Positif : Jurnal Sistem dan Teknologi Informasi Volume 4.
No.
2, 2018, pp.
113 - 124
E-ISSN 2460-9552
P-ISSN 2620-3227
Article history Received Augt 13, 2018
Accepted Nov 15, 2018
SISTEM PERAMALAN JUMLAH PENUMPANG KAPAL LAUT DI PELABUHAN
TANJUNG PERAK SURABAYA MENGGUNAKAN TRIPLE EKSPONENSIAL
SMOOTHING BERBASIS ANDROID
Titania Dwi Andini 1.
Rike Mariska Sunyoto 2
STMIK ASIA MALANG
e-mail : titania@asia.
Abstract Tanjung Perak is the second largest and busiest port in Indonesia after the Tanjung Priok Port and also as a trade center to the eastern part of Indonesia.
Tanjung Perak Port is included in the work unit at PT.
(Perser.
Pelabuhan Indonesia i.
Along with the development of the port, passengers who pass through the port of Tanjung Perak are also increasing.
Spikes often occur during the Lebaran season and the end of the year.
The port has difficulty in predicting the number of passenger ships.
Based on the pattern of data on the number of passenger ships in 2015-2017, seasonal data patterns tend to Then in predicting the triple exponential smoothing method is used.
This research will produce a forecasting system for the number of passenger ships at the port of Tanjung Perak for several future periods based on android.
Android as an operating system that works on smartphones is a widely used operating system.
With the use of this Android-based application, it is expected that the results of forecasting the number of ships can be accessed in a mobile manner so that they are not limited in place and time.
Keywords : Forecasting System.
Number of Marine Passengers.
Tanjung Perak Port.
Triple Exponential Smoothing.
Android Abstrak Tanjung Perak merupakan pelabuhan terbesar dan tersibuk kedua di Indonesia setelah Pelabuhan Tanjung Priok dan juga sebagai pusat perdagangan menuju kawasan Indonesia bagian timur.
Pelabuhan Tanjung Perak termasuk dalam unit kerja pada PT.
(Perser.
Pelabuhan Indonesia i.
Seiring dengan berkembangnya pelabuhan maka penumpang yang melewati pelabuhan Tanjung perak juga semakin Sering terjadi lonjakan ketika musim lebaran dan akhir tahun.
Pihak pelabuhan kesulitan dalam memprediksi jumlah penumpang kapal laut.
Berdarkan pola data jumlah penumpang kapal laut tahun 2015-2017 didapatkan pola data yang musiman cenderung fluktuatif.
Maka dalam meramalkannya digunakan metode triple eksponensial smoothing.
Penelitian ini akan menghasilkan sistem peramalan jumlah penumpang kapal laut di pelabuhan Tanjung Perak untuk beberapa periode ke depannya berbasis android.
Android sebagai salah satu sistem operasi yang bekerja pada smartphone merupakan sistem operasi yang banyak digunakan.
Dengan digunakannya aplikasi berbasis android ini diharapkan hasil dari peramalan jumlah kapal laut dapat diakses secara mobile sehingga tidak terbatas tempat dan waktu.
Kata kunci: Sistem Peramalan.
Jumlah Penumpang Kapal Laut.
Pelabuhan Tanjung Perak.
Triple Exponential Smoothing.
Android Positif : Jurnal Sistem dan Teknologi Informasi Volume 4.
No.
2, 2018, pp.
113 - 124
Pelabuhan Tanjung Perak pelabuhan yang terletak di Surabaya.
Jawa Timur.
Secara administratif, pelabuhan Tanjung Perak termasuk ke dalam Kelurahan Perak Timur.
Kecamatan Pabean Cantikan.
Kota Surabaya.
Pelabuhan Tanjung Perak merupakan pelabuhan terbesar dan tersibuk kedua di Indonesia setelah Pelabuhan Tanjung Priok juga sebagai pusat perdagangan menuju kawasan Indonesia bagian timur.
Pelabuhan Tanjung Perak menjadi salah satu unit kerja PT.
(Perser.
Pelabuhan Indonesia i.
Banyak penduduk Indonesia yang hendak melakukan perjalanan melalui Tanjung Perak menggunakan alat tranportasi kapal laut.
Apalagi ketika musim lebaran maupun akhir tahun, maka penumpang akan melonjak naik.
Kadang kala pihak Pelindo i kesulitan dalam memprediksi jumlah penumpang kapal laut, karena nantinya akan berkaitan dengan persiapan fasilitas maupun jumlah kapal yang harus dipersiapkan.
