PROGRAM STUDI SISTEM INFORMASI FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER
PEMBUATAN APLIKASI PERAMALAN JUMLAH PERMINTAAN PRODUK DENGAN METODE TIME SERIES EXPONENTIAL SMOOTHING HOLTS WINTER DI PT. TELEKOMUNIKASI INDONESIA Tbk
Nama NRP
: :
Riansyah Halimi 5209 100 014
Dosen Pembimbing I Dosen Pembimbing II Laboratorium Bidang
: : :
Wiwik Anggraeni, S.Si., M.Kom. Raras Tyasnurita, S.Kom., MBA. Sistem Pendukung Keputusan (SPK)
Outline Pembahasan Latar Belakang
Perumusan Masalah
Batasan Tugas Akhir
Tujuan dan Manfaat Tugas Akhir
Studi Pustaka
Metodologi Penelitian
Desain dan Implementasi Sistem
Uji Coba dan Analisis Hasil
Kesimpulan dan Saran
Latar Belakang Gaya hidup masyarakat yang tidak bisa lepas dari internet
Source : www.internetworldstats.com
Latar Belakang
1200
1200
1000
1000
Jumlah Pasang Baru
Jumlah Pasang Baru
Latar Belakang
800 600 400 200 0 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 Minggu
800 600 400 200 0 1
2
3
4
5
6
7
8
9 10 11 12 13 14
Minggu
• Perlu dilakukan peramalan untuk mengetahui permintaan pasang baru Speedy di masa yang akan datang. • Dari hasil peramalan tersebut nantinya akan digunakan dalam proses pengambilan keputusan perusahaan tersebut.
Latar Belakang Penggunaan Metode Exponential Smoothing Holts Winter Exponential Smoothing Holts Winter 1200 Jumlah Pasang Baru
Penelitian sebelumnya yang dilakukan S.Hilas, Constantinos, dkk (2005) telah diterapkan analisis time series dengan menggunakan berbagai perbandingan metode, seperti Seasonal Decomposition, Exponential Smoothing Holts Winter untuk peramalan data telekomunikasi di University Campus. Hasil dari penelitian ini membuktikan bahwa metode Holts Winter memberikan nilai MAPE paling kecil dibandingkan dengan metode peramalan lain seperti dekomposisi, Single Exponential Smoothing.
1000 800 600 400 200 0 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 Minggu
Metode tersebut digunakan karena berdasarkan pola data yang dimiliki dan bisa digunakan untuk time series baik untuk linier trends maupun nonlinier trends (Makridakis, 1999).
Latar Belakang
Jumlah Pasang Baru
Studi kasus: Sales Speedy PT. Telkom Regional Jawa Timur Surabaya
Telkom Indonesia
Sales Speedy Regional Jatim Surabaya
2000 1000 0 1
3
5
7
Minggu
Proses Peramalan
Proses Peramalan
Exponential Smoothing Holts Winter
9 11 13
Macro Excel + Microsoft Visual Basic for Application Operasional
Perumusan Masalah Bagaimana membuat aplikasi peramalan yang mampu menghasikan nilai ramalan jumlah permintaan pasang baru Speedy di PT. Telekomunikasi Indonesia Tbk Regional Jawa Timur wilayah Surabaya untuk periode ke depan berdasarkan model dari metode Holts Winter.
Bagaimana pengaruh aplikasi peramalan macro excel berbasis visual basic yang dibuat sebagai alat bantu pengambilan keputusan terhadap penjualan pasang baru produk Speedy di PT. Telekomunikasi Indonesia Tbk. Regional Jawa Timur wilayah Surabaya.
