50
P-ISSN: 2477-3042.
E-ISSN: 3026-3034 SURYA INFORMATIKA.
VOL.
14 No.
November 2024 Komparasi Metode Exponential Smoothing dan Holt-Winters Untuk Meramalkan Alkohol Swab di Laboratorium Keperawatan FIKES UMPP Niar Ajeng Rachmayani1.
Aslam Fatkhudin *2.
Fenilinas Adi Artanto3 1,2,3 Informatika Fakultas Teknik dan Ilmu Komputer Universitas Muhammadiyah Pekjangan Pekalongan niarajeng374@gmail.
com1, fatkhudin@gmail.
com2, fenilinasadi@gmail.
Abstract The development of information technology and computing methods that have been applied for various business needs has become a competitive advantage.
The laboratory in Faculty of Health Sciences has several obstacles related to the management that has been carried out so far.
There are often schedule conflicts between borrowing space and equipment and practicum activities, where the management specifically prioritizes the use of practicum activities but at the same time the space and equipment are still in borrowed condition.
Therefore, the management has difficulties in overcoming those This is because placing an order and providing the required consumables cannot be done quickly because the process must go through stages such as inventory taking, special applications for procuring consumables, verification, as well as availability and response from suppliers of materials or consumables.
One alternative solution that can be implemented is to apply certain analytical methods to forecast the inventory of materials or consumables in a certain period or in the coming month.
Forecasting using the SES method shows that in the 11th to 15th months it produces forecasts with the same number of values.
193,352 with an alpha value of 0.
8, producing a Train RMSE value of 158.
Test RMSE of 85.
Train MAPE of 2.
2, and test MAPE of 1.
Meanwhile, forecasting using the Holt Winter method shows that in the 11th month = 217.
53, in the 12th month = 239.
18, in the 13th month = 260.
83, in the 14th month = 282.
47 and in the 15th month = with an alpha value of 0.
8, it produces a Train RMSE value of 189.
3, a Test RMSE of 123.
4, a Train MAPE of 99, and a test MAPE of 1.
The final results of the comparison of analysis methods carried out show that Simple Exponential Smoothing has RMSE and MAPE values that are smaller than Holt Winter, so it can be concluded that Simple Exponential Smoothing is better than Holt Winter Keywords: Comparison.
Exponential Smoothing.
Hotl Winters.
Forecasting.
Alcohol Swab Abstraksi Perkembangan teknologi informasi beserta metode komputasi telah diaplikasikan untuk berbagai keperluan bisnis menjadi keunggulan kompetitif.
Laboratorium FIKES UMPP, dikonfirmasi memiliki beberapa kendala berkaitan dengan manajemen laboratorium FIKES UMPP yang selama ini dilakukan, diantaranya adalah sering terjadinya bentrok jadwal diantara peminjaman ruang maupun peralatan dengan kegiatan praktikum, yang mana pihak pengelola secara khusus lebih memprioritaskan pada penggunaan kegiatan praktikum namun pada saat bersamaan ruang maupun peralatan masih dalam kondisi dipinjam.
Berkaitan dengan hal tersebut, pihak pengelola merasa kesulitan saat dihadapkan dengan kondisi tersebut karena untuk melakukan pemesanan dan menyediakan kebutuhan bahan habis pakai tidak bisa dilakukan dalam waktu yang cepat dikarenakan prosesnya harus melalui tahapan seperti opname persediaan, pengajuan khusus untuk pengadaan bahan habis pakai, verifikasi, maupun ketersediaan dan respon dari penyedia bahan atau barang habis pakai.
Salah satu alternatif solusi yang dapat dilakukan adalah dengan menerapkan metode analisis tertentu untuk melakukan peramalan persediaan bahan atau barang habis pakai pada periode tertentu ataupun pada bulan mendatang.
Peramalan menggunakan metode SES menunjukkan bahwa pada bulan ke 11, sampai ke 15 menghasilkan peramalan dengan jumlah nilai yang sama yaitu 193.
dengan nilai alpha 0,8 menghasilkan nilai Train RMSE sebesar 158.
Test RMSE sebesar 85.
Train MAPE sebesar 2.
dan test MAPE sebesar 1.
Peramalan menggunakan metode Holt Winter menunjukkan bahwa pada bulan ke 11 = 217.
bulan ke 12 = 239.
18, pada bulan ke 13 = 260.
83, pada bulan ke 14 = 282.
47 dan pada bulan ke 15 = 304.
dengan nilai alpha 0,8 menghasilkan nilai Train RMSE sebesar 189.
