Laporan PKL Kelompok 7

PERAMALAN NILAI EKSPOR JAWA TENGAH DENGAN
METODE HYBRID EXPONENTIAL SMOOTHING-NEURAL

NETWORK AUTOREGRESSION BERBANTUAN SOFTWARE R
LAPORAK PRAKTEK KERJA LAPANGAN
Oleh
DEWI RATNASARI WIJAYA B2A221002
RISA BELLA ROSANTI B2A221003
SEPTI HAYUNING TYAS B2A221004
PROGRAM STUDI S1 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
ALAM
UNIVERSITAS MUHAMMADIYAH SEMARANG
2022
1
LAPORAK PRAKTEK KERJA LAPANGAN
Oleh
Untuk Memenuhi Salah Satu Persyaratan Melaksanakan Praktek

Kerja Lapangan Strata Satu Program Studi Statistika Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas
Muhammadiyah Semarang
PROGRAM STUDI S1 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
ALAM
UNIVERSITAS MUHAMMADIYAH SEMARANG
2022
i
PERNYATAAN
Kami, yang bertanda tangan di bawah ini :
Nama : 1. Dewi Ratnasari Wijaya B2A221002

2. Risa Bela Rosanti B2A221003
3. Septi Hayuning Tyas B2A221004
menyatakan dengan sebenar-benarnya bahwa laporan keja Praktek saya yang

berjudul :

adalah hasil karya sendiri dan bukan jiplakan hasil karya orang lain.
Demikian pernyataan ini kami buat dengan sebenar-benarnya. Jika di

kemudian hari terbukti bahwa laporan Praktek Kerja Lapangan kami
merupakan hasil jiplakan maka kami bersedia menerima sanksi apapun yang
diberikan.
Semarang, 20 Maret 2022
Penulis
ii
LAPORAN PRAKTEK KERJA LAPANGAN

Oleh
Disetujui dan disahkan

pada tanggal…………………………….
Dosen Pembimbing I Dosen Pembimbing II
Dr. Rochdi Wasono, M.Si M. Al Haris, M.Si

NIP/NIK. 28.6.1026.119 NIP/NIK. CP.1026.070
Mengetahui,
Ketua Program Studi
Indah Manfaati Nur, M.Si

NIP/NIK. 28.6.1026.221
iii
KATA PENGANTAR
Segala puji bagi Allah SWT Tuhan Semesta Alam. Berkat limpahan
nikmat dan karunianya penulis dapat menyelesaikan laporan praktik kerja
lapangan (PKL) dengan lancar. Penyusunan laporan ini dilakukan untuk
memenuhi persyaratan kelulusan mata kuliah PKL.
Selama proses PKL yang dilakukan dengan Mini Riset dalam waktu dua
bulan serta proses penyusunan laporan ini tentu tak lepas dari bantuan, arahan,
masukan, serta bimbingan dari berbagai pihak. Untuk itu, saya ucapkan terima
kasih kepada :
1. Indah Manfaati Nur, M.Si selaku Ketua Program Studi Statistika Universitas
Muhammadiyah Semarang.
2. DR. Rochdi Wasono, M.Si selaku Dosen Pembimbing 1.
3. M. Al Haris, M.Si selaku Dosen Pembimbing 2
Meski demikian, penulis menyadari masih banyak kekurangan dalam

penulisan laporan magang ini, sehingga penulis secara terbuka menerima saran
dan kritik positif dari pembaca. Agar hasil laporan magang yang didapat mencapai
kesempurnaan dan bisa menjadi referensi yang baik bagi pembaca.
Demikian apa yang dapat saya sampaikan. Semoga laporan magang ini
dapat bermanfaat dan dapat menjadi referensi yang baik bagi pembaca khususnya
mahasiswa yang hendak melaksanakan mata kuliah magang baik di instansi yang
sama maupun instansi yang berbeda. Terima kasih.
iv
DAFTAR ISI
HALAMAN JUDUL ................................................................................................ i

PERNYATAAN...................................................................................................... ii
PENGESAHAN ..................................................................................................... iii
KATA PENGANTAR ........................................................................................... iv
DAFTAR ISI ........................................................................................................... v
DAFTAR TABEL ................................................................................................. vii
DAFTAR GAMBAR ........................................................................................... viii
DAFTAR LAMPIRAN .......................................................................................... ix
RINGKASAN ......................................................................................................... x
SUMMARY ............................................................................................................. xi
BAB I PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang ......................................................................................... 1
1.2 Perumusan Masalah .................................................................................. 4
1.3 Maksud Dan Tujuan ................................................................................. 4
1.4 Kegunaan .................................................................................................. 5
1.5 Batasan Masalah Mini Riset ..................................................................... 6
1.6 Waktu Pelaksanaan Mini Riset................................................................. 6
BAB II TINJAUAN PUSTAKA............................................................................. 7
2.1 Peramalan ................................................................................................. 7
2.2 Ekspor ....................................................................................................... 8
2.3 Jawa Tengah ............................................................................................. 8
2.4 Analisis Runtun Waktu ............................................................................ 9
2.5 Peramalan Metode Pemulusan (Smoothing)........................................... 10
2.6 Neural Network ...................................................................................... 15
2.7 Neural Network Autoregression (NNAR) .............................................. 17
2.8 Hybrid Exponential Smoothing-Neural Network Autoregression .......... 18
2.9 Ketepatan Model Peramalan................................................................... 19
2.10 Software R .............................................................................................. 20
BAB III METODOLOGI MINI RISET ................................................................ 22
3.1 Jenis dan Sumber Data ........................................................................... 22
v
vi
3.2 Metode Pengumpulan Data .................................................................... 22

3.3 Tahapan Analisis Data ............................................................................ 22
3.4 Diagram Alir (Flowchart) ....................................................................... 25
BAB IV HASIL DAN PEMBAHASAN .............................................................. 26
4.1 Plot Data Runtun Waktu......................................................................... 26
4.2 Metode Exponential Smoothing ............................................................. 27
4.2.1 Pengujian Metode Exponential Smoothing..................................... 27
1. Single Exponential Smoothing ........................................................... 28
2. Double Exponential Smoothing .......................................................... 32
3. Triple Exponential Smoothing (Holt-Winter)..................................... 35
4.2.2 Pemilihan Metode Exponential Smoothing Terbaik ....................... 38
4.2.3 Peramalan dengan Metode Exponential Smoothing Terbaik .......... 39
4.3 Metode Hybrid Exponential Smoothing-Neural Network Autoregression
41
4.3.1 Pengujian Metode Hybrid Exponential Smoothing-Neural Network
Autoregression ............................................................................................... 41
4.3.2 Peramalan Metode Hybrid Exponential Smoothing-Neural Network
Autoregression ............................................................................................... 43
4.4 Perbandingan Metode Hybrid Exponential Smoothing-Neural Network
Autoregression dengan Exponential Smoothing................................................ 44
BAB V KESIMPULAN DAN SARAN ................................................................ 46
5.1 Kesimpulan ............................................................................................. 46
5.2 Saran ....................................................................................................... 47
DAFTAR PUSTAKA ........................................................................................... 48
LAMPIRAN .......................................................................................................... 50
DAFTAR TABEL
Tabel 1.1 Tahapan Kegiatan Mini Riset ................................................................. 6

Tabel 4.1 Nilai Parameter Single Exponential Smoothing ................................... 29
Tabel 4.2 Perbandingan Data Ramalan Single Exponential Smoothing ............... 31
Tabel 4.3 Nilai Parameter Double Exponential Smoothing .................................. 32
Tabel 4.4 Perbandingan Data Ramalan Double Exponential Smoothing ............. 35
Tabel 4. 5 Nilai Parameter Triple Exponential Smoothing .................................. 36
Tabel 4. 6 Perbandingan Data Ramalan Triple Exponential Smoothing .............. 38
Tabel 4. 7 Perbandingan RMSE Metode Exponential Smoothing........................ 39
Tabel 4. 8 Ramalan Ekspor 2022 dengan Metode Exponential Smoothing Terpilih
............................................................................................................................... 40
Tabel 4. 9 Nilai RMSE Testing pada Model NNAR ............................................ 42
Tabel 4. 10 Hasil Ramalan Nilai Ekspor Jawa Tengah Tahun 2022 Dengan
Metode Hybrid ...................................................................................................... 44
Tabel 4. 11 Perbandingan RMSE Model Hybrid Exponential Smoothing-NNAR
............................................................................................................................... 45
Tabel 5. 1 Hasil Ramalan Ekspor Jawa Tengah Tahun 2022 ............................... 46
vii
DAFTAR GAMBAR
Gambar 2.1 Jenis Pola Data Runtun Waktu .......................................................... 10

Gambar 2.2 Jaringan Syaraf Sederhana ................................................................ 16
Gambar 2. 3 Jaringan Syaraf dengan Satu Hidden Layer ..................................... 16
Gambar 2.4 Diagram Alur Analisis ...................................................................... 25
Gambar 4.1 Plot Deret Waktu Data Ekspor .......................................................... 26
Gambar 4.2 Plot Model Single Exponential Smoothing ....................................... 29
Gambar 4.3 Plot Ramalan Single Exponential Smoothing ................................... 30
Gambar 4.4 Perbandingan Data Ramalan dengan Aktual Metode SES................ 31
Gambar 4.5 Plot Model Double Exponential Smoothing ..................................... 33
Gambar 4.6 Plot Ramalan Double Exponential Smoothing................................. 33
Gambar 4. 7 Perbandingan Data Ramalan dengan Aktual Metode DES .............. 34
Gambar 4.8 Plot Model Triple Exponential Smoothing ....................................... 36
Gambar 4. 9 Plot Ramalan Triple Exponential Smoothing ................................. 37
Gambar 4. 10 Perbandingan Data Ramalan dengan Aktual Metode TES ............ 37
Gambar 4. 11 Grafik Ramalan Ekspor 2022 dengan Exponential Smoothing ..... 40
Gambar 4. 12 Plot PACF Data Residual ............................................................... 42
Gambar 4. 13 Hasil Ramalan Data Residual Ekspor Tahun 2022 dengan
NNAR(35,1,25)[12] .............................................................................................. 43
Gambar 4. 14 Plot Perbandingan Model Exponential Smoothing dan Hybrid
Exponential Smoothing-NNAR ............................................................................ 45
viii
DAFTAR LAMPIRAN
Lampiran 1: Data Nilai Ekspor Provinsi Jawa Tengah Tahun 2012-2021 ........... 50
Lampiran 2: Output Model Exponential Smoothing ............................................. 52
Lampiran 3: Output RMSE Model Exponential Smoothing ................................. 54
Lampiran 4: Output Ramalan Ekspor 2022 Metode Exponential Smoothing terbaik
............................................................................................................................... 55
Lampiran 5: Output Data Residual Model Exponential Smoothing...................... 56
Lampiran 6: Output Pengujian Model NNAR ...................................................... 57
Lampiran 7: Output RMSE Model NNAR ........................................................... 59
Lampiran 8: Output Ramalan Data Residual Tahun 2022 Model NNAR Terbaik 61
Lampiran 9: Syntax pada RStudio ........................................................................ 62
Lampiran 10: Dokumentasi Kegiatan ................................................................... 66
Lampiran 11: Logbook Individu Dewi Ratnasari Wijaya (B2A221002).............. 68
Lampiran 12: Logbook Individu Risa Bella Rosanti (B2A221003) ..................... 69
Lampiran 13: Logbook Individu Septi Hayuning Tyas (B2A221004) ................. 70
ix
RINGKASAN
Nilai ekspor merupakan data time series yang dapat diramalkan

nilainya untuk beberapa waktu kedepan. Berbagai metode peramalan time series
telah dikembangkan untuk mendapatkan suatu model yang memberikan hasil
ramalan yang lebih akurat, baik itu metode statistika klasik seperti Exponential
Smoothing atau metode yang terbaru seperti metode Neural Network
Autoregression (NNAR). Penelitian ini mengkaji metode hybrid Exponential
Smoothing-Neural Network Autoregression dan bagaimana ketepatannya dalam
meramal data ekspor Provinsi Jawa Tengah jika dibandingkan dengan metode
Exponential Smoothing saja. Penelitian ini menghasilkan model triple exponential
smoothing (Holt-Winter) dengan nilai alpha = 0,2674924 beta = 0, gamma =
0,5518769, dan RMSE sebesar 176,7275. Sedangkan model NNAR terbaik untuk
metode hybrid exponential smoothing-neural network autoregression adalah
NNAR(35,1,25)[12] dengan RMSE sebesar 163,2832. Berdasarkan hal tersebut
maka model terbaik untuk meramalkan nilai ekspor Jawa Tengah pada tahun 2022
ialah hybrid exponential smoothing-neural network autoregression, karena
metode hybrid exponential smoothing-neural network autoregression memiliki
nilai RMSE yang lebih kecil.
Kata Kunci : Peramalan, Ekspor, Exponential Smoothing, Neural Network

Autoregression, Hybrid, Software R.
x
SUMMARY
Export value is a time series data that can be predicted for some time
to come. Various time series forecasting methods have been developed to obtain a
model that provides more accurate forecast results. Whether it's classic statistical
methods such as Exponential Smoothing or recent methods such as the Neural
Network Autoregression (NNAR) method. This study examined the hybrid
Exponential Smoothing-Neural Network Autoregression method and how
accurate it is in forecasting export data in Central Java Province when compared
to the only Exponential Smoothing method. The study resulted in a triple
exponential smoothing (Holt-Winter) model that had an alpha value = 0.2674924
beta = 0.0, gamma = 0.5518769, and RMSE of 176.7275. While the best NNAR
model for the hybrid exponential smoothing-neural network autoregression
method is NNAR(35,1,25)[12] with RMSE of 163.2832. Based on this, the best
model for forecasting the export value of Central Java in 2022 is hybrid
exponential smoothing-neural network autoregression, because the hybrid
exponential smoothing-neural network autoregression method has a smaller
RMSE value.
Keywords : Forecasting, Export, Exponential Smoothing, Neural Network

