Analisis Data Deret Waktu

Dosen : Resa Septiani Pontoh , S.Si., M.A.B

Diajukan sebagai salah satu persyaratan untuk memenuhi tugas mata kuliah Analisis
Data Deret Waktu

Ahsanul Rizky
Herry Sinaga
Irwan Sinaga

140610120055
140610120091
140610120106

Statistika
Universitas Padjadjaran
Jatinangor
2014

Makalah ini akan membahas mengenai metode pemulusan menggunakan Naive dan Linear
Moving Average dan juga metode pemulusan eksponensial, yaitu SES, ARRSES . Metode
pemulusan merupakan metode peramalan yang didasarkan pada pola data secara empiris
untuk meramalkan masa yang akan datang.
Data empiris yang digunakan adalah data produktivitas padi sawah di provinsi Jawa Barat
selama 3 tahun yang disajikan bulanan dari Januari 2005 sampai dengan Desember 2007.
Tahun
2005

2006

2007

Bulan
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12

Sumber data:Badan Pusat Statistik

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

Produktivitas Padi (ton/ha)

52.88
52.99
53.87
54.81
53.11
53.23
53.3
52.8
52.17
52.55
52.57
52
53.74
53.88
54.08
54.01
53.63
53.95
54.16
53.82
53.92
53.99
53.69
53.41
54.92
54.96
55.23
56.42
55.57
55.08
54.79
55.2
56.57
56.56
56.32
56.93

Deskripsi data
Sebelum melakukan pemulusan data maka perlu dilakukan pengecekan asumsi kenormalan dan
keacakan residu data. Dengan menggunakan program spss maka dapat dihasilkan output sebagai
berikut.
Normalitas residu data

Dari grafik di atas dapat kita lihat bahwa nilai residu bergerak mengikuti kurva normal . Hal ini
menjelaskan bahwa residu telah memenuhi asumsi normalitas.

Linearitas residu data

Dari scatter plot di atas dapat disimpilkan bahwa data telah memenuhi asumsi linearitas karena
nilai residual -residual didistribusikan secara random dan terkumpul disekitas garis lurus yang
melalui titik 0.

Metode Peramalan
1. Naive Method
Naive 1
Naive 1 merupakan model sederhana yang digunakan untuk data stasioner. Persamaan model untuk
naive 1 adalah sebagai berikut.

Persamaan di atas menjelaskan bahwa data peramalan atau taksiran pada satu periode yang akan
datang (t+1) akan sama dengan data masa yang sekarang (t). Dengan menggunakan model naive 1
maka data produktivitas padi sawah dapat diprediksikan sebagai berikut.
Tahun
2005

2006

2007

Bulan
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

Y
52.88
52.99
53.87
54.81
53.11
53.23
53.3
52.8
52.17
52.55
52.57
52
53.74
53.88
54.08
54.01
53.63
53.95
54.16
53.82
53.92
53.99
53.69
53.41
54.92
54.96
55.23

52.88
52.99
53.87
54.81
53.11
53.23
53.3
52.8
52.17
52.55
52.57
52
53.74
53.88
54.08
54.01
53.63
53.95
54.16
53.82
53.92
53.99
53.69
53.41
54.92
54.96

0.11
0.88
0.94
-1.7
0.12
0.07
-0.5
-0.63
0.38
0.02
-0.57
1.74
0.14
0.2
-0.07
-0.38
0.32
0.21
-0.34
0.1
0.07
-0.3
-0.28
1.51
0.04
0.27

4
5
6
7
8
9
10
11
12

28
29
30
31
32
33
34
35
36

56.42
55.57
55.08
54.79
55.2
56.57
56.56
56.32
56.93

55.23
56.42
55.57
55.08
54.79
55.2
56.57
56.56
56.32
56.93

1.19
-0.85
-0.49
-0.29
0.41
1.37
-0.01
-0.24
0.61

Dari tabel di atas, dapat kita lihat bahwa jika data yang dimiliki dianggap memiliki pola stasioner
maka produktivitas padi sawah yang dapat diramalkan pada bulan Januari tahun 2008 (t= 37) adalah
sebanyak 56.93 ton.
Naive 2
Naive 2 merupakan model sederhana yang digunakan untuk data trend. Persamaan model untuk naive
2 adalah sebagai berikut.

