PERAMALAN PRODUKSI FERONIKEL SULAWESI

TENGGARA MENGGUNAKAN METODE ARIMA &

EKSPONENSIAL SMOOTHING

THESIS

Diajukan sebagai Salah Satu Syarat untuk Menyelesaikan

Program Studi Magister Manajemen

OLEH
AGUSTINO GERSON TOGAR MANURUNG
55119120142

PROGRAM STUDI MAGISTER MANAJEMEN

PROGRAM PASCASARJANA
UNIVERSITAS MERCU BUANA
2021
 KATA PENGANTAR

Puji syukur penulis ucapkan kepada Tuhan Yang Maha Esa atas rahmat dan
karunianya yang melimpah sehingga penulis dapat menyelesaikan thesis yang
berjudul “Peramalan Produksi Feronikel Sulawesi Tenggara menggunakan Metode
ARIMA & Eksponensial Smoothing” ini secara tepat waktu. Tesis ini ditulis dalam
rangka memenuhi sebagian persyaratan untuk memperoleh gelar Magister
Manajemen pada Program Studi Magister Manajemen di Program Pasca Sarjana
Universitas Mercu Buana Jakarta.

Penulis menyadari bahwa tesis ini berkat dukungan dan bantuan dari
berbagai pihak. Pada kesempatan ini penulis ingin menyampaikan terima kasih
kepada : Sugiyono,Dr. M.Si selaku dosen pembimbing yang telah membimbing dan
mengarahkan penulis selama penyusunan proposal tesis ini awal hingga akhir tesis
ini diselesaikan. Penulis juga berterimakasih kepada Prof. Dr -Ing. Mudrik
Alaydrus selaku Direktur Pascasarjana dan Dudi Permana, Ph.D selaku Ketua
Program Studi Magister Manajemen Universitas Mercu Buana.

Akhirnya, penulis ingin menyampaikan terimakasih kepada orangtua,

keluarga, sahabat, teman dan seluruh pihak yang selalu mendukung, mendoakan
dan membantu untuk menyelesaikan proposal tesis ini, dan besar harapan penulis
agar proposal tesis ini dapat memberikan ilmu pada pembaca.

i
 DAFTAR ISI

KATA PENGANTAR ........................................................................................ i

DAFTAR ISI..................................................................................................... ii
DAFTAR GAMBAR........................................................................................ iv
DAFTAR TABEL ............................................................................................. v
BAB I ............................................................................................................... 1
PENDAHULUAN............................................................................................. 1
1.1 Latar Belakang Masalah .......................................................................... 1
1.2 Rumusan masalah .................................................................................. 4
1.3 Batasan Masalah.................................................................................... 4
1.4 Tujuan Penelitian ................................................................................... 4
1.5 Manfaat & Kegunaan Penelitian ............................................................... 5
BAB II .............................................................................................................. 6
Tinjauan Pustaka ............................................................................................... 6
2.1. Kajian Teori ............................................................................................... 6
2.1.1. Pengertian Forecasting......................................................................... 6
2.1.2. Kegunaan Forecasting ........................................................................... 7
2.1.3. Pengertian Time Series ......................................................................... 9
2.1.4 Model Autoregressive Integrated Moving Average (ARIMA) .......................10
2.1.5 Model Stasioner...................................................................................12
2.1.6 Metode penghalusan Exsponential (Exponential Smoothing) ......................12
2.1.7 Minitab ..............................................................................................16
2.2 Hasil Penelitian Journal Terdahulu ................................................................17
2.3 Kebaruan Penelitian ...................................................................................33
2.4 Stasioneritas Data ......................................................................................33
2.5 Kerangka Pemikiran....................................................................................35
BAB III........................................................................................................... 37
METODOLOGI PENELITIAN ....................................................................... 37
3.1 Metode Penelitian......................................................................................37

ii
 3.2 Jenis Penelitian dan Sample data ..................................................................38
3.3 Teknik Pengumpulan Data ...........................................................................38
3.4 Metode Analisis Data ..................................................................................39
3.4.1 Uji Stasioneritas ...................................................................................39
3.4.2 Teknik Analisis ARIMA...........................................................................41
3.4.3 Penerapan Metode Single Exponential Smoothing (SES) ............................43
3.5 Pencarian Error terkecil menggunakan metode MAD dan MAPE .......................44
3.6 Perbandingan Akurasi .................................................................................45
DAFTAR PUSTAKA ...................................................................................... 46

iii
 DAFTAR GAMBAR

Gambar 2. 1 Model ARIMA ............................................................................ 11

Gambar 2. 2 Langkah Model ARIMA .............................................................. 11
Gambar 2. 3 Minitab layout ............................................................................. 17
Gambar 2. 4 Kerangka Pemikiran Penelitian..................................................... 35

iv
 DAFTAR TABEL

Tabel 1. 1 Produksi Bijih Nikel Sulawesi Tenggara ............................................ 3

Tabel 2. 1 Pola Plot ACF dan PACF................................................................. 10
Tabel 2. 2 Ringkasan Hasil Penelitian Journal Terdahulu .................................. 17
Tabel 2. 3 Transformasi Box-Cox .................................................................... 34
Tabel 3. 1 Pola Autocorrelation & Autocorrelation Partial ................................ 42

v
 BAB I

PENDAHULUAN

Penulisan dalam tesis ini diawali dengan pendahuluan yang berisi tentang
gambaran secara singkat mengenai isi tesis ini sekaligus memberikan ramburambu
untuk masuk pada bab-bab berikutnya. Bab ini menjelaskan latar belakang masalah,
rumusan masalah, tujuan dan manfaat penelitian, tinjauan pustaka, kerangka
teoritis, metodologi penelitian dan sistematika pembahasan tesis yang menjelaskan
struktur pengorganisasian penulisan tesis.

1.1 Latar Belakang Masalah

Nikel adalah bahan galian yang sangat di cari oleh investor – investor
dibidang pertambangan. Fungsi dari bahan galian Nikel sendiri sangat banyak,
salah satunya dalam pembuatan baja yang tahan karat, bisa juga dipakai sebagai
alat – alat laboratorium Fisika dan Kimia dan banyak lagi. Nikel keras namun bisa
dibentuk, tahan karat, dan sifat mekanis serta fisiknya tetap bertahan biarpun
terpapar suhu ekstrem. Logam ini bermutu tinggi karena berguna untuk pelapisan
dan baterai. Nikel juga berfungsi memberi lapisan metalik cemerlang seperti pada
keran dan pancuran di kamar mandi. Bahkan di saat sekarang, hampir tak ada orang
yang tak bisa lepas dari nikel. Ini karena logam ini dipakai sebagai salah satu bahan
utama pembuat baterai lithium isi ulang pada gadget. Nikel juga sangat berharga di
masa depan seiring pesatnya tren kendaraan listrik di dunia.
Pada masa sekarang dan masa yang akan datang, kebutuhan nikel semakin
meningkat disamping kebutuhan lainnya yang persediannya semakin terbatas. Hal

1
tersebut dikarenakan Nikel merupakan bahan galian yang memiliki nilai ekonomis
tinggi. Oleh karena itu, tempat penyimpanan yang biasa kita sebut stockyard dapat
sangat menentukan jumlah nikel yang akan diproduksi.
Mulai tanggal 1 Januari 2020, Pemerintah resmi menghentikan ekspor nikel.
Keputusan pelarangan ekspor tertuang lewat Peraturan Menteri (Permen) ESDM
Nomor 11 Tahun 2019 Perubahan Kedua Atas Peraturan Menteri Energi dan
Sumber Daya Mineral Nomor 25 Tahun 2018 Tentang Pengusahaan Pertambangan
Mineral dan Batubara. Kebijakan ini lahir dari pertimbangan stok nikel dalam
negeri yang memperkirakan tinggal 700 juta ton. Dari sisa jumlah tersebut
diprediksi akan habis dalam 8 tahun jika terus dilakukan penambangan.
Menurut data Badan Pusat Statistika (BPS) tahun 2004-2014, tiga dari enam
negara tujuan ekspor nikel Indonesia yaitu Swiss, Yunani dan Ukraina. Tiga negara
ini merupakan bagian dari Uni Eropa. Berikut ini data jumlah ekspor nikel
Indonesia ke tiga negara tersebut. Tahun 2004, ada 258.350 ton nikel yang diekspor
senilai USD 6,92 juta. Tahun 2005, ada 582.787 ton nikel senilai USD 21,35 juta.
Tahun 2006, ada 914.664 ton senilai USD 51,45 juta. Tahun 2007, ada 983.167 tom
nikel senilai USD 86.82 juta. Tahun 2008, ada 1.603.733 ton nikel senilai USD
103,8 juta. Tahun 2009, ada 922.170 ton nikel senilai USD 42,30 juta. Tahun 2010,
ada 921.096,6 ton nikel senilai USD 67,9 juta. Tahun 2011, ada 1.283.671,5 ton
nikel senilai USD 85,06 juta. Tahun 2012, ada 1.844.640,7 ton nikel senilai USD
93,17 juta. Tahun 2013 ada 1.941.139,7 ton nikel senilai USD 90,93 juta. Tahun
2014 ada 38.532,8 ton nikel senilai USD 1,67 juta. Hal ini menjadi tantangan baru
untuk Indonesia dimana Indonesia harus memproses bijih nikel sendiri. Menipisnya
jumlah nikel di alam, membuat pemerintah mengambil langkah hilirisasi dan
industrialisasi bahan-bahan mentah Sumber Daya Alam yang dimiliki. Untuk itu,
pemerintah memutuskan untuk menghentikan ekspor biji nikel per 2020.
Provinsi Sulawesi Tenggara memiliki produksi bijih nikel & feronikel yang
tidak stabil dalam 1 dekade (2003 – 2013) .Produksi nikel ini penting karena adanya
kenaikan permintaan nikel yang terus meningkat, perluasan diharapkan
meningkatkan kapasitas sehingga dapat menjadi cadangan jika suatu saat produksi

2
terganggu, sehingga pengiriman tetap dapat berjalan dengan cadangan yang ada.
Pada thesis ini, akan mencari Teknik forecasting yang paling akurat, dengan
produksi yang stabil tidak ada kekawatiran untuk kekurangan cadangan. Dari uraian
diatas, maka perlu dilakukan penelitian terhadap peramalan untuk mencapai target
dan menstabilkan nilai produksi.

