Implementasi Kombinasi Metode Single Exponential
Smoothing Dan Fuzzy Time Series Pada Studi Kasus
Memprediksi Kapan Pemerintah Indonesia Mengizinkan
Warganya Beraktivitas Tanpa Masker
Edi Suranta Sembiring
Fakultas Teknik dan Ilmu Komputer
Universitas Potensi Utama Medan, Sumatera Utara
edisurantasembiring56@gmail.com
Abstract— Pentingnya vaksinasi lengkap sebagai salah satu
aspek pertimbangan untuk penerapan kebijakan beraktivitas
tanpa masker, membuat pemerintah terus bekerja keras dalam
upaya memberikan vaksinasi lengkap kepada rakyatnya. Saat
ini rasio penerima vaksinasi lengkap di Indonesia masih 12.91%
dari total keseluruhan populasi Indonesia. Masih jauh dari
angka yang telah ditetapkan yaitu 50% dari total keseluruhan
populasi. Penelitian ini bertujuan untuk menganalisis serta
memprediksi kapan pemerintah indonesia dapat membuat
kebijakan untuk mengizinkan warganya beraktivitas tanpa
masker, dengan asumsi bahwa minimal 50% dari populasi
Indonesia sudah menerima vaksin dosis lengkap. Oleh karena
itu diperlukan suatu pedoman perhitungan yang dapat
membantu memprediksi hal tersebut.Proses perhitungan pada
penelitian ini menggunakan Metode Single Exponential
Smoothing.
I. PENDAHULUAN
Peramalan dengan metode Exponential Smoothing adalah
suatu prosedur yang secara terus menerus memperbaiki
peramalan dengan merata-ratakan (menghaluskan =
smoothing) nilai masa lalu dari suatu data runtut waktu dengan
cara menurun (exponential). Metode Exponential Smoothing
merupakan pengembangan dari metode Moving Averages.
Dalam metode ini peramalan dilakukan dengan mengulang
perhitungan secara terus menerus dengan menggunakan data
terbaru. Setiap data diberi bobot, data yang lebih baru diberi
bobot yang lebih besar. Tiga metode dalam Exponential
Smoothing diantaranya Single Exponential Smoothing,
Double Exponentials Smoothing, dan Triple Exponentials
Smoothing.
Model ini dipilih karena data yang didapat
mengandung pola stationer yang mana pola ini cocok
digunakan pada metode Single Exponential Smoothing.
Untuk pencarian Trial/error. digunakan metode MSE (Mean
Square Error). MSE adalah metode alternative untuk
mengevaluasi teknik peramalan masing-masing kesalahan.
Metode MSE merupakan indicator yang berguna dan
memberikan nilai absolute sebagai kebalikan dari informasi
relative dalam metode MAPE. Sumber data yang diperlukan
adalah data vaksinasi yang diperoleh dar
https://sinta.ristekbrin.go.id/covid/datasets.
Sedangkan manfaat yang ingin diperoleh dengan adanya
penelitian ini adalah agar dapat digunakan sebagai bahan
pertimbangan pada studi kasus peramalan yang akan
dilakukan oleh penulis berikutnya.
II. TINJAUAN PUSTAKA
A. Prediksi
Prediksi pada dasarnya merupakan dugaan atau prediksi
mengenai terjadinya suatu kejadian atau peristiwa di waktu
yang akan datang. Prediksi bisa bersifat kualitatif (tidak
berbentuk angka) maupun kuantitatif (berbentuk angka).
Prediksi kualitatif sulit dilakukan untuk memperoleh hasil
yang baik karena variabelnya sangat relatif sifatnya. Prediksi
kuantitatif dibagi dua yaitu: prediksi tunggal (point prediction)
dan prediksi selang (interval prediction). Prediksi tunggal
terdiri dari satu nilai, sedangkan prediksi selang terdiri dari
beberapa nilai, berupa suatu selang (interval) yang dibatasi
oleh nilai batas bawah (prediksi batas bawah) dan batas atas
(prediksi tinggi) . Prediksi berfungsi untuk membuat suatu
rencana kebutuhan (demand) yang harus dibuat yang
dinyatakan dalam kuantitas (jumlah) sebagai fungsi dari
waktu. Prediksi dilakukan dalam jangka panjang (long term).
Prediksi yang berkaitan dengan pernyatan what will be
demanded, how many, dan when it should be supplied?
