ISSN: 2339-2541

JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 605 - 614

Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian

APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI

PARAMETER PADA METODE EXPONENTIAL SMOOTHING

Dani al Mahkya1, Hasbi Yasin2, Moch. Abdul Mukid3

1
Mahasiswa Jurusan Statistika FSM UNDIP
2
Staff Pengajar jurusan Statistika FSM UNDIP

ABSTRACT

Forecasting is predicting the activities values that have been previously known. One of the methods
that can be used to predict is Exponential Smoothing. In this study, exponential smoothing method
used is Single Exponential Smoothing (SES), Holt Double Exponential Smoothing (DES) and
Triple Exponential Smoothing Holt-Winter (TES) Additive and Multiplicative models. Data used is
value of Central Java Export from the period January 2006 until December 2013. There is some
weighting parameters were evaluated in this method in order to produce a minimum error. Trial
error method is used to obtain the weighting parameters. For SES method parameters evaluated
were the parameters α, in DES method there are α and γ. And TES method there are α, γ and β. The
value that will be minimize is Persentage Mean Absolute Error (MAPE). This study used the
Golden Section method to find the parameter values that minimize the weighting function of
MAPE. And built a Graphical User Interface (GUI) MATLAB in order to facilitate the analysis
process. The Golden Section analysis found the best model is the TES Holt Winters Additive
because it has a minimum value of MAPE. With Use the TES Holt Winters Additive will continue
to predict the value of exports of Central Java 12 periods ahead with weighting parameters that
minimize MAPE.

Keywords : Exponential Smoothing, Graphical User Interface (GUI), Export,

Golden Section, Predict.

1. PENDAHULUAN
1.1. Latar Belakang
Data runtun waktu yang terjadi di lapangan biasanya mengandung beberapa pola
seperti pola tren maupun pola tren musiman. Salah satu metode yang dapat digunakan
untuk memprediksi data runtun waktu yang memiliki pola tren maupun pola tren musiman
adalah metode Exponential Smoothing dimana terdapat parameter pembobot untuk
pemulusan data runtun waktu. Metode Exponential Smoothing terbagi menjadi tiga bagian
yaitu Single Exponential Smoothing (SES), Double Exponential Smoothing Holt (DES)
dan Triple Exponential Smoothing Holt-Winters (TES) (Makridakis et al., 1999). Pada
metode Exponential Smoothing dibutuhkan beberapa parameter agar menghasilkan model
yang baik. Salah satu kriteria model yang baik adalah model dengan nilai Mean Absolut
Persentage Error (MAPE) yang minimum. Parameter tersebut didapat dengan melakukan
trial-error. Metode trial-error membutuhkan waktu yang cukup banyak untuk
mendapatkan parameter yang meminimumkan MAPE. Oleh karena itu, penulis tertarik
untuk memodifikasi sebuah metode untuk mendapatkan parameter yang optimum agar
nilai MAPE yang dihasilkan dapat seminimum mungkin. Dengan data yang digunakan
adalah nilai Ekspor Jawa Tengah dengan data dari periode Januari 2006 sampai Desember
2013. Kemudian untuk mempermudah aplikasi sistem, akan disusun sistem aplikasi
prediksi dengan metode Exponential Smoothing dengan menggunakan Graphical User
Interface (GUI) MATLAB.
1.2. Rumusan Masalah
1. Bagaimana menentukan parameter optimal pada metode SES, DES dan TES.
2. Bagaimana hasil prediksi nilai Expor Jawa Tengah dengan data dari Januari 2006
sampai Desember 2013 untuk beberapa periode ke depan.
 1.3. Batasan Masalah
Dalam penelitian ini diberikan pembatasan masalah pada pembahasan metode SES, DES
dan TES dan metode optimasi parameter menggunakan metode Golden Section untuk data
Ekspor Jawa Tengah Periode Januari 2006 sampai Desember 2013.
1.4. Tujuan
1. Melakukan optimasi untuk parameter model pada metode SES, DES dan TES
menggunakan metode Golden Section dengan fungsi tujuan adalah meminimumkan
nilai MAPE.
2. Mendapatkan nilai prediksi menggunakan parameter yang optimal untuk tiap-tiap
metode pada data nilai Ekspor Jawa Tengah dari periode Januari 2006 sampai
September 2013
3. Mencari model terbaik dari metode Exponential Smoothing.
2. TINJAUAN PUSTAKA
2.1. Peramalan
Peramalan adalah salah satu unsur yang sangat penting dalam pengambilan
keputusan, sebab efektif atau tidaknya suatu keputusan tergantung pada beberapa faktor
yang tidak dapat dihat pada waktu keputusan itu diambil (Soejoeti, 1987).
2.2. Ukuran Kesalahan
Menurut Makridakis et al. (1999) ada beberapa ukuran kesalahan, yang diantaranya
menyangkut galat persentase. Adapun macam-macam galat persentase sebagai berikut:
1. Galat Persentase (Percentage Error)

