PENDAHULUAN
1
2
1.4 Tujuan
Tujan dilaksanakannya kerja praktik ini adalah untuk memprediksi
jumlah pelanggaran pelanggaran lalu lintas bidang LLAJ 10 bulan kedepan,
dan membandingkan hasil prediksi dari triple exponential smoothing dan
moving average yang menyimulasikan seasonal length dan parameter dari
model keduanya untuk yang berbeda-beda.
2.1 Peramalan
b.) Metode time series, yaitu metode peramalan masa depan yang
dilakukan berdasarkan data masa lalu dari suatu variabel dan
kesalahan (faktor gangguan) masa lalu. Tujuan dari metode time
5
6
X 1 , X 2 ,..., X b ,..., X n X1 X2
simbol dan adalah data pada waktu pertama,
Xb Xn
adalah data pada waktu kedua, adalah data pada waktu ke-b, dan
adalah data pada waktu ke-n.
Makridakis (1999:53) mengungkapkan bahwa langkah penting dalam
memilih suatu metode time series yang tepat adalah dengan
mempertimbangkan jenis pola data. Sehingga metode yang paling tepat
dengan data tersebut dapat diuji. Pola data dapat dibedakan menjadi empat,
adalah sebagai berikut:
a. Pola horizontal, terjadi bila mana nilai data berfluktasi di sekitar nilai
rata-rata yang konstan (deret stasioner terhadap nila rata-ratanya). Misal
8
t
Gambar 2.1: Bentuk pola horizontal
Gambar 2.1 menunjukkan bahwa jumlah permintaan suatu produk
selama t periode yang menunjukkan fluktuasi dalam jumlah yang sama.
Pola ini menunjukkan model horisontal.
b. Pola musiman, terjadi bilamana suatu data dipengaruhi oleh faktor
musiman (misalnya kuartal tahun tertentu, bulan, atau hari-hari pada
minggu tertentu), misalnya pada penjualan es krim yang akan
meningkat pada saat musim panas namun akan menurun pada saat
musim hujan. Berikut contoh pola musiman pada permintaan suatu
produk.
Xt
Xt
t
Gambar 2.4. Bentuk pola trend
Gambar 2.4 menunjukan perubahan waktu yang relatif panjang
dan stabil. Pola trend pada time series terbagi mencadi 2 bentuk, yaitu:
1) Pola trend positive
Pola trend positive yaitu pola trend yang mempunyai kecenderungan
kenaikan atau penurunan dari waktu ke waktu maka data tersebut telah
stasioner.
b. Membentuk sebuah trend
Trend merupakan suatu keadaan dimana terdapat fluktuasi data yang
cenderung naik atau turun.
c. Membentuk suatu pola musiman
Pola musiman dapat dilihat bila pada plot data berbentuk naik atau turun
dalam jangka waktu atau periode tertentu. Panjang periode musiman
dapat dilihat dari jarak periode antar puncak atau lembah pada plot time
series moving average.
Moving average adalah metode peramalan yang dilakukan dengan
cara menghitung rata-rata dari sekumpulan data tertentu (sebanyak k data)
dan menggunakannya untuk meramalkan periode berikutnya. Selanjutnya
membuat sekumpulan data baru dengan cara menambahkan hasil ramalan
menjadi periode terbaru kedalam data dan menghilangkan periode terlama.
Kemudian dilakukan cara yang sama untuk mendapatkan hasil peramalan
untuk periode berikutnya. Bentuk model peramalan menggunakan moving
average adalah sebagai berikut:
t
1
Ft +1 =
K
�X
i =t - K +1
t
(2.1)
dengan
dilakukan secara harian, maka orde yang dipilih adalah 7 (karena kurun
waktu seminggu adalah 7 hari), bila pengamatan dilakukan secara mingguan
maka orde yang dipilih adalah 4 (karena kurun waktu 1 bulan adalah 4
minggu), bila pengamatan dilakukan secara bulanan maka orde yang dipilih
adalah 12 (karena kurun waktu 1 tahun adalah 12 bulan), dan sebagainya.
dengan,
Y^ t : nilai ramalan pada saat periode ke– t ,
Yt : data aktual pada saat periode ke– t , dan
n : banyaknya data.
