Majalah Ilmiah Teknologi Elektro, Vol. 18, No. 2, Mei - Agustus 2019

DOI: https://doi.org/10.24843/MITE.2019.v18i02.P13

241

Peramalan Penerbitan Ijin Mendirikan Bangunan Dengan Simple Moving Average Dan Exponential Smoothing

I Gst. Ngr. Agung Yogha P1, Rukmi Sari Hartati2, Komang Oka Saputra3

[Submission: 27-03-2019, Accepted: 24-06-2019]

Abstract— Building Construction Permits are permits granted by the Regional Head to building owners to build new, change, expand, reduce or maintain buildings in accordance with administrative requirements and applicable technical requirements. Forecasting is an estimate or estimate of the occurrence of an event or event in the future. Forecasting is an important tool in efficient and effective planning. The process is to estimate what future needs include needs in terms of quantity, quality, time and location needed to fulfill the demand for goods or services. Forecasting is the initial part of a decision making process. Data for Building Construction Permits (IMB) was calculated using the Simple Moving Average and Exponential Smoothing method to determine the value of Mean Error , Mean Absolute Deviation , Mean Square Error, Standard Error, Mean Absolute Percent Error .

Intisari— Ijin Mendirikan Bangunan adalah ijin yang diberikan oleh Kepala Daerah pada pemilik bangunan untuk mendirikan bangunan, mengubah, memperluas, mengurangi atau merawat bangunan sesuai dengan persyaratan administratif dan persyaratan teknis yang berlaku. Peramalan adalah merupakan perkiraan mengenai terjadinya suatu kejadian pada masa depan. Peramalan merupakan sebuah alat bantu yang penting dalam perencanaan yang efesien dan efektif. Prosesnya untuk mengetahui kebutuhan di masa datang antara lain kebutuhan ukuran kuantitas, kualitas, waktu dan lokasi untuk pemenuhan permintaan barang ataupun jasa. Peramalan merupakan bagian awal dari pengambilan suatu keputusan akhir. Data Ijin Mendirikan Bangunan (IMB) di hitung dengan metode Simple Moving Average dan Exponential Smoothing untuk mengetahui nilai dari Mean Error, Mean Absolute Deviation , Mean Square Error , Standar Error, Mean Absolute Percent Error .

Kata Kunci— Ijin Mendirikan sini, Single Moving Average, Exponential Smoothing.

  • I.    pendahuluan

Pemerintah sebagai subjek yang melayani masyarakat dalam berbagai aspek hal, salah satunya mengenai pengurusan pelayanan perizinan. Pemerintah telah menyediakan wadah untuk pelayanan perijinan melalui program Pelayanan Perizinan Terpadu Satu Pintu (PPTSP) yang di dalam pelaksanaan dari awal pengajuan hingga menjadi izin-izin yang sah di ajukan pada kantor DPMPTSP.

Proses perizinan yang banyak diajukan oleh masyarakat

kabupaten Gianyar yaitu Izin Mendirikan Bangunan. Peraturan Daerah kabupaten Gianyar No. 8 tahun 2013 mengenai Izin Mendirikan Bangunan gedung yang selanjutnya disingkat IMB adalah izin yang diberikan oleh pemerintah daerah kepada pemilik untuk membangun baru, mengubah, memperluas, mengurangi atau merawat bangunan gedung sesuai dengan persyaratan administratif dan persyaratan teknis [1].

Ijin mendirikan bangunan adalah ijin yang terbit setelah dilakukan survey lapangan dan melengkapi dokumen administrasi serta memenuhi ketentuan seperti teknis, pertanahan, kesehatan, lingkungan dan perencanaan. [2].

IMB adalah salah satu produk hukum yang berfungsi untuk menata , menertibkan dan menciptakan kenyamanan dalam hal pembangunan bangunan. IMB juga mensahkan suatu bangunan sesuai dengan aturan tata ruang yang berlaku serta perencanaan kontruksi bangunan juga bisa di pertanggungjawabkan [3].

