PEMBUATAN APLIKASI PERAMALAN JUMLAH PERMINTAAN PRODUK DENGAN METODE TIME SERIES EXPONENTIAL SMOOTHING HOLTS WINTER DI PT. TELEKOMUNIKASI INDONESIA Tbk Nama : Riansyah Halimi NRP : 5209 100 014 Dosen Pembimbing I : Wiwik Anggraeni, S.Si., M.Kom. Dosen Pembimbing II : Raras Tyasnurita, S.Kom., MBA. Laboratorium Bidang : Sistem Pendukung Keputusan (SPK) PROGRAM STUDI SISTEM INFORMASI FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER
52
Embed
PROGRAM STUDI SISTEM INFORMASI FAKULTAS …digilib.its.ac.id/public/ITS-paper-34594-5209100014-Presentation.pdf · Perumusan Masalah. Latar Belakang. Latar Belakang. ... (ADSL), yang
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
PEMBUATAN APLIKASI PERAMALAN JUMLAH PERMINTAAN
PRODUK DENGAN METODE TIME SERIES EXPONENTIAL
SMOOTHING HOLTS WINTER DI PT. TELEKOMUNIKASI INDONESIA
Tbk
Nama : Riansyah Halimi
NRP : 5209 100 014
Dosen Pembimbing I : Wiwik Anggraeni, S.Si., M.Kom.
Dosen Pembimbing II : Raras Tyasnurita, S.Kom., MBA.
Laboratorium Bidang : Sistem Pendukung Keputusan (SPK)
PROGRAM STUDI SISTEM INFORMASI
FAKULTAS TEKNOLOGI INFORMASI
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
Outline Pembahasan
Kesimpulan dan Saran
Uji Coba dan Analisis Hasil
Desain dan Implementasi Sistem
Metodologi Penelitian
Studi Pustaka
Tujuan dan Manfaat Tugas Akhir
Batasan Tugas Akhir
Perumusan Masalah
Latar Belakang
Latar Belakang
Gaya hidup masyarakat yang tidak bisa lepas dari internet
Source : www.internetworldstats.com
Latar Belakang
Latar Belakang
• 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.
Penggunaan Metode Exponential Smoothing Holts Winter
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.
Metode tersebut digunakan karena berdasarkan pola data yang dimiliki dan bisa digunakan untuk time series baik untuk linier trends maupun nonlinier trends (Makridakis, 1999).
Studi kasus: Sales Speedy PT. Telkom Regional Jawa Timur Surabaya
Telkom Indonesia Sales Speedy Regional Jatim Surabaya Proses Peramalan
Operasional
Proses Peramalan
Exponential Smoothing Holts Winter
Macro Excel + Microsoft Visual
Basic for Application
0
1000
2000
1 3 5 7 9 11 13
Jum
lah
Pas
ang
Bar
u
Minggu
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
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
Tujuan
Manfaat 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).
Teknologi Speedy Teknologi Internet lainnya
Pada Speedy, akses data dipisahkan dari dari akses suara di DSLAM, sehingga kecepatan Speedy dapat ditingkatkan maksimal sesuai dengan kebutuhan.
Pada dial-up Internet, akses data dilewatkan pada sentral digital, yang memiliki keterbatasan sampling data maksimal 56 kb/s.
Akses pada Speedy bersifat individual per user hingga port DSLAM terdekat, dimana setiap user menduduki port tersendiri yang bersifat dedicated.
Pada broadband wireles access, akses pada user dibagi dari BTS yang memiliki kapasitas terbatas.
