Jurnal prediksi penerimaan siswa baru pada madrasah aliyah as syafi'iyah 02 menggunakan metode time series
Download as DOC, PDF1 like2,635 views
Jurnal prediksi penerimaan siswa baru pada madrasah aliyah as syafi'iyah 02 menggunakan metode time series
![Jurnal Ilmu Komputer dan Sistem Informasi
Gambar 11. Tampilan Tingkatan Akurasi Kerrorran dan Prediksi
Jumlah Siswa Baru Dengan Alpha 0,9
Dengan demikian hasil prediksi menggunkan
algoritma time series dari perhitungan model singel
exponensial semoting yang menggunakan nilai
alpah 0,9 yaitu denggan tingkat akurasi error untuk
MAPE 23,585, MAD 13,006 dan MSD 217,667
maka perdiksi jumlah siswa baru di tahun 2016
untuk perhitungan menggunakan alpha 0,9 adalah
79,2843 yang dibulatkan menjadi 79 siswa.
4. Kesimpulan
Hasil penelitian ini menyimpulkan bahwa data time
series dapat diprediksi dengan menggunakan model
singel exponensial smooting, dengan hasil
perbandingan tingkatan akurasi prediksi ke errorran
terkecil dari nilai alpha 0,1, 0,5 dan 0,9 yaitu terdapat
ditingkatan nilai alpha 0,9 dengan akurasi kerrorran
terkecil sebesar MAPE 23,585, MAD 13,006 dan MSD
217,667. Sehinggga menghasilkan prediksi penerimaan
siswa baru di tahun 2016 sebesar 79 siswa dengan
tingkat keberhasilannya yang diterima mencapai 95%
dan tingkat kegagalanya yang tidak diterima mencapai
5 %, maka disimpulkan bahwa nilai alpha 0,9 lebih
dominan untuk tingkat keberhasilannya, Jika
dibandingkan dengan nilai alpha 0,1 dan 0,5 yang
tingkatan akurasi kerrorrannya sangat tinggi.
REFERENSI
[1] Dimas. (2011). Analisis Runtun Waktu Untuk
Meramalkan Jumlah Pasien Yang Berobat Di Puskesmas
Blora Dengan Menggunakan Software Minitab 14.
Universitas Negeri Semarang
[2] Haryadi. (2012). Prediksi Jumlah Penerimaan Siswa
SMK Swasta Tahun Ajaran 2011/2012. Jakarta Barat
[3] Hary Prasetya, F. L. (2013). Manajemen Operasi.
Jakarta: PT. Buku Kita.
[4] H. N., & Prasetyawan. (2013). Perencanaan dan
Pengendalian Produksi. Yogyakarta: Graha
Ilmu.Castleman, Kenneth R., 1998, Digital Image
Processing, Prentice Hall, New Jersey.
[5] Irwan, Nur. 2000. Mengolah Data Statistik Dengan Muda
h Menggunakan Minitab 14. Yogyakarta: Andi Ofset.
[6] Kristien & Sofian. (2015). Analisa Dan Penerapan
metode Single Exponential Smoothing Untuk Prediksi
Penjualan Pada Periode Tertentu (studi kasus : PT.
Media cemara kreasi). Jakarta
[7] Nur Sidik. (2012). Forecasting Volume Produksi
Tanaman Pangan, Tanaman Perkebunan
Rakyat Kab. Magelang Dengan Metode
Exponential Smoothing Berbantu Minitab. Universitas
Negeri Semarang
[8] Richard. (2011). Perception-Based Approach To Time
Series Data Mining.
[9] Roby , S. A. (2012). Perancangan Data Warehouse
Dan Penerapan Algoritma Time Series Untuk
Memprediksi Informasi Pertumbuhan Penduduk Di
Provinsi Bengkulu. Palembang.
[10] Sri Mulyono. (2010). Analisis Times Series. Jakarta: Elex
Media Komputindo.
[11] Soejati, Zanzawi. 2010. Analisis Runtun Waktu. Jakarta:
Karunia Jakarta.
[12] Sriyati. 2005. Forecasting Jumlah Pelanggan Koran Sore
Wawasan Tahun 2005 Berdasarkan Hasil Promosi di PT.
