Kelas A

LAPORAN PRAKTIKUM
Praktikum Analisis Runtun Waktu
Modul 2 : SES

Nomor Tanggal Tanda Tangan

Nama Praktikan Mahasiswa Kumpul Praktikan

Riza Purnaramadhan 17611048 10/10/2019

Tanggal Tanda tangan

Nama Penilai Koreksi Nilai
Asisten Dosen
Dhinda Seftiyani
Syinta Nuri

Arum Handini Primandari,

S.Pd.Si., M.Si.

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2019
Daftar Isi

Halaman sampul ............................................................................................. i

Daftar Isi.................................................................................................................... 2
Daftar Gambar ........................................................................................................... 3
1 Pendahuluan ...................................................................................................... 4
1.1 Exponential Smoothing............................................................................... 4
1.2 Simple Exponential Smoothing ................................................................... 4
2 Deskripsi Kerja.................................................................................................. 5
2.1 Studi Kasus ................................................................................................. 5
2.2 Langkah Kerja ............................................................................................ 5
3 Pembahasan ..................................................................................................... 13
4. Penutup............................................................................................................ 17
5. Daftar Pustaka ................................................................................................. 19

ii
Daftar Gambar

Gambar 2.1 Data Inflasi ....................................................................................... 5

Gambar 2.2 Data Setelah Diurutkan .................................................................. 6
Gambar 2.3 Data Runtun Waktu Inflasi ............................................................ 6
Gambar 2.4 Plot Data Inflasi ............................................................................... 7
Gambar 2.5 Model SES (Basic R) ....................................................................... 7
Gambar 2.6 Fitted Value ...................................................................................... 8
Gambar 2.7 Pengukuran Kesalahan SES ........................................................... 8
Gambar 2.8 Prediksi Data Inflasi 5 Periode Kedepan ...................................... 8
Gambar 2.9 Syntax Plot Data Aktual dan Hasil Peramalan ............................ 9
Gambar 2.10 Plot Data Aktual, Fitted, dan Peramalan Inflasi ........................ 9
Gambar 2.11 Hasil Peramalan dengan SES ..................................................... 10
Gambar 2.12 Model SES dengan Alpha Optimum.......................................... 10
Gambar 2.13 Fitted Value dari SES .................................................................. 11
Gambar 2.14 Pengukuran Kesalahan SES ....................................................... 11
Gambar 2.15 Syntax Plot Data Hasil Peramalan ............................................. 11
Gambar 2.16 Plot Data Aktual VS Fitted Value & Hasil Peramalan ............ 12
Gambar 3.1 Model SES (Basic R) ..................................................................... 13
Gambar 3.2 Prediksi Data Inflasi 5 Periode Kedepan .................................... 13
Gambar 3.3 Plot Data Aktual, Fitted, dan Peramalan Inflasi ........................ 14
Gambar 3.4 Model SES dengan Alpha Optimum ............................................ 14
Gambar 3.5 Hasil Peramalan dengan SES ....................................................... 15
Gambar 3.6 Plot Data Aktual, Fitted, dan Peramalan Inflasi ........................ 16

3
1 Pendahuluan

1.1 Exponential Smoothing

Exponential Smoothing adalah suatu prosedur yang secara terus
menerus memperbaiki peramalan dengan merata-rata (menghaluskan =
smoothing) nilai masa lalu dari suatu data runtut waktu dengan cara
menurun (exponential). Menurut Trihendradi (2005) 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. (Nurul,
2019)

1.2 Simple Exponential Smoothing

Simple Exponential Smoothing, metode ini digunakan untu
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). Konstanta
smoothing mungkin berkisar dari 0 ke 1. Nilai yang dekat dengan 1
memberikan penekanan terbesar pada nilai saat ini sedangkan nilai yang
dekat dengan 0 memberi penekanan pada titik data sebelumnya. (Nurul,
2019)

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 0 dan 1 (Nurul, 2019)

4
 2 Deskripsi Kerja
2.1 Studi Kasus
1. Pilih Unduh data inflasi yang tersedia di laman
https://www.bi.go.id/id/Default.aspx dari bulan September 2014 hingga
September 2019.

2. Lakukan analisis data dengan SES menggunakan fungsi dasar R.

Tentukan alpha optimum. Kemudian, tentukan peramalan untuk 5 periode
ke depan.

