Metode Triple Exponential Smoothing Holt-Winters untuk Peramalan Jumlah Penumpang Kereta Api di Pulau Jawa

Abstract

Abstract. Time series analysis is used to predict and formulate future decisions. Structural change is a pattern change that occurs in time series data with a known time of occurrence and unknown when it occurs. Exponential smoothing is a moving average forecasting method by determining the weight exponentially to the observed value. The single exponential smoothing method is used for time series data that does not contain both trend and seasonal patterns. The double exponential method is used for time series data that contains trend patterns but does not contain seasonal patterns. In time series data containing seasonal patterns, the method that can be used is triple exponential smoothing. Forecasting time series data often shows seasonal patterns, one of the forecasting methods is Exponential Smoothing Holt-Winters which is divided into two methods, namely the Holt-Winters Multiplicative and Additive Method, for selecting the best model by comparing the smallest MAPE accuracy value. The advantage of this method is that it can overcome trend and seasonal patterns that appear simultaneously. This study aims to predict the number of train passengers PT. KAI on the island of Java for the next 12 months. The best model obtained for data on the number of train passengers on Java Island in 2013-2019 is Exponential Smoothing Holt-Winters with an additive model for parameters = 0.8991, = 0.0039 and = 0.4668 with MAPE = 3.768534 with very good forecasting ability. Abstrak. Analisis time series digunakan untuk meramalkan dan merumuskan keputusan di masa mendatang. Structural change adalah suatu perubahan pola yang terjadi pada data time series dengan waktu terjadinya yang diketahui dan tidak diketahui kapan terjadinya. Pemulusan eksponensial (exponential smoothing) merupakan metode peramalan moving average dengan menentukan bobot secara eksponensial ke nilai pengamatan. Metode single exponential smoothing digunakan pada data time series yang tidak mengandung baik pola tren maupun musiman (seasonal). Metode double exponential digunakan pada data time series yang mengandung pola tren namun tidak mengandung pola musiman. Pada data time series yang mengandung pola musiman metode yang dapat digunakan yaitu triple exponential smoothing. Peramalan data time series sering menunjukan pola musiman, salah satu metode peramalannya adalah Exponential Smoothing Holt-Winters yang terbagi menjadi dua metode yaitu Metode Holt-Winters Multiplikatif dan Aditif, untuk pemilihan model terbaik dengan membandingkan nilai akurasi MAPE terkecil. Kelebihan metode tersebut dapat mengatasi pola tren dan musiman yang muncul secara bersamaan. Penelitian ini bertujuan untuk meramalkan jumlah penumpang kereta api PT. KAI di pulau Jawa selama 12 bulan kedepan.    Model terbaik yang diperoleh untuk data jumlah penumpang kereta api di Pulau Jawa pada tahun 2013-2019 yaitu Exponential Smoothing Holt-Winters dengan model aditif untuk parameter α = 0,8991, β = 0,0039 dan γ = 0,4668 dengan nilai MAPE = 3,768534 dengan kemampuan forecast sangat baik.