PERAMALAN TINGKAT PENGHUNIAN KAMAR HOTEL BERBINTANG DI
KOTA MALANG MENGGUNAKAN METODE SINGLE EXPONENTIAL
SMOOTHING DAN DOUBLE EXPONENTIAL SMOOTHING
Laksmi Pratiti1.
Bambang Nurdewanto2 laksmipratiti935@gmail.
com, 2 nurdewa@unmer.
Fakultas Teknologi Informasi.
Program Studi Sistem Informasi Universitas Merdeka Malang
ABSTRAK
Ketidakpastian tingkat hunian hotel di Kota Malang dapat mempengaruhi keputusan investor dalam industri perhotelan di kota tersebut.
Oleh karena itu, diperlukan adanya peramalan untuk menentukan berapa banyak kamar yang harus disediakan untuk memenuhi permintaan yang diperkirakan.
Tanpa peramalan, dapat mengakibatkan pemborosan sumber daya dengan memiliki terlalu banyak atau terlalu sedikit kamar yang tersedia.
Penelitian ini bertujuan untuk meramalkan Tingkat penghunian kamar hotel berbintang yang ada di Kota Malang berdasarkan dari situs resmi BPS.
Meramalkan Tingkat penghunian kamar hotel berbintang dapat mengetahui perkembangan perekonomian nasional.
Penelitian ini dilakukan untuk mencari metode terbaik dari metode yang akan dipakai.
Pada penelitian ini akan menggunakan metode Single Exponential Smoothing dan Double Exponential Smoothing.
Hasil penelitian ini akan berperan dalam meningkatkan pengetahuan di bidang peramalan tingkat penghunian kamar hotel, yang akan menjadi dasar untuk penelitian selanjutnya.
Hasil perbandingan yang didapat yaitu Double Exponential Smoothing menghasilkan peramalan yang lebih akurat dibandingkan dengan Single Exponential Smoothing.
Hal ini disebabkan oleh hasil peramalan menggunakan metode Double Exponential Smoothing memiliki nilai Mean Absolute Percentage Error (MAPE) yang lebih kecil, dengan menggunakan nilai = 0,061 dan = 1, diperoleh peramalan sebesar 6214,26 dan MAPE sebesar 10%.
Kata Kunci: SES.
DES.
Peramalan.
Tingkat Penghunian Kamar
PENDAHULUAN
Kota Malang, yang berada di wilayah Provinsi Jawa Timur.
Indonesia, telah menjadi tujuan wisata yang menarik bagi pengunjung baik dalam maupun luar Malang menarik minat banyak orang yang ingin merasakan liburan yang mengesankan karena keindahan alamnya, warisan budayanya yang kaya, dan adanya berbagai macam atraksi wisata.
Menurut BPS .
di bulan Januari 2024, tingkat hunian hotel bintang di Kota Malang turun menjadi sekitar 45%, sedangkan pada bulan Februari 2024, naik menjadi sekitar 52%.
Perubahan ini mencerminkan penurunan signifikan dari bulan sebelumnya.
Ketidakpastian tingkat hunian hotel di Kota Malang dapat mempengaruhi keputusan investor dalam industri perhotelan di kota tersebut.
Oleh karena itu, diperlukan adanya peramalan untuk menentukan berapa banyak kamar yang harus disediakan untuk memenuhi permintaan yang diperkirakan.
Tanpa peramalan, dapat mengakibatkan pemborosan sumber daya dengan memiliki terlalu banyak atau terlalu sedikit kamar yang tersedia.
Penelitian peramalan Aziza .
menggunakan Metode Moving Average.
Single Exponential Smoothing, dan Double Exponential Smoothing, menjelaskan bahwa Double Exponential Smoothing lebih sesuai dibandingkan Moving Average dan Single Exponential Smoothing.
Dengan hasil di bulan November, jumlah tabung adalah 71.
625, pada bulan Desember berjumlah 69.
345, dan di bulan Januari hanya ada 67.
037 tabung.
