Kelas B

LAPORAN PRAKTIKUM
ANALISIS RUNTUN WAKTU
Modul 4 : Triple Exponential Smoothing

Nomor Tanggal Tanda Tangan

Nama Praktikan Praktikan
Mahasiswa Kumpul
Syafira Irsalina 18611105 02/11/2020

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Halima Tusyakdiah
Kamaluddin Simamora
Arum Handini
Primandari,S.Pd.,M.Si.

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2020

i
Daftar Isi

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

Daftar Isi.................................................................................................................. ii
Daftar Tabel ........................................................................................................... iii
Daftar Gambar ........................................................................................................ iv
1 Pendahuluan .................................................................................................... 5
1.1 Exponential Smooting (ES)....................................................................... 5
1.2 Triple Exponential Smoothing (TES) ....................................................... 5
1.2.1 Triple Exponential Smoothing with Damped Parameter .................. 6
2 Deskripsi Kerja................................................................................................ 8
2.1 Studi Kasus ............................................................................................... 8
2.2 Langkah Kerja ........................................................................................ 10
2.2.1 Langkah Kerja TES Menggunakan Fungsi Dasar R ....................... 10
2.2.2 Langkah Kerja TES Menggunakan Fungsi Damped ...................... 13
3 Pembahasan ................................................................................................... 16
3.1 Data Penumpang Pesawat Bandara Ngurah Rai ..................................... 16
3.2 TES Menggunakan Fungsi Dasar R ....................................................... 17
3.3 TES Menggunakan Fungsi Damped....................................................... 21
4 Penutup.......................................................................................................... 28
4.1 Kesimpulan ............................................................................................. 28
5 Daftar Pustaka ............................................................................................... 29

ii
Daftar Tabel

Tabel 2.1. Tabel Pengunjung Domestik Bandara Ngurah Rai ............................... 8

iii
Daftar Gambar

Gambar 2.1. Tampilan Awal untuk Membuka R Studio ..................................... 10

Gambar 2.2. Tampilan Awal dari R Studio ......................................................... 10
Gambar 2.3. Import Data Penumpang Pesawat kedalam R ................................. 11
Gambar 2.4. Memanggil data penumpang pesawat ............................................. 11
Gambar 2.5. Mengubah menjadi data time series dengan fungsi dasar R ........... 11
Gambar 2.6. Plot data time series dengan fungsi dasar R ................................... 11
Gambar 2.7. Peramalan Holt Winters Additive dengan Fungsi R ....................... 12
Gambar 2.8. Peramalan Holt Winters Multiplicative dengan Fungsi R .............. 12
Gambar 2.9. Nilai Kesalahan Holt Winters Additive dengan Fungsi R ............... 12
Gambar 2.10. Nilai Kesalahan Holt Winters Multiplicative dengan Fungsi R ... 12
Gambar 2.11. Peramalan dengan Fungsi R ......................................................... 13
Gambar 2.12. Plot data aktual dan fitted value dengan fungsi dasar R ............... 13
Gambar 2.13. Syntax memanggil package forecast ............................................ 13
Gambar 2.14. Prediksi Holt Winters Additive dengan damped ........................... 13
Gambar 2.15. Prediksi Holt Winters Multiplicative dengan damped .................. 14
Gambar 2.16. Model Holt Winters Additive dengan damped .............................. 14
Gambar 2.17. Model Holt Winters Multiplicative dengan damped ..................... 14
Gambar 2.18. Nilai Kesalahan Holt Winters Additive dengan damped .............. 14
Gambar 2.19. Nilai Kesalahan Holt Winters Multiplicative dengan damped ..... 14
Gambar 2.20. Plot data aktual & fitted value dengan damped ............................ 15
Gambar 2.21. Plot Data Aktual dan Hasil Peramalan dengan damped ............... 15
Gambar 2.22. Plot Peramalan Holt Winters Additive dengan damped ................ 15
Gambar 2.23. Plot Peramalan Holt Winters Multiplicative dengan damped....... 15
Gambar 3.1. Output tampilan Data Penumpang Pesawat .................................... 16
Gambar 3.2. Data time series untuk Data Penumpang Pesawat .......................... 17
Gambar 3.3. Plot Data Penumpang Domestik dengan fungsi dasar R ................ 17
Gambar 3.4. Holt-Winters Additive dengan Fungsi Dasar R ............................... 18
Gambar 3.5. Holt-Winters Multiplicative dengan Fungsi R ................................ 19
Gambar 3.6. Nilai Kesalahan Holt Winters Additive dengan Fungsi R ............... 19
Gambar 3.7. Nilai Kesalahan Holt Winters Multiplicative dengan fungsi R ...... 20
Gambar 3.8. Hasil Peramalan dengan Fungsi R .................................................. 20
Gambar 3.9. Plot Data Aktual, Fitted Value, Peramalan dengan fungsi R ......... 21
Gambar 3.10. Peramalan Holt Winters Additive dengan Damped ...................... 21
Gambar 3.11. Peramalan Holt Winters Multiplicative dengan Damped ............. 22
Gambar 3.12. Model Holt Winters Additive dengan Damped ............................. 24
Gambar 3.13. Model Holt Winters Multiplicative dengan Damped .................... 24
Gambar 3.14. Nilai Kesalahan Holt Winters Additive dengan Damped .............. 25
Gambar 3.15. Nilai Kesalahan Holt Winters Multiplicative dengan Damped .... 25
Gambar 3.16. Plot Data Aktual vs Fitted Value .................................................. 26
Gambar 3.17. Plot Data Aktual vs Nilai Peramalan ............................................ 26

