Kelas C

LAPORAN PRAKTIKUM
ANALISIS RUNTUN WAKTU
Modul 3 : Double Exponential Smoothing

Nomor Tanggal Tanda Tangan

Nama Praktikan Praktikan
Mahasiswa Kumpul

Rini Aprilianty Riadi 17611063 15/10/2019

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Fauziyah Dewi Nisrina
Rizky Desi Ramadhani

Arum Handini Primandari,

S.Pd.Si., M.Sc.

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

i
Daftar Isi

Daftar Isi.................................................................................................................. ii
Daftar Gambar ........................................................................................................ iii
1 Pendahuluan .................................................................................................... 4
1.1 Exponential Smoothing............................................................................. 4
1.2 Double Exponentials Smoothing .............................................................. 4
2 Deskripsi Kerja................................................................................................ 5
2.1 Studi Kasus ............................................................................................... 5
2.2 Langkah Kerja .......................................................................................... 5
3 Pembahasan ................................................................................................... 10
4 Kesimpulan ................................................................................................... 14
5 Daftar Pustaka ............................................................................................... 15

ii
Daftar Gambar

Gambar 2.1. Download data tingkat inflasi ........................................................... 5

Gambar 2.1. Icon Rstudio ...................................................................................... 5
Gambar 2.1. Memasukkan data ............................................................................. 6
Gambar 2.2. Memasukkan data ............................................................................. 6
Gambar 2.3. Mengambil data ................................................................................ 6
Gambar 2.4. Prediksi SES alpha optimum ............................................................ 7
Gambar 2.4. Mencari ukuran kesalahan ................................................................ 7
Gambar 2.5. Prediksi 5 tahun kedepan .................................................................. 7
Gambar 2.5. Sintaks Membuat Plot ....................................................................... 7
Gambar 2.6. Install Packages ................................................................................ 8
Gambar 2.7. Menghitung DES .............................................................................. 8
Gambar 2.8. Model DES ....................................................................................... 8
Gambar 2.9. Nilai fitted value ............................................................................... 8
Gambar 2.10. Mencari ukuran kesalahan .............................................................. 9
Gambar 2.11. Plot .................................................................................................. 9
Gambar 3.1. Data ................................................................................................. 10
Gambar 3.1. Mencari dengan alpha optimum ..................................................... 10
Gambar 3.2. Prediksi 5 tahun kedepan ................................................................ 11
Gambar 3.2. Plot tingkat inflasi ........................................................................... 11
Gambar 3.3. Menghitung SSE , MSE, RMSE,MAPE......................................... 12
Gambar 3.4. Model DES ..................................................................................... 12
Gambar 3.4. Peramalan ....................................................................................... 13
Gambar 3.4. Ukuran kesalahan............................................................................ 13
Gambar 3.4. Plot .................................................................................................. 13

iii
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 runtun waktu dengan cara menurun (exponential).
Menggunakan semua semua data series untuk melakukan peramalan dengan bobot
lebih kecil peramalan dengan bobot lebih kecil untuk data yang lebih lama.
(Silvianti, 2015)

1.2 Double Exponentials Smoothing

Exponential Smoothing adalah suatu metode peramalan rata- rata bergerak
yang melakukan pembobotan menurun secara exponential terhadap nilai-nilai
observasi yang lebih tua. Metode exponential smoothing merupakan
pengembangan dari metode moving average. Dalam metode ini peramalan
dilakukan dengan mengulang perhitungan secara terus menerus dengan
menggunakan data terbaru. Rata-rata bergerak tunggal (Single Moving Average)
adalah suatu metode peramalan yang dilakukan dengan mengambil sekelompok
nilai pengamatan, mencari nilai rata-rata tersebut sebagai ramalan untuk periode
yang akan datang. (Cahaya Dewi,2017)
Peramalan dengan metode exponential Holt maupun Winter sering mengalami
overforecasting yaitu nilai peramalan yang naik secara eksponensial. Nilai tersebut
seringkali jauh lebih besar dibanding data aktualnya. Untuk mengatasi hal tersebut
ditambahkan parameter yang dapat meredam pertumbuhan secara eksponensial,
yaitu parameter damped.

4
2 Deskripsi Kerja

2.1 Studi Kasus

1. 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 DES (Double Exponential Smoothing)
menggunakan fungsi dasar R. Tentukan alpha optimum dan beta
optimum. Kemudian, tentukan peramalan untuk 5 periode ke depan.
3. Lakukan analisis data dengan SES menggunakan fungsi pada package
forecast. Tentukan alpha optimum, beta optimum, dan phi optimum.
Kemudian, tentukan peramalan untuk 5 periode ke depan.

2.2 Langkah Kerja

Dari studi kasus yang diberikan praktikan akan menyelesaikan kasus tersebut
menggunakan Rstudio.
1. Langkah pertama yang praktikan lakukan yaitu mengunduh data inflasi
periode September 2014 – September 2019.