Sedangkan dalam penelitian lain oleh Ilmananda & Lestari .
memprediksi peserta didik baru pada periode 20172023 dengan menggunakan tiga jenis pendaftaran, yaitu Zonasi.
Prestasi, dan Afirmasi, data akan diproses dan dianalisis menggunakan Microsoft Excel.
Dalam penelitian ini Single Exponential Smoothing lebih baik dibandingkan Double Exponential Smoothing karena memiliki MAPE terkecil.
penjualan 11 bulan terakhir.
dimulai dari bulan Oktober tahun 2018.
Jumlah total data transaksi yang akan dipakai adalah Metode ini telah diimplementasikan dengan baik dan dapat dijadikan perkiraan jumlah product yang dijual.
Berdasarkan penelitian sebelumnya, penelitian ini telah ditingkatkan dan disesuaikan dengan situasi tertentu yang sedang dihadapi.
Penelitian ini bertujuan untuk meramalkan Tingkat penghunian kamar hotel berbintang yang ada di Kota Malang berdasarkan dari situs resmi BPS.
Meramalkan Tingkat penghunian kamar hotel berbintang dapat mengetahui perkembangan perekonomian nasional (Awaludin & Mantik, 2.
Penelitian ini dilakukan untuk mencari metode terbaik dari metode yang akan dipakai.
Pada penelitian ini akan meng-gunakan metode Single Exponential Smoothing dan Double Exponential Smoothing.
Hasil penelitian ini akan ber-peran dalam meningkatkan pengetahuan di bidang peramalan tingkat penghunian kamar hotel, yang akan menjadi dasar untuk penelitian selanjutnya.
Penelitian oleh Vimala & Nugroho menggunakan teknik Single.
Double.
Dan Triple Exponential Smoothing.
Untuk menentukan algoritma terbaik dalam melakukan prediksi penjualan obat di Apotek Mandiri Medika, dapat dilakukannya analisis pada nilai SSE yang dihasilkan oleh setiap algoritma yang digunakan (Awaludin, 2.
Dengan melihat nilai SSE, kita dapat menentukan algoritma yang paling akurat dalam memprediksi penjualan obat Teknik Triple Exponential Smoothing adalah pilihan utama dalam meramalkan jumlah pen-jualan obat di Apotek Mandiri Medika dikarenakan memiliki tingkat kesalahan prediksi yang lebih kecil.
Dalam penelitian lain oleh Syaliman .
Inaura menggunakan metode Single Exponential Smoothing untuk menjual produk perawatan rambut.
Data penjualan yang digunakan sebagai contoh adalah data penjualan suatu produk tertentu.
Data
perkiraan akan dibandingkan de-ngan
data penjualan aktual bulan September Analisis ini mengguna-kan data
METODE PENELITIAN
Metode yang dilakukan menggunakan pendekatan kualitatif dan kuantitatif.
Dalam melaksanakan penelitian ini, informasi yang digunakan berasal dari sumber data yang ada di situs resmi BPS (Badan Pusat Statisti.
Dalam populasi penelitian ini yaitu Tingkat Penghunian Kamar Hoter Berbintang.
Untuk data yang digunakan berasal dari Tingkat Penghunian Kamar Hoter Berbintang di Kota Malang dari Januari 2023 hingga Februari 2024.
1 Flowchart Berikut adalah Alur Penelitian yang sederhana.
Dengan memakai teknik peramalan ini, kita tetap mampu melakukan prediksi untuk waktu yang pendek, seperti satu periode ke depan.
Metode ini biasanya digunakan ketika ingin melakukan prediksi jangka pendek.
Metode Single Exponential Smoothing menggunakan penurunan bobot secara signifikan pada peningkatan terhadap nilai pengamatan yang begitu lama.
Artinya, diberikan nilai yang terkini.
Nilai observasi yang lebih lama memiliki beban yang lebih rendah dibandingkan pada nilai yang relatif lebih besar (Nurfirani et al.
, 2.
Gambar 1.
Flowchart Penelitian 2 Data Penelitian Data sekunder digunakan dalam penelitian ini.