Banyaknya permohonan IMB yang masuk membutuhkan proses analisa peramalan guna mengetahui kebutuhan jumlah pencetakan stok awal plat nomor bangunan yang dimana hal tersebut juga di telah persiapkan dalam anggaran biaya pada DPMPTSP kabupaten Gianyar.

Pada Peraturan Menteri Pekerjaan Umum Dan Perumahan Rakyat No.05/PRT/M/2016 memaparkan bahwa permohonan dilakukan oleh pemilik bangunan kepada pemerintah daerah untuk mendapatkan ijin mendirikan bangunan[4]. Kepemilikan Ijin Mendirikan Bangunan merupakan hal yang wajib dipenuhi ada disetiap kita mendirikan suatu bangunan. IMB merupakan salah satu syarat sah yang harus ada saat terjadi suatu transaksi jual beli suatu bangunan.

Peramalan dapat di bagi dalam kelompok waktu yaitu jangka panjang , menengah dan pendek. Peramalan dengan waktu yang panjang yaitu peramalan dengan kurun waktu 2 tahun atau lebih contohnya seperti penganggaran biaya produksi barang. Peramalan jangka menengah memakan waktu 3 bulan sampai 12 bulan seperti rencana penjualan. Peramalan singkat adalah yang kurang dari 3 bulan seperti perencanaan pembelian material [5].

Moving average (MA) merupakan teknik peramalan Time Series yaitu suatu hitungan yang digunakan pada bidang seperti ilmu ekonomi dan statistika untuk analisa data seperti naik dan turun harga dalam grafik pada beberapa tahun kebelakang dengan waktu singkat, analisa tren harga, dan lainnya.

Metode Simple Moving Average adalah metode peramalan dengan mengambil nilai dari pengamatan serta mendapatkan nilai rata-rata tersebut sebagai ramalan pada tahun kebelakang yang datang. Rata-rata bergerak pada metode ini dikarenakan jika data observasi baru tersedia, maka berpengaruh pada nilai rata-rata baru dihitung dan digunakan sebagai nilai ramalan.

p-ISSN:1693 – 2951; e-ISSN: 2503-2372

Simple Moving Averange mempunyai terdiri dari faktor penyebab yang berlaku pada masa lalu yang dipakai pada masa dating. Peramalan tidak pernah akan memliki hasil sempurna, faktanya pada jumlahnya selalu berbeda dengan permintaan yang diramalkan, serta pada tingkat ketepatan ramalan akan semakin berkurang dalam kurun waktu yang semakin lama [6].

Metode deret waktu lain seperti Exponential Smoothing Model adalah metode sifat data tidak stabil atau perubahan yang terjadi sangat besar pada model pemulusan. Metode Exponential Smoothing bermanfaat pada peramalan hal-hal yang bersifat fluktuasinya atau tidak teratur. Pemulusan Eksponential merupakan peramalan rata-rata bergerak dengan pembobotan nilai serta mudah diimplementasikan. Metode ini bersumber pada pencatatan data masa lampau yang telah tersimpan. Metode ini menggunakan data berfluktuasi di sekitar nilai rata-rata tetap, tanpa mengikuti pola [7].

Penggabungan metode Simple Moving Average dan Exponential Smoothing bertujuan membandingkan nilai persentase peramalan terdekat dengan data actual pada IMB yang terbit di tahun 2018 ini. Hal hal yang akan dijadikan perbandingan antara kedua metode di atas antara lain mencari nilai Mean Absolute Deviation, Mean Squared Error dan Mean Absolute Error sehingga di dapatkan nilai peramalan yang paling mendekati actual. Pengujiannya akan dimulai dengan penerapan menggunakan Simple Moving Average dengan memakai tahun kebelakang waktu uji 2 tahun hingga 8 tahun kebelakang sebelum tahun 2018. Setelah itu data IMB kembali diuji dengan Exponential Smoothing menggunakan α = 0,10 , α = 0,50 , α = 0,70 , dan α = 0,90 dengan 2 tahun kebelakang tahun pada setiap pengujian alpha.

