Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017

ISSN 2301-9425 (Media Cetak)

Hal: 214-220

PENERAPAN METODE EXPONENTIAL SMOOTHING DALAM

MEMPREDIKSI JUMLAH SISWA BARU
(STUDI KASUS: SMK PEMDA LUBUK PAKAM)
Kurniagara

Mahasiswa Teknik Informatika STMIK Budi Darma

Jl. Sisingamangaraja No. 338 Simpanglimun Medan

ABSTRAK
Permasalahan dalam penelitian ini adalah berapa jumlah calon siswa dengan menggunakan metode penghalusan eksponensial
(exponential smoothing) untuk peramalan (forecasting) jumlah calon siswa baru. Tujuan dari penelitian ini dalakukan untuk
mengetahui dan menganalisis penggunaan metode penghalusan eksponensial (exponential smoothing) untuk peramalan
(forecasting) jumlah calon mahasiswa baru pada jurusan matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
(FMIPA) Universitas Negeri Semarang (UNNES) tahun 2006. Pengambilan data dalam penelitian ini dalakukan dengan
observasi. Data yang diambil adalah laporan calon siswa baru mulai tahun 2011 sampai dengan tahun 2016. Setelah itu
dilakukan analisis data untuk menetukan model penghalusan eksponensial (exponential smoothing) yang sesuai untuk
peramalan (forecasting) jumlah calon siswa baru dari data yang tersedia. Untuk menentukan model yang sesuai untuk
peramalan (forecasting) dari data yang tersedia dihitung setiap metode smoothing serta dicari metode yang memberi kesalahan
peramalan (forecasting) yang paling kecil. Kemudian setelah dilakukan analisis data, untuk peramalan (forecasting) jumlah
calon mahasiswa baru dipilih metode single exponential smoothing dengan alpha = 0,9.

Kata Kunci: prediksi siswa SMK Pemda Lubuk Pakam , Exponential Smoothing

I. PENDAHULUAN akan dibangun dapat menghasilkan jumlah prediksi

Sekolah Menengah Kejuruan (SMK) merupakan
salah satu lembaga pendidikan yang berupaya
menciptakan sumber daya manusia yang memiliki
kemampuan, keterampilan, dan keahlian sehingga
lulusannya dapat mengembangkan keterampilannya
agar dapat terjun dalam dunia kerja maupun untuk
melanjutkan ke jenjang pendidikan yang lebih tinggi.
Menurut Peraturan Pemerintah No. 29 Tahun 1990
pasal 2 ayat (1) menyebutkan bahwa sekolah kejuruan
bertujuan untuk meningkatkan pengetahuan siswa
dalam pengemban- gan diri dan untuk meningkatkan
kemampuan siswa sebagai anggota masyarakat.
Menurut Peraturan Pemerintah No. 29 Tahun 1990 pasal
3 ayat (2) disebutkan bahwa sekolah kejuruan
bertujuan untuk menyiapkan siswa dalam memenuhi
lapangan kerja, menyiapkan siswa agar mampu
memiliki karir, dan menyiapkan tamatan agar menjadi
warga Negara yang produktif, adaptif, dan normatif.
SMK pemda lubuk pakam merupakan salah
satu SMK yang berada di daerah lubuk pakam kab. Deli
serdang. Kemajuan suatu sekolah dipengaruhi oleh
besar kecilnya kualitas kelulusan. Dilihat dari jumlah
calon siswa baru di SMK Pemda mempunyai peminat
yang besar dari dalam atau luar daerah dikarenakan
setiap tahunnya SMK Pemda melakukan pengenalan
sekolah ke sekolah menengah pertama diluar maupun
didalam daerah. Peramalan jumlah calon siswa baru
merupakan salah satu hal yang sangat penting dalam
pengambilan keputusan di smk pemda lubuk pakam.
Bagi pihak smk peramalan ini berfungsi untuk
menentukan prioritas berapa jumlah siswa yang akan
diterima.
Didasari pada kebutuhan smk pemda untuk
meramalkan jumlah calon siswa baru, maka sangatlah
penting untuk merancang sebuah sistem. Sistem yang
dengan memanfaatkan perhitungan dari metode
Exponential Smoothing. Dari metode dicari seberapa
besar kesalahan. Metode peramalan terbaik adalah
metode yang mempunyai nilai kesalahan yang paling
kecil.
Metode exponential smoothing merupakan
pengembangan dari metode moving averages. Dalam
metode ini peramalan dilakukan dengan mengulang
perhitungan secara terus menerus dengan
menggunakan data terbaru. Setiap data diberi bobot,
data yang lebih baru diberi bobot yang lebih besar.
Dua metode dalam exponential smoothing
diantaranya single exponential smoothing dan
double exponential smoothing(Supriana, Uci, 2010).
II. TEORITIS
A. Peramalan
Peramalan (forecasting) merupakan alat bantu
yang penting dalam perencanaan yang efektif dan
efisien khususnya dalam bidang ekonomi. Dalam
organisasi moderen mengetahui keadaan yang akan
datang tidak saja penting untuk melihat yang baik
atau buruk tetapi juga bertujuan untuk melakukan
persiapan peramalan(Yamit, Zulian , 2003).Peramalan
adalah prediksi, proyeksi atau estimasi tingkat
kejadian yang tidak pasti dimasa yang akan datang.
Ketepatan secara mutlak dalam memprediksi
peristiwa dan tingkat kegiatan yang akan datang
adalah tidak mungkin dicapai, oleh karena itu ketika
perusahaan tidak dapat melihat kejadian yang akan
datang secara pasti, diperlukan waktu dan tenaga yang
besar agar mereka dapat memiliki kekuatan untuk
menarik kesimpulan terhadap kejadian yang akan
datang.
214