Sarana Pariwara Semarang Dengan Menggunakan Metode
Exponential Smoothing Berbentu Program Minitab.
Matematika: UNNES.](https://image.slidesharecdn.com/xpgzqghroo9lekd2tfw9-signature-234ececbb094bd6775680dac6575c4b29a4921a33af4fd6e95f93350150a5b4b-poli-161028081915/85/Jurnal-prediksi-penerimaan-siswa-baru-pada-madrasah-aliyah-as-syafi-iyah-02-menggunakan-metode-time-series-7-320.jpg)
More Related Content
What's hot (18)
Similar to Jurnal prediksi penerimaan siswa baru pada madrasah aliyah as syafi'iyah 02 menggunakan metode time series (20)
Recently uploaded (20)
Jurnal prediksi penerimaan siswa baru pada madrasah aliyah as syafi'iyah 02 menggunakan metode time series
- 1. Jurnal Ilmu Komputer dan Sistem Informasi PREDIKSI PENERIMAAN SISWABARU PADAMADRASAH ALIYAHAS-SAYAFIIYAH 02 MENGGUNAKAN METODE TIME SERIES Hermawan 1) 1) Sekolahan Tinggi Manajemen Informatika dan Komputer Mercusuar Jl. Raya Jatiwaringin 144, Pondok Gede Bekasi 17411 Indonesia email : hermawanawang@gmail.com ABSTRACT Dalam penelitian ini dilakukan untuk mengindentifikasi dan memprediksikan jumlah siswa baru tahun 2016/2017, yaitu dengan satu teknik dalam Data Mining yang digunakan peneliti ini adalah teknik Time Series untuk memprediksi perolehan jumlah siswa baru pada tahun 2016/2017 di Madrasah Aliyah As- Syafiiyah 02, dimana hasil prediksi tersebut dapat memberikan kemudahan kepada pihak Madrasah Aliyah As-Syafiiyah 02 dalam menentukan langkah- langkah strategi dalam mengambil keputusan dan kebijakan pada tahun yang akan datang. Berdasarkan hasil penelitian yang telah dilakukan untuk prediksi jumlah penerimaan siswa baru. Salah satunya teknik Time Series yang dapat mengetahui target penerimaan siswa baru yang mengalami tingkat akurasi prediksi jumlah penerimaan siswa baru di tahun ajaran 2016/2017. Sehingga dapat membantu memberikan informasi berharga kepada Madrasah Aliyah As-Syafiiyah 02 sebagai gambaran dasar pengambilan keputusan. Key words kata kunci, Prediksi, Penerimaan Siswa, Metode Time Series, Data Mining., Minitab versi 16. 1. Pendahuluan Sekolah atau lembaga pendidikan formal setiap tahun rutin mengadakan kegiatan penerimaan siswa baru. Jumlah siswa baru pada penerimaan siswa tahun ajaran baru dapat mengalami peningkatan dan dapat juga mengalami penurunan, sehingga diperlukan adanya prediksi atau peramalan untuk mengetahui perolehan jumlah siswa baru, agar semua kebijakan dan keputusan dalam menyusun perencanaan manajemen ke depan dapat terpenuhi dengan baik di Madrasah Aliyah As-Syafiiyah 02 yang telah berupaya melakukan prediksi jumlah siswa baru berdasarkan pengalaman tahun sebelumnya, namun hasilnya tidak tepat. Turun naik jumlah siswa baru tersebut merupakan suatu masalah yang dihadapi Madrasah Aliyah As-Syafiiyah 02 dalam menentukan langkah-langkah strategis dan kebijakan terkait dengan promosi sekolah, penyediaan fasilitas/inprastruktur sekolah dan target penerimaan siswa baru tahun-tahun selanjutnya. Beberapa solusi prediksi penerimaan siswa baru yang dapat diselesaikan dengan data mining adalah menebak target jumlah siswa baru, melihat pola dari waktu ke waktu. (Richard, 2011). Berdasarkan permasalahan di atas dibuatlah prediksi penerimaan siswa baru menggunakan metode Time Series pada Madrasah Aliyah As-Syafiiyah 02 sehingga dari penelitian ini dapat diketahui jumlah siswa baru yang baik dalam kurun waktu tertentu. Berdasarkan yang telah diuraikan diatas, maka