Disusun Oleh:
Afaf Amirah Azzahra
20611199
i
LEMBAR PERSETUJUAN DOSEN PEMBIMBING
ii
LEMBAR PENGESAHAN PEMBIMBING LAPANGAN
Disusun oleh:
Mengetahui,
Direktur/Kepala Instansi tempat KP
iii
LEMBAR PENGESAHAN KERJA PRAKTIK
iv
KATA PENGANTAR
Assalamu’alaikum Wr.Wb
Rasa syukur yang tak lupa penulis panjatkan kepada Allah SWT karena
rahmat dan karuniaNya, penulis dapat menyelesaikan Laporan Kerja Praktik
dengan judul “Peramalan Indeks Harga Konsumen di Kota Mataram Menggunakan
Metode Double Exponential Smoothing dengan Damped Parameter”. Shalawat
serta salam selalu tercurah kepada Nabi Muhammad SAW beserta keluarga,
sahabat dan umatnya.
Laporan ini dibuat untuk melengkapi persyaratan kelulusan pada mata kuliah
Kerja Praktik dalam menyelesaikan jenjang S1 di Program Studi Statistika,
Universitas Islam Indonesia.
Selama masa Kerja Praktik hingga penyusunan laporan yang dibantu oleh
berbagai pihak oleh karena itu penulis ingin menyampikan ucapan terima kasih
setulusnya kepada:
1. Baba, mama dan adik penulis yang telah memberikan doa, dukungan, serta
semangat dan masukkan dalam menyusun Laporan Kerja Praktik.
2. Bapak Prof. Riyanto, S.Pd., M.Si., Ph.D. selaku Dekan Fakultas
Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Indonesia,
Yogyakarta.
3. Bapak Dr. Edy Widodo, S.Si, M.Si., selaku Ketua Jurusan Statistika beserta
seluruh jajarannya.
4. Ibu Mujiati Dwi Kartikasari S.Si., M.Sc. selaku dosen pembimbing yang
telah meluangkan waktu, tenaga dan pikiran dalam membimbing dengan
penuh kesabaran.
5. Bapak Aziz Setiawan, S.E. selaku Pembimbing Lapangan yang telah
memberikan ilmunya selama penulis melakukan Kerja Praktik.
6. Nabila Dwi Fazira, Desti Ana Dwi Saputri dan Shekila Aulia Yasmin teman
bertukar ide serta membantu tahap-tahap pada pengerjaan Laporan Kerja
Praktik.
7. Seluruh keluarga mejimi yang selalu memberi semangat serta dukungan
kepada penulis dalam menyelesaikan Laporan Kerja Praktik.
8. Seluruh pegawai BPS Kota Mataram yang selalu memberikan gambaran
dan wawasan terbaru bagi penulis.
9. Serta semua pihak yang telah membantu dan tidak dapat penulis sebutkan
satu per satu.
Penulis sadar bahwa dalam penulisan laporan ini masih jauh dari kata
sempurna. Oleh karena itu, diharapkan kepada pembaca untuk memberikan kritik
v
dan saran yang membangun untuk laporan ini. Akhir kata, penulis mengharapkan
laporan kerja praktik ini dapat bermanfaat bagi banyak pihak.
Wassalamualaikum Wr.Wb
Yogyakarta, 23 Mei 2023
vi
DAFTAR ISI
vii
DAFTAR TABEL
viii
DAFTAR GAMBAR
ix
DAFTAR LAMPIRAN
x
ABSTRAK
xi
1 BAB I
PENDAHULUAN
Indeks Harga merupakan alat ukur untuk menentukan kondisi ekonomi secara
umum. Indeks harga memungkinkan para pemimpin atau masyarakat dapat
mengelola data yang ada untuk memperoleh informasi tentang perkembangan
usaha, misalnya sebagai ukuran keadaan perkembangan ekonomi. Beberapa indeks
harga yang dapat mengukur inflasi adalah Indeks Harga Konsumen (IHK) (Afiyah
& Wijaya, 2018).
