1

Metoda Peramalan Kuantitatif

Metoda Peramalan Time Series (2)
Exponential Smoothing

Bahan Bacaan:
Makridakis, S. et al, 2008, Forecasting: Methods & Applications, John Willey & Son, New York.
2 Simple Moving

Jenis Metoda Peramalan

Average

Time Series Metode

Rata-Rata
Single Moving
Average

Double Moving
Average
Metode
Smoothing
Single
Exponential
Smoothing

Metode Double
Smoothing Exponential
METODE TIME
Exponential Smoothing
SERIES

Triple Exponential
Pola Data Trend
Smoothing

Metode
Pola Data Siklus
Dekomposisi

Pola Data
Musiman
3

Exponential Smoothing
(Penghalusan Eksponensial)
Exponential smoothing → suatu metode peramalan rata-rata
bergerak yang memberikan bobot secara bertingkat pada data-data
terbarunya sehingga data-data terbaru akan mendapatkan bobot yang
lebih besar
4
KONSEP DASAR
Metoda Exponential Smoothing
➢Menerapkan bobot yang tidak sama pada data masa lalu.
➢Bobot secara spesifik menurun secara eksponensial dari data yang paling
baru ke data yang paling lama.
➢Semua metoda dalam kelompok ini memerlukan parameter penghalusan
tertentu (dilambangkan dengan α) yang didefinisikan antara 0-1→
ditentukan sedemikian rupa sehingga kesalahan peramalan terkecil
➢Eksponensial smoothing: bobot peranan data menurun secara
eksponensial dengan bertambah tuanya (lama) data
5
KONSEP DASAR
Metoda Exponential Smoothing
➢Single Exponential Smoothing (SES): satu parameter perlu didefinisikan→
pilih parameter sehingga error terkecil.
➢ARRSES (Adaptive Response Rate Simple Exponential Smoothing): satu
parameter yang berubah dari waktu ke waktu mengikuti perubahan pola
data.
➢Double Exponential Smoothing
▪ Metoda Linier Brown: memerlukan penggunaan satu parameter yang sama untuk
kedua smoothing.
▪ Metoda Holt: menggunakan dua parameter yang berbeda untuk kedua exponential
smoothing yang terlibat.
➢Triple Exponential Smoothing:
▪ Metoda Kuadrat Satu Parameter Brown: satu parameter digunakan pada ketiga
exponential smoothing.
▪ Metoda Trend dan Season Tiga Parameter Winter: Tiga parameter yang berbeda
digunakan untuk masing-masing dari tiga exponential smoothing.
6

Metode Peramalan Eksponensial

Single Exponential Smoothing (SES)
7

METODE EXPONENTIAL SMOOTHING

1. Prinsip Metode Single Exponential Smoothing
SES meramal melalui hasil ramalan sebelumnya ditambah
penyesuaian kesalahan yang dilakukan pada peramalan
sebelumnya:

Ft+1 = Ft + (Xt-Ft)
Nilai peramalan baru terdiri dari nilai peramalan lama ditambah penyesuaian
untuk error pada peramalan sebelumnya
8

METODE EXPONENTIAL SMOOTHING

1. Prinsip Metode Single Exponential Smoothing
Nilai  menunjukkan besarnya penyesuaian untuk error
✓α kecil (mendekati 0) menunjukkan bahwa nilai
peramalan yang baru memberikan sangat sedikit
penyesuaian terhadap error.
✓α besar (mendekati 1) menunjukkan bahwa nilai
peramalan yang baru memberikan sangat banyak
penyesuaian terhadap error.
9

METODE EXPONENTIAL SMOOTHING

1. Prinsip Metode Single Exponential Smoothing
• Efek pemulusan pada metoda single eksponensial smoothing:
•  besar memberikan sedikit pemulusan pada peramalan
•  kecil memberikan pemulusan yang besar
• α optimal ditentukan dengan trial dan error→ meminimalkan MSE
• Hanya dapat meramalkan satu periode kedepan
10