Persamaan di atas menjelaskan bahwa data peramalan atau taksiran pada satu periode yang akan
datang (t+1) akan sama dengan data masa yang sekarang (t) ditambah dengan selisih dari data pada
masa sekarang (t) dan data pada masa sebelumnya (t-1). Dengan menggunakan model naive 2 maka
data produktivitas padi sawah dapat diprediksikan sebagai berikut.
Tahun
2005

2006

Bulan
1
2
3
4
5
6
7
8
9
10
11
12
1
2

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Y
52.88
52.99
53.87
54.81
53.11
53.23
53.3
52.8
52.17
52.55
52.57
52
53.74
53.88

53.1
54.75
55.75
51.41
53.35
53.37
52.3
51.54
52.93
52.59
51.43
55.48

0.77
0.06
-2.64
1.82
-0.05
-0.57
-0.13
1.01
-0.36
-0.59
2.31
-1.6

2007

3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12

15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

54.08
54.01
53.63
53.95
54.16
53.82
53.92
53.99
53.69
53.41
54.92
54.96
55.23
56.42
55.57
55.08
54.79
55.2
56.57
56.56
56.32
56.93

54.02
54.28
53.94
53.25
54.27
54.37
53.48
54.02
54.06
53.39
53.13
56.43
55
55.5
57.61
54.72
54.59
54.5
55.61
57.94
56.55
56.08
57.54

0.06
-0.27
-0.31
0.7
-0.11
-0.55
0.44
-0.03
-0.37
0.02
1.79
-1.47
0.23
0.92
-2.04
0.36
0.2
0.7
0.96
-1.38
-0.23
0.85

Dari tabel di atas, dapat kita lihat bahwa jika data yang dimiliki dianggap memiliki pola trend maka
produktivitas padi sawah yang dapat diramalkan pada bulan Januari tahun 2008 (t= 37) adalah
sebanyak 57.54 ton/ha.

Naive 3
Naive 3 merupakan model sederhana yang digunakan untuk data musiman. Persamaan model untuk
naive 3 adalah sebagai berikut.

Persamaan di atas menjelaskan bahwa data peramalan atau taksiran pada satu periode yang akan
datang (t+1) akan sama dengan data masa yang akan datang dikurangi periode musiman. Dengan
menggunakan model naive 3 maka data produktivitas padi sawah dapat diprediksikan sebagai berikut.

Tahun
2005

2006

2007

Bulan
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

Y
52.88
52.99
53.87
54.81
53.11
53.23
53.3
52.8
52.17
52.55
52.57
52
53.74
53.88
54.08
54.01
53.63
53.95
54.16
53.82
53.92
53.99
53.69
53.41
54.92
54.96
55.23
56.42
55.57
55.08
54.79
55.2
56.57
56.56
56.32
56.93

52.88
52.99
53.87
54.81
53.11
53.23
53.3
52.8
52.17
52.55
52.57
52
53.74
53.88
54.08
54.01
53.63
53.95
54.16
53.82
53.92
53.99
53.69
53.41
54.92
54.96
55.23
56.42
55.57
55.08
54.79
55.2
56.57
56.56
56.32
56.93

0.86
0.89
0.21
-0.8
0.52
0.72
0.86
1.02
1.75
1.44
1.12
1.41
1.18
1.08
1.15
2.41
1.94
1.13
0.63
1.38
2.65
2.57
2.63
3.52

Dari tabel di atas, dapat kita lihat bahwa jika data yang dimiliki dianggap memiliki pola musiman
maka produktivitas padi sawah yang dapat diramalkan pada periode bulan Januari-Desember tahun
2008 (t= 37-48) adalah sebagai berikut.
T

(ton)

37
38
39
40
41
42
43
44
45
46
47
48

54.92
54.96
55.23
56.42
55.57
55.08
54.79
55.2
56.57
56.56
56.32
56.93

Berikut adalah plot dari ke-3 naive di atas.

60
58
56
nave 1
54

nave 2
nave 3

52
50
48
1 3 5 7 9 11131517192123252729313335373941434547

Dari ketiga naive di atas menghasilkan suatu angka untuk meramalkan satu bulan mendatang (untuk
data stasioner dan data trend) dan untuk meramalkan satu tahun mendatang (untuk data musiman).
Keakuratan naive memprediksi dalam kasus ini dapat dilihat dengan mengukur besarnya error dari
masing- masing naive (measuring forecating error). Ada 4 (empat) macam teknik mengukur error,
yaitu:

a. MSE (Mean Squared Error)

MSE mengukur error dengan cara merata-ratakan kuadrat dari residual (error) dengan perumusan sebagai
berikut.

b. MAD (Mean Absolute Deviation)

MAD mengukur error dengan cara merata-ratakan nilai absolut dari residual (error) dengan perumusan
sebagai berikut.

| |

c. MAPE (Mean Absolute Percentage Error)

MAPE mengukur error dengan cara merata- ratakan kesalahan absolut rata- rata dengan perumusan
sebagai berikut.

d. MPE (Mean Percentage Error)

MPE mengukur error dengan cara menjumlahkan nilai dari persentase kesalahan dengan perumusan
sebagai berikut.

dimana

Dari perumusan di atas, didapat hasil pengukuran error sebagai berikut.

