peramalan kebutuhan internet service pt telkom menggunakan analisis time series

Peramalan Kebutuhan Internet Service PT Telkom Menggunakan

Analisis Time Series

1. Pendahuluan

PT Telkom, satu-satunya perusahaan telekomunikasi milik negara di

Indonesia, menyediakan sejumlah produk dan jasa telekomunikasi, yang meliputi

layanan internet akses ke pengguna melalui Speedy. Namun, meskipun pertumbuhan

dan ekspansi, Realisasi penjualan tahunan Speedy tidak pernah mencapai target

penjualan sejak 2011. Penjualan realisasi untuk Speedy telah menurun sejak 2011.

Hal ini disebabkan oleh beberapa faktor yang antara lain terkait dengan

ketidakmampuan PT Telkom untuk memperkirakan permintaan. Saat ini, PT Telkom

menggunakan pendekatan permintaan mikro untuk prediksi permintaan mereka, yang

didasarkan pada survei ke daerah perumahan yang potensial. Pendekatan permintaan

mikro dapat diimplementasikan dalam dua jenis konstruksi jaringan. Jenis pertama,

New Line,digunakan untuk daerah yang tidak memiliki jaringan telepon dan kabel

sama sekali. Tipe kedua, terakhir Mile Ekspansi (LME), digunakan untuk daerah

yang sudah memiliki jaringan telepon atau kabel dan ada beberapa rumah baru di

daerah itu. Namun, ada beberapa kelemahan pendekatan mereka saat ini. Masalah

utama dari pendekatan permintaan mikro PT Telkom adalah bahwa prediksi tidak

mempertimbangkan tinggal ada. Ada kebutuhan untuk meningkatkan pendekatan

peramalan berdasarkan permintaan historis yang dapat mencakup para pengguna

potensial tinggal di kediaman yang ada. Oleh karena itu, hal ini studi penelitian dan

analisis alternatif pendekatan, berdasarkan metode Time Series, dalam memprediksi

permintaan Speedy di Timur Wilayah Bandung. Selain itu, kami menyelidiki metode

peramalan yang menggabungkan nyata permintaan dan permintaan mikro data.

Lima metode yang digunakan dalam penelitian ini, termasuk Moving

Average, Exponential Smoothing, Holt Model, ARIMA, dan Fungsi Transfer. Berarti

kesalahan mutlak (MAE) dan kesalahan persentase absolute (MAPE) yang

digunakan sebagai ukuran untuk membandingkan kinerja metode ini. Ada dua data

time series yang digunakan dalam penelitian ini, yang meliputi permintaan bulanan

Speedy dari tahun 2011 hingga 2013 dan PT Telkom mikro.

2. Studi Literatur

Peramalan permintaan untuk layanan internet yang dibahas dalam beberapa

karya menggunakan berbeda metode. Karya Chvalinadisajikan permintaan

pemodelan Asymetric Digital Subscriber Line di Republik Ceko menggunakan

pendekatan time series. Perkiraan jangka pendek adalah belajar dan metode statistik

dan Neural Networks diterapkan. Karya Yannelis, Christopoulos, dan Kalantzis

disajikan peramalan permintaan ADSL dan ISDN jasa di Yunani menggunakan

metode yang berbeda. Dalam tulisan ini kita membahas permintaan peramalan

layanan internet PT Tekom didasarkan pada analisis time series, termasuk Moving

Average, Exponential Smoothing, Holt Model, ARIMA, dan Fungsi Transfer.

Perbandingan dengan karya-karya di atas Chvalina dan Yannelis. Tulisan ini

menyediakan metode peramalan berdasarkan Fungsi Transfer yang menggabungkan

permintaan riil dan permintaan mikro.

a. Moving Average

Moving average tunggal adalah rata-rata dari sejumlah konstan pengamatan.