Jika Y t−n tidak tersedia maka diganti dengan suatu nilai
pendekatan. Salah satu pengganti yang mungkin adalah nilai ramalan periode
sebelumnya yaitu Y^ t , sehingga persamaan (2.2) menjadi:
Y Y^
(
Y^ t +1=Y^ t + t − t
n n ) (2.3)
atau
1 1
() ( )
Y^ t +1=
n
∙ Y t + 1− ∙ Y^ t
n
(2.4)
1
Karena nilai n positif maka bobot ( ) nilainya berkisar antara 0 dan 1.
n
dengan,
α : konstanta pemulusan antara 0 dan 1,
Y^ t : data aktual pada periode ke- t ,
at : selisih untuk nilai pemulusan pada periode ke- t ,
bt : faktor penyesuai tambahan pada periode ke- t , dan
p : banyaknya periode ke depan yang akan diramalkan.
b. Metode Holt
Metode lain yang sering digunakan untuk meramalkan data yang
mengandung pola trend linier adalah metode Holt. Metode ini pada
prinsipnya serupa dengan metode Brown, hanya saja metode Holt tidak
menggunakan rumus pemulusan berganda secara langsung. Metode Holt
memuluskan nilai trend dengan parameter yang berbeda dari parameter yang
digunakan pada deret yang asli. (Makridakis,1999: 91).
Menurut Najmudin (2012: 85-86) terdapat tiga persamaan yang
digunakan dalam metode Holt, yaitu :
1. Rangkaian data pemulusan secara eksponensial atau estimasi level
Lt=α ∙ Y t +( 1−α ) ∙( Lt −1 +T t−1 ) (2.11)
2. Estimasi trend
T t =γ ∙ ( Lt−Lt −1 )+(1−γ ) ∙T t −1 (2.12)
3. Ramalan pada p periode mendatang
Y^ t + p=Lt + p ∙ T t (2.13)
dengan,
Lt : nilai estimasi level baru,
α : konstanta pemulusan untuk level (0 < α < 1),
Yt : data aktual pada periode ke- t ,
γ : konstanta pemulusan untuk trend (0 < γ < 1),
Tt : estimasi trend,
p : banyaknya periode ke depan yang akan diramalkan, dan
^
Y t+p : nilai peramalan pada p periode mendatang.
trend dan perilaku musiman. Metode ini didasarkan pada tiga persamaan
parameter, yaitu stasioneritas, trend, dan musiman. Metode ini juga
menggunakan tiga pembobotan atau parameter pemulusan yaitu α , β ,
dan γ .
Metode Winter mempunyai dua bentuk model, yaitu musiman perkalian
(multiplicative seasonality) dan musiman penjumlahan (additive seasonality).
Bila besarnya pengaruh musiman berubah dari waktu ke waktu, maka bentuk
model yang digunakan adalah musiman perkalian (multiplicative). Sedangkan
bila besarnya pengaruh musiman konstan dari waktu ke waktu, maka bentuk
model yang digunakan adalah musiman penjumlahan (additive).
a. Winter Multiplicative
Model musiman multiplicative cocok untuk memprediksi deret berkala
(time series) yang amplitudo (ketinggian) dari pola musimannya bersifat
proporsional dengan rata-rata level atau tingkatan dari deret data
(Montgomery, 1990: 139). Dengan kata lain, pola musiman membesar seiring
meningkatnya ukuran data. Menurut Najmudin (2012: 91) persamaan dasar
untuk metode winter multiplicative adalah:
1. Pemulusan eksponensial atau estimasi level.
Yt
Lt=α ∙ +(1−α )∙(Lt −1+ T t −1) (2.14)
St −s
2. Estimasi trend.
T t =γ ∙ ( Lt−Lt −1 )+(1−γ ) T t −1 (2.15)
3. Estimasi musiman.
Yt
S t =β ∙ +(1−β )∙ S t −s (2.16)
Lt
4. Ramalan pada p periode mendatang
Y^ t + p=(Lt + p ∙T t ) ∙ St −s+ p (2.17)
dengan,
Lt : estimasi level,
α : konstanta pemulusan untuk level.
Yt : data aktual pada periode ke- t ,
γ : konstanta pemulusan untuk estimasi trend,
17
Tt : estimasi trend,
β : konstanta pemulusan untuk estimasi musiman,
St : estimasi musiman,
s : panjang musiman,
p : periode yang diramalkan, dan
Y^ t + p : nilai ramalan pada p periode mendatang.