Naive 1

Naive 2

Naive 3

MSE

0.47629

1.07684

2.6303792

MAD

0.49571

0.76176

1.41125

MPE

0.20277

0.02351

2.4302572

MAPE

0.91696

1.4014

2.5536911

Berdasarkan tabel di atas, dapat dilihat bahwa dari keempat teknik mengukur eror, naive-1 memiliki
angka yang lebih rendah dibandingkan naive-2 dan nave-3 .Hal ini menunjukkan bahwa naive-1 yang
paling cocok dan akurat dalam meramalkan data produktivitas padi sawah untuk masa yang akan datang.
Untuk lebih jelasnya, berikut adalah plot MSE untuk setiap naive.

4
3
2
e1

e2
0
1

9 11 13 15 17 19 21 23 25 27 29 31 33 35

e3

-1
-2
-3

Dari plot data di atas, dapat dilihat nilai error dari masing- masing naive begitu fluktuaktif, namun hanya
error dari naive-3 yang bergerak di sekitar angka 0. Hal ini memperkuat bahwa naive-1 yang paling cocok
dan akurat dalam meramalkan data produktivitas padi sawah untuk masa yang akan datang.

2. Moving Average Method

Moving average adalah alat untuk memprediksi dengan menggunakan rata rata dari setiap periode untuk
periode selanjutnya. Data pada permintaan perbaikan besar merupakan data linear. Oleh karena itu, untuk
proses prediksi menggunakan linear moving average. Linear moving average merupakan metode yang
menggunakan satu set rata-rata bergerak yang pertama dengan rata rata bergerak yang kedua atau bisa
disebut rata-rata bergerak dari rata rata yang bergerak.

Perhitungan linear moving average ini menggunakan rata rata bergerak 4 bulan. Berikut perhitungan
untuk linear moving average .
t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

Xt
52.88
52.99
53.87
54.81
53.11
53.23
53.3
52.8
52.17
52.55
52.57
52
53.74
53.88
54.08
54.01
53.63
53.95
54.16

MA4

MA 4x4

53.6375
53.695
53.755
53.6125
53.11
52.875
52.705
52.5225
52.3225
52.715
53.0475
53.425
53.9275
53.9
53.9175
53.9375

53.675
53.54313
53.33813
53.07563
52.80313
52.60625
52.56625
52.65188
52.8775
53.27875
53.575
53.7925
53.92063

53.55
52.67688
52.41188
52.33438
52.24188
52.03875
52.86375
53.44313
53.9725
54.57625
54.225
54.0425
53.95438

-0.0417
-0.2888
-0.3088
-0.2471
-0.1871
-0.1892
0.0992
0.2637
0.365
0.4325
0.2167
0.0833
0.0112

53.5083
52.3881
52.1031
52.0873
52.0548
51.8496
52.9629
53.7069
54.3375
55.0088
54.4417
54.1258

20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

53.82
53.92
53.99
53.69
53.41
54.92
54.96
55.23
56.42
55.57
55.08
54.79
55.2
56.57
56.56
56.32
56.93

53.89
53.9625
53.9725
53.855
53.7525
54.0025
54.245
54.63
55.3825
55.545
55.575
55.465
55.16
55.41
55.78
56.1625
56.595

53.91125
53.92688
53.94063
53.92
53.88563
53.89563
53.96375
54.1575
54.565
54.95063
55.28313
55.49188
55.43625
55.4025
55.45375
55.62813
55.98688

53.86875
53.99813
54.00438
53.79
53.61938
54.10938
54.52625
55.1025
56.2
56.13938
55.86688
55.43813
54.88375
55.4175
56.10625
56.69688
57.20313

-0.0142
0.0238
0.0212
-0.0433
-0.0888
0.0713
0.1875
0.315
0.545
0.3963
0.1946
-0.0179
-0.1842
0.005
0.2175
0.3563
0.4054

53.9656
53.8546
54.0219
54.0256
53.7467
53.5306
54.1806
54.7138
55.4175
56.745
56.5356
56.0615
55.4202
54.6996
55.4225
56.3238
57.0531
57.6085

Dari tabel di atas, dapat kita lihat bahwa dengan menggunakan metode rata- rata bergerak ganda didapat
nilai peramalan untuk bulan Januari tahun 2008 (t=37) sebesar 57.6085 ton.
Berikut adalah grafik perbandungan dari pergerakan data produktivitas padi, rata- rata bergerak 4 bulan
(tunggal), rata- rata bergerak 4 bulan (ganda), dan nilai taksiran.
59
58
57
Produktivitas padi

56
55

rata-rata bergerak 4
bulan

54
53

rata-rata bergerak 8
bulan

52
51

50
49
48
1 3 5 7 9 1113151719212325272931333537

Berikut perhitungan MSE untuk linear moving

Berikut perhitungan MAPE untuk linear moving

average .

average :