Dari diperlukan adanya peramalan untuk meramalkan jumlah penumpang kapal laut untuk periode Banyak sekali metode yang bisa digunakan dalam meramalkan sesuatu.
Salah satunya metode yang sering digunakan adalah metode eksponensial smoothing.
Metode eksponensial smoothing terdiri dari beberapa metode bergantung pola datanya yaitu metode eksponensial smoothing dan juga metode triple eksponensial smoothing.
Untuk kasus peramalan menggunakan eksponensial smoothing selama 3 dekade terakhir banyak sekali digunakan oleh beberapa Diantaranya yaitu Afiyah, 2016 meneliti tentang peramalan jumlah produksi kulit di UD Leather Magetan menggunakan metode triple exponential smoothing.
Dalam penelitiannya dihasilkan peramalan produksi kulit dengan persentase error yang sangat kecil yaitu sebesar 3,287 % yang artinya keakuratannya sebesar 96,71 %.
Selain itu juga ada penelitian dari Fitria tahun 2017 meneliti tentang Peramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential Smoothing, dan banyak banyak lagi penelitian yang berkaitan dengan peramalan.
Berdasarkan pola data jumlah penumpang kapal laut di pelabuhan Tanjung Perak dari bulan januari 2015 sampai dengan bulan mei 2017 didapatkan pola data yang sangat fluktuatif.
Terjadi pelonjakan penumpang kapal pada bulan juli pada setiap tahunnya.
Pada bulan juli tersebut merupakan musim lebaran, banyak perantau yang akan pulang ke kampung halamannya.
Poladata jumlah penumpang kapal laut di pelabuhan Tanjung Perak januari 2015- Mei
2017 ditunjukkan pada Gambar 1
Pola Data Jumlah Penumpang Tahun Januari 2015- Mei 2017
Jumlah Penumpang Kapal
PENDAHULUAN
E-ISSN 2460-9552
P-ISSN 2620-3227
Series1
1 6 11 16 21 26
Gambar 1 Pola Data Jumlah Penumpang Kapal Laut 2015-2017 (Sumber : Pelindo i Surabay.
Berdasarkan pola data tersebut maka untuk mendapatkan hasil peramalan yang akurat, metode peramalan yang digunakan yaitu Metode smoothing mampu menangani pola data yang musiman dan cenderung sangat fluktuatif.
Diharapkan nantinya dalam penelitian ini bisa meramalkan jumlah penumpang kapal laut untuk satu periode selanjutnya dan juga bahkan bisa meramalkan jumlah penumpang kapal laut untuk 2 atau 3 periode selanjutnya.
Selanjutnya akan dibuatkan sistem peramalannya berbasis TINJAUAN PUSTAKA 1 Peramalan (Forecastin.
Peramalan berasal dari kata ramalan yang artinya adalah situasi atau kondisi yang diperkirakan akan terjadi dimasa yang akan Sedangkan Ramalan tersebut dapat didasarkan atas bermacam-macam cara.
Positif : Jurnal Sistem dan Teknologi Informasi
E-ISSN 2460-9552
P-ISSN 2620-3227
Volume 4.
No.
2, 2018, pp.
113 - 124
Metode peramalan memberikan urutan pengerjaan dan pemecahan atas pendekatan suatu masalah dalam peramalan, sehingga bila digunakan pendekatan yang sama dalam suatu kegiatan peramalan, akan dapat dasar pemikiran dan pemecahan yang sama.
Baik tidaknya suatu peramalan yang disusun selain ditentukan oleh metode yang digunakan, juga ditentukan oleh baik tidaknya informasi yang digunakan.
Selama informasi yang digunakan tidak dapat meyakinkanuntuk mendapat hasil yang bagus, hasil peramalan yang disusun juga akan sukar dipercaya ketepatannya.
Semua metode peramalan menggunakan pengalaman-pengalaman masa lalu untuk meramalkan masa depan yang mengandung Oleh karena itu metode peramalan mengasumsikan bahwa kondisikondisi yang menghasilkan data masa lalu tidak berbeda dengan kondisi masa mendatang kecuali variabel-variabel digunakan dalam periode tersebut.
Ramalanramalan dalam manajemen harus dianggap sebagai suatu sistem yang sistematik.
Dengan kata lain ramalan jangan dianggap sebagai suatu hal yang permanen atau statis.
Sifat dinamis dari pasar mengharuskan suatu ramalan untuk dikaji ulang, direvisi dan didiskusikan.