METODE EXPONENTIAL SMOOTHING

1. Prinsip Metode Single Exponential Smoothing
 X t X t−N 
Ft +1 = Ft +  −  X t − N diestimasikan melalui Ft
N N 
 X t Ft 
Ft +1 = Ft +  − 
N N
1
1  1 Gantikan dengan 
Ft +1 =   X t + 1 −  Ft N
N  N

Ft +1 = X t + (1 −  )Ft
atau
Ft +1 = Ft +  ( X t − Ft )  Ft +1 = Ft +  (et )
11
METODE EXPONENTIAL SMOOTHING
1. Penerapan Metode Single Exponential Smoothing
Nilai yang α
Periode diamati
(Xt) Ft (0,1) Ft (0,5) Ft (0,9)

1 200,0 - - -

Ft +1 = X t + (1 −  )Ft
2 135,0 200,0 200,0 200,0
3 195,0 193,5 167,5 141,5
atau
4 197,5 193,7 181,3 189,7
Ft +1 = Ft +  ( X t − Ft )  Ft +1
5 310,0 194,0 189,4 196,7
Contoh: F (periode 4; alpha 0.1)
6 175,0 205,6 249,7 298,7
F(4)=0.1 (195)+ (1-0.1) (193.5)
7 155,0 202,6 212,3 187,4 F(4)=19.5+174.15
8 130,0 197,8 183,7 158,2 F(4)=193.65
9 220,0 191,0 156,8 132,8
10 277,5 193,9 188,4 211,3
11 235,0 202,3 233,0 270,9
12 - 205,6 2324,0 238,5
12
METODE EXPONENTIAL SMOOTHING
1. Penerapan Metode Single Exponential Smoothing
ANALISIS ERROR

2-11 2-11 2-11

Parameter / Data yang Diuji
α=0,1 α=0,5 α=0,9
Mean Error 5,57 6,80 4,29
Mean Absolute Error 47,76 56,94 61,32
Mean Absolute Persentage Error 24,58 29,20 30,81
(MAPE)
Standard Deviation of Error 61,53 69,13 74,69
(Unbiased)
Mean Squared Error (MSE) 3438,333 4347,24 5039,37
Durbin-Watson Statistic 1,57 1,84 2,30
Theil’s U Statistic 0,81 0,92 0,96
13
14

Metode Peramalan Eksponensial

Adaptive Response Rate SES (ARRSES)
15
METODE EXPONENTIAL SMOOTHING
2. Metode ARRSES
Adaptive Response Rate SES (ARRSES)
➢ SES memerlukan nilai  yang dispesifikasikan, nilai 
optimum harus ditentukan melalui trial dan error
➢ Nilai α berubah secara otomatis bila ada suatu perubahan
dalam pola dasar.
➢ Keuntungan: memungkinkan nilai α berubah dalam suatu cara
yang terkendali sesuai perubahan pola data yang terjadi,
sehingga menarik bila banyak variabel yang perlu diramal
16
METODE EXPONENTIAL SMOOTHING
2. Persamaan Dasar Metode ARRSES
𝐹𝑡+1 = 𝛼𝑡 𝑋𝑡 + 1 − 𝛼𝑡 𝐹𝑡

dimana:
𝐸𝑡
𝛼𝑡+1 =
𝑀𝑡
𝐸𝑡 = 𝛽𝑒𝑡 + 1 − 𝛽 𝐸𝑡−1
𝑀𝑡 = 𝛽 𝑒𝑡 + 1 − 𝛽 𝑀𝑡−1
𝑒𝑡 = 𝑋𝑡 − 𝐹𝑡
𝛼 dan 𝛽 ⇒ suatu parameter besarnya antara 0 → 1
𝐸𝑡 Smoothed Error
𝑀𝑡 Smoothed Absolute Error
17
METODE EXPONENTIAL SMOOTHING
2. Persamaan Dasar Metode ARRSES