B. Metode Exponential Smoothing
Metode exponential smoothing merupakan
pengembangan dari metode moving averages. Dalam
metode ini peramalan dilakukan dengan mengulang
perhitungan secara terus menerus dengan
menggunakan data terbaru. Setiap data diberi bobot,
data yang lebih baru diberi bobot yang lebih besar.
Dua metode dalam exponential smoothing
diantaranya single exponential smoothing dan
double exponential smoothing(Supriana, Uci, 2010)
1. Single Exponential Smoothing
Metode ini adalah pengembangan dari metode
moving average (MA) menggunakan rumus
sebagai berikut:
Ft+1 = X1 + X2+...+XT
T diramalkan.
Keterangan :
Ft+1 : Ramalan untuk periode ke t + 1
XT : Nilai riil periode ke t
T : Jangka waktu rata – rata bergerak
Metode moving average memang mudah
menghitungnya akan tetapi metode ini memberikan
bobot yang sama pada setiap data . Untuk mengatasi
hal ini maka digunakan metode single exponential
smoothing. Pada metode single exponential smoothing
bobot yang diberikan pada data yang ada adalah
sebesar α untuk data yang terbaru, α(1-α) untuk data
2 satu sekolah swasta di kabupaten deli serdang yang
yang lama, α(1-α) untuk data yang lebih lama, dan
seterusnya. Besarnya α adalah antara 0 dan 1.
Semakin mendekati 1 berarti data terbaru lebih
diperhatikan. Secara matematis besarnya Peramalan
adalah:
Ft+1 = α Xt + (1 – α) Ft
Ft+1 : Ramalan untuk periode ke t+1
Xt : Nilai riil periode ke t
Ft : Ramalan untuk periode ke t
Dengan demikian dapat dikatakan bahwa peramalan
pada periode yang akan datang adalah ramalan
sebelumnya ditambah α (alpha) dikalikan dengan
kesalahan ramalan periode sebelumnya. Dalam
melakukan peramalan dengan menggunakan metode
single exponential smoothing (SES), besarnya α
(alpha) ditentukan secara trial dan error sampai
ditemukan α (alpha) yang menghasilkan forecast
error terkecil. Metode ini lebih cocok digunakan
untuk meramal data-data yang fluktuatif secara
random (tidak teratur)(Supriana, Uci, 2010).
2. Double Exponential Smoothing
Pada metode ini proses penentuan
ramalan dimulai dengan menentukan besarnya
alpha secara trial dan error. Sedangkan tahap-
Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 214-220
tahap dalam menentukan ramalan adalah sebagai
berikut.
a. Menentukan Smoothing pertama (S‟t)
S‟t = α Xt + (1- α) S‟t-1,
b. Menentukan Smoothing kedua (S‟‟t)
S”t = α S‟t + (1- α) S‟‟t-1,
c. Menentukan besarnya konstanta (αt)
αt = S‟t + (S‟t – S‟‟t)
d. Menentukan besarnya slope (bt)
Bt = α (S’t – S”t)
1-α
e. Menentukan besarnya forecast (Ft+m)
Ft+m = αt + btm,
Dimana m adalah jumlah periode kemuka yang
Metode double exponential smoothing ini biasanya
lebih tepat untuk meramalkan data yang mengalami
trend kenaikan(Supriana, Uci, 2010)
III. ANALISA dan PEMBAHASAN
Jumlah siswa dalam sekolah merupakan sesuatu
hal yang sangat penting terutama sekolah swasta.
Banyak keputusan yang dapat dilakukan bergantung
pada jumlah siswa yang dimiliki diantaranya rasio
jumlah guru dan siswa, gedung untuk proses belajar
mengajar serta fasilitas-fasilitas lain didalam sekolah
tersebut. SMK Pemda Lubuk Pakam merupakan salah
jumlah siswa meningkat setiap tahunnya, di sekolah
smk tersebut belum ada suatu aplikasi prediksi, maka
dari itu untuk menunjang kinerja smk tersebut untuk
pengambilan keputusan yang dalam keputusan tersebut
salah satu faktornya adalah jumlah siswa.
Dalam pengumpulan data diambil berdasarkan
data siswa yang mendaftar 6 tahun terakhir dimulai
tahun ajaran 2011 sampai tahun ajaran 2016 di SMK
Pemda Lubuk Pakam. Data-data tersebut dapat dilihat
pada tabel-tabel berikut :
Tabel 1. Penerimaan Siswa/i Baru SMK Pemd Lubuk
Pakam
Tahun Ajaran Penerimaan
siswa/i
2011 459
2012 499
2013 486
2014 300
2015 482
2016 466
Sumber : Smk Pemda Lubuk Pakam
Analisis Metode Peramalan
215
 Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 214-220

