Perbandingan Metode Weighted Fuzzy Time Series, Seasonal ARIMA, dan Holt-Winter's Exponential Smoothing untuk Meramalkan Data Musiman

Abstrak

Perkembangan metode peramalan data time series berpola musiman memberikan banyak pilihan metode yang dapat digunakan untuk meramalkan data musiman, sehingga perlu dilakukan perbandingan metode peramalan untuk mendapatkan hasil ramalan dengan akurasi yang tinggi. Pada penelitian ini permasalahan yang dikaji adalah perbandingan metode Weighted Fuzzy Time Series, Seasonal ARIMA, dan Holt-Winter’s Exponential Smoothing untuk meramalkan data musiman. Perbandingan yang dilakukan adalah membandingkan nilai akurasi ramalan RMSE dan MAPE. Penelitian ini menggunakan data pengunjung pariwisata Bali periode Januari 2009 s.d Desember 2013. Analisis metode Holt-Winter’s Exponential Smoothing menggunakan trial and error dengan kriteria MAPE dan MSE terkecil untuk mencari model terbaik. Diperoleh model terbaik dengan nilai α adalah 0,6, β adalah 0,1, dan γ adalah 0,1 serta menghasilkan RMSE dan MAPE sebesar 23165,04 dan 6,32. Analisis metode Seasonal ARIMA menggunakan estimasi model dengan kriteria MSE terkecil dan signifikansi model untuk mencari model terbaik. Diperoleh model terbaik SARIMA serta menghasilkan nilai RMSE dan MAPE sebesar 20499,69 dan 5,27. Analisis metode Weighted Fuzzy Time Series dilakukan dengan membagi himpunan sampel menjadi tiga bagian dengan panjang interval yang berbeda yaitu panjang interval 5000, panjang interval 7500, dan panjang interval 15000. Pada panjang interval 5000 menghasilkan nilai RMSE dan MAPE sebesar 17953,55 dan 4,87, panjang interval 7500 menghasilkan nilai RMSE dan MAPE sebesar 18992,53 dan 5,61, serta panjang interval 15000 menghasilkan nilai RMSE dan MAPE sebesar 21026,11 dan 6,21. Berdasarkan hasil penelitian dapat disimpulkan bahwa metode Weighted Fuzzy Time Series merupakan metode terbaik untuk meramalkan data musiman karena memiliki nilai akurasi ramalan RMSE dan MAPE lebih kecil. The development of methods forecasting time series data provides seasonal pattern selection methods that can be used for seasonal forecast data, so it is necessary to do a comparison of forecasting methods for getting the forecast best accuracy. In this research the problem studied is the comparison of methods is Weighted Fuzzy Time Series, Seasonal ARIMA and Holt-Winter's Exponential Smoothing for seasonal forecast data. The comparison is forecast accuracy RMSE and MAPE. This research used Bali's tourism visitors data in period January 2009 to December 2013. Analysis methods Holt-Winter's Exponential Smoothing using trial and error with the smallest MSE and MAPE criteria to find the best model. The best model is obtained with a value of α is 0,6, β is 0,1, and γ is 0,1, and value of RMSE and MAPE is 23165,04 and 6,32. The analysis method Seasonal ARIMA used model estimation with the smallest MSE criteria and significance of the model to find the best model. Retrieved best model SARIMA and value of RMSE and MAPE is 20499,69 and 5,27. Analysis methods Weighted Fuzzy Time Series do sample set split into three sections with different length interval is the interval length 5000, interval length 7500 and interval length 15000. In the long interval of 5000 resulted in the value of RMSE and MAPE is 17953,55 and 4,87, interval lenght of 7500 resulted in the value of RMSE and MAPE is 18992,53 and 5,61, and interval lenght of 15000 resulted in the value of RMSE and MAPE is 21026,11 and 6,21. Based on the results of this research concluded that the method of Weighted Fuzzy Time Series is the best method used forecasting seasonal data because it has the accuracy of the forecast RMSE and MAPE are smaller.