2. Nilai Tengah Galat Persentase (Mean Percentage Error)

3. Nilai Tengah Galat Persentase Absolut (Mean Absolute Percentage Error)

Keterangan:
PEt = Nilai galat persentase pada periode ke t
Xt = Data pada periode ke t
Ft = Nilai prediksi pada periode ke t
n = Banyaknya data runtun waktu
2.3. Exponential Smoothing
Metode pemulusan (Smoothing) eksponensial merupakan sebuah metode yang
menunjukan pembobotan menurun secara eksponensial terhadap nilai pengamatan
sebelumnya. Oleh karena itu metode ini disebut prosedur pemulusan eksponensial. Seperti
halnya metode rata-rata bergerak, metode pemulusan eksponensial terdiri atas tunggal,
ganda dan metode yang lebih rumit (Makridakis et al., 1999)
- Single Exponential Smoothing

dengan:
Xt = Data pada periode ke t
α = Pembobot satu parameter
Ft = Nilai prediksi pada periode ke t
- Double Exponential Smoothing Holt

dengan:
= Pemulusan level pada periode ke t
α = Pembobot untuk level
= Data pada periode ke t
= Pemulusan tren pada periode ke t

JURNAL GAUSSIAN Vol. 3, No. 4, Tahun 2014 Halaman 606

 γ = Pembobot untuk tren
= Nilai prediksi pada periode ke t
m = Jumlah periode ke depan
- Triple Exponential Smoothing Holt Winters Additive

dengan:
= Pemulusan level pada saat t dengan α adalah bobot pada level
= Pemulusan trend pada saat t dengan β adalah bobot pada trend
= Pemulusan komponen musiman pada saat t dengan γ adalah
bobot komponen musiman.
s = periode musiman
= nilai prediksi pada saat t
= adalah nilai fit pada saat t+m
- Triple Exponential Smoothing Holt Winters Multiplicative

dengan:
= Pemulusan level pada saat t dengan α adalah bobot pada level
= Pemulusan trend pada saat t dengan β adalah bobot pada trend
= Pemulusan komponen musiman pada saat t dengan γ adalah
bobot komponen musiman.
s = periode musiman
= nilai prediksi pada saat t
= adalah nilai fit pada saat t+m
2.4. Metode Golden Section
Pada umumnya, algoritma Golden Section digunakan untuk menyelesaikan
NLP (Non-Linier Programming) satu variabel yang berbentuk:
Maksimasi atau Minimasi : f(x)
Dengan kendala : axd
Algoritma ini menggunakan prinsip mengurangi daerah batas x yang mungkin
menghasilkan harga fungsi obyektif optimum (maksimum atau minimum) secara
iteratif (berulang). Untuk mendapatkan sebuah titik baru yang simetris,
dibutuhkan nilai r (Golden Ratio). Menurut Kiusalaas (2005) untuk mendapatkan
nilai r maka diperoleh rumus sebagai berikut yang diilustrasikan oleh Gambar 1.

Gambar 1. Pencarian nilai r yang simetris.