Test RMSE sebesar 123.
Train MAPE sebesar 4.
99, dan test MAPE sebesar 1.
Hasil akhir komparasi metode analisis yang dilakukan, menunjukkan bahwa Simpel Eksponential Smoothing memiliki nilai RMSE dan juga MAPE lebih kecil daripada Holt Winter, sehingga dapat disimpulkan bahwa Simple Eksponential Smoothing lebih bagus dari pada Holt Winter.
Kata Kunci: Komparasi.
Exponential Smoothing.
Hotl Winters.
Peramalan.
Alkohol Swab
PENDAHULUAN
Perkembangan teknologi informasi beserta metode komputasi telah diaplikasikan untuk berbagai keperluan bisnis menjadi keunggulan kompetitif yang mampu berjalan sangat cepat dan mendorong keputusan yang lebih cepat dan lebih cerdas berdasarkan data objektif, bukan berdasarkan kriteria subjektif atau naluri pribadi (Andoyo, et al.
, 2.
Laboratorium Keperawatan Fakultas Ilmu Kesehatan (FIKES) Universitas Muhammadiyah Pekajangan Pekalongan (UMPP) merupakan salah satu bagian yang menyediakan dan digunakan sebagai penunjang proses pembelajaran dalam lingkup praktikum khusus untuk Fakultas Ilmu Kesehatan di UMPP.
Bagian ini terdiri dari laboratorium klinik keperawatan atau kebidanan dengan model AuMINI HOSPITALAy, laboratorium gizi, dan masih dalam pengembangan lanjutan untuk laboratorium biokimia serta mikrobiologi.
Berdasarkan hasil observasi yang telah dilakukan, diketahui bahwa FIKES merupakan salah satu fakultas di UMPP dengan jumlah mahasiswa mayoritas yaitu sekitar 56% .
ata per tanggal 09 Oktober 2.
Dengan banyaknya mahasiswa pada FIKES tersebut, laboratorium keperawatan FIKES UMPP menjadi Komparasi Metode Exponential Smoothing dan Holt-Winters Untuk Meramalkan Alkohol Swab di Laboratorium Keperawatan FIKES UMPP P-ISSN: 2477-3042.
E-ISSN: 3026-3034 SURYA INFORMATIKA.
VOL.
14 No.
November 2024 salah satu laboratorium yang sangat konstan frekuensi penggunaan dan pemanfaatannya setiap hari.
Selama ini, laboratorium FIKES UMPP memiliki waktu pelayanan Senin s.
d JumAoat pukul 07.
WIB.
Selain digunakan sebagai ruang praktikum, laboratorium FIKES UMPP juga menyediakan layanan peminjaman ruang maupun peralatan yang Prosedur peminjaman biasanya dilakukan dengan menghubungi bagian pengelola laboratorium FIKES, yang mana mahasiswa harus menyerahkan surat permohonan dan mengisi form peminjaman minimal satu hari sebelum waktu peminjaman maupun pelaksanaan kegiatan perkuliahan.
Seiring berjalannya waktu, frekuensi peminjaman maupun penggunaan laboratorium FIKES UMPP semakin meningkat dan terkadang pengelola mengalami beberapa kendala dalam proses manajemennya.
Saat ini di Laboratorium FIKES UMPP, dikonfirmasi bahwa terdapat beberapa kendala berkaitan dengan manajemen laboratorium FIKES UMPP yang selama ini dilakukan, diantaranya adalah sering terjadinya bentrok jadwal diantara peminjaman ruang maupun peralatan dengan kegiatan praktikum, yang mana pihak pengelola secara khusus lebih praktikum namun pada saat bersamaan ruang maupun peralatan masih dalam kondisi dipinjam.
Kendala ini terutama berpengaruh pada beberapa bahan atau barang habis pakai yang disediakan pihak laboratorium FIKES UMPP, yang mana pihak pengelola sering tidak dapat memperkirakan apakah sisa dari bahan atau barang habis pakai yang dipinjam dapat memenuhi kebutuhan untuk kegiatan praktikum atau tidak, begitu pula sebaliknya saat terjadi peminjaman yang tiba-tiba diajukan oleh mahasiswa.
Berkaitan dengan hal tersebut, pihak pengelola merasa kesulitan saat dihadapkan dengan kondisi tersebut karena untuk melakukan pemesanan dan menyediakan kebutuhan bahan habis pakai tidak bisa dilakukan dalam waktu yang cepat dikarenakan prosesnya harus melalui tahapan seperti opname persediaan, pengajuan khusus untuk pengadaan bahan habis pakai, verifikasi, maupun ketersediaan dan respon dari penyedia bahan atau barang habis pakai.