Pemulusan .
dapat dilakukan untuk dua keperluan, untuk peramalan dan untuk menghilangkan gejolak jangka pendek data time Model ini memberikan bobot yang berbeda pada setiap observasi.
Observasi yang tertua memiliki bobot yang terendah dan observasi terbaru bobotnya tertinggi.
Terdapat eksponensial ini, diantarnya adalah metode exponential smoothing, dan triple exponential smoothing dengan metode kuadratik satu parameter dari Brown.
Metode triple exponential smoothingdapat digunakan untuk meramalkan pola data yang mengalami fluktuasi dalam jangka waktu yang Metode ini mengganti nilai sebelumnya dengan yang ada pada rata-rata bergerak dengan nilai perkiraan.
Permasalahan umum yang pemulusan eksponensial adalah memilih konstanta pemulusan () yang diperkirakan Nilai konstanta dipilih antara 0 dan 1 yang berlaku 0 < < 1 karena nilai menunjukan Apabila data historis sangat bergejolak atau tidak stabil, nilai yang dipilih adalah Pola historis dari data aktual relatif stabil maka nilai adalah mendekati 0.
1 Tia Yuliana.
Aplikasi Sistem Peramalan Penjualan 3 Ibid, hal 3 Dengan Menggunakan Metode Pemulusan Eksponensial Tunggal.
Studi Kasus PT.
Sari Mekar Cahaya Persada, 2012, hal.
2 Tia Yuliana.
Aplikasi Sistem Peramalan Penjualan Dengan Menggunakan Metode Pemulusan Eksponensial Tunggal.
Studi Kasus PT.
Sari Mekar Cahaya Persada, 2012, hal.
Pengertian Peramalan (Forecastin.
Peramalan .
adalah perkiraan mengenai sesuatu yang belum terjadi5.
Ramalan yang dilakukan pada umumnya akan berdasarkan data yang terdapat di masa lampau yang di analisis menggunakan metode-metode Dalam lingkungan sosial segala sesuatu itu serba tidak pasti, sukar diperkirakan secara Dalam Peramalan diupayakan agar dapat meminimumkan pengaruh ketidakpastian terhadap perusahaan.
Peramalan merupakan alat bantu yang sangat penting dalam perencanaan yang efektif dan efisien.
Dalam bidang ekonomi, perencanaan merupakan kebutuhan yang besar karena waktu tenggan untuk pengambilan keputusan dapat berkisar dari beberapa tahun sampai beberapa bulan atau bahkan dapat berkisar dari beberapa situasi seperti ini, peramalan diperlukan untuk menentukan kapan suatu peristiwa yang akan terjadi atau timbul, sehingga tindakan yang tepat dapat dilakukan.
Kegunaan peramalan terlihat pada saat pengambilan keputusan.
Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan-pertimbangan yang akan terjadi pada waktu keputusan itu dilaksanakan.
Keberhasilan dari suatu peramalan sangat ditentukan oleh:
4 Tia Yuliana.
Aplikasi Sistem Peramalan Penjualan Dengan Menggunakan Metode Pemulusan Eksponensial Tunggal.
Studi Kasus PT.
Sari Mekar Cahaya Persada, 2012, hal.
5 Pangestu Subagyo.
Forecasting Konsep dan Aplikasi.
BPFE Yogyakarta, 1986, hal.
6 Ibid, hal 10 Positif : Jurnal Sistem dan Teknologi Informasi Volume 4.
No.
2, 2018, pp.
113 - 124
Pengetahuan teknik tentang pengumpulan informasi .
masa lalu, data ataupun informasi tersebut bersifat kuantitatif.
Teknik dan metode yang tepat dan sesuai dengan pola data yang telah dikumpulkan.
Gambaran perkembangan pada masa lalu yang akan datang diperoleh dari hasil analisa data yang didapat dari penelitian yang telah Perkembangan pada masa depan merupakan perkiraan apa yang akan terjadi, sehingga dapat dikatakan bahwa peramalan selalu diperlukan dalam penelitian.
Ketepatan penelitian merupakan hal yang penting, walaupun demikian perlu diketahui bahwa suatu ramalan selalu ada unsur kesalahannya, sehingga yang pelu diperhatikan adalah usaha untuk memperkecil kesalahan dari ramalan 2 Tujuan Peramalan Tujuan peramalan adalah mendapatkan peramalan yang bisa meminimumkan kesalahan meramal .
orecast erro.
yang biasa diukur dengan Mean Absolute Error (MAD) dan Mean Squre Error (MSE)7.