Inisialisasi:
𝐹2 = 𝑋1
𝛼2 = 𝛼3 = 𝛼4 = 𝛽
𝐸1 = 𝑀1 = 0

✓ Inisialisasi yang berbeda akan menghasilkan nilai α yang berbeda

✓ Nilai α dikendalikan dengan mengubah nilai β→ sebaiknya ada kendali
perubahan nilai α yang dimungkinkan
✓ Hanya dapat meramalkan satu periode ke depan
✓ Sangat berguna untuk meramalkan data dengan item yang banyak
18 𝐸𝑡 = 𝛽𝑒𝑡 + 1 − 𝛽 𝐸𝑡−1
Ft +1 = X t + (1 −  )Ft 𝑀𝑡 = 𝛽 𝑒𝑡 + 1 − 𝛽 𝑀𝑡−1
atau
NilaiFt +1 = Ft +  ( X t − Ft )  Ft +1 = Ft +  (et ) Error
Error Nilai
Ramalan Error Mutlak
Periode Pengamatan Dimuluskan
(X) (F) (et)
(Et)
Dimuluskan α
(Mt)
1 200,0 0 0 𝐸1 = 𝑀1 = 0
2 135,0 200,0 -65,0 -13,0 13,0 0,200
3 195,0 187,0 8,0 -8,8 12,0 0,200 𝛼2 = 𝛼3 = 𝛼4 = 𝛽
4 197,5 188,6 8,9 -5,3 11,4 0,200
5 210 190,4 112,3 19,7 33,0 0,462
6 175 245,7 -70,7 1,6 40,6 0,597
7 155 203,5 -48,5 -8,4 42,1 0,040
8 130 201,5 -71,5 -21,0 48,0 0,199
9 220 187,3 32,7 -10,3 45,0 0,438
10 277,5 201,6 75,9 7,0 51,1 0,228
11 235,0 218,9 16,1 8,8 44,1 0,136
12 - 221,1 - - - 0,199
19

Metode Peramalan Eksponensial

Double Exponential (BROWN & HOLT)
20
METODE EXPONENTIAL SMOOTHING
3. Metode Double Exponential Smoothing - Brown

➢Metoda Linier Satu Parameter “Brown”

➢Dihitung berdasarkan tiga nilai data dan satu parameter α.
➢Dasar berpikirnya sama dengan metoda double moving average (merata-ratakan
nilai rata-rata)
➢Dapat meramalkan m periode kedepan → 𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
21 METODE EXPONENTIAL SMOOTHING
3. Persamaan Dasar
Metode Double Exponential Smoothing - Brown

′
𝑆𝑡′ = 𝛼𝑋𝑡 + 1 − 𝛼 𝑆𝑡−1
"
𝑆𝑡" = 𝛼𝑆′𝑡 + 1 − 𝛼 𝑆𝑡−1
𝑎𝑡 = 𝑆𝑡 ′ + 𝑆𝑡′ − 𝑆𝑡"
𝛼
𝑏𝑡 = 𝑆𝑡′ − 𝑆𝑡"
1−𝛼
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
𝑚 merupakan jumlah periode ke depan

Inisialisasi → S = S = X1
'
1
"
1
22 METODE EXPONENTIAL SMOOTHING
3. Penerapan Metode Double Exponential Smoothing
Pendekatan Brown (alpha = 0,2)