iv
1 Pendahuluan

1.1 Exponential Smooting (ES)

Salah satu metode yang dapat digunakan untuk meramalkan data ke depan
yaitu Exponential Smoothing. Exponential Smoothing merupakan salah satu metode
deret waktu yang sering digunakan untuk meramalkan data-data masa lampau pada
ranah ekonomi, sosial maupun lainnya. Konsep perhitungan dari Exponential
Smoothing adalah memberikan pembobot pada perhitungan prediksi untuk setiap t.

Exponential Smoothing sendiri terbagi kedalam beberapa jenis. Jenis dari

metode ini yang sering digunakan adalah Single Exponential Smoothing, Double
Exponential Smoothing, dan Triple Exponential Smoothing. Jika diamati dari nama
jenis metode yaitu Single, Double dan Triple hal ini berkaitan dengan banyaknya
pembobot yang digunakan pada metode tersebut. Single Exponential Smoothing
hanya memberikan satu pembobot yaitu alpha (level). Double Exponential
Smoothing memberikan dua pembobot yaitu alpha (level) dan beta (trend).
Sedangkan untuk Triple Exponential Smoothing yaitu alpha (level), beta (trend)
dan gamma (musiman) (Mahkya, 2019).

1.2 Triple Exponential Smoothing (TES)

Metode Triple Exponential Smoothing digunakan jika data memuat
komponen tren dan musiman. Metode ini dikenal juga dengan nama metode Holt-
Winters (Holt-Winters Exponential Smoothing) yang memerlukan tiga parameter
pemulusan, yaitu 𝛼 (untuk “level” dari proses), 𝛽 (untuk penghalusan tren), dan 𝛾
(untuk komponen musiman). Terdapat dua metode Holt-Winters yaitu additive dan
multiplicative.
Persamaan Triple Exponential Smoothing
1) Metode Holt-Winters Additive
 Persamaan untuk “Level”

𝐿𝑡 = 𝛼(𝑦𝑡 − 𝑆𝑡−𝑠 ) + (1 − 𝛼)(𝐿𝑡−1 + 𝑏𝑡−1 )

 Pemulusan Trend

5
 𝑏𝑡 = 𝛽(𝐿𝑡 − 𝐿𝑡−1 ) + (1 − 𝛽)𝑏𝑡−1
 Pemulusan Musiman

𝑆𝑡 = 𝛾(𝑦𝑡 − 𝐿𝑡 ) + (1 − 𝛾)𝑆𝑡−𝑠
Peramalan untuk 𝑚 periode ke depan menggunakan Holt-Winters
Additive yaitu :

𝐹𝑡+𝑚 = 𝐿𝑡 + 𝑚𝑏𝑡 + 𝑆𝑡+𝑚−𝑠

2) Metode Holt-Winters Multiplicative
 Pemulusan untuk “Level”
𝑦𝑡
𝐿𝑡 = 𝛼 + (1 − 𝛼)(𝐿𝑡−1 + 𝑏𝑡−1 )
𝑆𝑡−𝑠
 Pemulusan Trend

𝑏𝑡 = 𝛽(𝐿𝑡 − 𝐿𝑡−1 ) + (1 − 𝛽)𝑏𝑡−1

 Pemulusan Musiman
𝑦𝑡
𝑆𝑡 = 𝛾 + (1 − 𝛾)𝑆𝑡−𝑠
𝐿𝑡
Peramalan untuk 𝑚 periode ke depan menggunakan Holt-Winters
Multiplicative yaitu :

𝐹𝑡+𝑚 = (𝐿𝑡 + 𝑚𝑏𝑡 )𝑆𝑡+𝑚−𝑠

(Intiari, 2020)