Persamaan (2.14) memperbaharui nilai-nilai pemulusan. Dalam
persamaan tersebut, Yt dibagi dengan S t −s yang dapat menghilangkan
pengaruh musiman dalam data asli Y t . Setelah estimasi trend dan
musiman dimuluskan dalam persamaan (2.15) dan persamaan (2.16),
peramalan dilakukan dengan persamaan (2.17). Estimasi untuk periode
mendatang t+ p merupakan perkalian komponen (Lt + p ∙T t ) dengan
S t −s+ p . Indeks musiman ini digunakan untuk menghilangkan pengaruh
musiman dalam peramalan.
Ketika memulai perhitungan, diperlukan penentuan nilai awal
(inisialisasi) untuk Lt , T t , dan S t . Untuk mendapatkan estimasi
nilai awal dari indeks musiman, diperlukan setidaknya data lengkap selama
satu musim. Dengan demikian, nilai trend dan pemulusan diinisialisasi pada
periode ke- s . Nilai awal konstanta pemulusan didapatkan dengan
menggunakan nilai rata-rata musim pertama, sehingga:
1
Ls= ∙(Y 1 +Y 2 +…+Y s) (2.18)
s
Ketika menginisialisasi trend, lebih baik menggunakan data lengkap selama 2
musim (2 periode) sebagai berikut:
T s=
s[
1 Y s +1−Y 1 Y s +2−Y 2
s
+
s
Y −Y s
+ …+ s+ s
s ]
(2.19)
Kemudian didapatkan nilai inisialisasi indeks musiman dengan
menggunakan rasio dari data tahun pertama dengan rata-rata data tahun
pertama, sehingga:
Y1 Y Y
S 1= , S 2= 2 , … , S s = s (2.20)
Ls Ls Ls
18
St : estimasi musiman,
β : konstanta pemulusan untuk estimasi musiman,
s : panjang musiman,
p : periode yang diramalkan, dan
^
Y t+p : nilai ramalan pada p periode mendatang.
Persamaan (2.22) identik dengan persamaan (2.15). Pada metode
winter additive, data dikurangi indeks musiman lalu dikalikan dengan
bobotnya, sedangkan pada winter multiplicative data dibagi dengan indeks
musiman lalu dikalikan dengan bobotnya. Proses inisialisasi untuk Ls dan
Ts identik dengan metode multiplicative, sedangkan untuk proses
inisialisasi indeks musiman untuk metode additive adalah:
S 1=Y 1−L s S 2=Y 2−L s .... S s =Y s−L s (2.25)
19
X
metode peramalan untuk suatu data berjumlah n dengan t menyatakan
1
n
|Y t −Y^ t|
MAPE= ∑
n t =1 Y t
(2.26)
dengan,
20
b) MAD
Menurut Pakaja (2012:10), 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. MAD merupakan ukuran pertama kesalahan peramalan
keseluruhan untuk sebuah model. Rumus untuk menghitung MAD adalah
sebagai berikut:
n
1 (2.27)
MAD= ∑ |Y −Y^ t|
n t =1 t
dengan,
Yt: nilai aktual pada periode t,
Y^ t : nilai peramalan untuk periode t, dan
n : banyaknya data.
Indikator baik atau buruknya nilai MAD belum tersedia dan
dikatakan baik atau signifikan jika nilai MAD kecil yaitu dibawah 0.
Keunggulan parameter ini adalah ukuran kesalahan permalan yang
21
dengan,
Yt : nilai aktual pada periode ke- t ,
Y^ t : nilai peramalan untuk periode ke- t , dan
n : banyaknya data.
Indikator baik atau buruknya nilai MAD belum tersedia dan
dikatakan baik atau signifikan jika nilai MAD kecil yaitu dibawah 0.
Uraian di atas menyatakan bahwa untuk menentukan keakuratan
dari peramalan yang dilakukan dapat dilihat melalui nilai ukuran
kesalahan yaitu persentase kesalahan absolut rata-rata (MAPE),
simpangan absolut rata-rata (MAD), dan simpangan kuadrat rata-rata
(MSD).
Note: Dalam fase peramalan, penggunaan MAD dan MSD sebagai
suatu ukuran ketepatan juga dapat menimbulkan masalah. Ukuran ini
22
3.2. Logo
23
24
3.3. Fungsi
Fungsi dari Dinas Perhubungan Kabupaten Banyumas adalah sebagai
berikut :
1. Perumusan kebijakan teknis lingkup perhubungan, komunikasi dan
informatika.