rumusan masalah pada penelitian ini adalah Bagaimana penerapan metode time series dapat memprediksi jumlah siswa baru di tahun yang akan datang dan Dari hasil prediksi dapat membantu Dalam pengambilan keputusan yang baik 2. Sistem Persamaan Linier 2.1 Pengertian Prediksi Prediksi atau peramalan (Forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relitif lama. Sedangkan ramalan adalah suatu situasi atau kondisi yang akan diperkirakan kan terjadi pada masa yang akan datang (William & Choung, 2014, p. 76) Menurut Hary Prasetya dan Fitri Lukiastuti (Hary & Fitri, 2013, p. 43), peramalan atau prediksi adalah seni dan ilmu untuk meperkirakan kejadian dimasa depan melalui pengujian di masa lalu. Pengujian tersebut atas dasar pola-pola di waktu yang lalu dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa yang akan datang dengan model matematis. 1
- 2. Jurnal Ilmu Komputer dan Sistem Informasi Prediksi atau peramalan adalah proses memperkirakan berapa kebutuhan dimasa datang yang meliputi kebutuhan kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang atau jasa (Hakim & Prasetyawan, 2013, p. 29). Peramalan adalah upaya mempekirakan apa yang terjadi di masa depan, berbasis pada metode ilmiah (ilmu dan teknologi) serta dilakukan secara sistematis (Sri Mulyono, 2010, p. 10). 2.2 Pengerian Time Series Perencanaan dan pembuatan keputusan membutuhkan dugaan-dugaan tentang apa yang akan terjadi dimasa yang akan datang. Karena itu analisis diharapkan untuk membuat ramalan-ramalan, salah satunya adalah dengan model time series. Time series adalah serangakain nilai-nilai variabel yang disusun berdasarkan waktu (Sri Mulyono, 2010, p. 10). Analisis time series mempelajari pola gerakan- gerakan nilai-nilai variabel pada satu interval waktu (misal minggu, bulan, dan tahun) yang teratur. (Soezati, Zanzawi. 2010) mengemukakan bahwa pendugaan masa depan dilakukan berdasarkan nilai masa lalu. Tujuan metode peramalan deret berkala (time series) seperti ini adalah menemukan pola dalam deret historis dan mengekstrapolasikan pola tersebut kemasa depan. Langkah penting dalam memilih suatu deret berkala (time series) yang tepat adalah dengan mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Pola data menurut Spyros (Soezati, Zanzawi. 2010) dapat dibedakan menjadi empat jenis siklis dan trend. a. Pola Harizontal (H) Terjadi apabila nilai data fluktuasi disekitar nilai rata-rata yang konstan. Suatu calon mahasiswa baru yang tidak meningkat dan menurun selama waktu tertentu, termasuk kedalam pola ini. b. Pola Musiman Terjadi apabila suatu deret dipengaruhi oleh musiman (misal kuartal tahun tertentu) c. Pola Siklis Terjadi apabila datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang behubungan siklis bisnis. d. Pola Trend Terjadi apabila terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. 2.3 Prediksi dengan metode Penghalusan Eksponensial (exponential smoothing) Penghalusan eksponensial (exponential smoothing) adalah suatu tipe teknik peramalan rata-rata bergerak yang melakukan penimbangan terhadap data masa lalu dengan cara eksponensial sehingga data paling akhir mempunyai bobot atau timbangan lebih besar dalam rata-rata bergerak. (Sriyati, 2010, P, 279). 