LAPORAN PRAKTIKUM
ANALISIS RUNTUN WAKTU
Modul 4 : Triple Exponential Smoothing
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2020
i
Daftar Isi
ii
Daftar Tabel
iii
Daftar Gambar
iv
1 Pendahuluan
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.
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 :
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
7
2 Deskripsi Kerja
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. Maka akan muncul tampilan awal dari Jendela R Studio seperti berikut.
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 2.5. Mengubah menjadi 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
10. Praktikan akan menghitung nilai kesalahan / error untuk metode Holt
Winters Multiplicative menggunakan metode SSE, MSE, RMSE dan
MAPE seperti berikut.
12
Gambar 2.11. Peramalan dengan Fungsi R
Gambar 2.12. Plot data aktual dan fitted value dengan fungsi dasar R
13
Gambar 2.15. Prediksi Holt Winters Multiplicative dengan damped
4. Lalu, praktikan akan menampilkan model untuk Holt Winters Additive
seperti berikut.
14
Gambar 2.20. Plot data aktual & fitted value dengan damped
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.
15
3 Pembahasan
Pada Lembar Pembahasan ini, praktikan akan menjelaskan lebih detail lagi
mengenai output dari penyelesaian studi kasus.
16
Gambar 3.2. Data time series untuk Data Penumpang Pesawat
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.
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%.
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.
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.
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.
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.
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.
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.
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 :
28
5 Daftar Pustaka
29