Bagaimana memaksimalkan penggunaan microsoft excel sebagai alat bantu pengambilan keputusan untuk menentukan nilai ramalan penjualan pasang baru produk Speedy
Batasan Tugas Akhir Batasan pembahasan dari tugas akhir ini meliputi: Sumber data yang digunakan yaitu sales speedy, yang diperoleh dari perusahaan Telkom Indonesia Sales speedy yang akan dipakai hanya untuk regional Jawa Timur daerah Surabaya Rentang waktu yang akan digunakan yaitu bulan Januari 2012 hingga Mei 2013
Metode peramalan yang digunakan yaitu Exponential Smoothing Holts Winter Aplikasi program yang akan dibuat menggunakan fasilitas macro excel beserta microsoft visual basic for application
Tujuan dan Manfaat Tujuan
Manfaat
1. Memperoleh nilai ramalan jumlah permintaan pasang baru Speedy di PT. Telekomunikasi Indonesia Tbk Regional Jawa Timur wilayah Surabaya untuk periode satu tahun ke depan berdasarkan model dari metode Holts Winter. 2. Membangun aplikasi peramalan yang mampu menghasilkan nilai ramalan jumlah permintaan pasang baru Speedy kemudian dilakukan analisis penjualan pasang baru. Dari hasil analisis tersebut dapat digunakan sebagai dasar dalam pengambilan keputusan untuk melakukan promosi pasang baru
1. Bagi mahasiswa, yaitu dapat mengimplementasikan metode Holts Winter dalam bentuk aplikasi macro excel dengan menggunakan Microsoft Visual Basic for Application. 2. Bagi perusahaan sendiri, Tugas Akhir ini membantu dalam penjualan layanan internet ke depannya dan dapat dijadikan acuan serta gambaran peramalan penjualan untuk membantu menentukan penjualan di bulan yang tepat.
Studi Pustaka Telkom Speedy Speedy merupakan anak perusahaan dari Telkom Indonesia. Speedy mengggunakan teknologi Asymetric Digital Subscriber Line (ADSL), yang menyalurkan sinyal digital dengan kecepatan yang tinggi melalui jaringan telepon secara optimal bagi keperluan komsumsi konten internet, dengan kecepatan data yang ditawarkan dari 384kb/s hingga 10Mb/s (Telkom, 2011).
Tabel Perbandingan Speedy dengan Teknologi Internet Lainnya Teknologi Speedy Pada Speedy, akses data dipisahkan dari dari akses suara di DSLAM, sehingga kecepatan Speedy dapat ditingkatkan maksimal sesuai dengan kebutuhan. Akses pada Speedy bersifat individual per user hingga port DSLAM terdekat, dimana setiap user menduduki port tersendiri yang bersifat dedicated.
Teknologi Internet lainnya Pada dial-up Internet, akses data dilewatkan pada sentral digital, yang memiliki keterbatasan sampling data maksimal 56 kb/s.
Pada broadband wireles access, akses pada user dibagi dari BTS yang memiliki kapasitas terbatas.
Studi Pustaka Teknik Peramalan Peramalan merupakan suatu aktivitas untuk memperkirakan suatu nilai dari suatu variabel di masa mendatang berdasarkan nilai dari variabel tersebut di masa lampau. Situasi peramalan yang terjadi biasanya bergantung pada pola data yang digunakan. Untuk menghadapi penggunaan yang bergantung pada pola data yang digunakan tersebut, beberapa teknik telah dikembangkan. Teknik tersebut antara lain dibagi menjadi dua kategori utama, yaitu teknik dengan metode kuantitatif dan metode kualitatif. Metode kuantitatif sendiri dapat dibagi ke dalam deret berkala (time series) dan metode kausal, sedangkan metode kualitatif dapat dibagi menjadi metode eksporatoris dan normatif (Makridakis, 1999: 10)
Studi Pustaka Pola Model Time Series Model time series ini akan dibagi menjadi empat pola (Hanke, 2003) yaitu : • Pola Horizontal Pola horizontal terjadi ketika suatu nilai data yang digunakan berfluktuasi di sekitar nilai rata-rata yang konstan. Deret ini disebut juga deret stasioner terhadap nilai rata-ratanya. • Pola Musiman Pola ini terjadi ketika data yang digunakan dipengaruhi oleh faktor musiman misalnya bulanan, tahunan. Komponen musiman sendiri merupakan fluktuasi yang terjadi kurang dari setahun dan berulang pada tahun-tahun berikutnya. • Pola Siklik Pola siklik terjadi ketika data yang digunakan dipengaruhi oleh fluktuasi ekonomi jangka panjang dan terlihat naik/turun dalam periode waktu yang tidak tetap. • Pola Kecenderungan (Trend) Pola trend terbentuk ketika terdapat kenaikan atau penurunan pada data yang akan digunakan dalam peramalan dalam jangka waktu yang panjang. Trend merupakan komponen jangka panjang yang mendasari pertumbuhan atau penurunan data time series.