Data yang diperoleh dengan berkonsultasi informasi lain disebut data sekunder, seperti artikel, jurnal, dan sumber lainnya (Herdayati et , 2.
Dalam penelitian ini memanfaatkan informasi yang sudah ada dalam bentuk data sekunder.
Data sekunder pada penelitian ini diperoleh melalui situs resmi BPS.
Ft 1 = Xt .
Ft Keterangan:
Ft 1: peramalan untuk periode ke t 1 Xt : nilai actual periode ke-t : bobot yang menunjukkan konstanta penghalus .
< < .
Ft : peramalan untuk periode ke t 4 Double Exponential Smoothing Menurut Mirdaolivia & Amelia .
Double Exponential Smoothing adalah metode pemulusan tren yang memuluskan nilai menggunakan parameter yang berbeda dari rangkaian aslinya (Firdaus.
Muksin, & Awaludin.
Metode ini memiliki dua parameter pemulusan: dan .
Kedua parameter ini memiliki nilai antara 0 dan Ini digunakan untuk memperoleh data tren baru, menghapus estimasi dari nilai data Holt, dan menempatkan estimasi di awal estimasi.
Metode ini memiliki 3 persamaan yaitu:
Tabel 1.
Data Tingkat Penghunian Kamar Hotel Berbintang Tahun Bulan Data Hotel Bintang Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Januari Februari St = Xt 1.
)(St 1 bt .
Bt = (St St .
)bt 1 Ft m = St btm Keterangan:
St : nilai pemulusan pada waktu t .
t=1,2,A,n 3 Single Exponential Smoothing Single Exponential Smoothing adalah suatu teknik yang mudah dan St-1 : nilai pemulusan pada waktu t-1 : konstanta pemulusan b1 : trend pada waktu t .
t=1,2,A,n bt-1 : trend pada waktu : konstanta pemulusan untuk estimasi trend Xt : nilai data pada waktu t .
t=1,2,A,n M : periode waktu ke depan Ft m : nilai ramalan pada waktu t m Gambar 2.
Hasil Perhitungan SES dengan = 0,2 Hasil dan Pembahasan 1 Hasil 1 Perhitungan Single Exponential Smoothing Gambar 2.
menunjukkan perhitungan tingkat hunian kamar hotel berbintang dengan menggunakan Microsoft Excel.
Proses peramalan biasanya dimulai pada periode kedua karena memerlukan data minimal satu periode sebelumnya untuk menghasilkan ramalan periode berikutnya.
Berdasarkan diagram pada Gambar 3, hasil perhitungan peramalan kemudian diubah menjadi diagram.
Pada ilustrasi berikut, grafik berwarna biru menunjukkan data aktual sedangkan grafik hijau menunjukkan hasil perhitungan peramalan dengan nilai = 0,2.
Nilai menentukan nilai yang diharapkan untuk periode perkiraan Data .
Ae ).
Periode Data Pertama.
Pada periode ketiga ditentukan nilai estimasi .
Data .
Ae ).
Data Ramalan Kedua.
Langkah yang sama akan dilakukan pada periode-periode berikutnya, seperti periode keempat dan Sehingga dapat menghasilkan perkiraan atau prakiraan untuk periode yang akan datang.
Pada = 0,2 maka nilai peramalan sebesar 5720,7.
Gambar 3.
Grafik Hasil Perhitungan SES dengan = 0,2 Nilai prediksi periode perkiraan kedua diperoleh berdasarkan nilai .
Data .
Ae ).
Data dari periode pertama.
Selanjutnya diperoleh peramalan berdasarkan nilai .
Data .
Ae ).
Perkiraan data nomor 2.
Periode lainnya yaitu mulai periode 4 dan seterusnya akan mengikuti langkah yang sama seperti pada periode ke-3.
Oleh karena itu, ia memiliki kemampuan untuk menghasilkan perkiraan atau prakiraan untuk periode mendatang.
Jika = 0,838 diperoleh hasil prediksi sebesar 5200,0.