Xt

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

52,88
52,99
53,87
54,81
53,11
53,23
53,3
52,8
52,17
52,55
52,57
52
53,74
53,88
54,08
54,01
53,63
53,95
54,16
53,82
53,92
53,99
53,69
53,41
54,92
54,96
55,23
56,42
55,57
55,08
54,79
55,2
56,57
56,56
56,32
56,93
MSE

et

et2

-0,70833 0,501736
-0,21812 0,047579
0,446875 0,199697
0,482708 0,233007
-0,05479 0,003002
1,890,417 3,573675
0,917083 0,841042
0,373125 0,139222
-0,3275
0,107256
-137,875 1,900,952
-0,49167 0,241736
0,034167 0,001167
-0,14562 0,021207
0,065417 0,004279
-0,03188 0,001016
-0,33562 0,112644
-0,33667 0,113344
1,389,375 1,930363
0,779375 0,607425
0,51625 0,266514
10,025
1,005006
-1,175
1,380625
-145,563 2,118,844
-127,146 1,616606
-0,22021 0,048492
1,870,417 3,498459
11,375
1,293,906
-0,00375 1,41E-05
-0,12313
0,01516
0,752551

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

Xt
52,88
52,99
53,87
54,81
53,11
53,23
53,3
52,8
52,17
52,55
52,57
52
53,74
53,88
54,08
54,01
53,63
53,95
54,16
53,82
53,92
53,99
53,69
53,41
54,92
54,96
55,23
56,42
55,57
55,08
54,79
55,2
56,57
56,56
56,32
56,93
MAPE

|Pei|

5,350,833
5,238,813
5,210,313
5,208,729
5,205,479
5,184,958
5,296,292
5,370,688
543,375
5,500,875
5,444,167
5,412,583
5,396,563
5,385,458
5,402,188
5,402,563
5,374,667
5,353,063
5,418,063
5,471,375
554,175
56,745
5,653,563
5,606,146
5,542,021
5,469,958
554,225
5,632,375
5,705,313

134,154
0,418104
0,850381
0,91822
0,105369
3,517709
1,702085
0,68995
0,606369
2,570856
0,911338
0,063085
0,270578
0,121322
0,059039
0,625116
0,630344
2,529816
1,418077
0,934728
1,776,852
211,445
2,642747
2,320603
0,398928
3,306,376
2,011139
0,006658
0,216274
1,209588

Berdasarkan perhitungan linear moving average didapatkan prediksi permintaan perbaikan besar untuk
tahun 2008 pada bulan pertama adalah 57.60854 dengan nilai MSE : 0,752551 dan MAPE : 1,209588.
3. Metode Pemulusan Eksponensial Tunggal : SES
Pada metode ini banyak mengurangi masalah penyimpanan data karena tidak perlu lagi menyimpan
semua data historis atau sebagai dari data, hanya pengamatan terakhir, ramalan terakhir dan suatu nilai
yang diperlukan. Nilai yang ditentukan disini bersifat trial and error, sehingga pada metode ini muncul
permasalahan dalam menentukan nilai yang optimum. Berikut adalah perumusan dengan menggunakan
metode SES.

Karena pada metode ini nilai yang digunakan bersifat coba- coba, maka dalam makalah ini digunakan
nilai dari mulai mendekati 0 hingga mendekati satu, yaitu 0,1; 0,5; dan 0,9.
Dengan menggunakan perumusan di atas tersebut, maka didapat nilai peramalan untuk bulan Januari 2008
(t=37) dengan masing- masing nilai sebagai berikut.

Tahun

Bulan

Xt

2005

52.88

52.99

53.87

54.81

53.11

53.23

53.3

52.8

52.17

10

52.55

11

52.57

12

52

53.74

53.88

54.08

54.01

53.63

53.95

2006

0,1
52,88
53,782
54,716
53,28
53,218
53,293
52,85
52,233
52,512
52,568
52,057
53,566
53,866
54,06
54,017
53,668
53,918

SES
0,5
52,88
53,43
54,34
53,96
53,17
53,265
53,05
52,485
52,36
52,56
52,285
52,87
53,81
53,98
54,045
53,82
53,79

0,9
52,88
53,078
53,964
54,64
53,122
53,237
53,25
52,737
52,208
52,552
52,513
52,174
53,754
53,9
54,073
53,972
53,662

2007

54.16

53.82

53.92

10

53.99

11

53.69

12

53.41

54.92

54.96

55.23

56.42

55.57

55.08

54.79

55.2

56.57

10

56.56

11

56.32

12
Peramalan ke 37

56.93

54,139
53,854
53,91
53,983
53,72
53,438
54,769
54,956
55,203
56,301
55,655
55,129
54,819
55,159
56,433
56,561
56,344
56,869
56,8751

54,055
53,99
53,87
53,955
53,84
53,55
54,165
54,94
55,095
55,825
55,995
55,325
54,935
54,995
55,885
56,565
56,44
56,625
56,7775