Studi Pustaka Metode Pemulusan Eksponensial Tunggal (single exponential smoothing) Metode ini digunakan untuk peramalan data time series jangka pendek tanpa trend atau pola data yang mempunyai ciri stasioner. Model ini menggunakan persentase α tertentu dari kesalahan pada ramalan terakhir untuk menghasilkan ramalan sekarang. Persamaan untuk metode pemulusan eksponensial tunggal adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994):
Yt+1 = α Yt + (1- α) Yt Dimana Yt = nilai ramalan volume penjualan pada periode ke-t Yt+1 = nilai ramalan volume penjualan pada periode ke t+1 α = pembobot pemulusan
Studi Pustaka Metode Pemulusan Eksponensial Ganda model Holts Metode pemulusan eksponensial ganda menggunakan nilai trend dengan nilai konstanta yang berbeda dari konstanta yang digunakan pada pola data. Persamaan untuk model pemulusan eksponensial ganda untuk model Holts adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994):
Yt+m = at + bt (m) Dimana :
Yt+m St St(2) at
= αYt + (1 – α) St-1 = αSt + (1 – α) St-1 (2) = 2St – St (2)
= ramalan volume penjualan pada periode ke t+m = pemulusan tahap 1 = pemulusan tahap 2 = untuk update intercept
Studi Pustaka Metode Pemulusan Eksponensial model Winters Metode ini digunakan untuk peramalan yang mempunyai pola data trend linier dan musiman. Metode ini memiliki kelebihan yaitu mudah dan cepat dalam mengupdate ramalan ketika data baru diperoleh. Metode Winters terdiri atas model multiplikatif (fluktuasi proporsional terhadap pola data trend) dari aditif (fluktuasi relatif konstan). Dalam metode Winters terdapat tiga parameter yang digunakan yaitu a, ß dan γ (Gaynor, 1994). Rumusan matematikanya sebagai berikut : Untuk model multiplikatif rumusan metode Wintersnya sebagai berikut : at = a (Yt/Snt-L) + (1 – a) (at-1 + bt-1) bt = γ (at – at-1) + (1 – γ) bt-1 Snt = ß (Yt/at) + (1 – ß) St-L Yt-m = (at + mbt) Snt-L+m Dimana : Yt at bt Snt Yt-m a, ß dan γ L
Untuk model aditif rumusan metode Wintersnya sebagai berikut : at = a (Yt – Snt-1) + (1 - a)(at-1 + bt-1) bt = γ (at – at-1) + (1 - γ) bt-1 Snt = ß (Yt - at) + (1 - ß) St-s Yt+m = [ at + mbt] + Snt-L+m
= data aktual periode t = pemulusan untuk deseasionalized data untuk periode t = pemulusan terhadap dugaan trend pada periode t = pemulusan terhadap dugaan musim pada periode t = ramalan m periode ke depan setelah periode t = pembobot pemulusan = banyaknya periode dalam satu tahun
Studi Pustaka Mengukur Ketepatan Model Mean Absolute Percentage Error (MAPE) merupakan nilai error dari prosentase selisih data asli dengan hasil peramalan. Rumus perhitungan MAPE adalah sebagai berikut :
Nilai yang dihasilkan melalui evaluasi ini, menunjukkan kemampuan peramalan seperti yang ditunjukkan dalam kriteria MAPE pada tabel berikut ini (Chang, Wang, & Liu, 2007) Tabel Kriteria MAPE MAPE < 10%
Pengertian Kemampuan peramalan sangat baik
10% - 20%
Kemampuan peramalan baik
20% - 50%
Kemampuan peramalan cukup
> 50%
Kemampuan peramalan buruk
Metodologi Pengerjaan • Survei ke perusahaan
Start Validasi Model
apakah langkah-langkah yang dilakukan sudah sesuai dengan struktur yang ditetapkan dan sudah tidak ada error pada program
Analisis Hasil
Pengumpulan Data
Pustaka mengenai Exponential Smoothing Holts Winter, penggunaan macro excel
Pembuatan Buku Tugas Akhir
Verifikasi Model
Studi Literatur
Uji Coba
memastikan apakah keluaran yang dihasilkan sudah sesuai dengan yang diharapkan dan membandingkan dengan microsoft excel apakah nilai keluaran sudah sesuai atau belum
Implementasi
Pembuatan Aplikasi
Penggunaan (MAPE) untuk mengukur tingkat akurasi peramalan yang didapatkan Analisa Kebutuhan Sistem
Identifikasi Pola Data
Melakukan peramalan
Perancangan Model
Mencari Nilai Pembobotan Terbaik
Perhitungan Hasil Error
•Menggunakan fasilitas macro excel •Menggunakan aplikasi microsoft visual basic for application
Analisis Hasil Peramalan
Bentuk pola data yang didapatkan dari data apakah berupa pola horizontal, musiman, siklik, atau trend
Desain dan Implementasi Sistem (Desain Sistem) Spesifikasi Sistem 1. Sistem memberikan metode peramalan yang dapat digunakan untuk meramalkan jumlah permintaan produk yaitu metode Exponential Smoothing Holts Winter 2. Sistem mampu mengolah data historis jumlah permintaan produk mingguan yang diinputkan pada sistem secara otomatis dan manual untuk melakukan proses peramalan. 3. Sistem mampu mendeteksi secara otomatis derajat a, ß, γ, yang paling optimal untuk melakukan proses peramalan. 4. Sistem mampu menampilkan hasil level, trend, seasonality, peramalan dan nilai percentage error dari data testing dan data training beserta dengan nilai dari kriteria akurasinya. 5. Sistem mampu menampilkan hasil peramalan permintaan produk untul periode ke depan.
