Kelas D

LAPORAN PRAKTIKUM
ANALISIS RUNTUN WAKTU
Modul 3 : Triple Exponential Smoothing

`
Nomor Tanggal Tanda Tangan
Nama Praktikan
Mahasiswa Kumpul Praktikan

Fadel Agusti 18611071 20/11/2020

TanggalKo Tanda tangan

Nama Penilai Nilai
reksi Asisten Dosen
Fadhiila Senjaliana
Venti Diah Intiari
Mujiati Dwi Kartikasari, S.Si.,
M.Si

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

Halaman sampul ...................................................................................................... 1

Daftar Isi ............................................................................................................... 1-i
Daftar Gambar...................................................................................................... 1-ii
1 Pendahuluan ...................................................................................................... 3
1.1 Exponential Smoothing ............................................................................ 3
1.1.1 Single Exponential Smoothing ......................................................... 3
1.1.2 Triple Exponential Smoothing .......................................................... 3
1.1.3 Triple Exponential Smoothing .......................................................... 3
2 Deskripsi Kerja ................................................................................................. 4
2.1 Studi Kasus ............................................................................................... 4
2.2 Langkah Kerja .......................................................................................... 4
3 Pembahasan ....................................................................................................... 8
3.1 Melakukan Analisis Triple Exponential Smoothing ................................ 8
3.1.1 Triple Exponential Smoothing Additive ........................................... 8
3.1.2 Triple Exponential Smoothing Multiplicative .................................. 9
3.2 Ukuran kesalahan Triple Exponential Smoothing ................................... 9
3.2.1 Triple Exponential Smoothing Additive ........................................... 9
3.2.2 Triple Exponential Smoothing Multiplicative ................................ 10
3.3 Triple Exponential Smoothing Menggunakan Forcast .......................... 12
3.3.1 Triple Exponential Smoothing Additive ......................................... 12
3.3.2 Triple Exponential Smoothing Additive ......................................... 12
3.4 Ukuran kesalahan Triple Exponential Smoothing ................................. 13
3.4.1 Triple Exponential Smoothing Additive ......................................... 13
4 Penutup ........................................................................................................... 15
4.1 Kesimpulan............................................................................................. 15
5 Daftar Pustaka ................................................................................................. 16

1
Daftar Gambar

Gambar 2.1 Membuka RStudio. ............................................................................ 4

Gambar 2.2 Syntax Memasukkan data. ................................................................. 4
Gambar 2.3 Mengubah data menjadi time series .................................................. 5
Gambar 2.4 Syntax untuk membuat Plot ............................................................... 5
Gambar 2.5 Syntax untuk nilai TES additive ......................................................... 5
Gambar 2.7 Nilai Fitted Value dari TES Multiplicative ........................................ 5
Gambar 2.8 Syntax untuk ukuran kesalahan TES Additive.................................... 6
Gambar 2.10 Syntax menghitung Peramalan ........................................................ 6
Gambar 2.11 Plot data asli dan data prediksi ........................................................ 6
Gambar 3.1 Penumpang bandara ........................................................................... 8
Gambar 3.4. Nilai pengukuran dari TES ............................................................. 10
Gambar 3.6. Nilai Prediksi 5 bulan. .................................................................... 10
Gambar 3.7. Plot Data Aktual, Fitted Value, dan Nilai Prediksi. ....................... 11
Gambar 3.8. Output TES Additive menggunakan forecast. ................................ 12
Gambar 3.9. Output TES Multiplicative menggunakan forecast. ....................... 12
Gambar 3.11. Nilai pengukuran multiplicative menggunakan forecast. ............. 13
Gambar 3.12. Plot TES Additive dan Multiplicative. .......................................... 14

2
1 Pendahuluan

1.1 Exponential Smoothing

Exponential smoothing atau dalam bahasa Indonesia disebut dengan
Penghalusan Eksponensial adalah suatu metode peramalan rata-rata
bergerak yang memberikan bobot secara eksponensial atau bertingkat
pada data-data terbarunya sehingga data-data terbaru tersebut akan
mendapatkan bobot yang lebih besar. Hal ini dikarenakan data yang
terbaru dianggap lebih relavan sehingga diberikan bobot yang lebih besar.
Parameter penghalusan (smoothing) biasanya dilambangkan dengan α
(alpha).

1.1.1 Single Exponential Smoothing

Metode Single Exponential Smoothing adalah metode yang
menunjukan pembobotan menurun secara eksponensial terhadap nilai
observasi yang lebih tua. Yaitu nilai yang lebih baru diberikan bobot yang
relatif lebih besar dibanding nilai observasi yang lebih lama. Metode ini
memberikan sebuah pembobotan eksponensial rata rata bergerak dari
semua nilai observasi sebelumnya.