Langkah pertama dan penting dalam memilih metode Single Exponential Smoothing
suatu deret berkala yang tepat yaitu dengan Dalam melakukan peramalan dengan metode
mempertimbangkan jenis pola data, sehingga single exponential smoothing, besarnya alpha (α) yang
metode yang paling tepat dengan pola tersebut dapat diterapkan adalah 0.1, 0.5, dan 0.9. Dengan tujuan
diuji. Metode yang akan digunakan dalam untuk meramalkan α yang menghasilkan forecast error
memprediksi siswa baru di SMK Pemda adalah metode terkecil.
peramalan kuantitatif yaitu Metode Forecasting Dengan menentukan α (alpha) sebesar 0.1, perhatikan
Exponential Smoothing. Metode peramalan ramalan adalah sebagai berikut :
Exponential Smoothing ini digunakan karena melihat
pola gerakan yang di tunjukan pada sejumlah data Tahun 2011: belum bisa ditentukan
sampel, dimana terlihat pola gerakan yang menunjukan Tahun 2012 : ditentukan besarnya jumlah calon siswa
pola fluktuatif (random) secara tidak teratur. Metode baru tahun 2011 yaitu sebesar 459.
Forecasting Single Exponential Smoothing lebih
cocok digunakan untuk meramalkan data dengan Tahun 2013 : S = αX + (1 – α)S
t+1 t t
pola fluktuatif tersebut. = (0.1 x 499) + (1 – 0.1) 459
Ada dua klasifikasi metode dalam metode = 49,9 + 413,1
pemulusan (smoothing) diantaranya Moving Average = 463
atau Exponential Smoothing. Metode exponential
smoothing merupakan pengembangan dari metode Tahun 2014 : S = αX + (1 – α)S
moving averages. Pada kedua metode ini peramalan t+1 t t
dilakukan dengan mengulang perhitungan secara terus = (0.1 x 486) + (1 – 0.1) 499
menerus dengan menggunakan data terbaru, dimana = 48,6 + 449,1
setiap data diberi bobot. Akan tetapi kekurangan pada = 497,7
metode Moving Average adalah bobot diberikan
sama pada setiap datanya, sedangkan kelebihan pada Tahun 2015 : S = αX + (1 – α)S
t+1 t t
metode Exponential Smoothing adalah data yang lebih = (0.1 x 300) + (1 – 0.1) 486
baru diberi bobot yang lebih besar, sehingga data = 30 + 437,4
terbaru lebih diperhatikan nilainya. Bobot yang = 467,4
terdapat pada metode Single Exponential Smoothing
adalah nilai bobot (α) alpha. Bobot ini berfungsi untuk Tahun 2016 : S = αX + (1 – α)S
melakukan penghalusan terhadap nilai peramalan. t+1 t t