Ini berarti didasarkan pada jumlah yang sama pengamatan dalam rentang waktu geser

yang bergerak titik asal satu periode waktu pada suatu waktu, dari awal sampai yang

paling terbaru dari seri pengamatan. Jumlah observasi digunakan untuk perhitungan

mean disebut urutan seri. Rata-rata yang dihitung dan dicatat untuk nomor ini

pengamatan dari awal sampai akhir seri. Metode moving average untuk waktu

peramalan seri didasarkan pada data.

b. Exponential Smoothing

Pemulusan eksponensial menggunakan rata-rata tertimbang dari data masa

lalu. Pengaruh pengamatan baru-baru ini diperkirakan menurun secara eksponensial

dari waktu ke waktu. Bagian belakang lebih lanjut sepanjang jalan sejarah waktu satu

perjalanan, kurang pengaruh setiap pengamatan memiliki pada perkiraan. Untuk

mewakili penurunan geometris ini pengaruh, seorang eksponensial Skema

pembobotan diterapkan dalam prosedur disebut sebagai sederhana (tunggal)

pemulusan eksponensial.

c. Holt’s Model

Untuk memahami perhitungan tren di pemulusan eksponensial, kami juga

harus memahami bahwa perhitungan pemulusan eksponensial hanya rata-rata

tertimbang dua ukuran hal yang sama. Dalam rumus pemulusan eksponensial asli, Dt

merupakan salah satu ukuran permintaan terakhir (demand periode lalu) dan Ft

adalah ukuran lain permintaan masa lalu (rata-rata tertimbang dari permintaan di

semua periode sebelum t). Dengan demikian, kita mengambil rata-rata tertimbang

dari dua ukuran yang sama hal. Kita sekarang akan melakukan hal yang sama untuk

trend-dikoreksi eksponensial smoothing.

d. ARIMA

ARIMA Prosedur analisis dan prakiraan sama spasi univariat time series data,

data fungsi transfer, dan data intervensi dengan menggunakan autoregressive yang

terpadu rata-rata bergerak (ARIMA) atau autoregressive moving-rata (ARMA)

Model ARIMA memprediksi nilai dalam time series masalah dengan linear

kombinasi nilai masa lalu sendiri, kesalahan masa lalu (juga disebut guncangan atau

inovasi), nilai-nilai dan saat ini dan masa lalu time series lainnya. Urutan model

ARIMA adalah biasanya dilambangkan dengan notasi ARIMA (p, d, q), di mana p

adalah urutan autoregressive, d adalah urutan differencing, dan q adalah urutan yang

bergerak rata rata.

e. Fungsi Transfer

Dalam banyak kasus, time series tidak hanya berkaitan dengan masa lalu

sendiri, tetapi juga mungkin dipengaruhi oleh nilai-nilai sekarang dan masa lalu dari

time series lainnya. Sebuah model yang dapat mengakomodasi situasi seperti ini

disebut sebagai model fungsi transfer. Transfer fungsi untuk pemodelan time series

adalah cara multivariat pemodelan berbagai struktur lag ditemukan dalam data.

Transfer sederhana model fungsi menganggap hubungan antara jelas (input) variabel

dependen dan variabel independen.

f. Kesalahan Peramalan

Beberapa langkah-langkah yang digunakan dalam praktek untuk menghitung

kesalahan perkiraan keseluruhan, termasuk kesalahan mutlak berarti (MAE) dan rata-

rata error persen absolut (MAPE). MAE, disebut juga MAD (mean deviasi absolut),

dihitung dengan mengambil jumlah dari nilai absolut dari kesalahan individu

perkiraan (penyimpangan) dan membagi oleh jumlah periode data (n).

Masalah dengan MAE adalah bahwa nilainya tergantung pada besarnya item

yang perkiraan. Jika item perkiraan diukur dalam ribuan, nilai MAE bisa sangat

besar. Untuk menghindari masalah ini, kita bisa menggunakan MAPE. Hal ini

dihitung sebagai rata-rata dari perbedaan mutlak antara nilai diperkirakan dan aktual,

yang dinyatakan sebagai persentase dari nilai yang sebenarnya. Artinya, jika kita

telah diperkirakan dan nilai-nilai aktual untuk n periode.

3. Metodologi Penelitian

Data yang digunakan dalam peramalan permintaan terdiri dari hasil

permintaan mikro PT Telkom dari tahun 2011 hingga 2013 dan permintaan bulanan

untuk Speedy dari tahun 2011 sampai tahun 2013 di Timur Wilayah Bandung.