1.2.1 Triple Exponential Smoothing with Damped Parameter

Penambahan damped parameter pada Holt-Winters additive dan
multiplicative adalah mengikuti parameter trend. Pada Holt-Winters yang
dikembangkan dalam klasifikasi Hyndrman, terdapat pembagian jenis trend yaitu
additive dan multiplicative. Demikian juga dengan jenis musiman, terbagi dalam
additive dan multiplicative. (Intiari, 2020)
Formula pada Holt-Winters additive dengan trend multiplicative damped.
1. Pemulusan Level
∅
𝐿𝑡 = 𝛼(𝑦𝑡 − 𝑆𝑡−𝑠 ) + (1 − 𝛼)𝐿𝑡−1 + 𝑏𝑡−1
2. Pemulusan Trend

6
 𝐿𝑡 ∅
𝑏𝑡 = 𝛽 ( ) + (1 − 𝛽)𝑏𝑡−1
𝐿𝑡−1
3. Pemulusan Musiman
∅
𝑆𝑡 = 𝛾(𝑦𝑡 − 𝐿𝑡 𝑏𝑡−1 ) + (1 − 𝛾)𝑆𝑡−𝑠
4. Untuk melakukan peramalan 𝑚 periode ke depan

𝐹𝑡+𝑚 = 𝐿𝑡 𝑏𝑡∅𝑚 + 𝑆𝑡−𝑚−𝑚𝑠+

Sementara formula pada Holt-Winters multiplicative dengan trend
multiplicative adalah sebagai berikut :
1. Pemulusan untuk “Level”
𝑦𝑡 − ∅
𝐿𝑡 = 𝛼 ( ) + (1 − 𝛼)𝐿𝑡−1 + 𝑏𝑡−1
𝑆𝑡−𝑠
2. Pemulusan Trend
𝐿𝑡 ∅
𝑏𝑡 = 𝛽 ( ) + (1 − 𝛽)𝑏𝑡−1
𝐿𝑡−1
3. Pemulusan Musiman
∅
𝑆𝑡 = 𝛾(𝑦𝑡 − 𝐿𝑡 𝑏𝑡−1 ) + (1 − 𝛾)𝑆𝑡−𝑠
4. Untuk melakukan peramalan 𝑚 periode ke depan

𝐹𝑡+𝑚 = 𝐿𝑡 𝑏𝑡∅𝑚 + 𝑆𝑡−𝑚−𝑚𝑠+

Keterangan :
 𝐿𝑡 = Estimasi level dari rangkaian data periode ke-t
 𝛼 = Konstanta pemulusan untuk data
 𝑌𝑡 = Data / observasi pada periode ke-t
 𝛽 = Konstanta pemulusan untuk trend
 𝑏𝑡 = Estimasi trend pada periode ke-t
 𝛾 = Konstanta pemulusan untuk musiman
 𝑆𝑡 = Estimasi komponen musiman
 𝑚 = Banyaknya periode kedepan yang ingin diramalkan
 𝑠 = Panjangnya musiman (jumlah periode dalam satu musim)
 𝐹𝑡+𝑚 = Meramalkan 𝑚 periode kedepan

7
2 Deskripsi Kerja

2.1 Studi Kasus

1. Gunakan data Penumpang Domestik Ngurah Rai dan lakukan
peramalan untuk 5 periode kedepan.
2. Lakukan analisis dengan menggunakan Triple Exponential Smoothing
seperti yang diterangkan dalam video.

Tabel 2.1. Tabel Pengunjung Domestik Bandara Ngurah Rai

t tahun bulan Ngurah Rai
1 2014 jan 400459
2 2014 feb 321076
3 2014 mar 333199
4 2014 apr 328577
5 2014 may 381608
6 2014 jun 407208
7 2014 jul 347456
8 2014 aug 458378
9 2014 sep 378289
10 2014 oct 388691
11 2014 nov 379706
12 2014 dec 391516
13 2015 jan 356314
14 2015 feb 292316
15 2015 mar 315635
16 2015 apr 333421
17 2015 may 375761
18 2015 jun 356428
19 2015 jul 380438
20 2015 aug 404915
21 2015 sep 327845
22 2015 oct 354721
23 2015 nov 317524
24 2015 dec 306862
25 2016 jan 322876
26 2016 feb 338482
27 2016 mar 388148