Sehingga dengan adanya peramalan produksi manajemen perusahaan akan mendapatkan gambaran keadaan produksi dimasa yang akan datang, dan akan memberikan kemudahan manajeman perusahaan dalam menentukan kebijakan yang akan dibuat oleh Menurut Gaspersz tujuan peramalan adalah untuk meramalkan permintaan dari item-item independent demand di masa yang akan datang.
3 Kegunaan Peramalan Sering terdapat senjang .
ime la.
waktu antara kesadaran dan peristiwa.
Adanya waktu tenggang .
ead tim.
ini merupakan alasan utama bagi perencanaan dan peramalan.
Dalam situasi itu peramalan diperlukan untuk menetapkan kapan suatu peristiwa akan terjadi atau timbul.
Dalam perencanaan di organisasi atau perusahaan peramalan merupakan kebutuhan yang sangat penting, baik buruknya peramalan dapat mempengaruhi seluruh bagian organisasi
karena waktu tenggang untuk pengambilan E-ISSN 2460-9552
P-ISSN 2620-3227
keputusan dapat berkisar dari beberapa tahun.
Dalam bagian organisasi terdapat keguanaan peramalan, yaitu:
Berguna untuk penjadwalan sumber daya yang tersedia.
Penggunaan sumber daya yang efisien transportasi, kas, personalia dan sebagainya.
Input yang penting untuk penjadwalan seperti itu adalah ramalan tingkat permintaan akan konsumen atau pelanggan.
Berguna dalam penyediaan sumber daya tambahan waktu tenggang.
Penyediaan sumber daya tambahan waktu tenggang untuk memperoleh bahan baku, menerima pekerjaan baru atau membelimesin dan peralatan berkisar antara beberapa hari sampai masa mendatang.
Berguna untuk menentukan sumber daya yang diinginkan.
Semua organisasi harus menetukan sumber daya yang dimiliki dalam jangka Keputusan semacam itu bergantung pada faktor lingkungan, manusia dan perkembangan sumber keuangan.
Semua penentuan ini memerlukan ramalan yang baik dan manager yang dapat menafsirkan pendugaan serta membuat keputusan yang Walaupun terdapat banyak bagian lain yang memerlukan peramalan, namun 3 kelompok tersebut merupakan bentuk khas dari kegunaan peramalan jangka pendek, menengah dan Dapat dikatakan metode peramalan sangat berguna akan membantu dalam mengadakan analisis data masa lalu, sehingga dapat meberikan cara pemikiran.
Pengerjaan yang teratur dan terarah, perencanaan yang sistematis serta memberikan ketepatan hasil peramalan yang dibuat atau disusun.
4 Hubungan Peramalan Rencana Ramalan adalah peramalan apa yang akan terjadi pada waktu akan datang, sedangkan rencana merupakan penentuan yang akan dilakukan pada waktu yang akan datang9.
7 Pangestu Subagyo.
Forecasting Konsep dan 9 Pangestu Subagyo.
Forecasting Konsep dan Aplikasi Edisi Kedua.
BPFE Yogyakarta, 2002, hal.
8 Vincent Gasperz.
Production Planning and Inventory Control.
Gramedia Pustaka Utama, 2005 Aplikasi Edisi Kedua.
BPFE Yogyakarta, 1986, hal.
Positif : Jurnal Sistem dan Teknologi Informasi Volume 4.
No.
2, 2018, pp.
113 - 124
Dengan sendirinya terjadi perbedaan antara ramalan dengan rencana.
Sehingga dapat disimpulkan bahwa ramalan adalah peramalan yang akan terjadi, tetapi belum tentu bisa dilaksanakan oleh perusahaan.
Beberapa perusahaan untuk menyusun rencana untuk menghadapi waktu yang akan datang, antara lain sebagai berikut.
Waktu yang akan datang penuh dengan perusahaan harus mempersiapkan diri sejak awal tentang apa yang dilakukannya nanti.
Waktu yang akan datang penuh dengan berbagai alternatif pilihan, sehingga perusahaan harus mempersiapkan diri sejak awal, alternatif manakah yang akan dipilihnya nanti.
Rencana diperlukan oleh perusahaan sebagai pedoman kerja di waktu yang akan datang.
Dengan adanya rencana berarti ada suatu pegangan mengenai apa yang akan dilakukan nanti, sehingga jalannya perusahaan lebih terarah menuju ke sasaran .
perusahaan yang telah ditetapkan.