Gambar 2.1. Download data tingkat inflasi

2. Membuka aplikasi Rstudio.

Gambar 2.2. Icon Rstudio

5
3. Setelah itu, praktikan menginput data dengan menggunakan fungsi
sintaks data=read.csv("D://KULIAH//sem 5//prak arw//Praktikum
3//data3.csv").Lalu untuk melakukan pengecakan data, praktikan
memasukan syntax View(data).

Gambar 2.3. Memasukkan data

4. Masukkan datanya , kemudian memasukkan sintaks dibawah ini agar
mengurutkan data menjadi ascending yaitu berdasarkan tanggal dari yang
terlama ke terbaru. Dari September 2014 – September 2019.

Gambar 2.4. Memasukkan data

5. Kemudian mengambil data dari data.rev yaitu kolom “Tingkat.Inflasi”,
kemudian ubah menjadi obyek time series dengan sintaks seperti pada gambar
dibawah :

Gambar 2.5. Mengambil data

6
6. Setelah itu melakukan prediksi DES dengan nilai alpha optimum dengan sintaks
dasar R yaitu HoltWinters.

Gambar 2.6. Prediksi SES alpha optimum

7. Selanjutnya, praktikan mencari nilai ukuran kesalahan yaitu SSE, MSE, RMSE
dan MAPE menggunakan fungsi sintaks sebagai berikut.

Gambar 2.7. Mencari ukuran kesalahan

8. Kemudian mencari nilai prediksi untuk 5 periode kedepan .

Gambar 2.8. Prediksi 5 tahun kedepan

9. Kemudian, praktikan menggunakan plot dengan fungsi sintaks seperti ini.

Gambar 2.9. Sintaks Membuat Plot

7
10. Selanjutnya ,Menghitung DES selain menggunakan fungsi dasar R, dapat pula
menggunakan fungsi pada package forecast. Install package forecast. Panggil
package tersebut dengan library(forecast).

Gambar 2.10. Install Packages

11. Hitung DES dengan sintaks: holt.data=(data.ts, h=5,alpha=NULL,
beta=NULL, phi=NULL”. untuk mendapatkan periode peramalan dengan
alpha optimum.

Gambar 2.11. Menghitung DES

12. Menampilkan model dari DES yang diperoleh.

Gambar 2.12. Model DES

13. Menampilkan nilai fitted value.

Gambar 2.13. Nilai fitted value

8
14. Mencari ukuran kesalahan, yaitu MSE, RMSE, dan MAPE.

Gambar 2.14. Mencari ukuran kesalahan

15. Menggambarkan plot data dan hasil peramalan .

Gambar 2.15. Plot

9
3 Pembahasan

Berdasarkan dari langkah kerja yang telah dilakukan pada bab sebelumnya
untuk menyelesaikan studi kasus yang ada praktikan akan menjawabnya lebih rinci
pada bagian pembahasan. Pada pratikum ini menggunakan aplikasi Rstudio.

Gambar 3.1. Data

Dapat dilihat pada gambar diatas merupakan data tingkat inflasi dari bulan
September tahun 2014 sampai bulan September 2019. Data yang didapatkan akan
diurutkan dari tahun 2014 ke tahun terbaru yaitu 2019. Dengan menggunakan
fungsi ascending berdasarkan date atau tanggal dan tahun maka data telah urut.
Karena kasus ini yang menggunakan double exponential smoothing maka
untuk mengetahui nilai alpha dan beta optimum digunakan fungsi NULL agar
mendapatkan nilai yang optimum, dengan sintaks sebagai berikut :
holt.inflasi=HoltWinters(Inflasi.ts, alpha = NULL, beta =
NULL,gamma = FALSE). Berdasarkan gambar diatas, dimana didapatkan hasil yang
optimum ketika alpha 1 dan beta 0.08890835, dengan nilai koefisien untuk nilai
alpha 0.03399 dan beta 0.0001445827.

Gambar 3.2. Mencari dengan alpha optimum

10
 Agar mengetahui nilai prediksi tingkat inflasi untuk 5 periode kedepan,
maka dapat dihitung menggunakan fungsi prediksi=predict(holt.data,5).
Didapatkan nilai prediksi dari bulan Oktober 2019 – Februari 2020 berbeda-beda,
yaitu bulan Oktober sebesar 0.03404468, bulan November sebesar 0.03418937,
bulan Desember 0.03433405, bulan Januari 0.03447873, bulan Februari
0.03462341. Karena double exponential smoothing untuk periode 1 ke periode
selanjutnya akan berbeda walaupun perbedaanya hanya sedikit.

Gambar 3.3. Prediksi 5 tahun kedepan

Berdasarkan plot data aktual, peramalan dan fitted value. Data aktual
ditunjukan oleh kurva berwarna biru yang merupakan data asli dari tingkat inflasi.
Data peramalan merupakan nilai prediksi untuk 5 periode ke depan yang ditunjukan
kurva berwarna hijau. Sedangkan kurva berwarna merah atau “merah” menunjukan
nilai fitted value yaitu nilai prediksi data asli. Garis vertikal putus-putus berwarna
hitam menunjukan batas antara data asli dan data peramalan.

