BAB V ANALISIS DAN INTERPRETASI HASIL

Transkripsi

1 BAB V ANALISIS DAN INTERPRETASI HASIL Pada bab ini dijelaskan mengenai analisis dan interpretasi hasil mengenai pengumpulan dan pengolahan data yang telah dilakukan sebelumnya. Analisis ini meliputi analisis hasil peramalan metode Grey ing GM (,) dan GM (2,) serta hasil perhitungan nilai error dengan metode Mean Squared (MSE), Mean Absolute Deviation () dan Mean Absolute Percentage (). 5. ANALISIS HASIL PERAMALAN WOODEN SAW DUST Pada bagian ini akan dibahas mengenai analisis dari hasil perhitungan Grey ing GM (,) dan GM (2,) untuk meramalkan kebutuhan bahan bakar alternatif wooden saw dust. Untuk mengetahui metode peramalan yang terbaik dapat dilihat dari hasil perhitungan nilai error yang merupakan salah satu indikator yang dapat dijadikan acuan untuk melihat metode peramalan yang memberikan hasil akurat. Nilai error merupakan selisih atau perbedaan nilai antara keadaan yang sebenarnya dengan hasil peramalan. Semakin kecil nilai error yang dihasilkan oleh suatu metode peramalan maka metode peramalan tersebut dianggap semakin akurat. Hal ini menunjukkan bahwa semakin kecil nilai error yang dihasilkan oleh suatu metode peramalan, maka hasil peramalan tersebut mendekati keadaan yang sebenarnya. Pada pengolahan data telah dilakukan perhitungan peramalan kebutuhan bahan alternatif wooden saw dust dan rice husk dengan metode GM (,) dan GM (2,) menggunakan data historis empat periode (bulanan). Perbandingan hasil peramalan kebutuhan bahan bakar alternatif Wooden Saw Dust GM (,) dan GM (2,) beserta hasil perhitungan nilai error dengan metode MSE, serta ditunjukkan pada Tabel 5. dan Tabel 5.2. Tabel 5. Hasil Peramalan GM (,) Wooden Saw Dust Aktual GM (,) 023, ,56 032,05 3,5 2,32 e² V-

2 Tabel 5. Hasil Peramalan GM (,) Wooden Saw Dust Aktual GM (,) e² MSE 3 095,64 0,08-5,45 29,65 20, ,96 74,73 3,24 0,47 7, ,30 Tabel 5. (Lanjutan) Hasil Peramalan GM (,) Wooden Saw Dust Abs RSFE Tracking Signal 2 3,5 3,5 3,5,00 0,34 3 5,45 4,48 -,94-0,43 0,42 4 3,24 4,06,30 0,32 0,34 5 Tabel 5.2 Hasil Peramalan GM (2,) Wooden Saw Dust Aktual Rrror e² MSE 023, ,56 037,02 -,45 2, , ,64 054,74 40,89 672, , ,96 077,79 00,8 0035, ,2 5 08,07 Tabel 5.2 (Lanjutan) Hasil Peramalan GM (2,) Wooden Saw Dust Abs RSFE Tracking signal 2 360,7 360,7 360,7,00 34, ,76 490,97 98,93 2,00 45, ,89 604,94 84,82 3,00 50,42 5 Pada Tabel 5. dan Tabel 5.2 ditunjukkan bahwa metode peramalan GM (,) memberikan hasil yang lebih akurat dibanding GM (2,). Hal ini dapat dilihat pada hasil perhitungan GM (,) memiliki nilai MSE dan yang lebih kecil, yaitu sebesar 7,48 ton dan 4,06 ton. Sedangkan pada GM (2,) nilai MSE dan diperoleh sebesar 3903,25 ton dan 47,5 ton. Selain itu, perhitungan nilai error dengan metode dapat diketahui bahwa metode Grey V-2

3 ing GM (,) memiliki presentase error yang lebih kecil, yaitu 0,34% dan presentase error GM (2,), yaitu 3,53%. Untuk lebih mengetahui apakah metode yang memiliki nilai error yang terkecil layak untuk dipilih atau tidak, dapat dilihat dari tracking signal yang dimiliki dari metode peramalan. Metode peramalan dianggap layak untuk menjadi metode yang terpilih jika nilai tracking signal berada dalam batas kontrol yaitu ±4. Dalam perhitungan peramalan kebutuhan bahan bakar wooden saw dust, GM (,) menjadi metode peramalan terpilih karena memiliki nilai error yang lebih kecil dibanding GM (2,) dan nilai tracking signal berada dalam batas kontrol yaitu 0, ANALISIS HASIL PERAMALAN RICE HUSK Pada sub bab ini membahas mengenai perbandingan hasil peramalan GM (,) dan GM (2,) untuk bahan bakar rice husk. Hasil peramalan GM (,) dan (2,) beserta nilai error pada bahan bakar alternatif yang berupa rice husk ditunjukkan pada tabel 5.3 dan 5.4. Tabel 5.3 Hasil Peramalan GM (,) Rice Husk Aktual e² MSE 668, ,90 76,92-5,02 25,7 25, ,63 873,5 2,48 55,65 90, ,89 000,62-2,73 7,43 62, ,70 Tabel 5.3 (Lanjutan) Hasil Peramalan GM (,) Rice Husk Abs RSFE Tracking Signal 2 5,02 5,02-5,02 -,00 0,66 3 2,48 8,75 7,46 0,85,40 4 2,73 6,74 4,73 0,70 0,66 5 V-3

