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
Dengan demikian dapat dikatakan bahwa peramalan Tabel 1. Penerimaan Siswa/i Baru SMK Pemd Lubuk
pada periode yang akan datang adalah ramalan Pakam
sebelumnya ditambah α (alpha) dikalikan dengan Tahun Ajaran Penerimaan
kesalahan ramalan periode sebelumnya. Dalam siswa/i
melakukan peramalan dengan menggunakan metode 2011 459
single exponential smoothing (SES), besarnya α
(alpha) ditentukan secara trial dan error sampai 2012 499
ditemukan α (alpha) yang menghasilkan forecast 2013 486
error terkecil. Metode ini lebih cocok digunakan
untuk meramal data-data yang fluktuatif secara 2014 300
random (tidak teratur)(Supriana, Uci, 2010). 2015 482
2. Double Exponential Smoothing 2016 466
Sumber : Smk Pemda Lubuk Pakam
Pada metode ini proses penentuan
ramalan dimulai dengan menentukan besarnya Analisis Metode Peramalan
alpha secara trial dan error. Sedangkan tahap-
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 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
∑ |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
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 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
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