Perbandingan Metode Penghalusan Eksponensial dan Metode Autoregressive Integrated

Moving Average (ARIMA) dalam Meramalkan Penjualan Sepeda Motor di Indonesia

(Mata Kuliah: Analisis Runtun Waktu dan Peramalan)

Nurul Azizah Muzakir

H062211001

PROGRAM STUDI MAGISTER STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
2021
A. Pendahuluan
Kehidupan manusia yang semakin maju dan berkembang mengakibatkan semakin
banyak kebutuhan sehari-hari yang harus dipenuhi, misalnya kebutuhan akan sandang,
pangan, tempat tinggal, dan kebutuhan lainnya seperti barang elektronik serta kendaraan
bermotor. Penjualan sepeda motor di Indonesia dari tahun 2016 sampai 2019 cenderung
mengalami peningkatan berdasarkan data yang dirilis oleh Asosiasi Industri Sepeda Motor
Indonesia. Hal ini menandakan bahwa sepeda motor diminati oleh masyarakat dalam
berkendara.
Penjualan merupakan salah satu indikator penting dalam sebuah perusahaan. Apabila
tingkat penjualan yang dihasilkan oleh perusahaan tesebut besar, maka laba yang dihasilkan
perusahaan akan besar. Dengan demikian, kegiatan untuk meramalkan penjualan adalah
salah satu hal yang penting untuk dilakukan oleh perusahaan. Peramalan adalah suatu teknik
untuk memperkirakan nilai pada masa yang akan datang dengan memperhatikan data historis
maupun data saat ini. Adanya peramalan penjualan dapat mempermudah sebuah perusahaan
dalam mengambil suatu tindakan, kebijakan, atau keputusan yang tepat untuk mencapai
target penjualan.
Dua pendekatan yang dapat digunakan untuk prediksi, yaitu pendekatan parametrik dan
pendekatan nonparametrik (Fibriyani & Chamidah, 2021). Salah satu pendekatan parametrik
yang digunakan untuk prediksi adalah metode penghalusan eksponensial. Penghalusan
eksponensial (exponential smoothing) adalah suatu tipe teknik peramalan rata-rata bergerak
(moving average) yang melakukan penimbangan terhadap data masa lalu dengan cara
eksponensial sehingga data paling akhir mempunyai bobot atau timbangan lebih besar dalam
rata-rata bergerak. Salah satu teknik dari metode penghalusan eksponensial adalah
penghalusan eksponesial orde satu (single exponential smooting). Teknik ini digunakan
ketika pola data cenderung horizontal, yaitu tidak ada variasi siklik atau tren pada data
historis (Nazim & Afthanorhan, 2014).
Pendekatan parametrik lain yang dapat digunakan untuk prediksi adalah metode
Autoregressive Integrated Moving Average (ARIMA). ARIMA adalah model runtun waktu
yang tidak stasioner yang merupakan gabungan dari model Autoregressive (AR) dan model
Moving Average (MA) (Montgomery, Jenning, & Kulahci, 2008). Model ARIMA musiman
adalah salah satu bentuk dari model ARIMA, dimana pada model ini data runtun waktu
menunjukkan pola periodik yang kuat dan mengarah kepada runtun waktu memiliki perilaku/
pola musiman.
Tulisan ini membahas tentang metode penghalusan eksponensial orde satu dan metode
ARIMA yaitu ARIMA musiman untuk meramalkan penjualan sepeda motor di Indonesia.
Akan dibahas pula perbandingan dari kedua metode tersebut dan melihat metode mana yang
lebih sesuai digunakan dalam meramalkan penjualan sepeda motor di Indonesia.

B. Kajian Teori
1. Penghalusan Eksponensial Orde Satu (Single Exponential Smoothing)
Metode peramalan ini adalah metode yang paling sering digunakan dari semua teknik
peramalan yang ada. Teknik ini digunakan ketika pola data cenderung horizontal, yaitu tidak
ada variasi siklik atau tren pada data historis. Bentuk umum dari penghalusan eksponensial
orde satu adalah sebagai berikut (Montgomery, Jenning, & Kulahci, 2008):

𝑦̂𝑇 = 𝜆𝑦𝑇 + (1 − 𝜆)𝑦𝑇−1 (1)

Dimana λ adalah discount factor, mewakili bobot yang diberikan pada pengamatan terakhir
dan (1 - λ) mewakili bobot yang diberikan pada nilai yang dihaluskan pada pengamatan
sebelumnya.