Besaran α (alpha) ditentukan secara acak (trial and = (0.1 x 482) + (1 – 0.1) 300
error) sampai ditemukan α (alpha) yang menghasilkan = 48,2 + 270
forecast error terkecil. Besarnya α adalah antara 0 dan = 318,2
1.
Metode MSE (Mean Square Error) digunakan Tahun 2017 : S = αX + (1 – α)S
t+1 t t
sebagai metode untuk mengukur kesalahan peramalan = (0.1 x 466) + (1 – 0.1) 482
(forecast error). Mean Squared Error (MSE) adalah = 46,6 +433,8
metode alternatif untuk mengevaluasi teknik = 480,4
peramalan masing-masing kesalahan. Metode MSE
merupakan indikator yang berguna dan memberikan Menghitung kesalahan / error dengan mengunakan
nilai absolut sabagai kebalikan dari informasi relatif mean absolute error (MAE)
dalam metode MAPE. Data yang akan dianalisis hanya
diambil beberapa tipe sebagai sample untuk penerapan Tahun 2011: belum bisa ditentukan
metode Forecasting Single Exponential Smoothing .
∑ |𝑋𝑡−𝐹|
Tahun 2012 : MAE = 𝑛
Analisis Metode Forecasting Single Exponential
= 499-459/5
Smoothing
=8
Metode Single Exponential Smoothing ini akan
diterapkan pada perhitungan dalam menentukan
∑ |𝑋𝑡−𝐹|
persediaan unit mobil untuk periode bulanan kedepan. Tahun 2013 : MAE = 𝑛
Berikut rumus untuk Metode Forecasting Single = 486-463/5
Exponential Smoothing :
= 4,6
St+1 = α Xt + (1 – α) St
St+1 : Ramalan untuk periode ke t+1 ∑ |𝑋𝑡−𝐹|
Xt : Nilai riil periode ke t Tahun 2014 : MAE = 𝑛
St : Ramalan untuk periode ke t = 300-497,7/5
α : bobot yang menunjukan konstanta penghalus = -39,54

216
 Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 214-220

∑ |𝑋𝑡−𝐹| ∑ |𝑋𝑡−𝐹|
Tahun 2015 : MAE = Tahun 2016 : MAE =
𝑛 𝑛
= 482-467,4/5 = 466-391/5
= 2,92 = 15

Tahun 2016 : MAE =

∑ |𝑋𝑡−𝐹| Bila α ditentukan sebesar 0.9 perhitungan ramalan
𝑛 adalah sebagai berikut.
= 466-218,2,2/5
= 49,56 Tahun 2011: belum bisa ditentukan
Tahun 2012 : ditentukan besarnya jumlah calon
Bila α ditentukan sebesar 0.5, perhitungan ramalan mahasiswa baru tahun 2011 yaitu sebesar 459.
adalah sebagai berikut. Tahun 2013 : S = αX + (1 – α)S
Tahun 2011: belum bisa ditentukan t+1 t t