Tabel Perbandingan Speedy dengan Teknologi Internet Lainnya
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 = ramalan volume penjualan pada periode ke t+m St = αYt + (1 – α) St-1 = pemulusan tahap 1 St(2) = αSt + (1 – α) St-1
(2) = pemulusan tahap 2 at = 2St – St (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 :
Dimana : Yt = data aktual periode t at = pemulusan untuk deseasionalized data untuk periode t bt = pemulusan terhadap dugaan trend pada periode t Snt = pemulusan terhadap dugaan musim pada periode t Yt-m = ramalan m periode ke depan setelah periode t a, ß dan γ = pembobot pemulusan L = 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)
MAPE Pengertian
< 10% Kemampuan peramalan sangat baik
10% - 20% Kemampuan peramalan baik
20% - 50% Kemampuan peramalan cukup
> 50% Kemampuan peramalan buruk
Tabel Kriteria MAPE
memastikan apakah keluaran yang dihasilkan sudah sesuai dengan yang diharapkan dan membandingkan dengan microsoft excel apakah nilai keluaran sudah sesuai atau belum
Metodologi Pengerjaan
Pustaka mengenai Exponential Smoothing Holts Winter, penggunaan macro excel
apakah langkah-langkah yang dilakukan sudah sesuai dengan struktur yang ditetapkan dan sudah tidak ada error pada program
• Survei ke perusahaan
•Menggunakan fasilitas macro excel •Menggunakan aplikasi microsoft visual basic for application
Start
Pengumpulan
Data
Studi Literatur
Pembuatan Aplikasi
Analisa
Kebutuhan Sistem
Perancangan
Model
Identifikasi Pola
Data
Mencari Nilai
Pembobotan
Terbaik
Perhitungan Hasil
Error
Melakukan
peramalan
Analisis Hasil
Peramalan
ImplementasiUji Coba
Verifikasi Model
Validasi Model Analisis Hasil
Pembuatan Buku
Tugas Akhir
Bentuk pola data yang didapatkan dari data apakah berupa pola horizontal, musiman, siklik, atau trend
Penggunaan (MAPE) untuk mengukur tingkat akurasi peramalan yang didapatkan
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) Analisis Data Training
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.
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 .
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.
0
200
400
600
800
1000
1200
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Jum
lah
Pas
ang
Bar
u
Minggu
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.
Training Testing Forecasting
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
Desain dan Implementasi Sistem
(Desain Sistem)
Training Testing Forecasting
Halaman Antarmuka Pengguna
Range data yang akan dipilih
Desain dan Implementasi Sistem
(Desain Sistem)
Gambaran Umum Sistem untuk Pengguna
Memasukkan
data yang
ingin
diramalkan
Menekan tombol
training! untuk
melakukan
perhitungan
Menekan tombol
testing untuk
menngetahui nilai
MAPE
Mengisi jumlah
periode yang akan
diramalkan dan
menekan tombol
forecast!
Desain dan Implementasi Sistem
(Desain Sistem)
Alur Kerja (proses) dari Sistem yang Mengimplementasikan Metode Holts Winter Holts Winter process
Training Process Testing Process Forecasting ProcessStart
Mulai
Input data jumlah
permintaan
pasang baru
produk
Membaca data
training
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
Membaca data
testing
Membaca
keseluruhan data
permintaan
Mengolah data
testing
berdasarkan nilai
optimum model
Menghitung nilai
level, trend,
seasonality, error
dan peramalan
periode berikutnya
Menghitung nilai
level, trend,
seasonality, error
dan peramalan
periode berikutnya
Menginputkan nilai
(a, ß, γ) optimum
model ke dalam
sistem
Melakukan
forecast sebanyak
n periode
berikutnya
Level, trend,
seasonality,
peramalan data
training dan MAPE
Level, trend,
seasonality,
peramalan data
testing dan MAPE
Hasil ramalan,
level, trend,
seasonality, dan
MAPE
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 Spesifikasi
Jenis Notebook
Processor Intel Core i5 @2,5Ghz
RAM 4GB
Hard Disk Drive 750GB
Perangkat Keras Lingkungan Uji Coba Perangkat Lunak Lingkungan Uji Coba
Perangkat Lunak Fungsi
Windows 7 Sistem Operasi
Microsoft Visual Basic
for Application
Membuat kode program
menggunakan Macro Excel dan
Microsoft Visual Basic for
Application
Ms. Office Excel 2007
dan SPSS 17 Validasi program
Implementasi dan Uji Coba
Verifikasi Aplikasi
Nilai Presisi
Sistem Keterangan
0,1
Tidak ditemukan error
Waktu perhitungan 1 menit
Nilai MAPE yang didapatkan
ialah sebesar 34,17%
Penggantian Nilai Presisi Sistem 0,1
Implementasi dan Uji Coba
Verifikasi Aplikasi
Nilai Presisi
Sistem Keterangan
0,01
Tidak ditemukan error
Waktu perhitungan 6 jam
Nilai MAPE yang didapatkan
ialah sebesar 32,08%
Penggantian Nilai Presisi Sistem 0,01
Implementasi dan Uji Coba
Verifikasi Aplikasi
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.