Nilai SES DES Fm=

Periode a b
Pengamatan S’t S”t a+b(m)
S1' = S1" = X 1 1 143,00 143,00 143,00
2 152,00 144,80 143,36 146,240 0,360
𝑎𝑡 = 𝑆𝑡 ′ + 𝑆𝑡′− 𝑆𝑡"
𝛼 3 161,00 148,04 144,30 151,784 0,936 146,60
𝑏𝑡 = 𝑆𝑡′ − 𝑆𝑡"
1−𝛼 4 139,00 146,23 144,68 147,781 0,387 152,72
′
𝑆𝑡′ = 𝛼𝑋𝑡 + 1 − 𝛼 𝑆𝑡−1 5 137,00 144,39 144,62 144,148 -0,060 148,12
"
𝑆𝑡" = 𝛼𝑆′𝑡 + 1 − 𝛼 𝑆𝑡−1 6 174,00 150,31 145,76 154,856 1,137 144,09
7 142,00 148,65 146,34 150,956 0,577 155,99
8 146,00 147,12 146,49 147,741 0,156 151,53
9 162,00 150,09 147,21 152,974 0,720 147,50
23 METODE EXPONENTIAL SMOOTHING
3. Penerapan Metode Double Exponential Smoothing
Pendekatan Brown (alpha = 0,2)
Nilai SES DES Fm=
Periode a b
Pengamatan S’t S”t a+b(m)
10 130,00 156,00 148,99 163,164 1,772 154,89
11 154,00 157,66 150,72 164,599 1,735 164,94
12 171,00 160,33 152,64 168,014 1,921 166,33
13 206,00 169,46 156,01 182,919 3,364 169,94
14 193,00 174,17 159,64 188,701 3,633 186,28
15 207,00 180,74 163,86 197,614 4,219 192,33
16 218,00 188,19 168,72 207,653 4,866 201,83
17 229,00 196,35 174,25 218,452 5,525 212,52
18 225,00 202,08 170,62 224,346 5,566 223,98
19 204,00 202,46 184,35 220,584 4,530 229,91
20 227,00 207,37 188,95 225,793 4,605 225,11
21 223,00 210,50 193,26 227,735 4,309 230,40
22 242,00 216,80 197,97 235,628 4,708 232,04
23 239,00 221,24 202,62 239,885 4,654 210,34
24 256,00 238,19 208,14 252,246 5,514 244,51
24 METODE EXPONENTIAL SMOOTHING
3. Penerapan Metode Double Exponential Smoothing
Pendekatan Brown (alpha = 0,2)

PERAMALAN

Nilai Fm=
Periode SES DES a b
Pengamatan a+b(m)
25 257,75
26 263,27
27 268,78
28 274,30
29 279,81
30 265,33
25 METODE EXPONENTIAL SMOOTHING
3. Penerapan Metode Double Exponential Smoothing
Pendekatan Brown (alpha = 0,2)

ANALISIS EROR

Periode Uji 10-24 (α=0.2)

Mean Error 7,99
Mean Absolute Error 12,73
Mean Absolute Percentage Error (MAPE) 6,04
Standard Deviation of Error (Unbiased) 14,99
Mean Square Error (MSE) 273,47
Durbin Watson Statistic 1,33
Theil’s Statistic 0,98
26
METODE EXPONENTIAL SMOOTHING
3. Metode Double Exponential Smoothing - Holt

Metoda Linier Dua Parameter “Holt”

➢Memberikan fleksibilitas yang lebih besar memberikan
kemungkinan parameter lain akan dihaluskan
➢Menggunakan dua parameter (alpha dan beta) dengan nilai
antara 0-1.
27
METODE EXPONENTIAL SMOOTHING
3. Persamaan Metode Double Exponential Smoothing - Holt
❑Double Exponential Smoothing:
Metoda Linier Dua Parameter “Holt”
➢Persamaan Dasar: St = X t + (1 −  )(St −1 + bt −1 )
bt =  (St − St −1 ) + (1 −  )bt −1
Ft + m = St + bt m
➢Inisalisasi : S1 = X 1
b1 = X 2 − X 1 atau

b1 =
( X 2 − X1 ) + (X 3 − X 2 ) + (X 4 − X 3 )
3
28
METODE EXPONENTIAL SMOOTHING
3. Penerapan Metode Double Exponential Smoothing - Holt
Smoothing Smoothing Ramalan
Nilai
Periode Data Trend Ft+m=
Pengamatan
St bt St+b(m)
St = X t + (1 −  )(St −1 + bt −1 )
1 143,00 143,00 9,00
bt =  (St − St −1 ) + (1 −  )bt −1
2 152,00 152,00 9,00 152
Ft + m = St + bt m
3 161,00 161,00 9,00 161,00
4 139,00 163,80 7,14 170,00
5 137,00 164,15 5,10 170,94
6 174,00 170,20 5,38 169,25
7 142,00 168,87 3,37 175,59
8 1446,00 165,99 1,49 172,24
9 162,00 166,39 1,16 167,49

