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):
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.
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
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
Berdasarkan Tabel 2, nilai λ 0.7 dan 0.8 yang memiliki nilai MAPE terkecil, tetapi dipilih
λ = 0.7
...
...
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 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 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.
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
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.
Ukhra, U. A. 2016. Pemodelan dan Peramalan Data Deret Waktu dengan Metode Seasonal
ARIMA. Jurnal Matematika UNAND, 3(3), 59-67.