Rata-rata persentase kesalahan absolut (MAPE) dihitung dengan mengambil rata-rata nilai persentase kesalahan MAPE menentukan seberapa akurat suatu model dalam melakukan peramalan atau prediksi dengan cara membandingkan nilai sebenarnya dengan nilai estimasi dalam bentuk persentase kesalahan absolut.
Nilai rata-rata persentase kesalahan absolut digunakan untuk menghitung rata-rata persentase kesalahan absolut berikutnya.
Jika = 0,9 maka diperoleh hasil prediksi sebesar 5202,3.
(MAPE).
Dengan membandingkan nilai aktual dengan nilai prediksi dalam persentase kesalahan absolut.
MAPE mengevaluasi keakuratan suatu model dalam mengembangkan prakiraan atau Nilai rata-rata persentase kesalahan absolut digunakan untuk menghitung rata-rata persentase kesalahan absolut (MAPE).
Untuk mengevaluasi keakuratan suatu model saat melakukan prediksi atau prediksi.
MAPE menggunakan tingkat kesalahan absolut untuk membandingkan nilai aktual dengan nilai Gambar 4.
Hasil Perhitungan SES dengan = 0,838 Berdasarkan diagram pada Gambar 5, hasil perhitungan peramalan kemudian diubah menjadi representasi.
Grafik berwarna sebenarnya, sedangkan grafik berwarna hijau menunjukkan hasil perhitungan peramalan dengan nilai = 0,838.
Gambar 6.
Hasil Perhitungan SES dengan = 0,9 Hasil perhitungan peramalan kemudian disajikan secara grafis seperti terlihat pada Gambar 7.
Gambar berikut menampilkan data aktual pada grafik berwarna biru, dan hasil perhitungan prediksi pada grafik berwarna hijau, dengan = 0,9.
Gambar 5.
Grafik Hasil Perhitungan SES dengan = 0,838 Nilai prediksi periode perkiraan kedua dihitung menggunakan nilai alpha.
Data .
Ae ).
Data awal.
Kemudian pada periode ketiga diperoleh peramalan berdasarkan nilai .
Data .
Ae ).
Data Hal yang sama seperti pada periode ketiga akan dilaksanakan pada periode keempat berikutnya dan seterusnya.
Dengan cara ini, dapat menghasilkan perkiraan dan prakiraan untuk periode Gambar 7.
Grafik Hasil Perhitungan SES dengan = 0,9 Perhitungan Double Exponential Smoothing Pada langkah pertama, nilai diekstraksi dari data.
Nilai data awal adalah sumber nilai awal saat ini.
Hasil perhitungan prediksi disajikan pada bentuk grafik seperti yang terlihat dalam Gambar 8.
Pada gambar berikut, grafik berwarna biru menunjukkan data actual dan grafik berwarna hijau menunjukkan hasil prediksi ( = 0,5 = 0,.
memberikan nilai fase pada babak data periode pertama .
Ae ).
(Level pertama Tren pertam.
Ketiga kalinya, lakukan hal yang sama seperti yang kedua kalinya.
Mungkin terdapat akurasi dan daya tanggap yang lebih besar dengan tingkat kehadiran ini.
Nilai trend periode kedua dapat dilihat dari estimasi (Level kedua Ae Level pertam.
Trend periode pertama.
Tindakan yang dilakukan pada periode sebelumnya diulangi pada periode Kehadiran tren serupa pada level tersebut dapat memberikan prediksi yang lebih tepat dan tanggap.
Gambar 9.
Grafik Hasil Perhitungan DES dengan = 0,5 = Dengan nilai yang terdiri dari (Level periode pertama Tren periode Nilai yang diharapkan dari periode kedua ditemukan.
Tahapan periode kedua sama dengan periode berikutnya, dimulai dari periode ketiga dan seterusnya.
Hasilnya, bisa membuat perkiraan atau prakiraan untuk periode Hasil ramalannya adalah 85 dengan nilai = 0.
5 dan = 0.
Pada langkah pertama, nilai diekstraksi dari data.