JURNAL GAUSSIAN Vol. 3, No. 4, Tahun 2014 Halaman 607

 Diasumsikan bahwa > maka a= dan = yang mana akan membuat
sebuah interval baru (a,b) dari panjang h’=rh. Untuk menuju ke tahap operasi selanjutnya
dengan menghitung fungsi =a+rh’ dan mengulangi proses tersebut.
Dari Gambar 1 dapat dilihat bahwa - = 2rh-h dan jarak yang sama dari rumus
tersebut setelah dilakukan penentuan titik pertama adalah -a=h’-rh’ dan dijabarkan
sebagai berikut:

Subtitusikan h’ = rh

Dari rumus diatas maka diperoleh persamaan:

Dengan menyelesaikan persamaan diatas maka didapat:

(30)
Agar interval menjadi semakin kecil, diperlukan syarat r < 1, sehingga nilai yang dipakai
adalah r1 yaitu 0,618.
2.5. Modifikasi Metode Golden Section
Menurut Ai (2002) sebagai perluasan dari algoritma Golden Section yang hanya
dapat menyelesaikan NLP dengan satu variabel (x) maka dirancang sebuah metode yang
dapat menyelesaikan permasalahan dengan banyak variabel. Bentuk umum NLP yang
dimaksud adalah:
Maksimasi atau Minimasi : f(x1, x2, x3, …, xn)
Dengan kendala : a1 x1 d1
a2 x2 d2
:
an xn dn
3. METODE PENELITIAN
3.1. Sumber Data
Data yang digunakan dalam penelitian ini adalah data nilai Ekspor di Provinsi Jawa
Tengah periode Januari 2006 sampai September 2013. Pengolahan data dilakukan untuk
mendapatkan nilai optimal parameter pada metode Exponential Smoothing untuk data nilai
Ekspor di Provinsi Jawa Tengah periode Januari 2006 sampai Desember 2013. Untuk
penentuan parameter optimal digunakan 60 data in sample / training dan digunakan 36
data out sample / testing.
3.2. Langkah-langkah analisis
3.2.1. Model Single Exponential Smoothing
1. Menentukan batas bawah (a), batas atas (b) dan nilai toleransi berhentinya iterasi (eps),
untuk metode Exponential Smoothing batas bawah bernilai 0 dan batas atas bernilai 1.
2. Menghitung nilai Golden Ratio (R).
3. Menentukan harga awal untuk parameter
alpha1 = r*a + (1 - r)*d
alpha2 = a + d – b
4. Mencari f(x) maksimum diantara kombinasi xi = alpha1, alpha2.
5. Mengurangi batas interval berdasarkan kriteria Golden Section.
6. Mengulangi langkah 5 dan 6 sampai |b-a| ≤ eps.
7. Mencari f(x) minimum diantara kombinasi x = a, b, alpha1 dan alpha2.
8. Menentukan hasil xmin = x dan f(xmin) = f(x).
3.3.2. Model Double Exponential Smoothing Holt
1. Menentukan batas bawah (a) dan (a2) batas atas (b) dan (b2) serta nilai toleransi
berhentinya iterasi (eps), untuk metode Exponential Smoothing batas bawah bernilai 0
dan batas atas bernilai 1.

