PENERAPAN METODE EXPONENTIAL SMOOTHING TRIPLE UNTUK PERAMALAN Tugas ini ditujukan untuk memenuhi tugas matakuliah Statistika Yang diampu Ibu Afsah Novitasari, S.Si
Oleh Kelompok 3: 1. 2. 3. 4. 5.
Amrulloh Arif Kurniawan Eka Kurniasari Ipong Dwi Cahyono M. Ainur Ridho
FAKULTAS TEKNIK SISTEM INFORMATIKA UNIVERSITAS PESANTREN TINGGI DARUL ‘ULUM
JOMBANG 2011
ABSTRAK Proses peramalan merupakan hal yang penting bagi perusahaan dalam perumusan strategi pemasaran di masa mendatang. Oleh karena itu, sebuah metode yang mutlak diperlukan agar perusahaan mendapatkan keuntungan yang maksimal. Metode Exponential Smoothing Triple merupakan salah satu metode yang sering dipakai karena memiliki kinerja yang baik. Metode ini memiliki nilai parameter dan mempunyai pengaruh yang besar terhadap hasil peramalan. Dengan menemukan nilai optimal dari parameter α dengan menggunakan Ordinary Least Square sehingga akan mendapatkan nilai parameter yang optimal dan memperoleh peramalan dengan hasil kesalahan paling kecil. Kata Kunci : Exponential Smoothing Triple, Ordinary Least Square.
1. PENDAHULUAN Kemajuan teknologi sudah dirasakan penting oleh manusia dalam era globalisasi saat ini, Hal tersebut terjadi karena hasil kemajuan teknologi yang ada pada saat ini telah menjadi bagian yang tidak dapat dipisahkan dengan kebutuhan manusia itu sendiri. Banyak hasil yang diperoleh dari dampak kemajuan teknologi tersebut, salahsatunya adalah telekomunikasi. Telekomunikasi merupakan contoh nyata dari dampak kemajuan teknologi. Pada saat ini Telekomunikasi sudah menjadi sarana pokok bagi manusia.Telekomunikasi merupakan bentuk sarana komunikasi yang cepat dan praktis. Sehingga dibutuhkan suatu bentuk layanan yang baik, cepat, dan t entunya harga yang disediakan tidak membuat “kantong bocor”. Sebuah peramalan dibutuhkan dalam melihat jumlah pemakaian pelanggan Telkomsel pada saat tertentu, sehingga dapat diketahui kapan saat permintaan naik konstan dan keadaan sedang menurun. Dengan menggunakan peramalan maka bisa diketahui jumlah pemakaian pelanggan yang cukup banyak. 2. DASAR TEORI 2.1 Peramalan Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien. Menurut Makridakis (1999), teknik peramalan terbagi menjadi dua bagian, yang pertama metode peramalan subjektif dan metode peramalan objektif. Metode peramalan subjektif mempunyai model kualitatif dan metode peramalan objektif mempunyai dua model, yaitu model time series dan model kausal. Model kualitatif berupaya memasukkan faktor-faktor subyektif dalam model peramalan, model ini akan sangat bermanfaat jika data kuantitatif yang akurat sulit diperoleh. Contoh dari metode ini ialah metode delphi, opini juri eksekutif, komposit kekuatan dan survey pasar konsumen.
Model kausal memasukkan dan menguji variabel-variabel yang diduga akan mempengaruhi variabel dependen, model ini biasanya menggunakan menggunakan analisis regresi untuk menentukan mana variabel yang signifikan mempengaruhi variable dependen. Selain menggunakan analisis regresi, model kausal juga dapat menggunakan metode ARIMA atau Box-Jenkins untuk mencari model terbaik yang dapat digunakan dalam peramalan. Model time series merupakan model yang digunakan untuk memprediksi masa depan dengan menggunakan data historis. Dengan kata lain, model time series mencoba melihat apa yang terjadi pada suatu kurun waktu tertentu dan menggunakan data masa lalu untuk memprediksi. Contoh dari model time series ini antara lain Moving average, average, Exponential Smoothing dan dan proyeksi trend. 2.2. Triple Exponential Smoothing Metode ini digunakan ketika data menunjukan adanya trend dan perilaku musiman (Makridakis, 1999). Untuk menangani musiman, telah dikembangkan parameter persamaan ketiga yang disebut metode “Holt“Holt-Winters” sesuai dengan nama penemuya. Terdapat dua model Holt-Winters tergantung pada tipe musimannya yaitu Multiplicative seasonal model dan Additive seasonal seasonal model model yang yang akan belum belum bias kami bahas pada tugas ini. Metode Metode
exponentian smoothing
yang telah
dibahas sebelumnya dapat digunakan untuk hampir segala jenis data stasioner atau non – non – stasioner 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. (Makridakis, 1999).
Rumus yang digunakan untuk triple exponential smoothing adalah: Pemulusan trend: Bt =g (St – (St – St-1) St-1) + (1 - g ) bt-1 (5) Pemulusan Musiman: I=btX t S + (1-b) t -L +m (6) Ramalan: Ft + m = (St + bt m)It – m)It – L L + m (7) Dimana L adalah panjang musiman (misal, jumlah kuartal dalam suatu tahun), b adalah komponen komponen trend, I adalah factor penyesuaian penyesuaian musiman, dan dan Ft + m adalah ramalan ramalan untuk m periode ke muka. 2.3 ORDINARY LEAST SQUARE Dalam statistik dan ekonometrik, kuadrat terkecil biasa (Ordinary Least Square) atau kuadrat terkecil linier (Linear Least Square) merupakan metode untuk memperkirakan parameter yang tidak diketahui dalam model regresi linier. Metode ini meminimalkan jumlah jarak kuadrat antara data yang diamati langsung pada dataset, dan data yang telah diprediksi dengan menggunakan metode pendekatan linear. Dengan mendapatkan nilai parameter yang optimal maka error yang didapatkan dari dari hasil peramalan peramalan yang yang dilakukan dilakukan akan kecil dan ketepatan peramalan semakin endekati terhadap data yang real.
DAFTAR PUSTAKA (sumber dari berkas/dokumen) Alda Raharja, Wiwik Angraeni, S.Si,,M.Kom, dan Retno Aulia Vinarti, S.Kom, 2009. “Penerapan Metode Exponential Smoothing Untuk Peramalan Penggunaan Waktu Telepon Di Pt.Telkomsel Divre3 Surabaya “.Institut Teknologi Sepuluh November Jurnal Teknologi Industri, 1999, VOL. III, No. 3, hal 139 – 148 ISSN 1410-5004 Wibowo , Budi S.Kom. 2011. “ Modul Peramalan Peramalan Untuk Untuk Mata Kuliah Kuliah Sistem Sistem Produksi Produksi”. Universitas Mercu Buana
(sumber dari Websites) Mukhyi, M. A. 2008. Forecasting. [Accesed STING.pdf>[Accesed 23 July 2010]