Nilai data awal adalah sumber nilai awal saat ini.
memberikan nilai fase pada babak data periode pertama .
Ae ).
(Level pertama Tren pertam.
Ketiga kalinya, lakukan hal yang sama seperti yang kedua kalinya.
Mungkin terdapat akurasi dan daya tanggap yang lebih besar dengan tingkat kehadiran ini.
Nilai rata-rata persentase kesalahan absolut digunakan untuk menghitung rata-rata persentase kesalahan absolut (MAPE).
Dengan membandingkan nilai aktual dengan nilai prediksi dalam persentase kesalahan absolut.
MAPE mengevaluasi keakuratan suatu model dalam mengembangkan prakiraan atau Nilai trend periode kedua dapat dilihat dari estimasi (Level kedua Ae Level pertam.
Trend periode pertama.
Tindakan yang dilakukan pada periode sebelumnya diulangi pada periode berikutnya.
Kehadiran tren serupa pada level tersebut dapat memberikan prediksi yang lebih tepat dan tanggap.
Dengan nilai yang terdiri dari (Level periode pertama Tren periode Nilai yang diharapkan dari periode kedua ditemukan.
Tahapan periode kedua sama dengan periode beri- Gambar 8.
Hasil Perhitungan DES dengan = 0,5 = 0,9 kutnya, dimulai dari periode ketiga dan Hasilnya, bisa membuat perkiraan atau prakiraan untuk periode Hasil ramalannya adalah 6276,075 dengan nilai = 0.
2 dan = Pada langkah pertama, nilai diekstraksi dari data.
Nilai data awal adalah sumber nilai awal saat ini.
memberikan nilai fase pada babak data periode pertama .
Ae ).
(Level pertama Tren pertam.
Ketiga kalinya, lakukan hal yang sama seperti yang kedua kalinya.
Mungkin terdapat akurasi dan daya tanggap yang lebih besar dengan tingkat kehadiran ini.
Nilai rata-rata persentase kesalahan absolut digunakan untuk menghitung rata-rata persentase kesalahan absolut (MAPE).
Dengan membandingkan nilai aktual dengan nilai prediksi dalam persentase kesalahan absolut.
MAPE mengevaluasi keakuratan suatu model dalam mengembangkan prakiraan atau Nilai trend periode kedua dapat dilihat dari estimasi (Level kedua Ae Level pertam.
Trend periode pertama.
Tindakan yang dilakukan pada periode sebelumnya diulangi pada periode berikutnya.
Kehadiran tren serupa pada level tersebut dapat memberikan prediksi yang lebih tepat dan tanggap.
Dengan nilai yang terdiri dari (Level periode pertama Tren periode Nilai yang diharapkan dari periode kedua ditemukan.
Tahapan periode kedua sama dengan periode berikutnya, dimulai dari periode ketiga dan Hasilnya, bisa membuat perkiraan atau prakiraan untuk periode Hasil ramalannya adalah 4153,76 dengan nilai = 0.
7 dan = 0.
Gambar 10.
Hasil Perhitungan DES dengan = 0,2 = 0,2 Hasil perhitungan prediksi disajikan pada bentuk grafik seperti yang terlihat dalam Gambar 11.
Pada gambar berikut, grafik berwarna biru menunjukkan data actual dan grafik berwarna hijau menunjukkan hasil prediksi ( = 0,2 = 0,.
Rata-rata persentase kesalahan absolut (MAPE) dihitung dengan mengambil rata-rata nilai persentase kesalahan MAPE menentukan seberapa akurat suatu model dalam melakukan peramalan atau prediksi dengan cara membandingkan nilai sebenarnya dengan nilai estimasi dalam bentuk persentase kesalahan absolut.
Gambar 11.
Grafik Hasil Perhitungan DES dengan = 0,2 = 0,2 Gambar 12.
Hasil Perhitungan DES dengan = 0,7 = 0,9 Gambar 14.
Hasil Perhitungan dengan Solver Hasil perhitungan prediksi disajikan pada bentuk grafik seperti yang terlihat dalam Gambar 8.
