Your SlideShare is downloading. ×
Jurnal laporan tugas kelopok data time series
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Saving this for later?

Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime - even offline.

Text the download link to your phone

Standard text messaging rates apply

Jurnal laporan tugas kelopok data time series

3,571
views

Published on

Published in: Education

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
3,571
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
100
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Penerapan Metode Exponential Smoothing, Moving Averages & Regresi Linier Pada Data Penyandang Buta Huruf Usia 15-44 Tahun di Indonesia Dicksena Sesarani – 09.41010.0027 Muhammad Saddam Hussen – 09.41010.0044 Prodi Sistem Informasi, Sekolah Tinggi Manajemen Informatika & Teknik Komputer (STIKOM Surabaya), Jalan Raya Kedung Baruk 98 Surabaya e-mail: dicksenayuki@yahoo.com ; dewa.crackdown@facebook.com Abstrak Time series merupakan serangkaian pengamatan berdasarkan pada urutan waktu dan banyak dijumpai pada berbagai bidang kehidupan. Berdasarkan serangkaian pengamatan tersebut dapat dibuat suatu model time series yang bisa digunakan untuk meramalkan kejadian pada periode berikutnya. Paper ini membahas tentang data penyandang buta huruf usia 15-44 tahun di Indonesia. Metode yang digunakan adalah metode Exponential Smoothing yang dapat digunakan untuk mengetahui pola tren dari suatu data dan bagaimana analisis yang diperlukan dari data tersebut untuk melakukan peramalan akan nominal dari data yang akan datang, metode Regresi Linier yang hanya dapat digunakan untuk melakukan peramalan atas data yang akan datang saja, dan metode Moving Averages yang hanya dapat digunakan untuk menganalisa pola tren dari suatu data saja, sehingga nantinya akan dapat dijadikan sebuah perbandingan pemodelan pola tren dan pemodelan analisis peramalan. Kata Kunci: time series, metode, tren, peramalan, Exponential Smoothing, Moving Averages, Regresi Linier 1. PENDAHULUAN untuk nilai L = 5, nilai dari Moving Averages ditentukan sebagai berikut:Time Series merupakan suatu deretan observasìyang diambil secara berurutan berdasarkanwaktu dengan interval sama, harian, bulanan,tahunan atau yang lain (Box dkk_,1994). Tujuanadanya pemodelan suatu data adalahmemperlihatkan suatu bentuk dari data untukmempermudah dalam melakukan suatu analisauntuk memperoleh atau mencapai suatukebutuhan tertentu.Dalam kesempatan kali ini, penulis mengambilsuatu studi kasus berupa data penyandang butahuruf usia 15-44 tahun di Indonesia. Penulis Sedangkan contoh lain dari Moving Averagesakan melakukan analisis menggunakan metode dalam bentuk grafik adalah sebagai berikut:Exponential Smoothing, Moving Average, danRegresi Linier untuk dijadikan bahanperbandingan. 2. DEFINISI2.1 MOVING AVERAGESMoving Averages adalah salah satu alat yangpaling populer dan mudah digunakan untuk paraanalis teknikal. Alat ini berfungsi untukmemuluskan satu serial data dan memudahkankita untuk memetakan tren. Sebagai contoh 1