Selain itu, pihak pengelola juga sering tidak memperkirakan kebutuhan apa saja yang akan digunakan oleh mahasiswa yang menggunakan laboratorium FIKES UMPP baik dalam kegiatan praktikum maupun peminjaman.
Sehingga berdasarkan pada permasalahan yang telah diuraikan tersebut, salah satu alternatif solusi yang dapat dilakukan adalah dengan menerapkan metode analisis tertentu untuk melakukan peramalan persediaan bahan atau barang habis pakai pada periode tertentu ataupun pada bulan mendatang.
Salah satu metode analisis yang dapat digunakan dalam proses peramalan tersebut adalah metode Exponential Smoothing.
Namun menurut (S.
, & C.
, 2.
metode aditif Holt-Winters juga dapat memberikan proses analisis yang lebih optimal dimana metode ini memperkenalkan formula baru untuk mencari nilai awal untuk memperoleh estimasi nilai awal yang lebih akurat sehingga menghasilkan hasil peramalan yang lebih baik dibandingkan dengan metode aditif tradisional .
ermasuk didalamnya metode Exponential Smoothin.
dan metode rata-rata bergerak dibandingkan dalam hal tingkat akurasi.
Peramalan dengan metode Exponential Smoothing adalah suatu prosedur yang secara terus menerus memperbaiki peramalan dengan merata- ratakan .
enghaluskan = smoothin.
nilai masa lalu dari suatu data runtut waktu dengan cara menurun .
(Yuniarti, 2.
Metode exponential smoothing merupakan metode peramalan yang cukup baik untuk peramalan jangka panjang dan jangka menengah, terutama pada tingkat operasional suatu perusahaan, dalam perkembangan dasar matematis dari metode smoothing dapat dilihat bahwa konsep exponential telah berkembang dan menjadi metode praktis dengan penggunaan yang cukup luas, terutama dalam peramalan bagi persedian (Santiari & Rahayuda.
Metode ini merupakan metode peramalan yang cukup baik untuk peramalan jangka panjang dan jangka menengah (Santoso et al.
, 2.
Dalam Exponential Smoothing peramalan dikerjakan dengan mengulang perhitungan secara berkelanjutan dengan menambahkan data terbaru, di mana data terbaru diberi bobot yang relatif lebih besar dari pada data sebelumnya (Nuryani et al.
, 2.
Disisi lain, peramalan aditif menggunakan metode Holt-Winters memiliki tingkat error terkecil yang menghasilkan parameter 1,81% dan 2,06% (S.
, &
, 2.
Menurut (Zubair & Umamit, 2.
, metode Holt-Winters merupakan pilihan yang tepat karena Metode Holt-Winters memiliki 3 parameter masingmasing yaitu berdasarkan level, tren, dan musiman yang mana menghasilkan MAPE 8,3% sehingga menunjukkan tingkat akurasi yang tinggi dan memiliki batas kesalahan kecil.
Selain itu (Irawan.
Adiwijaya, & Furqon, 2.
menyatakan bahwa peramalan dengan menggunakan metode HoltWinters menunjukkan hasil perhitungan sesuai dengan yang diharapkan, yaitu memiliki MAPE 9.
dengan tingkat akurasi baik dan dapat digunakan sebagai dasar evaluasi performa layanan.
Hal ini sesuai dengan pernyataan (Hani'ah & Kurniawan, 2.
yang mengemukakan bahwa metode HoltWinters tidak hanya memiliki performa prediksi yang lebih unggul, tetapi juga lebih efisien dengan waktu komputasi yang rendah dalam menghasilkan parameter optimal.
LANDASAN TEORI
Peramalan Metode peramalan (Forecastin.
adalah metode yang digunakan untuk melakukan perencanaan secara efektif dan efisien, dan biasa digunakan untuk merencanakan kapasitas produksi, budgeting, sampai pengadaan barang dan jasa untuk operasional bisnis (Tio, 2.
Metode Exponential Smoothing Pada metode Exponential Smoothing, parameter yang diberikan pada data yang ada adalah sebesar untuk data yang terbaru, .
- ) untuk data yang lama, .
- )2 untuk data yang lebih lama, dan seterusnya.
Besarnya adalah antara 0 dan 1.
Secara matematis persamaan besarnya peramalan pada metode Exponential Smoothing adalah sebagai berikut (Rahmadeni, 2.