Pada gambar berikut, grafik berwarna biru menunjukkan data actual dan grafik berwarna hijau menunjukkan hasil prediksi ( = 0,7 = 0,.
Berdasarkan grafik pada Gambar grafik berikut menunjukkan hasil komputasi dari solver.
Grafik berwarna biru menunjukkan data aktual, dan grafik hijau menunjukkan hasil perhitungan menggunakan solver dengan = 0,061 dan = 1.
Gambar berikut menunjukkan grafik yang berbeda dengan data sebenarnya, dan hasil prediksi menunjukkan pola Gambar 13.
Grafik Hasil Perhitungan DES dengan = 0,7 = 0,9 3 Perhitungan Solver pada Double Exponential Smoothing Dapat menggunakan Microsoft Excel Solver untuk mengoptimalkan nilai alfa dan beta dalam perhitungan MAPE untuk meminimalkan tingkat kesalahan.
Semakin sedikit kesalahan yang ada, semakin akurat perhitungan prediksinya.
Gambar 15.
Grafik Hasil Perhitungan Menggunakan Solver Uji MAPE Single Exponential Smoothing Menurut data di dalam kolom MAPE, nilai tersebut didapatkan dari hasil perhitungan rata-rata kesalahan absolute error dengan rumus MAPE = 1 ycu ycUycOeyayc Oc | Pada metode Single ycu yc=1 ycUyc Exponential Smoothing ditentukan oleh nilai di kolom yaitu sebagai penentu Untuk syarat 0 < < 0 dan 0 < < 0.
Solver digunakan untuk mencari nilai dan errornya secara otomatis di sistem Excel.
Tujuannya mendapatkan nilai minimum.
Hasil perhitungan ini adalah solver yang memberikan nilai MAPE sebesar 10%, = 0,061, dan = 1, dan hasil yang diharapkan adalah 6214,26.
Tabel dibawah ini menunjukkan hasil forecasting dengan menggunakan = 0,2, perhitungan menghasilkan nilai forecast sebesar 5720,7 dengan nilai MAPE sebesar 11%.
Nilai = 0,838 memberikan nilai forecast sebesar 5200 dengan nilai MAPE sebesar 12%.
dan = 0,9 memberikan nilai forecast sebesar 5202,3 dengan nilai MAPE sebesar 12%.
Tabel dibawah ini menunjukkan hasil perhitungan dengan menggunakan = 0,5 dan = 0,9 menghasilkan nilai peramalan 5288,85 dengan nilai MAPE Nilai = 0,2 dan = 0,2 menghasilkan nilai forecast 6276,075 dengan nilai MAPE 11%.
dan = 0,7 dan = 0,9 menghasilkan nilai forecast 4153,76 dengan nilai MAPE 18%.
Tabel 2.
Uji MAPE Single Exponential Smoothing Forecast MAPE
0,838
Tabel 3.
Uji MAPE Double Exponential Smoothing Forecast MAPE dan 5288,85 0,5 dan 0,9 6276,075 0,2 dan 0,2 4153,76 0,7 dan 0,9 Pada grafik gambar 16.
berwarna biru menunjukkan nilai data, lalu pada grafik dengan warna merah peramalan SES yaitu = 0,2 grafik dengan warna hijau menunjukkan hasil dari metode peramalan SES yaitu = 0,838 dan yang terakhir pada grafik dengan warna ungu menunjukkan hasil dari metode peramalan SES yaitu = 0,9.
Pada grafik gambar 17.
berwarna biru menunjukkan nilai data, lalu pada grafik dengan warna merah peramalan DES yaitu = 0,5 dan = 0,9 grafik dengan warna hijau menunjukkan hasil dari metode peramalan DES yaitu = 0,2 dan = 0,2 dan yang terakhir pada grafik dengan warna ungu menunjukkan hasil dari metode peramalan DES yaitu = 0,7 dan = 0,9.
Gambar 16.