Autoregression, Hybrid, Software R.
xi
BAB I
PENDAHULUAN
1.1 Latar Belakang
Peramalan merupakan sebuah upaya memperkirakan apa yang akan terjadi

pada masa yang akan datang berdasarkan data pada masa lalu, berbasis pada
metode ilmiah dan kualitatif yang dilakukan secara sistematis (Elvierayani, 2017).
Menurut Hendikawati (2015), peramalan diperlukan untuk menetapkan suatu
peristiwa yang akan terjadi sehingga akan memunculkan tindakan yang tepat
untuk dilakukan. Peramalan merupakan alat bantu yang penting dalam
perencanaan yang efektif dan efisien.
Salah satu kegiatan yang memanfaatkan ilmu peramalan adalah kegiatan
perdagangan. Perdagangan adalah kegiatan tukar menukar barang atau jasa atau
keduanya yang berdasarkan kesepakatan bersama. Pada masa awal sebelum uang
ditemukan, tukar menukar barang dinamakan barter yaitu menukar barang dengan
barang. Pada masa modern perdagangan dilakukan dengan penukaran uang.
Setiap barang dinilai dengan sejumlah uang. Pembeli akan menukar barang atau
jasa dengan sejumlah uang yang diinginkan penjual (Lestari, 2017).
Perdagangan internasional adalah perdagangan yang dilakukan oleh
penduduk suatu negara dengan negara lain atas dasar kesepakatan bersama.
Penduduk yang dimaksud dapat berupa antar perorangan (individu dengan
individu), antar individu dengan pemerintah suatu negara atau pemerintah suatu
negara dengan pemerintah negara lain. Seiring berkembangnya peradaban dan
pertambahan penduduk menyebabkan jumlah dan jenis kebutuhan hidup menjadi
meningkat. Dengan banyaknya keanekaragaman kebutuhan yang harus dipenuhi
oleh suatu negara dan dengan tidak kelengkapan dari semua sektor yang ada
membuat suatu negara melakukan kegiatan perdagangan antar negara atau
perdagangan internasional. Ekspor dan impor merupakan kegiatan perdagangan
yang memerlukan perhatian khusus bagi pemerintah karena negara setiap negara
melakukan kegiatan ekspor dan impor (Purba, 2018).
1
2
Provinsi Jawa Tengah merupakan salah satu provinsi di Negara Indonesia

yang rutin melakukan kegiatan ekspor barang atau jasa. Berdasarkan data ekspor
yang dirilis Badan Pusat Statistik (BPS) Jawa Tengah, data ekspor Jateng
mengalami surplus yang paling tinggi selama tiga tahun terakhir. Dikutip dari
jatengprov.go.id, pelaksana tugas (Plt) BPS Jateng Sentot Bangun Widoyono
mengatakan, peningkatan itu seiring terkendalinya kasus Covid-19 diiringi
perbaikan ekonomi. Ada lima barang yang menyumbang kenaikan ekspor. Di
antaranya kayu dan barang dari kayu, alas kaki, produk kimia, pakaian dan
aksesorisnya (rajutan), dan sayuran. Bila dilihat kinerja ekspor nonmigas Januari-
September 2021, total ekspor Jateng telah mencatatkan 7.262,31 juta dolar AS.
Pasar terbesar dari perdagangan luar negeri adalah Amerika Serikat dengan
2.900,58 juta dolar AS atau 39,94 persen. Posisi itu disusul dengan Jepang,
Tiongkok, Uni Eropa dan Asean.
Data Ekspor merupakan data time series yang dapat diramalkan nilainya
untuk beberapa waktu kedepan. Berbagai metode peramalan time series telah
dikembangkan untuk mendapatkan suatu model yang memberikan hasil ramalan
yang lebih akurat, baik itu metode statistika klasik seperti ARIMA dan
Exponential Smoothing, atau metode deep learning seperti metode Neural
Network. Salah satu metode klasik yang dapat digunakan untuk meramalkan data
adalah Exponential Smoothing. Menurut Makridarkis dkk. (1999), metode
Exponential Smoothing merupakan prosedur perbaikan terus-menerus pada
peramalan terhadap objek pengamatan terbaru. Metode peramalan ini menitik-
beratkan pada penurunan prioritas secara eksponensial pada objek pengamatan
yang lebih dahulu. Dalam exponential smoothing terdapat satu atau lebih
parameter pemulusan yang ditentukan secara eksplisit, dan hasil ini menentukan
bobot yang dikenakan pada nilai observasi. Dengan kata lain, observasi terbaru
akan diberikan prioritas lebih tinggi bagi peramalan daripada observasi yang lebih
lama.
Metode exponential smoothing dibagi menjadi beberapa metode, yaitu
Single Exponential Smoothing, Double Exponential Smoothing Holt dan Triple
Exponential Smoothing Holt-Winters. Ketika data memiliki pola yang acak,
3
kemungkinan Single Exponential Smoothing dapat digunakan. Ketika data

memiliki pola yang acak serta membentuk tren naik atau turun, kemungkinan
Double Exponential Smoothing Holt dapat digunakan. Ketika data memiliki pola
yang acak serta membentuk tren naik atau turun dan terjadi pola musiman,
kemungkinan Triple Exponential Smoothing Holt-Winters dapat digunakan.
Kemungkinan-kemungkinan tersebut dapat dipastikan dengan cara
membandingkan ketiga metode, kemudian melihat nilai kesalahan yang dihasilkan
(Al Mahkya, 2019).
Selain peramalan dengan metode statistika klasik seperti Exponential
Smoothing diatas, peramalan juga dapat dilakukan dengan metode Neural
Network yang pada masa kini banyak berkembang dan digunakan oleh peminat
machine learning, salah satu metode Neural Network yang baik digunakan untuk
meramalkan data time series ialah Neural Network Autoregression (NNAR).
Neural Network Autoregression ini memakai single hidden layer dan
mempergunakan fungsi nonlinier untuk memberikan bobot dan menghasilkan
output dari jaringan syaraf tiruan. Fungsi aktifasi yang digunakan yaitu fungsi
aktifasi sigmoid.
Tak hanya metode statistika murni/klasik dan metode deep learning, saat
ini telah banyak penelitian mengenai metode hybrid. Metode hybrid/hibrida ini
telah banyak terbukti memiliki keunggulan daripada penggunaan metode statistika
klasik saja atau metode deep learning saja pada peramalan dan mengukur
ketidakpastian terkait dengan peramalan tersebut (interval prediksi). Salah satu
contohnya adalah Exponential Smoothing-Neural Network Autoregression (ES-
NNAR), hibrida antara model peramalan statistik dan varian jaringan saraf tiruan.
Berdasarkan latar belakang di atas, dilakukan penelitian berjudul
“Peramalan Nilai Ekspor Jawa Tengah dengan Metode Hybrid Exponential
Smoothing-Neural Network Autoregression Berbantuan Software R”.
4
1.2 Perumusan Masalah
Masalah-masalah yang dihadapi berkaitan dengan peramalan nilai ekspor

dan impor menggunakan metode Exponential Smoothing adalah :
1. Metode Exponential Smoothing apakah yang baik digunakan untuk
meramalkan data nilai ekspor Jawa Tengah?
2. Bagaimana pemodelan peramalan data nilai ekspor Jawa Tengah dengan
metode hybrid Exponential Smoothing-Neural Network Autoregression?
3. Bagaimana perbandingan ketepatan ramalan antara metode Exponential
Smoothing dengan metode hybrid Exponential Smoothing-Neural Network
Autoregression?
4. Bagaimana hasil peramalan nilai ekspor Jawa Tengah tahun 2022 mendatang
menggunakan metode hybrid Exponential Smoothing-Neural Network
Autoregression?
1.3 Maksud Dan Tujuan
Maksud Praktek Kerja Lapangan (Mini Riset) ini adalah :

1. Menganalisis metode Single, Double, dan Triple Exponential Smoothing dan
memilih mana yang terbaik diantara ketiga metode Exponential Smoothing
tersebut untuk digunakan meramalkan data nilai ekspor Jawa Tengah.
2. Menganalisis model peramalan nilai ekspor Jawa Tengah dengan
Autoregression.
3. Menganalisis metode terbaik antara metode Exponential Smoothing dengan
metode hybrid Exponential Smoothing-Neural Network Autoregression.
4. Menghitung hasil peramalan nilai ekspor Jawa Tengah tahun 2022 mendatang
Autoregression.
Tujuan Praktek Kerja Lapangan (Mini Riset) ini adalah mendapatkan cara
mengelola personil dan perlengkapan militer yang meliputi hal-hal sebagai
berikut:
5
1. Menerapkan metode Exponential Smoothing yang terbaik digunakan untuk

meramalkan data nilai ekspor Jawa Tengah.
2. Menerapkan pemodelan peramalan data nilai ekspor Jawa Tengah dengan
metode hybrid Exponential Smoothing-Neural Network Autoregression.
3. Mengetahui perbandingan ketepatan ramalan antara metode Exponential
Smoothing dengan metode hybrid Exponential Smoothing-Neural Network
Autoregression.
4. Mengetahui hasil peramalan nilai ekspor Jawa Tengah tahun 2022 mendatang
Autoregression.
1.4 Kegunaan
Kegunaan yang dapat diperoleh atau dicapai dari Praktek Kerja Lapangan
(Mini Riset) ini bagi mahasiswa adalah sebagai berikut.
1. Mengaplikasikan ilmu pengetahuan yang didapatkan selama perkuliahan
dalam kehidupan nyata.
2. Dapat membandingkan teori-teori yang diperoleh di bangku perkuliahan.
(Mini Riset) ini bagi pemerintah adalah sebagai berikut.
1. Memperoleh perkembangan nilai ekspor di Provinsi Jawa Tengah.

2. Mendapatkan hasil peramalan nilai ekspor di Provinsi Jawa Tengah. Yang
bisa digunakan sebagai acuan untuk menentukan kebijakan kedepannya.
(Mini Riset) ini bagi BPS Jawa Tengah adalah sebagai berikut.
1. Mendapatkan model peramalan terbaik untuk meramalkan nilai ekspor di

Provinsi Jawa Tengah pada periode berikutnya yaitu pada tahun 2022.
2. Sebagai acuan dan pembanding untuk peramalan data ekspor di kemudian
hari.
6
1.5 Batasan Masalah Mini Riset
Batas permasalahan yang di bahas dalam karya tulis ini yaitu masalah
prediksi data ekspor di Jawa Tengah pada bulan Januari 2012 hingga bulan
November 2021, dengan sumber data yang diperoleh dari Badan Pusat Statistik
(BPS) Provinsi Jawa Tengah. Metode yang digunakan yaitu Hybrid Exponential
Smoothing-Neural Network Autoregression Berbantuan Software R.
1.6 Waktu Pelaksanaan Mini Riset
Tahapan-tahapan kegiatan Mini Riset dan waktu pelaksanaannya adalah

sebagai berikut :
Tabel 1.1 Tahapan Kegiatan Mini Riset
Minggu ke-
Kegiatan
1 2 3 4 5 6 7 8
1. Perumuan Topik Mini

X
Riset
2. Pencarian Data dan Jurnal-
X
jurnal Referensi Mini Riset
3. Pembuatan Proposal Mini
X
Riset
4. Analisis Data Mini Riset X X
5. Pembuatan Laporan Mini
X X
Riset
6. Seminar dan Ujian PKL X
BAB II
TINJAUAN PUSTAKA
2.1 Peramalan
Prediksi atau peramalan merupakan sebuah upaya memperkirakan apa