1. Metode penghalusan eksponensial orde satu (single exponential smoothing) Metode penghalusan eksponensial orde satu (single exponential smoothing) sebenarnya merupakan perkembangan dari metode rata-rata bergerak (moving average) sederhana. Metode ini dipergunakan secara luas di dalam Peramalan (forecasting) karena sederhana, efisien di dalam perhitungan dan perubahan ramalan, mudah disesuaikan dengan perubahan data, dan ketelitian metode ini cukup besar. Rumus : Ket : = Nilai prediksi untuk periode waktu ke-t = Nilai actual untuk periode waktu yang lalu ke-t = Nilai prediksi untuk satu periode waktu lalu ke-t = Konstanta nilai pemulusan 2. Metode penghalusan eksponensial orde dua (double exponential smoothing) Metode double exponential smoothing yang dapat digunakan untuk menyelesaikan trend linier adalah metode dua paramenter dari Holt. Metode Holt nilai trend tidak dimuluskan dengan pemulusan ganda secara langsung, tetapi proses pemulusan trend dilakukan dengan menggunaka paramenter yang berbeda dengan paramenter yang digunakan pada pemulusan data asli. Metode double exponential smoothing digunakan ketika data menunjukan adanya trend. Rumus double exponential smoothing : Rumus : Ket : = Nilai pemulusan tunggal = Nilai sebenarnya pada waktu ke-t 2
- 3. Jurnal Ilmu Komputer dan Sistem Informasi = Pemulusan trend = Nilai Prediksi = Periode masa mendatang = Konstanta dengan nilai antara 0 dan 1 2.4 Penghitungan Manual Pengukuran Akurasi hasil Prediksi dengan Pemulusan Eksponensial Orde Satu/Tunggal (Single Eksponential Smoothing) Dalam penelitian ini, untuk mengukur akurasi hasil prediksi penulis menggunakan pengukuran Mean Deviation Absolute (MAD), Mean Squared Error (MSE) dan Mean Absolute Percentage Error (MAPE). a. Mean Deviation Absolute (MAD) MAD merupakan salah satu cara yang dapat digunakan untuk dapat mengetahui ukuran kesalahan peramalan. MAD merupakan rata-rata dari nilai absolute simpangan. Rumus perhitungan MAD adalah: Ket : Xt = Nilai data aktual pada periode t St = Nilai hasil peramalan pada periode t t = Periode peramalan n = Banyaknya data Sebelum menghitung rata-rata nilai absolute kita hitung dulu selisih error dimana nilai aktual dikurangi nilai prediksi/ramalan (data aktual nilai prediksi). b. Mean Squared Error (MSE) MSE merupakan salah satu cara yang dapat digunakan untuk dapat mengetahui ukuran kesalahan peramalan. Memiliki arti rata-rata kesalahan peramalan yang dikuadratkan. Rumus perhitungan MSE adalah: Keterangan: Xt = Nilai data aktual pada periode t St = Nilai hasil peramalan pada periode t t = Periode peramalan n = Banyaknya data Sama seperti penghitungan Mean Absolute Deviation (MAD), sebelum menghitung Mean Squared Error (MSE) kita hitung dulu jumlah selisih antara data aktual dengan data peramalan. c. Mean Absolute Percentage Error (MAPE) Mean Absolute Percentage Error (MAPE) dihitung dengan menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata untuk periode itu. Kemudian, merata-rata kesalahan persentase absolut tersebut. MAPE merupakan pengukuran kesalahan yang menghitung ukuran presentase penyimpangan antara data aktual dengan data peramalan. Nilai MAPE dapat dihitung dengan persamaan berikut. Keterangan: Xt = Nilai data aktual pada periode t St = Nilai hasil peramalan pada periode t t = Periode peramalan n = Banyaknya data Untuk menentukan Mean Absolute Percentage Error (MAPE) kita bisa mengambil data perhitungan dari Mean Absolute Deviation (MAD) yang kemudian ditindaklanjuti dengan perhitungan menggunakan rumus MAPE. 2.5 Program Minitab 16 Perkembangan ilmu pengetahuan dan teknologi sekarang ini telah menciptakan