Terdapat dua estimasi yang umum digunakan untuk 𝑦̂0 , yaitu:

a. Memisalkan 𝑦̂0 = y1, jika perubahan dalam proses diharapkan terjadi lebih awal dan
cepat.
b. Mengambil rata-rata dari data yang tersedia atau subset dari data yang tersedia, 𝑦̅ dan
dengan memisalkan 𝑦̂0 = 𝑦̅. Jika proses setidaknya pada awalnya konstan.

Ukuran statistik standar untuk melihat kelayakan dari hasil penghalusan adalah sebagai
berikut:

a. Mean absolute percentage error (MAPE) adalah rata-rata absolut persentase perubahan
antara nilai yang dihaluskan dan nilai aktualnya. Nilainya dapat dihitung dengan
menggunakan persamaan (2) berikut
̂𝑡
𝑦𝑡 −𝑦
∑𝑇
𝑡=1| |
𝑦𝑡
𝑀𝐴𝑃𝐸 = 𝑥100 (2)
𝑇
b. Mean absolute deviation (MAD) adalah rata-rata absolut selisih dari nilai yang
dihaluskan dengan nilai aktualnya. Nilainya dapat dihitung dengan menggunakan
persamaan (3) berikut
∑𝑇
𝑡=1|𝑦𝑡 −𝑦
̂𝑡 |
𝑀𝐴𝐷 = (3)
𝑇

c. Mean squared deviation (MSD) adalah kuadrat rata-rata selisih nilai yang dihaluskan
dengan nilai aktual. Nilainya dapat dihitung dengan menggunakan persamaan (4) berikut
∑𝑇 ̂𝑡 )2
𝑡=1(𝑦𝑡 −𝑦
𝑀𝑆𝐷 = (4)
𝑇

Perhitungan peramalan periode berikutnya diberikan oleh persamaan (5)

̂𝑦𝑇+1 = λ𝑦𝑇+1 + (1 − λ)𝑦̂𝑇 (5)

2. Model Autoregressive Integrated Moving Average (ARIMA)

2.1. Model Autoregressive (AR)
Model AR(p) adalah model dimana 𝑦𝑡 merupakan fungsi dari data di masa lalu, yakni 𝑡 −
1, 𝑡 − 2, … , 𝑡 − 𝑝 . Persamaan AR(p) diberikan oleh (Montgomery, Jenning, & Kulahci,
2008)
𝑦𝑡 = 𝛿 + 𝜙1 𝑦𝑡−1 + 𝜙2 𝑦𝑡−2 + ⋯ + 𝜙𝑝 𝑦𝑡−𝑝 + 𝜀𝑡 (6)

2.2. Model Moving Average (MA)

Model MA(q) adalah model untuk meramalkan 𝑦𝑡 sebagai fungsi dari kesalahan peramalan
di masa lalu dalam meramalkan 𝑦𝑡 . Persamaan MA(q) diberikan oleh (Montgomery,
Jenning, & Kulahci, 2008)
𝑦𝑡 = 𝜇 + 𝜀𝑡 − 𝜃1 𝜀𝑡−1 − ⋯ − 𝜃𝑞 𝜀𝑡−𝑞 (7)

2.3. Model ARIMA

Model ARIMA adalah model runtun waktu yang tidak stasioner. Runtun waktu tidak
stasioner disebut proses Autoregressive Integrated Moving Average (ARIMA) orde p,d, dan
q, yaitu ARIMA(p,d,q), jika pembeda ke-d menghasilkan proses ARMA(p,d) yang stasioner.
Bentuk umum model ARIMA(p,d,q) diberikan oleh persamaan (8)
𝜙(𝐵)(1 − 𝐵)𝑑 𝑦𝑡 = 𝛿 + 𝛿𝑞 (𝐵)𝜀𝑡 (8)