IHK merupakan Indeks Harga Konsumen merupakan suatu indeks yang
menghitung rata-rata perubahan harga dalam suatu periode, dari suatu kumpulan
barang dan jasa yang dikonsumsi oleh penduduk/rumah tangga dalam kurun waktu
tertentu. IHK adalah salah satu indikator ekonomi yang dapat mengalami tingkat
kenaikan (inflasi) atau tingkat penurunan (deflasi) dari barang/jasa yang pada
umumnya dikonsumsi oleh rumah tangga dalam suatu kurun waktu tertentu. (BPS,
2022).
Inflasi merupakan kenaikan harga barang dan jasa secara umum dimana
barang dan jasa merupakan kebutuhan pokok masyarakat atau turunnya daya jual
mata uang suatu negara (BPS, Inflasi Kota Mataram, 2022). Deflasi merupakan
kebalikan dari inflasi, yakni penurunan harga barang secara umum dan terus
menerus. Inflasi terjadi ketika harga barang dan jasa meningkat yang menyebabkan
kenaikan harga barang dan jasa lainnya Inflasi yang tinggi menyebabkan
pendapatan riil masyarakat menurun, sehingga taraf hidup masyarakat turun dan
pada akhirnya semua masyarakat, terutama masyarakat miskin akan menjadi
semakin miskin. Tentunya dapat menjadikan dasar pengambilan keputusan
kebijakan ekonomi pemerintah, serta dapat menggambarkan terjadinya inflasi atau
deflasi sehingga masyarakat dapat mudah dalam pengambilan keputusan ekonomi.
Pada tahun 2020 IHK di Kota Mataram naik angka ini lebih tinggi dibanding
angka IHK nasional. IHK ini terjadi karena adanya kenaikan harga indeks pada
kelompok transportasi (Mps, 2023). Faktor penting yang harus dilakukan untuk
memantau atau meramalkan perkembangan IHK agar menghasilkan data yang
valid yaitu dengan metode peramalan. Peramalan atau forecasting adalah
memprediksi kejadian di masa yang akan datang.
Oleh karena itu, peneliti ingin melakukan peramalan IHK di Kota Mataram
untuk 12 periode yang akan datang sebagai salah satu upaya yang dapat dilakukan
1
untuk mengantisipasi ketidakstabilan ekonomi di Kota Mataram. Pola data yang
tepat untuk data IHK adalah pola trend karena memiliki kecenderungan data trend
naik, maka metode yang tepat untuk pola data trend adalah Double Exponential
Smoothing (Mutiara, 2023). Peramalan Exponential Holt maupun Winter sering
mengalami overforecasting atau nilai prekdisi yang naik secara eksponensial
biasanya nilai tersebut lebih besar dari nilai data aktual. Untuk mengatasi hal ini,
maka ditambahkan Damped Parameter untuk meredam pertumbuhan secara
eskponensial (Rasyidi, 2019). Dan untuk mencari nilai kesalahan dalam metode
peramalan Double Exponential Smoothing dengan Damped Parameter diukur
dengan nilai Mean Absolute Percentage Error (MAPE) untuk melihat nilai
keakuratan dalam peramalan.
Berikut merupakan batasan masalah dalam penelitian ini agar masalah yang
diangkat tidak menyimpang dari pemasalahan penelitian:
1. Data yang digunakan adalah data Indeks Harga Konsumen di Kota Mataram
pada bulan Januari 2021 sampai bulan Desember 2022 yang diperoleh dari
website BPS Kota Mataram.
2. Peramalan dilakukan dengan menggunakan metode Double Exponential
Smoothing (DES) dengan Damped Parameter.