perangkat yang memudahkan dan mempersingkat kerja manusia dalam berbagai hal seperti pengolahan data statistik.Minitab merupaka salah satu perangkat lunak yang dibuat untuk mempermudah proses peramalan jika data yang digunakan sangat banyak. Penggunaan software minitab dalam kegiatan ini bertujuan agar proses peramalan mudah dilakukan dan hasil peramalan yang diperoleh juga lebih akurat. Minitab merupakan perangkat lunak yang digunakan sebagai media pengolahan data yang dapat menyediakan berbagai jenis perintah yang menyediakan perintah dalam proses pemasukan data, manipulasi data, pembuatan grafik, penganalisaan numerik, dan analisis statistik ( irwan, Nur. 2000). Adapun langkahlangkah penggunaan software minitab dalam melakukan peramlan adalah sebagai berikut. e. Pemasukan / Input Data ke Dalam Program Minitab Langkahnya yaitu jalankan software minitab dengan cara klik Start Minitab 11 for window Minitab, maka akan muncul tampilan seperti di bawah ini:
- 4. Jurnal Ilmu Komputer dan Sistem Informasi Gambar 1 Tampilan Worksheet Minitab Untuk memasukan data runtun waktu yang akan kita olah terlebih dahulu klik pada cell baris 1 kolom C1. Kemudian ketik data pertama dan seterusnya secara menurun dalam kolom yang sama. Dengan format kolom tersebut harus angka/ numerik. f. Menggambar Grafik Data Runtun Waktu Langkah-langkahnya adalah: 1) Pilih menu Stat, caranya dengan klik tombol kiri pada mouse pilih menu Time Series Singel Exponential Smooting. 2) Kemudian klik data yang akan digambar grafiknya misal kolom C1, kemudian klik Select, maka kolom Y baris pertama akan muncul tulisan C1. Kalau data yang ingin digambar grafiknya lebih dari satu. Letakan kursor pada Y baris 2 dan seterusnya. Kemudian pilih kolom data yang akan digambarkan grafiknya. Maka akan muncul tampilan seperti di bawah ini: Gambar 2. Pemilihan Menu Singel Exponential Smooting 201620152014201320122011 100 90 80 70 60 50 40 30 20 10 Tahun JumlahSiswabaru Alpha 0.1 Smoothing Constant MAPE 29.261 MAD 15.934 MSD 317.326 Accuracy Measures Actual Fits Forecasts 95.0% PI Variable Smoothing Plot for Jumlah Sisw a baru Single Exponential Method Gambar 3. Grafik Menggunakan alpha 0.1 Singel Exponential Smooting 3. Hasil Pembahasan 3.1 Literatur Preview Penulis mengutip dari jurnal (Fernando & Setiono, 2012) dengan judul Perancangan Data Warehouse Dan Penerapan Algoritma Time Series Untuk Memprediksi Informasi Pertumbuhan Penduduk Di Provinsi Bengkulu membahas tentang penerapan algoritma time series untuk memprediksikan pertumbuhan penduduk di provinsi bengkulu yang selalu meningkat hal ini menciptakan kondisi data yang berlimpah tapi minim informasi. Pada penulisan yang dilakukan oleh (Kristien & Sofia, 2015) dengan judul Analisa Dan Penerapan metode Single Exponential Smoothing Untuk Prediksi Penjualan Pada Periode Tertentu (studi kasus : PT. Media cemara kreasi) membahas tentang prediksi barang apa yang harus dijual ditiap bulannya. Pada penulisan yang dilakukan oleh (Dimas, 2011) dengan judul Analisis Runtun Waktu Untuk Meramalkan Jumlah Pasien Yang Berobat Di Puskesmas Blora Dengan Menggunakan Software Minitab 14 membahas tentang untuk mengetahui model analisis runtun waktu yang tepat untuk peramalan jumlah pasien yang berobat di Puskesmas Blora dan selanjutnya diketahui besar peramalan jumlah pasien yang berobat di Puskesmas wilayah Blora pada periode yang telah ditentukan ke depannya. Pada penulisan yang dilakukan (Haryadi, 2012) dengan judul Prediksi Jumlah Penerimaan Siswa SMK Swasta Tahun Ajaran 2011/2012 membahas tentang prediksi jumlah siswa Sekolah Menengah Kejuruan (SMK) swasta modern di sebuah propinsi di Kalimanatan dengan pendekatan enam metode forecasting yaitu Linear Regression, Exponential Smoothing With Trend, Exponential Smoothing, Weighted Moving Average, Moving Average, dan Na誰ve Method, selain menggunakan perhitungan secara 4