Tahun 2012 : ditentukan besarnya jumlah calon = (0.9 x 499) + (1 – 0.9) 459
mahasiswa baru tahun 2011 yaitu sebesar 459. = 449,1 + 45,9
= 495
Tahun 2013 : S = αX + (1 – α)S
t+1 t t Tahun 2014 : S = αX + (1 – α)S
= (0.5 x 499) + (1 – 0.5) 459 t+1 t t

= 249,5 + 229,5 = (0.9 x 486) + (1 – 0.9) 499

= 479 = 437,4 + 49,9
= 487,3
Tahun 2014 : S = αX + (1 – α)S
t+1 t t Tahun 2015 : S = αX + (1 – α)S
= (0.5 x 486) + (1 – 0.5) 499 t+1 t t

= 243 + 249,5 = (0.9 x300) + (1 – 0.9)486

= 492,5 = 270 + 48,6
= 318,6
Tahun 2015 : S = αX + (1 – α)S
t+1 t t Tahun 2016 : S = αX + (1 – α)S
= (0.5 x 300) + (1 – 0.5) 486 t+1 t t

= 150 + 243 = (0.9 x482) + (1 – 0.9)300

= 393 = 433,8 + 30
= 463,8
Tahun 2016 : S = αX + (1 – α)S
t+1 t t Menghitung kesalahan / error dengan mengunakan
= (0.5 x 482) + (1 – 0.5) 300 mean absolute error (MAE)
= 241 + 243 Tahun 2011: belum bisa ditentukan
= 391 ∑ |𝑋𝑡−𝐹|
Tahun 2012 : MAE = 𝑛
Menghitung kesalahan / error dengan mengunakan = 499-459/5
mean absolute error (MAE) =8
Tahun 2011: belum bisa ditentukan
∑ |𝑋𝑡−𝐹| ∑ |𝑋𝑡−𝐹|
Tahun 2012 : MAE = 𝑛 Tahun 2013 : MAE = 𝑛
= 499-459/5 = 486-495/5
=8 = -1,8

∑ |𝑋𝑡−𝐹| ∑ |𝑋𝑡−𝐹|
Tahun 2013 : MAE = Tahun 2014 : MAE =
𝑛 𝑛
= 486-479/5 = 300- 487,3/5
= 1,4 = -37,46

∑ |𝑋𝑡−𝐹| ∑ |𝑋𝑡−𝐹|
Tahun 2014 : MAE = Tahun 2015 : MAE =
𝑛 𝑛
= 300- 492,5/5 = 482-318,6/5
= -38,5 = 163,4

∑ |_𝑡−𝐹| ∑ |𝑋𝑡−𝐹|
Tahun 2015 : MAE = Tahun 2016 : MAE =
𝑛 𝑛
= 482-393/5 = 466-463,8/5
= 17,8 = 0,44