CATATAN: Diketahui → (alpha: 0,501) dan (beta: 0,072)

29
METODE EXPONENTIAL SMOOTHING
3. Penerapan Metode Double Exponential Smoothing - Holt
Nilai Ft+m=
Periode St bt
Pengamatan St+b(m)
10 130,00 170,05 1,91 167,56
11 154,00 170,37 1,43 171,96
12 171,00 171,64 1,38 171,80
13 206,00 179,62 3,36 173,03
14 193,00 184,99 3,39 182,99
15 207,00 192,56 5,04 188,96
16 218,00 201,69 6,27 197,61
17 229,00 212,17 7,53 207,96
18 225,00 220,76 7,85 219,70
19 204,00 223,69 6,37 228,61
20 227,00 229,45 6,19 230,06
21 223,00 233,11 5,43 236,64
22 242,00 239,23 5,63 238,54
23 239,00 243,70 5,28 244,87
24 256,00 252,99 6,30 248,98
30
METODE EXPONENTIAL SMOOTHING
3. Penerapan Metode Double Exponential Smoothing - Holt
Nilai Ft+m=
Periode St bt
Pengamatan St+b(m)
25 258,69
26 264,99
27 271,31
28 277,61
29 283,92
30 290,19
31
METODE EXPONENTIAL SMOOTHING
3. Penerapan Metode Double Exponential Smoothing - Holt
Analisis Error

Periode Uji 10-24

α=0,2, γ=0,3
Mean Error 5,71
Mean Absolute Error 13,04
Mean Absolute Percentage Error (MAPE) 6,16
Standard Deviation of Error (Unbiased) 15,21
Mean Square Error (MSE) 243,50
Durbin Watson Statistic 1,28
Theil’s Statistic 0,90
Mc Laughlin’s Batting Average 310,45
32

Aplikasi dalam PWK

33
Konsep park and ride merupakan konsep yang dikembangkan pada saat ini yang ditujukan untuk mengurangi kemacetan
lalu lintas. Konsep ini pada dasarnya merupakan integrasi antara penggunaan kendaraan pribadi dengan kendaraan
umum. Beberapa alasan penggunaan konsep park and ride ini adalah 1) kendaraan umum tidak dapat mencapai semua
lokasi atau tidak bersifat door to door, 2) titik-titik kemacetan umumnya terpusat pada lokasi-lokasi tertentu. Hal yang
paling krusial dalam konsep park and ride adalah tempat parkir. Dalam konsep ini pengguna angkutan umum dapat
menggunakan kendaraan pribadi hingga pada lokasi tertentu, kemudian memarkirkan kendaraan pribadinya, dan
menggunakan kendaraan umum. Pada jalur kereta api Padalarang-Bandung-Cicalengka direncanakan akan
dikembangkan fasilitas park and ride. Salah satu fasilitas park and ride yang akan dikembangkan berlokasi di stasiun
Cicalengka. Agar pengembangan fasilitas parkir di stasiun Cicalengka optimal perlu diketahui banyaknya kendaraan
yang parkir pada beberapa periode kedepan. Berikut adalah data jumlah kendaraan yang parkir di Stasiun Cicalengka
pada 4 April 2016 – 1 Mei 2016 dan beberapa hasil pengolahan data dengan menggunakan metoda Double Exponential
Smoothing dengan α=0,1 dan α=0,9