Komparasi Metode Exponential Smoothing dan Holt-Winters Untuk Meramalkan Alkohol Swab di Laboratorium Keperawatan FIKES UMPP P-ISSN: 2477-3042.
E-ISSN: 3026-3034 SURYA INFORMATIKA.
VOL.
14 No.
November 2024 Metode Holt Winter Metode ini digunakan untuk mengatasi permasalahan adanya trend dan indikasi musiman dari satu time-series data, yang merupakan gabungan dari metode Holt dan metode Winters.
Metode ini merupakan penghalusan eksponential dengan tiga kali Peramalan dengan metode Hotl-Winters pada umumnya tidak selalu harus memenuhi kaidahkaidah deret waktu seperti signifikansi autokorelasi dan stasioneritas.
METODOLOGI PENELITIAN
Teknik Pengumpulan Data Teknik pengumpulan data yang digunakan dalam penelitian ini adalah observasi, dimana pada proses pengumpulan data didapatkan data sekunder.
Data itu sendiri dibagi 2 yaitu data primer dan sekunder.
Data primer merupakan data yang selain bahan habis pakai, misalnya bak instrumen, kom kecil, dan lain Sedangkan data sekunder itu berupa data opname persediaan, data pengajuan bahan habis pakai, maupun ketersediaan dan respon dari penyedia bahan atau barang habis pakai yang berasal dari Laboratorium Keperawatan Fakultas Ilmu Kesehatan (FIKES) Universitas Muhammadiyah Pekajangan Pekalongan (UMPP).
Variabel Penelitian Variabel penelitian yang digunakan dalam peramalan persediaan barang habis pakai dengan menggunakan metode exponential smoothing yaitu sebagai berikut.
Jenis atau varian bahan habis pakai contohnya Alkohol Swab .
Stok atau persediaan bahan habis pakai contohnya Alkhol Swab .
Siklus Transaksi atau opname persediaan bahan habis pakai contohnya Alkohol Swab Prosedur Penelitian Prosedur penelitian yang dilakukan adalah dengan menggunakan teknik analisis metode exponential smoothing sebagai berikut.
Melakukan observasi dan wawancara untuk mengetahui dan mendalami proses berjalan.
Menganalisis data yang telah dikumpulkan untuk menemukan masalah atau kelemahan dalam proses berjalan.
Melakukan pemetaan variabel penelitian melalui pengelompokkan data bahan habis pakai yaitu alkohol swab.
Menentukan pengelompokkan periode waktu untuk setiap jenis atau varian bahan habis pakai yaitu alkohol.
Menggunakan analisis menggunakan Machine Learning dengan bahasa pemrograman python .
Mengimport kebutuhan dalam Machine Learning yaitu pandas, numpy, matplotlib, dan seaborn.
Menggunakan sintaks import pandas as pd import numpy as np import matplotlib.
pyplot as plt import seaborn as sns .
Mengupload menggunakan sintaks df = pd.
read_excel.
'/lokasi data', header=0, parse_dates=.
, index_col=.
) .
Membuat data training dan data testing dengan ukuran 5 data yang akan diramalkan dengan df_train=df.
iloc[:-.
df_test=df.
iloc[-5:] .
Menguji dengan Simple Exponenstial Smoothing dengan sintaks single_exp = SimpleExpSmoothing.
f_trai.
Menguji dengan HoltAos Winter Smoothing dengan sintaks fit1=Holt.
f_trai.
moothin g_level=0.
smoothing_slope=0.
optimized=Fals.
Membandingkan hasil pengujian dengan melihat nilai MAPE pada data training dan data test pada kedua analisa peramalan tersebut.
Diagram Alir Penelitian Gambar 1.
Diagram Alir Penelitian Komparasi Metode Exponential Smoothing dan Holt-Winters Untuk Meramalkan Alkohol Swab di Laboratorium Keperawatan FIKES UMPP P-ISSN: 2477-3042.
E-ISSN: 3026-3034 SURYA INFORMATIKA.
VOL.
14 No.
November 2024
HASIL DAN PEMBAHASAN
Metode Exponential Smoothing Pada peramalan alkohol menggunakan metode simple eksponensial smooting digunakanlah beberapa sinteks berikut ini.
fit1=SimpleExpSmoothing.
f_trai.
moothing_level=0.
optimized=Fals.
summary()) fcast1=fit1.
rename("Sim ple Exp Smoothing") prediksi dalam persentase, memudahkan interpretasi dan perbandingan.