Desain dan Implementasi Sistem (Desain Sistem) Analisis Data Data yang digunakan dalam studi kasus ini adalah data permintaan pasang baru produk Speedy di PT. Telekomunikasi Indonesia Regional Jawa Timur wilayah Surabaya pada periode Januari 2012 sampai bulan Mei 2013. Pembagian proporsi data yang digunakan yaitu 80:20 dengan komposisi data training sebanyak 80% dari keseluruhan data. Pembagian data ini berdasarkan penelitian yang dilakukan oleh S.Hilas, Constantinos, dkk (2005) Data-data yang digunakan dibagi menjadi 2 kelompok data, yaitu : 1. Data training. Kelompok ini berisi kumpulan data yang digunakan untuk analisis dan penentuan model. Kelompok ini terdiri dari data permintaan pasang baru produk Speedy di PT. Telekomunikasi Indonesia Regional Jawa Timur wilayah Surabaya periode Januari 2012 sampai April 2013 dengan N = 53 observasi atau sejumlah 80% dari total data yang dimiliki.
Desain dan Implementasi Sistem (Desain Sistem) Jumlah Pasang Baru
Analisis Data Training 1200 1000 800 600 400 200 0 1
3
5
7
9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 Minggu
Berdasarkan grafik plot pada gambar diatas digambarkan bahwa terjadi fluktuasi jumlah permintaan pasang baru produk Speedy untuk data training bulan Januari 2012 sampai Februari 2013 . Sumbu x menyatakan waktu dalam minggu sedangkan sumbu y menyatakan jumlah permintaan pasang baru produk. Plot menunjukkan bahwa jumlah permintaan produk mengalami penurunan pada minggu ke 31-33 dengan data sebesar 247 dan 41 yaitu tepatnya pada bulan September dan terjadi kenaikan yang cukup signikan yang terjadi pada minggu ke 13 atau minggu awal pada bulan April yaitu dengan sales sebesar 1116.
Desain dan Implementasi Sistem (Desain Sistem) Analisis Data Testing Data testing. Kelompok ini berisi kumpulan data yang digunakan untuk menguji keakuratan hasil peramalan model. Kelompok ini terdiri dari data penjualan periode Januari 2013 sampai dengan Mei 2013 dengan N = 13 observasi atau sejumlah 20% data yang dimiliki . Jumlah Pasang Baru
1200 1000 800 600 400 200 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Minggu
Plot grafik diatas menunjukkan bahwa jumlah permintaan produk juga mengalami kenaikan dan penurunan seperti data training. Data tertinggi berada di minggu terakhir Februari dan minggu awal April dengan komposisi data sebesar 1088 dan 1023.
Desain dan Implementasi Sistem (Desain Sistem) Perancangan Sistem Input Untuk melakukan peramalan dengan menggunakan metode Holts Winter maka model data yang diinputkan pada system harus bersifat integer. Data yang bersifat integer ini harus diletakkan dibawah kolom sales agar mudah diidentifikasi sebagai data aktual.
Sistem akan mengolah data training sesuai dengan proporsi data 80:20. Kemudian dari data training didapat nilai optimum model yang akan dimasukkan ke dalam proses testing. Proses selanjutnya yaitu forecasting untuk mengetahui jumlah nilai ramalan n periode
Training
Testing
Forecasting
Desain dan Implementasi Sistem (Desain Sistem) Halaman Antarmuka Pengguna
Range data yang akan dipilih
Training
Testing
Forecasting
Desain dan Implementasi Sistem (Desain Sistem) Gambaran Umum Sistem untuk Pengguna
Memasukkan data yang ingin diramalkan
Menekan tombol training! untuk melakukan perhitungan
Mengisi jumlah periode yang akan diramalkan dan menekan tombol forecast!