yang akan terjadi pada masa yang akan datang berdasarkan data pada masa lalu,
berbasis pada metode ilmiah dan kualitatif yang dilakukan secara sistematis.
Seiring perkembangan teknologi yang semakin maju, peramalan data time series
telah banyak dikembangkan (Elvierayani, 2017). Peramalan diperlukan untuk
menetapkan suatu peristiwa yang akan terjadi sehingga akan memunculkan
tindakan yang tepat untuk dilakukan. Peramalan merupakan alat bantu yang
penting dalam perencanaan yang efektif dan efisien. Ada dua hal pokok yang
harus diperhatikan dalam proses peramalan yang akurat dan bermanfaat:
a. Pengumpulan data yang relevan berupa informasi yang dapat menghasilkan
peramalan yang akurat.
b. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi
data yang diperoleh semaksimal mungkin.
(Hendikawati, 2015)
Pada umumnya terdapat dua metode peramalan yaitu metode kualitatif dan
metode kuantitatif. Metode peramalan kualitatif digunakan ketika data historis
tidak tersedia. Metode ini merupakan metode subjektif (intuitif). Sedangkan
metode peramalan kuantitatif dapat dibagi menjadi dua tipe yaitu metode regresi
(causal) dan runtun waktu (time series). Metode peramalan kausal meliputi
faktor-faktor yang berhubungan dengan variabel yang diprediksi. Sebaliknya
peramalan runtun waktu (time series) merupakan metode kuantitatif untuk
pendugaan yang berdasarkan data masa lalu dari variabel yang telah dikumpulkan
secara teratur (Hendikawati, 2015).
7
8
2.2 Ekspor
Ekspor adalah proses transportasi barang atau komoditas dari suatu negara
ke negara lain. Proses ini seringkali digunakan oleh perusahaan dengan skala
bisnis kecil sampai menengah sebagai strategi utama untuk bersaing di tingkat
internasional. Sedangkan impor adalah proses transportasi barang atau komoditas
dari suatu negara ke negara lain secara legal, umumnya dalam proses perdagangan
(BPS Jawa Tengah: 2017).
Jumlah ekspor yang naik akan menyebabkan permintaan akan mata uang
domestik naik dan nilai tukar Rupiah menguat. Jumlah ekspor yang tinggi juga
mengakibatkan tenaga kerja pada suatu negara terserap secara penuh sehingga
pengangguran berkurang dan meningkatkan pendapatan perkapita negara tersebut
sehingga daya beli meningkat (Sedyaningrum dkk., 2016).
2.3 Jawa Tengah
Jawa Tengah sebuah provinsi di pulau Jawa dengan luas wilayah sebesar
3,25 juta hektar atau sekitar 25,04 persen dari luas pulau Jawa dan 1,70 persen
dari luas Indonesia. Berdasarkan hasil Sensus Penduduk yang dilakukan Badan
Pusat Statistik bulan September 2020, Jawa Tengah memiliki penduduk sebanyak
36,52 juta jiwa. Dibandingkan dengan hasil sensus sebelumnya, jumlah penduduk
Jawa Tengah terus mengalami peningkatan. Dalam jangka waktu sepuluh tahun
yaitu tahun 2010 hingga 2020, jumlah penduduk Jawa Tengah mengalami
penambahan sekitar 4,1 juta jiwa atau rata-rata 400 ribu setiap tahun. Persentase
penduduk usia produktif (15-64 tahun) terus meningkat sejak tahun 1971. Pada
tahun 1971 proporsi penduduk usia produktif mencakup sebesar 53,83 persen dari
total populasi dan meningkat menjadi 70,60 persen di tahun 2020. Peningkatan
tersebut menjadikan rasio ketergantungan semakin rendah. Pada tahun 2020
tercatat bahwa setiap 100 penduduk usia produktif hanya menanggung sekitar 42
penduduk usia tidak produktif, yakni penduduk yang berusia 0-14 tahun dan 65
tahun ke atas (Anonim, 2021).
9
2.4 Analisis Runtun Waktu
Analisis runtun waktu atau time series analysis merupakan salah satu
analisis dalam statistika yang diterapkan untuk meramalkan struktur probabilistik
keadaan yang akan terjadi dimasa yang akan datang untuk pengambilan sebuah
keputusan dalam rangka suatu perencanaan tertentu. Data runtun waktu
merupakan hasil pengamatan atas sebuah variabel yang terjadi dalam kurun waktu
tertentu berdasarkan indeks waktu secara berurutan dengan interval waktu tetap
(konstan). Ciri-ciri observasi data runtun waktu adalah interval waktu antar indeks
waktu 𝑡 dapat dinyatakan dalam satuan waktu yang sama. Untuk sebuah
pengamatan pada saat 𝑡 maka digunakan simbol 𝑍𝑡 . Data dalam runtun waktu
dengan 𝑛 pengamatan dapat dinyatakan sebagai 𝑍1 , 𝑍2 , 𝑍3 , … , 𝑍𝑛 . Pada data
runtun waktu terdapat ketergantungan waktu antara pengamatan 𝑍𝑡 dengan 𝑍𝑡−𝑘
yang dipisahkan oleh jarak waktu 𝑘 kali (lag 𝑘). dalam memilih suatu metode
runtun waktu yang tepat perlu untuk mempertimbangkan jenis pola data. Pola data
dapat dibedakan menjadi empat jenis pola data, yaitu:
a. Pola Horizontal (H)
Pola ini terjadi bilamana data berfluktuasi disekitar rata-rata yang
konstan (data ini stasioner terhadap nilai rata-ratanya). Suatu produk yang
penjualannya tidak meningkat atau menurun selama waktu tertentu
termasuk jenis pola data horizontal. Secara umum struktur datanya dapat
digambarkan seperti Gambar 2.1.
b. Pola Musiman (S)
Pola ini terjadi bilamana nilai data dipengaruhi oleh faktor musiman
(misalnya kuartal tahun tertentu, bulanan atau hari-hari pada minggu
tertentu). Penjualan produk minuman, es krim, dan bahan bakar pemanas
ruang menunjukkan pola ini. Secara umum struktur datanya dapat
digambarkan seperti Gambar 2.1.
c. Pola Siklis (C)
Pola ini terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi
jangka panjang seperti yang berhubungan dengan siklus bisnis. Penjualan
10
produk seperti mobil, baja, dan peralatan industri lain yang menunjukkan
pola ini. Secara umum struktur datanya dapat digambarkan seperti gambar
2.1.
d. Pola Trend (T)
Pola ini terjadi bilamana ada kenaikan atau penurunan sekuler jangka
panjang dalam data. Data penjualan perusahaan, produk rasional bruto, dan
berbagai indikator bisnis dan ekonomi lainnya mengkuti suatu pola trend
selama perubahannya sepanjang waktu. Secara umum struktur datanya dapat
digambarkan seperti pada Gambar 2.1.
Gambar 2.1 Jenis Pola Data Runtun Waktu

(Hendikawati, 2015)
2.5 Peramalan Metode Pemulusan (Smoothing)
Ada beberapa metode yang dapat digunakan dalam peramalan

(forecasting). Salah satunya adalah metode “smoothing” atau pemulusan. Ada dua
grup metode dalam metode pemulusan, yakni Averaging Methods (Metode Rata-
rata) dan Exponential Smoothing Methods (Metode Pemulusan Eksponensial).
a. Metode Rata-rata Bergerak (Moving Average)

1) Single Moving Average
Secara aljabar, rata-rata bergerak dapat dituliskan sebagai berikut:
11
𝑋1 +𝑋2 +⋯+𝑋𝑡
𝐹𝑡+1 = (1)
𝑛
𝐹𝑡+1 = ramalan untuk period eke 𝑡 + 1

𝑋𝑡 = data pada periode ke-t
𝑛 = jangka waktu rata-rata bergerak
Dalam peramalan, hasil ramalan yang akurat adalah ramalan yang
dapat meminimalkan kesalahan meramal (forecast error). Besarnya
forecast error dihitung dengan mengurangi data asli dengan besarnya
ramalan.
𝐸𝑟𝑟𝑜𝑟 = 𝑋𝑡 − 𝐹𝑡 (2)
2) Double Moving Average

Dasar metode rata-rata bergerak ganda (double moving average)
adalah menghitung rata-rata bergerak kedua. Rata-rata bergerak ganda
diinginkan untuk dapat mengatasi adanya trend secara lebih baik. Rata-
rata bergerak ganda ini merupakan rata-rata bergerak dari rata-rata
bergerak, dinotasikan dengan 𝑀𝐴(𝑀 × 𝑀) yang artinya adalah MA(M)
periode dari MA(M) periode. Metode ini menghitung rata-rata bergerak
kedua dari rata-rata bergerak asli menggunakan nilai T yang sama.
Prosedur rata-rata bergerak linear atau sering disebut rata-rata
bergerak terpusat (Centered Moving Average) meliputi beberapa tahapan
berikut.
a) Penggunaan rata-rata bergerak tunggal pada waktu t
𝑋𝑡 +⋯+𝑋𝑡−𝑁+1
𝑆𝑡′ = (3)
𝑁
b) Penyesuaian yang merupakan perbedaan (selisih) antara rata-rata

bergerak tunggal dan ganda pada waktu t (ditulis 𝑆𝑡′ − 𝑆𝑡” ).
′
𝑆𝑡′ +⋯+𝑆𝑡−𝑁+1
𝑆𝑡” = (4)
𝑁
c) Penyesuaian kecenderungan dari periode t ke t+1 atau ke periode

t+m jika ingin meramalkan m period eke depan.
12
𝑎𝑡 = 𝑆𝑡′ + (𝑆𝑡′ − 𝑆𝑡” ) = 2𝑆𝑡′ − 𝑆𝑡” (5)

2
𝑏𝑡 = 𝑁−1 (𝑆𝑡′ − 𝑆𝑡” ) (6)
𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚 (7)
(Hendikawati, 2015)
b. Metode Exponential Smoothing

Metode Exponential Smoothing merupakan prosedur perbaikan terus-
menerus pada peramalan terhadap objek pengamatan terbaru. Metode peramalan
ini menitik-beratkan pada penurunan prioritas secara eksponensial pada objek
pengamatan yang lebih tua. Dalam pemulusan eksponensial atau exponential
smoothing terdapat satu atau lebih parameterpemulusanyang ditentukan secara
eksplisit, dan hasil ini menentukan bobot yang dikenakan pada nilai observasi.
Dengan kata lain, observasi terbaru akan diberikan prioritas lebih tinggi bagi
peramalan daripada observasi yang lebih lama (Makridakis, 1999).
Metode exponential smoothing dibagi menjadi beberapa metode, yaitu
Single Exponential Smoothing, Double Exponential Smoothing Holt dan Triple
Exponential Smoothing Holt-Winters. Jika diamati dari nama jenis metode yaitu
Single, Double, dan Triple, hal ini berkaitan dengan banyaknya pembobot yang
digunakan pada metode tersebut. Single Exponential Smoothing hanya
memberikan satu pembobot yaitu alpha (level). Double Exponential Smoothing
Holt memberikan dua pembobot yaitu alpha (level) dan beta (tren). Sedangkan
Triple Exponential Smoothing Holt-Winters memberikan tiga pembobot yaitu
alpha (level), beta (tren), dan gamma (musiman) (Al Mahkya, 2019).
1) Single Exponential Smoothing

Single Exponential Smoothing juga dikenal sebagai simple exponential
smoothing yang digunakan pada peramalan jangka pendek, biasanya hanya 1
bulan ke depan. Model mengasumsikan bahwa data berfluktuasi di sekitar
nilai mean yang tetap, tanpa trend atau pola pertumbuhan konsisten.
(Makridakis, 1999). Rumus untuk Simple exponential smoothing adalah
sebagai berikut:
13
𝐹𝑡+1 = 𝛼 × 𝑋𝑡 + (1 − 𝛼) × 𝐹𝑡 (8)
𝐹𝑡 = peramalan untuk periode t
𝑋𝑡 + (1 − 𝛼) = nilai aktual time series
𝐹𝑡+1 = peramalan pada waktu t+1
𝛼 = konstanta perataan antara 0 dan 1
2) Double Exponential Smoothing

Metode ini digunakan ketika data menunjukkan adanya trend.
Exponential smoothing dengan adanya trend seperti pemulusan sederhana
kecuali bahwa dua komponen harus diupdate setiap periode – level dan
trendnya. Level adalah estimasi yang dimuluskan dari nilai data pada akhir
masingmasing periode. Trend adalah estimasi yang dihaluskan dari
pertumbuhan rata-rata pada akhir masing-masing periode. (Makridakis,
1999).
Rumus double exponential smoothing adalah:
𝑆𝑡 = 𝛼 × 𝑌𝑡 + (1 − 𝛼) × (𝑆𝑡 − 1 + 𝑏𝑡 − 1) (9)
𝑏𝑡 = 𝛾 × (𝑆𝑡 − 𝑆𝑡 − 1) + (1 − 𝛾) × 𝑏𝑡 − 1 (10)
𝐹𝑡+𝑚 = 𝑆𝑡 + 𝑏𝑡𝑚 (11)
dimana:
𝑆𝑡 = peramalan untuk periode t.
𝑌𝑡 + (1 − 𝛼) = Nilai aktual time series.
𝑏𝑡 = trend pada periodeke - t .
𝛼 = parameter pertama perataan antara nol dan.
1 = untuk pemulusan nilai observasi.
 = parameter kedua, untuk pemulusan trend.
𝐹𝑡+𝑚 = hasil peramalan ke – m.
𝑚 = jumlah periode ke muka yang akan diramalkan.
3) Triple Exponential Smoothing

14
Metode ini digunakan ketika data menunjukan adanya trend dan

perilaku musiman (Makridakis, 1999). Untuk menangani musiman, telah
dikembangkan parameter persamaan ketiga yang disebut metode “Holt-
Winters” sesuai dengan nama penemuya. Terdapat dua model Holt-Winters
tergantung pada tipe musimannya yaitu Multiplicative seasonal model dan
Additive seasonal model. Metode exponential smoothing yang telah dibahas
sebelumnya dapat digunakan untuk hampir segala jenis data stasioner atau
non – stasioner sepanjang data tersebut tidak mengandung faktor musiman.
Tetapi bilamana terdapat musiman, metode ini dijadikan cara untuk
meramalkan data yang mengandung faktor musiman, namun metode ini
sendiri tidak dapat mengatasi masalah tersebut dengan baik. Meskipun
demikian, metode ini dapat menangani faktor musiman secara langsung.
(Makridakis, 1999).
Rumus yang digunakan untuk triple exponential smoothing adalah:
• Pemulusan trend
𝑏𝑡 = 𝛾(𝑆𝑡 − 𝑆𝑡−1 ) + (1 − 𝛾)𝑏𝑡−1 (12)
• Pemulusan Musiman:
𝑋
𝐼𝑡 = 𝛽 𝑆𝑡 + (1 − 𝛽)𝐼𝑡−𝐿 (13)
𝑡
• Ramalan:
𝐹𝑡+𝑚 = (𝑆𝑡 + 𝑏𝑡 𝑚)𝐼𝑡−𝐿+𝑚 (14)
Dimana,
𝑋 adalah data observasi.
𝑆 adalah smoothed observation (pemulusan observasi).
𝑏 adalah factor trend.
𝐼 adalah indeks musiman.
𝐹 adalah forecast saat m period ke depan

15
𝑡 adalah indeks yang menunjukkan periode waktu.
Nilai 𝛼 , 𝛽 , dan 𝛾 adalah konstan yang harus diestimasi sedemikian rupa

sehingga diperoleh MSE yang minimum dari error.
𝐿 adalah panjang musiman (misal, jumlah kuartal dalam suatu tahun), 𝑏

adalah komponen trend, 𝐼 adalah faktor penyesuaian musiman, dan 𝐹𝑡+𝑚
adalah ramalan untuk 𝑚 periode ke muka.
2.6 Neural Network
Jaringan saraf tiruan atau Artificial Neural Network adalah metode

peramalan yang didasarkan pada model matematika sederhana dari otak. Hal ini
memungkinkan terjadinya hubungan nonlinier yang kompleks antara variabel
respons dan prediktornya. Neural Network dapat dianggap sebagai jaringan
"neuron" yang disusun berlapis-lapis. Prediktor (input) membentuk lapisan
bawah, dan forecast (output) membentuk lapisan atas. Mungkin juga ada lapisan
perantara yang mengandung "neuron tersembunyi atau hidden neurons".
Jaringan yang paling sederhana adalah jaringan yang tidak mempunyai
hidden layers atau lapisan tersembunyi dan setara dengan regresi linier. Gambar
dibawah menunjukkan versi neural network dari regresi linier dengan empat
prediktor. Koefisien yang melekat pada prediktor ini disebut "bobot atau weights".
Forecast dapat diperoleh dengan kombinasi linier dari input. Bobot dipilih dalam
kerangka neural network menggunakan "algoritma pembelajaran atau learning
algorithm" yang meminimalkan "cost function" seperti MSE. Pada contoh
sederhana dapat menggunakan regresi linier yang merupakan metode pelatihan
model yang jauh lebih efisien.
16
Gambar 2.2 Jaringan Syaraf Sederhana