Tabel 1. 1 Produksi Nikel Sulawesi Tenggara

Produksi Nilai Produksi (Juta Rp)

Tahun Bijih Nikel Ferro Nikel (Ton
Bijih Nikel Ferro Nikel
(Ton) Ni)
2001 700.740 9.302 165.051 604.163
2002 969.689 n.a 96.534 n.a
2003 1.702.267 8.279.135 287.280 628.337
2004 1.426.672 7.441.235 n.a n.a
2005 1.157.657 9.892.440 410.506 925.409
2006 1.486.442 n.a 622.492 n.a
2007 2.499.935 1.712.147 1.204.647 245.511
2008 1.782.356 n.a 303.753 n.a
2009 1.026.975 n.a 140.673 n.a
2010 230.870 3.206 37.241 2.149.516
2011 1.943.383 19.690 213.414 2.571.059
2012 18.778.406 .17.250 5.351.845,72 2.932.500,00
2013 29.431.004 .15.535 8.387.836,14 2.563.275,00
2014 1.387.140 16.851 138.714,00 1.152,61.
2015 n.a n.a n.a n.a
2016 1.539.426. 3.957 744.324,73 1.616.600,59
2017 9.043.233 15.821 4.058.801,55 2.458.839,11

Pada data tersebut produksi biji nikel selalu meningkat, Indonesia adalah
salah satu negara dengan produksi tertinggi di dunia ini adalah salah satu alasan
pemerintah Indonesia menutup ekspor nikel. Jika Indonesia bisa memproses Raw

3
 Nikel ini sendiri akan meningkatkan nilai jual nikel Indonesia. Feronikel adalah
salah satu hasil dari pemurnian dari bijih nikel.

1.2 Identifikasi Masalah

Adapun identifikasi masalah dari penelitian ini :

1. Fluktuasi produksi feronikel yang tinggi
2. Missing value (data yang hilang) pada produksi feronikel
3. Trend turun dari volume produksi dan nilai produksi feronikel

1.3 Rumusan masalah

Adapun perumusan masalah dalam penelitian ini adalah :

1. Metode peramalan apa yang dapat digunakan untuk menentukan nilai produksi
periode berikutnya?
2. Bagaimana hasil peramalan dari produksi feronikel di provinsi Sulawesi Tenggara?
3. Bagaimana cara menentukan missing data pada produksi feronikel?

1.4 Batasan Masalah

Batasan masalah dalam penelitian ini adalah :

1. Data yang diambil adalah data tahunan 2001 sampai 2017 dari Dinas Energi dan
Sumber Daya Mineral Provinsi Sulawesi Tenggara.
2. Menggunakan Software minitab 14

1.5 Tujuan Penelitian

Tujuan dari penelitian ini adalah :

1. Untuk menghitung MAPE & MAD model peramalan ARIMA.

4
 2. Untuk menghitung MAPE & MAD model peramalan eksponensial smoothing.
3. Untung menganalisis missing values (data yang hilang)

1.6 Manfaat Penelitian

Adapun manfaat penulisan dari penelitian ini adalah :

1. Penulis dapat menambah wawasan tentang metode peramalan.
2. Penulis dapat mengaplikasikan ilmu statistik dalam bidang lain.
3. Hasil Penelitian dapat menjadi referensi pada penelitian selanjutnya.
4. Hasil Penelitian ini membantu meramalkan produksi feronikel selanjutnya.

5
 BAB II

Tinjauan Pustaka

2.1. Kajian Teori

2.1.1. Pengertian Forecasting

Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa

yang akan terjadi pada masa mendatang. Peramalan diperlukan karena adanya
perbedaan waktu antara kesadaran akan dibutuhkan suatu kebijakan baru dengan
waktu pelaksanaan kebijakan tersebut. Apabila perbedaan waktu tersebut panjang,
maka peran peramalan menjadi penting dan sangat dibutuhkan, terutama dalam
penentuan kapan terjadi suatu peristiwa sehingga dapat dipersiapkan tindakan yang
perlu dilakukan. (Utara, 2003)
Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan akan
terjadi di masa akan datang. Ramalan tersebut dapat didasarkan atas
bermacammacam cara yang dikenal dengan metode peramalan. Metode peramalan
adalah cara memperkirakan secara kwantatif apa yang terjadi pada masa depan,
berdasarkan data yang relevan pada masa lalu. Metode peramalan akan membantu
dalam mengadakan pendekatan analisa terhadap tingkah laku atau pola dari data
yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan
yang sistematis dan pragmatis, serta memberikan tingkat keyakinan yang lebih
besar atas ketepatan hasil ramalan yang dibuat atau disusun. (Utara, 2003)

6
 2.1.2. Kegunaan Forecasting

Sering terdapat senjang waktu ( Time Lag ) antara kesadaran akan peristiwa
atau kebutuhan mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang (
Lead Time ) ini merupakan alasan utama bagi perencanaan dan peramalan. Dalam
situasi diatas peramalan sangat diperlukan untuk menentukan kapan suatu peristiwa
akan terjadi atau suatu kebutuhan akan timbul, sehingga dapat dipersiapkan
tindakan yang perlu dilakukan. (Utara, 2003)

Dalam perencanaan disuatu instansi baik itu pemerintahan maupun swasta,

peramalan merupakan kebutuhan yang sangat mendasar. Dimana baik maupun
buruknya ramalan dapat mempengaruhi seluruh bagian instansi, karena waktu
tenggang untuk pengambilan keputusan dapat berkisar dari beberapa tahun.
Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan
efisien. Kegunaan dari suatu peramalan dapat dilihat pada saat pengambilan
keputusan. Keputusan yang baik adalah keputusan yang didasarkan atas
pertimbangan apa yang akan terjadi saat keputusan tersebut dilakukan. Apabila
keputusan yang diambil kurang tepat sebaiknya keputusan tersebut tidak
dilaksanakan. Oleh karena masalah pengambilan keputusan merupakan masalah
yang selalu dihadapi maka peramalan juga merupakan masalah yang selalu
dihadapi karena peramalan berkaitan dengan pengambilan suatu keputusan . (Utara,
2003)
Baik tidaknya suatu peramalan yang disusun, disamping ditentukan oleh
metode yang digunakan juga ditentukan oleh baik tidaknya informasi maupun data
yang digunakan atau ketepatan ramalan yang dibuat. Selama data maupun informasi
yang digunakan tidak dapat maka hasil peramalan yang disusun juga akan sukar
dipercaya akan ketepatannya. (Utara, 2003)
Oleh karena itu, ketepatan dari ramalan tersebut merupakan hal yang sangat
penting, walaupun demikian perlu disadari bahwa suatu ramalan adalah tetap

7
ramalan, dimana selalu ada unsur kesalahannya. Sehingga yang penting
diperhatikan adalah untuk memperkecil kesalahannya tersebut. (Utara, 2003)
Di dalam bagian Organisasi terdapat beberapa peran penting dalam peramalan
(Utara, 2003) :
1. Penjadwalan sumber daya yang tersedia. Penggunaan sumber daya yang efisien
memerlukan penjadwalan produksi, transportasi, kas, personalia, dan sebagainya.
Input yang penting untuk penjadwalan seperti itu adalah ramalan tingkat
permintaan konsumennya atau si pelanggan, bahan, tenaga kerja, finansial atau jasa
pelayanan.
2. Penyediaan sumber daya tambahan. Waktu tenggang (lead time) untuk
memperoleh bahan baku, menerima pekerja baru atau membeli mesin dan peralatan
dapat berkisar antara beberapa hari sampai beberapa tahun. Peramalan diperlukan
untuk menentukan kebutuhan sumber daya di masa yang akan datang.
3. Penentuan sumber daya yang diinginkan. Setiap organisasi harus menentukan
sumber daya yang ingin dimiliki dalam jangka waktu panjang. Keputusan semacam
ini bergantung kepada kesempatan pasar, faktor-faktor lingkungan dan
pengembangan internal dari sumber daya finansial, manusia, produk, dan
teknologi.Semua penentuan ini memerlukan ramalan yang baik dan manajer yang
dapat menafsirkan pendugaan serta membuat keputusan yang tepat.

Walaupun terdapat banyak bidang lain yang memerlukan peramalan, namun

tiga kelompok di atas merupakan bentuk khas dari kegunaan peramalan jangka
pendek, menengah, dan panjang. (Utara, 2003)
Dari uraian di atas dapat dikatakan bahwa metode peramalan sangat
berguna, karena akan membantu dalam mengadakan analisis terhadap data dari
masa lalu. Sehingga dengan metode peramalan akan memberikan cara pemikiran,
pengerjaan yang teratur dan terarah serta perencanaan yang sistematis hingga
memberikan ketepatan hasil analisis. (Utara, 2003)

8
 2.1.3. Pengertian Time Series

Data berkala (time series) adalah data yang disusun berdasarkan urutan
waktu atau data yang dikumpulkan dari waktu ke waktu. Waktu yang digunakan
dapat berupa minggu, bulan, tahun dan sebagainya. Time Series merupakan
serangkaian data pengamatan yang berasal dari satu sumber tetap dan terjadi
berdasarkan indeks waktu t secara beruntun dengan interval waktu yang tetap.
Setiap pengamatan dapat dinyatakan sebagai variabel random Zt dengan notasi Zt1,
Zt2, ..., Ztn (Tarigan, 2017)

Data berkala atau time series adalah data yang biasanya digunakan untuk
menggambarkan suatu perkembangan atau kecenderungan
keadaan/peristiwa/kegiatan. Biasanya jarak atau interval dari waktu ke waktu sama.
(Tarigan, 2017)
Contoh data berkala adalah sebagai berikut (Tarigan, 2017) :
a) pertumbuhan ekonomi suatu negara pertahun;
b) jumlah produksi minyak perbulan;
c) indeks harga saham per hari.
Rangkaian waktu, data berkala atau time series merupakan serangkaian
pengamatan terhadap suatu peristiwa, kejadian, gejala, ataupun variabel yang
diambil dari waktu ke waktu, dicatat secara teliti menurut urutan waktu terjadinya,
dan kemudian disusun sebagai data statistik. Pada umumnya pada pengamatan dan
pencatatan itu dilakukan dalam jangka waktu tertentu, misalnya tiap akhir tahun,
tiap permulaan tahun, tiap sepuluh tahun, dan sebagainya (Tarigan, 2017).
Pola gerakan data atau nilai-nilai variabel dari data time series dapat
diketahui. Sehingga data time series dapat dijadikan dasar untuk (Tarigan, 2017):
a) pembuatan keputusan saat ini.
b) peramalan keadaan perdagangan atau ekonomi pada masa akan dating.
c) perencanaan kegiatan untuk masa depan.