3. Software yang digunakan dalam peramalan adalah Rstudio.
1.4 Tujuan Penelitian
2
1.5 Manfaat Penelitian
3
2 BAB II
TINJAUAN INSTANSI
4
5. Membangun insan statistik yang professional, berintegritas dan Amanah
untuk kemajuan perstatistikan.
5
3. Bidang Statistik Sosial
Memiliki Kepala Bagian yaitu Ibu Wartitnah, SSI. Bertugas melaksanakan
perumusan dan pelaksanaan kebijakan di bidang statistik sosial. Terdapat
beberapa staff di Bidang Statistik Sosial yang terdiri dari:
1. Seksi Statistik Sosial
2. Seksi Statistik Ketahanan Sosial
3. Seksi Statistik Kesejahteraan Rakyat
4. Bidang Statistik Produksi
Memiliki Kepala Bagian yaitu Bapak Roedi Joelianto, S,Si. Bertugas
melaksanakan perumusan dan pelaksanaan kebijakan di bidang statistik
produksi. Bidang Statistik Produksi terdiri dari:
1. Seksi Statistik Pertanian
2. Seksi Statistik Pertambangan
3. Seksi Statistik Energi
4. Seksi Statistik Konstruksi
5. Seksi Statistik Industri
5. Bidang Statistik Distribusi
Memiliki Kepala Bagian yaitu Ibu Dewi Sri Wijihayati, S.Si.,MSE.
Bertugas melaksanakan perumusan dan pelaksanaan kebijakan di bidang
statistik distribusi. Bidang Statistik Distribusi tersiri dari:
1. Seksi Statistik Harga Konsumen dan Harga Perdagangan Besar
2. Seksi Statistik Keuangan dan Harga Produsen
3. Seksi Statistik Niaga dan Jasa
6. Bidang Neraca dan Analisis Statistik
Memiliki Kepala Bagian yaitu Ibu Ratih Sosilowati, SST. Bertugas
melaksanakan perumusan dan melaksanakan kebijakan di bidang neraca
dan analisis statistik. Bidang Neraca dan Analisis Statistik terdiri dari:
1. Seksi Neraca Produksi
2. Seksi Neraca Konsumsi
3. Seksi Analisa Statistik Lintas
7. Bidang Integritas Pengolahan dan Diseminasi Statistik
Memiliki Kepala Bagian yaitu Bapak Lukman, SST. Bertugas
melaksanakan pengolahan dan diseminasi statistik. Bidang Integritas
Pengolahan dan Diseminasi Statistik terdiri dari:
1. Seksi Jaringan dan Rujukan Statistik
2. Seksi Diseminasi dan Layanan Statistik
8. Tenaga Fungsional
Tenaga fungsional BPS terdiri dari BPS Kabupaten/Kota yang berada
dibawah dan bertanggung jawab kepada Kepala BPS.
6
2.3 Ruang Lingkup Kerja Instansi
Badan Pusat Statistik adalah Lembaga Pemerintah Non Kementerian yang
bertanggung jawab langsung kepada Presiden. Sebelumnya, BPS merupakan Biro
Pusat Statistik, yang dibentuk berdasarkan UU Nomor 6 Tahun 1960 tentang
Sensus dan UU Nomer 7 Tahun 1960 tentang Statistik. Sebagai pengganti kedua
UU tersebut ditetapkan UU Nomor 16 Tahun 1997 tentang Statistik. Berdasarkan
UU ini yang ditindaklanjuti dengan peraturan perundangan dibawahnya, secara
formal nama Biro Pusat Statistik diganti menjadi Badan Pusat Statistik. Materi yang
merupakan muatan baru dalam UU Nomor 16 Tahun 1997, antara lain:
a. Jenis statistik berdasarkan tujuan pemanfaatannya terdiri atas statistik dasar
yang sepenuhnya diselenggarakan oleh BPS, statistik sektoral yang
dilaksanakan oleh instansi Pemerintah secara mandiri atau bersama dengan
BPS, serta statistik khusus yang diselenggarakan oleh lembaga, organisasi,
perorangan, dan atau unsur masyarakat lainnya secara mandiri atau bersama
dengan BPS.