217
 Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 214-220

Perhitungan selengkapnya pada tabel berikut ini Double Exponential Smoothing

Pada metode ini proses peramalan dengan
Tabel 2. Forecasting Dengan alpha = 0.1 Dan ketentukan alpha sebesar 0.1, 0.5, dan 0.95. Besarnya
Hitungan Eror forecast untuk alpha 0.1 maka perhitungannya sebagai
Calon Forecast berikut :
Tahun Tahun 2011
siswa/i Alpha =
Ajaran MAE MSE 𝑆𝑡𝐼 : ditentukan jumlah calon mahasiswa baru tahun
Baru 0,1 pertama, yaitu sebesar 459
2011 459 - - -
𝑆𝑡𝐼𝐼 : : ditentukan jumlah calon mahasiswa baru tahun
2012 499 459 8 16 pertama, yaitu sebesar 459
a : belum bisa ditentukan
2013 486 463 4.6 9,2 t
b : belum bisa ditentukan
2014 300 497,7 -39,54 -79,08 t
S : forecast tahun kedua (S ) ditentukan jumlah
2015 482 467,4 2,92 5,84 t+m 2012
calon siswa baru tahun pertama yaitu sebesar 459
2016 466 318,2 49,56 99,12
Jumlah Eror 25,54 33,08 Tahun 2012
𝐼𝐼
𝑆𝑡𝐼𝐼 = α𝑆𝑡𝐼 + (1-α) 𝑆𝑡+1
= 0,1 X 459 + (1 – 0,1)499
Tabel 3. Forecasting Dengan alpha = 0.5 Dan = 49,5 + 449,1
Hitungan Eror = 498,6
Calon Forecast At = 2 𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼
Tahun = (2x459) - 499
siswa/i Alpha =
Ajaran MAE MSE = 413
Baru 0,5 𝛼
2011 459 - - - Bt = 1−𝛼 (𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 )
0,1
2012 499 459 8 16 = 1−0,1 (459 – 498,6)
= -4,3956
2013 486 479 1,4 2,8 forecast tahun 2013 (m = 1 tahun)
2014 300 492,5 -38,5 -77 S = a + b (m)
t+m t t
2015 482 393 17,8 35,6 = 491,4 – (-4,3956)
S = 495,7956
2016 466 391 15 30 t+m

Jumlah Eror 2,7 7,4 Tahun 2013

𝐼𝐼
𝑆𝑡𝐼𝐼 = α𝑆𝑡𝐼 + (1-α) 𝑆𝑡+1
Tabel 4. Forecasting Dengan alpha = 0.9 Dan = 0,1 X 495 + (1 – 0,1)486
Hitungan Eror = 49,5 + 437,4
= 522,9
Calon Forecast
Tahun At = 2 𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼
siswa/i Alpha =
Ajaran MAE MSE = (2x495) – 522,9
Baru 0,9 = 467,1
2011 459 - - 𝛼
Bt = 1−𝛼 (𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 )
0,1
= 1−0,1 (495 – 522,9)
Tabel 5. Forecasting Dengan alpha = 0.9 Dan
= -3,0996
Hitungan Eror Lanjutan
forecast tahun 2014 (m = 1 tahun)
Tahun Calon Forecast
S = a + b (m)
Ajaran siswa/i Alpha MAE MSE t+m t t
Baru = 0,9 = 467,1– (-3,0996)
2012 499 459 8 16 S = 464,0004
t+m

2013 486 495 -1,8 -3,6

Tahun 2014
𝐼𝐼
2014 300 487,3 37,46 74,92 𝑆𝑡𝐼𝐼 = α𝑆𝑡𝐼 + (1-α) 𝑆𝑡+1
= 0,1 X 487,3 + (1 – 0,1)300
2015 482 318,6 163,4 326,8
= 48,73 + 270
2016 466 463,8 0,44 0,88 = 318,73
At = 2 𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼
Jumlah Eror 207,5 415
= (2x487,3) – 318,73
= 655,87
218
 Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 214-220

𝛼
Bt = 1−𝛼 (𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 ) Form Menu Utama
0,1
= 1−0,1 (487,3 – 318,73)
= 18,728
forecast tahun 2015 (m = 1 tahun)
S = a + b (m)
t+m t t
= 655,87– 18,728
S = 637,142
t+m