Menekan tombol testing untuk menngetahui nilai MAPE
Desain dan Implementasi Sistem (Desain Sistem) Alur Kerja (proses) dari Sistem yang Mengimplementasikan Metode Holts Winter Holts Winter process Start
Training Process
Testing Process
Forecasting Process
Membaca data training
Membaca data testing
Membaca keseluruhan data permintaan
Mencari nilai optimum model berdasarkan data yang dimiliki
Mengeset parameter optimum model yang didapat dari training ke dalam sistem testing
Mengolah data training berdasarkan nilai optimum model
Mengolah data testing berdasarkan nilai optimum model
Melakukan forecast sebanyak n periode berikutnya
Menghitung nilai level, trend, seasonality, error dan peramalan periode berikutnya
Hasil ramalan, level, trend, seasonality, dan MAPE
Mulai
Input data jumlah permintaan pasang baru produk
Menghitung nilai level, trend, seasonality, error dan peramalan periode berikutnya
Level, trend, seasonality, peramalan data training dan MAPE
Level, trend, seasonality, peramalan data testing dan MAPE
Menginputkan nilai (a, ß, γ) optimum model ke dalam sistem
Desain dan Implementasi Sistem (Desain Sistem) Perancangan Sistem Output • •
• •
Model Optimum yang terdiri dari nilai parameter a, ß, dan γ MAPE : nilai persentase yang diperoleh dari hasil perhitungan rata-rata nilai absolute (error) yang dihasilkan dari perhitungan data training maupun testing. Data hasil peramalan yang dihasilkan dari forecasting process sebanyak n periode selanjutnya Grafik yang dihasilkan dari sistem akan menampilkan perbandingan hasil peramalan dengan data aktual
Teknik yang digunakan dalam mencari nilai optimum yaitu teknik bruteforce. Pada penelitian sebelumnya yang dilakukan oleh Kärkkäinen, Ismo dan Fränti , Pasi (2002) telah diterapkan teknik bruteforce untuk mencari nilai kluster yang belum diketahui. Hasil dari penelitian tersebut menunjukkan bahwa teknik brute force mampu mencari nilai kluster.
Implementasi dan Uji Coba Lingkungan Implementasi Perangkat Keras Lingkungan Uji Coba
Perangkat Lunak Lingkungan Uji Coba
Perangkat Keras
Perangkat Lunak Windows 7
Spesifikasi
Jenis
Notebook
Processor
Intel Core i5 @2,5Ghz
RAM
4GB
Hard Disk Drive
750GB
Fungsi Sistem Operasi Membuat kode program Microsoft Visual Basic menggunakan Macro Excel dan for Application Microsoft Visual Basic for Application Ms. Office Excel 2007 Validasi program dan SPSS 17
Implementasi dan Uji Coba Verifikasi Aplikasi Penggantian Nilai Presisi Sistem 0,1
Nilai Presisi Sistem
Keterangan Tidak ditemukan error
0,1
Waktu perhitungan 1 menit Nilai MAPE yang didapatkan ialah sebesar 34,17%
Implementasi dan Uji Coba Verifikasi Aplikasi Penggantian Nilai Presisi Sistem 0,01
Nilai Presisi Sistem
Keterangan Tidak ditemukan error
0,01
Waktu perhitungan 6 jam Nilai MAPE yang didapatkan ialah sebesar 32,08%
Implementasi dan Uji Coba Verifikasi Aplikasi Penggantian Nilai Presisi Sistem 0,001
Nilai Presisi Sistem
Keterangan
0,001
Ditemukan error ‘out of reach’ Aplikasi tidak mampu menghitung karena harus melakukan perhitungan terhadap masing-masing nilai, yaitu alpha, beta dan gamma.
Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian Proporsi Data 80:20 MAPE 34,17% 39,32%
Training Testing
ALPHA 0.8
BETA
GAMMA 0.9
1
Error training yang dihasilkan dari proporsi data 80:20 adalah sebesar 34,17%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%-50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 39,32%. Nilai tersebut menggunakan nilai optimum model yang dihasilkan dari model training
Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian Proporsi Data 70:30 MAPE 35,83% 24,20%
Training Testing
ALPHA 0.9
BETA
GAMMA 0.1
0.1
Training error yang dihasilkan dari proporsi data 70:30 adalah sebesar 35,83%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%-50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 24,20%. Nilai tersebut menggunakan nilai optimum model yang dihasilkan dari model training.
Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian Proporsi Data 60:40 MAPE 37,94% 25,69%
Training Testing
ALPHA
BETA 1
GAMMA 1
0.1
Training error yang dihasilkan dari proporsi data 60:40 adalah sebesar 37,94%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%-50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 25,69%. Nilai tersebut menggunakan nilai optimum model yang dihasilkan dari model training.
Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian Proporsi Data 50:50 MAPE 26,14% 71,39%
Training Testing
ALPHA 0.1
BETA
GAMMA 0.1
0.1
Training error yang dihasilkan dari proporsi data 50:50 adalah sebesar 26,14%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%-50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 71,39%. Error tersebut lebih dari batas normal yang diperbolehkan dalam peramalan yaitu melebihi 50% sehingga error tersebut sangat buruk. Nilai tersebut menggunakan nilai optimum model yang dihasilkan dari model training.
Uji Coba dan Validasi Aplikasi Validasi Aplikasi
Penggantian nilai optimum model terhadap nilai proporsi data Nilai optimum model 0.8, 0.9, 1 Proporsi data
MAPE
80 : 20
39,32 %
70 : 30
69,08 %
60 : 40
43,48 %
50 : 50
248,60 %
Dari tabel disamping menunjukkan bahwa nilai optimum model 0.8, 0.9, 1 dengan nilai akurasi peramalan terendah ialah data dengan proporsi 80:20. Sedangkan nilai akurasi peramalan tertinggi atau terburuk dimiliki oleh data dengan proporsi 50:50.
Uji Coba dan Validasi Aplikasi Validasi Aplikasi
Penggantian nilai optimum model terhadap nilai proporsi data Nilai optimum model 0.9, 0.1, 0.1 Proporsi data
MAPE
80 : 20
28,01 %
70 : 30
24,20 %
60 : 40
20,80 %
50 : 50
113,65 %
Dari tabel disamping menunjukkan bahwa nilai optimum model 0.9, 0.1, 0.1 dengan nilai akurasi peramalan terendah ialah data dengan proporsi 60:40. Sedangkan nilai akurasi peramalan tertinggi atau terburuk dimiliki oleh data dengan proporsi 50:50 dengan nilai akurasi sebesar 113,65%.
Uji Coba dan Validasi Aplikasi Validasi Aplikasi
Penggantian nilai optimum model terhadap nilai proporsi data Nilai optimum model 1, 1, 0.1 Proporsi data
MAPE
80 : 20
30,25 %
70 : 30
25,68 %
60 : 40
25,69 %
50 : 50
114,90 %
Dari tabel disamping menunjukkan bahwa nilai optimum model 1, 1, 0,1 dengan nilai akurasi peramalan terendah ialah data dengan proporsi 70:30 dengan nilai akurasi peramalan berbeda 0,01% dengan proporsi data 60:40 yaitu sebesar 25,68%. Sedangkan nilai akurasi peramalan tertinggi atau terburuk dimiliki oleh data dengan proporsi 50:50 dengan nilai sebesar 114,90%.
Uji Coba dan Validasi Aplikasi Validasi Aplikasi
Penggantian nilai optimum model terhadap nilai proporsi data Nilai optimum model 0.1, 0.1, 0.1 Proporsi data
MAPE
80 : 20
27,94 %
70 : 30
26,73 %
60 : 40
22,89 %
50 : 50
71,39 %
Dari tabel disamping menunjukkan bahwa nilai optimum model 0,1, 0.1, 0.1 dengan nilai akurasi peramalan terendah ialah data dengan proporsi 60:40 dengan nilai akurasi peramalan sebesar 22,89%.. Sedangkan nilai akurasi peramalan tertinggi atau terburuk dimiliki oleh data dengan proporsi 50:50 dengan nilai sebesar 71,39%.
Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian Nilai Presisi Sistem 0,1
MAPE
Waktu training
Training
35,83%
60 detik
Testing
24,20%
ALPHA 0.9
BETA
GAMMA 0.1
0.1
Nilai akurasi peramalan dari data training yang dihasilkan dari nilai presisi 0,1 adalah sebesar 35,83%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%-50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 24,20%.