8
28 2016 apr 349140
29 2016 may 427732
30 2016 jun 381772
31 2016 jul 511350
32 2016 aug 475869
33 2016 sep 431540
34 2016 oct 430997
35 2016 nov 411965
36 2016 dec 455718
37 2017 jan 449607
38 2017 feb 357173
39 2017 mar 378507
40 2017 apr 420640
41 2017 may 442834
42 2017 jun 393120
43 2017 jul 547576
44 2017 aug 506510
45 2017 sep 456201
46 2017 oct 414066
47 2017 nov 367584
48 2017 dec 394869
49 2018 jan 449389
50 2018 feb 401856
51 2018 mar 427958
52 2018 apr 467257
53 2018 may 433394
54 2018 jun 479185
55 2018 jul 546118
56 2018 aug 509763
57 2018 sep 464489
58 2018 oct 481774
59 2018 nov 440613
60 2018 dec 475739
61 2019 jan 428629
62 2019 feb 357076
63 2019 mar 369930
64 2019 apr 364220
65 2019 may 289400
66 2019 jun 460273

9
 67 2019 jul 459284
68 2019 aug 480603
69 2019 sep 424781
70 2019 oct 435861
71 2019 nov 435288
72 2019 dec 450458

2.2 Langkah Kerja

Pada langkah kerja ini, praktikan akan menggunakan dua cara yaitu
menggunakan fungsi dasar R dan menggunakan fungsi pada package forecast.

2.2.1 Langkah Kerja TES Menggunakan Fungsi Dasar R

Dalam memulai menyelesaikan studi kasus yang telah diberikan, maka
praktikan akan mengerjakannya dengan langkah-langkah pengerjaan sebagai
berikut ini :

1. Hal pertama yang dilakukan praktikan membuka software R Studio

dengan cara : Desktop > Double Click pada Icon R Studio. Seperti berikut .

Gambar 2.1. Tampilan Awal untuk Membuka R Studio

2. Maka akan muncul tampilan awal dari Jendela R Studio seperti berikut.

Gambar 2.2. Tampilan Awal dari R Studio

10
3. Praktikan akan meng-import data electricity revenue kedalam software R
dengan menggunakan perintah “read.csv” dan menyimpannya dalam
objek “penumpang_domestik” seperti berikut.

Gambar 2.3. Import Data Penumpang Pesawat kedalam R

4. Setlah di import, praktikan akan memanggil data tersebut dengan

menggunakan perintah “View(penumpang_domestik)” seperti
berikut.

Gambar 2.4. Memanggil data penumpang pesawat

5. Kemudian ambil data dari penumpang_domestik yaitu

kolomNgurah.Rai kemudian ubah kebentuk time series dan simpan
dalam objek penumpang_domestik.ts seperti berikut.

Gambar 2.5. Mengubah menjadi data time series dengan fungsi dasar R

6. Praktikan akan menampilkan plot untuk data time series

penumpang_domestik dengan menggunakan perintah plot.ts
seperti berikut.

Gambar 2.6. Plot data time series dengan fungsi dasar R

7. Selain itu, praktikan juga akan melakukan peramalan dengan metode Holt
Winters Additive dengan menggunakan peritah Holtwinters dan
disimpan dalam objek hwb.pp.add seperti berikut.

11
 Gambar 2.7. Peramalan Holt Winters Additive dengan Fungsi R

8. Setelah itu, praktikan juga akan melakukan peramalan dengan metode

Holt Winters Multiplicative dengan menggunakan peritah
Holtwinters dan disimpan dalam objek hwb.pp.multi seperti
berikut.

Gambar 2.8. Peramalan Holt Winters Multiplicative dengan Fungsi R

9. Lalu, praktikan akan menghitung nilai kesalahan / error untuk metode

Holt Winters Additive menggunakan metode SSE, MSE, RMSE dan
MAPE seperti berikut.

Gambar 2.9. Nilai Kesalahan Holt Winters Additive dengan Fungsi R

10. Praktikan akan menghitung nilai kesalahan / error untuk metode Holt
Winters Multiplicative menggunakan metode SSE, MSE, RMSE dan
MAPE seperti berikut.

Gambar 2.10. Nilai Kesalahan Holt Winters Multiplicative dengan Fungsi R

11. Setelah menghitung nilai kesalahan / error , praktikan akan menghitung

peramalan untuk lima periode kedepan dengan menggunakan perintah
“predict” seperti berikut.

12
 Gambar 2.11. Peramalan dengan Fungsi R

12. Setelah mendapatkan nilai prediksi langkah terakhir yang dilakukan

praktikan adalah menampilkan plot gabungan yang menggambarkan
tentang data aktual, fitted value dan nilai peramalan seperti berikut.

Gambar 2.12. Plot data aktual dan fitted value dengan fungsi dasar R

2.2.2 Langkah Kerja TES Menggunakan Fungsi Damped

1. Langkah pertama yang harus dilakukan praktikan dalam menyelesaikan

studi kasus dengan menggunakan fungsi packages “forecast”
adalah dengan memanggil fungsi tersebut dengan menggunakan
perintah “library” seperti berikut.