53,971
54,126
53,83
53,927
53,96
53,662
53,561
54,924
54,987
55,349
56,335
55,521
55,051
54,831
55,337
56,569
56,536
56,381
56,8751

Dari tabel di atas dapat dilihat bahwa data peramalan dengan menggunakan =0,1 menghasilkan nilai
peramalan sebesar 56,8751, dengan menggunakan =0,5 menghasilkan nilai peramalan sebesar 56,7775
dan

dengan

menggunakan

=0,9

menghasilkan

nilai

peramalan

sebesar

Nilai peramalan untuk data di atas dapat dilihat dalam grafik berikut.
58
57
56
55
54

0.1

53

0.5

52

0.9

51
50
49
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37

56,8751

Untuk analisis selanjutnya akan dilakukan perhitungan Mean Square Error (MSE) dan Mean Absolte
Percentage Error (MAPE).

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

Xt

52,88
52,99
53,87
54,81
53,11
53,23
53,3
52,8
52,17
52,55
52,57
52
53,74
53,88
54,08
54,01
53,63
53,95
54,16
53,82
53,92
53,99
53,69
53,41
54,92
54,96
55,23
56,42
55,57
55,08
54,79
55,2
56,57
56,56
56,32
56,93
Jumlah
MSE

0,1

ei

ei^2

0,5

SES
ei

52,88
53,782
54,716
53,28
53,218
53,293
52,85
52,233
52,512
52,568
52,057
53,566
53,866
54,06
54,017
53,668
53,918
54,139
53,854
53,91
53,983
53,72
53,438
54,769
54,956
55,203
56,301
55,655
55,129
54,819
55,159
56,433
56,561
56,344
56,869

0,11
0,088
0,094
-0,17
0,012
0,007
-0,05
-0,063
0,038
0,002
-0,057
0,174
0,014
0,02
-0,007
-0,038
0,032
0,021
-0,034
0,01
0,007
-0,03
-0,028
0,151
0,004
0,027
0,119
-0,085
-0,049
-0,029
0,041
0,137
-0,001
-0,024
0,061

0,0121
0,007744
0,008836
0,0289
0,000144
4,9E-05
0,0025
0,003969
0,001444
4.00E-06
0,003249
0,030276
0,000196
0,0004
4,9E-05
0,001444
0,001024
0,000441
0,001156
1.00E-04
4,9E-05
0,0009
0,000784
0,022801
1,6E-05
0,000729
0,014161
0,007225
0,002401
0,000841
0,001681
0,018769
1.00E-06
0,000576
0,003721
0,17868
0,005105

52,88
53,43
54,34
53,96
53,17
53,265
53,05
52,485
52,36
52,56
52,285
52,87
53,81
53,98
54,045
53,82
53,79
54,055
53,99
53,87
53,955
53,84
53,55
54,165
54,94
55,095
55,825
55,995
55,325
54,935
54,995
55,885
56,565
56,44
56,625

0,11
0,44
0,47
-0,85
0,06
0,035
-0,25
-0,32
0,19
0,01
-0,29
0,87
0,07
0,1
-0,04
-0,19
0,16
0,105
-0,17
0,05
0,035
-0,15
-0,14
0,755
0,02
0,135
0,595
-0,43
-0,25
-0,15
0,205
0,685
-0,01
-0,12
0,305

ei^2

0,9

ei

ei^2

0,0121
0,1936
0,2209
0,7225
0,0036
0,001225
0,0625
0,099225
0,0361
1.00E-04
0,081225
0,7569
0,0049
0,01
0,001225
0,0361
0,0256
0,011025
0,0289
0,0025
0,001225
0,0225
0,0196
0,570025
0,0004
0,018225
0,354025
0,180625
0,060025
0,021025
0,042025
0,469225
2,5E-05
0,0144
0,093025
41,766
0,119331

52,88
53,078
53,964
54,64
53,122
53,237
53,25
52,737
52,208
52,552
52,513
52,174
53,754
53,9
54,073
53,972
53,662
53,971
54,126
53,83
53,927
53,96
53,662
53,561
54,924
54,987
55,349
56,335
55,521
55,051
54,831
55,337
56,569
56,536
56,381

0,11
0,792
0,846
-1,53
0,108
0,063
-0,45
-0,57
0,342
0,018
-0,51
1,566
0,126
0,18
-0,06
-0,34
0,288
0,189
-0,31
0,09
0,063
-0,27
-0,25
1,359
0,036
0,243
1,071
-0,77
-0,44
-0,26
0,369
1,233
-0,01
-0,22
0,549

0,0121
0,627264
0,715716
23,409
0,011664
0,003969
0,2025
0,321489
0,116964
0,000324
0,263169
2,452,356
0,015876
0,0324
0,003969
0,116964
0,082944
0,035721
0,093636
0,0081
0,003969
0,0729
0,063504
1,846,881
0,001296
0,059049
1,147,041
0,585225
0,194481
0,068121
0,136161
1,520,289
8,1E-05
0,046656
0,301401
1,350,508
0,385859

Berdasarkan analisis perhitungan MSE , nilai MSE terkecil adalah pada alpha yaitu 0,1 yaitu sebesar
0,005105. Untuk peramalan SES ini analisis nya akan cukup baik pada alpha 0,1.