Rencana diperlukan oleh perusahaan sebagai alat pengkoordinasian kegiatan-kegiatan dari seluruh bagian-bagian yang ada dalam Dengan adanya rencana, maka kegiatan-kegiatan seluruh bagian dalam perusahaan akan saling menunjang menuju sasaran yang telah ditetapkan.
Rencana diperlukan oleh perusahaan sebagai alat pengawasan terhadap pelaksanaan .
dari rencana tersebut di waktu yang akan datang.
Dengan adanya suatu rencana, maka perusahaan mempunyai tolak ukur untuk menilai .
realisasi kegiatankegiatan perusahaan tersebut.
Penentuan Pola Data Hal penting yang harus diperhatikan dalam metode deret berkala adalah menentukan jenis pola data historisnya, sehingga pola data yang tepat dengan pola data historis tersebut dapat diuji, pola data umumnya dapat dilakukan sebagai berikut:
E-ISSN 2460-9552
P-ISSN 2620-3227
Pola Data Horizontal Pola ini terjadi bila nilai berfluktuasi di rata-rata Berikut menunjukan pola data horizontal.
Gambar 2.
1 Pola Data Horizontal10 Pola Data Musiman Pola yang menunjukan perubahan yang berulang-ulang secara periodik dalam deret waktu.
Pola yang ini terjadi bila suatu deret dipengaruhi oleh faktor musiman misalnya kwartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu.
Berikut gambar 2.
menunjukan pola data musiman.
Gambar 2.
2 Pola Data Musiman11 Pola Data Siklis Pola data yang menunjukan gerakan naik turun dalam jangka panjang dari suatu kurva trend, yang terjadi akibat pengaruh fluktuasi ekonomi jangka dengan siklus bisnis.
Berikut gambar 2.
menunjukan pola data siklis.
Gambar 2.
3 Pola Data Siklis12 10 Alda raharja.
Penerapan Metode Exponential 11 Alda raharja.
Penerapan Metode Exponential Smoothing untuk Peramalan Penggunaan Waktu Telepon si PT.
TELKOMSEL DIVRE3
SURABAYA.
ITS Surabaya, hal.
Smoothing untuk Peramalan Penggunaan Waktu Telepon si PT.
TELKOMSEL DIVRE3
SURABAYA.
ITS Surabaya, hal.
12 Ibid, hal.
Positif : Jurnal Sistem dan Teknologi Informasi Volume 4.
No.
2, 2018, pp.
113 - 124
Pola Data Trend Pola data yang menunjukan kenaikan atau penurunan jangka panjang dalam Berikut gambar 2.
4 menunjukan pola data trend.
Gambar 2.
4 Pola Data Trend13 Langkah-Langkah Peramalan Kualitas atau mutu peramalan dari hasil peramalan sangat ditentukan oleh proses Ada tiga langkah peramalan yang penting, yaitu:
Menganalisa data masa lalu.
Analisa ini dilakukan dengan menggunakan metode kuantitatif dikarenakan data historis berupa jumlah produksi kulit.
Dengancara membuat chart data masa lalu pada Microsoft Excel sehingga dapat diketahui pola data yang akan Menentukan metode yang digunakan.
Metode peramalan yang baik adalah metode yang memberikan hasil ramalan yang tidak jauh berbeda dengan kenyataan yang terjadi.
Yaitu penyimpangan antara hasil peramalan dengan nilai kenyataan sekecil Memproyeksikan data masa lalu dengan menggunakan metode yang Hasil yang digunakan untuk Ukuran Peramalan Ketepatan Metode 13 Alda raharja.
Penerapan Metode Exponential Smoothing untuk Peramalan Penggunaan Waktu Telepon si PT.
TELKOMSEL DIVRE3
SURABAYA.
ITS Surabaya, hal.
E-ISSN 2460-9552
P-ISSN 2620-3227
Ketepatan ramalan adalah suatu hal yang mendasar dalam peramalan, yaitu bagaimana mengukur kesesuaian suatu metode peramalan Ketepatan dipandang sebagai kriteria penolakan untuk memilih suatu metode Dalam pemodelan deret berkala .
ime serie.
dari data masa lalu dapat diramalkan situasi yang akan terjadi pada masa yang akan datang, untuk menguji kebenaran ramalan ini digunakan ketepatan ramalan.
Jika Xt merupakan data aktual pada periode i dan Fi merupakan ramalan untuk periode yang sama, maka galat atau kesalahan didefinisikan sebagai berikut:
yce = ycU Oe ya a.