a. Berdasarkan data dan pengolahan yang ada manakah parameter yang lebih baik digunakan α=0,1 atau α=0,9?
(Parameter: MAE, MAPE, MSE data untuk diuji data ke 3-28)
b. Berdasarkan nilai parameter yang telah dipilih pada pertanyaan a, perkirakan jumlah kendaraan yang parkir pada
tanggal 8-14 Mei 2016!
c. Jika kapasitas parkir yang ada pada saat ini sebesar 160 kendaraan, dengan menggunakan rata-rata nilai peramalan
pada soal b, tentukan apakah kapasitas parkir perlu ditambah?
 Alpha 0,1
34
Minggu Hari/Tanggal Data S't S"t at bt Ft+m
Minggu 1 Senin (4 April) 100 100.0 100.0
Selasa 105 100.5 100.1 101.0 0.05
Rabu 103 100.8 100.1 101.4 0.07
Kamis 100 100.7 100.2 101.2 0.06
Jumat 120 102.6 100.4 104.8 0.24
Sabtu 150 107.3 101.1 113.6 0.69
Minggu 170 113.6 102.4 124.9 1.25
Minggu 2 Senin 101 112.4 103.4 121.3 1.00
Selasa 102 111.3 104.2 118.5 0.80
Rabu 105 110.7 104.8 116.6 0.65
Kamis 104 110.0 105.3 114.7 0.52
Jumat 125 111.5 105.9 117.1 0.62
Sabtu 160 116.4 107.0 125.7 1.04
Minggu 175 122.2 108.5 135.9 1.52
Minggu 3 Senin 100 120.0 109.7 130.3 1.15
Selasa 107 118.7 110.6 126.8 0.90
Rabu 109 117.7 111.3 124.2 0.72
Kamis 100 116.0 111.8 120.2 0.47
Jumat 120 116.4 112.2 120.5 0.46
Sabtu 165 121.2 113.1 129.3 0.90
Minggu 180 127.1 114.5 139.7 1.40
Minggu 4 Senin 105 124.9 115.6 134.2 1.04
Selasa 103 122.7 116.3 129.1 0.72
Rabu 106 121.0 116.7 125.3 0.48
Kamis 108 119.7 117.0 122.4 0.30
Jumat 125 120.3 117.4 123.2 0.32
Sabtu 155 123.7 118.0 129.5 0.64
Minggu (1 Mei) 185 129.9 119.2 140.5 1.19
 Alpha 0,9
35
Minggu Hari/Tanggal Data S't S"t at bt Ft+m
Minggu 1 Senin (4 April) 100 100.0 100.0
Selasa 105 104.5 104.1 105.0 4.05
Rabu 103 103.2 103.2 103.1 -0.81
Kamis 100 100.3 100.6 100.0 -2.63
Jumat 120 118.0 116.3 119.8 15.68
Sabtu 150 146.8 143.8 149.9 27.46
Minggu 170 167.7 165.3 170.1 21.54
Minggu 2 Senin 101 107.7 113.4 101.9 -51.86
Selasa 102 102.6 103.7 101.5 -9.78
Rabu 105 104.8 104.6 104.9 0.99
Kamis 104 104.1 104.1 104.0 -0.51
Jumat 125 122.9 121.0 124.8 16.90
Sabtu 160 156.3 152.8 159.8 31.73
Minggu 175 173.1 171.1 175.2 18.33
Minggu 3 Senin 100 107.3 113.7 100.9 -57.40
Selasa 107 107.0 107.7 106.4 -5.99
Rabu 109 108.8 108.7 108.9 1.00
Kamis 100 100.9 101.7 100.1 -7.03
Jumat 120 118.1 116.4 119.7 14.78
Sabtu 165 160.3 155.9 164.7 39.48
Minggu 180 178.0 175.8 180.2 19.90
Minggu 4 Senin 105 112.3 118.7 106.0 -57.17
Selasa 103 103.9 105.4 102.5 -13.25
Rabu 106 105.8 105.8 105.8 0.35
Kamis 108 107.8 107.6 108.0 1.82
Jumat 125 123.3 121.7 124.8 14.13
Sabtu 155 151.8 148.8 154.8 27.11
Minggu (1 Mei) 185 181.7 178.4 185.0 29.58
36