4 Tabel 5.4 Hasil Peramalan GM (2,) Rice Husk Aktual e² MSE 668, ,90 606,86 50, , , ,63 550,45 335,7 2342, , ,89 498,67 499, , ,9 5 45,24 Tabel 5.4 (Lanjutan) Hasil Peramalan GM (2,) Rice Husk Abs RSFE Tracking Signal 2 79,22 70,22 79,22,00 23, ,57 283,90 567,79 2,00 33, ,04 379,94 39,83 3,00 38,26 5 Pada hasil perhitungan peramalan GM (,) dan GM (2,) untuk bahan alternatif rice husk dengan metode Grey ing GM (,) memiliki nilai error yang lebih kecil dibanding dengan GM (2,). Hal ini dapat dilihat pada hasil perhitungan dengan metode GM (,) diperoleh nilai MSE dan sebesar 62,75 ton dan 6,74 ton. Sedangkan, pada metode GM (2,) diperoleh nilai MSE dan berturut-turut ,55 ton 328,5 ton. Selain nilai error yang lebih kecil, metode GM (,) layak untuk digunakan sebagai metode untuk meramalkan kebutuhan bahan bakar alternatif rice husk. Hal ini dikarenakan hasil perhitungan tracking signal masih berada dalam batas kontrol ±4 yaitu, 3,00. Peramalan kebutuhan bahan bakar alternatif Rice Husk dengan metode Grey ing GM (,) memiliki presentase error terkecil yaitu 0,66%, dibandingkan dengan GM (2,) yaitu sebesar 32,90%. Dalam penelitian ini metode GM (2,) memiliki nilai error yang lebih besar dibandingkan dengan GM (,). Jika dilihat dari perubahan pola data yang ada, data historis dari kedua bahan bakar alternatif memiliki perubahan pola data yang cenderung bertipe monotonic. Sedangkan, GM (2,) akan lebih akurat untuk menganalisis suatu kondisi data yang memiliki perubahan pola data bertipe S atau Sigmoid (Liu dan Lin, 2006). V-4

5 MSE 5.3 ANALISIS NILAI ALFA (α) Pada proses perhitungan peramalan dengan Grey terdapat nilai α, dimana nilai α dapat mempengaruhi keakuratan dari hasil peramalan (Mohammadi dkk, 20). Untuk mengetahui pengaruh perubahan nilai α terhadap nilai error, maka dilakukan percobaan perhitungan pada hasil peramalan pemakaian wooden saw dust. Hasil perhitungan nilai error mulai dari α = 0 hingga α =, ditunjukkan pada Tabel 5.5. Tabel 5.5 Perubahan Nilai α Terhadap Nilai α MSE 0,00 656,83 40,28 3,62 0,0 045,63 3,90 2,82 0,20 582,3 23,64 2,03 0,30 260,6 5,50,25 0,40 73,83 7,48 0,48 0,50 7,48 4,06 0,27 0,60 85,68 8,23,02 0,70 273,24 5,92,75 0,80 575,8 23,5 2,48 0,90 986,72 30,99 3,9,00 503,29 38,36 3,89 Pola data dari hasil perhitungan nilai error dengan MSE,, dan dengan nilai digambarkan dalam Gambar 5., Gambar 5.2, dan Gambar ,00 MSE 500,00 000,00 500,00 0, α Gambar 5. Kurva Nilai MSE V-5

6 50,00 40,00 30,00 20,00 0,00 0, α Gambar 5.2 Kurva Nilai 5,00 4,00 3,00 2,00,00 0, α Gambar 5.3 Kurva Nilai MSE Perhitungan pengaruh nilai α ini dilakukan dengan menggunakan data historis dari pemakaian bahan bakar alternatif wooden saw dust. Hasil peramalan dan nilai error dari masing-masing nilai α ditunjukkan pada Tabel 5.5. Kemudian hasil perhitungan nilai error diplotkan dalam bentuk kurva. Pada Gambar 5. menunjukkan pola dari nilai error metode MSE dan Gambar 5.2 menunjukkan pola dari nilai error serta pada Gambar 5.3 menunjukkan presentase perubahan nilai error dengan metode. Pada ketiga gambar grafik tersebut ditunjukkan bahwa α dengan nilai 0 memiliki error yang cukup tinggi, kemudian nilai error menurun sampai pada titik maksimal yaitu 0,5 kemudian nilai error kembali meningkat. Sehingga dari gambar grafik diatas dapat disimpulkan bahwa nilai α sebesar 0,5 memiliki nilai error yang terkecil dibanding dengan nilai α yang lain. Dengan α = 0,5 diperoleh nilai MSE dan terkecil, yaitu 7,48 ton V-6