Train MAPE: Menunjukkan ratarata kesalahan prediksi dalam persentase pada data Nilai yang lebih rendah lebih baik.
mean_absolute_percentage_error.
f_test, single_exp_test_pre.
digunakan untuk menghitung MAPE untuk data pengujian pada Simple Exponential Smoothing.
Test MAPE: Menunjukkan rata-rata kesalahan prediksi dalam persentase pada data Nilai yang lebih rendah lebih baik.
Dari proses yang dikerjakan sintaks tersebut dihasilkan hasil output sebagai berikut.
Tabel 1.
Output Simple Exp Smoothing Model Results fit1 digunakan untuk mendeskripsikan variabel dari metode eksponensial smoothing dengan mengunakan sintaks SimpleExpSmoothing.
f_trai.
untuk menginisialisasi model Simple Exponential Smoothing (SES) dengan data pelatihan df_train dan pada fit menggunakan nilai alpha 0,8 digunakan untuk melatih model menggunakan data pelatihan yang Model SES bekerja dengan memberikan bobot eksponensial yang menurun pada data historis untuk memperkirakan nilai masa depan.
print('Train RMSE:',mean_squared_error.
f_train, single_exp_train_pre.
**0.
print('Test RMSE:',mean_squared_error.
f_test, single_exp_test_pre.
**0.
print('Train MAPE:', mean_absolute_percentage_error.
f_t single_exp_train_pre.
) print('Test MAPE:', mean_absolute_percentage_error.
f_t single_exp_test_pre.
) mean_squared_error.
f_train, single_exp_train_pre.
**0.
5 digunakan untuk menghitung Root Mean Squared Error (RMSE) pada Simple Exponential Smoothing untuk data pelatihan dimana Train RMSE: Menunjukkan seberapa baik model memprediksi nilai pada data pelatihan.
Nilai yang lebih rendah menunjukkan prediksi yang lebih mean_squared_error.
f_test, single_exp_test_pre.
**0.
menghitung RMSE pada Simple Exponential Smoothing untuk data pengujian, dimana Test RMSE:
Menunjukkan seberapa baik model memprediksi nilai pada data pengujian.
Nilai yang lebih rendah menunjukkan prediksi yang lebih akurat mean_absolute_percentage_error.
f_train, single_exp_train_pre.
digunakan untuk Menghitung Mean Absolute Percentage Error (MAPE) pada Simple Exponential Smoothing untuk data pelatihan.
MAPE
adalah metrik yang menunjukkan rata-rata kesalahan Terlihat dari metode Simple Eksponential Smoothing dengan nilai alpha 0,8 menghasilkan nilai train RMSE sebesar 158.
3, test RMSE sebesar 85.
train MAPE sebesar 2.
2, dan test MAPE sebesar 1.
dari perhitungan pada Simple Exponential Smoothing tersebut dibuatlah plot untuk perbandingan dengan data sebenarnya menggunakan sintaks sebagai berikut.
fig = plt.
) suptitle('Alkohol Simple Eksponensial') past, = plt.
f_train.
df_train, 'b.
-',
label='Alkohol History') future, = plt.
f_test.
df_test, 'r.
-',
label='Actual Alkohol') predicted_future, = plot.
f_test.
index, fcast1,'g.
label='Alkohol Forecast') legend.
ast, future, predicted_futur.
) Pada sintaks plt.
) digunakan embuat sebuah objek figure dengan ukuran 10x5 objek tersebut akan diberi nama dengan suptitle('Alkohol Simple Eksponensial') untuk memunculkan judul utama pada grafik yaitu AuAlkohol Simple EksponensialAy.
Data yang akan digunakan dalam membuat grafik adalah data dari df_train .
ata trainin.
, df_test .
ata Komparasi Metode Exponential Smoothing dan Holt-Winters Untuk Meramalkan Alkohol Swab di Laboratorium Keperawatan FIKES UMPP P-ISSN: 2477-3042.
E-ISSN: 3026-3034 SURYA INFORMATIKA.
VOL.
14 No.
November 2024 testin.
, dan fcast1 .
ata hasil simple eksponential Pada data training dengan sumber data df_train, diberikan warna biru dengan sintaks 'b.
-' dan diberikan label berupa Alkohol History dengan sintaks label='Alkohol History' Pada data testing dengan sumber data df_test, diberikan warna merah dengan sintaks 'r.
-', dan diberikan label berupa Actual Alkohol dengan sintaks label='Actual Alkohol' Pada data hasil perdiksi dengan sumber data fcast1, diberikan warna hijau dengan sintaks 'g.