Langkah 1. Pastikan Metode yang digunakan

Langkah 2. Cek nilai alpha yang digunakan
Langkah 3. Cek Parameter yang digunakan
Langkah 4. Tentukan inisialisasi data (data awal) → 𝑆1′ = 𝑆1" = 𝑋1
Langkah 5. Hitung S’(t); Hitung S’’(t); a(t); b(t) → cek rumus slide sebelumnya
Langkah 7. Perkirakan nilai di masa mendatang → 𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
Langkah 8. Hitung parameter untuk uji analisis
Langkah 9. Pilih salah satu yang terbaik

′
𝑆𝑡′ = 𝛼𝑋𝑡 + 1 − 𝛼 𝑆𝑡−1
"
𝑆𝑡" = 𝛼𝑆′𝑡 + 1 − 𝛼 𝑆𝑡−1
𝑎𝑡 = 𝑆𝑡 ′ + 𝑆𝑡′ − 𝑆𝑡"
𝛼
𝑏𝑡 = 𝑆𝑡′ − 𝑆𝑡"
1−𝛼
37 Alpha 0,1
Minggu Hari/Tanggal Data S't S"t at bt Ft+m
Minggu 1 Senin (4 April) 100 100.0 100.0
Selasa 105 100.5 100.1 101.0 0.05
Rabu 103 100.8 100.1 101.4 0.07 101.05
Kamis 100 100.7 100.2 101.2 0.06 101.47
Jumat 120 102.6 100.4 104.8 0.24 101.26
Sabtu 150 107.3 101.1 113.6 0.69 105.04
Minggu 170 113.6 102.4 124.9 1.25 114.29
Minggu 2 Senin 101 112.4 103.4 121.3 1.00 126.15
Selasa 102 111.3 104.2 118.5 0.80 122.3
′
Rabu 105 110.7 104.8 116.6 0.65 119.3 𝑆𝑡′ = 𝛼𝑋𝑡 + 1 − 𝛼 𝑆𝑡−1
"
Kamis
Jumat
104
125
110.0
111.5
105.3
105.9
114.7
117.1
0.52
0.62
117.25
115.22
𝑆𝑡" = 𝛼𝑆′𝑡 + 1 − 𝛼 𝑆𝑡−1
Sabtu 160 116.4 107.0 125.7 1.04 117.72 𝑎𝑡 = 𝑆𝑡 ′ + 𝑆𝑡′ − 𝑆𝑡"
Minggu 175 122.2 108.5 135.9 1.52 126.74
𝛼
Minggu 3 Senin 100 120.0 109.7 130.3 1.15 137.42
𝑏𝑡 = 𝑆𝑡′ − 𝑆𝑡"
Selasa 107 118.7 110.6 126.8 0.90 131.45 1−𝛼
Rabu 109 117.7 111.3 124.2 0.72 127.7
Kamis 100 116.0 111.8 120.2 0.47 124.92
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
Jumat 120 116.4 112.2 120.5 0.46 120.67
Sabtu 165 121.2 113.1 129.3 0.90 120.96
Minggu 180 127.1 114.5 139.7 1.40 130.2
Minggu 4 Senin 105 124.9 115.6 134.2 1.04 141.1
Selasa 103 122.7 116.3 129.1 0.72 135.24
Rabu 106 121.0 116.7 125.3 0.48 129.82
Kamis 108 119.7 117.0 122.4 0.30 125.78
Jumat 125 120.3 117.4 123.2 0.32 122.7
Sabtu 155 123.7 118.0 129.5 0.64 123.52
Minggu (1 Mei) 185 129.9 119.2 140.5 1.19 130.14
38 Alpha 0,9
Minggu Hari/Tanggal Data S't S"t at bt Ft+m
Minggu 1 Senin (4 April) 100 100.0 100.0
Selasa 105 104.5 104.1 105.0 4.05
Rabu 103 103.2 103.2 103.1 -0.81 109.05
Kamis 100 100.3 100.6 100.0 -2.63 102.29
Jumat 120 118.0 116.3 119.8 15.68 97.37
Sabtu 150 146.8 143.8 149.9 27.46 135.48
Minggu 170 167.7 165.3 170.1 21.54 177.36
Minggu 2 Senin 101 107.7 113.4 101.9 -51.86 191.64
Selasa 102 102.6 103.7 101.5 -9.78 50.04 ′
Rabu 105 104.8 104.6 104.9 0.99 91.72 𝑆𝑡′ = 𝛼𝑋𝑡 + 1 − 𝛼 𝑆𝑡−1
"
Kamis 104 104.1 104.1 104.0 -0.51 105.89 𝑆𝑡" = 𝛼𝑆′𝑡 + 1 − 𝛼 𝑆𝑡−1
Jumat 125 122.9 121.0 124.8 16.90 103.49
Sabtu 160 156.3 152.8 159.8 31.73 141.7 𝑎𝑡 = 𝑆𝑡 ′ + 𝑆𝑡′ − 𝑆𝑡"
Minggu 175 173.1 171.1 175.2 18.33 191.53 𝛼
Minggu 3 Senin 100 107.3 113.7 100.9 -57.40 193.53 𝑏𝑡 = 𝑆𝑡′ − 𝑆𝑡"
Selasa 107 107.0 107.7 106.4 -5.99 43.5 1−𝛼
Rabu 109 108.8 108.7 108.9 1.00 100.41 𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
Kamis 100 100.9 101.7 100.1 -7.03 109.9
Jumat 120 118.1 116.4 119.7 14.78 93.07
Sabtu 165 160.3 155.9 164.7 39.48 134.48
Minggu 180 178.0 175.8 180.2 19.90 204.18
Minggu 4 Senin 105 112.3 118.7 106.0 -57.17 200.1
Selasa 103 103.9 105.4 102.5 -13.25 48.83
Rabu 106 105.8 105.8 105.8 0.35 89.25
Kamis 108 107.8 107.6 108.0 1.82 106.15
Jumat 125 123.3 121.7 124.8 14.13 109.82
Sabtu 155 151.8 148.8 154.8 27.11 138.93
Minggu (1 Mei) 185 181.7 178.4 185.0 29.58 181.91
39