- 5. Jurnal Ilmu Komputer dan Sistem Informasi Manual juga menggunakan pendekatan QM for windows, sebagai perbandingan. Pada penulisan yang dilakukan oleh (Sidik, 2012) dengan judul Forecasting Volume Produksi Tanaman Pangan, Tanaman Perkebunan Rakyat Kab. Magelang Dengan Metode Exponential Smoothing Berbantu Minitab membahas tentang bagaimana penggunaan Metode Exponential Smoothing untuk peramalan volume produksi tanaman pangan, produksi perkebunan rakyat Kabupaten Magelang dengan Minitab 3.2 Data Siswa Baru Pada proses ini data yang digunakan yaitu dari tahun 2011 sampai dengan tahun 2015 pada Madrasah Aliyah As-Syafiiyah 02 adalah sebagai berikut : Tabel 1 Data Siswa Baru dari Tahun 2011-2015 Tahun penerimaan Jumlah Siswa Baru 2011 40 2012 39 2013 55 2014 75 2015 80 3.3 Hasil Penerapan Time Series Menggunakan Aplikasi Minitab 16 Dari hasil penerapan menggunakan algoritma time series untuk memprediksi penerimaan siswa baru menggunakan data siswa baru yang di dapat dariMadrasah Aliyah As-Syafiiyah 02 dengan menggunakan Minitab 16 adalah sebagai berikut. 1. Langkah Pertma yaitu pengimputan data siswa baru ditunjukan gambar dibawah ini. Gambar 4. Tampilan Input Data Jumlah Siswa 2. Langkah kedua yaitu pemilihan stat untuk memasukan data siswa baru kedalam sistem algoritma time series yang menggunakan model singel exponesial smooting dari nilai alpha 0,1, 0,5 dan 0,9, seperti yang ditunjukan pada gambar dibawah ini. Gambar 5. Tampilan Algoritma Time Series dengan Model Singel Exponensial Smooting 3. Yang ketiga yaitu menujukan grafik hasil pengujian dari perhitungan prediksi menggunakan aplikasi minitab 16 dengan algoritma time series yang diperoleh dari model singel exponesial smooting dari nilai alpha 0,1, 0,5 dan 0,9, seperti yang ditunjukan pada gambar dibawah ini. a. Grafik nilai alpha 0,1 Gambar 6. Tampilan Grafik Prediksi Jumlah Siswa Baru Dengan Alpha 0,1 Dari hasil gambar gerafik diatas maka tingkat akurasi prediksi error untuk nilai alpha 0,1, seperti yang ditunjukan pada gambar 7.
- 6. Jurnal Ilmu Komputer dan Sistem Informasi Gambar 7. Tampilan Tingkatan Akurasi Kerrorran dan Prediksi Jumlah Siswa Baru Dengan Alpha 0,1 Dengan demikian hasil prediksi menggunkan algoritma time series dari perhitungan model singel exponensial semoting yang menggunakan nilai alpah 0,1 yaitu denggan tingkat akurasi error untuk MAPE 29,261, MAD 15,934 dan MSD 317,326 maka perdiksi jumlah siswa baru di tahun 2016 untuk perhitungan menggunakan alpha 0,1 adalah 58,8028 yang dibulatkan menjadi 59 siswa. b. Grafik nilai alpha 0,5 Gambar 8. Tampilan Grafik Prediksi Jumlah Siswa Baru Dengan Alpha 0,5 Dari hasil gambar gerafik diatas maka tingkat akurasi prediksi error untuk nilai alpha 0,5, seperti yang ditunjukan pada gambar 9. Gambar 9. Tampilan Tingkatan Akurasi Kerrorran dan Prediksi Jumlah Siswa Baru Dengan Alpha 0,5 Dengan demikian hasil prediksi menggunkan algoritma time series dari perhitungan model singel exponensial semoting yang menggunakan nilai alpah 0,5 yaitu denggan tingkat akurasi error untuk MAPE 29,243, MAD 16,407 dan MSD 300,797 maka perdiksi jumlah siswa baru di tahun 2016 untuk perhitungan menggunakan alpha 0,1 adalah 71,1188 yang dibulatkan menjadi 71 siswa. c. Grafik nilai alpha 0,9 Gambar 10. Tampilan Grafik Prediksi Jumlah Siswa Baru Dengan Alpha 0,9 Dari hasil gambar gerafik diatas maka tingkat akurasi prediksi error untuk nilai alpha 0,9, seperti yang ditunjukan gambar dibawah ini. 6