b. Hasil statistik yang diselenggarakan oleh BPS diumumkan dalam Berita
Resmi Statistik (BRS) secara teratur dan transparan agar masyarakat dengan
mudah mengetahui dan atau mendapatkan data yang diperlukan.
c. Sistem Statistik Nasional yang andal, efektif, dan efisien.
d. Dibentuknya Forum Masyarakat Statistik sebagai wadah untuk menampung
aspirasi masyarakat statistik, yang bertugas memberikan saran dan
pertimbangan kepada BPS.
Berdasarkan undang-undang yang telah disebutkan di atas, peranan yang
harus dijalankan oleh BPS adalah sebagai berikut:
a. Menyediakan kebutuhan data bagi pemerintah dan masyarakat. Data ini
didapatkan dari sensus atau survei yang dilakukan sendiri dan juga dari
departemen atau lembaga pemerintahan lainnya sebagai data sekunder.
b. Membantu kegiatan statistik di departemen, lembaga pemerintah atau
institusi lainnya, dalam membangun sistem perstatistikan nasional.
c. Mengembangkan dan mempromosikan standar teknik dan metodologi
statistik, dan menyediakan pelayanan pada bidang pendidikan dan pelatihan
statistik.
d. Membangun kerjasama dengan institusi internasional dan negara lain untuk
kepentingan perkembangan statistik Indonesia.
7
2.4 Dokumentasi dan Lokasi Instansi
2.4.1 Dokumentasi
Berikut merupakan dokumentasi kegiatan selama pelaksanaan Kerja Praktik di
BPS Kota Mataram.
8
83120
Telp : (62370) 642544
Webiste : https://mataramkota.bps.go.id/
E-mail : bps5271@bps.go.id
9
3 BAB III
LANDASAN TEORI
Dengan:
𝑃𝑛 = 𝐻𝑎𝑟𝑔𝑎 𝑆𝑒𝑘𝑎𝑟𝑎𝑛𝑔
𝑃0 = 𝐻𝑎𝑟𝑔𝑎 𝑝𝑎𝑑𝑎 𝑡𝑎ℎ𝑢𝑛 𝑑𝑎𝑠𝑎𝑟
(BPS, 2021)
Harga pada tahun dasar pada penelitian ini yaitu tahun 2021 atau data aktual
pada peramalan yang akan dijadikan sebagai perbandingan dengan tahun yang akan
datang. Jika nilai IHK sudah didapatkan maka dikurangkan 100 dari harga tahun
dasar, maka didapatkan nilai IHK dalam persentase apakah nilai tersebut memiliki
kenaikan atau penurunan dari tahun sebelumnya.
10
Gambar 3.1. Pola Data Horizontal
2. Pola Data Musiman
Terjadi jika terdapat suatu deret data yang dipengaruhi oleh faktor musiman
atau berulang. Contohnya: hari, mingguan, bulanan.
11
Gambar 3.4. Pola Data Trend
3.3 Double Exponential Smoothing (DES) dengan Damped Parameter
Metode Double Exponential Smoothing (DES) dari Holt memuluskan nilai
trend dengan parameter yang berbeda dari parameter yang digunakan pada deret
yang asli. Metode DES dari Holt digunakan untuk meramalkan data masa yang
akan datang berdasarkan data masa lalu atau sering disebut data historis dan juga
metode ini lebih baik ketepatannya dalam peramalan jangka pendek. Proses
inisialisasi untuk DES dari Holt memerlukan dua parameter, yang satu mengambil
nilai pemulusan pertama untuk Lt dan yang lain mengambil trend Tt.