  • 2. 2.2 EXPONENTIAL SMOOTHINGExponential Smoothing merupakan teknikanalisis data deret waktu dengan metodepemulusan. ES menggunakan bobot yangberbeda untuk data masa lalu dimanapembobotan akan menurun secara eksponensialterhadap nilai pengamatan yang lebih awal,pada metode ini diperlukan adanya penentuanparameter tertentu. Rumus untuk menentukan 3. IMPLEMENTASIES series adalah sebagai berikut: E1 = Y1 Pada tahap implementasi ketiga metode Ei = WYi + (1 – W)Ei-1 tersebut, penulis akan menerapkan perhitunganYang mana: yang telah didefinisikan di atas ke dalam dataEi = nilai dari ES yang dihitung pada periode angka buta huruf usia 15 – 44 tahun diwaktu i. Indonesia. Berikut adalah tabel yang berisi dataYi = nilai dari data time-series dalam observasi. angka buta huruf usia 15 – 44 tahun diW = bobot atau koefisien smoothing yang Indonesia:ditentukan secara objektif. Tahun JumlahContoh dari grafik yang menggunakan ESadalah sebagai berikut: 1994 6,9 1995 7,45 1996 6,89 1997 5,54 1998 5,15 1999 4,63 2000 4,5 2001 4,78 2002 3,75 2003 3,88 2004 3,3 2005 3,09 2006 2,892.3 TREN LINIER – REGRESI LINIERMetode tren linier memiliki banyak jenis, salah 2007 2,96satu model yang paling sederhana untuk tren 2008 1,95linier adalah menggunakan model Regresi 2009 1,8Linier, dengan rumusan sebagai berikut: 2010 1,71 Ŷi = b0 + b1XiYang mana:Ŷi adalah prediksi dari Y pada observasi ke-i. Sebelum melangkah lebih jauh ke dalamXi adalah nilai X pada observasi ke-i. implementasi dari metode-metode yang telah disebutkan oleh penulis di bagian sebelumnya,Dalam rumus regresi linier di atas, metode penulis menggunakan tools untuk melakukankuadrat terkecil digunakan untuk mencari nilai perhitungan setelah ini, yaitu dengan Microsoftb0, yaitu insersep, dan mencari nilai b1, yaitu Office Excel 2010.slope/kemiringan garis. 3.1 MOVING AVERAGES Untuk implementasi yang pertama adalah dengan menggunakan metode Moving Averages, 2
  • 3. dan penulis telah menetapkan secara subyektif analisis dari data tersebut. Nilai dari W adalahnilai dari L yaitu sebesar L = 3 dan L = 5. sebesar W = 0,2 (untuk kepentingan smoothingBerikut adalah tabel hasil perhitungannya: data atau mengetahui tren) dan W = 0,8 (untuk kepentingan peramalan). Berikut adalah tabel hasil perhitungannya: Moving MovingTahun Coded Jumlah Averages 3 Averages 5 Tahun Tahun ES ES Tahun Coded Jumlah (0,2) (0,8) 1994 0 #N/A #N/A 6.90 1994 0 6.90 6.90 6.90 1995 1 7.45 #N/A 7.08 1995 1 7.45 7.01 7.34 1996 2 6.89 6.626666667 6.386 1996 2 6.89 6.99 6.98 1997 3 5.54 5.86 5.932 1997 3 5.54 6.70 5.83 1998 4 5.15 5.106666667 5.342 1998 4 5.15 6.39 5.29 1999 5 4.63 4.76 4.92 1999 5 4.63 6.04 4.76 2000 6 4.50 4.636666667 4.562 2000 6 4.50 5.73 4.55 2001 7 4.78 4.343333333 4.308 2001 7 4.78 5.54 4.73 2002 8 3.75 4.136666667 4.042 2002 8 3.75 5.18 3.95 2003 9 3.88 3.643333333 3.76 2004 10 2003 9 3.88 4.92 3.89 3.30 3.423333333 3.382 2005 11 2004 10 3.30 4.60 3.42 3.09 3.093333333 3.224 2006 12 2005 11 3.09 4.30 3.16 2.89 2.98 2.838 2007 13 2.96 2.6 2.538 2006 12 2.89 4.01 2.94 2008 14 1.95 2.236666667 2.262 2007 13 2.96 3.80 2.96 2009 15 1.80 1.82 #N/A 2008 14 1.95 3.43 2.15 2010 16 1.71 #N/A #N/A 2009 15 1.80 3.11 1.87 2010 16 1.71 2.83 1.74Dari hasil perhitungan tersebut didapatkanlahgrafik Moving