Gambar 2.13. Syntax memanggil package forecast

2. Selanjutnya, praktikan akan melakukan prediksi untuk metode Holt
Winters Additive menggunakan packages forecast seperti berikut.

Gambar 2.14. Prediksi Holt Winters Additive dengan damped

3. Praktikan juga akan melakukan prediksi untuk metode Holt Winters
Multiplicative menggunakan fungsi damped seperti berikut.

13
 Gambar 2.15. Prediksi Holt Winters Multiplicative dengan damped
4. Lalu, praktikan akan menampilkan model untuk Holt Winters Additive
seperti berikut.

Gambar 2.16. Model Holt Winters Additive dengan damped

5. Selain itu, praktikan juga akan menampilkan model untuk Holt Winters
Multiplicative seperti berikut.

Gambar 2.17. Model Holt Winters Multiplicative dengan damped

6. Praktikan akan menghitung nilai kesalahan (error) untuk Holt Winters
Additive dengan 3 metode MSE, RMSE, dan MAPE seperti berikut.

Gambar 2.18. Nilai Kesalahan Holt Winters Additive dengan damped

7. Selain itu, praktikan akan menghitung nilai kesalahan / error dari nilai
Holt Winters Multiplicative menggunakan 3 metode yaitu MSE, RMSE,
dan MAPE seperti berikut.

Gambar 2.19. Nilai Kesalahan Holt Winters Multiplicative dengan damped

8. Praktikan akan membuat plot gabungan yang menggambarkan data
aktual serta fitted value yang telah didapat dengan perintah autoplot
seperti berikut.

14
 Gambar 2.20. Plot data aktual & fitted value dengan damped

9. Selain itu, pratikan membuat plot gabungan yang menggambarkan data

aktual serta data hasil peramalan yang telah didapat dengan perintah
autoplot seperti berikut.

Gambar 2.21. Plot Data Aktual dan Hasil Peramalan dengan damped
10. Lalu, praktikan juga membuat plot dari data peramalan Holt Winters
Additive dengan perintah autoplot seperti berikut.

Gambar 2.22. Plot Peramalan Holt Winters Additive dengan damped

11. Dan yang terakhir praktikan juga membuat plot dari data peramalan Holt
Winters Multiplicative dengan perintah autoplot seperti berikut.

Gambar 2.23. Plot Peramalan Holt Winters Multiplicative dengan damped

15
3 Pembahasan

Pada Lembar Pembahasan ini, praktikan akan menjelaskan lebih detail lagi
mengenai output dari penyelesaian studi kasus.

3.1 Data Penumpang Pesawat Bandara Ngurah Rai

Data penumpang domestik Bandara Ngurah Rai mempunyai empat variabel
atau kolom yang terdiri dari variabel t, tahun, bulan dan Ngurah.Rai. Data
penumpang domestik ini mempunyai baris yang berjumlah 72 baris. Akan tetapi
yang ditampilkan disini hanya 10 data teratas saja seperti berikut.

Gambar 3.1. Output tampilan Data Penumpang Pesawat

Selanjutnya, adalah output untuk data time series dari data penumpang
domestik. Data tersebut dimulai dari bulan Januari 2014 hingga bulan Desember
2019. Untuk peramalan, praktikan melakukan peramalan dengan metode Triple
Exponential Smoothing untuk lima periode kedepan yaitu untuk bulan Januari
sampai bulan Mei 2020.

16
 Gambar 3.2. Data time series untuk Data Penumpang Pesawat

3.2 TES Menggunakan Fungsi Dasar R

Gambar 3.3. Plot Data Penumpang Domestik dengan fungsi dasar R

Pada tampilan output plot diatas menunjukkan data penumpang domestik
sejak bulan Januari 2014 hingga Desember 2019. Terlihat dalam plot diatas bahwa
pola data penumpang domestik mempunyai pola trend dan musiman. Pola data
mengalami pergerakan yang selalu sama dan berulang pada setiap periodenya.

17
 Gambar 3.4. Holt-Winters Additive dengan Fungsi Dasar R
Pada Gambar 3.4. diatas merupakan hasil nilai 𝛼, 𝛽 dan 𝛾 dari Holt Winters
metode Additive dengan menggunakan fungsi dasar R. diperoleh nilai 𝛼 optimum
untuk pemulusan level sebesar 0.5126471 dengan koefisien pemulusan level
sebesar 439688.463 , nilai 𝛽 optimum untuk pemulusan trend sebesar 0 yang
berarti tidak ada pemulusan trend dengan koefisien pemulusan trend sebesar
−2124.988 dan nilai 𝛾 optimum untuk musiman sebesar 1. Dengan menggunakan
nilai parameter tersebut akan menghasilkan peramalan yang baik dengan
menggunakan metode Holt Winters Additive.