9
Identifikasi Model Time Series

Pembentukan model ARIMA dapat dilihat dari hasil plot ACF dan
PACF.Pola plot ACF dan PACF dalam pembentukan model adalah sebagai berikut.

Tabel 2. 1 Pola Plot ACF dan PACF

Proses ACF PACF

AR(p) Menurun secara cepat Cuts off setelah lag
(dies down) ke- p
MA(q) Cuts off setelah lag ke- p Menurunsecara cepat
(dies down)
ARMA(p,q) Menurun secara cepat Menurun secara cepat
(dies down) (dies down)

2.1.4 Model Autoregressive Integrated Moving Average (ARIMA)

Model Autoregressive Integrated Moving Average (ARIMA) adalah model

yang secara penuh mengabaikan independen variabel dalam membuat peramalan.
ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk
menghasilkan peramalan jangka pendek yang akurat. ARIMA sangat baik
ketepatannya untuk peramalan jangka pendek, sedangkan untuk peramalan jangka
panjang peramalannya kurang baik. Biasannya akan cenderung flat
(mendatar/konstan) untuk periode yang cukup panjang. (Chuang and Wei, 1991)
Bentuk umum model autoregressive integrated moving average (ARIMA
p,d,q) adalah :

10
 Gambar 2. 1 Model ARIMA

Model AR, MA, dan ARMA yang telah dibahas sebelumnya menggunakan
asumsi bahwa data time series yang dianalisis sudah bersifat stasioner. Mean dan
varians data time series bersifat konstan dan kovariansnya tidak terpengaruh oleh
waktu. ARIMA sering juga disebut metode runtun waktu Box Jenkins. Model
ARIMA terdiri dari tiga langkah dasar yaitu tahap identifikasi, tahap pen aksiran
dan pengujian, dan tahap pemeriksaan diagnostik. Selanjutnya model ARIMA
dapat digunakan untuk melakukan peramalan jika model yang diperoleh memadai.
(Chuang and Wei, 1991)

Gambar 2. 2 Langkah Model ARIMA

11
 Model ARIMA terdiri dari tiga langkah dasar yaitu tahap identifikasi, tahap
penaksiran dan pengujian, dan tahap pemeriksaan diagnostik. Selanjutnya model
ARIMA dapat digunakan untuk melakukan peramalan jika model yang diperoleh
memadai. (Chuang and Wei, 1991)

2.1.5 Model Stasioner

Stasioner berarti bahwa tidak ada terdapat pertumbuhan atau penurunan data
atau nilai rata-rata dan ragam data bersikap konstan dari waktu ke waktu, artinya
data tersebut horizontal sepanjang sumbu waktu. Dengan kata lain, fluktuasi data
berada disekitar suatu nilai rata-rata yang konstan, tidak bergantung pada waktu dan
varians dari fluktuasi tersebut. Model stasioner terbagi atas model Autoregressive
(AR), model Moving Average (MA), model Autoregressive Moving Average
(ARMA). (Chuang and Wei, 1991)

2.1.6 Metode penghalusan Exsponential (Exponential Smoothing)

Pemulusan Eksponensial (Exponential Smoothing) adalah suatu metode

yang menunjukkan pembobotan menurun secara eksponensial terhadap nilai
pengamatan yang lebih tua. Oleh karena itu metode ini disebut prosedur
Exponential Smoothing. Pada metode Exponential Smoothing ini, perevisian secara
berkelanjutan dilakukan atas ramalan berdasarkan pengalaman yang lebih kini,
yaitu melalui pengratarataan (pemulusan) nilai dari serentetan data yang lalu
dengan cara menguranginya secara eksponensial. Hal itu dilakukan dengan
memberikan bobot tertentu pada tiap data. Bobotnya dilambangkan dengan α
(alpha) dan bergerak antara 0 sampai 1 . Salah satu metode Exponential Smoothing
adalah Pemulusan Eksponensial Ganda (Double Exponential Smoothing) dari

12
Brown yang merupakan model linear yang dikemukakan oleh Brown. Di dalam
metode Double Exponential Smoothing ini dilakukan proses smoothing
(pemulusan) dua kali. Dengan analogi yang dipakai pada waktu berangkat dari
Rata-rata Bergerak Tunggal (Single Moving Average) ke Pemulusan Eksponensial
Tunggal (Single Exponential Smoothing) maka dapat pula berangkat dari Rata-rata
Bergerak Ganda (Double Moving Average) ke Pemulusan Eksponensial Ganda
(Double Exponential Smoothing). Perpindahan seperti itu mungkin menarik karena
salah satu keterbatasan dari Single Moving Average (yaitu perlunya menyimpan n
nilai terakhir) masih terdapat pada Double Moving Average. Pendekatan ini juga
memberikan bobot yang semakin menurun pada observasi masa lalu. Dengan tatist
ini Double Exponential Smoothing lebih disukai daripada Double Moving Average
sebagai suatu metode prediksi dalam berbagai kasus utama (Ii and Pustaka, 2010).
Dasar pemikiran dari Double Exponential Smoothing adalah serupa dengan
Double Moving Average karena kedua nilai single smoothing dan double
smoothing lebih mulus daripada nilai data yang sebenarnya bilamana terdapat unsur
trend. Perbedaan antara nilai single smoothing dan double smoothing (S’t – S’t )
dapat ditambahkan dengan kepada nilai single smoothing (S’t) dan disesuaikan
untuk trend (Ii and Pustaka, 2010). Rumus yang dipakai dalam implementasi
Double Exponential Smoothing ditunjukkan di bawah ini:

1. Menentukan Nilai Smoothing Pertama (S’t)

S’t = α Xt + ( 1 – α ) S’t – 1
Dengan :
S’t = nilai Single Exponential Smoothing statistic t
Xt = nilai tatis pada statistic t
S’t – 1 = nilai Single Exponential Smoothing statistic t – 1
α = nilai parameter
2. Menentukan Nilai Smoothing kedua (S’’t)
S’’t = α S’t + ( 1 – α ) S’’t – 1
Dengan :

13
 S’’t = nilai Double Exponential Smoothing statistic t
S’’t – 1 = nilai Double Exponential Smoothing statistic t-1

Single Exponential Smoothing

Single Exponential Smoothing Juga dikenal sebagai simple exponential

smoothing yang digunakan pada peramalan jangka pendek, biasanya hanya 1 bulan
ke depan. Model mengasumsikan bahwa data berfluktuasi di sekitar nilai mean
yang tetap, tanpa trend atau pola pertumbuhan konsisten. Rumus untuk Simple
exponential smoothing adalah sebagai berikut (Eff and Hendrawan, 2016):
𝐹𝑓 + 1 = 𝑎 ∗ 𝑋𝑡 + (1 − 𝑎) ∗ 𝐹𝑡 (2)
Dimana :
Ft = peramalan untuk periode t
Xt + (1-a) = Nilai aktual time series
Ft + 1 = peramalan pada waktu 1 + 1
a = konstanta perataan antara 0 dan 1

Double Exponential Smoothing

Metode ini digunakan ketika data menunjukkan adanya trend. exponential
smoothing dengan adanya trend seperti pemulusan sederhana kecuali bahwa dua
komponen harus diupdate setiap periode level dan trendnya. Level adalah estimasi
yang dimuluskan dari nilai data pada akhir masingmasing periode. Trend adalah
estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir masing-masing
periode. Rumus double exponential smoothing adalah (Eff and Hendrawan, 2016):
St = a* Yt + (1-a)*(St-1+bt-1)
Bt = γ*(ST-ST-1)+(1-γ)*bt-1
Ft + m = St + btm

dimana:

14
 St = peramalan untuk periode t.
Yt + (1-α) = Nilai aktual time series
bt = trend pada periode ke-t
α = parameter pertama perataan antara nol dan 1
1 = untuk pemulusan nilai observasi
 = parameter kedua, untuk pemulusan trend
Ft+m = hasil peramalan ke-m
m = jumlah periode ke muka yang akan diramalkan

Triple Exponential Smoothing

Metode ini digunakan ketika data menunjukan adanya trend dan perilaku musiman
Untuk menangani musiman, telah dikembangkan parameter persamaan ketiga yang
disebut metode Holtn Winters sesuai dengan nama penemuya. Terdapat dua model
Holt-Winters tergantung pada tipe musimannya yaitu Multiplicative seasonal
model dan Additive seasonal model. Metode exponentian smoothing yang telah
dibahas sebelumnya dapat digunakan untuk hampir segala jenis data stasioner atau
non stasioner sepanjang data tersebut tidak mengandung faktor musiman. Tetapi
bilamana terdapat musiman, metode ini dijadikan cara untuk meramalkan data yang
mengandung faktor musiman, namun metode ini sendiri tidak dapat mengatasi
masalah tersebut dengan baik. Meskipun demikian, metode ini dapat menangani
factor musiman secara langsung. Rumus yang digunakan untuk triple exponential
smoothing adalah:

Pemulusan trend:
Bt =g (St – St-1) + (1 - g ) bt-1

Pemulusan Musiman:
I = b t X t S + (1-b) t -L +m

15
Ramalan:
Ft + m = (St + bt m)It – L + m

Dimana L adalah panjang musiman (misal, jumlah kuartal dalam suatu

tahun), b adalah komponen trend, I adalah faktor penyesuaian musiman, dan Ft +
m adalah ramalan untuk m periode ke muka dapat dihipotesiskan baik sebagai
fungsi dari waktu atau sebagai fungsi dari variabel bebas, kemudian diuji. Langkah
penting dalam memilih model time series yang tepat adalah dengan
mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan pola
tersebut dapat diuji. Pola data dapat dibedakan menjadi empat jenis siklis dan trend.