-', dan diberikan label berupa Alkohol Forecast dengan sintaks label='Alkohol Forecast'.
Dari proses yang dikerakan oleh sintaks tersebut dihasilkan grafik sebagai berikut.
Gambar 2.
Grafik Alkohol Simple Eksponensial Untuk menampilkan hasil peramalan dengan Simple Eksponetial Smoothing digunakan sintaks print.
yang akan menunjukkan hasil dari peramalan dan menghasilkan output sebagai Metode Holt Winter Pada peramalan alkohol menggunakan metode Holt Winter digunakanlah beberapa sinteks berikut ini.
fit2=Holt.
f_trai.
moothing_l evel=0.
smoothing_slope=0.
optimized=Fals.
summary()) fcast2=fit2.
rename("Hol t's Linear tred") print('Train RMSE:',mean_squared_error.
f_train, holt_exp_train_pre.
**0.
print('Test RMSE:',mean_squared_error.
f_test, holt_exp_test_pre.
**0.
print('Train MAPE:', mean_absolute_percentage_error.
f_t holt_exp_train_pre.
) print('Test MAPE:', mean_absolute_percentage_error.
f_t holt_exp_test_pre.
) mean_squared_error.
f_train, holt_exp_train_pre.
**0.
menghitung Root Mean Squared Error (RMSE) pada Holt Winter untuk data pelatihan dimana Train RMSE:
Menunjukkan seberapa baik model memprediksi nilai pada data pelatihan.
Nilai yang lebih rendah menunjukkan prediksi yang lebih akurat.
mean_squared_error.
f_test,holt_exp_test_pre.
* *0.
5: digunakan untuk menghitung RMSE pada Holt Winter untuk data pengujian, dimana Test RMSE:
Menunjukkan seberapa baik model memprediksi nilai pada data pengujian.
Nilai yang lebih rendah menunjukkan prediksi yang lebih akurat mean_absolute_percentage_error.
f_train, holt_exp_train_pre.
digunakan untuk Menghitung Mean Absolute Percentage Error (MAPE) pada Holt Winter untuk data pelatihan.
MAPE adalah metrik yang menunjukkan rata-rata kesalahan prediksi dalam Train MAPE: Menunjukkan rata-rata kesalahan prediksi dalam persentase pada data Nilai yang lebih rendah lebih baik.
mean_absolute_percentage_error.
f_test, holt_exp_test_pre.
digunakan untuk menghitung MAPE untuk data pengujian pada Holt Winter.
Test MAPE: Menunjukkan rata-rata kesalahan prediksi dalam persentase pada data pengujian.
Nilai yang lebih rendah lebih baik.
Dari proses yang dikerjakan sintaks tersebut dihasilkan hasil output.
Tabel 2.
Holt Model Results fit2 digunakan untuk mendeskripsikan variabel dari metode Holt Winter dengan mengunakan sintaks Holt.
f_trai.
untuk menginisialisasi model Holt Winter dengan data pelatihan df_train dan pada fit menggunakan nilai alpha 0,8 dengan beta 0.
2 digunakan untuk melatih model menggunakan data pelatihan yang Model Hotl Winter bekerja dengan memberikan bobot eksponensial yang menurun pada data historis untuk memperkirakan nilai masa depan.
Terlihat dari metode Holt Winter dengan nilai alpha 0,8 menghasilkan nilai Train RMSE sebesar Komparasi Metode Exponential Smoothing dan Holt-Winters Untuk Meramalkan Alkohol Swab di Laboratorium Keperawatan FIKES UMPP P-ISSN: 2477-3042.
E-ISSN: 3026-3034 SURYA INFORMATIKA.
VOL.
14 No.
November 2024 3.
Test RMSE sebesar 123.
Train MAPE sebesar 99, dan test MAPE sebesar 1.
dari perhitungan pada Holt Winter tersebut dibuatlah plot untuk perbandingan dengan data sebenarnya menggunakan sintaks sebagai fig = plt.
) suptitle('Alkohol Holt Winter') past, = plt.
f_train.
df_train, 'b.
-',
label='Alkohol History') future, = plt.
f_test.
df_test, 'r.
-',
label='Actual Alkohol') predicted_future, = plot.
f_test.
index, fcast2,'g.
label='Alkohol Forecast') legend.
ast, future, predicted_futur.
) Pada sintaks plt.
) digunakan untuk membuat sebuah objek figure dengan ukuran 10x5 inci.
objek tersebut akan diberi nama dengan menggunakan fig.
suptitle('Alkohol Holt Winter') untuk memunculkan judul utama pada grafik yaitu AuAlkohol Holt WinterAy.