3. Lakukan analisis data dengan SES menggunakan fungsi pada package

forecast. Tentukan alpha optimum. Kemudian, tentukan peramalan untuk
5 periode ke depan.
2.2 Langkah Kerja

A. Analisis Data dengan SES Menggunakan Fungsi Dasar R

1. Baca suatu data berformat csv dengan sintaks: nama objek =
read.csv(file.choose(), header=TRUE). Kemudian tampilkan data dengan sintaks:
View(data).

inflasi=read.csv(file.choose(), header=TRUE)
View (inflasi)

Gambar 2.1 Data Inflasi

2. Ubah urutan data menjadi ascending berdasarkan date dan berikan nama obyek
inflasi.rev, dengan sintaks: data[order(nrow(data):1,)]

5
 Gambar 2.2 Data Setelah Diurutkan
3. Ambil data dari inflasi.rev yaitu kolom “Tingkat Inflasi”, kemudian ubah
menjadi obyek time series dengan sintaks: ts(data, start = c(tahun, bulan),
frequency = 12)
inflasi.ts = ts(inflasi.rev$Tingkat.Inflasi,
start=c(2014, 9), frequency = 12)
inflasi.ts

Gambar 2.3 Data Runtun Waktu Inflasi

4. Gambarkan plot data untuk melihat pola data.

6
 Gambar 2.4 Plot Data Inflasi

5. Hitung SES dengan nilai 𝛼 optimum dengan sintaks dasar R yaitu

HoltWinters(data, alpha = NULL, beta = FALSE, gamma = FALSE).
Berikan nama obyeknya ses.inflasi.

Gambar 2.5 Model SES (Basic R)

6. Tampilkan nilai “fitted value”. Kemudian hitung nilai Sum Square Error
(SSE), Mean Square Error (MSE), Root Mean Square Error (RMSE), dan
Mean Absolute Percentage Error (MAPE).

7
 Gambar 2.6 Fitted Value

Gambar 2.7 Pengukuran Kesalahan SES

7. Lakukan peramalan untuk 5 periode ke depan dengan sintaks: predict(data,

h). Berikan nama obyek pred.sesb.

Gambar 2.8 Prediksi Data Inflasi 5 Periode Kedepan

8. Gambarkan plot data aktual dengan sintaks plot(data, …), data fitted value
dengan sintaks lines(data, …), dan hasil peramalan dengan sintaks:

8
 lines(data, …). Gambarkan juga garis batas antara data dengan hasil
peramalan dengan sintaks: abline(data, …).

Gambar 2.9 Syntax Plot Data Aktual dan Hasil Peramalan

Gambar 2.10 Plot Data Aktual, Fitted, dan Peramalan Inflasi

B. Analisis Data dengan SES Menggunakan Fungsi Pada Package Forecast

Menghitung SES, selain menggunakan fungsi dasar R, dapat pula

menggunakan fungsi pada package forecats
1. Install package forecast kemudian panggil package tersebut dengan
library(forecast).
2. Hitung SES dengan sintaks: ses(data, h = banyaknya periode peramalan, alpha
= NULL) untuk mendapatkan nilai 𝛼 optimum.

9
 Gambar 2.11 Hasil Peramalan dengan SES

3. Tampilkan model dari SES yang diperoleh. Tampilkan pula nilai fiited value.

Gambar 2.12 Model SES dengan Alpha Optimum

10
 Gambar 2.13 Fitted Value dari SES
4. Tentukan ukuran kesalahan, yaitu MSE, RMSE, dan MAPE.

Gambar 2.14 Pengukuran Kesalahan SES

5. Gambarkan plot data dan hasil peramalannya dengan sintaks: plot(model).

Kemudian tambahkan grafik untuk fitted value.