JURNAL GAUSSIAN Vol. 3, No. 4, Tahun 2014 Halaman 608

 2. Menghitung nilai Golden Ratio.
3. Menentukan nilai awal
alpha1 = r*a + (1-r)*b
gamma1 = r*a2 + (1-r)*b2
alpha2 = a+b-alpha1
gamma2 = a2+b2-gamma1
4. Mencari f(x) maksimum diantara kombinasi x= alpha1, alpha2, gamma1 dan gamma2.
5. Mengurangi batas interval berdasarkan kriteria Golden Section.
6. Mengulangi langkah 5 dan 6 sampai |alpha2-alpha1| ≤ eps dan |gamma2-gamma1| ≤ eps
7. Mencari f(x) minimum dengan kombinasi x=alpha1, alpha2, gamma1, gamma2, a, a2,
b, b2.
8. Menentukan hasil xmin=x dan f(xmin)=f(x)
3.3.3. Model Triple Exponential Smoothing Holt Winters
1. Menentukan batas bawah (a), (a2) dan (a3) batas atas (b), (b2) dan (b3) serta nilai
toleransi berhentinya iterasi (eps), untuk metode Exponential Smoothing batas bawah
bernilai 0 dan batas atas bernilai 1.
2. Menghitung nilai Golden Ratio.
3. Menentukan nilai awal
alpha1 = r*a + (1-r)*b;
gamma1 = r*a2 + (1-r)*b2;
delta1 = r*a3 + (1-r)*b3;
alpha2 = a+b-alpha1;
gamma2 = a2+b2-gamma1;
delta2 = a3+b3-delta1;
4. Mencari f(x) maksimum diantara kombinasi xi= alpha1, alpha2, gamma1, gamma2,
delta1 dan delta2.
5. Mengurangi batas interval berdasarkan kriteria Golden Section.
6. Mengulangi langkah 5 dan 6 sampai |alpha2-alpha1| ≤ eps, |gamma2-gamma1| ≤ eps dan
|delta2-delta1| ≤ eps
7. Mencari f(x) minimum dari kombinasi xi = a, a2, a3, b, b2, b3, alpha1, alpha2, gamma1,
gamma2, delta1 dan delta2
4. HASIL DAN PEMBAHASAN
4.1. Data
Data yang digunakan adalah nilai Ekspor Provinsi Jawa Tengah periode Januari 2006
sampai Desember 2013 dinyatakan pada Tabel 1. Data diperoleh dari BRS (Berita Resmi
Statistik) yang diterbitkan setiap bulan oleh Badan Pusat Statistik (BPS) Jawa Tengah.
Data nilai ekspor dicantumkan dalam satuan Juta US$.
Tabel 1. Nilai Ekspor Jawa Tengah Periode Januari 2006 – Desember 2013
Nilai Ekspor (Juta US$)
Bulan
2006 2007 2008 2009 2010 2011 2012 2013
Januari 226,11 312,97 261,44 119,49 387,36 323,55 395,41 411.18
Pebruari 219,97 266,25 288,15 211,69 314,47 431,12 398,37 422.01
Maret 242,40 316,93 304,50 238,86 347,10 483,67 432,02 423.85
April 212,71 267,06 283,54 237,30 300,23 434,27 358,64 440.24
Mei 261,44 312,47 303,91 284,87 278,39 380,50 366,77 464.59
Juni 264,72 255,31 285,95 275,04 327,43 394,15 401,36 470.10
Juli 287,97 289,76 318,79 319,16 323,57 281,21 384,49 480.94
Agustus 293,38 304,08 276,84 259,47 334,04 436,19 325,95 313.88
September 268,25 314,66 286,02 247,10 249,20 331,67 371,90 432.82
Oktober 226,50 235,40 212,87 259,52 309,83 378,00 384,69 464.03
Nopember 260,44 323,90 231,78 258,40 327,45 377,68 390,81 419.38
Desember 350,86 270,88 243,46 355,56 369,51 439,51 440,79 583.55

JURNAL GAUSSIAN Vol. 3, No. 4, Tahun 2014 Halaman 609

 4.2. Deskripsi Data
Data nilai Ekspor Provinsi Jawa Tengah periode Januari 2006 sampai Desember 2013
dideskripsikan pada Tabel 2 sebagai berikut.
Tabel 2.Tabel Deskripsi Data
Mean Max Min
327,98 583,55 119,49

Nilai Ekspor Provinsi Jawa Tengah periode Januari 2006 sampai Desember 2013
mempunyai nilai rata-rata sebesar 327,98 Juta US$, mempunyai nilai tertinggi pada bulan
Desember tahun 2013 sebesar 583,55 Juta US$ dan nilai terendah pada bulan Januari
2009 sebesar 119,49 Juta US$.
4.3. Pola Data
Data nilai Ekspor Provinsi Jawa Tengah periode Januari 2006 sampai Desember 2013
setelah dibentuk plot time series membentuk pola tren naik dan juga beberapa titik
musiman. Hal ini seperti terlihat pada Gambar 2.