2.1.7 Minitab

MINITAB adalah program komputer yang dirancang untuk melakukan

pengolahan statistika. Minitab mengkombinasikan kemudahan penggunaan
layaknya Microsoft excel dengan kemampuannya melakukan analisis statistik yang
kompleks (Simarmata, 2010). MINITAB adalah perangkat lunak statistik yang
menyediakan berbagai kemampuan untuk analisis statistik baik dasar dan lanjutan.
Program ini memiliki kemampuan yang kuat dan mudah digunakan menjadikannya
ideal sebagai alat pengajaran. Sebagai buktinya MINITAB telah digunakan di lebih
dari 4000 perguruan tinggi, universitas dan sekolah menengah di seluruh dunia.
(Hadijah, 2013)
Dikembangakan lebih dari 30 tahun yang lalu dari professor ke psrofesor,
MINITAB telah menjadi standar untuk pembelajaran statistik. Dan karena
MINITAB adalah paket terdepan yang digunakan untuk meningkatkan proses dan
kualitas dalam perusahaan, murid yang mempelajari MINITAB pasti
mendapatakan keuntungan dari mengetahui dan juga dapat menggunakan alat yang
digunakan dalam dunia bisnis sebenarnya (Hadijah, 2013).

16
 Gambar 2. 3 Minitab layout

2.2 Hasil Penelitian Journal Terdahulu

Telah ada beberapa penelitian yang mengkaji menggunakan metode

Forecasting, berikut ringkasan beberapa dari journal terdahulu :

Tabel 2. 2 Ringkasan Hasil Penelitian Journal Terdahulu

No Nama Peneliti Judul Hasil Penelitian

1 Claudia Foroni, Forecasting the Covid- menyesuaikan Forecast dan
Massimiliano 19 recession and nowcast asli dengan jumlah
Marcellino, Dalibor recovery: Lessons yang mirip dengan nowcast
Stevanovic, Journal from the financial dan forecast error yang dibuat
(2020). Forecasting crisis selama krisis keuangan dan
the Covid-19 recession pemulihan selanjutnya

17
 and recovery: Lessons tampaknya menghasilkan.
from the financial (Foroni, Marcellino and
crisis Stevanovic, 2021)
2 William D. Larson, Nowcasting Temuannya mendukung
Tara M. Sinclair, unemployment pandangan bahwa model
Journal (2020). insurance claims in the autoregresif sederhana
Nowcasting time of COVID-19 melewatkan perubahan
unemployment dramatis, tetapi kami
insurance claims in the menunjukkan bahwa dalam
time of COVID-19 kasus tertentu mungkin untuk
mengeksploitasi informasi
panel jika ada informasi
tentang perbedaan waktu di
penampang melintang.
(Larson and Sinclair, 2021)
3 Spyros Makridakis, Forecasting in social Makalah ini memberikan
Rob J. Hyndman, settings: The state of survei tentang keadaan seni
Fotios Petropoulos, the art peramalan dalam ilmu sosial
Journal (2020). yang ditujukan untuk para ahli
Forecasting in social non-peramalan yang ingin
settings: The state of mendapatkan informasi
the art tentang perkembangan terbaru
di lapangan, dan mungkin
untuk mencari cara untuk
meningkatkan keakuratan
mereka sendiri. (Makridakis,
Hyndman and Petropoulos,
2020)

18
4 Rafał Weron, , Electricity price GIGARCH faktor-k, dan
Scientific Journal forecasting: A review menerapkan metode ini pada
(2014). Electricity of the state-of-the-art harga EEX Jerman pada tahun
price forecasting: A with a look into the 2000–2002. Kinerja
review of the state-of- future peramalan model (hingga satu
the-art with a look bulan ke depan) dibandingkan
into the future dengan model benchmark
SARIMA-GARCH, dan bukti
empiris menunjukkan bahwa
model yang diusulkan
mengungguli benchmark.
(Weron, 2014)
5 Kuljeet Singh, Implementation of Kesalahan MAPE sebesar
Sourabh Shastri, Arun Exponential 1,346% untuk nilai 0,9 alfa
Singh Bhadwal, Smoothing for adalah nilai kesalahan
Scientific Journal Forecasting Time minimum di antara semua
(2019). Series Data nilai alfa lainnya. Untuk nilai
Implementation of alfa lainnya, persentase
Exponential kesalahannya tinggi dan oleh
Smoothing for karena itu nilai yang sesuai
Forecasting Time yang dipilih untuk konstanta
Series Data pemulusan adalah 0,9. (Singh
et al., 2019)
6 Francesco Audrino, The impact of Hasilnya menunjukkan bahwa
Fabio Sigris, Daniele sentiment and variabel sentimen memiliki
Ballinari, Journal attention measures on daya prediksi untuk volatilitas
(2020). The impact of stock market volatility yang terealisasi pada
sentiment and perkiraan satu hari ke depan
cakrawala. Berikut ini, kami

19
 attention measures on memperluas analisis menjadi
stock market volatility lebih Panjang meramalkan
cakrawala. (Audrino, Sigrist
and Ballinari, 2020)
7 Pierre Pinson, Spyros Pandemics and Pandemi saat ini telah sangat
Makridakis. Journal forecasting: The way mempengaruhi tatanan sosial
(2020). Pandemics and forward through the dan ekonomi masyarakat.
forecasting: The way Taleb-Ioannidis debate Akan ada era sebelum dan
forward through the sesudah COVID-19 karena
Taleb-Ioannidis debate ketakutan dan konsekuensi
dari pandemi baru akan secara
signifikan memengaruhi
keputusan masa depan di
tingkat pemerintah, bisnis,
dan individu yang harus
membuat keputusan di
belakang. pikiran mereka
bahwa pandemi lain mungkin
menyerang kita di masa
depan. (Pinson and
Makridakis, 2020)
8 David Salinas, DeepAR : Model DeepAR efektif dalam
Valentin Flunkert , Jan Probabilistic mempelajari model global
Gasthaus, Tim forecasting with dari deret waktu terkait, dapat
Januschowski, Journal autoregressive menangani skala yang sangat
(2020). DeepAR : recurrent networks bervariasi melalui penskalaan
Probabilistic ulang dan pengambilan
forecasting with sampel berbasis kecepatan,
menghasilkan prakiraan

20
 autoregressive probabilistik terkalibrasi
recurrent networks dengan akurasi tinggi, dan
mampu mempelajari pola
kompleks seperti kemusiman
dan ketidakpastian
pertumbuhan dari waktu ke
waktu dari data. (Salinas et al.,
2020)
9 John P.A. Ioannidis, Forecasting for Kode kompleks bisa jadi
Sally Cripps , Martin COVID-19 has failed rawan kesalahan, dan
A. Tanner. Journal kesalahan bisa terjadi bahkan
(2020). Forecasting for oleh pemodel berpengalaman;
COVID-19 has failed menggunakan perangkat
lunak atau bahasa yang kuno
dapat memperburuk keadaan.
(Ioannidis, Cripps and Tanner,
2020)

10 Nassim Nicholas On single point Memperkirakan variabel

Taleb a,b, Yaneer Bar- forecasts for fat-tailed tunggal dalam domain berekor
Yam ,Pasquale Cirillo. variables gemuk melanggar akal sehat
Journal (2020). On dan teori probabilitas. (Taleb,
single point forecasts Bar-Yam and Cirillo, 2020)
for fat-tailed variables
11 Jurgen A. Doornik , Short-term forecasting Perkiraan jangka pendek yang
Jennifer L. Castle, of the coronavirus akurat tentang pandemi
David F. Hendry. pandemic COVID-19 sangat berharga.
Journal (2020). Short- Peningkatan pesat dalam
kasus yang dilaporkan dan

21
 term forecasting of the kematian selama fase ekspansi
coronavirus pandemic awal epidemi sering
ditampilkan sebagai hal yang
mengejutkan oleh media,
tetapi sebagian dapat
diprediksi berdasarkan
trennya. (Doornik, Castle and
Hendry, 2020)
12 Massimo A. Comparing the Konfigurasi untuk langkah
Achterberg, Bastian accuracy of several waktu ∆t = 1 hari dan ∆t = 0,5
Prasse, Long Ma, network-based hari sama pada kedua gambar.
Stojan Trajanovski. COVID-19 prediction Jumlah kecil data yang
Maksim Kitsak algorithms tersedia dan jumlah kasus
, Piet Van Mieghem, yang meningkat pesat
Journal (2020). menghambat peramalan yang
Comparing the akurat. (Achterberg et al.,
accuracy of several 2020)
network-based
13 Fotios Petropoulos , COVID-19: Model deret waktu yang
Spyros Makridakis , Forecasting confirmed diusulkan telah menunjukkan
Neophytos Stylianou. cases and deaths with a tingkat akurasi dan
Journal (2020). simple time series ketidakpastian yang baik,
COVID-19: mode terutama karena semakin
Forecasting confirmed banyak data yang terkumpul.
cases and deaths with a Perkiraan tersebut berguna
simple time series untuk memantau
mode perkembangan penyakit dan
membantu pembuat kebijakan
mempertimbangkan langkah-