Keterangan:
yce = kesalahan pada periode i ycU = data aktual pada periode i ya = peramalan pada periode i Jika terdapat nilai pengamatan dan peramalan untuk n periode waktu, maka akan terdapat n buah kesalahan dan ukuran-ukuran relative yang dapat didefinisikan sebagai PE (Percentage Erro.
adalah mengukur rata-rata kesalahan dugaan.
PE = [
MPE (Mean Percentage Erro.
adalah metode untuk pendekatan kesalahan yang Oc
MPE =
MAPE (Mean Absolute Percentage Erro.
mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan dengan nilai nyata.
MAPE =
O 100a.
Keterangan:
Xt = Data sebenarnya pada periode ke-i Ft = Nilai ramalan pada periode ke-i n = Banyaknya periode waktu peramalan Metode Exponential Smoothing Metode ini merupakan metode forecast yang dikemukakan oleh Brown.
Dengan 14 Kusuma.
Statistik Teori dan Aplikasi.
Erlangga, 2000, hal.
Positif : Jurnal Sistem dan Teknologi Informasi
E-ISSN 2460-9552
P-ISSN 2620-3227
Volume 4.
No.
2, 2018, pp.
113 - 124
menggunakan persamaan kuadrat, metode ini cocok digunakan untuk membuat forecast hal yang berfluktuasi untuk mengalami gelombang pasang surut.
Persamaan yang dipakai dalam Triple Eksponensial parameter dari Brown ditunjukkan pada persamaan sebagai berikut:
S 't= Xt .
- )S 't-1.
S ''t =S't .
- )S''t-1 .
S '''t = S ''t .
- )S''t-1.
at = 3S 't -3S ''t S '''t.
yca = ( ) [.
Oe 5y.
ycI yc Oe .
Oe Walaupun demikian pendekatannya dalam mencoba menyesuaikan nilai ramalan sehingga ramalan tersebut dapat mengikuti perubahan trend yang kuadratik adalah sama.
Proses inisialisasi pada pemulusan eksponensial kuadratik dari Brown bisa sangat sederhana, jika ditetapkan SAo1 = SAoAo1 = SAoAoAo1 = X1.
Yang cukup untuk memulai peramalan dari periode 2 dan Dapat dikatakan bahwa pada periode 2 nilai SAo2.
SAoAo2 dan SAoAoAo2 dapat dihitung dengan menggunakan persamaan .
Walaupun demikian, dengan metode ini kita tidak mudah untuk melacak dampak dari proses inisialisasi tersebut pada ramalan yang akan datang.
ycI"t .
S'"y.
yca = ( .
cI yc Oe 2ycI"yc S'"ta.
PEMBAHASAN
Ft m = At Bt.
0,5Ct .
co )AA.
1 Analisa Permasalahan Dimana:
= Data aktual pada periode t SAo = Nilai pemulusan single exponential SAoAo = Nilai pemulusan double exponential SAoAoAo = Nilai pemulusan triple exponential = Nilai rata-rata untuk periode t atau konstanta untuk persamaan forecast ke t = Nilai kecenderungan / trend linier atau slope untuk persamaan forecast ke t = Komponen musiman untuk persamaan forecast ke t = Konstanta / faktor pemulusan A F t 1 = Prakiraan untuk periode t = Jumlah periode ke muka yang diramalkan .
Persamaan yang dibutuhkan untuk pemulusan kuadratik jauh lebih rumit dari pada persamaan untuk pemulusan tunggal dan linear.
Model Guest Permsalahan mendukung ltar belakang masalah adalah : 1.
Menganalisa data jumlah penumpang kapal laut di pelabuhan Tanjung Perak.
Menentukan Metode peramalan yang akan digunakan berdasarkan hasilanalisa data.
Melakukan proses perhitungan dengan menggunakan metode triple eksponensial smoothing.
Merancang sistem peramalannya berbasis Pengujian sistem peramalan dan 6.
Penarikan Kesimpulan, hasil ramalan jumlah penumpang kapal laut periode selanjutnya dengan cara membandingkan MAPE terkecil.
1 Perancangan Sistem Gambaran secara global sistem yang akan dibangun akan tergambarkan pada diagram di bawah ini :
Akses Sistem Model Admin Peramalan Penumpang Data Penumpang Proses Peramalan Gambar 3.
1 Diagram sistem Positif : Jurnal Sistem dan Teknologi Informasi Volume 4.
No.
2, 2018, pp.