  • II.    METODE PENELITIAN

    • 2.1    Peramalan

Peramalan merupakan memperkirakan kejadian pada masa depan.Peramalan digunakan sebagai alat dalam proses perencanaan yang efesien dan efektif. Proses menerka jumlah kebutuhan di masa depan meliputi kebutuhan dalam kuantitas, kualitas, waktu dan lainnya yang dibutuhkan untuk pemenuhan permintaan barang serta jasa.

Gambar 1 Proses perhitungan peramalan

Peramalan dibagi menjadi 2 jenis teknik yaitu peramalan konvensional yang berhubungan dengan perhitungan secara matematis dan peramalan menggunakan metode terkait dengan kecerdasan buatan. Banyak terdapat metode konvensional seperti Simple Moving Average dan Exponential Smoothing yang bersifat times series.[8]

  • 2.2    Simple Moving Average

Simple Moving Average adalah metode ini tidak menggunakan pembobotannya dalam perhitungan terhadap pergerakan datanya. Metode ini cukup efektif dalam menentukan trend yang sedang terjadi pada suatu objek penelitian. Simple Moving Average merupakan metode prediksi berdasarkan keturutan waktu kuantitatif dalam peramalan. Metode ini menggunakan nilai masa lalu sebagai dasar dalam peramalan pada masa mendatang. Tujuan akhir dari peramalan time series adalah menemukan suatu pola deret waktu dari suatu data dan mengeskploitasinya untuk dijadikan nilai permalan pada masa mendatang [9].

Metode Simple Moving Average dapat dijelaskan seperti berikut:

MA = ΣX / Jumlah Periode

Keterangan:

MA = Moving Average

ΣX = jumlah seluruh data pada tahun kebelakang waktu yang akan dihitung

Jumlah Tahun kebelakang = Jumlah Tahun kebelakang Rata-rata bergerak dapat ditulis MA = (n1 + n2 + n3 + …) / n

Keterangan:

MA = Moving Average

n1 = data tahun pertama kebelakang

n2 = data tahun kedua kebelakang

n3 = data tahun ketiga kebelakang ketiga dan seterusnya

n = Jumlah tahun kebelakang rata-rata bergerak

  • 2.3    Exponential Smoothing

Metode Exponential Smoothing adalah pengulangan proses hitung secara terus menerus yang menggunakan data baru. Data akan dibobotkan , dimana pada pembobotan digunakan simbol α. Simbol α bisa ditentukan secara bebas, yang mengurangi jumlah error pada peramalan [10]. Nilai konstanta pemulusan, α, dapat ditentukan dari nilai 0 dan, karena berlaku: 0 < α < 1 . Secara metematis, persamaan penulisan eksponential adalah

St + 1 = αXt + (1 – α)St

Dimana: St + 1 = Nilai ramalan periode selanjutnya:

α = Konstanta penulisan (0-1).

Xt = Data pada periode t.

St = Nilai penulisan data lama atau rata-rata dimuluskan sampai periode t-1.

Nilai α yang menghasilkan tingkat kesalahan yang kecil adalah yang digunakan pada peramalan . Metode ini digunakan untuk meramal sesuatu yang bersifat fluktuasi secara tidak teratur.Permasalahan yang dihadapi saat menggunakan metode ini adalah pemilihan α yang tepat untuk mengurangi error pada peramalan [11].

Majalah Ilmiah Teknologi Elektro, Vol. 18, No. 2, Mei - Agustus 2019

DOI: https://doi.org/10.24843/MITE.2019.v18i02.P13                                                              243

Exponential smoothing merupakan trend pemulusan sederhana dengan dua komponen harus diperbaharui setiap level dan trend. Level merupakan perkiraan yang dimuluskan dari nilai data pada akhir tiap periode. Trend adalah perkiraan yang dihaluskan dari perhunbulian rata-rata pada akhir tiap periode.[12]