1.1.2 Triple Exponential Smoothing

Metode ini digunakan ketika data menunjukkan adanya trend. Trend
adalah estimasi yang dimuluskan dari pertumbuhan rata-rata pada akhir
masing-masing periode.

1.1.3 Triple Exponential Smoothing

Metode ini digunakan ketika data menunjukkan adanya trend dan
perilaku musiman. Untuk menangani musiman, telah dikembangkan
parameter persamaan ketiga yang disebut metode “Holt-Winters” sesuai
dengan nama penemunya. Terdapat dua model Holt-Winters tergantung
pada tipe mesimannya yaitu Multiplicative seasonal model dan Additive
seasonal model.

3
2 Deskripsi Kerja

2.1 Studi Kasus

Diberikan data penumpang pesawat pada bandara Soekarno Hatta pada
Lampiran 2. Pada data tersebut, lakukan:
1. Lakukan analisis data dengan Holt-Winters menggunakan fungsi dasar
R. Tentukan alpha, beta, gamma optimum. Kemudian, tentukan
permalan untuk 3 periode ke depan.
2. Lakukan analisis data dengan Holt damped parameter menggunakan
package forecast. Tentukan alpha, beta, gamma, dan phi optimum.
Kemudian, tentukan permalan untuk 3 periode ke depan.
2.2 Langkah Kerja

Untuk menyelesaikan permasalahan diatas praktikan memulai dengan

membuat langkah kerja sebagai berikut :
1. Praktikan membukan RStudio dan akan menampilkan jendela seperti
berikut.

Gambar 2.1 Membuka RStudio.

2. Praktikan menginputkan data terlebih dahulu dengan syntax berikut.

Gambar 2.2 Syntax Memasukkan data.

2
3. Praktikan mengubah variabel Soekarno.Hatta pada data dengan
mengubahnya menjadi time series dengan syntax berikut.

Gambar 2.3 Mengubah data menjadi time series

4. Praktikan membuat plot dari data time series dengan syntax berikut.

Gambar 2.4 Syntax untuk membuat Plot

5. Dengan metode Holt-Winters additive praktikan akan menghitung nilai
Triple Exponential Smoothing dari data. Dengan syntax berikut.

Gambar 2.5 Syntax untuk nilai TES additive

6. Dengan metode Holt-Winters Multiplicative praktikan akan
menghitung nilai Triple Exponential Smoothing dari data. Dengan
syntax berikut.

Gambar 2.6 Syntax untuk nilai TES

7. Praktikan menampilkan nilai fitted value dari TES yang telah
dilakukan sebelumnya seperti berikut.

Gambar 2.7 Nilai Fitted Value dari TES Multiplicative

8. Praktikan menghitung nilai dari Mean Square Error, Root Mean
Square Error, dan Mean Absolute Percentage Error dari metode
Additive dengan syntax berikut.

5
 Gambar 2.8 Syntax untuk ukuran kesalahan TES Additive
9. Praktikan menghitung nilai dari Mean Square Error, Root Mean
Square Error, dan Mean Absolute Percentage Error dari metode
Multiplicative dengan syntax berikut.

Gambar 2.9 Syntax untuk ukuran kesalahan TES Multiplicative

10. Praktikan melakukan peramalan untuk satu periode ke depan dengan

syntax berikut.

Gambar 2.10 Syntax menghitung Peramalan

11. Lalu, praktikan akan membuat plot dari data aktual dan data peramalan
dengan menggunakan syntax plot, lines, dan legend seperti pada
gambar di bawah ini.

Gambar 2.11 Plot data asli dan data prediksi

12. Praktikan memanggil package forecast

Gambar 2.12 library forecast

2
13. Kemudian praktikan menentukan model dengan seasonal Additive
dengan sintak.

Gambar 2.13 menentukan model seasonal additive

14. Kemudian praktikan menentukan model dengan seasonal Additive
dengan sintak.

Gambar 2.14 menentukan model seasonal additive

15. Praktikan menghitung ukuran kesalahan dengan model additive
dengan sintak.

`
Gambar 2.15 Menghitung ukuran kesalahan model additive
16. Praktikan menghitung ukuran kesalahan dengan model additive
dengan sintak.

Gambar 2.16 Menghitung ukuran kesalahan model additive

17. Praktikan membuat plot .

Gambar 2.17 Membuat plot data asli dan data prediksi

7
3 Pembahasan

Praktikan akan menampilkan data penumpang bandara Soekarno-

Hatta deengan rentang waktu mulai dari Januari 2006 sampai Juni 2020
sehinggga mendapatkan output seperti pada Gambar 3.1. berikut.