113 - 124
Deskripsi gambar diagram di atas adalah :
pengguna megakses sistem akan menjadi dua jenis yaitu sebagai guest atau admin.
Jika sebagai admin, maka user dapat memodifikasi (Tambah.
Edit dan hapu.
data penumpang dan melakukan proses peramalan dan dapat melakukan peramalan penumpang.
Jika user sebagai guest, maka user hanya bisa mengakses peramalan penumpang dengan periode yang 2 Perancangan Peramalan Untuk penerapan peramalan dengan metode penghalusan triple exponential smoothing sebagai berikut :
Mulai E-ISSN 2460-9552
P-ISSN 2620-3227
Adapun untuk flowchart pengujian ketepatan metode peramalan atau mencari prosentse kesalahan dalam perhitungan peramalan dapat dilihat pada Gambar berikut ini:
Input data penjualan ( Xt ) hasil peramalan ( Ft ) Untuk inisialisasi Input Data Penjualan ( Xt ) Konstanta Alpha ( ) PE=((Xt-F.
/X.
S 't A aXt A .
A .
S 't A1
APE=ABS(PE)
S ' 't A aS 't A.
A .
S ' 't A1 S ' ' 't A aS ' 't A.
A .
S ' ' 't A1 at A 3S 't A3S ' 't A S ' ' 't bt A .
A .
S 't A.
A 8.
S ' 't A .
A 3.
S ' ' 't 2.
A .
2 ct A (S 't A2S ' 't A S ' ' 't .
A .
2 Ft A m A at A bt A m A ct m 2 Hasil Peramlan Penjualan Pada Periode Berikutnya Selesai Gambar 3.
2 Flowchart penghalusan triple exponential smoothing If t = n n=jumlah data
APE
t=t 1 MAPE=(OcAPE / .
Gambar 3.
3 Flowchart pengujian ketepatan metode peramalan Berikut ini Tabel 3.
1 hasil perhitungan dari = 0.
1 sampai dengan = 0.
Positif : Jurnal Sistem dan Teknologi Informasi
E-ISSN 2460-9552
P-ISSN 2620-3227
Volume 4.
No.
2, 2018, pp.
113 - 124
Tabel 3.
1 Perhitungan APE = 0.
1 - 0.
Bulan Jumlah Jan Ao15
Feb Ao15
MarAo15
AprAo15
Mei
Ao15
Juni
Ao15
APE
= 0.
APE
= 0.
APE
= 0.
APE
= 0.
APE
= 0.
APE
= 0.
APE
= 0.
APE
= 0.
APE
= 0.
16,70%
12,01%
7,33%
2,64%
2,05%
6,73%
11,42%
16,11%
20,79%
8,38%
0,30%
5,95%
10,37%
12,97%
13,74%
12,69%
9,81%
5,10%
1,53%
9,17%
12,75%
13,12%
11,15%
7,69%
3,59%
0,28%
3,07%
33,06%
36,36%
35,90%
33,38%
30,12%
27,11%
24,96%
23,97%
24,04%
Juli Ao15
67,66%
64,39%
59,62%
54,49%
49,68%
45,45%
41,82%
38,60%
35,55%
Ags
Ao15
36,39%
9,08%
17,70%
42,38%
64,42%
83,92%
101,24%
116,77%
130,74%
SeptAo15
66,63%
131,58%
172,16%
187,26%
178,73%
149,52%
102,51%
40,14%
35,65%
Okt Ao15
60,83%
86,93%
70,76%
24,48%
37,86%
103,05%
159,75%
198,46%
211,20%
NovAo15
94,78%
93,79%
46,25%
12,19%
54,55%
65,19%
39,33%
18,69%
97,09%
Des Ao15
50,68%
24,33%
25,48%
62,99%
74,20%
62,19%
40,11%
24,36%
29,07%
Jan Ao16
43,84%
8,13%
30,43%
41,55%
26,14%
0,97%
24,92%
38,77%
45,90%
Feb Ao16
101,45%
42,72%
4,37%
10,58%
39,38%
63,73%
70,34%
60,83%
43,11%
MarAo16
66,16%
3,25%
37,12%
34,78%
26,60%
31,18%
48,68%
70,18%
87,89%
AprAo16
85,14%
2,48%
26,28%
10,05%
7,38%
15,52%
22,84%
38,83%
65,97%
7,35%
52,56%
61,23%
49,92%
43,08%
43,00%
45,16%
48,68%
56,67%
55,65%
74,94%
69,94%
59,22%
51,39%
45,66%
40,11%
34,25%
27,79%
Mei
Ao16
Juni
Ao16
Juli Ao16
66,77%
64,67%
50,02%
35,04%
23,17%
13,42%
4,99%
2,20%
8,06%
AgsAo16
11,53%
57,77%
117,70%
165,28%
197,51%