Uji Coba dan Validasi Aplikasi Validasi Aplikasi Penggantian Nilai Presisi Sistem 0,01
MAPE
Waktu training
Training
32,08%
6 jam
Testing
49,32%
ALPHA 0.9
BETA
GAMMA 0.1
0.1
Training error yang dihasilkan dari nilai presisi 0,01 adalah sebesar 32,08%. Nilai tersebut masih dalam batas yang diperbolehkan dalam nilai error peramalan yaitu dalam batas 20%50%. Sedangkan nilai error yang dihasilkan dari validasi sebesar 49,32%. Dengan waktu proses sistem yang berlangsung lama yaitu 6 jam mampu menghasilkan nilai error peramalan hampir mencapai batas error peramalan yang diperbolehkan yaitu 50%.
Uji Coba dan Validasi Aplikasi Uji training data menggunakan microsoft excel dan aplikasi visual basic Hasil keluaran untuk data training dari microsoft excel dengan menggunakan nilai optimum model dari microsoft excel ialah sebesar 34,28%. Hasil tersebut berbeda dengan hasil yang dikeluarkan oleh aplikasi ketika menghitung data training dengan menggunakan aplikasi. Hasil yang didapat ialah sebesar 35,83%. Nilai yang tidak jauh berbeda mengingat nilai presisi dari microsoft excel bernilai 0,00001 sedangkan nilai presisi aplikasi 0,1. ALPHA Aplikasi Microsoft Excel
BETA
0.9 1
MAPE
GAMMA
0.1
0.1
0.2011 0.36934
Training Aplikasi
35,83%
Training Microsoft Excel
34,28%
Uji Coba dan Validasi Aplikasi Uji testing data menggunakan microsoft excel dan aplikasi visual basic Hasil keluaran data testing microsoft excel Sales L
T
S
Forecast
732
826.50
0
0.886
825
826.50
0
0.998
661
826.50
0
0.800
1088
826.50
0
1.316
Hasil keluaran data testing aplikasi Sales L 732 825 661 1088
T 826.5 826.5 826.5 826.5
Tidak terdapat perbedaan untuk perhitungan level, trend dan seasonal pada minggu pertama sampai minggu keempat. Namun ketika melakukan perhitungan pada minggu kelima dan minggu berikutnya terdapat perbedaan. Hal ini disebabkan oleh nilai alpha, beta dan gamma yang dihasilkan oleh microsoft excel dan aplikasi berbeda
S 0 0 0 0
0.885662 0.998185 0.799758 1.081466
Uji Coba dan Validasi Aplikasi Peramalan menggunakan aplikasi Hasil keluaran forecast aplikasi
Uji Coba dan Validasi Aplikasi Analisis Hasil Analisis Perbandingan Proporsi Data Hasil uji coba menunjukkan bahwa nilai proporsi data yang menghasilkan nilai MAPE terbaik ialah perbandingan 70:30. Hal ini dibuktikan bahwa tingkat akurasi peramalan yang didapat (MAPE) bernilai lebih kecil dibandingkan proporsi data yang lain Nilai MAPE yang didapatkan dari aplikasi dengan proporsi data 70:30 ialah sebesar 35,83% untuk data training dan 24,20% untuk data testing.
Proporsi Training
Testing
80:20
34,17%
39,32%
70:30
35,83%
24,20%
60:40
37,94%
25,69%
50:50
26,14%
71,39%
M A P E
Uji Coba dan Validasi Aplikasi Analisis Hasil Analisis Perbandingan Presisi Sistem Hasil uji coba menunjukkan bahwa nilai presisi sistem yang mampu dengan cepat menghasilkan keluaran berupa nilai ramalan beserta MAPE ialah nilai dengan presisi 0,1 dengan perbandingan proporsi data yang digunakan ialah 70:30. Hal ini dibuktikan bahwa tingkat akurasi peramalan yang didapat (MAPE) bernilai lebih kecil dibandingkan presisi sistem 0,01
MAPE Presisi Training 0,1 35,83% 0,01 32,08%
MAPE Testing 24,20% 49,32%
Uji Coba dan Validasi Aplikasi Analisis Hasil Analisis Perbandingan Nilai Optimum Model Hasil uji coba menunjukkan bahwa nilai optimum model yang dihasilkan dari masing-masing proporsi data untuk kemudian diuji di proporsi data yang lain. Hasil yang didapatkan menunjukkan bahwa proporsi data yang memiliki nilai akurasi peramalan terbaik ialah data dengan proporsi 60:40 dengan nilai optimum model sebesar 0.9, 0.1, 0.1. Hal ini dibuktikan bahwa tingkat akurasi peramalan yang didapat (MAPE) bernilai lebih kecil dibandingkan dengan proporsi data yang lain dengan nilai optimum model yang sama seperti yang ditunjukkan pada tabel disamping berikut.