3. Metode Seasonal Autoregressive Integrated Moving Average

3.1. Proses Moving Average (MA) Musiman
Bentuk umum dari proses moving average musiman periode S tingkat Q atau 𝑀𝐴(𝑄)𝑆
didefinisikan sebagai berikut (Ukhra, 2016)
𝑦𝑡 = 𝜀𝑡 −⊝1 𝜀𝑡−𝑆 −⊝2 𝜀𝑡−2𝑆 − ⋯ −⊝𝑄 𝜀𝑡−𝑄𝑆 (9)
Dimana 𝜀𝑡 bersifat saling bebas terhadap 𝑦𝑡−1 , 𝑦𝑡−2 , … yang berdistribusi normal dengan
mean 0 dan varians 𝜎 2 .
3.2. Proses Autoregressive (AR) Musiman
Bentuk umum dari proses Autoregressive musiman periode S tingkap P atau 𝐴𝑅(𝑃)𝑆
didefiisikan sebagai
𝑦𝑡 = 𝜙1 𝑦𝑡−𝑆 + 𝜙2 𝑦𝑡−2𝑆 + ⋯ + 𝜙𝑃 𝑦𝑡−𝑃𝑆 + 𝜀𝑡 (10)
Dimana 𝜀𝑡 bersifat saling bebas terhadap 𝑦𝑡−1 , 𝑦𝑡−2 , … yang berdistribusi normal dengan
mean 0 dan varians 𝜎 2 .
3.3. Model ARIMA Seasonal
Musiman adalah kecenderungan mengulangi pola tingkah gerak dalam periode musim,
biasanya satu tahun untuk data bulanan. Model ARIMA musiman merupakan model yang
digunakan untuk menyelesaikan runtun waktu musiman yang terdiri dari dua bagian, yaitu
bagian tidak musiman (non-seasonal) dan bagian musiman. Bagian non-seasonal dari metode
ini adalah model ARIMA (Ukhra, 2016).
Secara umum model ARIMA musiman atau 𝐴𝑅𝐼𝑀𝐴(𝑝, 𝑑, 𝑞 )(𝑃, 𝐷, 𝑄)𝑆 adalah
(Montgomery, Jenning, & Kulahci, 2008)
𝜙 ∗ (𝐵 𝑆 )𝜙(𝐵)(1 − 𝐵)𝑑 (1 − 𝐵 𝑆 )𝐷 𝑦𝑡 = 𝛿 +⊝∗ (𝐵 𝑆 ) ⊝ (𝐵) 𝜀𝑡 (11)

C. Hasil dan Pembahasan

1. Data Penjualan Sepeda Motor di Indonesia
Data yang digunakan adalah data penjualan sepeda motor di Indonesia mulai Januari 2005
sampai Juli 2021 yang diperoleh dari http://triatmono.info/data-penjualan-tahun-2012/data-
penjualan-motor-tahun-2005 & https://www.aisi.or.id/statistic/. Data tersebut disajikan pada
Tabel 1.
 Tabel 1. Data Penjualan Sepeda Motor di Indonesia

2. Peramalan Menggunakan Metode Penghalusan Eksponensial Orde Satu

2.1. Plot Runtun Waktu
Data pada Tabel 1 dibuatkan plot pola penjualannya yang disajikan pada Gambar 1 berikut.

Gambar 1. Plot Runtun Waktu

2.2. Menentukan nilai λ

Nilai λ dapat ditentukan melalui nilai MAPE yang dihasilkan dari masing-masing λ yang
dipilih. Semakin kecil nilai MAPE yang dihasilkan, semakin baik/ akurat hasil
peramalannya. Tabel 2 menunjukkan nilai MAPE dari λ yang bernilai 0.2 sampai 0.8

Tabel 2. Ukuran Keakuratan Nilai Lambda

Nilai Lambda MAPE

0.2 25
0.3 24
0.4 23
0.5 22
0.6 21
0.7 20
0.8 20

Berdasarkan Tabel 2, nilai λ 0.7 dan 0.8 yang memiliki nilai MAPE terkecil, tetapi dipilih
λ = 0.7

2.3. Nilai-nilai Prediksi

Tabel 3 menampilkan nilai-nilai prediksi menggunakan metode penghalusan eksponensial

orde satu dengan λ = 0.7

Tabel 3. Perbandingan Nilai Aktual dengan Nilai Prediksi

Periode Nilai Aktual (𝑦𝑡 ) Nilai Prediksi (𝑦̂𝑡 )
1 387083 387083
2 363406 370509
3 400720 391657
4 407744 402918
5 419608 414601
6 476955 458249
7 472247 468048
8 504787 493765
9 452827 465108
10 490554 482920
11 350067 389923
12 348188 360709
13 266618 294845
14 330767 319990
15 276423 289493
16 271092 276612
17 322680 308860
...