7 dan 4,06 ton. Selain itu, dengan menggunakan metode, nilai α = 0,5 juga memiliki presentase error yang terkecil yaitu 0,27%. 5.4 ANALISIS HASIL PERAMALAN GREY FORECASTING DIBANDINGKAN DENGAN WMA 3 DAN WMA 4 Subbab ini menjelaskan analisis perbandingan nilai error metode Grey ing, metode Weighted Moving Average 3 dan Weighted Moving Average 4 dengan menggunakan jumlah data sebanyak 32 periode. Dalam penelitian yang dilakukan oleh Nariswari dan Rosyidi (205), telah dilakukan perbandingan hasil peramalan metode GM (,), WMA 3, dan WMA 4 dengan jumlah data terbatas, yaitu selama empat periode (bulanan). Dari penelitian tersebut disimpulkan bahwa peramalan dengan data terbatas, GM (,) memiliki nilai peramalan yang lebih akurat dibanding dengan WMA 3 dan WMA 4. Selanjutnya, dalam penelitian ini ditunjukkan hasil nilai error dari peramalan GM (,), WMA 3, dan WMA 4, dengan jumlah data sebanyak 32 periode (bulanan). Hasil Perhitungan nilai error dari metode Grey ing, WMA 3, dan WMA 4 ditunjukkan pada Tabel 5.6. Tabel 5.6 Rekap Nilai MSE,, dan Metode GM (,), WMA 3, dan WMA 4 GM (,) WMA 3 WMA 4 MSE MSE MSE ,45 520, ,53 327, ,6 348,96 244,38 5, ,44 330,88 233,52 39, ,84 32, ,74 29,33 655,30 72,06 248,90 294, ,84 26, ,68 30, ,2 205, ,79 25, ,33 30, ,5 74, ,98 234, ,57 47, ,85 87, ,28 27, ,0 32,9 4869,2 64, ,59 24, ,69 79, ,38 25, ,43 293, ,92 227, ,28 272, ,08 320,4 9056,92 23,8 682,38 26, ,95 32, ,94 272, ,07 33, ,64 295, ,7 262, ,7 305, ,77 294, ,72 267, ,8 36,00 V-7

8 Tabel 5.6 Rekap Nilai MSE,, dan Metode GM (,), WMA 3, dan WMA 4 (Lanjutan) MSE GM (,) WMA 3 WMA 4 GM (,) WMA 3 WMA , , ,68 276,43 26,57 299, ,24 356, ,99 277,55 270,20 307, , , ,24 297,73 287,84 325, , , ,65 292,76 306,76 336, , , ,00 29,62 32,90 342, , , ,50 287,74 33,27 336, , , ,2 285,45 307,83 33, , , ,63 280,00 295,67 36, , , ,50 268,35 288,49 308, , , ,25 26,6 276,77 294, , , ,93 27,26 290,62 309, , , ,5 276,0 286,36 306, , , ,24 278,53 30,90 39, , , ,9 280,67 304,6 322, , , ,54 280,97 295,76 36, , , ,65 278,87 289,5 307,27 Dari perhitungan diatas kemudian digambarkan dalam bentuk grafik pada Gambar 5.4 dan Gambar 5.5. Dibandingkan dengan metode WMA 3 dan WMA 4, GM (,) memiliki nilai error MSE dan terkecil yaitu sebesar 463,79 ton dan 278,87 ton. Dari Gambar 5.6 dapat dilihat bahwa metode GM (,) memiliki besar nilai error yang mendekati metode WMA 3. Gambar 5.4 Grafik Nilai MSE Metode GM (,), WMA 3, dan WMA 4. V-8

9 Gambar 5.5 Grafik Nilai Metode GM (,), WMA 3, dan WMA 4. Dari penelitian yang telah dilakukan, peramalan dengan menggunakan data empat periode maupun 32 periode, disimpulkan bahwa GM (,) memiliki hasil yang lebih akurat dibandingkan dengan metode WMA 3 dan WMA 4. Namun, metode GM (,) akan memberikan hasil yang lebih akurat pada sistem dengan kekurangan dan atau keterbatasan data (Hsu dan Chen, 2002). V-9