Pada setiap periode data juga menampilkan rata-rata error dengan menggunakan metode Iiitung (Mean Square Error) untuk mencari nilai error terkecil yang di harapkan dalam peramalan. [13]

m. hasil Danevaluasi

  • 3.1    HasiI Moving Average

Pada perhitungan menggunakan Simple Moving Average di dapatkan perhitungan dengan kurun waktu 7 tahun kebelakang Sebelunitahiui 2018 antara lain sebagai berikut:

  • a.    Perhitungan ramalan permintaan Ijin Mendirikan Bangunan dengan Metode Simple Moving Average dengan 2 tahun kebelakang dari tahun 2010 hingga 2017 sebesar 891 ijin IMB terbit di akhir 2018 dengan Mean Error sebesar 43, Mean Absolute Deviation sebesar 89, Mean Square Error sebesar 15029, Standar Error sebesar 150 dan Mean Absolute Percent Enor yaitu 10 %.

TABEL ι

  • b.    Perhitungan ramalan permintaan IMB dengan Simple MovingAverage dengan 3 tahun kebelakang dari tahun 2010 hingga 2017 sebesar 916 ijin IMB terbit di akhir 2018 dengan Mean Error sebesar 36, Mean Absolute Deviation sebesar 87, Mean Square Error sebesar 8896, Standar Error sebesar 122 dan Mean Absolute Percent Erroryaitu 10 %.

Tabel II

.Simpel Moving Average 3 Tahunkebelakang

TAHUX BIB

JUMLAH IMB

Forecast

Emr

∣Eιrorl

Error,2

IPct Emr]

538

2011

776

2012

90S

2013

846

741

105

105

11095

12%

2014

953

843

110

110

12027

12%

2015

966

902

64

64

4053

7%

2016

952

922

30

30

920

3%

2017

829

957

-128

128

16384

15%

TOTALS

6768

181

437

44479

49%

AVERAGE

846

36

87

8896

10%

Next period forecast

916

(Bias)

(MAD)

(MSB)

(MAPE)

SW err

122

Berikut grafik Simple Moving Average dengan 3 tahun kebelakang:

Tahunimb

Simpel Moving Average 2 tahun kebelakang

™ Forecast Ew !Error] ∈rror*2 ∣Pct Error]

538

2011

776

2012

908

657

251

251

63001

28%

2013

846

842

4

4

16

0%

2014

953

877

76

76

5776

8%

2015

966

900

67

67

4422

7%

2016

952

960

■8

8

56

1%

2017

829

959

-130

130

16900

16%

TOTALS

6768

260

535

90172

59%

AVERAGE

846

43

89

15029

10%

NeTtpeilotfforetast

891

(Bias)

(MAD)

(MSE)

(MAPE)

Stderr

150


Berikut grafik Simple Moving Average dengan 2 tahun kebelakang :


Gambar 3. Perbandingan data aktual dan data peramalan dengan Simple AfovingAverage 3 tahun kebelakang


900


700


500


300


100


■ Actual Data ■ Forecasting Data


2010 2011 2012 2013 2014 2015 2016 2017 2018


c. Perhitungan ramalan permintaan Ijin Mendirikan Bangunan dengan Metode Simple Moving Average dengan 4 tahun kebelakang dari tahun 2010 hingga 2017 sebesar 925 ijin IMB terbit di akhir 2018 dengan Mean Error sebesar 54, Mean Absolute Deviation sebesar 104, Mean Square Error sebesar 13714, Standar Enor sebesar 166 dan Mean Absolute Percent Error yaitu 11 %.


Gambar 2. Perbandingan data aktual dan data peramalan dengan Simple Moving Average 2 tabun kebelakang


I Gst. Ngr. Agung Yogha P: Peramalan Penerbitan Ijin Mendiri


TABEL III

.SlMPEL MOVING AVERAGE 4 TAHUN KEBELAKANG

Taeunimb

JUMLAH IMB

Forecast Error        ∣Erro∏       Error*2 ∣Pct Error∣

an…

p-I

SSN:16

3 – 295

1; e-ISS

N: 250

3-2372

2011

776

2012

90S

2013

846

2014

953

767

1S6

186

34596

2B

2015

966

871

95

95

.       9073

10%

2016

952

918

34

34

1139

4%

2017

829

929

-100

100

10050

12%

TOTALS

6768

215

415

54858

45%

AVERAGE

846

54

104

13714

11%

Next period forecast

925

(Bias)