Gambar 2.15 Syntax Plot Data Hasil Peramalan

11
Gambar 2.16 Plot Data Aktual VS Fitted Value & Hasil Peramalan

12
 3 Pembahasan
A. Analisis Data dengan SES Menggunakan Fungsi Dasar R

Gambar 3.1 Model SES (Basic R)

Bisa dilihat pada gambar 3.1 bahwasannya nilai alpha optimum
menggunakan fungsi dasar R adalah sebesar 0.9999479, untuk memperoleh alpha
optimum adalah dengan cara men-setting syntax R pada alpha dengan diisikan
dengan perintah NULL, maka akan otomatis menentukan alpha optimum

Gambar 3.2 Prediksi Data Inflasi 5 Periode Kedepan

Untuk nilai peramalan tingkat inlasi 5 periode kedepan yaitu pada bulan
oktober, november, desember tahun 2019, dan bulan januari, februari tahun 2020
menggunakan fungsi dasar R berturut turut adalah semuannya sebesar 33.9 %

13
 Gambar 3.3 Plot Data Aktual, Fitted, dan Peramalan Inflasi
Bisa dilihat bahawasannya pada gambar 3.3 garis yang berwarna biru
adalah data actual dan garis yang berwarna merah adalah yang berwarna merah,
kemudian untuk data peramalannya adalah garis yang berwarna hijau.

B. Analisis Data dengan SES Menggunakan Fungsi Pada Package Forecast

Gambar 3.4 Model SES dengan Alpha Optimum

Bisa dilihat bahwasannya nilai alpha optimum menggunakan fungsi pada
package forecast adalah sebesar 0.9999, untuk memperoleh alpha optimum adalah
dengan cara men-setting syntax R pada alpha dengan diisikan dengan perintah
NULL, maka akan otomatis menentukan alpha optimum.

14
 Gambar 3.5 Hasil Peramalan dengan SES
Bisa dilihat pada gambar 3.5 hasil peramalan tingkat inflasi 5 periode
kedepan dengan fungsi pada package forecast yaitu pada oktober tahun 2019
dengan point forecast nya adalah sebesar 33.9 % dan memiliki peramalan batas
bawah dengan tingkat kepercayaan 80 % sebesar 2.67 % sedangkan batas atasnya
sebesar 4.1 %, kemudian juga memiliki peramalan batas bawah dengan tingkat
kepercayaan 95 % sebesar 2.2% sedangkan batas atasnya sebesar 4.4%.
Pada bulan November tahun 2019 dengan point forecast nya adalah
sebesar 33.9 % dan memiliki peramalan batas bawah dengan tingkat kepercayaan
80 % sebesar 2.37 % sedangkan batas atasnya sebesar 4.4 %, kemudian juga
memiliki peramalan batas bawah dengan tingkat kepercayaan 95 % sebesar 1.8 %
sedangkan batas atasnya sebesar 4.9%.
Pada bulan Desember tahun 2019 dengan point forecast nya adalah
sebesar 33.9 % dan memiliki peramalan batas bawah dengan tingkat kepercayaan
80 % sebesar 2.14 % sedangkan batas atasnya sebesar 4.6 %, kemudian juga
memiliki peramalan batas bawah dengan tingkat kepercayaan 95 % sebesar 1.4 %
sedangkan batas atasnya sebesar 5.2%.
Pada bulan Januari tahun 2020 dengan point forecast nya adalah sebesar
33.9 % dan memiliki peramalan batas bawah dengan tingkat kepercayaan 80 %
sebesar 1.95 % sedangkan batas atasnya sebesar 4.8 %, kemudian juga memiliki
peramalan batas bawah dengan tingkat kepercayaan 95 % sebesar 1.1 %
sedangkan batas atasnya sebesar 5.5%
Pada bulan Februari tahun 2020 dengan point forecast nya adalah sebesar

15
33.9 % dan memiliki peramalan batas bawah dengan tingkat kepercayaan 80 %
sebesar 1.78 % sedangkan batas atasnya sebesar 4.9 %, kemudian juga memiliki
peramalan batas bawah dengan tingkat kepercayaan 95 % sebesar 0.9 %
sedangkan batas atasnya sebesar 5.8%

Gambar 3.6 Plot Data Aktual, Fitted, dan Peramalan Inflasi

Bisa dilihat bahawasannya pada gambar 3.6 garis yang berwarna biru
adalah data actual dan garis yang berwarna merah adalah yang berwarna merah,
kemudian untuk data peramalannya adalah garis yang berwarna biru tua tebal
dibagian ujung, dan untuk warna abu-abu tua itu adalah nilai batas bawah sampai
batas atas dengan tingkat kepercayaan 90 %, sedangkan yang warna abu-abu
muda adalah nilai batas bawah sampai batas atas dengang tingkat kepercyaan 80
%.