2. Penyelenggaraan urusan pemerintahan dan pelayanan umum lingkup
perhubungan, komunikasi dan informatika.
3. Pembinaan dan pelaksanaan tugas lingkup perhubungan, komunikasi
dan informatika.
4. Pelaksanaan tugas lain yang diberikan oleh Bupati sesuai dengan
tugas dan fungsinya.
30
1. Mendefinisikan tujuan peramalan.
2. Membuat plot data jumlah pelanggaran lalu lintas bidang LLAJ.
3. Menganalisa peramalan. Berdasarkan kriteria-kriteria yang ada,
metode manakah yang cocok dengan hasil plot data tersebut. Apakah
single exponensial smoothing, double exponensial smoothing, triple
exponensial smoothing atau moving average.
4. Membandingkan dua metode yang tepat untuk peramalan.
5. Membandingkan ukuran ketepatan uji (MAD, MAPE, MSE) untuk
menentukan parameter dan seasonal lenght terbaik.
6. Memilih parameter (α) yang memberikan kesalahan peramalan
terkecil untuk metode tersebut.
7. Memprediksi jumlah pelanggaran lalu lintas bidang LLAJ 10 bulan
kedepan menggunakan dua metode terbaik dengan nilai parameter
dan seasonal lenght yang memiliki kesalahan terkecil.
Seluruh langkah tersebut perlu diperhatikan agar kegiatan
memprediksi yang dilakukan dapat berhasil dengan baik dan efektif.
31
32
1 |Y t −Y^ t|
n
MAPE= ∑
n t =1 Y t
1. 3 168,998
2. 5 188,777
3. 9 173,590
4. 15 156,403
5. 20 98,170
Dari Tabel 4.2 dapat dilihat bahwa hasil tersebut mempunyai seasonal
lenght yang berbeda dan dapat meminimalkan masing-masing nilai ukuran
kesalahan MAPE. Nilai ukuran kesalahan MAPE menurut tabel diatas,
semakin besar panjang seasonal-nya maka akan mengakibatkan nilai MAPE
mengecil. Selanjutnya dipilih parameter dengan nilai kesalahan paling
minimum pada nilai MAPE.
Tabel 4.2 menggambarkan nilai MAPE terkecil adalah 98,170 dengan
ukuran seasonal lenght adalah 20.
Dari kedua tabel parameter kesalahan ramalan tersebut yaitu pada
Tabel 4.1 dan Tabel 4.2 didapat nilai alpha, beta, gamma yang paling tepat
untuk meramalkan jumlah pelanggaran lalu lintas bagian LLAJ dengan
metode triple exponential smoothing adalah α =0.90, γ =0.40, β=0.10
dan seasonal length = 20 dengan nilai MAPE = 1,51357. Dengan
menggunakan metode moving average diperoleh seasonal length = 20
dengan nilai MAPE = 98,170.
Langkah selanjutnya yaitu memprediksi jumlah pelanggaran lalu
lintas bidang LLAJ Dinas Perhubungan Kab. Banyumas untuk 10 bulan
36
t
1
Ft +1 =
K
�X
i =t - K +1
t
1 20
F21 = �X t
20 i =1
1
= ( 12 + 19 + ... + 12 )
20
1
= (401)
20
= 20, 05
38
1
Ls =( Y1 + Y2 + ... + Ys )
s
1
L20 = ( 12 + 19 + ... + 12 )
20
1
= �401 = 20.05
20
1� Y -Y Y -Y Y -Y �
Ts = �s +1 1 + s + 2 2 + ... + s + s s �
s� s s s �
1 � 0 - 12 0 - 19 0 - 12 �
T20 = � + + ... +
20 � 20 20 20 � �
1
= �20, 05 = 1, 0025
20
sehingga didapat:
Y1 12
S1 = = = 0,598504
Ls 20, 05
Y2 19
S2 = = = 0,947631
Ls 20, 05
.
.
.
