PENGOPTIMALAN PARAMETER PADA METODE SINGLE

EXPONENTIAL SMOOTHING DENGAN APLIKASI METODE

GOLDEN SECTION
Anisa Rahmasari
Jurusan Statistika, Fakultas Sains Terapan, Institut Sains & Teknologi AKPRIND
Jl. Kalisahak 28 Kompleks Balapan Tromol Yogyakarta
Telp : 081236250208, Fax : -
Email : ansrhmsr@gmail.com

Abstrak
Exponential Smoothing merupakan salah satu metode yang dapat
digunakan untuk memprediksi data runtun waktu yang memiliki pola tren
musiman. Dalam penelitian ini, metode pemulusan eksponensial digunakan
adalah Single Exponential Smoothing. Tujuan penelitian ini adalah melakukan
optimasi parameter model pada metode Single Exponential Smoothing
menggunakan metode Golden Section untuk meminimukan nilai MAPE,
mendapatkan metode terbaik guna memprediksi data harga saham BBNI
periode Juni 2016 sampai Desember 2018. Berdasarkan analisis tersebut
diperoleh parameter yang optimum dari metode Single Exponential Smoothing
dengan parameter alpha 0,001 dan nilai MAPE sebesar 0,98%.
Kata Kunci : Peramalan, Harga Saham, Double Exponential Smoothing.

1. Pendahuluan
1.1 Latar Belakang
Data runtun waktu yang terjadi di lapangan biasanya mengandung beberapa
pola seperti tren maupun pola musiman. Salah satu metode yang dapat
digunakan untuk memprediksi data runtun waktu yang dimiliki pola tren
maupun pola tren musiman adalah metode Exponential Smoothing dimana
terdapat parameter pembobot untuk pemulusan data runtun waktu. Metode
Exponential Smoothing terbagi menjadi tiga bagian yaitu Single Exponential
Smoothing, Double Exponential Smoothing dan Triple Exponential Smoothing
Holt-Winters. Pada metode Exponential Smoothing dibutuhkan beberapa
parameter agar menghasilkan model yang baik. Salah satu kriteria model yang
baik adalah model dengan nilai Mean Absolute Percentage Error (MAPE) yang
minimum. Parameter tersebut didapat dengan melakukan trial-error. Metode
trial-error membutuhkan waktu yang cukup banyak untuk mendapatkan

1
 parameter yang meminimumkan MAPE yang dihasilkan seminimum mungkin.
Dengan data yang digunakan adalah harga saham emiten BBNI (Juni 2016 –
Mei 2018).
1.2 Rumusan Masalah
Berdasarkan pemaparan latar belakang di atas, maka rumusan masalah yang
akan digunakan dalam peneltian ini yaitu sebagai berikut :
1. Bagaimana menentukan parameter optimal pada metode Single Exponential
Smoothing.
2. Bagaimana hasil prediksi harga saham emiten BBNI dengan data Juni 2016
sampai Mei 2018 untuk beberapa periode ke depan.
1.3 Batasan Masalah
Peneliti merumuskan batasan masalah yang akan dibahas dalam penelitian ini
yaitu pembahasan mengenai metode Single Exponential Smoothing dan metode
optimasi parameter untuk menggunakan metode Golden Section dengan data
harga saham emiten BBNI bulan Juni 2016 sampai Mei 2018. Dalam penelitian
ini menggunakan nilai epsilon sebesar 0,01.
1.4 Tujuan
Penelitian ini bertujuan antara lain, yaitu:
1. Melakukan optimasi untuk parameter model pada metode Single
Exponential Smoothing menggunakan metode Golden Section dengan
fungsi tujuan adalah meminimumkan nilai MAPE.
2. Mendapatkan nilai prediksi menggunakan parameter yang optimal untuk
tiap-tiap metode pada harga saham BBNI dari periode Juni 2016 sampai
Mei 2018.
2. Tinjauan Pustaka
2.1 Peramalan
Peramalan adalah salah satu unsur yang sangat penting dalam
pengambilan keputusan, sebab efektif atau tidaknya suatu keputusan tergantung
pada beberapa faktor yang tidak dapat dilihat pada waktu keputusan itu diambil.
2.2 Ukuran kesalahan
Adapun beberapa ukuran kesalahan, yang diantaranya menyangkut galat
persentase. Adapun macam-macam galat persentase sebagai berikut:
1. Galat Persentase (Percentage Error)
𝑋𝑡−𝐹𝑡
𝑃𝐸𝑡 = ( ) (100%)
𝑋𝑡
2. Nilai Tengah Galat Persentase (Mean Percentage Error)
𝑛
𝑀𝑃𝐸 = ∑ 𝑃𝐸𝑡/𝑛
𝑡=1