Gambar 2. Pola data nilai Ekspor Provinsi Jawa Tengah 2006-2013

4.4. Hasil untuk SES
Tabel 3. Hasil Perhitungan untuk Nilai Alpha
alpha1 alpha2 f(alpha1) f(alpha2) b-a
0,3819 0,6180 12,0710 12,6410 1,0000
0,2361 0,3819 11,8210 12,0710 0,6180
0,1459 0,2361 12,0430 11,8210 0,3819
0,2361 0,2918 11,8210 11,7750 0,2361
0,2918 0,3262 11,7750 11,8730 0,1459
0,2705 0,2918 11,7760 11,7750 0,0902
0,2918 0,3050 11,7750 11,7850 0,0557
0,2837 0,2918 11,7720 11,7750 0,0344
0,2786 0,2837 11,7700 11,7720 0,0213
0,2755 0,2786 11,7690 11,7700 0,0132
0,2736 0,2755 11,7720 11,7690 0,0081
0,2755 0,2767 11,7690 11,7690 0,0050
0,2767 0,2775 11,7690 11,7690 0,0031
0,2763 0,2767 11,7680 11,7690 0,0019
0,2760 0,2763 11,7690 11,7680 0,0012
0,2763 0,2764 11,7680 11,7680 0,0007
0,2762 0,2763 11,7690 11,7680 0,0005
0,2763 0,2763 11,7680 11,7680 0,0003
0,2763 0,2764 11,7680 11,7680 0,0002
0,2763 0,2763 11,7680 11,7680 0,0001
0,2763 0,2763 11,7680 11,7680 0,0001
0,2763 0,2763 11,7680 11,7680 0,0000
0,2763 0,2763 11,7680 11,7680 0,0000
0,2763 0,2763 11,7680 11,7680 0,0000
0,2763 0,2763 11,7680 11,7680 0,0000

JURNAL GAUSSIAN Vol. 3, No. 4, Tahun 2014 Halaman 610

 Pada Tabel 3 telah tertera bahwa nilai alpha1 dan alpha2 telah konvergen yang artinya
bahwa nilai alpha sebesar 0,2763 dan nilai MAPE sebesar 11,7680%. Hasil perhitungan
pada Tabel 3 adalah perhitungan dengan menggunakan data training sebanyak 60 data.
4.5. Hasil untuk DES Holt
Tabel 4. Hasil Perhitungan untuk Nilai Alpha dan Gamma
alpha1 alpha2 gamma1 gamma2
0,3819 0,6180 0,38190 0,6180
0,2361 0,3819 0,2361 0,3819
0,1459 0,2361 0,1459 0,2361
0,2361 0,2918 0,0902 0,1459
0,2918 0,3262 0,0557 0,0902
0,2705 0,2918 0,0344 0,0557
0,2918 0,3050 0,0557 0,0689
0,2837 0,2918 0,0476 0,0557
0,2786 0,2837 0,0426 0,0476
0,2755 0,2786 0,0476 0,0507
0,2736 0,2755 0,0507 0,0526
0,2724 0,2736 0,0526 0,0538
0,2736 0,2743 0,0519 0,0526
0,2732 0,2736 0,0526 0,0531
0,2729 0,2732 0,0523 0,0526
0,2727 0,2729 0,0526 0,0528
0,2729 0,2730 0,0525 0,0526
0,2730 0,2731 0,0524 0,0525
0,2729 0,2730 0,0525 0,0526
0,2730 0,2730 0,0525 0,0525
0,2730 0,2730 0,0525 0,0525
0,2730 0,2730 0,0525 0,0525

Pada Tabel 4 telah tertera bahwa nilai alpha1, alpha2 dan gamma1, gamma2 telah
konvergen yang artinya bahwa nilai Alpha sebesar 0,2730 dan nilai gamma sebesar 0,0525.
Dan dapat dilihat pada Tabel 5 bahwa nilai MAPE sebesar 12,2534%.
Tabel 5. Nilai MAPE untuk alpha dan gamma optimum.
alpha gamma MAPE
0,2730 0,0526 12,2534
4.6. Hasil untuk TES Holt Winters Additive
Tabel 6. Hasil Perhitungan untuk Nilai Alpha, Gamma dan Delta Model Aditif
alpha1 alpha2 gamma1 gamma2 delta1 delta2
0,3819 0,6180 0,3819 0,6180 0,3819 0,6180
0,6180 0,7639 0,2361 0,3819 0,2361 0,3819
0,5279 0,6180 0,1459 0,2361 0,1459 0,2361
0,4721 0,5279 0,0902 0,1459 0,0902 0,1459
0,4377 0,4721 0,0557 0,0902 0,0557 0,0902
0,4164 0,4377 0,0344 0,0557 0,0344 0,0557
0,4033 0,4164 0,0213 0,0344 0,0213 0,0344
0,3951 0,4033 0,0132 0,0213 0,0132 0,0213
0,3901 0,3951 0,0213 0,0263 0,0081 0,0132
0,3870 0,3901 0,0182 0,0213 0,0132 0,0163
0,3851 0,3870 0,0213 0,0232 0,0112 0,0132
0,3839 0,3851 0,0232 0,0244 0,0100 0,0112
0,3832 0,3839 0,0244 0,0251 0,0093 0,0100
0,38197 0,3832 0,0251 0,0256 0,0089 0,0093
0,38194 0,38197 0,0248 0,0251 0,0093 0,0096
0,38192 0,38194 0,0251 0,0253 0,0091 0,0093
0,38191 0,38192 0,0250 0,0251 0,0093 0,0094
0,38191 0,38191 0,0251 0,0252 0,0093 0,0093
0,38190 0,38191 0,0252 0,0252 0,0092 0,0093
0,38190 0,38190 0,0252 0,0253 0,0092 0,0092
0,38190 0,38190 0,0252 0,0252 0,0092 0,0092
0,38190 0,38190 0,0252 0,0252 0,0092 0,0092

