Analisis Metode Peramalan Trend Analysis: Simulasi pada Data Indeks Pembangunan Manusia
Abstract
Riset ini membahas metode peramalan trend analysis yang terdiri dari metode kuadrat terkecil, metode trend kuadratik, dan metode trend eksponensial. Tujuan riset ini adalah membandingkan dan memilih metode terbaik dari ketiga metode tersebut melalui kajian error hasil simulasi data Indeks Pembangunan Manusia (IPM). Peramalan IPM ini untuk memprediksi IPM di Kabupaten Cilacap dari tahun 2022 hingga 2025 dan merupakan perhitungan ilmiah yang dapat digunakan untuk perencanaan dan analisis terkait dengan pembangunan manusia. Mengingat data yang digunakan adalah data time series, maka pendekatan metode trend analysis dipilih dalam penelitian ini. Metode trend analysis mencakup tiga model, yaitu metode kuadrat terkecil, metode trend kuadratik, dan metode trend eksponensial. Hasil riset menunjukan bahwa menunjukkan nilai mean absolute percentage error (MAPE) terkecil adalah 0,19% yang terjadi pada metode trend kuadratik, sehingga metode ini (trend kuadratik) dipilih sebagai metode terbaik dan digunakan sebagai model peramalan IPM untuk Kabupaten Cilacap pada tahun 2022 hingga 2025. Hasil peramalan untuk periode tersebut, 2022 hingga 2025, adalah 70,5651; 70,6773; 70,7231; dan 70,7025. Hasil ini menunjukkan peningkatan konsisten setiap tahun pada IPM di Kabupaten Cilacap.
References
[2] Sagar, A. D., dan Najam, A. (1998). The Human Development Index: A Critical Review. Ecological Economic, 249-264.
[3] Setiawan, M. B., dan Hakim, A. (2008). Indeks Pembangunan Manusia Indonesia. Jurnal Ekonomia, 9(1), 18-26.
[4] Yulfida, T. (2012). Analisis Trend Pendapatan PT. Angkasa Pura 1 (PERSERO) Bandar Udara International Adi Soemarno Surakarta. (Skripsi, Fakultas Ekonomi, Universitas Sebelas Maret: Surakarta).
[5] Fahmi, I. (2012). Manajemen Produksi dan Operasi. Bandung: Alfabeta.
[6] Maryati. (2010). Statistika Ekonomi dan Bisnis. Edisi Revisi. Cetakan Kedua.Yogyakarta: UPP AMP YKPN.
[7] Makridakis, S., Wheelwright, S. C., and McGee, V. E. (2003). Metode dan Aplikasi Peramalan (Jilid 1 ed.). Jakarta: Binarupa Aksara.
[8] Suharyadi dan Purwanto. (2007). Statistika untuk Ekonomi dan Keuangan Modern Edisi 2. Jakarta: Salemba Empat.
[9] Saputro, A., dan Purwanggono, B. (2016). Peramalan Produksi Semen Dengan Metode Exponential Smoothing pada PT. Semen Indonesia. Industrial Engineering Online Journal, 5(4). 4.
[10] Fahmi, A. K., dan Muslim, M. A., (2017). Peramalan Nilai Inflasi Kesehatan di Kabupaten Semarang dengan Metode Kuadratik. FMIPA Matematika. Universitas Negeri Semarang.
[11] Siagian, Y. (2018). Implementasi Metode Least Square untuk Peramalan Pertumbuhan Penduduk pada Kabupaten Asahan. System Informasi. STMIK ROYAL. 275-380.
[12] Pahala, F. (2019). Prediksi Lalu-lintas Penumpang Bandar Udara Soekarno- Hatta dengan Teknik Time Series Trend Forecasting. Jurnal Penelitian, 4(3), 1-10.
[13] Purba, A. (2015). Perancangan Aplikasi Peramalan Jumlah Calon Mahasiswa Baru yang Mendaftar Menggunakan Metode Single Exponential Smoothing (Studi Kasus: Fakultas Agama Islam UISU). Jurnal Riset Komputer (JURIKOM), 2, 8-12.
[14] Rachman, R. (2018). Penerapan Metode Moving Average dan Exponensial Smoothing pada Peramalan Prouksi Industri Garment. Jurnal Informatika, 5, 211- 220.
[15] Billah, B., King, M. L., Snyder, R. D., and Koehler, A. B. (2006). Exponential Smoothing Model Selection for Forecasting. International journal of forecasting, 22(2), 239-247.
[16] Farida, Y., Sulistiani, D. A., dan Ulinnuha, N. (2021). Peramalan Indeks Pembangunan Manusia (IPM) Kabupaten Bojonegoro Menggunakan Metode Double Exponential Smoothing Brown. Teorema: Teori dan Riset Matematika.
[17] Robial, S. M. (2018). Perbandingan Model Statistik pada Analisis Metode Peramalan Time Series (Studi Kasus: PT. Telekomunikasi Indonesia, TBK Kandatel Sukabumi). Jurnal Ilmiah SANTIKA, 8.