3. Nilai Tengah Galat Persentase Absolut (Mean Absolut Percentage Error)

2
 𝑀𝐴𝑃𝐸 = ∑𝑛𝑡=1|𝑃𝐸𝑡|/𝑛
Keterangan:
PEt = Nilai galat persentase pada periode ke t
Xt = Data pada periode ke t
Ft = Nilai prediksi pada periode ke t
n = Banyaknya data runtun waktu
2.3 Exponential Smoothing
Metode pemulusan (Smoothing) eksponensial merupakan sebuah metode yang
menunjukan pembobotan menurun secara eksponensial terhadap nilai
pengamatan sebelumnya. Oleh karena itu, metode ini disebut prosedur
pemulusan eksponensial. Seperti halnya metode rata-rata bergerak, metode
pemulusan eksponensial terdiri atas tunggal, ganda dan metode yang lebih
rumit.
2.4 Single Exponential Smoothing
𝐹𝑡+1 = 𝑎𝑋𝑡 + (1 − 𝛼)𝐹𝑡
Dengan
Xt = Data pada periode ke t
𝛼 = Pembobot satu parameter
𝐹𝑡 = Nilai prediksi pada periode ke t
2.5 Mean Absolute Percentage Error (MAPE)
Persentase kesalahan absolut rata-rata dihitung dengan menemukan
kesalahan absolut tiap periode dengan membagi dengan nilai observasi
pada periode tersebut kemudian dipersentasekan. Metode ini memberikan
petunjuk seberapa besar kesalahan peramalan dibanding dengan nilai
sebenarnya.

3. Metode Penelitian
Jenis data yang digunakan dalam penelitian ini adalah data sekunder
dengan Time Series data bulanan selama Juni 2016 sampai Mei 2018 dengan
data penutupan saham di Bursa Efek Indonesia. Pengolahan data yang
digunakan dalam penelitian ini adalah dengan menggunakan program
Microsoft Excel. Metode analisis data yang digunakan yaitu dengan
menggunakan analisis Forecasting Single Eksponensial Smoothing.
4. Hasil dan Pembahasan
4.1 Data

3
 Meramalkan harga saham emiten BBNI. Data yang digunakan dalam
penelitian ini adalah data sekunder yang diambil dari Bursa Efek Indonesia
yang terdiri dari data saham Bank dari Juni 2016 – Mei 2018. Data ini
mengandung trend, sehingga dapat dilanjutkan dengan Metode Double
Exponential Smoothing.

No Date BBNI
1 Jun 01, 2016 5200
2 Jul 01, 2016 5350
3 Aug 01, 2016 5875
4 Sep 01, 2016 5550
5 Oct 01, 2016 5575
6 Nov 01, 2016 5175
7 Dec 01, 2016 5525
8 Jan 01, 2017 5700
9 Feb 01, 2017 6250
10 Mar 01, 2017 6475
11 Apr 01, 2017 6375
12 May 01, 2017 6550
13 Jun 01, 2017 6600
14 Jul 01, 2017 7450
15 Aug 01, 2017 7350
16 Sep 01, 2017 7400
17 Oct 01, 2017 7600
18 Nov 01, 2017 8100
19 Dec 01, 2017 9900
20 Jan 01, 2018 9400
21 Feb 01, 2018 9725
22 Mar 01, 2018 8675
23 Apr 01, 2018 8050
24 May 01, 2018 8050
4.2 Pola Data
Data harga saham BBNI periode Juni 2016 sampai Mei 2018 setelah dibentuk
plot membentuk pola tren.