218,39%
230,45%
235,10%
233,66%
SeptAo16
71,41%
116,91%
145,58%
127,35%
70,31%
11,83%
109,55%
215,85%
324,98%
Okt Ao16
75,95%
88,12%
66,90%
5,71%
64,61%
117,25%
135,75%
110,44%
36,46%
NovAo16
98,35%
79,99%
28,95%
36,27%
74,21%
69,04%
28,02%
28,18%
71,53%
Des Ao16
24,25%
7,10%
47,73%
77,99%
80,65%
62,61%
41,00%
30,66%
37,22%
Jan Ao17
24,97%
6,90%
31,21%
31,66%
6,85%
25,61%
50,66%
64,89%
74,61%
Feb Ao17
44,74%
7,19%
8,38%
3,84%
28,82%
43,73%
40,10%
22,46%
2,20%
MarAo17
22,89%
15,38%
26,17%
17,36%
8,75%
13,10%
26,88%
40,49%
47,14%
AprAo17
24,56%
13,05%
14,71%
0,54%
9,12%
10,37%
11,61%
19,33%
33,33%
Mei
Ao17
7,01%
35,11%
32,23%
22,33%
19,03%
21,12%
23,51%
25,72%
30,62%
46,98
42,37
43,43
50,78
55,25
58,29
67,38
Dari perhitungan di atas, maka hasil dari MAPE dari setiap alfa yang dihitung adalah sebagai berikut :
Positif : Jurnal Sistem dan Teknologi Informasi Volume 4.
No.
2, 2018, pp.
113 - 124
E-ISSN 2460-9552
P-ISSN 2620-3227
Tabel 3.
10 Perhitungan MAPE tiap alfa
Alfa
MAPE
46,98
42,37
43,43
50,78
55,25
58,29
67,38
Gambar 3.
1 User Interface awal 3 Implementasi Sistem Untuk mengakses ada dua jenis pengguna yaitu admin dan user dimana akan dibedakan akses aplikasinya.
Berikut tampilan awal inputan user, password dan captcha nya :
Untuk pembagian menu pembeda antara user dangan admin adalah sebagai berikut :
Gambar 3.
2 Menu User Interface Previlage Administrator akan bisa mengakses menu Data penumpang.
Data peramalan.
Laporran grafik dan manajemen user.
Administrator berhak menambahkan, mengedit dan menghapus data penumpang, data peramalan dan data user.
Positif : Jurnal Sistem dan Teknologi Informasi
E-ISSN 2460-9552
P-ISSN 2620-3227
Volume 4.
No.
2, 2018, pp.
113 - 124
Data Penumpang Data Peramalan Laporan Grafik Manajemen User Gambar 3.
3 Menu Administrator Untuk previlage user dapat melakukan peramalan yang diinginkan dan menampilkan laporan grafik saja, untuk mengeit data harus menghubungi administrator yang telah ditentukan.
Data Peramalan Laporan Grafik Gambar 3.
4 Menu User
KESIMPULAN
Dari tabel 3.
10 dapat dilihat bahwa MAPE terkecil ada pada alfa 0,2.
Dapat disimpulkan bahwa pada alfa tersebut dapat digunakan untuk peramalan selanjutnya.
Untuk ketentuan sebuah peramalan dikatakan mendekati keadaan nyata dan sesuai, maka perhitungan MAPE setidaknya kurang dari 10.
Namun jika dilihat dari perhitungan MAPE pada tabel 3.
10 dimana hasil dari seluruh alfa 0,1 hingg alfa 0,9 memiliki nilai lebih dari 10, maka peramalan jumlah penumpang pada Pelabuhan Tanjung Perak bisa dikatakan belum sesuai.
Positif : Jurnal Sistem dan Teknologi Informasi Volume 4.
No.
2, 2018, pp.
113 - 124
Disarankan jika penggunaan metode Triple Exponential Smoothing ternyata menghasilkan nilai yang masih tergolong besar hingga ditemuka ketidak sesuaian hasil peramalan, maka disarankan untuk menggunakan metode yang lain seperti metode Hot Winter karena memiliki 3 parameter perbaikan yang diolah.
DAFTAR PUSTAKA