Gambar 3.4. Plot tingkat inflasi

Untuk membandingkan dan mengetahui apakah metode ini layak digunakan
maka didapatkan ukuran kesalahan yaitu nilai SSE sebesar 0.001970273. Nilai
MSE sebesar 3.33944x10-5. Nilai RMSE sebesar 0.005778794 dan nilai MAPE

11
9.063098 sebesar. Didapatkan nilai MAPE tersebut sangat baik karena bernilai <
10%, maka untuk kasus tingkat inflasi ini memiliki nilai MAPE yang sangat baik.

Gambar 3.5. Menghitung SSE , MSE, RMSE,MAPE

Kemudian untuk menggunakan packages jangan lupa untuk menginstall
packages forecast. Didapatkan perbedaannya yaitu dengan menambahkan
parameter damped yaitu nilai phi. Dimana akan terdapat tiga parameter yaitu alpha,
beta, dan phi. Dapat dilihat hasil optimum dari masing-masing parameter alpha
sebesar 0.9999, beta sebesar 0.1034, dan phi sebesar 0.8.

Gambar 3.6. Model DES

Praktikan menghitung nilai prediksi untuk tingkat inflasi pada 5 periode ke
depan. Didapatkan nilai prediksi untuk bulan Oktober 2019 – Februari 2020
berbeda-beda, dari bulan ke bulan bahkan naik nilai prediksinya walaupun hanya
sedikit. Hasilnya dapat dilihat pada gamabr 3.4. “Lo 80” menunjukan batas bawah
untuk tingkat kepercayaan 80% dan “Hi 80” menunjukan batas atas untuk tingkat
kepercayaan 80%, begitu seterusnya. Didapat peramalan bulan Oktober sebesar
0.03403538, bulan November sebesar 0.03414358, bulan Desember 0.03423014,
bulan Januari 0.03429940, bulan Februari 0.03435480.

12
 Gambar 3.7. Peramalan
Untuk ukuran kesalahan, didapatkan nilai MSE sebesar 2.906987x10-5.
Nilai RMSE sebesar 0.005391648. Nilai MAPE sebesar 8.560601. Nilai MAPE
tersebut sangat baik karena bernilai < 10%. Hasilnya tidak berbeda dengan hasil
pada subbabb sebelumnya yang menggunakan fungsi dasar.

Gambar 3.8. Ukuran kesalahan

Selanjutnya merupakan plot data aktual, peramalan dan fitted value. Data
aktual ditunjukan oleh kurva berwarna ungu yang menujukkan data asli tingkat
inflasi. Data peramalan yaitu nilai prediksi untuk 5 periode ke depan yang
ditunjukan garis disebelah kanan yang memprediksi sampai tahun 2020 yaitu
berwarna biru. Sedangkan kurva berwarna hijau menunjukan nilai fitted value yaitu
nilai prediksi data asli.

Gambar 3.9. Plot

13
4 Kesimpulan

Setelah dibuat analisis didapatkan kesimpulan bahwa :

1. Dengan menggunakan fungsi dasar R diperoleh nilai optimum dari alpha
sebesar 1, dan beta 0.08890835 dengan hasil peramalan bulan Oktober
2019 0.03404468, bulan November 0.03418937, bulan Desember
0.03433405 dan bulan Januari 2020 0.03447873, bula Februari
0.03462341.
2. Sedangkan dengan menggunakan packages forecast dengan
menambahkan parameter damped diperoleh nilai optimum dari alpha
sebesar 0.9999, beta 0.1034, dan phi 0.8.
3. Dengan menggunakan Double Exponential Smoothing dapat
meramalkan untuk beberapa periode ke depan, dengan peramalan yang
didapatkan nilai yang berbeda dari bulan ke bulan yang ditentukan.
4. Dari hasil MAPE yang diperoleh dapat diketahui metode peramalan yang
lebih baik digunakan adalah menggunakan packages forecast dengan
parameter damped. Karena setelah dibandingkan memiliki nilai
keakuratan yang lebih baik yaitu 8.560601 dibandingkan menggunakan
fungsi dasar R.

14
5 Daftar Pustaka

Kartikasari, Mujiati Dwi. 2017. Modul Praktikum Analisis Runtun Waktu.

Yogyakarta: Jurusan Statistika Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Islam Indonesia
Nurul. (2014, March). Exponential Smoothing. Retrieved from
http://mjnurul.blogspot.com/2014/03/exponential-smoothing.html
https://jurnal.umk.ac.id/index.php/SNA/article/viewFile/332/349.
Silvianti, P. (2015). Eksponensial Smoothing. Retrieved from
http://pikasilvianti.staff.ipb.ac.id/files/2015/03/3_pemulusan-
eksponensial.pdf

15