DES dari Holt sendiri syaratnya harus menggunakan jenis pola data trend
berbeda dengan Autoregressive Integrated Moving Average metode tersebut bisa
digunakan untuk semua jenis pola data. Penelitian ini memenuhi asumsi bahwa
jenis pola data trend. Selain itu, jangka peramalan yang digunakan yaitu jangka
pendek, dan juga data yang digunakan berdasarkan data historis dan menjadi acuan
untuk peramalan. (Ajunu, Achmad, & Payu, 2020)
Gardner dan Mc Kenzie (1985) mengusulkan modifikasi pada metode Holt’s
dengan menambahkan parameter damped pada trend. parameter ini berguna untuk
meredam trend dari kecenderungan naik atau turun secara eksponensial. Nilai
tersebut seringkali jauh lebih besar dibanding data aktualnya.
Rumus Double Exponential Smoothing dengan Damped parameter dapat
ditunjukkan sebagai berikut:
Pemulusan level: L𝑡= α𝑋𝑡+(1-α)(L𝑡−1+ L𝑡−1), 0 < α < 1 (3.2)
Pemulusan trend: b𝑡=β(L𝑡-L𝑡−1 )+(1-β) b𝑡−1, 0 < β < 1 (3.3)
Nilai prediksi untuk m periode ke depan adalah
𝑌(𝑡+𝑚)=L𝑡+( + 2 + ⋯ + 𝑚)b𝑡 m (3.4)
Dengan:
𝑋𝑡 : estimasi level dari rangkaian data periode ke-t
α, β : parameter pemulusan antara 0-1
𝑆𝑡 : nilai level pada periode ke-t
𝑦𝑡+𝑚 : data/observasi pada periode ke-t
12
𝑇𝑡 : nilai tren pada periode ke-t
m : banyaknya periode ke depan yang ingin diramalkan
D : Parameter Damped
(Farafisha, 2022)
Dengan:
𝑋𝑡 : data aktual pada periode ke-t
𝐹𝑡 : nilai peramalan pada periode ke-t
n : jumlah data
(Aimmah, 2019)
Berikut kriteria Mean Absolute Percentage Error (MAPE) (Hudaningsih, Utami, &
Abdul, 2020):
Tabel 3.1. Kriteria MAPE
MAPE Interpretasi
13
5 BAB IV
METODOLOGI PENELITIAN
Metode yang digunakan dalam penelitian ini terdiri dari dua yaitu metode
deskriptif dan forecasting. Metode analisis deskriptif digunakan untuk melihat
karakteristik data yang diteliti. Pada metode forecasting penulis menggunakan
metode Double Exponential Smoothing dengan Damped Paramater untuk
meramalkan data yang mengalami trend dengan mengetahui nilai permulusannya
dan model parameter yang digunakan yaitu Alpha, Beta, dan Phi.
14
Gambar 4.1. Diagram Alir Penelitian
15
6 BAB V
HASIL DAN PEMBAHASAN
16
Tabel 5.1. Analisis Deskriptif pada Variabel Indeks Harga Konsumen
17
Tabel 5.2. Nilai Parameter Alpha, Beta, dan Phi
Parameter Nilai
Α (Alpha) 0.5668
β (Beta) 0.5668
(Phi) 0.8745
Diketahui nilai pemulusan pada parameter α sebesar 0.5668 yang artinya
peramalan periode selanjutnya akan menghasilkan kesalahan paling kecil
dibanding α lainnya. Dengan nilai α = 0.5668 diharapkan akan memberikan
pemulusan yang lebih minimum terhadap level prediksi. Nilai pemulusan pada
parameter β sebesar 0.5668. Parameter β memberikan pengaruh paling besar
terhadap kenaikan nilai prediksi dibandingkan nilai α, sehingga apabila konstanta
parameter β tergolong kecil, diharapkan kenaikan nilai prediksi juga kecil jika
dibandingkan dengan data aktual. Sedangkan optimum sebesar 0.8745, yang
artinya trend meredam sebesar 0.8745.