Data yang akan digunakan dalam membuat grafik adalah data dari df_train .
ata trainin.
, df_test .
ata testin.
, dan fcast2 .
ata hasil Holt Winte.
Pada data training dengan sumber data df_train, diberikan warna biru dengan sintaks 'b.
-' dan diberikan label berupa Alkohol History dengan sintaks label='Alkohol History' Pada data testing dengan sumber data df_test, diberikan warna merah dengan sintaks 'r.
-', dan diberikan label berupa Actual Alkohol dengan sintaks label='Actual Alkohol' Pada data hasil prediksi dengan sumber data fcast2, diberikan warna hijau dengan sintaks 'g.
-', dan diberikan label berupa Alkohol Forecast dengan sintaks label='Alkohol Forecast'.
Dari proses yang dikerjakan sintaks tersebut dihasilkan grafik sebagai berikut.
Gambar 3.
Grafik Alkohol Holt Winter Perbandingan Metode Exponential Smoothing dengan Holt Winter Untuk membandikan hasil dari pengujian peramalan dengan metode eksponensial smoothing dan holt winter dilakukan dengan melihat hasil perbadingan dari nilai RMSE dan MAPE dari kedua metode tersebut.
Dari hasil peramalan dari kedua metode tersebut didapatkan hasil sebagai berikut.
Tabel 3.
Perbandingan Simple Eksponential Smoothing dengan Holt Winter Simple Eksponential Smoothing Holt Winter Train RMSE Test RMSE Train MAPE Test MAPE Hasil Pengujian Dari tabel tersebut terlihat bahwa Simpel Eksponential Smoothing memiliki nilai RMSE dan juga MAPE lebih kecil daripada Holt Winter, sehingga dapat disimpulkan bahwa Simple Eksponential Smoothing lebih bagus dari pada Holt Winter.
Hasil Dalam pengujian permalan alkohol digunakan dua metode yaitu SES dan Hotl Winter.
Pada awal data dibagi menjadi 2 yaitu data training dan data testing, disini data testing hanya digunaka 5 data saja.
Pada metode peramalan SES dihasilkan hasil Peramalan pada bulan ke 11, sampai ke 15 menghasilkan peramalan dengan jumlah nilai yang sama yaitu 193.
352 dengan nilai alpha 0,8 menghasilkan nilai Train RMSE sebesar 158.
Test RMSE sebesar 85.
Train MAPE sebesar 2.
2, dan test MAPE sebesar 1.
Sedangkan pada metode holt winter dihasilkan hasil peramalan pada bulan ke 11 = 217.
53, bulan ke 12 = 239.
18, pada bulan ke 13 = 260.
83, pada bulan ke 14 = 282.
47 dan pada bulan ke 15 = 304.
dengan nilai alpha 0,8 menghasilkan nilai Train RMSE sebesar 3.
Test RMSE sebesar 123.
Train MAPE sebesar 99, dan test MAPE sebesar 1.
Dari perbandingan hasil peramalan kedua metode tersebut menunjukkan bahwa Simpel Eksponential Smoothing memiliki nilai RMSE dan juga MAPE lebih kecil daripada Holt Winter, sehingga dapat disimpulkan bahwa Simple Eksponential Smoothing lebih bagus dari pada Holt Winter.
Untuk menampilkan hasil peramalan dengan menggunakan Holt Winter digunakan sintaks print.
yang akan menunjukkan hasil dari peramalan dan menghasilkan output sebagai berikut.
Komparasi Metode Exponential Smoothing dan Holt-Winters Untuk Meramalkan Alkohol Swab di Laboratorium Keperawatan FIKES UMPP P-ISSN: 2477-3042.
E-ISSN: 3026-3034 SURYA INFORMATIKA.
VOL.
14 No.
November 2024
KESIMPULAN DAN SARAN
Berdasarkan hasil penelitian tentang komparasi analisis metode SES dan Holt Winter dalam proses peramalan Alkohol Swab pada Laboratorium Keperawatan Fikes UMPP, dapat disimpulkan beberapa aspek sebagai berikut.
Peramalan SES menunjukkan bahwa pada bulan ke 11, sampai ke 15 menghasilkan peramalan dengan jumlah nilai yang sama yaitu 193.
352 dengan nilai alpha 0,8 menghasilkan nilai Train RMSE sebesar 158.
Test RMSE sebesar 85.
Train MAPE sebesar 2, dan test MAPE sebesar 1.