Prediksi sangat diperlukan dengan melakukan perbandingan
antara kebutuhan yang diramalkan dengan yang sebenarnya.
B. Analisis
Analisis adalah aktivitas yang memuat sejumlah kegiatan
seperti mengurai, membedakan, memilah sesuatu untuk
digolongkan dan dikelompokkan kembali menurut kriteria
tertentu kemudian dicari kaitannya dan ditafsirkan maknanya.
Dalam pengertian yang lain, analisis adalah sikap atau
perhatian terhadap sesuatu (benda, fakta, fenomena) sampai
mampu menguraikan menjadi bagian-bagian, serta mengenal
kaitan antarbagian tersebut dalam keseluruhan. Menurut
Hanif Al Fatta Analisa adalah tahap awal dalam
pengembangan sistem yang tahap fundamental yang sangat
menentukan kualitas sistem informasi yang dikembangkan
sedangkan menurut Komaruddin Analisis merupakan suatu
kegiatan berfikir untuk menguraikan suatu keseluruhan
menjadi komponen sehingga dapat mengenal tanda-tanda
komponen, hubungan satu sama lain dan fungsi masing-
masing dalam satu keseluruhan yang terpadu. Dari beberapa
pendapat para ahli tersebut maka bisa disimpulkan bahwa
Analisis merupakan suatu kegiatan dalam rangka mempelajari

suatu bentuk benda,kegiatan,fakta maupun fenomena dalam
mempelajari hubungan antar bagian yang terkait dari berbagai
fungsi yang menjadi satu.
C. Time Series
Data runtun waktu (time series) adalah jenis data yang
dikumpulkan menurut urutan waktu dalam suatu rentang
waktu tertentu. Analisis data runtun waktu merupakan salah
satu prosedur statistika yang diterapkan untuk meramalkan
struktur probabilitas keadaan yang akan datang dalam rangka
pengambilan keputusan.
D. Single Exponential Smoothing (SES)
Metode exponential smoothing merupakan
pengembangan dari metode moving averages. Dalam metode
ini peramalan dilakukan dengan mengulang perhitungan
secara terus-menerus dengan menggunakan data terbaru.
Setiap data diberi bobot, data yang lebih baru diberi bobot
yang lebih besar. Perhitungan menggunakan metode moving
average memang mudah, akan tetapi metode ini memberikan
bobot yang sama pada setiap data. Untuk mengatasi hal ini
maka digunakan metode single exponential smoothing dengan
bobot yang diberikan pada data yang ada yaitu sebesar α
(alpha) untuk data yang terbaru. (Kuniagara, 2017)
Pada algoritma Single Exponential Smoothing diperlukan
penentuan nilai α, yang bisa mengurangi forecast error
(kesalahan dalam peramalan). Besarnya nilai α mendekati 1
berarti data terakhir lebih diperhatikan dari pada data-data
sebelumnya. Apabila data historis dari data aktual permintaan
sangat bergejolak atau tidak stabil dari waktu ke waktu, kita
memilih nilai α mendekati 1. Biasanya dipilih nila α=0,9.
Apabila pola historis dari data aktual permintaan tidak
berfluktuasi atau relatif stabil dari waktu ke waktu, maka kita
memilih α yang mendekati nol. Biasanya dipilih α=0,02; 0,05;
0,01 tergantung sejauh mana kestabilan data itu, semakin
stabil nilai α yang dipilih harus semakin kecil menuju ke nilai
nol. (Yudhita, Yuliantoro, & Arfan, 2018).
E. Fuzzy Time Series
Fuzzy time series adalah metode peramalan data yang
menggunakan prinsip-prinsip fuzzy sebagai dasarnya. Sistem
peramalan dengan fuzzy times series menangkap pola dari
data yang telah lalu kemudian digunakan untuk
memproyeksikan data yang akan datang. Himpunan fuzzy
dapat diartikan sebagai suatu kelas bilangan dengan batasan
samar. Nilai-nilai yang digunakan dalam peramalan fuzzy
time series adalah himpunan fuzzy dari bilangan-bilangan real
atas himpunan semesta yang sudah ditentukan. Himpunan
fuzzy digunakan untuk menggantikan data historis yang akan
diramalkan.
III. METODE PENELITIAN
A. Algoritma Novel Berbasis Fuzzy Time Series
Langkah-langkah peramalan dengan Algoritma Novel
berbasis Fuzzy Time Series yang dikemukakan oleh Haneen
Talal Jasim,Abdul Ghafoor Jasim Salim, dan Kais Ismail
Ibraheem tahun 2012 adalah sebagai berikut (Jasim dkk.,
2012).