Grafik MAPE Single Exponential Smoothing 5 Uji MAPE Double Exponential Smoothing Menurut data di dalam kolom MAPE, nilai tersebut didapatkan dari hasil perhitungan rata-rata kesalahan absolute error dengan rumus MAPE = 1 ycu ycUycOeyayc Ocyc=1 | Pada metode Double ycu ycUyc Exponential Smoothing ditentukan oleh nilai di kolom yaitu dan sebagai penentu metode.
Gambar 17.
Grafik MAPE Double Exponential Smoothing 2 Pembahasan Forecast pada tabel 4.
Menunjukkan perhitungan prediksi data untuk bulan selanjutnya, yang dihitung Single Exponential Smoothing dan Double Exponential Smoothing.
Table dibawah ini memuat perhitungan pengujian kesalahan pengukuran dengan menggunakan MAPE (Mean Absolute Percentage Erro.
dari bulan Januari 2023 Ae Februari 2024.
diperoleh forecast 6214,26 dan MAPE sebesar 10%.
Hasil perbandingan tersebut diperlihatkan dalam gambar grafik yang ditunjukkan pada gambar 18.
Double Exponential Smoothing lebih akurat dibandingkan Single Exponential Smoothing dikarenakan memiliki nilai MAPE terkecil yang bernilai 10%.
Dalam hasil ini, terdapat gambar grafik yang diharapkan, termasuk data tingkat hunian hotel berbintang.
Rata-rata kesalahan dalam peramalan berbeda secara signifikan untuk setiap nilai dan .
Meskipun demikian, setelah melibatkan solver dalam perhitungan, hasil kesalahan yang diperoleh menjadi lebih kecil.
Hal ini menunjukkan bahwa hasil kesalahan ini cukup memuaskan.
Tabel 4.
Data Perbandingan Hasil Peramalan Kesimpulan dan Saran Berdasarkan penelitian peramalan menggunakan metode Single Exponential Smoothing dan Double Exponential Smoothing pada data Tingkat Penghunian Kamar Hotel Berbintang di Kota Malang dari Januari 2023 hingga Februari 2024, dapat disimpulkan bahwa:
Metode Single Exponential Smoothing menghasilkan peramalan dengan nilai = 0,2, dengan peramalan sebesar 5720,7 dan MAPE sebesar Metode Double Exponential Smoothing menghasilkan peramalan dengan nilai = 0,061 dan = 1, diperoleh peramalan sebesar 6214,26 dan MAPE sebesar 10%.
Hasil perbandingan yang didapat yaitu Single Exponential Smoothing tidak seakurat Double Exponential Smoothing.
Hal ini dikarenakan ratarata persentase kesalahan absolut (MAPE) hasil prediksi menggunakan Double Exponential Smoothing lebih rendah, dengan menggunakan nilai = 0,061 dan = 1, diperoleh peramalan sebesar 6214,26 dan MAPE sebesar 10%.
Gambar 18.
Grafik Perbandingan Hasil Metode Untuk memperbandingkan hasil forecast kedua metode ini, diperlukan mencapai hasil terbaik.
Pada metode Single Exponential Smooting dengan hasil peramalan Tingkat Penghunian Kamar Hotel Berbintang yaitu nilai = 0,2, menghasilkan forecast dengan nilai 5720,7 dan MAPE sebesar 11%.
Sementara itu, dengan menggunakan metode Double Exponential Smoothing yaitu hasil peramalan Tingkat Penghunian Kamar Hotel Berbintang adalah dengan nilai = 0,061 dan = 1.
Terdapat saran pada penelitian selanjutnya yaitu menggabungkan beberapa metode peramalan .
ybrid method.
dapat menjadi pilihan untuk meningkat- kan akurasi peramalan dan pengumpulan data yang lebih lengkap mengenai faktorfaktor yang mempengaruhi Tingkat Penghunian Kamar, seperti promosi, event khusus, dan musim, dapat membantu dalam meningkatkan akurasi peramalan.
Selain itu, penelitian ini diharapkan dapat memberikan kontribusi terhadap pengembangan ilmu prediktif pada peramalan.
DAFTAR PUSTAKA