18
 Gambar 3.5. Holt-Winters Multiplicative dengan Fungsi R
Gambar 3.5. merupakan output dari pencarian nilai parameter optimum
dengan menggunakan Holt Winters metode multiplicative. Didapatkan nilai 𝛼
optimum untuk pemulusan level sebesar 0.4313961 dengan nilai koefisien alpha
sebesar 4.378164𝑒 + 05. Untuk nilai 𝛽 optimum untuk pemulusan trend diperoleh
0.002786664 dengan nilai koefisien sebesar −1.642036𝑒 + 03 . Untuk nilai
pemulusan musiman atau 𝛾 diperoleh sebesar 0.876259.

Gambar 3.6. Nilai Kesalahan Holt Winters Additive dengan Fungsi R

Selanjutnya, untuk Gambar 3.6. diatas merupakan output hasil perhitungan
nilai kesalahan / error untuk metode Holt-Winters Additive pada Januari 2014
sampai Desember 2019 dengan menggunakan tiga metode yaitu Mean Square

19
Error (MSE), Root Mean Square Error (RMSE) dan Mean Absolute Percentage
Error (MAPE). Untuk nilai MSE sebesar 9797103123 , nilai RMSE sebesar
98980.32 dan nilai MAPE-nya sebesar 8.316703. Dimana nilai MAPE tersebut
kurang dari 10%. Dapat dikatakan bahwa peramalan data penumpang domestik ini
cukup akurat (tinggi), karena nilai MAPE berada direntang <10%.

Gambar 3.7. Nilai Kesalahan Holt Winters Multiplicative dengan fungsi R

Dengan menggunakan metode Holt Winters Multiplicative terhadap data
penumpang domestik bandara Ngurah Rai didapatkan nilai kesalahan atau error
antara lain Mean Square Error (MSE), Root Mean Square Error (RMSE) dan Mean
Absolute Percentage Error (MAPE). Nilai MSE diperoleh sebesar 9664815347,
kemudian nilai RMSE sebesar 98309.79 dan nilai MAPE sebesar 8.399535 .
Dimana nilai MAPE kurang dari 10% dapat dikatakan bahwa peramalan data
penumpang domestik bandara Ngurah Rai dengan metode ini cukup akurat (tinggi),
karena nilai MAPE berada direntang <10%.

Gambar 3.8. Hasil Peramalan dengan Fungsi R

Setelan mencari nilai kesalahan atau error, didapatkan bahwa nilai kesalahan
MAPE yang paling kecil yaitu dengan menggunakan Holt Winters metode Additive
sebesar 8.316703. Praktikan menggunakan metode Additive untuk mencari nilai
peramalan karena semakin kecil nilai error maka semakin baik pula peramalannya.
Dapat dilihat pada Gambar 3.8. diatas didapatkan nilai peramalan untuk 5 periode
kedepan pada tahun 2020 yakni bulan Januari sebesar 441209.0 , Februari
388574.4, Maret sebesar 412350.8, bulan April sebesar 425032.5 dan bulan Mei
392002.7.

20
 Gambar 3.9. Plot Data Aktual, Fitted Value, Peramalan dengan fungsi R
Tampilan plot pada Gambar 3.9. merupakan plot gabungan dari beberapa
plot untuk data aktual, fitted value (nilai prediksi) dan nilai peramalan. Dapat dilihat
untuk garis berwarna ungu merupakan plot dari data aktual untuk data penumpang
domestik. Garis berwarna biru adalah garis yang menunjukkan data nilai fitted
value (nilai prediksi). Sedangkan untuk garis yang berwarna kuning merupakan
hasil dari data peramalan. Garis yang titik-titik merupakan garis pemisah data
aktual dan nilai peramalan. Secara visual, dapat terlihat bahwa garis berwarna
merah dan biru saling berdekatan yangg artinya bahwa nilai prediksi mendekati
nilai dari data aktual dan juga mempunyai pola trend dan musiman yang sama.