Dilakukan permintaan peramalan untuk Speedy di Bandung Timur daerah

menggunakan lima metode, yang terdiri dari Moving Average, Exponential

Smoothing, Holt Model, ARIMA. SAS / JMP dan Microsoft Excel yang digunakan

sebagai alat untuk time series peramalan. Secara khusus, SAS / JMP digunakan untuk

meramalkan kebutuhan berdasarkan ini metode, kecuali Moving Average yang

dihitung dengan menggunakan MS Excel.

Data Time series permintaan yang sebenarnya diterapkan untuk meramalkan

diprediksi permintaan di Moving Average, Exponential Smoothing, Holt Model, dan

ARIMA. Dalam kasus Fungsi Transfer, time series permintaan yang sebenarnya

dianggap sebagai output dan mikro permintaan time series dianggap sebagai input.

Setelah prakiraan dilakukan, hasilnya dianalisis dengan membandingkan

kesalahan masing-masing pendekatan. Berarti kesalahan mutlak (MAE) dan berarti

kesalahan persentase absolute (MAPE) yang diterapkan sebagai tindakan untuk

membandingkan kinerja lima metode. Semakin kecil MAE dan MAPE, semakin baik

akurasi metode peramalan.

Hasil peramalan permintaan Speedy menggunakan Moving Average,

Exponential Smoothing, Holt Model, ARIMA, dan Fungsi Transfer disajikan. Itu

data permintaan historis dan mikro juga menunjukkan dalam bentuk grafik

Gambar 3.1 MenunjukkanData Historis Permintaan Bulanan untuk Speedy di

Wilayah Bandung Timur dari 2011 sampai 2013

Hasil survei permintaan mikro untuk Speedy di wilayah Bandung Timur dari

2011 sampai 2013. Tidak ada tanggal yang tepat pada saat survei dilakukan pada

rekapitulasi. Karena terbatasnya ketersediaan data, hasil permintaan mikro bulanan

dirata-ratakan untuk setiap empat bulan. Hasil survei dapat dilihat pada gambar 3.2.

Gambar 3.2 Hasil Permintaan Mikro Speedy di Wilayah Bandung Timur

Grafik perbandingan antara permintaan riil dan permintaan diperkirakan untuk

Speedy di Wilayah Bandung Timur berdasarkan metode Moving Average

ditunjukkan pada Gambar 3.3. Sebagai jelas dari angka ini, kurva permintaan

diprediksi cenderung tertinggal beberapa bulan dari permintaan yang sebenarnya.

Gambar 3.3 Realisasi vs Prediksi Permintaan Speedy Service dengan

Menggunakan Moving Average

Grafik perbandingan antara permintaan riil dan permintaan diperkirakan untuk

Speedy di Wilayah Bandung Timur menggunakan Fungsi Transfer ditunjukkan pada

Gambar 3.4. Untuk keperluan peramalan permintaan dengan metode Fungsi Transfer,

dalam prakteknya diperlukan masukan. Data tersedia dalam periode perkiraan masa

depan. Oleh karena itu, dalam Transfer Function ini, kami menggunakan prediksi

permintaan mikro sebagai input data untuk periode perkiraan masa depan.

Gambar 3.4. Realisasi vs Prediksi Permintaan Speedy menggunakan Fungsi

Transfer

Grafik perbandingan antara permintaan riil dan permintaan diprediksi untuk Speedy

di wilayah Bandung Timur menggunakan Smoothing eksponensial sederhana dengan

α = 0,9. Sebagai ditunjukkan dalam grafik, kurva permintaan diprediksi cenderung

tertinggal satu bulan dari permintaan yang sebenarnya. Grafik dapat dilihat pada

Gambar 3.5.