Gambar 3.1 Penumpang bandara

Gamabr diatas adalah data penumpang bandara dari bulan Januari 2006
sampai dengan juni 2020. Dengan variabel tqahun, variabel bulan , dan
variabel Soekarno.Hatta yang telah diubah menjadi data timeseries.
3.1 Melakukan Analisis Triple Exponential Smoothing
3.1.1 Triple Exponential Smoothing Additive
Praktikan mulai menghitung Triple Exponential Smoothing additive
dengan menggunakan metode Holt-Winters. Praktikan dapat mulai
mencari alpha optimum dengan syntax berikut.

Gambar 3.2 Output TES dengan Additive

2
 Dari Gambar 3.2. diatas didapatkan alpha optimum sebesar
0.6925804 dan beta sebesar 0.0677884.

3.1.2 Triple Exponential Smoothing Multiplicative

Setelah menggunakan additive praktikan mulai menghitung Triple
Exponential Smoothing multiplicative dengan menggunakan metode Holt-
Winters. Praktikan dapat mulai mencari alpha optimum dengan syntax
berikut.

Gambar 3.3 Output TES dengan Multiplicative

Dari Gambar 3.2. diatas didapatkan alpha optimum sebesar

0.7172055 dan beta sebesar 0.02169969.

3.2 Ukuran kesalahan Triple Exponential Smoothing

3.2.1 Triple Exponential Smoothing Additive
Lalu praktikan berlanjut menghitung nilai Mean Square Error, Root
Mean Square Error, dan Mean Absolute Percentage Error. Praktikan telah
membahas sintak yang digunakan dalam menghitung pengukuran tersebut
sehingga praktikan mendapat 3 nilai yang berbeda. Dengan nilai yang
paling rendah sebagai hasil yang paling baik. Sehingga praktikan
mendapatkan hasil sebagai berikut.

9
 Gambar 3.4. Nilai pengukuran dari TES

Berdasarkan Gambar 3.4. praktikan mendapatkan MSE Additive

dengan nilai sebesar 340466739103, RMSE Additive dengan nilai sebesar
583495.3, MAPE Additive dengan nilai sebesar 20.04085. sehingga
didapatkan nilai error terkecil dan terbaik adalah nilai MAPE.

3.2.2 Triple Exponential Smoothing Multiplicative

Lalu praktikan berlanjut menghitung nilai Sum Square Error, Mean
Square Error, Root Mean Square Error, dan Mean Absolute Percentage
Error Multiplicative. Sehingga praktikan mendapatkan hasil sebagai
berikut.

Gambar 3.5. Nilai pengukuran dari TES

Berdasarkan Gambar 3.5. praktikan mendapatkan MSE Multiplicative

dengan nilai sebesar 360975434571, RMSE Multiplicative dengan nilai
sebesar 600812.3, MAPE Multiplicative dengan nilai sebesar 20.66343.
sehingga didapatkan nilai error terkecil dan terbaik adalah nilai MAPE.
Kemudian praktikan membuat prediksi untuk 5 bulan berikutnya.
Yang dapat dlihat pada Gambar 3.6. berikut.

Gambar 3.6. Nilai Prediksi 5 bulan.

2
 Kemudian praktikan membuat visualisasi data penumpang pesawat
Soekarno-Hatta dengan warna biru plot data actual, warna pink plot fitted
value TES Additive, warna merah tua plot fitted value TES Multiplicative,
warna orange plot hasil prediksi 3 periode metode TES Additive dan
warna hijau hasil prediksi metode TES Multiplicative. Yang dapat dlihat
pada Gambar 3.7. berikut.

Gambar 3.7. Plot Data Aktual, Fitted Value, dan Nilai Prediksi.
Gambar 3.7. adalah plot prediksi dari penumpang pesawat di
Bandara Soekarno-Hatta mulai dari tahun 2006 sampai 2020. data
penumpang pesawat Soekarno-Hatta dengan warna biru plot data actual,
warna pink plot fitted value TES Additive, warna merah tua plot fitted
value TES Multiplicative, warna orange plot hasil prediksi 3 periode
metode TES Additive dan warna hijau hasil prediksi metode TES
Multiplicative. Dapat dilihat bahwa plot tersebut mengalami trend yang
naik turun dengan periode terakhir data mengalami penurunan yang
drastis. Hal ini dapat terjadi dikarenakan adanya pandemic Covid-19 yang
membuat pihak bandara hanya mengambil sedikit penumpang untuk
mematuhi protocol Kesehatan.

11
3.3 Triple Exponential Smoothing Menggunakan Forcast
3.3.1 Triple Exponential Smoothing Additive

Gambar 3.8. Output TES Additive menggunakan forecast.

Gambar 3.8. hasil Triple Exponential Smoothing Additive dengan
forecast. Terlihat bahwa alpha optimum yang diperoleh sebesar 0.8608,
beta optimum yaitu sebesar 1e – 04, gamma optimum sebesar 1e − 04 dan
parameter phi bernilai 0.8845. Diperoleh initial states untuk l sebesar
886164.465, b sebesar 9358.0854

3.3.2 Triple Exponential Smoothing Additive

Gambar 3.9. Output TES Multiplicative menggunakan forecast.

