SISTEM PENDUKUNG KEPUTUSAN
PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA
Alda Raharja - 5206 100 008!
Wiwik Anggraeni, S.Si, M.Kom! Retno Aulia Vinarti, S.Kom!
Latar Belakang! ! Kemajuan teknologi, contoh nyata yang ada adalah
Telekomunikasi
! Telekomunikasi merupakan bentuk sarana komunikasi
yang cepat dan praktis, salah satu penyedia (provider) yang ada adalah TELKOMSEL Divre 3 Surabaya
! Peramalan digunakan untuk mengetahui tingkat
penggunaan telepon oleh pelanggan pada saat tertentu
! Exponential Smoothing lebih unggul dalam peramalan
untuk karakteristik linier yaitu sifat stasioner dan tidak mengandung trend. K.K. Lai et al (2006)
Permasalahan! ! Bagaimana mendapatkan nilai parameter yang
optimal dengan menggunakan OLS pada metode exponential smoothing?
! Bagaimana mengetahui tingkat akurasi / ketepatan
dari hasil peramalan yang telah dilakukan?
Batasan Masalah! ! Metode peramalan yang digunakan untuk
menyelesaikan permasalahan yaitu metode exponential smoothing dengan mendapatkan nilai parameter yang optimal terlebih dahulu
! Data yang akan dianalisa pada tugas akhir ini adalah
data yang berupa lama waktu telepon oleh pengguna kartu HALO dalam satuan detik sebanyak 4 tahun, mulai dari tahun 2005 – 2008
Tujuan! ! Mendapatkan nilai parameter yang optimal sehingga
mendapatkan hasil peramalan dengan error yang kecil.
! Meramalkan jumlah pemakaian kartu HALO
khususnya dalam penggunaan telepon.
METODOLOGI!
Rancangan Data! ! Data yang digunakan adalah Data Penggunaan Telepon
Pelanggan Kartu HALO!
Rancangan Data! ! Data Pelanggan Sesudah di Rata-rata, Script Matlab!
Jenis Pola Data! ! Dalam Desain dan Perancangan juga harus mengetahui pola data
yang ada. Untuk mengetahui, hasil rata-rata harus di plot dalam bentuk grafik. !
2006
2005
2006
2007
2008
Data Training dan Tester! ! Setelah melakukan peramalan, ada pembagian data yaitu data
training dan tester!
Rancangan Data! ! Dari 300 data, 2/3 dari jumlah data digunakan untuk training.!
! Sisanya (1/3) digunakan untuk testing yang akan dimasukkan ke
RMSE (Root Mean Square Error)!
Implementasi! ! Data Masukan! ! Kumpulan training data. Kumpulan data terdiri dari data pelanggan dari bulan
Januari 2005 sampai dengan bulan Agustus 2007 dengan N = 32 observasi ! Kumpulan tester data. Kumpulan data ini yang akan digunakan dalam proses
evaluasi data, yatiu RMSE dan MAPE. Kumpulan data ini terdiri dari bulan September 2007 sampai dengan bulan Desember 2008 dengan N = 16 observasi
Implementasi! ! Model DES! St = α * Yt + (1 – α) * (St - 1 + bt - 1) bt = γ * (St – St - 1) + (1 – γ) * bt – 1 Ft + m = St + bt m
(2.2) (2.3) (2.4)
dimana: St = peramalan untuk periode t. Yt + (1-α) = Nilai aktual time series bt = trend pada periodeke - t α = parameter pertama perataan antara nol dan 1, untuk pemulusan nilai observasi = parameter kedua, untuk pemulusan trend Ft+m = hasil peramalan ke - m m = jumlah periode ke muka yang akan diramalkan
Implementasi! ! Model Ordinary Least Square!
(2.5)
Di mana : β = nilai parameter Xi = nilai aktual pada periode ke – i Yi = nilai prediksi pada periode ke – i i = periode, 1..2..3..i n = jumlah periode
Implementasi! ! Model RMSE dan MAPE!
(2.5) Dimana: MSE = Mean Square Error N = Jumlah Sampel = Nilai Aktual Indeks = Nilai Prediksi Indeks
Implementasi! ! Model MAPE! Galat Persentase (Percentage Error) (2.7) Nilai Tengah Galat Persentase (Mean Percentage Error) (2.8) Nilai Tengah Galat Persentase Absolut (Mean Absolut Percentage Error) (2.9) Dimana Xt Ft n t = periode ke - t
= Data history atau Data aktual pada periode ke - t = Data hasil ramalan pada periode ke - t = jumlah data yang digunakan
Implementasi! ! Parameter yang digunakan kisaran 0.01 s/d 0.3! ! alpha = 0.25! ! betha = 0.3!
Uji Coba & Analisa Hasil (2005)!
Uji Coba & Analisa Hasil!
Uji Coba & Analisa Hasil!
Uji Coba & Analisa Hasil!
Uji Coba & Analisa Hasil!
Uji Coba & Analisa Hasil!
Uji Coba & Analisa Hasil!
Uji Coba & Analisa Hasil!
Analisa Hasil & Validasi!
Kesimpulan! ! Beberapa hal yang dapat disimpulkan berkaitan
dengan metode peramalan Double Exponential Smoothing adalah sebagai berikut :
1.Untuk melakukan peramalan data yang bersifat time series dengan tipe data yang stationer bisa digunakan metode Double Exponential Smoothing. Hasil yang ditunjukkan cukup baik. 2.Dalam mendapatkan parameter yang optimal, menggunakan Metode Ordinary Least Square terbukti mampu memberikan kinarja yang bagus. Seihngga mendapatkan nilai evaluasi kesalahan di bawah 10%.
Kesimpulan! 3. Evaluasi hasil peramalan dilakukan menggunakan metode perhitungan kesalahan peramalan MAPE dan RMSE. Kedua metode ini terbukti dapat mengukur kinerja model dalam melakukan peramalan. 4. Meskipun peramalan menggunakan model Double Exponential Smoothing, nilai evaluasi kesalahan peramalan tetap berada pada interval tertentu, yaitu 2% - 3% untuk nilai MAPE. 5. Model Double Exponential Smoothing mempunyai kinerja yang sangat bagus dalam meramalkan data dengan nilai perhitungan kesalahan MAPE berada di bawah 10%.
Saran! ! Untuk menghasilkan akurasi yang tinggi dalam metode
peramalan Double Exponential Smoothing, sebaiknya memperhatikan pola data dengan baik, karena Double Exponential Smoothing untuk pola data yang mengandung trend meskipun stasioner bisa diramal dengan metode ini.
Terima Kasih!