...

...

199 376640 382482

Gambar 2 menampilkan plot runtun waktu data awal dengan plot nilai-nilai prediksi

Gambar 2. Plot Runtun Waktu VS Fitted Value

2.4. Menentukan Nilai Prediksi Periode Selanjutnya

Tabel 4 menampilkan prediksi penjualan sepeda motor di Indonesia pada lima periode
mendatang.
Tabel 4. Prediksi Penjualan Sepeda Motor
Periode Prediksi
Agustus 2021 114744,7
September 2021 34423,42
Oktober 2021 10327,03
November 2021 3098,108
Desember 2021 929,4323

3. Peramalan Menggunakan Model ARIMA Seasonal

3.1. Identifikasi Model

Pada proses identifikasi model, dilakukan pengecekan stasioneritas data runtun waktu dengan
melihat plot data asli, ACF dan PACF sampel dari data asli.
 (a) (b)

Gambar 3. Plot ACF dan PACF Data Asli

Pola ACF sampel pada Gambar 3 bagian (a) memperlihatkan pola runtun waktu yang tidak
stasioner dalam rata-rata. Plot PACF sampel memperlihatkan adanya autokorelasi yang
signifikan. Dari plot ACF sampel juga diketahui adanya pola musiman dalam data runtun
waktu. Sehingga perlu dilakukan differencing untuk menstasionerkan data tersebut.

Gambar 4 memperlihatkan plot runtun waktu, ACF, dan PACF sampel setelah dilakukan satu
kali differencing
 (a) (b)

(c)
Gambar 4. Plot Runtun Waktu, ACF, dan PACF Sampel Setelah Differencing

Setelah dilakukan satu kali differencing (first difference), diperoleh runtun waktu yang telah
stasioner dan terlihat sudah tidak terdapat pola musiman pada data berdasarkan plot ACF
sampelnya.

Selanjutnya menentukan model ARIMA yang sesuai dengan data. Kandidat model ARIMA
untuk data penjualan sepeda motor di Indonesia disajikan pada Tabel 5.
 Tabel 5. Kandidat Model ARIMA
Model Parameter P-Value Keterangan MAPE
ARIMA(1,1,2) x (0,0,1)12 AR(1) 0 Signifikan
MA(1) 0,4604 Tidak signifikan
Signifikan 19.85527
MA(2) 0
0,1412 Tidak signifikan
SMA(1)
ARIMA(1,1,0) x (0,1,0)12 AR(1) 0 Signifikan 20.54267
ARIMA(0,1,1) x (0,1,0)12 MA(1) 0 Signifikan 20.24838
ARIMA(1,1,1) x (0,1,0)12 AR(1) 0,9437 Tidak signifikan 20.50839
MA(1) 0,2515 Tidak signifikan

Diantara empat kandidat model, model yang dipilih adalah model dengan paramaternya
signifikan dan MAPE terkecil. Sehingga model ARIMA(0,1,1)x(0,1,0)12 dapat digunakan.
3.2. Pemeriksaan Diagnostik
Proses diagnostik model dilakukan untuk melihat tingkat kesalahan model, yaitu dengan
melihat kenormalan distribusi residu dan apakah terdapat autokorelasi.

(a) (b)
Gambar 5. Normal Q-Q Plot dan Uji Ljung-Box untuk Residu

Gambar 5 bagian (a) memperlihatkan residu berada di sekitar garis diagonal, sehingga dapat
dikatakan residu berdistribusi normal. Untuk uji Ljung-Box pada gambar bagian (b)
memperlihatkan terdapat residu dengan p-value dibawah 0,05, sehingga terdapat autokorelasi
pada nilai-nilai residu.
3.3. Nilai-nilai Prediksi

Tabel 6 menampilkan nilai-nilai prediksi menggunakan model ARIMA (0,1,1)x(0,1,0) 12

Tabel 6. Perbandingan Nilai Aktual dengan Nilai Prediksi

Periode Nilai Aktual (𝑦𝑡 ) Nilai Prediksi (𝑦̂𝑡 )
1 387083 386859.52
2 363406 363324.40
3 400720 400635.04
4 407744 419541.81
5 419608 476847.18
6 476955 472159.05
7 472247 504679.52
8 504787 452780.65
9 452827 490476.41
10 490554 350130.72
11 350067 348509.62
12 348188 268542.47
13 266618 251084
14 330767 333504.68
15 276423 309261.13
16 271092 300593.20
17 322680 369795.68

...
...