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

Xt

0,1

ei

|Pei|

0,5

SES
ei

52,88
52,99
53,87
54,81
53,11
53,23
53,3
52,8
52,17
52,55
52,57
52
53,74
53,88
54,08
54,01
53,63
53,95
54,16
53,82
53,92
53,99
53,69
53,41
54,92
54,96
55,23
56,42
55,57
55,08
54,79
55,2
56,57
56,56
56,32
56,93
MAPE

52,88
53,782
54,716
53,28
53,218
53,293
52,85
52,233
52,512
52,568
52,057
53,566
53,866
54,06
54,017
53,668
53,918
54,139
53,854
53,91
53,983
53,72
53,438
54,769
54,956
55,203
56,301
55,655
55,129
54,819
55,159
56,433
56,561
56,344
56,869

0,11
0,088
0,094
-0,17
0,012
0,007
-0,05
-0,06
0,038
0,002
-0,06
0,174
0,014
0,02
-0,01
-0,04
0,032
0,021
-0,03
0,01
0,007
-0,03
-0,03
0,151
0,004
0,027
0,119
-0,09
-0,05
-0,03
0,041
0,137
-0,01
-0,03
0,061

0,207586337
0,163356228
0,171501551
0,320090378
0,022543678
0,013133208
0,09469697
0,120759057
0,072312084
0,003804451
0,109615385
0,323781169
0,025983667
0,036982249
0,012960563
0,070855864
0,05931418
0,038774003
0,063173541
0,018545994
0,012965364
0,055876327
0,05242464
0,274945375
0,00727802
0,048886475
0,210918114
0,15296023
0,088961511
0,052929367
0,074275362
0,242177833
0,001768034
0,042613636
0,107149131
0,096454285

52,88
53,43
54,34
53,96
53,17
53,265
53,05
52,485
52,36
52,56
52,285
52,87
53,81
53,98
54,045
53,82
53,79
54,055
53,99
53,87
53,955
53,84
53,55
54,165
54,94
55,095
55,825
55,995
55,325
54,935
54,995
55,885
56,565
56,44
56,625

0,11
0,44
0,47
-0,85
0,06
0,035
-0,25
-0,32
0,19
0,01
-0,29
0,87
0,07
0,1
-0,04
-0,19
0,16
0,105
-0,17
0,05
0,035
-0,15
-0,14
0,755
0,02
0,135
0,595
-0,43
-0,25
-0,15
0,205
0,685
-0,01
-0,12
0,305

|Pei|

0,9

ei

|Pei|

0,207586
0,816781
0,857508
1,600,452
0,112718
0,065666
0,473485
0,603795
0,36156
0,019022
0,548077
1,618,906
0,129918
0,184911
0,064803
0,354279
0,296571
0,19387
0,315868
0,09273
0,064827
0,279382
0,262123
1,374,727
0,03639
0,244432
1,054,591
0,764801
0,444808
0,264647
0,371377
1,210,889
0,00884
0,213068
0,535746
0,458547

52,88
53,078
53,964
54,64
53,122
53,237
53,25
52,737
52,208
52,552
52,513
52,174
53,754
53,9
54,073
53,972
53,662
53,971
54,126
53,83
53,927
53,96
53,662
53,561
54,924
54,987
55,349
56,335
55,521
55,051
54,831
55,337
56,569
56,536
56,381

0,11
0,792
0,846
-1,53
0,108
0,063
-0,45
-0,567
0,342
0,018
-0,513
1,566
0,126
0,18
-0,063
-0,342
0,288
0,189
-0,306
0,09
0,063
-0,27
-0,252
1,359
0,036
0,243
1,071
-0,765
-0,441
-0,261
0,369
1,233
-0,009
-0,216
0,549

0,207586
1,470,206
1,543,514
2,880,813
0,202893
0,118199
0,852273
1,086,832
0,650809
0,03424
0,986538
2,914,031
0,233853
0,33284
0,116645
0,637703
0,533828
0,348966
0,568562
0,166914
0,116688
0,502887
0,471822
2,474,508
0,065502
0,439978
1,898,263
1,376,642
0,800654
0,476364
0,668478
21,796
0,015912
0,383523
0,964342
0,82064

Berdasarkan analisis perhitungan MAPE , nilai MAPE terkecil ada pada alpha yaitu 0,1 sebesar
0,096454285 . Untuk peramalan SES ini analisis nya akan cukup baik pada alpha 0,1 , sama seperti MSE
nya. Oleh karena itu, prediksi menggunakan metode SES pada data produktifitas padi sawah adalah
menggunakan alpha 0,1.
Berikut adalah grafik analisis kesalahan dari metode SES .
2
1.5
1
0.5

e 0.1

e 0.5
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

-0.5

e 0.9

-1
-1.5
-2

Pada grafik di atas dapat dilihat bahwa kecenderungan garis untuk =0,1 bergerak di sekitar angka nol
dan tingkat kecenderungan garis untuk mendekati nol semakin berkurang diiringi dengan peningkatan
nilai . Sehingga grafik tersebut memperkuat penyataan bahwa error cenderung menurun dengan nilai
yang mendekati nol.