Ys
Ss =
Ls
b. Estimasi level
Y
Lt=α ∙ t +(1−α )∙(Lt −1+ T t −1) , dengan = 0,9
St −s
40
12
L21 = 0.9 � + (1 - 0.9) �(20.05 + 1.0025)
0.5985
= 20.15036
c. Estimasi trend
T t =γ ∙ ( Lt−Lt −1 )+(1−γ ) T t −1 , dengan = 0,4
T21 = 0.1�(20.15036 - 20.05) + (1 - 0.1) �1.0025
= 0.91229
d. Estimasi musiman
Y
S t =β ∙ t +(1−β )∙ S t −s , dengan = 0,4
Lt
12
S 21 = 0.4 � + (1 - 0.4) �0.5985
20.15036
= 0.597309
e. Ramalan pada p periode mendatang
Y^ t + p=(Lt + p ∙T t ) ∙ St −s+ p , dengan t = 20 dan p = 1
Yˆ21 = ( L20 + 1�T20 ) �S 20-20+1
= (20, 05 + 1�1,0025) �0,598504
= 12, 6001
BAB V
PENUTUP
5.1 Kesimpulan
Riset ini membahas mengenai prediksi jumlah pelanggaran lalu lintas
bidang LLAJ Dinas Perhubungan Kabupaten Banyumas untuk 10 bulan
kedepan, dengan metode peramalan. Metode yang sesuai dengan data
pelanggaran lalu lintas yang memiliki pola trend data musiman yaitu triple
exponential smoothing dan moving average.
Teknis analisis yang dilakukan yaitu dengan membandingkan hasil
dari kedua metode tersebut. Hasil riset menunjukkan bahwa prediksi jumlah
pelanggaran lalu lintas bidang LLAJ lebih cocok menggunakan metode
triple exponential smoothing dengan MAPE=1,89924 yang artinya prediksi
tersebut cukup akurat, dari pada menggunakan metode moving average
karena jika menggunakan metode moving average nilai error yang
dihasilkan cukup tinggi sehingga kurang akurat untuk meramalkan data
pelanggaran lalu lintas. Hasil prediksi pelanggaran lalu lintas bidang LLAJ
10 bulan kedepan menunjukkan bahwa terjadi fluktuasi peramalan di setiap
bulannya yang bersifat musiman.
Hasil perbandingan data aktual bulan Maret-Mei 2019 dengan data
ramalan bulan Maret-Mei 2019 menggunakan metode triple exponential
smoothing juga memberikan informasi error yang relatif kecil, yaitu 0,7%-
3% sehingga peramalan ini memiliki akurasi cukup baik. Sedangkan, hasil
perbandingan data aktual dengan perhitungan manual didapat nilai error
berkisar antara 0,7%-5% sehingga peramalan ini dapat dikatakan cukup
baik. Kemudian, untuk perbandingan peramalan manual dengan
MINITAB16 didapat nilai error berkisar antara 0,02%-7% sehingga
peramalan ini dapat dikatakan sudah cukup baik.
43
5.2 Saran
1. Untuk penelitian lebih lanjut sebaiknya membandingkan nilai akurasi
dan juga metodenya, seperti MSE dengan MAPE menggunakan 2
metode yang berbeda pula, atau MSE dengan MAD dan sebagainya.
2. Dari hasil prediksi jumlah pelanggaran lalu lintas untuk 10 bulan
kedepan mengalami naik turun atau bersifat musiman di setiap
bulannya, maka perlu antisipasi dari berbagai pihak terutama bagian
pengendalian operasional dan bagian pengujian kendaraan bermotor
untuk lebih menggalakkan ketertiban lalu lintas dengan melengkapi
surat-surat yang seharusnya selalu dibawa ketika mengendarai
kendaraan angkutan umum.
44
DAFTAR PUSTAKA
Aswi dan Sukarna. (2006). Analisis deret Waktu Teori dan Aplikasi. Makassar:
Andira Publisher.
Goh, C. dan Law, R. (2002). Modeling and Forecasting Tourism Demand for
Arrivals with Stochastic Nonstationary Seasonality and Intervention.
Tourism Management. 23: 499-510.
Montgomery, D. (2008). Forecasting and Time Series Analysis. New Jersey: Jhon
Wiley dan Sons.Inc.
LAMPIRAN
No
Tahun Bulan Jumlah Banyaknya Pelanggaran
.
1. Januari 12
2. Februari 19
3. Maret 24
4. 2017 Mei 23
5. Oktober 22
6. November 45
7. Desember 6
8. Januari 5
9. Februari 8
10. Maret 62
11. April 3
12. Mei 6
13. 2018 Juni 58
14. Juli 20
15. September 24
16. Oktober 21
17. November 4
18. Desember 20
19. Januari 7
2019
20. Februari 12
RIWAYAT HIDUP
47