(MAD)

(MSE)

(MAPE)

SM err

166


Berikut grafik Simple MovingAverage 4 tahun kebelakang :

Gambar 4. Perbandingan data aktual dan data peramalan dengan Simple Moving Average 4 tahun kebelakang

  • d.    Perhitungan ramalan permintaan Ijin Mendirikan Bangunan dengan Metode Simple Moving Average dengan 5 tahun kebelakang dari tahun 2010 hingga 2017 sebesar 909 Ijin IMB terbit di akhir 2018 dengan tingkat Mean Error sebesar 43, Mean Absolute Deviation sebesar 107, Mean Square Error sebesar 13088, Standar Error sebesar 198 dan Mean Absolute Percent Errormencapai 12 %.

TabelIV

Simpel Movingaverage 5 Tahunkebelakang

TaHUNIMB                        Forecast Error ∣E∏βr∣ Error∙2 ∣Pct Eιτor∣

53S

2011

776

2012

90S

2013

846

2014

953

2015

966

804        162

162

26179

17⅛

2016

952

890         62

62

3869

7%

2017

829

925         -96

96

9216

12%

2018

0

909         -909

909

826645

0%

TOTALS

6768

-781

1229

865909

35%

AVERAGE

752

■195

307

216477

9%

Nexl period forecast

740       (Bias)

(MAD)

(MSE)

(MAPE)

Stderr

658

Berikut grafik SimpleMovingAverage 5 tahun kebelakang :

■ Actual Data ■ Forecasting Data

2010 20112012 2013 20142015 2016 2017 2018

Gambar 5. Perbandingan data aktual dan data peramalan dengan Simple MovingAverage 5 tahun kebelakang

  • e.    Perhitungan ramalan permintaan Ijin Mendirikan Bangunan dengan Metode Simple Moving Average dengan 6 tahun kebelakang dari tahun 2010 hingga 2017 sebesar 909 ijin IMB terbit di akhir 2018 dengan tingkat Mean Error sebesar 25, Mean Absolute Deviation sebesar 96, Mean Square Error sebesar 9833 dan Mean Absolute Percent Error mencapai 11 %. Standar Error sebesar NA di karenakan pada saat perhitungan nilai total dari MSE yaitu 9833 dicarikan akar pangkat dari 9833 tersebut kemudian dibagi dengan seluruh jumlah nilai yang terdapat pada MSE yaitu 6 tahun kebelakang kemudian di kurangi 2.

TABEL V.

Berikut grafik Simple MovingAverage 6 tahun kebelakang :

Gambar 6. Perbandingan data aktual dan data peramalan dengan Simple Moving Average 6 tahun kebelakang


■ Actuat Data ■ Forecasting Data

Gambar 7. Perbandingan data aktual dan data peramalan dengan Simple MovingAverage 7 tahun kebelakang


  • f.    Perhitungan ramalan permintaan Ijin Mendirikan Bangunan dengan Metode Simple Afoving Average dengan 7 tahun kebelakang dari tahun 2010 hingga 2017 sebesar 890 ijin IMB terbit di akhir 2018 dengan dengan tingkat Mean Error sebesar -19, Mean Absolute Deviation sebesar 19, Mean Square Error sebesar 377 dan Mean Absolute Percent Error mencapai 2 %. Standar Error sebesar NA di karenakan pada saat perhitungan nilai total dari MSE yaitu 377 dicarikan akar pangkat dari 377 tersebut kemudian dibagi dengan seluruh jumlah nilai yang terdapat pada MSE yaitu 7 tahun kebelakang kemudian di kurangi 2.