Apabila setelah ditambahkan lapisan perantara dengan hidden neurons,
neural network menjadi non-linear. Contoh arsitektur neural network dengan
lapisan perantara ditunjukkan pada gambar berikut.
Gambar 2. 3 Jaringan Syaraf dengan Satu Hidden Layer

Arsitektur diatas dikenal sebagai multilayer feed-forward network, dimana
pada setiap lapisan node akan menerima input dari lapisan sebelumnya. Output
dari node dalam satu lapisan adalah input ke lapisan berikutnya. Input ke setiap
node digabungkan menggunakan kombinasi linier berbobot. Hasilnya kemudian
dimodifikasi oleh fungsi nonlinier sebelum menjadi output.
𝒛𝒋 = 𝒃𝒋 + ∑𝟒𝒊=𝟏 𝒘𝒊,𝒋 𝒙𝒊 (15)
Pada hidden layer, kemudian jaringan dimodifikasi menggunakan fungsi

nonlinier seperti sigmoid, untuk memberikan input bagi lapisan berikutnya. Hal
17
ini cenderung mengurangi extreme input values, sehingga membuat jaringan agak
kuat terhadap outlier.
𝟏
𝒔(𝒛) = 𝟏+𝒆−𝒛 (16)
Parameter 𝒃𝟏 , 𝒃𝟐 , 𝒃𝟑 , dan 𝒘𝟏,𝟏 , . . . , 𝒘𝟒,𝟑 dipelajari dari data. Nilai bobot

sering kali dibatasi untuk mencegahnya menjadi terlalu besar. Parameter yang
membatasi bobot dikenal sebagai "decay parameter atau parameter peluruhan",
dan sering kali diatur nilainya sama dengan 0,1. Bobot akan mengambil nilai acak
untuk memulai, kemudian diperbarui menggunakan data yang diamati. Akibatnya,
ada unsur keacakan dalam prediksi yang dihasilkan oleh neural network. Oleh
karena itu, jaringan biasanya dilatih beberapa kali menggunakan random starting
points yang berbeda, dan hasilnya kemudian dirata-ratakan. Jumlah hidden layers,
dan jumlah node di setiap hidden layers harus ditentukan terlebih dahulu.
(Hyndman & Athanasopoulos, 2018)
2.7 Neural Network Autoregression (NNAR)
Dengan data time series, nilai lag dari time series dapat digunakan sebagai
input ke neural network, sama seperti menggunakan nilai lag dalam model
autoregresi linier. Model ini dapat disebut sebagai Neural Network Autoregression
atau model NNAR. Neural Network Autoregression pada software R di
perkenalkan oleh Hyndman dan Athanasopoulos di tahun 2018 pada package
forecast dengan fungsi nnetar. Model NNAR ini adalah model jaringan syaraf
tiruan khusus untuk peramalan data runtun waktu. Model NNAR ini khusus untuk
jaringan feed-forward pada single hidden layer dan dinotasikan dengan
NNAR(p,k). p menunjukkan lag-p sebagai input dan k sebagai notes pada hidden
layer. Pada data musiman, akan berguna jika menambahkan nilai pengamatan
terakhir dari musim yang sama sebagai input. Untuk data musiman, model
NNAR (𝑝, 𝑃, 𝑘)𝑚 mempunyai input (𝑦𝑡−1 , 𝑦𝑡−2 , … , 𝑦𝑡−𝑝 , 𝑦𝑡−𝑚 , 𝑦𝑡−2𝑚 , … , 𝑦𝑡−𝑃𝑚 )
dan neuron 𝑘 di hidden layer.
Untuk menjalankan program R package pada penelitian ini digunakan
fungsi nnetar. Fungsi nnetar() cocok dengan model NNAR(𝑝, 𝑃, 𝑘)𝑚 . Jika nilai 𝑝
18
dan 𝑃 tidak ditentukan, maka akan dipilih secara otomatis. Untuk deret waktu non
musiman, akan dipilih berdasarkan default yaitu jumlah lag yang optimal
(berdasarkan AIC) untuk model AR(𝑝) linier. Untuk deret waktu musiman, nilai
defaultnya adalah 𝑃 = 1 dan 𝑝 dipilih dari model linier optimal yang dipasang ke
data yang disesuaikan secara musiman. Jika k tidak ditentukan, maka akan diatur
menjadi 𝑘 = (𝑝 + 𝑃 + 1)/2 (dibulatkan ke bilangan bulat terdekat).
Neural Network Autoregression ini memakai single hidden layer dan
mempergunakan fungsi nonlinier untuk memberikan bobot dan menghasilkan
output dari jaringan syaraf tiruan. Fungsi aktifasi yang digunakan yaitu fungsi
aktifasi sigmoid. Dalam peramalan, jaringan diterapkan secara iteratif. Untuk
peramalan satu langkah kedepan, cukup menggunakan input historis yang
tersedia. Untuk peramalan dua langkah kedepan, menggunakan forecast satu
langkah sebagai masukan bersama dengan data historis. Proses ini berlangsung
sampai terhitung semua peramalan yang diperlukan.
(Hyndman & Athanasopoulos, 2018)
2.8 Hybrid Exponential Smoothing-Neural Network Autoregression
Dalam kehidupan nyata, peramalan deret waktu di bidang ekonomi jauh

dari kata sederhana karena volatilitas yang tinggi, kompleksitas, ketidakteraturan,
dan market environment yang bising. Oleh karena itu, time series di dunia nyata
jarang murni linier atau nonlinier. Data tersebut sering mengandung pola linier
dan nonlinier. Jika demikian, tidak ada model universal yang cocok untuk semua
jenis data deret waktu. Pada kedua model Exponential Smooting (ES) dan model
Neural Network Autoregression (NNAR) dapat mengatasi pola linier atau
nonlinier masing-masing, tetapi baik ES maupun NNAR tidak dapat memodelkan
dan memprediksi deret waktu secara memadai karena model linier tidak dapat
menangani hubungan nonlinier sedangkan model NNAR saja tidak mampu
menangani pola linier dan nonlinier dengan baik. Di sisi lain, untuk peramalan
deret waktu, hubungan antara ES dan NNAR saling melengkapi. Exponential
Smoothing (ES) adalah kelas model linier yang dapat menangkap karakteristik
linier deret waktu, sedangkan model NNAR adalah kelas general function
19
approximators yang mampu memodelkan nonlinier dan dapat menangkap pola

nonlinier dalam deret waktu. Hibridisasi kedua model dapat menghasilkan metode
yang kuat, dan hasil peramalan yang lebih memuaskan dapat diperoleh dengan
memasukkan model ES dan model NNAR. Oleh karena itu, metode hibrida yang
mengintegrasikan Exponential Smoothing dan Neural Network Autoregression
dapat digunakan dalam penelitian ini (Lai et al., 2006).
Secara umum kombinasi dari model time series yang memiliki struktur
autokorelasi yang linier dan non-linier dapat dituliskan sebagai berikut.
𝑦𝑡 = 𝐿𝑡 + 𝑁𝑡 (17)
Di mana 𝐿𝑡 menunjukkan komponen linier dan 𝑁𝑡 menunjukkan

komponen non-linier. Terdapat dua komponen yang harus diestimasi, yaitu model
Exponential Smoothing digunakan untuk menyelesaikan kasus data linier di mana
residual dari model linier masih mengandung informasi hubungan non-linier.
Secara matematis dapat dituliskan sebagai berikut.
𝑒𝑡 = 𝑦𝑡 + 𝐿̂𝑡 (18)
Di mana 𝐿̂𝑡 adalah nilai ramalan model linier pada waktu ke-𝑡. Nilai residual
penting untuk mendiagnosa kecukupan model linier. Sebuah model linier
dikatakan tidak cukup linier jika masih ada sisa hubungan korelasi linier dalam
residual. Adanya pola non-linier yang signifikan dalam residual akan
menunjukkan keterbatasan dari model linier. Dengan memodelkan residual
menggunakan Neural Network, maka hubungan non-linier dapat teratasi (Zhang,
2003).
2.9 Ketepatan Model Peramalan
Terdapat beberapa kriteria pembanding yang menilai kecocokan antara

model yang dibangun dengan data yang ada. Beberapa cara ini digunakan untuk
mengukur kesalahan peramalan sebagai berikut.
a. Mean Square Error (MSE)

20
MSE digunakan untuk mengukur kesalahan nilai dugaan model yang

dinyatakan dalam rata-rata dari kuadrat kesalahan. Rumus untuk menentukan
nilai MSE dinyatakan dengan persamaan berikut.
∑𝑛 ̂
𝑡=1(𝑍𝑡 −𝑍𝑡 )
2
𝑀𝑆𝐸 = (19)
𝑛
b. Root Mean Square Error (RMSE)

RMSE digunakan untuk mengukur kesalahan nilai dugaan model yang
dinyatakan dalam rata-rata dari kuadrat kesalahan. Rumus untuk menentukan
RMSE sebagai berikut.
∑𝑛 ̂
𝑡=1(𝑍𝑡 −𝑍𝑡 )
2
𝑅𝑀𝑆𝐸 = √ (20)
𝑛
RMSE digunakan untuk membandingkan beberapa model estimasi dari

sebuah realisasi runtun waktu yang sama. Akan lebih disukai model yang
memiliki RMSE yang lebih rendah, karena model tersebut akan lebih cocok
atau lebih mendekati data yang ada.
c. Mean Absolute Percentage Error (MAPE)

MAPE digunakan untuk mengukur kesalahan nilai dugaan model yang
dinyatakan dalam bentuk persentase rata-rata absolute kesalahan. Rumus
untuk menentukan nilai MAPE adalah sebagai berikut.
̂ |
|𝑍 −𝑍
∑( 𝑡 𝑡 ×100%)
𝑍𝑡
𝑀𝐴𝑃𝐸 = (21)
𝑛
(Hendikawati, 2015)
2.10 Software R
R adalah bahasa dan lingkungan untuk komputasi statistik dan grafik. Ini
adalah proyek GNU yang mirip dengan bahasa dan environment S yang
dikembangkan di Bell Laboratories (sebelumnya AT&T, sekarang Lucent
Technologies) oleh John Chambers dan rekan-rekannya. R dapat dianggap sebagai
implementasi yang berbeda dari S. R menyediakan berbagai macam statistik
21
(pemodelan linier dan nonlinier, uji statistik klasik, analisis deret waktu,
klasifikasi, pengelompokan, dll.), teknik grafis, dan sangat dapat dikembangkan.
Bahasa S sering menjadi kendaraan pilihan untuk penelitian dalam metodologi
statistik, dan R menyediakan rute Open Source untuk berpartisipasi dalam
aktivitas tersebut (R-project.org, 2022).
Salah satu kelebihan R adalah kemudahan untuk menghasilkan plot

berkualitas publikasi yang dirancang dengan baik, termasuk simbol dan rumus
matematika jika diperlukan. Perhatian besar telah diambil atas default untuk
pilihan desain kecil dalam grafik, tetapi pengguna tetap memegang kendali penuh.
R tersedia sebagai Perangkat Lunak Bebas di bawah persyaratan Foundation’s
GNU General Public License dalam bentuk kode sumber. Ini mengkompilasi dan
berjalan pada berbagai platform UNIX dan sistem serupa (termasuk FreeBSD dan
Linux), Windows dan MacOS (R-project.org, 2022).
BAB III
METODOLOGI MINI RISET
3.1 Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang
bersumber dari website resmi BPS Provinsi Jawa Tengah (www.jateng.bps.go.id).
Data sekunder adalah data yang dikutip atau diperoleh dalam bentuk yang sudah
jadi, sudah dikumpulkan dan diolah sumber lain dan umumnya sudah dalam
bentuk publikasi. Jenis data yang digunakan adalah data runtun waktu nilai ekspor
dalam satuan juta US $ pada Januari 2012 hingga November 2021. Data yang
diambil adalah data per bulan. Data ini digunakan untuk mencari model yang
tepat untuk digunakan sebagai peramalan.
3.2 Metode Pengumpulan Data
Menurut Sugiyono (2018), pengumpulan data dapat dilakukan dalam

berbagai setting, berbagai sumber, dan berbagai cara. Bila dilihat dari sumber
datanya, maka pengumpulan data dapat menggunakan sumber primer dan sumber
sekunder. Berdasarkan pengertian tersebut, maka metode pengumpulan data pada
penelitian ini adalah metode dokumentasi. Menurut Arikunto (2010), metode
dokumentasi yaitu mencari data mengenai hal-hal atau variabel yang berupa
catatan, transkip, buku, surat kabar, majalah, prasasti, notulen rapat, lengger,
agenda, dan sebagainya. Metode dokumentasi merupakan metode pengumpulan
data dengan cara memperoleh data yang dibutuhkan dalam bentuk publikasi atau
dokumentasi yang sudah tersedia. Data yang dianalisis dalam penelitian ini
diperoleh dari website resmi BPS Provinsi Jawa Tengah (www.jateng.bps.go.id).
3.3 Tahapan Analisis Data
Analisis data pada Mini Riset ini berbantuan RStudio dengan tahapan
sebagai berikut.
a. Peramalan dengan metode Exponential Smoothing.
22
23
1) Import data ekspor ke RStudio.