4. Metode Pemulusan Eksponensial Tunggal Pendekatan Adaptif : ARRSES

Pemulusan eksponensial tunggal dengan menggunakan metode ARRSES merupakan pendekatan yang
adaptif, dimana tidak lagi seperti pada SES dimana diperlukan spesifikasi nilai . Pada metode ARRSES
nilai dapat berubah secara terkendali dengan adanya perubahan pola data. Berikut adalah perumusan
data peramalan dengan menggunakan metode ARRSES.

Pada metode ini nilai di awal harus ditentukan, yaitu sebesar 0,2.
Dengan menggunakan perumusan di atas tersebut, maka didapat nilai peramalan produktivitas padi sawah
untuk bulan Januari 2008 (t=37) dengan penetapan awal sebesar 0,2 sebagai berikut.

Produktivitas
Tahun Bulan
t
Padi(ton/ha)
2005
1
1
52.88
2
2
52.99
3
3
53.87
4
4
54.81
5
5
53.11
6
6
53.23
7
7
53.3
8
8
52.8
9
9
52.17
10
10
52.55
11
11
52.57
12
12
52
2006
1
13
53.74
2
14
53.88
3
15
54.08
4
16
54.01
5
17
53.63
6
18
53.95
7
19
54.16
8
20
53.82
9
21
53.92
10
22
53.99
11
23
53.69
12
24
53.41
2007
1
25
54.92
2
26
54.96
3
27
55.23
4
28
56.42
5
29
55.57
6
30
55.08
7
31
54.79
8
32
55.2
9
33
56.57
10
34
56.56
11
35
56.32
12
36
56.93
Nilai peramalan untuk t=37

Ramalan
(F)

Galat
(et)

Galat
Pemulusan
(Et)

Galat
Absolut
Pemulusan
(Mt)

52.88
52.99
53.87
54.81
53.11
53.23
53.3
52.8
52.17
52.55
52.57
52
53.74
53.88
54.08
54.01
53.63
53.95
54.16
53.82
53.92
53.99
53.69
53.41
54.92
54.96
55.23
56.42
55.57
55.08
54.79
55.2
56.57
56.56
56.32
56.93

0.11
0.88
0.94
-1.7
0.12
0.07
-0.5
-0.63
0.38
0.02
-0.57
1.74
0.14
0.2
-0.07
-0.38
0.32
0.21
-0.34
0.1
0.07
-0.3
-0.28
1.51
0.04
0.27
1.19
-0.85
-0.49
-0.29
0.41
1.37
-0.01
-0.24
0.61

0.022
0.1936
0.34288
-0.065696
-0.04583697
-0.03637985
-0.06873322
-0.1429451
-0.00306356
-0.00292027
-0.00629882
0.01612033
0.02006168
0.027354215
0.021841254
0.002747401
0.004659366
0.006761861
0.001580638
0.001925674
0.002217218
0.000721537
0.000268685
0.001176145
0.00127815
0.002047261
0.007499417
-0.00680749
-0.01401827
-0.02248995
-0.00094961
0.001946742
0.001895223
0.000875386
0.002063897

0.022
0.1936
0.34288
0.614304
0.561441255
0.521319202
0.519831458
0.534398176
0.493098517
0.490159214
0.490634889
0.506674354
0.495008259
0.483052172
0.459661908
0.4558767
0.455057821
0.452548658
0.450866987
0.449636926
0.448011043
0.447278532
0.447008683
0.447647619
0.44657657
0.446071189
0.449485479
0.456167843
0.456672727
0.451556453
0.449486717
0.451431453
0.449527834
0.448644458
0.448959292

0.2
0.2
0.2
0.2
0.1069438
0.0816416
0.0697842
0.1322221
0.267488
0.0062129
0.0059578
0.0128381
0.031816
0.040528
0.0566279
0.0475159
0.0060266
0.0102391
0.0149417
0.0035058
0.0042827
0.004949
0.0016132
0.0006011
0.0026274
0.0028621
0.0045895
0.0166844
0.0149232
0.0306965
0.0498054
0.0021127
0.0043124
0.004216
0.0019512
0.0045971

Dari tabel di atas dapat diihat bahwa nilai berfluktuasi sangat nyata. Nilai secara sistematis dan
otomatis berubah dari periode ke periode untuk memperhitungkan adanya perubahan struktur data.
Berdasarkan perhitungan yang telah dilakukan maka didapat nilai permalan produktivitas padi sawah
pada bulan Januari 2008 (t=37) adalah sebesar 56.93 dengan tingkat sebesar 0.0045971.
Nilai peramalan untuk data di atas dengan menggunakan metode ARRSES dapat digambarkan dalam
grafik berikut.
58
57
56
55
Produktivitas
Padi(ton/ha)

54
53

Ramalan (F)

52
51
50
49
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

Berikut adalah hasil analisis kesalahan untuk metode ARRSES.