Tabel VI

Simpel Moving Average 7 tahun kebelakang

I Gst. Ngr. Agung Yogha P: Peramalan Penerbitan Ijin Mendirikan…


TAHUNIMB Slah Forecast Error Error Eιrorl2 ∣Pct Error]

538

2011

776

2012

SOS

2013

846

2014

953

2015

956

2016

952

2017

829

848

-19

19

377

2%

TOTALS

6768

■19

19

377

2%

AVERAGE

846

-19

19

377

2%

W period forecast

890

(Blas)

(MAD)

(MSE)

(MAPE)

SMerr

NA

Berikut grafik Simple AIovingAverage 1 tahun kebelakang :

Peramalan yang dilakukan dengan Simple Moving Average di dapatkan menggunakan data uji dengan 3 tahun kebelakang memiliki nilai error terkecil mencapai 10 % di karenakan memiliki nilai paling dekat dengan data aktual saat ini (tahun 2018 ) pada proses peramalannya. Data 3 kebelakang memiliki nilai paling stabil diantara nilai dengan pengujian 2 tahun dan setelah 3 tahun kebelakang yang masih memiliki nilai error mencapai 11 % hanya saja sangat jauh dari data aktual yang di harapkan. Pada saat menggunakan data 5, 6 dan 7 tahun kebelakang data yang di dapat memang memiliki error yang lebih kecil dari 9 % tetapi data peramalan yang akan muncul pada tahun 2018 sangat kecil yang jauh dari data actual.

  • 3.2 Hasil Exponential Smootliing

Pada perhitungan menggunakan Exponential Sniootliing dengan perhitungan dari α = 0,10 , α = 0,50, α = 0,70 dan α = 0,90 maka didapatkan hasil perliitungan sebagai berikut:

  • a.    Perhitungan peramalana Ijin Mendirikan Bangunan (IMB) dengan metode Exponential Smoothing α = 0,10 dengan 2 periode analisis dari tahun 2010 hingga tahun 2017 sebesar 724 ijin IMB terbit di akhir 2018 dengan Mean Absolute Deviation (MAD) sebesar 266, Mean Squared Error sebesar 75758, Standar Error sebesar 326 dan Mean Absolute Percent Error sebesar 30 %.

Tabel VII

Exponential Smoothmga= 0.10

TAHUN MB

JUMLAH IMB

Forecast

Error

∣Error∣

Error∙2

[Pct Error∣

538

2011

776

538

238

238

56644

31%

2012

908

562

34 =

346

119854

38%

2013

846

596

250

250

62290

30%

2014

953

621

332

332

109973

35%

2015

966

655

311

311

97007

32%

2016

952

686

266

266

70923

M

2017

829

712

117

117

13615

14%

TOTALS

6768

1860

1860

530307

207%

AVERAGE

846

266

266

75758

30%

Next period forecast

724

(Bias)

(MAQ)

(MSE)

(MAPE)

Std err

326

Berikut grafik Exponential Smoothing α = 0,10

p-ISSN:1693 – 2951; e-ISSN: 2503-2372


■ Actual Data ■ Forecasting Data

■ Actual Data ■ Forecasting Data

2010 2011 2012 2013 2014 2015 2016 2017 2018

Gambar 7. Perbandingan data aktual dan data peramalan dengan Exponential Smoothing α = O510

  • b.    Perhitungan peramalana Ijin Mendirikan Bangunan (IMB) dengan metode Exponential Smoothing α = 0,50 dengan 2 periode analisis dari tahun 2010 hingga tahun 2017 sebesar 884 ijin IMB terbit di akhir 2018 dengan tingkat Mean Error sebesar 99, Mean Absolute Deviation sebesar 130, Mean Square Error sebesar 23203, Standar Enor sebesar 180 dan Mean Absolute Percent Error mencapai 15 %.

900

700

500

300

2010 2011 2012 2013 2014 2015 2016 2017 2018

Gambar 8. Perbandingan data aktual dan data peramalan dengan Exponential Smoothing α = 0,50

  • c.    Perhitungan peramalana Ijin Mendirikan Bangunan (IMB) dengan metode Exponential Smoothing α = 0,70 dengan 2 periode analisis dari tahun 2010 hingga tahun 2017 sebesar 866 ijin IMB terbit di akhir 2018 dengan Mean Error sebesar 67, Mean Absolute Deviation sebesar 103, Mean Square Error sebesar 18085, Standar Error sebesar 159 dan Mean Absolute Percent Errormencapai 12 %.