Penggantian Nilai Presisi Sistem 0,001
Uji Coba dan Validasi Aplikasi
Validasi Aplikasi
Penggantian Proporsi Data 80:20
MAPE
Training 34,17%
Testing 39,32%
ALPHA BETA GAMMA
0.8 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
Training 35,83%
Testing 24,20%
ALPHA BETA GAMMA
0.9 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
Training 37,94% Testing 25,69%
ALPHA BETA GAMMA
1 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
Training 26,14% Testing 71,39%
ALPHA BETA GAMMA
0.1 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
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.
Proporsi data MAPE
80 : 20 39,32 %
70 : 30 69,08 %
60 : 40 43,48 %
50 : 50 248,60 %
Nilai optimum model 0.8, 0.9, 1
Uji Coba dan Validasi Aplikasi
Validasi Aplikasi
Penggantian nilai optimum model terhadap nilai proporsi data
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%.
Proporsi data MAPE
80 : 20 28,01 %
70 : 30 24,20 %
60 : 40 20,80 %
50 : 50 113,65 %
Nilai optimum model 0.9, 0.1, 0.1
Uji Coba dan Validasi Aplikasi
Validasi Aplikasi
Penggantian nilai optimum model terhadap nilai proporsi data
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%.
Proporsi data MAPE
80 : 20 30,25 %
70 : 30 25,68 %
60 : 40 25,69 %
50 : 50 114,90 %
Nilai optimum model 1, 1, 0.1
Uji Coba dan Validasi Aplikasi
Validasi Aplikasi
Penggantian nilai optimum model terhadap nilai proporsi data
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%.
Proporsi data MAPE
80 : 20 27,94 %
70 : 30 26,73 %
60 : 40 22,89 %
50 : 50 71,39 %
Nilai optimum model 0.1, 0.1, 0.1
Uji Coba dan Validasi Aplikasi
Validasi Aplikasi
Penggantian Nilai Presisi Sistem 0,1
ALPHA BETA GAMMA
0.9 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%.
MAPE Waktu training
Training 35,83% 60 detik
Testing 24,20%
Uji Coba dan Validasi Aplikasi
Validasi Aplikasi
Penggantian Nilai Presisi Sistem 0,01
ALPHA BETA GAMMA
0.9 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%.
MAPE Waktu training
Training 32,08% 6 jam
Testing 49,32%
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.
MAPE
Training Aplikasi 35,83%
Training Microsoft Excel 34,28%
ALPHA BETA GAMMA
Aplikasi 0.9 0.1 0.1
Microsoft
Excel 1 0.2011 0.36934
Uji Coba dan Validasi Aplikasi
Uji testing data menggunakan microsoft excel dan aplikasi visual basic
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
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
Sales L T S
732 826.5 0 0.885662
825 826.5 0 0.998185
661 826.5 0 0.799758
1088 826.5 0 1.081466
Hasil keluaran data testing microsoft excel Hasil keluaran data testing aplikasi
Uji Coba dan Validasi Aplikasi
Peramalan menggunakan aplikasi
Hasil keluaran forecast aplikasi
Uji Coba dan Validasi Aplikasi
Analisis Hasil
Analisis Perbandingan Proporsi Data
Proporsi Training Testing M
A
P
E
80:20 34,17% 39,32%
70:30 35,83% 24,20%
60:40 37,94% 25,69%
50:50 26,14% 71,39%
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.
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
Presisi
MAPE
Training
MAPE
Testing
0,1 35,83% 24,20%
0,01 32,08% 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.
Proporsi data MAPE
80 : 20 28,01 %
70 : 30 24,20 %
60 : 40 20,80 %
50 : 50 113,65 %
Perbandingan proporsi data dengan nilai optimum model 0.9, 0.1, 0.1
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 500-700 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] 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). [2] Gaynor, P. E. Dan Kirkpatrick R. C. 1994. Introduction to Time Series Modelling and Forecasting ini Business and Economic. Singapura : Mc. Graw Hill. [3] Hanke, J.E., Wichern, D.W., Reitsch, A.G. 2003. Peramalan Bisnis. PT. Prenhallindo. Jakarta [4] Hilas, Constantinos S. dkk, Seasonal decomposition and forecasting of telecommunication data: A comparative case study, Science Direct, Greece, 2006.