3.3 TES Menggunakan Fungsi Damped

Gambar 3.10. Peramalan Holt Winters Additive dengan Damped

Berdasarkan gambar diatas diperoleh beberapa nilai yaitu Point Forecast
(nilai peramalan), Lo 80 (nilai terendah untuk tingkat signifikansi sebesar 80%),
Hi 80 (nilai tertinggi untuk tingkat signifikansi sebesar 80%), Lo 95 (nilai
terendah untuk tingkat signifikansi sebesar 95%) dan Hi 95 (nilai tertinggi untuk

21
tingkat signifikansi sebesar 95%). Dengan menngunakan tingkat kepercayaan
sebesar 80% didapatkan nilai peramalan sebagai berikut :
1. Bulan Januari 2020 didapatkan nilai peramalan sebesar 435070.2 yang
berada didalam interval 382910.9 sampai dengan 487229.5.
2. Bulan Februari 2020 didapatkan nilai peramalan sebesar 382140.6 yang
berada didalam interval 326203.0 sampai dengan 438078.2.
3. Bulan Maret 2020 didapatkan nilai peramalan sebesar 408389.5 yang
berada didalam interval 348911.4 sampai dengan 467867.5.
4. Bulan April 2020 didapatkan nilai peramalan sebesar 418670.8 yang
berada didalam interval 355850.0 sampai dengan 481491.7.
5. Bulan Mei 2020 didapatkan nilai peramalan sebesar 424866.6 yang
berada didalam interval 358870.7 sampai dengan 490862.5.

Sedangkan, untuk peramalan dengan menggunakan tingkat kepercayaan 95%

didapatkkan nilai peramalan untuk 5 periode kedepan sebagai berikut :
1. Bulan Januari 2020 didapatkan nilai peramalan sebesar 435070.2 yang
berada didalam interval 355299.5 sampai dengan 514840.9.
2. Bulan Februari 2020 didapatkan nilai peramalan sebesar 382140.6 yang
berada didalam interval 296591.4 sampai dengan 467689.8.
3. Bulan Maret 2020 didapatkan nilai peramalan sebesar 408389.5 yang
berada didalam interval 317425.6 sampai dengan 499353.3
4. Bulan April 2020 didapatkan nilai peramalan sebesar 418670.8 yang
berada didalam interval 322594.6 sampai dengan 514747.0.
5. Bulan Mei 2020 didapatkan nilai peramalan sebesar 424866.6 yang berada
didalam interval 323934.5 sampai dengan 525798.6.

Gambar 3.11. Peramalan Holt Winters Multiplicative dengan Damped

22
 Berdasarkan gambar diatas diperoleh beberapa nilai yaitu Point Forecast
(nilai peramalan), Lo 80 (nilai terendah untuk tingkat signifikansi sebesar 80%),
Hi 80 (nilai tertinggi untuk tingkat signifikansi sebesar 80%), Lo 95 (nilai
terendah untuk tingkat signifikansi sebesar 95%) dan Hi 95 (nilai tertinggi untuk
tingkat signifikansi sebesar 95%). Dengan menngunakan tingkat kepercayaan
sebesar 80% didapatkan nilai peramalan sebagai berikut :
1. Bulan Januari 2020 didapatkan nilai peramalan sebesar 433310.5 yang
berada didalam interval 377142.2 sampai dengan 489478.8.
2. Bulan Februari 2020 didapatkan nilai peramalan sebesar 375355.8 yang
berada didalam interval 323697.3 sampai dengan 427104.4.
3. Bulan Maret 2020 didapatkan nilai peramalan sebesar 348321.9 yang
berada didalam interval 348321.9 sampai dengan 467079.7.
4. Bulan April 2020 didapatkan nilai peramalan sebesar 416551.4 yang
berada didalam interval 352806.1 sampai dengan 480296,7.
5. Bulan Mei 2020 didapatkan nilai peramalan sebesar 426858.6 yang
berada didalam interval 358525.9 sampai dengan 495191.4.

Sedangkan, untuk peramalan dengan menggunakan tingkat kepercayaan 95%

didapatkkan nilai peramalan untuk 5 periode kedepan sebagai berikut :
1. Bulan Januari 2020 didapatkan nilai peramalan sebesar 433310.5 yang
berada didalam interval 347408.5 sampai dengan 519212.5.
2. Bulan Februari 2020 didapatkan nilai peramalan sebesar 375355.8 yang
berada didalam interval 296213.3 sampai dengan 454498.4.
3. Bulan Maret 2020 didapatkan nilai peramalan sebesar 348321.9 yang
berada didalam interval 316888.6 sampai dengan 498512.9
4. Bulan April 2020 didapatkan nilai peramalan sebesar 416551.4 yang
berada didalam interval 319061.4 sampai dengan 514041.4.
5. Bulan Mei 2020 didapatkan nilai peramalan sebesar 426858.6 yang berada
didalam interval 322352.7 sampai dengan 531364.5.