TABElX

Exponential Smoothing a = 0,70

TABEL Vlll

Exponential Smoothing a = 0,50

Gambar 8. Perbandingan data aktual dan data peramalan dengan Exponential Smoothing α = 0,70


d. Perhitungan peramalana Ijin Mendirikan Bangunan (IMB) dengan metode Exponential Smoothing a =


TAHfNME uΓ Forecast Error ∣Error∣ Error-2 IPctErrorI

[2010 '

538

2011

776

538

236

238

56644

31%

2012

906

657

25’

251

63M1

28%

2013

846

783

64

64

4032

8%

2014

953

814

139

139

19252

15%

2015

966

884

82

82

6786

9%

2016

952

925

27

27

739

3%

2017

829

938

-109

109

11970

13%

TOTALS

6768

691

910

162423

105%

AVERAGE

846

99

130

23203

15%

Nect period fr∣retaτ

884

(Bias)

(MAO)

(MSE)

(MAPE)

Stderr 180

Berikut grafik Exponential Smoothing α = 0,50

TAHUNMB

Error

E∣r∏l

Error*2

∣Pct Errorl

538

2011

776       538

23«

238

56644

31%

2012

908       705

203

203

41372

22%

2013

846       847

-1

1

1

0%

2014

953        846

107

107

11386

11%

2015

966        921

45

45

2026

5%

2016

952       952

°

0

0

0%

2017

829       952

-123

123

15166

15%

TOTALS

6768

468

718

126595

84%

AVERAGE

846

67

103

18085

12%

Nect period forecast

866

(Bias)

(MAD)

IfSE:

(MAPE)

Std err

159

Berikut grafik Exponential Smoothing α = 0,70

DOI: https://doi.org/10.24843/MITE.2019.v18i02.P13

0,90 dengan 2 periode analisis dari tahun 2010 hingga tahun 2017 sebesar 841 ijin IMB terbit di akhir 2018 dengan Mean Error sebesar 48, Mean Absolute Deviation sebesar 100, Mean Square Error sebesar 15663, Standar Enor sebesar 148 dan Mean Absolute Percent Error mencapai 12 %.

Tabel X

. Exponential Smoothing a = 0.90

TAHUNIMB          Jblah Forecast Error       ∣Error∣      Error's

∣Pct Error]

536

2011

776

538

238

238

56644

31%

2012

SOS

752

156

156

24274

17%

2013

846

892

-46

46

2155

5%

2014

953

851

102

102

10477

11%

2015

966

943

23

23

540

2%

2016

952

964

-12

12

136

1%

2017

829

953

-124

124

15418

15%

TOTALS

6763

337

702

109644

83%

AVERAGE

846

48

100

15663

12%

Nexi period forecast

841

(Bias)

(MAD)

(MSE)

(MAPE)

Std err

148

Berikut grafik Exponential Smoothing α = 0,90

  • ■ Actual Data ■ Forecasting Data

Mil

2010 2011 2012 2013 2014 2015 2016 2017 2018

  • Gambar 8. Perbandingan data aktual dan data peramalan dengan EjqyonentialSmoothing α = 0,90

Pada hasil didapatkan bahwa α = 0,70 dan α = 0,90 memiliki tingkat error yang paling kecil sama pula hingga mencapai 12 %. Alasannya karena pada hakikatnya terdapat alpha yang memiliki nilai dari α = 0,01 hingga alpha bernilai α = 0,99 sehingga dalam perjalanan Iritungnya data Iiitung akan melewati rentan uji data dari 0,01 sampai 0,70 sebanyak 69 kali hitungan pada alpha 0,70. Sedangkan pada n = 0,90 melewati proses hitung mencapai proses hitung sebanyak 89 kali proses. Sehingga mendapatkan hasil error yang paling sedikit diantara α = 0,10 dan α = 0,50 yang hanya melewati masa rentan uji data Iianya sebanyak 9 kali dan 49 kali pada masing-masing tahapannya.