2) Membuat plot time series data nilai ekspor.
3) Membagi data time series menjadi data training dan testing.
4) Melakukan pemodelan terhadap data training dengan metode Single,
Double, Triple Exponential Smoothing.
5) Melakukan peramalan terhadap hasil model Single, Double, Triple
Exponential Smoothing yang dihasilkan oleh data training.
6) Membandingkan hasil ramalan Single, Double, Triple Exponential
Smoothing yang dihasilkan oleh data training dengan data aktual testing
yang sudah ada, dan dilakukan evaluasi dengan melihan nilai RMSE.
7) Metode terbaik dari ketiga metode diatas dapat dilihat dengan cara
melihat nilai RMSE terkecil, maka model tersebut yang dapat dipilih
untuk meramalkan data nilai ekspor.
8) Melakukan peramalan keseluruhan data ekspor dengan metode
exponential smoothing terbaik untuk mengetahui data ramalan tahun
2022.
9) Menentukan nilai residual keseluruhan data ekspor dari model
exponential smoothing terbaik untuk meramalkan secara hibrida antara
metode exponential smoothing dengan metode Neural Network
Autoregression.
b. Peramalan dengan metode hybrid Exponential Smoothing-Neural Network
Autoregression.
1) Import data residual import ke RStudio
2) Membagi data residual menjadi data training dan testing
3) Menentukan model terbaik NNAR dari data training residual dengan
package nnetar di RStudio.
4) Setelah model didapat, Langkah selanjutnya adalah meramalkan data
training residual sebagai pembanding data testing.
5) Setelah didapatkan data ramalan yang masih berupa residual, maka untuk
mandapatkan data ramalan/prediksi perlu dilakukan penjumlahan data
hasil ramalan residual dengan data aktual testing.
24
6) Setelah didapatkan data ramalan/prediksi (testing), lalu data tersebut

dibandingkan dengan data aktual (testing) dan dilihat akurasi peramalan
dengan melihat nilai RMSE. Dari RMSE tersebut dapat dilihat metode
manakah yang terbaik untuk meramalkan nilai ekspor, apakah hanya
dengan metode exponential smoothing atau metode hybrid antara
exponential smoothing dengan NNAR.
7) Langkah selanjutnya adalah meramalkan keseluruhan data dengan
metode hybrid, lalu hasil ramalan yang masih berupa nilai residual/error
harus diubah menjadi nilai ramalan ekspor dengan cara
menjumlahkannya dengan data aktual.
25
3.4 Diagram Alir (Flowchart)
Gambar 2.4 Diagram Alur Analisis

BAB IV
HASIL DAN PEMBAHASAN
4.1 Plot Data Runtun Waktu
Untuk mempermudah dalam analisis maka langkah pertama adalah

membuat plot data time series. Data yang digunakan merupakan data nilai ekspor
Jawa Tengah dari Bulan Januari 2012 hingga Bulan November 2021 yang
terdapat pada Lampiran 1. Plot data time series dapat dilihat pada Gambar 4.1.
Gambar 4.1 Plot Deret Waktu Data Ekspor

Berdasarkan Gambar 4.1 dapat diketahui nilai ekspor yang paling rendah
terdapat pada bulan ke-7 tahun 2016, di mana titik pada plot terlihat paling rendah
diantara bulan-bulan lainnya. Sedangkan harga nilai ekspor paling tinggi adalah
bulan ke-11 (Bulan November) tahun 2021, di mana titik pada plot di atas
menunjukkan posisi tertinggi. Plot data tersebut adalah plot time series yang
memiliki jenis pola trend naik dan kemungkinan terdapat faktor musiman. Maka
dibawah akan dilihat metode exponential smoothing mana yang cocok digunakan
26
27
untuk meramalkan data di atas sebagai metode klasik peramalan, lalu

menggabungkan metode exponential smoothing tersebut dengan neural network
autoregression menjadi metode hybrid ES-NNAR.
4.2 Metode Exponential Smoothing
4.2.1 Pengujian Metode Exponential Smoothing
Sebelum menetukan model dengan exponential smoothing pada data

ekspor Provinsi Jawa Tengah, data dibagi menjadi dua terlebih dahulu yaitu
data training dan data testing. Data training adalah data pada Bulan Januari
2012 – Bulan November 2020. Sedangkan pada Bulan Desember 2020 – Bulan
November 2021 digunakan sebagai data testing untuk menguji model mana
yang terbaik (memiliki RMSE terkecil). Jadi total data training sebanyak 107
data, sedangkan data testing sebanyak 12 data. Fungsi Holtwinters pada R
digunakan untuk menentukan model pada metode exponential smoothing baik
itu single exponential smoothing, double exponential smoothing (Holt),
ataupun triple exponential smoothing (Holt-Winters).
Ada tiga parameter yang ditetapkan oleh software R secara otomatis,
bergantung parameter dari komponen trend dan variasi musiman:
a. Parameter Alpha (α)
Parameter alpha merupakan parameter yang mengontrol
pembobotan relatif pada pengamatan yang baru dilakukan. Parameter
alpha digunakan pada semua model. Jika nilai alpha 1, maka hanya
menunjukkan pengamatan terbaru yang digunakan. Dan jika alpha bernilai
0, maka pengamatan yang lalu dihitung sepadan dengan bobot terbaru.
Parameter alpha digunakan untuk model eksponensial sederhana atau
single eksponential smoothing, model double eksponential smoothing
(Holt), dan triple eksponential smoothing (Holt-Winter);
b. Parameter Beta (β)
Beta merupakan parameter yang mengontrol pembobotan relatif
pada pengamatan yang baru dilakukan untuk kemunculan trend. Parameter
28
beta digunakan pada model yang memiliki komponen trend linier atau
eksponensial yang tidak memiliki variasi musiman. Nilai beta berkisar 0
sampai 1. Jika nilai semakin besar, maka menunjukkan pemberian bobot
yang semakin besar pada pengamatan terbaru. Parameter beta digunakan di
dalam model Holt dan Holt-Winter.
c. Parameter Gamma (γ)
Gamma (γ) merupakan parameter yang mengontrol pembobotan
relatif pada pengamatan yang baru dilakukan untuk kemunculan variasi
musiman. Parameter gamma digunakan pada model yang memiliki variasi
musiman. Nilai gamma berkisar dari 0 sampai 1. Jika nilai gamma
semakin besar, maka menunjukkan pemberian bobot yang semakin besar
pada pengamatan yang terbaru. Parameter gamma digunakan untuk model
triple exponential smoothing (Holt-Winter).
Berikut ini adalah hasil pengujian metode single exponential

smoothing, double exponential smoothing (Holt), ataupun triple exponential
smoothing (Holt-Winters) pada data training.
1. Single Exponential Smoothing

Sebelum melakukan peramalan, perlu dilakukan pengujian kehandalan
model peramalan single exponential smoothing yang akan digunakan, maka
terlebih dahulu menguji model peramalan single exponential smoothing dengan
menggunakan data training dari Januari 2012 sampai November 2020 yang
akan digunakan untuk meramalkan nilai ekspor Jawa Tengah pada bulan
Desember 2020 hingga bulan November 2021 dimana data tersebut sudah
diketahui datanya. Pada pengujian model peramalan single exponential
smoothing untuk bulan Desember 2020 hingga bulan November 2021,
didapatkan nilai parameter pemulusan optimum yang diperoleh melalui
program RStudio yang digunakan untuk meramalkan bulan Desember 2020
sampai November 2021 seperti pada tabel berikut.
29
Tabel 4.1 Nilai Parameter Single Exponential Smoothing
Alpha 0,2660347
Beta FALSE
Gamma FALSE
Berdasarkan tabel diatas diperoleh nilai parameter pemulusan rata-rata

𝛼 = 0,2660347, parameter pemulusan tren atau beta tidak ditentukan dan
parameter pemulusan gamma tidak ditentukan. Dari nilai parameter pemulusan
diatas, selanjutnya akan diperoleh nilai-nilai prediksi untuk nilai ekspor
Provinsi Jawa Tengah. Nilai prediksi merupakan suatu proses memperkirakan
secara sistematis tentang sesuatu yang paling mungkin terjadi di masa depan
berdasarkan informasi masa lalu dan sekarang yang dimiliki, agar
kesalahannya (selisih antara sesuatu yang terjadi dengan hasil perkiraan) dapat
diperkecil.
Gambar 4.2 Plot Model Single Exponential Smoothing
Gambar 4.2 adalah pola nilai prediksi model single exponential

smoothing dari data training pada RStudio. Grafik berwarna hitam adalah pola
data nilai ekspor sesungguhnya, sedangkan grafik berwarna merah merupakan
30
pola nilai-nilai prediksi. Dengan nilai-nilai prediksi diatas maka dapat

diketahui peramalan data nilai ekspor Jawa Tengah 12 bulan kedepan
(Desember 2020 – November 2021) yang tergambar pada grafik dibawah.
Gambar 4.3 Plot Ramalan Single Exponential Smoothing
Pada Grafik diatas, garis biru menunjukkan bahwa hasil peramalan

data training yang diperoleh selama 12 bulan dengan menggunakan metode
single exponential smoothing tidak sesuai untuk mempresentasikan pola data
sesungguhnya, karena jika dilihat dari hasil peramalan tidak menunjukkan pola
data trend maupun musiman namun hasil peramalan stabil selama 12 bulan.
Selain melihat pola diatas, akan dilakukan tahapan pengujian (testing)
untuk melihat akurasi metode single exponential smoothing. Pada tahapan ini
akan dilakukan perbandingan antara data ramalan ekspor Jawa Tengah
(Desember 2020 – November 2021) dengan data aktual (bulan Desember 2020
hingga November 2021) atau data testing. Perbandingan ini dilakukan untuk
menguji metode dengan melihat RMSE. Perbandingan dapat dilihat pada
grafik.
31
Gambar 4.4 Perbandingan Data Ramalan dengan Aktual Metode SES
Gambar 4.4 memperlihatkan antara data aktual dengan data peramalan

nilai ekspor Jawa Tengah terpaut jarak yang jauh. Sehingga untuk
membandingkan ketepatan metode dari metode forecasting lain diperlukan
nilai RMSE. Perbandingan data aktual (testing) dengan data peramalan serta
RMSE data testing dapat dilihat pada Tabel 4.2
Tabel 4.2 Perbandingan Data Ramalan Single Exponential Smoothing
Bulan Data Aktual Data Peramalan

Desember 2020 794,54 678,7217
Januari 2021 756,17 678,7217
Februari 2021 781,37 678,7217
Maret 2021 939,86 678,7217
April 2021 850,43 678,7217
Mei 2021 649,15 678,7217
Juni 2021 838,96 678,7217
Juli 2021 816,09 678,7217
Agustus 2021 967,60 678,7217
September 2021 1025,66 678,7217
32
Oktober 2021 904,81 678,7217

November 2021 1083,13 678,7217
RMSE 222,022
Nilai RMSE metode single exponential smoothing sebesar 222,022.

RMSE melakukan perhitungan perbedaan antara data asli dan data hasil
peramalan yang digunakan untuk memvalidasi tingkat keakuratan dari metode.
RMSE dapat digunakan untuk membandingkan metode single exponential
smoothing dengan metode double exponential smoothing (Holt) dan triple
exponential smoothing (Holt Winter).
2. Double Exponential Smoothing

Selanjutnya dalam tahap training model double exponential smoothing
pada data training (Januari 2012 sampai November 2020), didapatkan nilai
parameter pemulusan optimum yang diperoleh melalui program RStudio
seperti pada tabel berikut.
Tabel 4.3 Nilai Parameter Double Exponential Smoothing
Alpha 0,2181239
Beta 0
Gamma FALSE
Berdasarkan Tabel 4.3 diperoleh nilai parameter pemulusan rata-rata

𝛼 = 0,2181239 , parameter pemulusan tren ( 𝛽) = 0 , dan parameter
pemulusan gamma tidak ditentukan. Dari nilai parameter pemulusan diatas,
selanjutnya akan diperoleh nilai-nilai prediksi untuk nilai ekspor Provinsi Jawa
Tengah. Nilai prediksi merupakan suatu proses memperkirakan secara
sistematis tentang sesuatu yang paling mungkin terjadi di masa depan
berdasarkan informasi masa lalu dan sekarang yang dimiliki, agar
33
kesalahannya (selisih antara sesuatu yang terjadi dengan hasil perkiraan) dapat
diperkecil.
Gambar 4.5 Plot Model Double Exponential Smoothing
Gambar 4.5 adalah pola nilai prediksi model double exponential

pola nilai-nilai prediksi. Dengan nilai-nilai prediksi diatas maka dapat
diketahui peramalan data nilai ekspor Jawa Tengah 12 bulan kedepan
(Desember 2020 – November 2021) yang tergambar pada grafik dibawah.
Gambar 4.6 Plot Ramalan Double Exponential Smoothing

34
Pada Gambar 4.6, garis biru menunjukkan bahwa hasil peramalan data
training yang diperoleh selama 12 bulan dengan menggunakan metode double
exponential smoothing. Grafik ramalan hanya mempresentasikan pola data
trend linier maupun namun tidak untuk pola musiman. Selain melihat pola
diatas, akan dilakukan tahapan pengujian (testing) untuk melihat akurasi
metode double exponential smoothing. Pada tahapan ini akan dilakukan
perbandingan antara data ramalan ekspor Jawa Tengah (Desember 2020 –
November 2021) dengan data aktual (bulan Desember 2020 hingga November
2021) atau data testing. Perbandingan dapat dilihat pada grafik dan tabel
dibawah ini.
Gambar 4. 7 Perbandingan Data Ramalan dengan Aktual Metode DES
Pada Gambar 4.7 terlihat data aktual dengan data peramalan nilai
ekspor Jawa Tengah terpaut jarak. Sehingga untuk mengukur ketepatan dari
suatu metode forecasting dan membandingkan dari metode lainnya diperlukan
nilai RMSE. Data peramalan dan nilai RMSE testing untuk metode double
exponential smoothing dapat dilihat pada Tabel 4.4.
35
Tabel 4.4 Perbandingan Data Ramalan Double Exponential Smoothing