- 7. Jurnal Ilmu Komputer dan Sistem Informasi Gambar 11. Tampilan Tingkatan Akurasi Kerrorran dan Prediksi Jumlah Siswa Baru Dengan Alpha 0,9 Dengan demikian hasil prediksi menggunkan algoritma time series dari perhitungan model singel exponensial semoting yang menggunakan nilai alpah 0,9 yaitu denggan tingkat akurasi error untuk MAPE 23,585, MAD 13,006 dan MSD 217,667 maka perdiksi jumlah siswa baru di tahun 2016 untuk perhitungan menggunakan alpha 0,9 adalah 79,2843 yang dibulatkan menjadi 79 siswa. 4. Kesimpulan Hasil penelitian ini menyimpulkan bahwa data time series dapat diprediksi dengan menggunakan model singel exponensial smooting, dengan hasil perbandingan tingkatan akurasi prediksi ke errorran terkecil dari nilai alpha 0,1, 0,5 dan 0,9 yaitu terdapat ditingkatan nilai alpha 0,9 dengan akurasi kerrorran terkecil sebesar MAPE 23,585, MAD 13,006 dan MSD 217,667. Sehinggga menghasilkan prediksi penerimaan siswa baru di tahun 2016 sebesar 79 siswa dengan tingkat keberhasilannya yang diterima mencapai 95% dan tingkat kegagalanya yang tidak diterima mencapai 5 %, maka disimpulkan bahwa nilai alpha 0,9 lebih dominan untuk tingkat keberhasilannya, Jika dibandingkan dengan nilai alpha 0,1 dan 0,5 yang tingkatan akurasi kerrorrannya sangat tinggi. REFERENSI [1] Dimas. (2011). Analisis Runtun Waktu Untuk Meramalkan Jumlah Pasien Yang Berobat Di Puskesmas Blora Dengan Menggunakan Software Minitab 14. Universitas Negeri Semarang [2] Haryadi. (2012). Prediksi Jumlah Penerimaan Siswa SMK Swasta Tahun Ajaran 2011/2012. Jakarta Barat [3] Hary Prasetya, F. L. (2013). Manajemen Operasi. Jakarta: PT. Buku Kita. [4] H. N., & Prasetyawan. (2013). Perencanaan dan Pengendalian Produksi. Yogyakarta: Graha Ilmu.Castleman, Kenneth R., 1998, Digital Image Processing, Prentice Hall, New Jersey. [5] Irwan, Nur. 2000. Mengolah Data Statistik Dengan Muda h Menggunakan Minitab 14. Yogyakarta: Andi Ofset. [6] Kristien & Sofian. (2015). Analisa Dan Penerapan metode Single Exponential Smoothing Untuk Prediksi Penjualan Pada Periode Tertentu (studi kasus : PT. Media cemara kreasi). Jakarta [7] Nur Sidik. (2012). Forecasting Volume Produksi Tanaman Pangan, Tanaman Perkebunan Rakyat Kab. Magelang Dengan Metode Exponential Smoothing Berbantu Minitab. Universitas Negeri Semarang [8] Richard. (2011). Perception-Based Approach To Time Series Data Mining. [9] Roby , S. A. (2012). Perancangan Data Warehouse Dan Penerapan Algoritma Time Series Untuk Memprediksi Informasi Pertumbuhan Penduduk Di Provinsi Bengkulu. Palembang. [10] Sri Mulyono. (2010). Analisis Times Series. Jakarta: Elex Media Komputindo. [11] Soejati, Zanzawi. 2010. Analisis Runtun Waktu. Jakarta: Karunia Jakarta. [12] Sriyati. 2005. Forecasting Jumlah Pelanggan Koran Sore Wawasan Tahun 2005 Berdasarkan Hasil Promosi di PT. Sarana Pariwara Semarang Dengan Menggunakan Metode Exponential Smoothing Berbentu Program Minitab. Matematika: UNNES.