  • a.    Pada hasil peramalan untuk jumlah ijin terbit tahun 2018 dengan metode Simple Moving Average dengan 3 periode memaparkan tingkat error terkecil yaitu 10 % berserta jumlah ijin yang terbit sebesar 916 pada tahun 2018.

  • b.    Pada hasil peramalan jumlah ijin yang terbit pada tahun 2018 dengan Exponential Smoothing diketahui bahwa

α = 0,70 dan α = 0,90 memiliki tingkat error di bawah 12 % dengan iterasi sebanyak 69 dan 89 kali pada setiap alpha.

Referensi

  • [1]    Peraturan Daerah Kabupaten Gianyar Nomor 8 Tahun 2013 Tentang Bangunan Gedung.

  • [2]    Jefrisen, Studi Tentang Pelayanan Pemberian Izin Mendirikan Bangunan Di Kantor Pelayanan Perizinan Terpadu (KP2TSP) Kabupaten Kutai Barat,2016

  • [3]    Nurul Agus Irawan, Implementasi Aturan Ijin Mendirikan Bangunan (IMB) Di Kawasan Sekitar Bencana Lumpur Sidoarjo, 20dkkl6

  • [4]    Pada Peraturan Menteri Peketjaan Umum Dan Perumahan Rakyat NO.05ZPRT/M/2016

  • [5]   Tyas Wedhasari, Analisa Penggunaan Metode Peramalan Pada

Perusahaan Retail Sistem TradisionalMarket, 2015

  • [6]   Hari Utari5 dkk , Perancangan Aplikasi Peramalan Permintaan

Kebutuhan Tenaga Kerja Pada Perusahaan Outsourcing Menggunakan 4 Igoritma Simple Moving A verage, 2016

  • [7]    Kristien Margi S5 Sofian Pendawa W5 Analisa Dan Penerapan Metode Exponential Smoothing Untuk Prediksi Penjualan Pada Periode Tertentu, 2015

  • [8]    I Gusti Ngurah Rai Dharma Widura, dkk, Penentuan Target Pajak Kendaraaan Bermotor Di Provinsi Bali Menggunakan ARIMA dan Algoritma Genetik5 2018

  • [9]    Novian Anggis Suwastika3 dkk, Model Prediksi Simple Moving Average Pada Auto-Scaling Cloud Computing, 2015

  • [10]    Riza Rahmadayanti, dkk, Perbandingan Keakuratan Metode Autoregressive Integrated Moving Average ( ARLMA ) dan Exponential Smoothing Pada Peramalan Penjualan Semen Di PT. Sinar Abadi5 2015

  • [11]    David WidodojSeng Hansun5 Implementasi Simple Moving Average dan Exponential Moving Average dalam Menentukan Tren Harga Saham Perusahaan5 2015

  • [12]    I Nyoman Sumerta Yasa, dkk, Peramalan Kurs Rupiali Terhadap US Dollar Menggunakan Metode Hbrid5 2017

  • [13]    I Putu Susila Handika, dkk. Perbandingan Metode Extreme Learning Machine dan Particle Swam OptimizationExtreme Learnig Machine untuk Peramalan Jumlah Penjualan Barang, 2016

IV. Kesimpulan

Berdasaikan penelitian, perancangan sistem, implementasi dan pengujian hasil penelitian yang telah dilaksanakan maka dapat didapatkan Sebuahkesimpulan sebagai berikut ini:

I Gst. Ngr. Agung Yogha P: Peramalan Penerbitan Ijin Mendirikan…

p-ISSN:1693 – 2951; e-ISSN: 2503-2372


{ Halaman ini sengaja dikosongkan }

ISSN 1693 – 2951

I Gst. Ngr. Agung Yogha P: Peramalan Penerbitan Ijin Mendirikan…