Tahun 2015 Gambar 1. Form Menu Utama

𝐼𝐼
𝑆𝑡𝐼𝐼 = α𝑆𝑡𝐼 + (1-α) 𝑆𝑡+1
= 0,1 X 467,4 + (1 – 0,1)482 Form Data Pendaftaran
= 46,74 + 433,8 Form Data Pendaftaran adalah sebuah form yang
= 480,54 dirancang untuk menampilkan data Pendaftaran pada
At = 2 𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 tahun tertentu serta data peramalan penjualan sekolah
= (2x467,4) – 480,54 pada tahun berikutnya.
= 454,26
𝛼
Bt = 1−𝛼 (𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 )
0,1
= 1−0,1 (467,4– 480,54)
= -1,4598
forecast tahun 2016 (m = 1 tahun)
S = a + b (m)
t+m t t
= 454,26-(-1,4598)
S = 455,7198 Gambar 2. Hasil Form Data Pendaftaran
t+m
Pengujian Form Proses Peramalan
Tahun 2016 Form Proses Peramalan adalah sebuah form yang
𝐼𝐼
𝑆𝑡𝐼𝐼 = α𝑆𝑡𝐼 + (1-α) 𝑆𝑡+1 dirancang untuk menampilkan data hasil peramalan
= 0,1 X 318,2 + (1 – 0,1)466 penjualan serta melakukan proses peramalan penjualan
= 31,82 + 419,4 pada periode berikutnya, serta jumlah siswa minimal
= 451,22 yang harus disediakan perusahaan menggunakan
At = 2 𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 metode exponential smoothing. Sebelum melakukan
= (2x318,2) – 451,22 proses peramalan maka pengguna terlebih dahulu
= 185,18 melakukan pemilihan input tahun masuk, tahun
𝛼
Bt = 1−𝛼 (𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 ) peramalan serta nilai alpha (α).
0,1
= 1−0,1 (318,2– 451,22)
= -14,7785

forecast tahun 2017 (m = 1 tahun)

S = a + b (m)
t+m t t
= 185,18-(-14,7785) Gambar 3. Hasil Pengujian Data Proses
S = 199,9585 Form Hasil Pengujian Data Proses Peramalan
t+m

Tahun 2017
𝐼𝐼
𝑆𝑡𝐼𝐼 = α𝑆𝑡𝐼 + (1-α) 𝑆𝑡+1
= 0,1 X 467,4 + (1 – 0,1)482
= 46,74 + 433,8
= 480,54
At = 2 𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼
= (2x467,4) – 480,54
= 454,26
𝛼
Bt = 1−𝛼 (𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 )
0,1
= 1−0,1 (467,4– 480,54) V. KESIMPULAN
= -1,4598 Adapun kesimpulan yang penulis peroleh berdasarkan
hasil perancangan aplikasi ini adalah sebagai berikut :
IV. IMPLEMENTASI
219
 Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 214-220

1. Perusahaan dalam menentukan metode peramalan

jumlah siswa baru paling cocok diterapkan pada
periode berikutnya dengan melakukan
perbandingan peramalan untuk beberapa nilai
alpha (α) sehingga dapat diperoleh nilai error
paling kecil pada nilai α berapa, dalam hal ini
menggunakan Mean Absolute Deviation (MAD).
2. Laporan jumlah siswa baru dalam satu periode
diperlukan untuk melakukan peramalan jumlah
siswa baru pada periode berikutnya. Data siswa
baru ini nantinya akan di analisa dengan Metode
Exponential Smoothing untuk menghasilkan
peramalan jumlah siswa baru pada periode
berikutnya.
3. Aplikasi ini dapat digunakan untuk melakukan
peramalan jumlah siswa baru sekaligus untuk
setiap tahun ajaran baru sesuai dengan laporan data
siswa baru aktual sekolah sehingga bisa
menghemat waktu dalam proses peramalan serta
hasil yang cukup akurat dan dapat dipertanggung
jawabkan.

DAFTAR PUSTAKA
1. Jogiyanto H.M.2004 Analisis Dan Desain Sistem Informasi,
Yogyakarta, Andi
2. Kristien Margi, Sofian Pendawa, 2015. Seminar SNATIF ke 2
Tahun 2015, Jakarta.
3. Putu H. Arjana, Tri Puji Rahayu,Yakub, Hariyanto. 2012.
Seminar Nasional Teknologi Informasi dan Komunikasi 2012
(SENTIKA 2012). Yogyakarta
4. Edy Irwansyah
5. Windu Gatta, Grace Gatta. 2013. Sukses Membangun Aplikasi
Penjualan dengan Java. Jakarta. PT Elex Media Komputindo
6. F.X.Wisnu Yudo Untoro. 2010. Algoritma Pemograman
dengan Bahasa Java. Yogyakarta, GRAHA ILMU
7. Wahana Komputer, 2008, Visual Basic.Net 2008. Semarang,
Andi

220