Langkah 1. Mengumpulkan data. Langkah 2. Menentukan
nilai maksimum dan nilai minimum dari interval [Dmin – D1,
Dmax +D2], dimana D1 dan D2 merupakan nilai konstanta
untuk menentukan Universe of discourse U. Langkah 3. a:
Penentuan Interval I menggunakan metode average based
length (Duru dan Yoshida, 2009) sebagai berikut :
dimana n adalah banyaknya data. b: kemudian hitung nilai
tengah menggunakan rumus ( B=av/2) c: Tentukan range dari
hasil B berdasarkan Tabel 1 :
Langkah 4. Menetukan nilai dari interval fuzzy
menggunakan rumus sebagai berikut :
m = (Dmax+D1-Dmin-D2)/I
Langkah 5. Menentukan himpunan Fuzzy logical sebagai
berikut :Ai= (di-1, di, di+1, di+2) dimulai dari A1 = (d0, d1,
d2, d3) dan berakhir pada Am = (dm-1, dm, dm+1, dm+2),
dimana d0= Dmin – I dm+2= Dmax dan fuzzifikasi data
historis menandakan nilai linguistik data diwakili oleh satu set
himpunan fuzzy 1 <I< m. Langkah 6. Menentukan Fuzzy
Logical Relations sebagai berikut : Aj →Ai
Langkah 7. Cari Fuzzy Logical Group. Langkah 8. Hitung
hasil peramalan. Nilai peramalan pada waktu t ditentukan
berdasarkan ketentuan berikut : A : jika Fuzzy Logical
Relationship Group (FLRG) Aj adalah kosong Aj→Ø, maka
nilai Fvt adalah nilai tengah dari interval Aj dimana
Aj = (dj-1, dj, dj+1, dj+2)
B : jika FLRG Ajadalah relasi one to one Aj→Akmaka
interval yang mengandung nilai peramalan adalah Ak dan
selanjutnya menggunakan ketentuan untuk memperoleh
peramalan : (1) Jika j > i, dan Y > 0, maka
kecenderungan peramalan akan menaik dan menggunakan
aturan 2 untuk meramalkan data tersebut. (2) Jika j > i, dan Y
< 0, maka kecenderungan peramalan akan menurun dan
menggunakan aturan 3 untuk meramalkan data tersebut. (3)
Jika j < i, dan Y > 0, maka kecenderungan peramalan akan
menaik dan menggunakan aturan 2 untuk meramalkan data
tersebut. (4) Jika j < i, dan Y < 0, maka kecenderungan
peramalan akan menurun dan menggunakan aturan
3 untuk meramalkan data tersebut. (5) Jika j = i, dan Y > 0,
maka kecenderungan peramalan akan menaik dan
menggunakan aturan 2 untuk meramalkan data tersebut. (6)
Jika j = i, dan Y < 0, maka kecenderungan peramalan akan
menurun dan menggunakan aturan 3 untuk meramalkan data
tersebut. Aturan 1, 2 dan 3 adalah sebagai berikut:
Aturan 1. Jika Nilai data (n-1) dikurang data (n-2) ‫ ׀‬/ 2 >
Aj/2, maka kecenderungan peramalan pada interval ini
menaik dan Fn = 0.75 dari Aj. Jika Nilai data (n-1) dikurang
data (n-2) ‫ ׀‬/ 2 = Aj/2, maka peramalan adalah nilai tengah
interval. Jika Nilai data (n-1) dikurang data (n-2)
‫ ׀‬/ 2 < Aj/2, maka kecenderungan peramalan pada interval ini
menurun dan Fn = 0.25 dari Aj.
 Aturan 2. Jika x = ‫׀‬Y‫ * ׀‬2 + data (n-1) ε Aj atau x = data
(n-1) - ‫׀‬Y‫ * ׀‬2ε Aj, maka kecenderungan peramalan pada
interval ini menaik dan Fn = 0.75 dari Aj. Jika x = ‫׀ ׀‬+ data (n-
1) ε Aj atau x = data (n-1) - ‫׀ ׀‬ε Aj, maka kecenderungan
peramalan menurun dan Fn = 0.25 dari Aj. Jika bukan
keduanya, maka hasil peramalan adalah nilai tengah dari
interval Aj.