JURNAL GAUSSIAN Vol. 3, No. 4, Tahun 2014 Halaman 611

 Pada Tabel 6 telah tertera bahwa nilai alpha1, alpha2, gamma1, gamma2, delta1 dan delta2
telah konvergen yang artinya bahwa nilai Alpha sebesar 0,38190, nilai gamma sebesar 0,0252
dan nilai delta sebesar 0,0092. Dan dapat dilihat pada Tabel 7 bahwa nilai MAPE sebesar
10,5239%.
Tabel 7. Nilai MAPE untuk alpha dan gamma optimum.
alpha gamma delta MAPE
0,3820 0,0252 0,0092 10,5239
4.7. Hasil untuk TES Holt Winters Multiplicative
Tabel 8. Hasil Perhitungan untuk Nilai Alpha, Gamma dan Delta Model Multiplikatif
alpha1 alpha2 gamma1 gamma2 delta1 delta2
0,3819 0,6180 0,3819 0,6180 0,3819 0,6180
0,6180 0,7639 0,2361 0,3819 0,2361 0,3819
0,5279 0,6180 0,1459 0,2361 0,1459 0,2361
0,6180 0,6738 0,0902 0,1459 0,0902 0,1459
0,6738 0,7082 0,0557 0,0902 0,0557 0,0902
0,6525 0,6738 0,0344 0,0557 0,0344 0,0557
0,6738 0,6869 0,0557 0,0689 0,0557 0,0689
0,6869 0,6950 0,0476 0,0557 0,0476 0,0557
0,6819 0,6869 0,0557 0,0608 0,0426 0,0476
0,6788 0,6819 0,0608 0,0639 0,0476 0,0507
0,6819 0,6838 0,0588 0,0608 0,0457 0,0476
0,6838 0,6850 0,0576 0,0588 0,0445 0,0457
0,6831 0,6838 0,0588 0,0596 0,0457 0,0464
0,6826 0,6831 0,0584 0,0588 0,0452 0,0457
0,6823 0,6826 0,0588 0,0591 0,0457 0,0460
0,6826 0,6828 0,0587 0,0588 0,0455 0,0457
0,6825 0,6826 0,0588 0,0589 0,0457 0,0458
0,6825 0,6825 0,0589 0,0590 0,0458 0,0459
0,6825 0,6826 0,0589 0,0589 0,0457 0,0458
0,6825 0,6825 0,0589 0,0590 0,0458 0,0458
0,6825 0,6825 0,0589 0,0589 0,0458 0,0458
0,6825 0,6825 0,0589 0,0589 0,0458 0,0458

Pada Tabel 8 telah tertera bahwa nilai alpha1, alpha2, gamma1, gamma2, delta1 dan delta2
telah konvergen yang artinya bahwa nilai Alpha sebesar 0,6825, nilai gamma sebesar 0,0589
dan nilai delta sebesar 0,0458. Dan dapat dilihat pada Tabel 9 bahwa nilai MAPE sebesar
11,5997%.
Tabel 9. Nilai MAPE untuk alpha dan gamma optimum.
alpha Gamma delta MAPE
0,6826 0,0589 0,0458 11,5997

4.8. Hasil Akhir

Tabel 10. Hasil Akhir
Parameter Optimum
Metode MAPE
Alpha Gamma Delta
SES 0,2763 11,7680
DES Holt 0,2730 0,0525 12,2534
TES Holt Winters Additive 0,3820 0,0252 0,0092 10,5239
TES Holt Winters Multiplative 0,6825 0,0589 0,0458 11,5997