Averages sebagai berikut: Dari hasil perhitungan di atas, kita dapat menggambarkan grafik ES sebagai berikut: 3.3 REGRESI LINIER Untuk implementasi yang ketiga dan yang3.2 EXPONENTIAL SMOOTHING terakhir adalah dengan menggunakan metodeUntuk implementasi yang kedua adalah dengan Regresi Linier. Berikut adalah tabel hasilmenggunakan metode ES atau Exponential perhitungannya:Smoothing. Dimana disini sekali lagi penulismenentukan besaran nilai W yang akan Tahun Coded Jumla X.Y X^2 Ydigunakan dalam perhitungan secara subyektif. (X) h (Prediksi)Akan tetapi, pemilihan besaran nilai dari W 1994 0 6.90 0 0 6.05mengacu pada kebutuhan dari penulis akan 1995 1 7.45 7.45 1 5.81 3
  • 4. 1996 2 6.89 13.78 4 5.58 terlihat seluruh data di setiap waktu di time- 1997 3 16.62 9 5.35 series, sehingga keakuratan dari metode ES 5.54 1998 4 20.60 16 5.12 dalam hal mengetahui pola tren dari suatu data 5.15 tergolong cukup tinggi. Kesimpulan 1999 5 4.63 23.15 25 4.88 sederhananya adalah penggunaan metode 2000 6 4.50 27.00 36 4.65 Exponential Smoothing dalam mengetahui 2001 7 4.78 33.46 49 4.42 pola tren suatu data lebih akurat 2002 8 3.75 30.00 64 4.19 dibandingkan dengan metode Moving 2003 9 34.92 81 3.95 Averages. 3.88 2004 10 3.30 33.00 100 3.72 Kemudian kesimpulan terakhir adalah mengenai 2005 11 3.09 33.99 121 3.49 bagaimana kemampuan metode tersebut dalam 2006 12 2.89 34.68 144 3.26 melakukan peramalan data di masa yang akan 2007 13 2.96 38.48 169 3.02 datang. Dalam hal ini, terdapat dua metode 2008 14 1.95 27.30 196 2.79 untuk dianalisa satu per satu, yang pertama 2009 15 27.00 225 2.56 adalah metode ES lalu metode RL. Dalam 1.80 metode ES terlihat bahwa memang kemampuan 2010 16 1.71 27.36 256 2.33 peramalannya terlihat sangat mendekati realitas, 428.7 149 Jumlah : 136 71.17 71.17 apabila dibandingkan dengan metode RL. 9 6 Rata- 8 4.19 25.22 88 4.19 Memang secara definisi metode Regresi Linier Rata : berupa sebuah garis lurus yang kemiringannya ditentukan oleh data yang diproses, namunDari hasil perhitungan di atas, kita dapat mengingat fungsinya sama-sama untukmenggambarkan grafik Regresi Linier sebagai kepentingan peramalan, maka penulisberikut: memutuskan untuk membandingkan keduanya. Dan dapat ditarik kesimpulan sederhana berikutnya bahwa metode Exponential Smoothing lebih mendekati data realitas dibandingkan dengan metode Regresi Linier dalam hal peramalan. 5. DAFTAR RUJUKAN [1] http://www.bps.go.id/tab_sub/view.php?tabel=1& daftar=1&id_subyek=28&notab=1, diakses pada tanggal 7 Desember 2011 Pukul 19.20 WIB. 4. KESIMPULANDari ketiga metode yang telah diterapkan olehpenulis, dapat dilakukan analisis sederhanaterkait hasil perhitungan yang telahdicantumkan. Apabila mengacu pada kebutuhanakan mengetahui pola tren dari data tersebutmaka melihat pada grafik hasil perhitungandengan metode MA dan ES, terlihat perbedaanyang tidak terlalu signifikan. Meskipun padaMA terlihat kelemahan bahwa pada awal tahundan akhir tahun dari data time-series tersebuttidak termasuk di dalam grafik dikarenakanperhitungannya, hal tersebut jelas melemahkankeakuratan dari metode MA sendiri. Sedangkanapabila kita melihat pola tren dari metode ES, 4