Aturan 3. Jika x = ‫׀ ׀‬+ data (n-1) ε Ajatau x = data (n-1) -
‫׀ ׀‬ε Aj, maka kecenderungan peramalan pada interval ini
menurun dan Fn = 0.25 dari Aj. Jika x = ‫׀‬Y‫ * ׀‬2 + data (n-1) ε
Ajatau x = data (n-1) - ‫׀‬Y‫ * ׀‬2ε Aj,maka kecenderungan
peramalan pada interval ini menaik dan Fn = 0.75 dari Aj.
Jika bukan keduanya, maka hasil peramalan adalah nilai
tengah dari interval Aj. (Chen, 2002) C : jika FLRG Ajadalah
relasi one to many Aj→Ak1, Ak2, , Akp, maka peramalan
mengikuti ketentuan sebagai berikut : (1) jika perbedaan
antara dua k1, k2,...,kp < 2 maka nilai interval
peramalannya adalah :
Maka hasil peramalannya adalah nilai tengah interval
tersebut. (2) jika perbedaan antara dua k1,
k2,. ,kp > 2 maka nilai interval peramalannya adalah :
Dimana Aki adalah interval yang
mempunyai perbedaan > 2, I = 1,2,...,p dan peramalan
himpunan fuzzy Aki adalah perhitungan one to onefuzzy
logical relationship dengan mengaplikasikan Langkah 8.
IV. KESIMPULAN
Algoritma Novel berbasis Fuzzy Time Series dapat
diimplementasikan disemua kegiatan peramalan yang
membutuhkan analisa data yang akan segera dipergunakan
dalam rangka proses pengambilan keputusan. Algoritma
Novel berbasis Fuzzy Time Series banyak dipergunakan
dalam proses kegiatan peramalan karena memiliki
keunggulan dalam bidang :
1. Membantu proses prediksi maupun peramalan
dimana data historis tidak dalam bentuk angka real,
namun disajikan berupa data linguistic.
2. Algoritma Novel berbasis Fuzzy Time Series telah
banyak dikembangkan menjadi suatu bentuk model
yang efektif dalam proses peramalan berdasarkan data
time series.
3. Hasil pengujian tingkat akurasi Algoritma Novel
sebagai Metode Prediksi inidiharapkan dapat
dipergunakan oleh penulis berikutnya yang ingin
melakukan penelitian serupa tentang prediksi/
peramalan.
4. Bagi penulis selanjutnya agar dapat membandingkan
dua metode ini dengan metode peramalan yang lain
untuk melihat tingkat keakuratan hasil peramalan
antara metode-metode tersebut.
Algoritma Novel berbasis Fuzzy Time Series memiliki
tingkat akurasi yang baik dan dapat dikombinasikan dengan
pendekatan lain dalam menyelesaikan masalah
peramalan/prediksi..
DAFTAR PUSTAKA
[1] R.A.F. Saputri, “Penerapan metode fuzzy time series (FTS) untuk
prediksi penjualan berbasis web pada toko grosir 3 roda sengkaling”,
Jurnal Mahasiswa Teknik Informatika, vol. 3, no.1, pp. 290-297, Mar.
2019.
[2] Heffi Awang Cahya, “Sistem prediksi fuzzy time series dan
perangkingan weighted product pada penjualan es buah”, Kumpulan
Jurnal Ilmu Komputer (KLIK), vol. 7, no.3, Juni. 2020.
[3] Cheng et al.2008.”Fuzzy-Time Series Based on Adaptive Expectation
Model for TAIEX forecasting”. Expert System Application Vol. 34.
Hal. 1126-1132.
[4] Jasim, Haneen Talal, Abdul G.J. Salim dan K. I. Ibraheem. 2012. A
Novel Algorthm to Forecast Enrollment Based On Fuzzy Time Series.
Applications and Applied Mathematics : An International Journal, Vol.
7, Issue 1 (June 2012), pp 385-397.
[5] Yuniastari, & Wirawan. (2016). Peramalan Permintaan Produk Perak
Menggunakan Metode Simple Moving Average Dan Exponential
Smoothing. Jurnal Sistem Dan Informatika. STIKOM, Denpasar.
[6] Syahputra, Z. 2021. Implementasi Kombinasi Metode Single
Exponential Smoothing Dan Fuzzy Time Series Pada Studi Kasus
Memprediksi Kapan Pemerintah Indonesia Mengizinkan
Warganya Beraktivitas Tanpa Masker. Vol 2 No 2 (2021): Jurnal
JPKM.