Desember 2020 794,54 689,7005
Januari 2021 756,17 692,6605
Februari 2021 781,37 695,6205
Maret 2021 939,86 698,5805
April 2021 850,43 701,5405
Mei 2021 649,15 704,5005
Juni 2021 838,96 707,4605
Juli 2021 816,09 710,4205
Agustus 2021 967,60 713,3805
September 2021 1025,66 716,3405
Oktober 2021 904,81 719,3005
November 2021 1083,13 722,2605
RMSE 195,6251
Nilai RMSE metode double exponential smoothing ini sebesar

195,6251. RMSE melakukan perhitungan perbedaan antara data asli dan data
hasil peramalan yang digunakan untuk memvalidasi tingkat keakuratan dari
metode. RMSE dapat digunakan untuk membandingkan metode double
exponential smoothing dengan metode lain.
3. Triple Exponential Smoothing (Holt-Winter)

Untuk menguji model peramalan triple exponential smoothing dengan
menggunakan data training dari Januari 2012 sampai November 2020 yang
akan digunakan untuk meramalkan nilai ekspor Jawa Tengah pada bulan
Desember 2020 hingga bulan November 2021 dimana data tersebut sudah
diketahui datanya (data testing). Dalam tahap training, didapatkan nilai
parameter pemulusan optimum yang diperoleh melalui program RStudio
seperti pada tabel berikut.
36
Tabel 4. 5 Nilai Parameter Triple Exponential Smoothing
Alpha 0,2674924
Beta 0
Gamma 0,5518769
Berdasarkan tabel diatas diperoleh nilai parameter pemulusan rata-

rata 𝛼 = 0,2674924, parameter pemulusan tren atau beta sebesar 0, dan
parameter pemulusan gamma sebesar 0,5518769. Dari nilai parameter
pemulusan diatas, selanjutnya akan diperoleh nilai-nilai prediksi untuk nilai
ekspor Provinsi Jawa Tengah.
Gambar 4.8 Plot Model Triple Exponential Smoothing

Gambar diatas adalah pola nilai prediksi model triple exponential
pola nilai-nilai prediksi. Dari nilai-nilai prediksi diatas maka dapat diketahui
peramalan data nilai ekspor Jawa Tengah 12 bulan kedepan (Desember 2020 –
November 2021) yang tergambar pada grafik dibawah.
37
Gambar 4. 9 Plot Ramalan Triple Exponential Smoothing

Pada Grafik diatas, garis biru menunjukkan bahwa hasil peramalan
data training yang diperoleh selama 12 bulan dengan menggunakan metode
triple exponential smoothing sesuai untuk mempresentasikan pola data
sesungguhnya, karena jika dilihat dari hasil peramalan menunjukkan pola
data trend maupun musiman. Selain melihat pola diatas, akan dilakukan
tahapan pengujian (testing) untuk melihat akurasi metode triple exponential
smoothing. Pada tahapan ini akan dilakukan perbandingan antara data
ramalan ekspor Jawa Tengah (Desember 2020 – November 2021) dengan
data aktual (bulan Desember 2020 hingga November 2021) atau data
testing. Perbandingan dapat dilihat pada grafik dan tabel dibawah ini.
Gambar 4. 10 Perbandingan Data Ramalan dengan Aktual Metode TES

38
Untuk mengukur ketepatan dari suatu metode forecasting, diperlukan

menghitung error dari hasil peramalan dengan data asli. Maka diperlukan nilai
RMSE untuk melihat ketepatan sekaligus sebagai pembanding dari metode
lainnya. Data peramalan dan nilai RMSE testing untuk metode triple
exponential smoothing dapat dilihat pada Tabel 4.6.
Tabel 4. 6 Perbandingan Data Ramalan Triple Exponential Smoothing

Desember 2020 794,54 699,0239
Januari 2021 756,17 758,7344
Februari 2021 781,37 704,5758
Maret 2021 939,86 733,6480
April 2021 850,43 660,7685
Mei 2021 649,15 678,3232
Juni 2021 838,96 675,5501
Juli 2021 816,09 801,8649
Agustus 2021 967,60 759,7023
September 2021 1025,66 770,8039
Oktober 2021 904,81 746,5035
November 2021 1083,13 736,3176
RMSE 176,7275
Nilai RMSE metode triple exponential smoothing ini sebesar

176,7275. RMSE melakukan perhitungan perbedaan antara data asli dan data
hasil peramalan yang digunakan untuk memvalidasi tingkat keakuratan dari
metode. RMSE ini dapat digunakan untuk membandingkan metode triple
exponential smoothing dengan metode lainnya.
4.2.2 Pemilihan Metode Exponential Smoothing Terbaik
Hasil Root Mean Square Error (RMSE) dari ketiga metode

eksponensial diatas akan dibandingkan, bagi metode yang memiliki nilai
RMSE terkecil merupakan metode/model yang memiliki nilai akurasi terbaik
39
untuk meramalkan data nilai ekspor Jawa Tengah. Hasil dari perhitungan
RMSE dari metode single exponential smoothing, double exponential
smoothing (Holt), dan triple exponential smoothing (Holt-Winter)
dibandingkan pada tabel dibawah ini.
Tabel 4. 7 Perbandingan RMSE Metode Exponential Smoothing
Metode RMSE
Single Exponential Smoothing 222,022
Double Exponential Smoothing (Holt) 195,6251
Triple Exponential Smoothing (Holt-
176,7275
Winter)
Ketepatan metode yang digunakan diukur dari akurasi yang mampu

meramalkan data pada periode yang akan datang. Berdasarkan Tabel 4.7
metode triple exponential smoothing (Holt-Winter) terbaik untuk memprediksi
nilai ekspor Jawa Tengah karena nilai error atau RMSE metode triple
exponential smoothing (Holt-Winter) paling kecil daripada dua metode lainnya.
Metode triple exponential smoothing (Holt-Winter) ini cocok pada data nilai
ekspor Jawa Tengah dikarenakan pola fluktasi data tersebut dalam grafik time
series membentuk pola trend dan musiman.
4.2.3 Peramalan dengan Metode Exponential Smoothing Terbaik
Langkah selanjutnya melakukan peramalan pada keseluruhan data

ekspor dengan metode exponential smoothing terpilih yaitu metode triple
exponential smoothing (Holt-Winter). Data yang akan dimasukkan untuk
meramal adalah data bulan Januari 2012 – bulan November 2021, untuk
meramalkan data 12 bulan kedepan (Desember 2021 – November 2022). Hasil
peramalan nilai ekspor Jawa Tengah menggunakan RStudio menghasilkan data
ramalan sebagai berikut.
40
Tabel 4. 8 Ramalan Ekspor 2022 dengan Metode Exponential Smoothing

Terpilih
Data Peramalan
Bulan
Ekspor 2022
Desember 2021 998,3068
Januari 2022 1008,0392
Februari 2022 989,0018
Maret 2022 1064,0371
April 2022 965,8177
Mei 2022 883,0365
Juni 2022 973,0839
Juli 2022 1029,2294
Agustus 2022 1074,2687
September 2022 1089,9365
Oktober 2022 1010,9673
November 2022 1075,9709
Grafik dari data ramalan nilai ekspor Jawa Tengah selama 12 bulan
(Desember 2021 – November 2022) divisualisasikan pada gambar berikut.
Gambar 4. 11 Grafik Ramalan Ekspor 2022 dengan Exponential Smoothing
Grafik berwarna hitam adalah data asli yang dimasukkan. Sedangkan

grafik yang berwarna biru adalah data ramalan nilai ekspor Jawa Tengah
selama 12 bulan (Desember 2021 – November 2022).
41
4.3 Metode Hybrid Exponential Smoothing-Neural Network Autoregression

Peramalan untuk metode hybrid exponential smoothing-neural network
autoregression melalui beberapa tahapan yaitu penentuan dan pengujian model
dengan data training dan testing, lalu pemilihan model terbaik menurut RMSE-
nya, selanjutnya melakukan peramalan. Hasil analisis dan pembahasan metode
hybrid berdasarkan tahapannya dijelaskan oleh subbab-subbab dibawah ini.
4.3.1 Pengujian Metode Hybrid Exponential Smoothing-Neural Network

Autoregression
Residual dari model triple exponential smoothing (Holt-Winter)
dipasang ke dalam model neural network berdasarkan struktur Neural Network
Autoregression (NNAR) dalam perangkat lunak RStudio. Pada penelitian ini
model NNAR yang digunakan adalah model NNAR (𝑝, 𝑃, 𝑘)𝑚 karena data
memiliki ciri musiman. Dimana p adalah tingkat nilai sisa input yang tertinggal
sedangkan k adalah jumlah node di lapisan tersembunyi dan dilatih
berdasarkan jumlah pengulangan yang ditentukan. Sedangkan untuk deret
waktu musiman, nilai defaultnya adalah 𝑃 = 1, dalam penelitian ini jumlah
pengulangan atau repeats ditentukan otomatis di RStudio yaitu sebanyak 20
kali. Model NNAR dalam software R dirancang untuk memodelkan hanya satu
lapisan tersembunyi, satu jaringan lapisan tersembunyi telah ditunjukkan baik
secara teoritis maupun empiris untuk mampu memodelkan semua jenis
hubungan fungsional. Untuk proses pengujian, 107 data residual akan dibagi
menjadi training set dan testing set yang mana terdiri dari 95 data pertama
merupakan data training, dan 12 data terakhir merupakan data testing.
Menurut As & Setyowibowo (2020), untuk menentukan input jaringan
langkah yang harus dilakukan adalah mengidentifikasi plot Partial
Autocorrelation (PACF) terhadap data residual, apakah data berautokorelasi
dengan data sebelumnya dengan lag-lag tertentu. Hasilnya dapat dilihat pada
Gambar 4.12.
42
Gambar 4. 12 Plot PACF Data Residual

Pada plot tampak bahwa terdapat proses autoregressive pada lag 35.
Ini berarti inputnya mengandung autoregressive sampai lag 35. Untuk
mengetahui input jaringan sampai pada lag 35, diujikan pada proses training
dan testing. Pelatihan/training model dilakukan dengan memvariasikan jumlah
hidden node di hidden layer atau nilai k untuk mendapatkan parameter terbaik.
Kriteria yang harus dipenuhi untuk pengujian model NNAR untuk
mendapatkan model yang baik berdasarkan model supervised backpropogation
yaitu akurasinya yang tinggi atau kesalahan peramalan yang kecil, dicek
dengan Root Mean Square Error (RMSE). Hasil perhitungan RMSE data
testing model NNAR disajikan pada Tabel 4.9.
Tabel 4. 9 Nilai RMSE Testing pada Model NNAR
Model NNAR RMSE Testing

NNAR(35,1,2)[12] 168,7606
NNAR(35,1,4)[12] 196,5064
NNAR(35,1,6)[12] 195,0340
NNAR(35,1,9)[12] 192,1409
NNAR(35,1,13)[12] 181,8822
NNAR(35,1,18)[12] 177,6905
NNAR(35,1,25)[12] 163,2832
Tabel 4.9 merupakan RMSE hasil testing model NNAR(35,1,2)[12],

model NNAR(35,1,4)[12], model NNAR(35,1,6)[12], model
43
NNAR(35,1,9)[12], model NNAR(35,1,13)[12], model NNAR(35,1,18)[12],

dan model NNAR(35,1,25)[12]. Untuk memilih model mana yang baik kriteria
yang diapakai yaitu model yang mempunyai nilai RMSE terkecil. Pada Tabel
4.9 diatas nilai RMSE terkecil jatuh pada model NNAR(35,1,25)[12] dengan
nilai RMSE sebesar 163,2832. Model NNAR ini merupakan model musiman
dengan jumlah node input sebanyak 35, dan 1 hidden layer dengan 18 hidden
nodes. Dengan demikian model neural network yang digunakan bersama
model exponensial smoothing pada model hibrida ini yaitu model
NNAR(15,1,25)[12].
4.3.2 Peramalan Metode Hybrid Exponential Smoothing-Neural Network

Autoregression
Setelah didapatkan model NNAR yang baik, maka Langkah
berikutnya ialah meramalkan keseluruhan data residual ekspor untuk
meramalkan data residual ekspor 12 bulan kedepan (Desember 2021 hingga
November 2022) menggunakan model NNAR(15,1,25)[12]. Hasil ramalan data
residual dapat dilihat melalui plot dibawah ini.
Gambar 4. 13 Hasil Ramalan Data Residual Ekspor Tahun 2022 dengan

NNAR(35,1,25)[12]
Setelah didapat data ramalan residual tahun 2022, selanjutnya
menentukan ramalan hybrid exponential smmothing-NNAR untuk data ekspor
tahun 2022 dengan. Untuk dapat menentukan hasil ramalan hybrid, diperlukan
menjumlahkan hasil ramalan ekspor menggunakan exponential smoothing
44
dengan hasil ramalan residual menggunakan NNAR. Penjumlahan dan hasil

ramalan nilai ekspor Jawa Tengah tahun 2022 dengan metode hybrid dapat
dilihat pada Tabel 4.10.
Tabel 4. 10 Hasil Ramalan Nilai Ekspor Jawa Tengah Tahun 2022 Dengan
Metode Hybrid
Ramalan Ramalan Ramalan Hybrid

Waktu Ekspor ES Residual NNAR ES-NNAR
(1) (2) (1+2)
Dec-21 998,3068 70,833347 1069,1401
Jan-22 1008,0392 -50,263932 957,7753
Feb-22 989,0018 37,357614 1026,3594
Mar-22 1064,0371 11,178505 1075,2156
Apr-22 965,8177 10,280569 976,0982
May-22 883,0365 -170,600417 712,4361
Jun-22 973,0839 2,431963 975,5159
Jul-22 1029,2294 -94,188622 935,0408
Aug-22 1074,2687 51,135622 1125,4043
Sep-22 1089,9365 -73,495394 1016,4411
Oct-22 1010,9673 83,301675 1094,2689
Nov-22 1075,9709 122,864639 1198,8355
4.4 Perbandingan Metode Hybrid Exponential Smoothing-Neural Network