22
 langkah yang tepat untuk
mengurangi dampak negatif
pandemi dan untuk
menerapkan tindakan untuk
memperkuat atau
mengendurkan intervensi
mitigasi. (Petropoulos,
Makridakis and Stylianou,
2020)
14 Peter Nystrup, Erik Dimensionality Estimator spektral selalu
Lindström, Jan K. reduction in setidaknya sebaik penduga
Møller , Henrik forecasting with terbaik dalam hal akurasi,
Madsen . Journal temporal hierarchies. sambil menawarkan
(2020). pengurangan dimensi dan
Dimensionality keunggulan komputasi.
reduction in Dengan mempertimbangkan
forecasting with struktur korelasi saat
temporal hierarchies. melakukan rekonsiliasi
prakiraan, akurasi dapat
ditingkatkan secara seragam
di semua tingkat agregasi
temporal. (Nystrup et al.,
2021)
15 Francisco Blasques, Dynamic factor Model autoregresif tingkat
Meindert Heres models with clustered nasional dari urutan p
Hoogerkamp,Siem Jan loadings: Forecasting diperkirakan dengan cara
Koopman , Ilka van de education flows using yang sama seperti negara
Werve, Journal unemployment data bagian, dengan nilai tingkat
(2020). Dynamic dihitung menggunakan

23
 factor models with perkiraan varian sisa untuk
clustered loadings: menyesuaikan
Forecasting education ketidaksetaraan Jensen.
flows using (Blasques et al., 2021)
unemployment data
16 Sugiyono Madelan, Optimalisasi Ekspor Penelitian ini dilakukan
Journal (2020). Produk Ekonomi dengan menggunakan data
Optimalisasi Ekspor Kreatif Indonesia deret waktu sekunder untuk
Produk Ekonomi Menuju Peningkatan periode 2010-2017. Metode
Kreatif Indonesia Dayasaing penelitian menggunakan
Menuju Peningkatan program linier dan goal
Dayasaing programming. Hasil
penelitian menunjukkan
bahwa ekspor produk
ekonomi kreatif merespons
peningkatan harga jual ekspor
berdasarkan perilaku
permintaan jumlah ekspor
produk ekonomi kreatif.
Faktor daya saing ekspor
produk ekonomi kreatif
Indonesia terletak pada
pemanfaatan upah tenaga
kerja yang lebih murah.
Ekspor produk ekonomi
kreatif tidak secara otomatis
meningkat, jika tingkat
pendidikan tenaga kerja
meningkat, tetapi peningkatan

24
 ekspor produk ekonomi
kreatif lebih berasal dari
peningkatan kreativitas.
Produk fashion adalah produk
yang efisien dibandingkan
dengan menghasilkan ekspor
produk kriya dan produk
kuliner. Akhirnya,
pengembangan ekonomi
kreatif lebih optimal untuk
tujuan meningkatkan ekspor
produk ekonomi kreatif
dibandingkan untuk mencapai
tujuan meningkatkan
lapangan kerja dari
memproduksi produk fashion.
(Madelan, 2020)
17 Sugiyono, Journal Analisis Pengukuran Berdasarkan hasil pegolahan
(2020). Analisis Nilai Overal data, tingkat efektifitas mesin
Pengukuran Nilai Equipment Coal Crusher saat ini masih
Overal Equipment Effectiveness sebagai dibawah target yang ingin
Effectiveness sebagai Langkah peningkatan dicapai perusahaan, hasil
Langkah peningkatan mesin coal crusher PT. perhitungan Six Big Losses,
mesin coal crusher PT. Multi Harapan Utama faktor yang memberikan
Multi Harapan Utama pengaruh paling signifikan
terhadap efektivitas mesin
adalah Setup and Adjustment
dan Equipment Failure. Dari
analisa nilai OEE, faktor Six

25
 Big Losses dan Seventools of
Quality tersebut menjadi dasar
dari usulan perbaikan ke PT.
MHU. (Kamari and Sugiyono,
2020)
18 David Sinaga, Analisis Supply Chain Hasil penelitian menunjukkan
Sugiyono Madelan, Management bahwa kinerja supply chain
Ahmad Badawi. Performance Using tidak efisien karena hasil
Journal (2021). SCOR method in pengukuran metrik level 1
Analisis Supply Chain compressor distributor adalah Perfect Order
Management Company at PT. Pola Fulfillment (POF) dan Order
Performance Using Petro Development Fulfillment Cycle Time
SCOR method in (OFCT) berada di bawah nilai
compressor distributor benchmark yang ditetapkan.
Company at PT. Pola Nilai POF aktual 89,98% di
Petro Development bawah nilai benchmark
superior 98% dan OFCT
aktual 89 hari di bawah nilai
benchmark superior 60 hari.
Analisis untuk menemukan
akar masalah dengan
menggunakan diagram tulang
ikan, dan mengidentifikasi
solusi dari masalah yang
terjadi. (Sinaga, Madelan and
Saluy, 2021)
19 Christie H. K. Single Multifactor Penelitian ini menggunakan 2
Pasaribu, Sugiyono Productivity Analysis metode analisis yaitu analisis
Madelan, Ahmad of Manual and Produktivitas Tunggal (SP)

26
 Badawi Saluy. Journal Automatic Machines dan Produktivitas Multi
(2021). Single at Powder Coating Faktor (MFP). Dari hasil
Multifactor Company PT. TKM in analisis SP dan MFP, PC-3
Productivity Analysis Bekasi dinyatakan sebagai PC paling
of Manual and efisien, dan PC-3 dapat
Automatic Machines menjadi model referensi untuk
at Powder Coating proyek pengembangan PC-1
Company PT. TKM in dan PC-2. (Pasaribu, Madelan
Bekasi and Saluy, 2021)
20 Asep Saifudin, M. EFFECT OF USING Penelitian ini dilakukan untuk
Havidz Aima, Achmad AMO THEORY ON mengetahui pengaruh Green
Hidayat Sutawijaya, GHRM ON SERVICE Human Resources
Sugiyono. Journal QUALITY WITH Management (GHRM)
(2020). EFFECT OF OCBE AS terhadap Service Quality.
USING AMO MEDIATION IN THE Mereka menggunakan Teori
THEORY ON GHRM PANDEMIC TIME AMO sebagai GHRM dan
ON SERVICE OF COVID-19 IN dimensi Perilaku Organisasi
QUALITY WITH INDONESIA, SOE untuk Lingkungan (OCBE)
OCBE AS HOSPITAL sebagai variabel mediasi.
MEDIATION IN THE Terbukti berpengaruh positif
PANDEMIC TIME dan signifikan terhadap
OF COVID-19 IN Service Quality. (Saifudin et
INDONESIA, SOE al., 2020)
HOSPITAL
21 Karina Auliasari, Penerapan Metode Akurasi ketiga metode
Mariza Kertaningtyas, Peramalan untuk tersebut ditunjukkan dengan
Mawan Kriswantono, Identifikasi Potensi nilai MASE (Mean Absolute
Journal (2019). Permintaan Konsumen Square Error). Hasil
Penerapan Metode peramalan menunjukkan

27
 Peramalan untuk bahwa PT. DUTA dan PT.
Identifikasi Potensi HEXINDO memiliki nilai
Permintaan Konsumen permintaan tertinggi. Hasil
peramalan juga menunjukkan
bahwa metode yang memiliki
nilai MASE terkecil adalah
metode simple moving
average. (Auliasari,
Kertaningtyas and
Kriswantono, 2020)
22 Siti Wardah , Iskandar. ANALISIS Pada penelitian ini, penulis
Journal (2016). PERAMALAN membahas mengenai analisis
ANALISIS PENJUALAN peramalan penjualan produk
PERAMALAN PRODUK KERIPIK kripik pisang untuk jenis
PENJUALAN PISANG KEMASAN kemasan bungkus. Peramalan
PRODUK KERIPIK BUNGKUS yang dilakukan
PISANG KEMASAN mengggunakan tiga metode
BUNGKUS yaitu metode Moving
Average, metode Exponential
Smoothing with Trend dan
metode Trend Anayisis
dengan membandingkan
tingkat kesalahan (error)
terkecil, maka metode
peramalan yang terpilih yaitu
metode Trend Analysis,
dengan nilai MAD sebesar
161,3539, MSE sebesar
55744,16, dan standar error

28
 sebesar 242,947. (Wardah,
2016)
23 Anna Lusiana, Popy PENERAPAN Hasil penelitian yang
Yuliarty, Journal METODE didapatkan yaitu didapatkan
(2020). PENERAPAN PERAMALAN grafik peramalan yang
METODE (FORECASTING) memiliki pola horizontal
PERAMALAN PADA dikarenakan fluktuasi nilai
(FORECASTING) PERMINTAAN berada disekitar rata-rata
PADA ATAP di PT X maka perhitungan peramalan
PERMINTAAN permintaan beserta tingkat
ATAP di PT X kesalahannya diketahui
bahwa terdapat tiga metode
yang digunakan yaitu; Metode
Exponential, Exponential
Smoothing dengan α = 0,1 dan
Exponential Smoothing
dengan α = 0,2 Sehingga
Metode yang paling tepat
digunakan dalam
menganalisis data dengan
memiliki tingkat kesalahan
yang paling terkecil dari
ketiga metode yang digunakan
pada produk Atap H untuk
ramalan Januari 2019 yaitu
menggunakan Metode
Exponential Smoothing
dengan α = 0,2 dengan nilai
MAPE yakni 32,67; MAD