Perbandingan proporsi data dengan nilai optimum model 0.9, 0.1, 0.1 Proporsi data
MAPE
80 : 20
28,01 %
70 : 30
24,20 %
60 : 40
20,80 %
50 : 50
113,65 %
Uji Coba dan Validasi Aplikasi Analisis Hasil Analisis Penjualan Pasang Baru berdasarkan Hasil Peramalan Penjualan produk Speedy tiap bulannya untuk wilayah Surabaya saja ditargetkan sekitar 2000 pasang baru. Namun untuk promosi ketika penjualan sedang turun dan naik tidak dilakukan karena Speedy ikut pada event IT yang berlangsung di pusat perbelanjaan, event yang diadakan oleh pemerintah maupun spesial event. Khusus untuk spesial event pihak perusahaan mempunyai keputusan khusus terkait dengan penjualan pasang baru produk Speedy. Pada tabel disamping ditunjukkan bahwa untuk nilai ramalan 10 periode ke depan nilainya berada di sekitar 500700 pasang baru untuk setiap minggunya. Dalam 1 bulan jika ditargetkan pasang baru untuk wilayah Surabaya 2000 pasang baru, maka dalam nilai ramalan pada tabel disamping jumlahnya melebihi target yaitu diatas 2000 pasang baru.
Kesimpulan Berdasarkan tugas akhir yang telah dilakukan, maka dapat disimpulkan beberapa hal sebagai berikut: 1. Aplikasi peramalan model Holts Winter yang telah dibuat dapat meramalkan data baik untuk data training dengan error sebesar 35,83% dan data testing dengan error sebesar 20,80%. 2. Nilai parameter model terbaik yang didapat dari aplikasi ialah sebesar 0,9, 0,1, dan 0,1 dengan menggunakan proporsi data 70:30. 3. Pembagian data training dan data validasi yang baik dan benar merupakan faktor yang sangat penting dalam menghasilkan peramalan yang bagus. Ternyata untuk data permintaan pasang baru produk Speedy ini, yang paling bagus adalah proporsi 60:40 dengan nilai akurasi peramalan sebesar 20,80%. 4. Penggunaan presisi 0,1 dan 0,01 berpengaruh terhadap akurasi peramalan. Presisi 0,01 menghasilkan nilai akurasi peramalan yang cukup baik ketika dalam proses training tetapi tidak dalam proses testing. Presisi 0,01 juga memakan waktu yang sangat lama dibandingkan dengan presisi 0,1 walaupun akurasi peramalan yang dihasilkan pada proses training sedikit lebih baik dari presisi 0,1. Penggunaan presisi 0,1 tidak memakan waktu yang lama dan hasil akurasi peramalan untuk data training yang dihasilkan tidak berbeda jauh dari presisi 0,01 meskipun hasil akurasi peramalan untuk data testing lebih baik dari presisi 0,01. 5. Aplikasi peramalan model Holts Winter bergantung pada data. Jika terdapat data yang mengalami kenaikan dan penurunan signifikan dapat mempengaruhi keakuratan hasil peramalan serta akan mempengaruhi nilai ramalan periode berikutnya.
Saran Beberapa hal yang diharapkan dapat dikembangkan pada masa mendatang adalah sebagai berikut: 1. Aplikasi dapat dikembangkan dengan beberapa metode sekaligus sehingga dapat membandingkan hasil keakuratan peramalan. 2. Hasil peramalan akan semakin akurat apabila data histori yang digunakan lebih banyak supaya dapat pola data dapat diamati dengan lebih baik.
Daftar Pustaka [1]
[2] [3] [4]
C.E. Holt, Forecasting trends and seasonals by exponentially weighted moving averages, ONR Memorandum, vol. 52, Carnegie Institute of Technology, Pittsburg, USA, 1957, Reprinted: International Journal of Forecasting, 20, 5–10 (2004). Gaynor, P. E. Dan Kirkpatrick R. C. 1994. Introduction to Time Series Modelling and Forecasting ini Business and Economic. Singapura : Mc. Graw Hill. Hanke, J.E., Wichern, D.W., Reitsch, A.G. 2003. Peramalan Bisnis. PT. Prenhallindo. Jakarta Hilas, Constantinos S. dkk, Seasonal decomposition and forecasting of telecommunication data: A comparative case study, Science Direct, Greece, 2006.
Sekian
