAN TEKNOLOGI
Jl. Gajayana No. 50 Dinoyo Malang (0341)551345
Fax. (0341)572533
==========================================================
BUKTI KONSULTASI SKRIPSI
Mengetahui,
Ketua Jurusan Matematika
Abdussakir M.Pd
NIP. 1975006 200312 1 001