29
 yakni 286.023,31; MSE yakni
118.336.236.635,27; dan
MFE yakni 286.023,31.
(Lusiana and Yuliarty, 2020)
24 iwan iwan, Eneng Iviq ANALISIS Metode Exponential
Hairo Rahayu, Agus PERAMALAN Smoothing dan metode Trend
Yulianto, Journal PERMINTAAN Analysis dengan
(2018). ANALISIS MOBIL MITSUBISHI membandingkan rata-rata
PERAMALAN XPANDER DENGAN persentase kesalahan absolut
PERMINTAAN TIGA METODE MAPE (Mean Absolute
MOBIL MITSUBISHI FORECASTING Percentage Error), maka
XPANDER DENGAN metode peramalan yang
TIGA METODE dipilih adalah metode
FORECASTING Exponential Smoothing,
dengan nilai MAD 2203.865,
MSE 5987605, dan standar
errornya adalah 2774.59.
(Iwan, Iviq and Yulianto,
2018)
25 Dewi Rosa Indah, Evi Sistem Forecasting Hasil penelitian menunjukkan
Rahmadani, Journal Perencanaan Produksi bahwa SES cenderung
(2018). Sistem dengan Metode Single mempunyai nilai kesalahan
Forecasting Eksponensial yang kecil yaitu pada tahun
Perencanaan Produksi Smoothing pada 2015 dengan alpha 0,2
dengan Metode Single Keripik Singkong berjumlah 25.641 dan alpha
Eksponensial Srikandi Di Kota 0,4 berjumlah 25.812. (Indah
Smoothing pada Langsa and Rahmadani, 2018)
Keripik Singkong

30
 Srikandi Di Kota
Langsa.
26 Widiyarini, Journal PENGGUNAAN Hasil peramalan yang akan
(2016). METODE dijadikan rencana produksi
PENGGUNAAN PERAMALAN untuk bare core ketebalan tiga
METODE DALAM PRODUKSI belas mm menggunakan
PERAMALAN KAYU UNTUK metode peramalan double
DALAM PRODUKSI PENENTUAN eksponensial smooting nol
KAYU UNTUK TOTAL koma lima dengan MAPE satu
PENENTUAN PERMINTAAN koma sembilan satu, bare core
TOTAL (KONSUMEN) ketebalan lima belas mm
PERMINTAAN menggunakan metode
(KONSUMEN) peramalan double
eksponensial smooting nol
koma lima dengan MAPE satu
koma tujuh nol serta bare core
ketebalan enam belas mm
menggunakan metode
peramalan double
eksponensial smooting nol
koma lima dengan MAPE satu
koma tiga delapan.
(Widiyarini, 2016)
27 Eko Setyawan, Renan ANALISIS Berdasarkan model ARIMA,
Subantoro, Rossi PERAMALAN hasil peramalan produksi
Prabowo. Journal (Forecasting) karet tahun 2015 sebesar
(2016). ANALISIS PRODUKSI KARET 325675,9 kg (Triwulan I),
PERAMALAN (Hevea Brasiliensis) 396571,3 kg (Triwulan II),
(Forecasting) DI PT 338552,1 kg (Triwulan III),

31
 PRODUKSI KARET PERKEBUNAN 258359,4 kg (Triwulan IV).
(Hevea Brasiliensis) NUSANTARA IX Tahun 2016 sebesar 3.56854,6
DI PT KEBUN kg (Triwulan I), 442136,9 kg
PERKEBUNAN SUKAMANGLI (Triwulan II), 387335,1 kg
NUSANTARA IX KABUPATEN (Triwulan III), 293983,5 kg
KEBUN KENDAL (Triwulan IV). Tahun 2017
SUKAMANGLI sebesar 395750,9 kg
KABUPATEN (Triwulan I), 492849,0 kg
KENDAL (Triwulan II), 424360,7 kg
(Triwulan III), 328790,9 kg
(Triwulan IV). Hasil
peramalan produksi karet
menunjukkan produksi karet
sedang mengalami
peningkatan pada tahun 2017.
(Setyawan, Subantoro and
Prabowo, 2016)
28 Fandi Ahmad, Journal PENENTUAN dari hasil perbandingan tiga
(2020). PENENTUAN METODE metode pendekatan peramalan
METODE PERAMALAN PADA dengan pemanfaatan program
PERAMALAN PADA PRODUKSI PART QM for Windows diketahui
PRODUKSI PART NEW GRANADA nilai MAPE tertinggi adalah
NEW GRANADA BOWL ST Di PT.X peramalan dengan
BOWL ST Di PT.X menggunakan pendekatan
metode Moving Average yang
mempunyai nilai MAPE
sebesar 73,84% dan nilai
MAPE terendah adalah
peramalan dengan

32
 menggunakan pendekatan
metode Linier Regresion
dengan nilai MAPE sebesar
55,82%, dengan demikian
pengunaan peramalan
produksi New Granada Bowl
ST melalui pendekatan Linier
Regresion adalah metode
pendekatan peramalan yang
disarankan karena
mempunyai nilai MAPE
terendah. (Ahmad, 2020)

2.3 Kebaruan Penelitian (Novelty)

Berbicara soal unsur kebaruan penelitian, Ada beberapa tipe unsur

kebaruan penelitian penulisan karya ilmiah, diantaranya:
1. Kebaruan Tipe Penemuan Baru (Invention)
2. Kebaruan Tipe Improvement
3. Kebaruan Tipe Refutation
Tipe yang dipakai dipenelitian ini adalah tipe Improvement. Tipe ini mirip
dengan tipe penemuan baru, hanya saja sifatnya dapat berupa peningkatan dari
prinsip yang sebelumnya atau pun bersifat perbaikan dari teori/praktek yang sudah
ada sebelumnya.

2.4 Stasioneritas Data

33
 Terdapat dua jenis stationeritas dalam time series yaitu stationer dalam
mean dan stationer dalam varians. Stationer dalam mean adalah fluktuasi data
berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu
dan variansi dari fluktuasi tersebut. Sedangkan stationer dalam varians adalah
apabila struktur dari waktu ke waktu mepunyai fluktuasi data yang tetap atau
konstan dan tidak berubah-ubah. Secara visual untuk melihat hal tersebut dapat
dibantu dengan menggunakan plot time series, yaitu dengan melihat fluktuasi data
dari waktu ke waktu. (Reshynta Veronica, 2015)
Data yang tidak stationer terhadap varians dapat distasionerkan dengan
melakukan transformasi Box-Cox dengan persamaan umum sebagai berikut
(Reshynta Veronica, 2015):
𝑇(𝑍𝑡) = (𝑍𝑡  − 1) / 
Untuk nilai  =0 ,transformasi yang sesuai adalah transformasi logaritma
yaitu:
Dimana
 :nilai estimasi parameter transformasi
Zt : variabel Z pada waktu ke t

Nilai  yang sering digunakan dalam kasus transformasi Box-Cox disajikan pada
tabel berikut :

Tabel 2. 3 Transformasi Box-Cox

Nilai Estimasi Transformasi

-1 1/ Zt
-0,5 1/ √𝑍𝑡
0 Ln( Zt )
0,5 √𝑍𝑡
1 Zt

34
2.5 Kerangka Pemikiran

Gambar 2. 4 Kerangka Pemikiran Penelitian

35
 Dalam penelitian ini sesuai dengan tujuannya untuk menemukan metode
forecasting yang paling baik untuk produksi Nikel. Secara perhitungan MAD
(Mean Absolute Deviation = Rata- rata Penyimpangan Absolut), MAPE (Mean
Absolute Percentage Error = Rata- rata Persentase Kesalahan Absolut), dan MSE
(Mean Square Error = Rata-rata Kuadrat Kesalahan). Akan dapat ditentukan metode
forecasting paling tepat untuk data tersebut.

36
 BAB III

METODOLOGI PENELITIAN

3.1 Metode Penelitian

Metode penelitian yang digunakan dalam penelitian ini adalah penelitian

deskriptif dan komparatif. Menurut Setiadi bahwa: “Secara umum metode
penelitian diartikan sebagai cara ilmiah untuk mendapatkan data dengan tujuan dan
kegunaan tertentu”. Jenis penelitian yang digunakan dalam penelitian ini adalah
penelitian secara deskriptif. Menurut setiadi bahwa penelitian deskriptif adalah
penelitian yang dilakukan untuk mengetahui keberadaan variabel mandiri, baik satu
variabel atau lebih variabel (variabel yang berdiri sendiri) tanpa membuat
perbandingan atau mencari hubungan variabel satu sama lain (Setiadi, 2019).
Metode deskriptif ditunjukan untuk mendeskripsikan suatu keadaan dan
fenomena-fenomena. Dalam penelitian ini penelitian tidak melakukan manipulasi
atau memberikan perlakuan-perlakuan tertentu terhadap obyek penelitian, semua
kegiatan atau peristiwa berjalan seperti apa adanya (Setiadi, 2019). Peneliti
deskriptif dalam penelitian ini bertujuan untuk mengetahui:
1. Bagaimana peramalan/forecasting Metode ARIMA untuk produksi nikel
2. Bagaimana peramalan/forecasting Metode Eksponensial smoothing untuk
produksi nikel
Sedangkan penelitian komparatif menurut Setiadi adalah penelitian yang
membandingkan keadaan satu variabel atau lebih pada dua atau lebih sampel yang
berbeda, atau dua waktu yang berbeda. Adapun penerapan penelitian komparatif
pada penelitian ini digunakan untuk mengetahui perbandingan antara perencanaan
produksi yang dilakukan oleh perusahaan dan perencanaan produksi yang
dilakukan oleh peneliti. (Setiadi, 2019)

37
3.2 Jenis Penelitian dan Sample data

A. Jenis Penelitian
Jenis penelitian yang digunakan pada penelitian ini adalah penelitian yang
bersifat Sebab akibat (kausalitas). Sebab Akibat merupakan jenis penelitian yang
bertujuan untuk mengetahui hubungan sebab akibat antar variabel. Dimana
hubungan sebab-akibat tersebut sudah dapat diprediksi oleh peneliti dapat
menyatakan klasifikasi variabel-variabelnya.