23
 Gambar 3.12. Model Holt Winters Additive dengan Damped
Pada Gambar 3.12. merupakan output dari model Holt Winters Additive
menggunakan package forecast. Dengan menggunkan model diperoleh nilai 𝑎𝑙𝑝ℎ𝑎
(α) sebesar 0.3874 , nilai 𝑏𝑒𝑡𝑎 (𝛽) sebesar 0.0004 , nilai 𝑔𝑎𝑚𝑚𝑎 (𝛾) sebesar
0.0004, dan nilai 𝑝ℎ𝑖 (𝜋) sebesar 0.9696. Kemudian juga diperoleh nilai AIC,
AICc dan BIC yang masing-masing sebesar 1852.942, 1865.848, dan 1893.922.

Gambar 3.13. Model Holt Winters Multiplicative dengan Damped

24
 Selanjutnnya, untuk Gambar 3.13. adalah output model Holt Winters
Additive menggunakan package forecast. Dengan menggunkan model diperoleh
nilai 𝑎𝑙𝑝ℎ𝑎 (α) sebesar 0.3605, nilai 𝑏𝑒𝑡𝑎 (𝛽) sebesar 0.0004, nilai 𝑔𝑎𝑚𝑚𝑎 (𝛾)
sebesar 0.0004, dan nilai 𝑝ℎ𝑖 (𝜋) sebesar 0.9779. Kemudian juga diperoleh nilai
AIC, AICc dan BIC yang masing-masing sebesar 1853.177, 1866.083, dan
1894.157.

Gambar 3.14. Nilai Kesalahan Holt Winters Additive dengan Damped

Berikut diatas adalah output untuk nilai kesalahan / error metode Holt
Winters Additive dengan Mean Square Error (MSE), Root Mean Square Error
(RMSE) dan Mean Absolute Percentage Error (MAPE). Dimana nilai MSE sebesar
1265381032 , nilai RMSE sebesar 35572.19 dan untuk nilai MAPE sebesar
7.11606.

Gambar 3.15. Nilai Kesalahan Holt Winters Multiplicative dengan Damped

Berikut diatas adalah output untuk nilai kesalahan / error metode Holt
Winters Multiplicative dengan Mean Square Error (MSE), Root Mean Square Error
(RMSE) dan Mean Absolute Percentage Error (MAPE). Dimana nilai MSE sebesar
1220173926 , nilai RMSE sebesar 34930.99 dan untuk nilai MAPE sebesar
7.070035.

25
 Gambar 3.16. Plot Data Aktual vs Fitted Value
Tampilan plot pada Gambar 3.16. diatas merupakan plot yang
menggambarkan perbandingan antara data aktual dengan fitted value. Dimana garis
yang berwarna biru merupakan nilai prediksi dengan menggunakan Holt Winters
metode multiplicative sedangkan yang berwarna merah merupakan nilai prediksi
dengan menggunakan Holt Winters metode additive. Serta garis hitam merupakan
nilai dari data aktualnya. Dalam plot terlihat bahwa nilai prediksi hampir mendekati
dengan data aktualnya, sehingga prediksi dapat dikatakan cukup akurat.

Gambar 3.17. Plot Data Aktual vs Nilai Peramalan

26
 Pada Gambar 3.14. menujukkan plot dari data aktual serta nilai peramalan
untuk 5 periode kedepannya. Nilai peramalan tersebut ditandai dengan garis
berwarna biru. Dapat dilihat bahwa peramalan tersebut nilainya tidak konstan,
terdapat fluktuasi. Peramalan pada 5 periode kedepan tersebut hampir sama dengan
nilai data aktual pada periode sebelumnya, sehingga bentuknya hampir mirip.

27
4 Penutup

4.1 Kesimpulan
Berdasarkan analisis Triple Exponential Smoothing yang telah dilakukan oleh
praktikan dalam studi kasus tersebut dapat disimpulkan bahwa :

1. Dengan menggunakan fungsi dasar pada R didapatkan nilai untuk triple

exponential smoothing. Didapatkan nilai MAPE dari metode Holt Winters
Additive paling kecil yakni sebesar 8.316703.
2. Didapatkan nilai peramalan dengan metode terbaik yakni bulan Januari 2020
sebesar 441209.0 , Februari 2020 sebesar 388574.4 , Maret 2020 sebesar
412350.8 , April 2020 sebesar 425032.5 dan bulan Mei 2020 sebesar
392002.7.
3. Pada metode Damped diperoleh metode terbaik yaitu metode Holt Winters
Multiplicative dengan nilai MAPE terkecil yakni sebesar 7.070035.

28
5 Daftar Pustaka

Intiari, V. D. (2020, Oktober). Triple Exponential Smoothing.

Mahkya, D. A. (2019, December 7). Tutorial : Metode Forecasting Exponential
Smoothing Menggunakan R. Retrieved from danialmahkya.com:
https://www.danialmahkya.com/2019/12/exponential-smoothing-r.html

29