JURNAL GAUSSIAN Vol. 3, No. 4, Tahun 2014 Halaman 612

 4.9. Tampilan GUI

Gambar 3. Tampilan GUI Aplikasi Komputasi

5. PENUTUP
5.1. Kesimpulan

Berdasarkan analisis dan pembahasan yang telah dilakukan maka didapat beberapa
kesimpulan sebagai berikut :
- Setelah dilakukan perhitungan dengan Golden Section maka didapat parameter yang
optimum untuk tiap-tiap metode, SES dengan parameter alpha sebesar 0,2763 dan nilai
MAPE sebesar 11,7680%, DES Holt dengan parameter alpha sebesar 0,2730%, parameter
gamma sebesar 0,0525 dan nilai MAPE sebesar 12,2534%, TES Holt Winters Additive
dengan parameter alpha sebesar 0,3820, parameter gamma sebesar 0,0252, parameter delta
sebesar 0,0092 dan nilai MAPE sebesar 10,5239% serta untuk TES Holt Winters
Multiplicative dengan parameter alpha sebesar 0,6825, parameter gamma sebesar 0,0589,
parameter delta sebesar 0,0458 dan nilai MAPE sebesar 11,5997%.
- Model terbaik untuk data Ekspor Jawa Tengah adalah model TES Additive karena
mempunyai nilai MAPE terkecil.
5.2. Saran
Berdasarkan kesimpulan yang telah diuraikan diketahui bahwa Metode Golden Section
dapat digunakan untuk menyelesaikan persamaan non linier, pada kasus ini adalah
persamaan MAPE. Oleh karena itu untuk penelitian-peneilian selanjutnya diharapkan
metode ini dapat dikembangkan lagi untuk persamaan-persamaan non linier lainnya
dengan menggunakan fungsi objektif seperti Akaike Information Criterion (AIC), Cross
Validation (CV) dan lain sebagainya.

6. DAFTAR PUSTAKA

Ai, T. J. (2002). Penyelesaian Non - Linier Programming Dengan Kendala Menggunakan

Modifikasi Golden Section. Jurnal Teknologi Industri, Vol.VI, No. 1.
Arya. I.G.N.W, Kencana, I.P.E.N & D.P.E. Nilakusumawati. (2012). Peramalan Produk
Domestik Regional Bruto (PDRB) Provinsi Bali dengan Metode Fuzzy Time Series.
e-Jurnal Matematika Vol. 1 No. 1 Agustus 2012, 12-19
Badria. (2008). Penggunaan Metode Exponential Smoothing untuk Meramalkan Kebutuhan
Cengkeh di Pabrik Rokok Adi Bungsu. Universitas Brawijaya.

JURNAL GAUSSIAN Vol. 3, No. 4, Tahun 2014 Halaman 613

 Hapsari, V. (2013). Perbandingan Metode Dekomposisi Klasik dengan Metode Pemulusan
Eksponensial Holt - Winter dalam Meramalkan Tingkat Pencemaran Udara di
Kota Bandung Periode 2003-2012. Universitas Pendidikan Indonesia
Kiusalaas, J. (2005). Numerical Methods in Engineering with MATLAB. United State of
America: Cambridge University.
Kalekar, P. S. (2004). Time Series Forcasting using Holt-Winters. Kanwal Rekhi School of
Information Technology.
Makridakis, W. & McGee. (1999). Metode dan Aplikasi Peramalan. Jakarta: Binarupa
Aksara.
Soejoeti, Z. (1987). Analisis Runtun Waktu. Karunika Jakarta.
Suratina, T.H.(2013). Pemilihan Model Logistik Harvey, Harvey dan Pemulusan Eksponensial
Ganda untuk Meramalkan Kebutuhan Listrik Bulanan di PT. PLN Area Malang
Yuwida, N., Hanafi, L. & Wahyuningsih, N. (2012). Estimasi Parameter Alpha dan Gamma
dalam Pemulusan Eksponensial Ganda Dua Parameter.Jurnal Sains dan Seni ITS Vol. 1,
No. 1.

JURNAL GAUSSIAN Vol. 3, No. 4, Tahun 2014 Halaman 614