B. Jenis Data

Jenis data yang digunakan dalam penelitian ini adalah data kuntitatif. Data
kuantitatif adalah jenis data yang dapat diukur atau dihitung secara langsung, yang
berupa informasi atau penjelasan yang dinyatakan dengan bilangan atau berbentuk
angka (Setiadi, 2019). Dalam penelitian ini data kuantitatif yang diperlukan adalah
: Data hasil pertambangan Sulawesi Tenggara

C. Sumber Data

Data yang digunakan dalam penyusunan tesis ini merupakan data sekunder tahun
2001 sampai 2017, produksi dan nilai produksi hasil pertambangan nikel Sulawesi
Tenggara.

3.3 Teknik Pengumpulan Data

38
 Menurut Setiadi teknik pengumpulan data merupakan langkah yang paling
strategis dalam penelitian, karena tujuan utama dari penelitian adalah mendapatkan
data. Terdapat beberapa teknik pengumpulan data yang digunakan pada suatu
penelitian. Teknik pengumpulan data yang digunakan pada penelitian ini antara lain
(Setiadi, 2019):

1.) Pencarian melalui media internet dilakukan dengan menggunakan web site yang
berfungsi sebagai search engine, misalnya www.google.com. Dan memasukkan
kata kunci kedalam kolom pencarian sesuai dengan topik penelitian yang akan
dilakukan Dalam penelitian ini peneliti menggunakan beberapa alamat web site
yang mempunyai mesin pencari informasi, yakni : http://www.google.com ;
http://www.bps.go.id.

3.4 Metode Analisis Data

Menurut Setiadi mengatakan bahwa analisis data adalah proses mencari dan
menyusun secara sistematis data yang diperoleh dari hasil wawancara, catatan
lapangan dan dokumentasi, dengan cara mengorganisasikan data ke dalam kategori,
menjabarkan ke dalam unit-unit, melakukan sintesa, menyusun ke dalam pola,
memilih mana yang penting dan yang akan dipelajari, dan membuat kesimpulan
sehingga mudah dipahami oleh diri sendiri maupun orang lain (Setiadi, 2019).
Berdasarkan tujuan penelitian, penelitian ini menggunakan metode analisis
data dengan pendekatan kuantitatif.

3.4.1 Uji Stasioneritas

Langkah dalam analisis data pada metode Box-Jenkins terdiri dari beberapa
tahap. Tahap pertama adalah pemeriksaan pola data. Plotting data diperlukan untuk
melihat tren dan pola dalam data. Langkah selanjutnya yaitu dilakukan uji

39
stasioneritas data. Uji stasioneritas dalam varians dilakukan dengan menggunakan
Transformasi Box-Cox. Jika nilai rounded value atau lambda (λ) lebih dari sama
dengan 1, maka data dikatakan telah stasioner dalam varians. Namun jika tidak
maka harus dilakukan transformasi sampai nilai rounded value pada Box -Cox
bernilai 1 atau lebih dari 1. Uji stasioneritas dalam means dilakukan de ngan
menganalisis grafik ACF dari data yang sudah stasioner dalam varians. Data yang
telah stasioner dalam means maka proses dapat dilanjutkan ke langkah selanjutnya,
yaitu identifikasi model sementara. Namun, apabila data belum stasioner pada nilai
rata-ratanya (means), maka dilakukan proses difference. Tingkatan difference juga
akan menentukan nilai (d) pada model, jika terdapat pola musiman maka juga
dilakukan proses difference musiman sebanyak pola musiman yang berulang
(Pamungkas, 2019).

40
 Gambar 3. 1 Box -Cox Stasioneritas Data

3.4.2 Teknik Analisis ARIMA

Langkah I : Identifikasi Model ARIMA

Tahapan selanjutnya yaitu identifikasi model tentatif sementara. Data yang
telah stasioner akan ditentukan ordo p dan q dari model ARMA menggunakan ACF
dan PACF. Penentuan apakah suatu data time series dimodelkan dengan AR,
MA, atau ARMA tergantung pada pola ACF dan PACF. Pola ACF dan PACF
dapat dilihat pada Tabel 3.1.

41
 Tabel 3. 1 Pola Autocorrelation & Autocorrelation Partial
Model Pola ACF Pola PACF
AR(p) Menurun secara eksponensial Terdapat garis tiang melewati
atau pola sinusoidal yang tidak garis lag p
jelas
MA(q) Terdapat garis tiang melewati Menurun secara eksponensial
garis lag q
ARMA(p,q) Menurun secara eksponensial Menurun secara Eksponensial

Jika koefisien ACF menurun secara eksponensial (bertahap), sedangkan

koefisien PACF menurun drastis pada lag tertentu, maka modelnya adalah AR.
Jika koefisien ACF menurun drastis pada lag tertentu, sedangkan PACF
menurun secara eksponensial (bertahap), maka modelnya adalah MA.
Sedangkan jika koefisien ACF dan PACF menurun secara eksponensial
(bertahap), maka model yang tepat adalah ARMA. Secara umum dapat
didefinisikan model ARIMA (p,d,q) dimana p dan q adalah tingkat lag
(kelambanan) dan d adalah tingkat differencing. Sehingga dapat dicoba beberapa
model tentatif ARIMA dengan AR(p) dan MA(q) pada tingkat differencing I(d).
Setiap lag pada plot ACF dan PACF akan berada dalam garis batas
autokorelasi, tetapi ag yang melebihi garis batas (signifikan) diidentifikasi sebagai
tingkat AR dan MA karena hal tersebut menunjukkan besarnya pengaruh pada
lag tersebut.

Langkah II : Estimasi Model

Setelah ditentukan model tentatif ARIMA, maka akan dilakukan estimasi
model. Pada tahap estimasi ini akan diuji kelayakan model tersebut untuk
mendapatkan model terbaik.Kriteria untuk menentukan model terbaik dilakukan

42
dengan nilai AIC (Akaike Information Criterion) dan SIC (Schwarz Information
Criterion) terkecil. AIC dan SIC merupakan kriteria yang menyediakan ukuran
informasi yang dapat menyeimbangkan ukuran kebaikan model dan efisiensi.

Langkah III : Diagnostic Checking

Setelah didapatkan model terbaik, maka perlu untuk melakukan uji
diagnostik (model yang dipilih mampu menjelaskan data dengan baik) dengan
melihat apakah residual yang diperoleh sudah bersifat white noise. Untuk melihat
apakah residualnya bersifat white noise dapat dilakukan dengan correlogram ACF
maupun PACF, jika koefisien ACF maupun PACF secara individual
probabilitasnya tidak signifikan (>5%) maka residual yang didapatkan bersifat
white noise, sebaliknya jika koefisien ACF dan PACF signifikan maka dilakukan
pemilihan model yang lain karena residual tidak bersifat white noise.

Langkah IV : Peramalan
Peramalan akan dilakukan setelah ditemukan model yang tepat. Model terbaik
yang telah terpilih akan digunakan untuk memprediksi nilai produksi dengan
melihat seberapa besar selisih antara hasil peramalan dengan nilai sebenarnya.

3.4.3 Penerapan Metode Single Exponential Smoothing (SES)

Pada metode single exponential smoothing memiliki konsep peramalan

yang banyak mengurangi masalah dalam penyimpanan data. Model diasumsikan
ketika data berfluktuasi di sekitar nilai rata-rata yang tetap, tanpa trend dan tidak
konsisten. Langkah kerja penggunaan metode single exponential smoothing dalam
penelitian ini adalah sebagai berikut:
a. Nilai aktual terbaru (Xt), ramalan yang terakhir (Ft), dan konstanta
pemulusan (α) dari hasil analisis data 4 sample data favorite yang disarankan oleh

43
perusahaan menggunakan metode ini dan data masukan nilai peramalan untuk
periode atau minggu yang akan datang (Ft+1).
b. Untuk memperoleh nilai F2, F1 harus diketahui terlebih dahulu.
c. Hasil nilai ramalan untuk periode yang akan datang digunakan untuk
menghitung hasil peramalan periode selanjutnya.

3.5 Pencarian Error terkecil menggunakan metode MAD dan MAPE

Setiap metode peramalan memiliki tingkat kesalahan atau error sehingga perlu
mencari perhitungan tersebut dengan menggunakan metode MAD (Mean Absolute
Deviation) dan MAPE (Mean Absolute Percentage Error) yang dirumuskan sebagai
berikut :
a. MAD (Mean Absolute Deviation)
𝑀𝐴𝐷 = 1 𝑛 ∑|𝑋𝑡 − 𝐹𝑡|
Dimana :
Xt : Data Aktual pada periode t
Ft : Forecasting pada periode t
n : Jumlah periode forecasting yang terjadi
Nilai yang dihasilkan pada perhitungan MAD semakin kecil, maka semakin baik
tingkat akurasinya.
b. MAPE (Mean Absolute Percentage Error)
𝑀𝐴𝑃𝐸 = 1 𝑛 ∑ |𝑋𝑡 − 𝐹𝑡| 𝑋𝑡 𝑥 100
Dimana :
Xt : Data Aktual pada periode t
Ft : Data Forecasting pada periode t
n : Jumlah periode forecasting yang terjadi
Nilai yang dihasilkan pada perhitungan MAPE semakin kecil, maka semakin baik
tingkat akurasinya.

44
 Hasil dari perhitungan dengan MAD (Mean Absolute Deviation) dan MAPE
(Mean Absolute Percentage Error) akan menemukan tingkat kesalahan atau error,
sehingga dapat digunakan untuk memilih metode yang paling tepat dengan tingkat
kualitas akurasi yang baik untuk menentukan peramalan jumlah penumpang kereta
api di wilayah Jawa non Jabodetabek pada setiap bulannya dengan melihat
kesalahan atau error pada hasil MAD dan MAPE paling kecil.

3.6 Perbandingan Akurasi

Kriteria keakuratan dalam memprediksi nilai produksi menggunakan

Arima dan Eksponensial Smoothing akan ditentukan dengan menghitung besarnya
selisih nilai absolut antara nilai hasil ramalan dengan nilai aktual. Teknik yang
memiliki selisih lebih sedikit dengan nilai aktualnya merupakan teknik analisis
yang lebih akurat.