Tahun
2005

2006

Bulan
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5

t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

52.88
52.99
53.87
54.81
53.11
53.23
53.3
52.8
52.17
52.55
52.57
52
53.74
53.88
54.08
54.01
53.63

52.88
52.99
53.87
54.81
53.11
53.23
53.3
52.8
52.17
52.55
52.57
52
53.74
53.88
54.08
54.01

et

| |

| |

0.11
0.88
0.94
-1.7
0.12
0.07
-0.5
-0.63
0.38
0.02
-0.57
1.74
0.14
0.2
-0.07
-0.38

0.11
0.88
0.94
1.7
0.12
0.07
0.5
0.63
0.38
0.02
0.57
1.74
0.14
0.2
0.07
0.38

0.0121
0.7744
0.8836
2.89
0.0144
0.0049
0.25
0.3969
0.1444
0.0004
0.3249
3.0276
0.0196
0.04
0.0049
0.1444

|
0.207586
1.633562
1.715016
-3.2009
0.225437
0.131332
-0.94697
-1.20759
0.723121
0.038045
-1.09615
3.237812
0.259837
0.369822
-0.12961
-0.70856

0.207586
1.633562
1.715016
3.200904
0.225437
0.131332
0.94697
1.207591
0.723121
0.038045
1.096154
3.237812
0.259837
0.369822
0.129606
0.708559

6
7
8
9
10
11
12
2007
1
2
3
4
5
6
7
8
9
10
11
12
Analisis
Kesalahan

18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

53.95
54.16
53.82
53.92
53.99
53.69
53.41
54.92
54.96
55.23
56.42
55.57
55.08
54.79
55.2
56.57
56.56
56.32
56.93

53.63
53.95
54.16
53.82
53.92
53.99
53.69
53.41
54.92
54.96
55.23
56.42
55.57
55.08
54.79
55.2
56.57
56.56
56.32

0.32
0.21
-0.34
0.1
0.07
-0.3
-0.28
1.51
0.04
0.27
1.19
-0.85
-0.49
-0.29
0.41
1.37
-0.01
-0.24
0.61

0.32
0.1024
0.21
0.0441
0.34
0.1156
0.1
0.01
0.07
0.0049
0.3
0.09
0.28
0.0784
1.51
2.2801
0.04
0.0016
0.27
0.0729
1.19
1.4161
0.85
0.7225
0.49
0.2401
0.29
0.0841
0.41
0.1681
1.37
1.8769
0.01
0.0001
0.24
0.0576
0.61
0.3721
MAD
MSE
0.495714286 0.476289

0.593142
0.38774
-0.63174
0.18546
0.129654
-0.55876
-0.52425
2.749454
0.07278
0.488865
2.109181
-1.5296
-0.88962
-0.52929
0.742754
2.421778
-0.01768
-0.42614
1.071491
MPE
0.202772

0.593142
0.38774
0.631735
0.18546
0.129654
0.558763
0.524246
2.749454
0.07278
0.488865
2.109181
1.529602
0.889615
0.529294
0.742754
2.421778
0.01768
0.426136
1.071491
MAPE
0.911164

Berikut adalah grafik plot data analisis kesalahan dari metode ARRSES.

Galat (et)
2
1.5
1
0.5
0
-0.5

Galat (et)
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

-1
-1.5
-2

Dari plot grafik di atas dapat dilihat bahwa nilai galat (error) sangat fluktiaktif namun masih berkisar di
sekitar angka nol.

Kesimpulan

Metode Analisis
Kesalahan

MSE

MAPE

Nave 1
Moving average
SES 0.1
ARSES

0.47629
0,752551
0,005105
0.476289

0.91696
1,209588
0,096454
0.911164

Dari kempat metode diatas ,apabila dilihat dari nilai MSE dan MAPE ,dapat disimpulkan bahwa
metode yang paling tepat untuk meramalkan data produktivitas padi sawah di provinsi Jawa
Barat pada Januari 2008 adalah metode Simple Exponential Smoothing(SES).

Dafar Pustaka
Makridakis,Spyros.1991.Forecasting. 2 nd edition.John Willey & Sons,INC.
Mulyana.2004.Analisis Data Deret Waktu.Bandung: Universitas padjadjaran FMIPA Statistika.