Didapatkan nilai Mean Absolute Percentage Error (MAPE) pada metode
Double Exponential Smoothing (DES) dengan Damped Parameter dari Indeks
Harga Konsumen (IHK) sebesar 0.29%. Berdasarkan hasil MAPE tersebut
didapatkan bahwa hasil kemampuan peramalan sangat baik.
Berikut hasil Peramalan untuk 12 periode kedepan dimulai pada bulan Januari
2023 sampai bulan Desember 2023.
Tabel 5.3. Hasil Peramalan Metode Double Exponential Smoothing
18
Gambar 5.2. Plot Hasil Peramalan
Pada Gambar 5.2. Plot Peramalan Menggunakan Double Exponential
Smoothing dengan Damped Parameter Berdasarkan Tabel 5.3, diperoleh informasi
bahwa untuk peramalan indeks harga konsumen dari bulan Januari 2023 sampai
Desember 2023 menggunakan metode Double Exponential Smoothing dengan
Damped Parameter, mengalami peningkatan secara signifikan dan tidak terdapat
perbedaan yang terlalu jauh antara fitted value dan data aktual. Nilai fitted value
ditunjukkan dengan warna merah dan nilai data aktual ditunjukkan dengan warna
biru sedangkan nilai peramalan ditunjukkan dengan warna hijau.
19
7 BAB VI
KESIMPULAN DAN SARAN
7.1 Kesimpulan
7.2 Saran
Berdasarkan hasil analisis dan kesimpulan, pada penelitian ini data yang
digunakan sedikit maka saran yang diberikan untuk peneliti selanjutnya adalah
menggunakan data yang cukup banyak agar metode peramalannya dapat sesuai dan
tepat.
20
8 DAFTAR PUSTAKA
Afiyah, S. N., & Wijaya, D. K. (2018). Sistem peramalan Indeks Harga Konsumen (IHK)
Menggunakan Metode Double Exponential Smoothing. Jurnal Ilmiah Teknologi
Informasi Asia.
Aimmah, F. (2019, December 12). Implementasi Algoritma K-Menas Clustering dan Double
Exponential Smoothing untuk Prediksi Penentuan Jumlah Produksi Jilbab. Retrieved
from Implementasi Algoritma K-Menas Clustering dan Double Exponential
Smoothing untuk Prediksi Penentuan Jumlah Produksi Jilbab: http://etheses.uin-
malang.ac.id/16605/1/14650005.pdf
Ajunu, Y. I., Achmad, N., & Payu, R. M. (2020). Perbandingan Metode Autoregresive
Integrated Moving Average dan Metode Double Exponential Smoothing dari Holt
dalam Meramalkan Nilai Impor di Indonesia. Jambura Journal Of Probability and
Statistics.
Andini, T. D., & Auristandi, P. (2016). Peramalan Jumlah Stok Alat Tulis Kantor Di UD
ACHMAD JAYA Menggunakan Metode Double Exponential Smoothing. Jurnal
Ilmiah Teknologi dan Informasia ASIA (JITIKA).
BPS. (2021, April 30). Indeks Harga Konsumen Kota Mataram 2020. Retrieved from Indeks
Harga Konsumen Kota Mataram 2020:
https://mataramkota.bps.go.id/publication/2021/04/30/12820ac93abd18f07b419b3f/i
ndeks-harga-konsumen-kota-mataram-2020.html
BPS. (2022). Indeks Harga Konsumen (IHK). Retrieved from Indeks Harga Konsumen (IHK):
https://www.bps.go.id/subject/3/inflasi.html
BPS. (2022). Inflasi Kota Mataram. Retrieved from
https://mataramkota.bps.go.id/subject/3/inflasi.html#subjekViewTab1
Farafisha, S. N. (2022). Perbandingan Peramalan Doubles Exponential Smoothing Holt dan
Double Exponential Smoothing dengan Parameter Damped. Retrieved from
https://dspace.uii.ac.id/bitstream/handle/123456789/39157/18611144.pdf?sequence=
1&isAllowed=y
Hudaningsih, N., Utami, S. F., & Abdul, W. A. (2020). Perbandingan Peramalan Penjualan
Produk Aknil Pt.Sunthi Superi. Jurnal Jinteks.