3.7 Missing Data

Tipe missing data yang ada pada data yang dipakai oleh penulis adalah MAR
(Missing at Random). Metoda yang sering dipakai untuk mengatasi missing data
adalah :
1. Imputation (Mean/Median) : Ini bekerja dengan menghitung rata-rata/median
dari nilai yang tidak hilang dalam kolom dan kemudian Mengganti nilai yang hilang
dalam setiap kolom secara terpisah dan independen dari yang lain. Ini hanya dapat
digunakan dengan data numerik.
2. Deletion : Membuang data pada perioda tersebut.

45
 DAFTAR PUSTAKA

Achterberg, M. A. et al. (2020) ‘Comparing the accuracy of several network-based

COVID-19 prediction algorithms’, International Journal of Forecasting, (xxxx). doi:
10.1016/j.ijforecast.2020.10.001.
Ahmad, F. (2020) ‘PENENTUAN METODE PERAMALAN PADA PRODUKSI PART NEW
GRANADA BOWL ST Di PT . X Determine the actual and actual production plan is the
main thing for the organization to avoid large losses in calculating the amount of
production , PT . This research is to det’, Jurnal Integrasi Sistem Industri, 7(1), pp. 31–39.
Audrino, F., Sigrist, F. and Ballinari, D. (2020) ‘The impact of sentiment and attention
measures on stock market volatility’, International Journal of Forecasting, 36(2), pp.
334–357. doi: 10.1016/j.ijforecast.2019.05.010.
Auliasari, K., Kertaningtyas, M. and Kriswantono, M. (2020) ‘Penerapan Metode
Peramalan untuk Identifikasi Permintaan Konsumen’, INFORMAL: Informatics Journal,
4(3), p. 121. doi: 10.19184/isj.v4i3.14615.
Blasques, F. et al. (2021) ‘Dynamic factor models with clustered loadings: Forecasting
education flows using unemployment data’, International Journal of Forecasting, (xxxx).
doi: 10.1016/j.ijforecast.2021.01.026.
Chuang, A. and Wei, W. W. S. (1991) ‘Time Series Analysis: Univariate and Multivariate
Methods’, Technometrics, p. 108. doi: 10.2307/1269015.
Doornik, J. A., Castle, J. L. and Hendry, D. F. (2020) ‘Short-term forecasting of the
coronavirus pandemic’, International Journal of Forecasting, (xxxx). doi:
10.1016/j.ijforecast.2020.09.003.
Eff, M. S. and Hendrawan, A. (2016) ‘FORCASTING MODEL EXSPONENSIAL SMOOTHING
TIME SERIES RATA RATA MECHANICAL AVAILABILITY UNIT OFF HIGHWAY TRUCK CAT
777D CATERPILLAR’, 8(1).
Foroni, C., Marcellino, M. and Stevanovic, D. (2021) ‘Forecasting the Covid-19 recession
and recovery: Lessons from the financial crisis’, International Journal of Forecasting,
(xxxx). doi: 10.1016/j.ijforecast.2020.12.005.

46
Hadijah (2013) ‘Minitab Menggunakan Pendekatan Arima’, (40), pp. 13–19.
Ii, B. A. B. and Pustaka, K. (2010) ‘Universitas Internasional Batam’, pp. 7–31.
Indah, D. R. and Rahmadani, E. (2018) ‘Sistem Forecasting Perencanaan Produksi dengan
Metode Single Eksponensial Smoothing pada Keripik Singkong Srikandi Di Kota Langsa’,
Jurnal Penelitian Ekonomi Akutansi (JENSI), 2(1), pp. 10–18.
Ioannidis, J. P. A., Cripps, S. and Tanner, M. A. (2020) ‘Forecasting for COVID-19 has
failed’, International Journal of Forecasting, (xxxx). doi: 10.1016/j.ijforecast.2020.08.004.
Iwan, Iviq, E. R. and Yulianto, A. (2018) ‘Analisa Peramalan Permintaan Mobil Mitsubishi
Xpander dengan Tiga Metode Forecasting’, Journal Humaniora, 18(2), pp. 249–256.
Available at: doi: https://doi.org/10.31294/jc.v18i2.
Kamari and Sugiyono, M. (2020) ‘Analisis dan Pengukuran Nilai Overall Equipment
Effectiveness sebagai Langkah Peningkatan Efektivitas Mesin Coal Crusher PT. Multi
Harapan Utama. e-ISSN: 2686-255’, Manajemen dan Bisnis (Indikator), 4(3), pp. 20–38.
Available at:
https://publikasi.mercubuana.ac.id/index.php/indikator/article/view/10009.
Larson, W. D. and Sinclair, T. M. (2021) ‘Nowcasting unemployment insurance claims in
the time of COVID-19’, International Journal of Forecasting, (xxxx). doi:
10.1016/j.ijforecast.2021.01.001.
Lusiana, A. and Yuliarty, P. (2020) ‘PENERAPAN METODE PERAMALAN (FORECASTING)
PADA PERMINTAAN ATAP di PT X’, Industri Inovatif : Jurnal Teknik Industri, 10(1), pp. 11–
20. doi: 10.36040/industri.v10i1.2530.
Madelan, S. (2020) ‘Optimalisasi Ekspor Produk Ekonomi Kreatif Indonesia Menuju
Peningkatan Dayasaing’, Business Economic, Communication, and Social Sciences
(BECOSS) Journal, 2(3), pp. 273–284. doi: 10.21512/becossjournal.v2i3.6658.
Makridakis, S., Hyndman, R. J. and Petropoulos, F. (2020) ‘Forecasting in social settings:
The state of the art’, International Journal of Forecasting, 36(1), pp. 15–28. doi:
10.1016/j.ijforecast.2019.05.011.
Nystrup, P. et al. (2021) ‘Dimensionality reduction in forecasting with temporal
hierarchies’, International Journal of Forecasting, 37(3), pp. 1127–1146. doi:
10.1016/j.ijforecast.2020.12.003.

47
Pamungkas, M. B. (2019) ‘Aplikasi Metode Arima Box-Jenkins Untuk Meramalkan Kasus
Dbd Di Provinsi Jawa Timur’, The Indonesian Journal of Public Health, 13(2), p. 183. doi:
10.20473/ijph.v13i2.2018.183-196.
Pasaribu, C. H. K., Madelan, S. and Saluy, A. B. (2021) ‘Single and Multifactor Productivity
Analysis of Manual and Automatic Machines at Powder Coating Company PT . TKM in
Bekasi’, 6(2), pp. 518–524.
Petropoulos, F., Makridakis, S. and Stylianou, N. (2020) ‘COVID-19: Forecasting
confirmed cases and deaths with a simple time series model’, International Journal of
Forecasting, (xxxx). doi: 10.1016/j.ijforecast.2020.11.010.
Pinson, P. and Makridakis, S. (2020) ‘Pandemics and forecasting: The way forward
through the Taleb-Ioannidis debate’, International Journal of Forecasting, (xxxx), pp. 8–
10. doi: 10.1016/j.ijforecast.2020.08.007.
Reshynta Veronica (2015) ‘Peramalan Jumlah Pengunjung Jawa Timur Park I
Menggunakan Arima Box-Jenkins’, Jurnal Skripsi.
Saifudin, A. et al. (2020) ‘Effect of Using Amo Theory on Ghrm on Service Quality With
Ocbe As Mediation in the Pandemic Time of Covid-19 in Indonesia, Soe Hospital’,
PalArch’s Journal of Archaeology of Egypt/ Egyptology, 17(6), pp. 5755–5775.
Salinas, D. et al. (2020) ‘DeepAR: Probabilistic forecasting with autoregressive recurrent
networks’, International Journal of Forecasting, 36(3), pp. 1181–1191. doi:
10.1016/j.ijforecast.2019.07.001.
Setiadi, S. V. (2019) ‘Pengaruh Faktor-Faktor Motivasi Terhadap Minat Berwirausaha
Mahasiswa Program Studi Manajemen Fakultas Ekonomi Dan Bisnis Unika
Soegijapranata Semarang’, pp. 15–22. Available at:
http://eprints.ums.ac.id/id/eprint/84613.
Setyawan, E., Subantoro, R. and Prabowo, R. (2016) ‘ANALISIS PERAMALAN (Forecasting)
PRODUKSI KARET (Hevea Brasiliensis) DI PT PERKEBUNAN NUSANTARA IX KEBUN
SUKAMANGLI KABUPATEN KENDAL’, VOL. 12.(2), pp. 11–19.
Sinaga, D., Madelan, S. and Saluy, A. B. (2021) ‘Analysis Supply Chain Management
Performance Using SCOR Method in Compressor Distributor Company at PT . Pola Petro
Development’, International Journal of Innovative Science and Research Technology ISSN

48
No:-2456-2165, 6(2), pp. 91–102.
Singh, K. et al. (2019) ‘Implementation of Exponential Smoothing for Forecasting Time
Series Data’, International Journal of Scientific Research in Computer Science
Applications and Management Studies, 8(1).
Taleb, N. N., Bar-Yam, Y. and Cirillo, P. (2020) ‘On single point forecasts for fat-tailed
variables’, International Journal of Forecasting, (xxxx). doi:
10.1016/j.ijforecast.2020.08.008.
Tarigan, P. B. (2017) ‘Bab Ii Tinjauan Pustaka Kehamilan’, Jurnal Kebidanan, 53(9), pp.
1689–1699.
Utara, U. S. (2003) ‘Universitas Sumatera Utara 4’, pp. 4–16.
Wardah, S. (2016) ‘Analisis Peramalan Penjualan Produk Keripik Pisang’, (0615040007).
Weron, R. (2014) ‘Electricity price forecasting: A review of the state-of-the-art with a
look into the future’, International Journal of Forecasting, 30(4), pp. 1030–1081. doi:
10.1016/j.ijforecast.2014.08.008.
Widiyarini (2016) ‘Penggunaan Metode Peramalan dalam Produksi Kayu untuk
Penentuan Total Permintaan (Konsumen)’, Sosio-e-kons, 8(1), pp. 54–61.

49