Gambar 3.9. hasil Triple Exponential Smoothing Additive dengan
forecast. Terlihat bahwa alpha optimum yang diperoleh sebesar 0.803, beta
optimum yaitu sebesar 0.0011, gamma optimum sebesar 1e − 04 dan
2
 parameter phi bernilai 0.9612. Diperoleh initial states untuk l sebesar
862557.8459, b sebesar 10052.6809

3.4 Ukuran kesalahan Triple Exponential Smoothing

3.4.1 Triple Exponential Smoothing Additive

Gambar 3.10. Nilai pengukuran additive menggunakan forecast.

Pada Gambar 3.10. praktikan mendapatkan MSE Additive dengan nilai
sebesar 21842202671, RMSE Additive dengan nilai sebesar 147791.1,
MAPE Additive dengan nilai sebesar 2.709271e-76. sehingga didapatkan
nilai error terkecil dan terbaik adalah nilai MAPE.

Gambar 3.11. Nilai pengukuran multiplicative menggunakan forecast.

Pada Gambar 3.11. praktikan mendapatkan MSE Multiplicative
dengan nilai sebesar 0.01927575, RMSE Multiplicative dengan nilai sebesar
0.1388371, MAPE Multiplicative dengan nilai sebesar 0. sehingga
didapatkan nilai error terkecil dan terbaik adalah nilai MAPE.

13
 Gambar 3.12. Plot TES Additive dan Multiplicative.
Pada Gambar 3.11. praktikan mendapatkan 5 garis berbeda yaitu
warna hitam plot data actual, warna pink plot fitted value TES Additive, warna
hijau plot fitted value TES Multiplicative, warna biru plot dari hasil prediksi 3
periode dengan TES Additive dan warna ungu hasil prediksi TES Multiplicative.
Pada TES Additive jumlah penumpang naik di bulan Juli dan turun lagi di
Agustus dan September. Pada TES Multiplicative jumlah penumpang menurun
tidal signifikan dari Juli sampai September.

2
4 Penutup

4.1 Kesimpulan

1. Menggunakan RStudio didapatkan hasil prediksi untuk 3 periode ke

depan. Pada TES Additive tidak ada penumpang sama sekali
sedangkan pada TES Multiplicative terdapat 64.000 hingga 140.000
penumpang.

2. Menggunakan forecast diperoleh hasil prediksi untuk 3 periode ke

depan. Pada TES Additive jumlah penumpang naik di bulan Juli dan
turun lagi di Agustus dan September. Pada TES Multiplicative jumlah
penumpang menurun tidal signifikan dari Juli sampai September.

3. Nilai kesalahan pada metode TES Additive yaitu MSE sebesar

340466739103, RMSE sebesar 583495.3 dan MAPE sebesar
20.04085 serta pada TES Multiplicative nilai kesalahannya yaitu
MSE sebesar 360975434571, RMSE sebesar 600812.3 dan MAPE
sebesar 20.66343. Nilai kesalahan yang terkecil yaitu nilai MAPE.

4. Nilai ukuran kesalahan pada TES Additive dengan forecast yaitu

MSE sebesar 21842202671, RMSE sebesar 147791.1 dan MAPE
sebesar 17.55208 sedangkan pada TES Multiplicative nilai ukuran
kesalahannya yaitu MSE sebesar 21243831581, RMSE sebesar
145752.6 dan MAPE sebesar 17.5459. Nilai kesalahan yang terkecil
yaitu nilai MAPE

5. Metode yang paling tepat untuk meramalkan penumpang pesawat

Soekarno Hatta untuk 3 periode ke depan adalah TES Multiplicative.

6. Untuk kasus diatas ukuran kesalahan yang paling tepat adalah

metode TES yaitu MAPE atau Mean Square Error.

15
5 Daftar Pustaka

Kho, B. (2018, Februari 12). Peramalan dengan Exponential Smoothing

(Penghalusan Eksponensial). Retrieved 10 16, 2020, from Ilmu
Manajemen Industri:
https://ilmumanajemenindustri.com/peramalan-dengan-
exponential-smoothing-penghalusan-eksponensial/
Hartono, A., Dwijana, D., & Handiwidjojo, W. (2012, Mei).
PERBANDINGAN METODE SINGLE EXPONENTIAL
SMOOTHING DAN METODE EXPONENTIAL SMOOTHING
ADJUSTED FOR TREND (HOLT’S METHOD) UNTUK
MERAMALKAN PENJUALAN. STUDI KASUS: TOKO
ONDERDIL MOBIL “PRODI, PURWODADI”. Jurnal EKSIS, 05,
8-18. Retrieved 2020