4
 Chart Title

12000

10000

8000

6000

4000

2000

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

4.3 Langkah-langkah analisis

1. Metode batas bawah (a), batas atas (b) dan nilai toleransi berhentinya iterasi
(eps) untuk metode Exponential Smoothing batas bawah bernilai 0 dan
batas atas bernilai 1.
2. Menghitung nilai Golden Ratio
3. Menentukan harga awal untuk parameter
Alpha1 = r*a + (1-r)*d
Alpha2 = a + d – b
4. Mencari f(x) maksimum diantara kombinasi xi-alpha, alpha2
5. Mengurangi batas interval berdasarkan kriteria Golden Section
6. Mengulangi langkah 5 dan 6 sampai |b-a| ≤ eps
7. Mencari f(x) minimum diantara kombinasi x = a, b, alpha1, alpha2
8. Menentukan hasil xmin = x dan f(xmin) = f(x)
4.4 Hasil

Iterasi α1 α2 f(α1) f(α2) b-a

1 0,382 0,618 0,31 0,25 0,382
2 0,236 0,382 0,38 0,31 0,618
3 0,146 0,236 0,47 0,38 0,382
4 0,09 0,146 0,6 0,47 0,236
5 0,056 0,09 0,72 0,6 0,146
6 0,034 0,056 0,8 0,72 0,090

5
 7 0,021 0,035 0,87 0,8 0,056
8 0,013 0,022 0,91 0,87 0,034
9 0,08 0,014 0,94 0,91 0,022
10 0,005 0,009 0,96 0,94 0,012
11 0,003 0,006 0,97 0,95 0,010
12 0,002 0,004 0,97 0,97 0,002
13 0,002 0,002 0,98 0,97 0,008
14 0,001 0,001 0,98 0,98 -0,006

Pada tabel telah tertera bahwa nilai alpha1 dan alpha2 telah konvergen
yang artinya bahwa nilai alpha sebesar 0,001 dan nilai MAPE 0,98%. Hasil
perhitungan dengan menggunakan 24 data.
5. Penutup
5.1 Kesimpulan
Data yang dianalisis mengandung pola tren, sehingga dapat
dilanjutkan dengan menggunakan metode Single Exponential
Smoothing. Dilakukan perhitungan sebanyak 14 iterasi diperoleh nilai α
yang minimum adalah 0.001 untuk nilai ekspor dengan f(0.001)
menghasilkan nilai MAPE sebesar 0.98%. Perhitungan ini berhenti pada
iterasi Ke 14, karena nilai α1 dan α2 telah konvergen atau nilai |b-a|≤ 𝜀
dengan nilai b=0.002 dan a=0.008 untuk nilai ekspor sehingga |b-
a|=|0.002-0.008|=0.006 dimana kurang dari 𝜀 = 0.01
5.2 Saran
Berdasarkan kesimpulan yang telah diuraikan diketahui bahwa
metode Golden Section dapat digunakan untuk menyelesaikan
persamaan non linear, pada kasus ini untuk mendapatkan parameter dan
nilai MAPEnya terlalu kecil, menggunakan data yang lebih baik untuk
mennyelesaikan analisis metode Golden Section.
6. Daftar Pustaka
G. Rendra, Nadia Z., & Sofiana M. 2018. Komparasi Metode Peramalan
Jumlah Permintaan Kamar. Jurnal Ilmiah Informatika Global 2 (9): 95-100.
https://id.investing.com/equities/bank-BBNI-tbk-historical-data