16
 4. Penutup

Kesimpulan yang dapat diambil dari laporan kali ini adalah :

1. Bisa dilihat pada gambar 3.1 bahwasannya nilai alpha optimum menggunakan
fungsi dasar R adalah sebesar 0.9999479, untuk memperoleh alpha optimum
adalah dengan cara men-setting syntax R pada alpha dengan diisikan dengan
perintah NULL, maka akan otomatis menentukan alpha optimum.
2. Untuk nilai peramalan tingkat inlasi 5 periode kedepan yaitu pada bulan
oktober, november, desember tahun 2019, dan bulan januari, februari tahun
2020 menggunakan fungsi dasar R berturut turut adalah semuannya sebesar
33.9 %
3. Bisa dilihat bahawasannya pada gambar 3.3 garis yang berwarna biru adalah
data actual dan garis yang berwarna merah adalah yang berwarna merah,
kemudian untuk data peramalannya adalah garis yang berwarna hijau.
4. Bisa dilihat bahwasannya nilai alpha optimum menggunakan fungsi pada
package forecast adalah sebesar 0.9999, untuk memperoleh alpha optimum
adalah dengan cara men-setting syntax R pada alpha dengan diisikan dengan
perintah NULL, maka akan otomatis menentukan alpha optimum
5. Bisa dilihat pada gambar 3.5 hasil peramalan tingkat inflasi 5 periode kedepan
dengan fungsi pada package forecast yaitu pada oktober tahun 2019 dengan
point forecast nya adalah sebesar 33.9 % dan memiliki peramalan batas bawah
dengan tingkat kepercayaan 80 % sebesar 2.67 % sedangkan batas atasnya
sebesar 4.1 %, kemudian juga memiliki peramalan batas bawah dengan tingkat
kepercayaan 95 % sebesar 2.2% sedangkan batas atasnya sebesar 4.4%.
Pada bulan November tahun 2019 dengan point forecast nya adalah
sebesar 33.9 % dan memiliki peramalan batas bawah dengan tingkat
kepercayaan 80 % sebesar 2.37 % sedangkan batas atasnya sebesar 4.4 %,
kemudian juga memiliki peramalan batas bawah dengan tingkat kepercayaan
95 % sebesar 1.8 % sedangkan batas atasnya sebesar 4.9%.
Pada bulan Desember tahun 2019 dengan point forecast nya adalah

17
 sebesar 33.9 % dan memiliki peramalan batas bawah dengan tingkat
kepercayaan 80 % sebesar 2.14 % sedangkan batas atasnya sebesar 4.6 %,
kemudian juga memiliki peramalan batas bawah dengan tingkat kepercayaan
95 % sebesar 1.4 % sedangkan batas atasnya sebesar 5.2%.
Pada bulan Januari tahun 2020 dengan point forecast nya adalah sebesar
33.9 % dan memiliki peramalan batas bawah dengan tingkat kepercayaan 80 %
sebesar 1.95 % sedangkan batas atasnya sebesar 4.8 %, kemudian juga memiliki
peramalan batas bawah dengan tingkat kepercayaan 95 % sebesar 1.1 %
sedangkan batas atasnya sebesar 5.5%.
Pada bulan Februari tahun 2020 dengan point forecast nya adalah sebesar
33.9 % dan memiliki peramalan batas bawah dengan tingkat kepercayaan 80 %
sebesar 1.78 % sedangkan batas atasnya sebesar 4.9 %, kemudian juga memiliki
peramalan batas bawah dengan tingkat kepercayaan 95 % sebesar 0.9 %
sedangkan batas atasnya sebesar 5.8%.
6. Bisa dilihat bahawasannya pada gambar 3.6 garis yang berwarna biru adalah
data actual dan garis yang berwarna merah adalah yang berwarna merah,
kemudian untuk data peramalannya adalah garis yang berwarna biru tua tebal
dibagian ujung, dan untuk warna abu-abu tua itu adalah nilai batas bawah
sampai batas atas dengan tingkat kepercayaan 90 %, sedangkan yang warna
abu-abu muda adalah nilai batas bawah sampai batas atas dengang tingkat
kepercyaan 80 %.

18
 5. Daftar Pustaka
Nurul. (2019, 10 Kamis). Exponential Smoothing. Retrieved from mjnurul.blogspot.com:
http://mjnurul.blogspot.com/2014/03/exponential-smoothing.html

19
20