Berdasarkan data dan pengolahan yang ada manakah parameter

yang lebih baik digunakan α=0,1 atau α=0,9? (Parameter: MAE,
MAPE, MSE data untuk diuji data ke 3-28)

3-28 3-28
α=0,1 α=0,9
Mean Error 4,37 1.21
Mean Absolute Error 26.72 27.94
Mean Absolute Persentage Error 21.65 28.35
(MAPE)
Standard Deviation of Error 35.01 44.15
(Unbiased)
Mean Squared Error (MSE) 990.00 1574.58
40
Jika kapasitas parkir yang ada pada saat ini sebesar 160 kendaraan, dengan menggunakan
rata-rata nilai peramalan pada soal b, tentukan apakah kapasitas parkir perlu ditambah?
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚
α=0,1
Minggu Hari/Tanggal Xt
SES (S't) DES (S''t) a b Fm = a+b(m)
1 Mei 185 129.9 119.2 140.5 1.19 142.88
2 Mei (m=1) 141.69
3 Mei (m=2) 142.88
Minggu (1 Mei) 4 Mei (m=3) 144.07
5 Mei (m=4) 145.26
6 Mei (m=5) 146.45
7 Mei (m=6) 147.64
8 Mei (m=7) 148.83
9 Mei (m=8) 150.02
10 Mei (m=9) 151.21
Minggu (2 Mei) 11 Mei (m=10) 152.4
12 Mei (m=11) 153.59
13 Mei (m=12) 154.78
14 Mei (m=13) 155.97
RATA-RATA (Minggu 2) 152.4
41

Thank You