Autoregression dengan Exponential Smoothing
Analisis metode exponential smoothing dilakukan dengan memilih
metode terbaik beberapa metode. Metode terpilih yaitu metode triple exponential
smoothing (Holt-Winter) dengan nilai alpha = 0,2674924 beta = 0, dan gamma =
0,5518769. Model exponential smoothing ini memiliki nilai RMSE sebesar
176,7275. Sedangkan pada analisis dengan metode Hybrid Exponential
Smoothing-Neural Network Autoregression (ES-NNAR) diperoleh model hybrid
terbaik yaitu NNAR(35,1,25)[12] memiliki 35 node input, 25 node pada 1 lapisan
tersembunyi, nilai RMSE sebesar 163,2832. Plot perbandingan antara hasil
ramalan pada data ekspor Jawa Tengah Tahun 2022 dengan kedua model dapat
dilihat pada Gambar 4.14.
45
Gambar 4. 14 Plot Perbandingan Model Exponential Smoothing dan Hybrid

Exponential Smoothing-NNAR
Setelah kedua model didapatkan, akan dilakukan perbandingan hasil
peramalan antara model Exponential Smoothing dan Hybrid Exponential
Smoothing-NNAR. Tujuan dari perbandingan ini adalah untuk membandingkan
metode yang mampu memberikan hasil peramalan yang terbaik. Peramalan yang
terbaik dapat dilihat melalui perbandingan nilai RMSE. Hasil RMSE yang
memiliki nilai terkecil menunjukkan bahwa metode menghasilkan ramalan yang
terbaik dibandingkan dengan metode lainnya.
Tabel 4. 11 Perbandingan RMSE Model Hybrid Exponential Smoothing-NNAR
Metode RMSE
Exponential Smoothing 176,7275
Hybrid Exponential
163,2832
Smoothing-NNAR
Berdasarkan hasil perbandingan kedua metode, nilai RMSE yang

dihasilkan metode Hybrid Exponential Smoothing-NNAR memiliki nilai yang
lebih kecil. hal ini berarti metode Hybrid Exponential Smoothing-NNAR
merupakan metode terbaik yang dapat digunakan untuk melakukan peramalan
pada nilai ekspor Provinsi Jawa Tengah tahun 2022.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil pengujian dan pembahasan yang telah dipaparkan pada

bagian sebelumnya, maka diperoleh beberapa simpulan sebagai berikut:
1. Pemodelan metode exponential smoothing terbaik dalam penelitian ini untuk
melakukan peramalan nilai ekspor Provinsi Jawa Tengah Tahun 2022
menghasilkan metode terbaik yaitu Triple Exponential Smoothing (Holt-
Winter) dengan nilai alpha = 0,2674924 beta = 0, dan gamma = 0,5518769.
2. Pemodelan NNAR untuk metode hybrid exponential smoothing-neural
network autoregression terbaik dalam penelitian ini didapatkan model
NNAR(35,1,25)[12].
3. Perhitungan keakuratan kedua metode dilihat dengan nilai RMSE. Nilai
RMSE metode exponential smoothing sebesar 176,7275. Sedangkan pada
metode hybrid exponential smoothing-neural network autoregression nilai
RMSE sebesar 163,2832. Berdasarkan hal tersebut maka model terbaik untuk
meramalkan nilai ekspor Jawa Tengah pada tahun 2022 ialah hybrid
exponential smoothing-neural network autoregression, karena metode hybrid
exponential smoothing-neural network autoregression memiliki nilai RMSE
yang lebih kecil.
4. Hasil peramalan nilai ekspor Provinsi Jawa Tengah tahun 2022 mendatang
menggunakan metode hybrid exponential smoothing-neural network
autoregression adalah sebagai berikut.
Tabel 5. 1 Hasil Ramalan Ekspor Jawa Tengah Tahun 2022
Tanggal Hasil Ramalan

Desember 2021 1069,1401
Januari 2022 957,7753
Februari 2022 1026,3594
Maret 2022 1075,2156
April 2022 976,0982
46
47
Mei 2022 712,4361

Juni 2022 975,5159
Juli 2022 935,0408
Agustus 2022 1125,4043
September 2022 1016,4411
Oktober 2022 1094,2689
November 2022 1198,8355
5.2 Saran
Berdasarkan hasil penelitian yang telah dilakukan, beberapa saran untuk

penelian ini sebagai berikut.
1. Metode yang dibahas pada penelitian ini adalah membandingkan peramalan
data runtun waktu dengan menggunakan metode hybrid exponential
smoothing-neural network autoregression. Untuk penelitian selanjutnya dapat
dilakukan dengan metode-metode hybrid lain.
2. Mencoba studi kasus lain yang terkini untuk peramalan menggunakan metode
hybrid exponential smoothing-neural network autoregression. Misalnya
harga saham, krypto, dan lain-lain.
3. Perhitungan dalam penelitian ini menggunakan software RStudio, diharapkan
pada penelitian selanjutnya dapat menggunakan program lain seperti Phyton.
DAFTAR PUSTAKA
Anonim, 2021a. Kinerja Ekspor Jateng 2021 Meningkat. Tersedia di

https://jatengprov.go.id/publik/kinerja-ekspor-jateng-2021-meningkat/
[Accessed 13 Januari 2022].
Anonim, 2021b. Nilai Ekspor dan Impor. Tersedia di www.jateng.bps.go.id
Anonim, 2021c. Profil Jawa Tengah. Tersedia di
https://cjip.jatengprov.go.id/profil-jawa-tengah [Accessed 14 Januari 2022].
Arikunto, S. 2010. Prosedur Penelitian Suatu Pendekatan Praktik. Jakarta:
Rineka Cipta.
As, M. & Setyowibowo, S. 2020. Peramalan Harga Emas Harian dengan Model
Hibrida Syaraf Tiruan Pendahuluan Metode Penelitian. 19: 51–58.
Elvierayani, R.R. 2017. Peramalan Nilai Tukar (Kurs) Rupiah terhadap Dolar
Tahun 2017 dengan Menggunakan Metode Arima Box-Jenkins. 1(1): 253–
261.
Hendikawati, P. 2015. Peramalan Data Runtun Waktu Metode dan Aplikasinya
dengan Minitab & Eviews. Semarang: FMIPA UNNES.
Hyndman, R. & Athanasopoulos, G. 2018. Forecasting: Principles and Practice
(2nd Edition). OTexts: Melbourne,Australia. Tersedia di OTexts.com/fpp2.
Lai, K.K., Yu, L., Wang, S. & Huang, W. 2006. Hybridizing Exponential
Smoothing and Neural Network. International Conference on Computational
Science, 493–500.
Lestari, R.P. 2017. Perancangan Program Visual Basic Untuk Peramalan
Menggunakan Metode Moving Average Dan Exponential Smoothing ( Kasus
Nilai Ekspor Komoditas Tekstil Di Jawa. Universitas Negeri Semarang.
Al Mahkya, D. 2019. Tutorial R : Metode Forecasting Exponential Smoothing
Menggunakan R. Tersedia di
https://www.danialmahkya.com/2019/12/exponential-smoothing-r.html
Makridarkis, S., Wheelwright, S.C. & McGeee, V.E. 1999. Metode dan Aplikasi
Peramalan, Jilid 1 Edisi Kedua. Jakarta: Binarupa Aksara.
Purba, A.V.K. 2018. Peramalan Jumlah Ekspor dan Impor pada Sektor Industri
Provinsi Sumatera Utara Tahun 2019. Universitas Sumatera Utara.
R-project.org 2022. What is R? Tersedia di https://www.r-project.org/about.html
Sedyaningrum, M., Suhadak & Nuzula, N.F. 2016. Pengaruh Jumlah Nilai
48
49
Ekspor, Impor dan Pertumbuhan Ekonomi terhadap Nilai Tukar dan Daya
Beli Masyarakat di Indonesia (Studi Pada Bank Indonesia Periode Tahun
2006 : IV-2015 : III). Jurnal Administrasi Bisnis, 34(1): 114–121.
Sugiyono 2018. Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung:
Alfabeta.
Zhang, G.P. 2003. Time Series Forecasting Using A Hybrid ARIMA and Neural
Network Model. Neurocomputing, 50: 159–175.
LAMPIRAN
Lampiran 1: Data Nilai Ekspor Provinsi Jawa Tengah Tahun 2012-2021
Waktu Ekspor Waktu Ekspor

Jan-12 395,41 Oct-14 483,5
Feb-12 398,37 Nov-14 405,28
Mar-12 432,02 Dec-14 466,61
Apr-12 358,64 Jan-15 427,01
Feb-15 428,34
May-12 366,77
Mar-15 487,62
Jun-12 401,36
Apr-15 490,77
Jul-12 384,49
May-15 461,01
Aug-12 325,95 Jun-15 507,18
Sep-12 371,9 Jul-15 384,24
Oct-12 384,69 Aug-15 445
Nov-12 390,81 Sep-15 436,43
Dec-12 440,79 Oct-15 434,91
Jan-13 411,18 Nov-15 416,9
Feb-13 422,01 Dec-15 455,28
Mar-13 423,85 Jan-16 430,32
Feb-16 436,56
Apr-13 440,24
Mar-16 478,39
May-13 464,59
Apr-16 453,56
Jun-13 470,1 May-16 461,3
Jul-13 480,94 Jun-16 545,13
Aug-13 313,88 Jul-16 287,33
Sep-13 432,82 Aug-16 449,18
Oct-13 464,03 Sep-16 430,98
Nov-13 419,38 Oct-16 418,91
Dec-13 583,55 Nov-16 483,89
Jan-14 445,49 Dec-16 523,58
Feb-14 459,96 Jan-17 475,16
Feb-17 447,47
Mar-14 517,65
Mar-17 523,72
Apr-14 495,53
Apr-17 452,93
May-14 514,63 May-17 547,34
Jun-14 513,06 Jun-17 409,61
Jul-14 431,28 Jul-17 499,23
Aug-14 424,31 Aug-17 562,99
Sep-14 476,39 Sep-17 498,18
50
51
Waktu Ekspor Waktu Ekspor

Oct-17 529,54 Oct-20 689,05
Nov-17 526,56 Nov-20 688,45
Dec-17 519,93 Dec-20 794,54
Jan-18 539,86 Jan-21 756,17
Feb-18 509,11 Feb-21 781,37
Mar-18 571,37 Mar-21 939,86
Apr-18 561,79 Apr-21 850,43
May-18 601,88 May-21 649,15
Jun-18 426,65 Jun-21 838,96
Jul-18 601,33 Jul-21 816,09
Aug-18 575,27 Aug-21 967,6
Sep-18 536,12 Sep-21 1025,66
Oct-18 579,78 Oct-21 904,81
Nov-18 539,91 Nov-21 1083,13
Dec-18 544,94
Jan-19 756,88
Feb-19 646,67
Mar-19 720,89
Apr-19 694,45
May-19 777,05
Jun-19 492,49
Jul-19 817,34
Aug-19 751,77
Sep-19 726,07
Oct-19 707,32
Nov-19 692,6
Dec-19 733,17
Jan-20 759,59
Feb-20 723,15
Mar-20 703,35
Apr-20 545,26
May-20 456,42
Jun-20 632,23
Jul-20 710,91
Aug-20 658,44
Sep-20 731,98
52
Lampiran 2: Output Model Exponential Smoothing
> es1
Holt-Winters exponential smoothing without trend and without seasona
l component.
Call:
HoltWinters(x = Train_Ekspor, beta = FALSE, gamma = FALSE)
Smoothing parameters:
alpha: 0.2660347
beta : FALSE
gamma: FALSE
Coefficients:
[,1]
a 678.7217
> es2
Holt-Winters exponential smoothing with trend and without seasonal c
omponent.
Call:
HoltWinters(x = Train_Ekspor, gamma = FALSE)
alpha: 0.2181239
beta : 0
gamma: FALSE
Coefficients:
[,1]
a 686.7405
b 2.9600
> es3
Holt-Winters exponential smoothing with trend and additive seasonal
component.
Call:
HoltWinters(x = Train_Ekspor)
alpha: 0.2674924
beta : 0
gamma: 0.5518769
Coefficients:
53
[,1]
a 711.268926
b 4.747924
s1 -16.992915
s2 37.969638
s3 -20.936874
s4 3.387337
s5 -74.240077
s6 -61.433253
s7 -68.954273
s8 52.612582
s9 5.702025
s10 12.055686
s11 -16.992639
s12 -31.926407
54
Lampiran 3: Output RMSE Model Exponential Smoothing
> accuracy(ramal_es1, Test_Ekspor)

ME RMSE MAE MPE MAPE ACF1 Theil
's U
Test set 188.5925 222.022 193.5211 20.27613 21.03537 0.2809309 1.63
2641

ME RMSE MAE MPE MAPE ACF1 Thei
l's U
Test set 161.3336 195.6251 170.5587 17.17453 18.59564 0.2293026 1.4
36811