...

199 376640 520739.10

3.4. Menentukan Nilai Prediksi Periode Selanjutnya

Tabel 7 menampilkan prediksi penjualan sepeda motor di Indonesia pada lima periode
mendatang menggunakan model ARIMA (0,1,1)x(0,1,0)12
Tabel 7. Prediksi Penjualan Sepeda Motor
Periode Prediksi
Agustus 2021 468318.3
September 2021 531924.3
Oktober 2021 469041.3
November 2021 388246.3
Desember 2021 382848.3
4. Perbandingan Metode Penghalusan Eksponensial Orde Satu dengan Metode
Seasonal ARIMA
Tabel 8. Perbandingan Nilai MAPE Model SES dan Model ARIMA
Model Parameter MAPE
Penghalusan Eksponensial Orde Satu 𝜆 = 0.7 20
ARIMA(1,1,0) x (0,1,0)12 AR(1) 20.54267

Perbandingan nilai MAPE dari model single exponential smoothing dengan model seasonal
ARIMA pada Tabel 8 terlihat tidak jauh berbeda. Selanjutnya melihat perbandingan hasil
prediksi penjualan sepeda motor di Indonesia dengan menggunakan model single exponential
smoothing dengan model seasonal ARIMA.

Tabel 9. Perbandingan Hasil Prediksi

Nilai Prediksi
Periode Nilai Aktual single exponential smoothing ARIMA
(0,1,1)x(0,1,0)12
Agustus 2021 470065 114744.7 468318.3
September 2021 - 34423.42 531924.3
Oktober 2021 - 10327.03 469041.3
November 2021 - 3098.108 388246.3
Desember 2021 - 929.4323 382848.3

Berdasarkan Tabel 9, terlihat bahwa nilai prediksi untuk periode Agustus 2021 dengan
menggunakan model ARIMA (0,1,1)x(0,1,0)12 mendekati nilai aktualnya, sedangkan jika
menggunakan model penghalusan eksponensial orde satu jauh dari nilai aktualnya. Dengan
demikian, model ARIMA (0,1,1)x(0,1,0)12 lebih baik digunakan untuk meramalkan
penjualan sepeda motor di Indonesia pada periode-periode selanjutnya.

D. Kesimpulan
Berdasarkan hasil, diperoleh kesimpulan bahwa diantara dua metode peramalan yang
dibahas, yaitu metode penghalusan eksponensial dan metode Seasonal Autoregressive
Integrated Moving Average, metode terbaik dalam meramalkan penjualan sepeda motor di
Indonesia adalah dengan menggunakan metode Seasonal Autoregressive Integrated Moving
Average (SARIMA), yaitu model ARIMA (0,1,1)x(0,1,0)12 dengan nilai MAPE (ukuran
kelayakan) adalah 20.54267.
 Referensi

AISI, 2021. Statistic Distribution. Diakses di https://www.aisi.or.id/statistic/.

Fibriyani, V & Chamidah, N. 2021. Prediction of Inflation Rate in Indonesia Using Local
Polynomial Estimator for Time Series Data. Journal of Physics: Conference Series, 1776.

Montgomery, C.D., Jenning, L.C., Kulahci, M. 2008. Introduction to Time Series Analysis
and Forecasting. New Jersey: John Wiley & Sons, Inc.

Nazim, A & Afthanorhan, A. 2014. A Comparison Between Single Exponential Smoothing

(SES), Double Exponential Smoothing (DES), Holt’s (Brown), and Adaptive Response Rate
Exponential Smooting (ARRES) Techniques in Forecasting Malaysia Population. Global
Journal of Mathematical Analysis, 2(4), 276-280.

Triatmono. 2021. Data Penjualan Motor Indonesia. Diakses di http://triatmono.info/data-

penjualan-tahun-2012/data-penjualan-motor-tahun-2005/.

Ukhra, U. A. 2016. Pemodelan dan Peramalan Data Deret Waktu dengan Metode Seasonal
ARIMA. Jurnal Matematika UNAND, 3(3), 59-67.