Lusiana, A., & Yuliarty, P. (2020). Penerapan Metode Peramalan (Forecasting) Pada
Permintaan Atap di PT X. Jurnal Teknik Industri ITN Malang.
Mps, G. (2023, Januari 3). Inflasi Kota Mataram dan Bima Lampaui Inflasi Nasional.
Retrieved from Inflasi Kota Mataram dan Bima Lampaui Inflasi Nasional:
https://lombokpost.jawapos.com/ekonomi-bisnis/03/01/2023/inflasi-kota-mataram-
dan-bima-lampaui-inflasi-nasional/
Mutiara, A. (2023). Penerapan Metode ARIMA dan Double Exponential Smoothing with
Damped Parameter untuk Memprediksi Jumlah Keberangkatan Penumpang Pesawat
Komersial di Jawa Tengah Pada Tahun 2022-2023. Universitas Islam Indonesia.
Retrieved from Penerapan Metode ARIMA dan Double Exponential Smoothing with
Damped Parameter untuk Memprediksi Jumlah Keberangkatan Penumpang Pesawat
Komersial di Jawa Tengah Pada Tahun 2022-2023.
Post, L. (2022, Juni 10). Harga-harga Terus Naik, Inflasi Mataram di Atas Nasional.
Retrieved from Harga-harga Terus Naik, Inflasi Mataram di Atas Nasional:
https://lombokpost.jawapos.com/metropolis/10/06/2022/harga-harga-terus-naik-
inflasi-mataram-di-atas-nasional/
21
Primandari, A., & Kartikasari, M. (2020). In Analisis Runtun Waktu Dengan R. Universitas
Islam Indonesia.
Rasyidi, G. (2019, December 29). Double Exponential Smoothing With Dump Parameter
Using RStudio. Retrieved from Double Exponential Smoothing With Dump Parameter
Using RStudio: https://medium.com/@17611087/double-exponential-smoothing-
with-dump-parameter-using-rstudio-a9c232dd5236
Sasongko, A. H. (2021, Jully 14). Pengertian Peramalan. Retrieved from Pengertian
Peramalan: https://binus.ac.id/entrepreneur/2021/07/14/pengertian-peramalan/
Statistik, R. (2021). Cara Menghitung MAPE (Mean Absolute Percentage Error) di Excel dan
R. Retrieved from Cara Menghitung MAPE (Mean Absolute Percentage Error) di
Excel dan R: https://www.rumusstatistik.com/2021/05/cara-menghitung-mape-mean-
absolute.html
22
Lampiran 1 Data Indeks Harga Konsumen Kota Mataram
##DATA KP##
# Data
23
#plot data
#install.packages("forecast")
library(forecast)
holt.ihk = holt(ihk.ts, h = 12, damped = TRUE, alpha = NULL, beta
= NULL, phi = NULL)
#UKURAN ERROr
mse = mean(holt.ihk$residuals^2)
mse
rmse = sqrt(mse)
rmse
mape = mean(abs(holt.ihk$residuals)/ ihk.ts, na.rm = TRUE )*100
mape
#Plot prediksi untuk data aktual
limitDate = end(ihk.ts)[1]+(end(ihk.ts)[2]-1)/frequency(ihk.ts)
abline(v=limitDate ,lty=4)
lines(holt.ihk$fitted, lwd = 2, col = "red", type = "o", pch = 12)
24
Lampiran 3 Surat Keterangan Selesai KP
25
Lampiran 4 Surat Keterangan Penerimaan KP
26