ME RMSE MAE MPE MAPE ACF1 The
il's U
Test set 140.1628 176.7275 145.4524 14.86078 15.66631 0.03109236 1.
308074
55
Lampiran 4: Output Ramalan Ekspor 2022 Metode Exponential Smoothing

terbaik
> ramalan_es_2022
Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
Dec 2021 998.3068 901.0272 1095.5863 849.5305 1147.083
Jan 2022 1008.0392 907.3395 1108.7389 854.0322 1162.046
Feb 2022 989.0018 884.9943 1093.0093 829.9360 1148.067
Mar 2022 1064.0371 956.8238 1171.2503 900.0686 1228.006
Apr 2022 965.8177 855.4918 1076.1435 797.0888 1134.547
May 2022 883.0365 769.6834 996.3896 709.6779 1056.395
Jun 2022 973.0839 856.7824 1089.3854 795.2161 1150.952
Jul 2022 1029.2294 910.0524 1148.4064 846.9639 1211.495
Aug 2022 1074.2687 952.2839 1196.2535 887.7091 1260.828
Sep 2022 1089.9365 965.2072 1214.6659 899.1795 1280.694
Oct 2022 1010.9673 883.5525 1138.3820 816.1032 1205.831
Nov 2022 1075.9709 945.9261 1206.0157 877.0845 1274.857
56
Lampiran 5: Output Data Residual Model Exponential Smoothing

57
Lampiran 6: Output Pengujian Model NNAR
> nn1
Series: train_residual
Model: NNAR(35,1,2)[12]
Call: nnetar(y = train_residual, p = 35, P = 1, size = 2)
Average of 20 networks, each of which is

a 35-2-1 network with 75 weights
options were - linear output units
sigma^2 estimated as 143.7
> nn2
Model: NNAR(35,1,4)[12]

> nn3
Model: NNAR(35,1,6)[12]

> nn4
Model: NNAR(35,1,9)[12]

> nn5
58
Model: NNAR(35,1,13)[12]

> nn6
Model: NNAR(35,1,18)[12]

> nn7
Model: NNAR(35,1,25)[12]


59
Lampiran 7: Output RMSE Model NNAR

60
61
Lampiran 8: Output Ramalan Data Residual Tahun 2022 Model NNAR

Terbaik
> ramalan_nn_2022
Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
Dec 2021 70.833347 -6.678607 146.24406 -44.162869 183.29835
Jan 2022 -50.263932 -127.964675 23.12716 -160.742747 61.78032
Feb 2022 37.357614 -40.319308 115.78106 -82.218386 147.03354
Mar 2022 11.178505 -61.561739 93.85370 -110.385520 132.75956
Apr 2022 10.280569 -69.297649 86.65762 -111.536065 124.89584
May 2022 -170.600417 -246.607662 -87.06783 -289.532024 -40.44911
Jun 2022 2.431963 -72.336066 78.89315 -114.706990 121.48008
Jul 2022 -94.188622 -166.032950 -13.78216 -212.651073 31.75135
Aug 2022 51.135622 -34.219681 127.86161 -71.420248 166.43449
Sep 2022 -73.495394 -153.933332 10.90106 -197.757045 56.40379
Oct 2022 83.301675 -1.941207 166.90306 -45.690430 209.26736
Nov 2022 122.864639 34.394587 204.66901 -9.568528 246.16617
62
Lampiran 9: Syntax pada RStudio
###### Memanggil package ######

library(ggplot2)
library(forecast)
library(tseries)
library(readxl)
library(MASS)
library(astsa)
#EXPONENTIAL SMOOTHING
Data <- read_excel("Nilai Ekspor dan Impor all.xlsx", col_types =
c("date", "numeric", "numeric"))
#DATA time series EKSPOR

ggplot(Data,
aes(x = Waktu,
y = Ekspor)) +
geom_line(size = 1,
color = "darkgrey") +
geom_point(size = 1.5,
color = "steelblue",
alpha = 0.5) +
labs(y = "Nilai Ekspor / Bulan",
x = "Tahun",
title = "Nilai Ekspor",
subtitle = "Jawa Tengah (Januari 2012 - November 2021)")
#DATA time series EKSPOR

Ekspor <- ts(Data$Ekspor, start = c(2012,1), frequency = 12)
Ekspor
#Cross Validation -> Membagi data menjadi data train dan test.
Train_Ekspor <- Ekspor %>% head(-12)
Train_Ekspor
Test_Ekspor <- Ekspor %>% tail(12)
Test_Ekspor
#Metode Single Exponential Smoothing

es1 = HoltWinters(Train_Ekspor, beta=FALSE, gamma=FALSE)
es1
plot(es1, main = "Model Single Exponential Smoothing")
legend("topleft", legend = c("Data Aktual", "Data Prediksi"), col =
c("black", "red"), lwd=1)
plot(forecast(es1, h=12), main = "Ramalan Single Exponential Smoothing")
lines(Test_Ekspor, col="dark green")
#Metode Double Exponential Smoothing

es2 = HoltWinters(Train_Ekspor, gamma=FALSE)
es2
plot(es2, main = "Model Double Exponential Smoothing (Holt)")
63
plot(forecast(es2, h=12), main = "Ramalan Double Exponential Smoothing

(Holt)")
#Metode Triple Exponential Smoothing

es3 = HoltWinters(Train_Ekspor)
es3
plot(es3, main = "Model Triple Exponential Smoothing (Holt-Winter)")
plot(forecast(es3, h=12), main = "Ramalan Triple Exponential Smoothing
(Holt-Winter)")
#Melihat akurasi model dengan membandingkan dengan data test

# 1. Model Single Exponential Smoothing
ramal_es1 <- predict(es1, n.ahead = 12)
ramal_es1
plot(Test_Ekspor, main = "Perbandingan Hasil Ramalan Metode Single
Exponential Smoothing dengan Data Aktual")
lines(ramal_es1, col="blue")
legend("topleft", legend = c("Data Aktual", "Data Peramalan"), col =
c("black", "blue"), lwd=2)
accuracy(ramal_es1, Test_Ekspor) #222.022
# 2. Model Double Exponential Smoothing

ramal_es2
plot(Test_Ekspor, main = "Perbandingan Hasil Ramalan Metode Double
c("black", "blue"), lwd=2)
# 3. Model Triple Exponential Smoothing

ramal_es3
plot(Test_Ekspor, main = "Perbandingan Hasil Ramalan Metode Triple
c("black", "blue"), lwd=2, cex = 0.7)
# Dari proses diatas didapat model Triple Exponential Smoothing adalah

yg terbaik, karena RMSE kecil
# lalu dilakukan peramalan dengan model terbaik pada keseluruhan data
ekspor untuk thn 2022
fit_es = HoltWinters(Ekspor, alpha = 0.2674924, beta = 0, gamma =
0.5518769)
ramalan_es_2022 <- forecast(fit_es, h=12)
ramalan_es_2022
plot(ramalan_es_2022, main = "Peramalan Nilai Ekspor Jawa Tengah Tahun
2022")
64
write.table(ramalan_es_2022, "ES ramalan ekspor 2022.csv", sep = ";",

dec = ",", row.names = T, col.names = T)
#NEURAL NETWORK
# Menghitung data residual dari data training untuk diramalkan dengan
Neural Network
data_residual = residuals(fit_es)
data_residual
autoplot(data_residual, main = "Data Residual Model Exponential
Smoothing")
train_residual <- data_residual %>% head(-12)

train_residual
test_residual <- data_residual %>% tail(12)
test_residual
#Melihat PACF untuk menentukan p

Pacf(train_residual, lag.max = 50) #p=35
#Fitting model NNAR data residual training (trial error)

# 1. Model nn ke-1
nn1 <- nnetar(train_residual, p=35, P=1, size=2)
nn1
ramal_nn1 <- forecast(nn1, h = 12) #hasil ramalan train residual
accuracy(ramal_nn1, test_residual)
# 2. Model nn ke-2
nn2
# 3. Model nn ke-3
nn3
# 4. Model nn ke-4
nn4
# 5. Model nn ke-5
nn5
# 6. Model nn ke-6
nn6
65

nn7
ramal_nn7 <- forecast(nn7, h = 12, PI=TRUE) #hasil ramalan train
residual
#Model yg terpilih adalah nn7 yaitu NNAR(35,1,25)[12]

plot(ramal_nn7, main = "Peramalan NNAR(35,1,25)[12] Data Training
Residual")
lines(test_residual, col="orange")
legend("bottomleft", legend = c("Data Aktual Training", "Data
Peramalan", "Data Aktual Testing"), col = c("black", "blue", "orange"),
lwd=2, cex=0.6)
#Meramal data secara keseluruhan dengan metode hybrid

#data residual dari pemodelan keseluruhan data (data train dan test) -
#dengan exponential smoothing akan digunakan untuk meramal residual
ekspor 2022
fit_nn <- nnetar(data_residual, model = nn7)

fit_nn
ramalan_nn_2022 <- forecast(fit_nn, h = 12, PI=TRUE) #hasil ramalan
residual 2022
plot(ramalan_nn_2022, main = "Peramalan Residual Ekspor Jawa Tengah
Tahun 2022 dengan NNAR")
ramalan_nn_2022
write.table(ramalan_nn_2022, "NNAR ramalan residual 2022.csv", sep =

";", dec = ",", row.names = T, col.names = T)
#Hasil nilai ramalan ekspor 2022 metode hybrid dihitung melalui excel
#Hybrid = forecast exponential smoothing + forecast nn residual
#Data ramalan hybrid

hasil_ramalan_hybrid <- read_excel("hasil ramalan hybrid.xlsx",
col_types = c("date", "numeric",
"numeric", "numeric"))
ramalan_hybrid <- ts(hasil_ramalan_hybrid$`Peramalan Hybrid`, start =
c(2021,12), frequency = 12)
print(ramalan_hybrid)
66
Lampiran 10: Dokumentasi Kegiatan
Gambar 1 : Diskusi Topik Mini Riset Gambar 2 : Mencari Data
Gambar 3 : Mencari Jurnal dan Diskusi Metode Gambar 4 : Analisis Data

67
Gambar 5 : Bimbingan dengan Dosen Pembimbing I
Gambar 6 : Bimbingan dengan Dosen Pembimbing II

68
Lampiran 11: Logbook Individu Dewi Ratnasari Wijaya (B2A221002)

69
Lampiran 12: Logbook Individu Risa Bella Rosanti (B2A221003)

70
Lampiran 13: Logbook Individu Septi Hayuning Tyas (B2A221004)

Laporan PKL Kelompok 7

Diunggah oleh

Hak Cipta:

Format Tersedia

Laporan PKL Kelompok 7

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan PKL Kelompok 7

Diunggah oleh

Hak Cipta:

Format Tersedia

PERAMALAN NILAI EKSPOR JAWA TENGAH DENGAN

METODE HYBRID EXPONENTIAL SMOOTHING-NEURAL

LAPORAK PRAKTEK KERJA LAPANGAN

PROGRAM STUDI S1 STATISTIKA

LAPORAK PRAKTEK KERJA LAPANGAN

Untuk Memenuhi Salah Satu Persyaratan Melaksanakan Praktek

PROGRAM STUDI S1 STATISTIKA

Kami, yang bertanda tangan di bawah ini :

Nama : 1. Dewi Ratnasari Wijaya B2A221002

menyatakan dengan sebenar-benarnya bahwa laporan keja Praktek saya yang

PERAMALAN NILAI EKSPOR JAWA TENGAH DENGAN

Demikian pernyataan ini kami buat dengan sebenar-benarnya. Jika di

Semarang, 20 Maret 2022

PERAMALAN NILAI EKSPOR JAWA TENGAH DENGAN

Disetujui dan disahkan

Dosen Pembimbing I Dosen Pembimbing II

Dr. Rochdi Wasono, M.Si M. Al Haris, M.Si

Indah Manfaati Nur, M.Si

2. DR. Rochdi Wasono, M.Si selaku Dosen Pembimbing 1.

3. M. Al Haris, M.Si selaku Dosen Pembimbing 2

Meski demikian, penulis menyadari masih banyak kekurangan dalam

HALAMAN JUDUL ................................................................................................ i

3.2 Metode Pengumpulan Data .................................................................... 22

Tabel 1.1 Tahapan Kegiatan Mini Riset ................................................................. 6

Gambar 2.1 Jenis Pola Data Runtun Waktu .......................................................... 10

Nilai ekspor merupakan data time series yang dapat diramalkan

Kata Kunci : Peramalan, Ekspor, Exponential Smoothing, Neural Network

Keywords : Forecasting, Export, Exponential Smoothing, Neural Network

1.1 Latar Belakang

Peramalan merupakan sebuah upaya memperkirakan apa yang akan terjadi

Provinsi Jawa Tengah merupakan salah satu provinsi di Negara Indonesia

kemungkinan Single Exponential Smoothing dapat digunakan. Ketika data

1.2 Perumusan Masalah

Masalah-masalah yang dihadapi berkaitan dengan peramalan nilai ekspor

1.3 Maksud Dan Tujuan

Maksud Praktek Kerja Lapangan (Mini Riset) ini adalah :

1. Menerapkan metode Exponential Smoothing yang terbaik digunakan untuk

1. Memperoleh perkembangan nilai ekspor di Provinsi Jawa Tengah.

1. Mendapatkan model peramalan terbaik untuk meramalkan nilai ekspor di

1.5 Batasan Masalah Mini Riset

1.6 Waktu Pelaksanaan Mini Riset

Tahapan-tahapan kegiatan Mini Riset dan waktu pelaksanaannya adalah

Tabel 1.1 Tahapan Kegiatan Mini Riset

1. Perumuan Topik Mini

Prediksi atau peramalan merupakan sebuah upaya memperkirakan apa

2.3 Jawa Tengah

2.4 Analisis Runtun Waktu

Gambar 2.1 Jenis Pola Data Runtun Waktu

2.5 Peramalan Metode Pemulusan (Smoothing)

Ada beberapa metode yang dapat digunakan dalam peramalan

a. Metode Rata-rata Bergerak (Moving Average)

𝐹𝑡+1 = ramalan untuk period eke 𝑡 + 1

2) Double Moving Average

b) Penyesuaian yang merupakan perbedaan (selisih) antara rata-rata

c) Penyesuaian kecenderungan dari periode t ke t+1 atau ke periode

𝑎𝑡 = 𝑆𝑡′ + (𝑆𝑡′ − 𝑆𝑡” ) = 2𝑆𝑡′ − 𝑆𝑡” (5)

b. Metode Exponential Smoothing

1) Single Exponential Smoothing

𝐹𝑡 = peramalan untuk periode t