Gambar 3.5 Realisasi vs Prediksi Permintaan Speedy Service dengan

menggunakan Exponential Smoothing

Kesalahan perbandingan dari semua metode di atas disajikan dalam diskusi

berikutnya. Gambar 3.6. menunjukkan perbandingan MAE untuk peramalan

permintaan Speedy di Timur Wilayah Bandung, sedangkan Gambar 3.7 menunjukkan

perbandingan MAPE permintaan Speedy peramalan di daerah Bandung Timur.Seperti

terlihat pada grafik, Moving Average pendekatan memiliki kesalahan tertinggi

dengan MAE dari 603,7 dan MAPE dari 40,33%. Kedua ARIMA (3,1,3) dan ARIMA

(2,1,0) memiliki hasil yang lebih baik daripada Exponential Smoothing dan Holt

Model dalam hal dari MAE dan MAPE. Holt Model, dengan MAE dari 374,54 dan

MAPE dari 29,07%, memiliki sedikit kesalahan lebih tinggi dari Exponential

Smoothing, dengan MAE dari 314,81 dan MAPE dari 22,93%. Sebagai ditunjukkan

pada Gambar 3.6. , ARIMA (3,1,3), dengan MAE dari 272,58, memiliki kesalahan

sedikit lebih rendah dalam hal dari MAE dari ARIMA (2,1,0), dengan MAE dari

277,02. Di sisi lain, ARIMA (2,1,0), dengan MAPE dari 20,68%, memiliki kesalahan

lebih rendah dalam hal MAPE dari ARIMA (3,1,3), dengan MAPE dari 21,62%,

seperti yang ditunjukkan pada Gambar 3.7. Dalam kedua grafik, pendekatan Fungsi

Transfer memiliki kesalahan terendah dengan MAE dari 194,96 dan MAPE dari

12,86%. Hal ini menunjukkan bahwa transfer Fungsi merupakan pendekatan yang

paling cocok untuk peramalan permintaan Speedy di Bandung Timur.

Gambar 3.6. MAE Perbandingan untuk Peramalan Permintaan Speedy

Gambar 3.7. MAPE Perbandingan untuk Peramalan Permintaan Speedy

4. Kesimpulan

Artikel ini mempelajari lima metode peramalan berdasarkan analisis Time

Series untuk memprediksi permintaan Speedy di wilayah Bandung Timur, termasuk

Moving Average, Exponential Smoothing, Holt Model, ARIMA, dan Fungsi

Transfer. Menunjukkan kesalahan pengukuran yang Fungsi Transfer adalah

pendekatan yang paling cocok untuk peramalan permintaan Speedy di Wilayah

Bandung Timur. Hal ini disebabkan fakta bahwa Fungsi Transfer memiliki kesalahan

terendah dengan MAE dari 194,96 dan MAPE dari 12,86%. Di antara metode-metode

di atas, Fungsi Transfer adalah satu-satunya yang menggabungkan permintaan

historis Speedy dan permintaan mikro. Berbeda dengan yang lain empat metode yang

hanya mempertimbangkan permintaan time series yang sebenarnya, Transfer

Function memperlakukan time series permintaan aktual sebagai output dan

permintaan mikro time series sebagai masukan. Itu masukan permintaan mikro dalam

metode Fungsi Transfer kontribusi untuk menghasilkan peramalam yang lebih akurat,

seperti yang ditunjukkan oleh MAE dan MAPE yang dihasilkan.

Metode ARIMA diterapkan dengan menggunakan dua pendekatan, dengan

nilai yang berbeda dari Autoregressive Order (p) dan Moving Average Order (q).

Kedua pendekatan memiliki lebih rendah MAE dan MAPE dari Exponential

Smoothing, Holt Model, dan Moving Average. Ini merupakan yang utama karena

fakta bahwa itu menggabungkan Moving Average dan Autoregressive teknik. Pada

masa yang kaan datang akan sangat berguna untuk melakukan peramalan dengan

metode transfer Fungsi input tambahan yang memiliki hubungan kausal dengan

permintaan yang sebenarnya, seperti PDRB (Produk Domestik Regional Bruto),

untuk mendapatkan hasil yang lebih akurat. Lebih Lanjut, metode peramalan

dipelajari dalam penelitian ini dapat diperluas untuk mencakup daerah lain dan area

bisnis. Metode peramalan yang sama juga dapat diterapkan untuk lainnya PT Produk

dan layanan Telkom.