Peramalan menggunakan metode Holt Winter menunjukkan bahwa pada bulan ke 11 = 217.
bulan ke 12 = 239.
18, pada bulan ke 13 = 260.
pada bulan ke 14 = 282.
47 dan pada bulan ke 15 = 304.
dengan nilai alpha 0,8 menghasilkan nilai Train RMSE sebesar 189.
Test RMSE 4.
Train MAPE sebesar 4.
99, dan test MAPE sebesar 1.
Hasil akhir komparasi metode analisis yang Simpel Eksponential Smoothing memiliki nilai RMSE dan juga MAPE lebih kecil daripada Holt Winter, sehingga dapat disimpulkan bahwa Simple Eksponential Smoothing lebih bagus dari pada Holt Winter Sebaiknya menggunakan sintaks di transformasikan kedalam bentuk tampilan atau User Interface yang dapat dilihat oleh pengguna .
ront ent poin.
, sehingga nantinya proses peramalan dapat dilakukan dengan lebih mudah.
Sintaks ditransformasikan itu sendiri adalah bahasa pemrograman adalah sebuah sistem yang digunakan agar program dan perintah bisa berjalan dalam sebuah perangkat komputer dan Metode analisis dapat menggunakan metode lain seperti metode Moving Average maupun Nayve Bayes.
Vol.
No.
doi:10.
33379/gtech.
Hariyono.
Latipah, & Falani.
Oktobe.
Implementasi Metode Exponential Smoothing Sebagai Forecasting Permintaan Obat Pada Dinas Kesehatan Kota Surabaya.
Jurnal Insand Comtech.
Vol.
2(No.
, 1-8.
Retrieved Juli 04, 2024 Hayuningtyas.
Mare.
Implementasi Metode Triple Exponential Smoothing Untuk Prediksi Penjualan Alat Kesehatan.
Evolusi: Jurnal Sains dan Manajemen.
Vol.
8(No.
, 29-35.
Retrieved Juli 04, 2024 Irawan.
Adiwijaya.
, & Furqon.
Novembe.
Implementasi Metode HoltWinters Multiplicative pada Sistem Peramalan Pengunjung Objek Wisata Kawah Ijen Kabupaten Bondowoso.
Jurnal SIMETRIS.
Vol.
No.
doi:https://doi.
org/10.
24176/simet.
Lawalata.
Sediyono.
, & Purnomo.
Analisis Prediksi Jumlah Pasien Rawat Inap di Rumah Sakit GMIM Siloam Sonder Menggunakan Metode Triple Exponential Smoothing.
Jointer Journal of Informatics Engineering, 2.
, 32Ae26.
https://doi.
org/10.
53682/jointer.
Nurdiansyah.
, & Wafa.
Agustu.
Penerapan Model Exponential Smoothing berbasis Metode Evolutionary pada Kasus COVID 19 dan DBD di Bojonegoro.
Jurnal Kesehatan Vokasional.
Vol.
6(No.
doi:https://doi.
org/10.
22146/jkesvo.
Rahmadeni.
November .
Metode Single Exponential Smoothing dalam Peramalan Jumlah Pembuatan E-KTP (Studi Kasus : Kecamatan Marpoyan Dama.
Seminar Nasional Teknologi Informasi.
Komunikasi dan Industri (SNTIKI) 13.
Retrieved Oktober 15, 2023 .
, & C.
Revisiting the HoltWintersAo Additive Method for Better Forecasting.
International Journal of Enterprise Information Systems.
Vol.
No.
2, 43-57.
Retrieved April 03.
Santoso.
Rumetna.
, & Isnaningtyas.
Apri.
Penerapan Metode Single Exponential Smoothing Untuk Analisa Peramalan Penjualan.
jurnal Media Informatika Budidarma.
Vol.
5(No.
doi:http://dx.
org/10.
30865/mib.
Tio.
Juni .
Pengertian Metode Peramalan (Forecastin.
dan Tujuannya.
Retrieved Oktober Blog Bhinneka:
https://w.
com/blog/metodeperamalan-forecasting/ Zubair.
, & Umamit.
Novembe.
Penerapan Metode Holt-Winters Untuk Peramalan Penjualan pada Industri Makanan Ringan.
Techno.
COM.
Vol.
No.
4, 499-507.
Retrieved April 03, 2024 Ucapan Terima Kasih Ucapan terima kasih merupakan bentuk apresiasi adanya kontribusi dari perorangan maupun lembaga yang tidak bisa masuk sebagai penulis.
Misalnya pemberi dana penelitian yang terkait dengan publikasi
Daftar Pustaka