PERAMALAN INDEKS PEMBANGUNAN MANUSIA (IPM) KABUPATEN BOJONEGORO MENGGUNAKAN METODE DOUBLE EXPONENTIAL SMOOTHING BROWN

Yuniar Farida, Diah Ayu Sulistiani, Nurissaidah Ulinnuha

Sari


Pembangunan manusia kini dipandang sebagai tolak ukur keberhasilan pembangunan suatu bangsa yang berkaitan erat dengan bidang ekonomi, sosial, budaya, politik, dan lingkungan. Keberhasilan pembangunan manusia diukur berdasarkan Indeks Pembangunan Manusia (IPM). Kabupaten Bojonegoro merupakan salah satu kabupaten di Provinsi Jawa Timur yang mempunyai sumber daya alam yang beragam dan melimpah. Besarnya potensi sumber daya alam yang dimiliki seharusnya sejalan dengan kualitas pembangunan manusianya. Namun ternyata hal tersebut tidak sejalan dengan nilai IPM Kabupaten Bojonegoro yang berada di bawah rata-rata nilai IPM Jawa Timur. Sehingga pemerintah Bojonegoro terus berupaya untuk memaksimalkan potensi dan meningkatkan nilai IPM. Berdasarkan hal tersebut maka perlu dilakukan peramalan (forecasting) sebagai acuan untuk memaksimalkan tingkat pembangunan manusia di Kabupaten Bojonegoro pada beberapa tahun yang akan datang. Pada penelitian ini, untuk meramalkan IPM di Kabupaten Bojonegoro menggunakan metode Double Exponential Smoothing (DES) dari Brown dengan data yang digunakan merupakan data IPM di Kabupaten Bojonegoro dari tahun 2010 sampai 2020. Data yang digunakan diperoleh dari Badan Perencanaan Pembangunan Daerah (Bappeda) dan Badan Pusat Statistik (BPS) Kabupaten Bojonegoro. Berdasarkan hasil perhitungan, peramalan terbaik diperoleh berdasarkan nilai parameter α 0.7 dengan besar nilai MAPE 0.376% yang masuk kriteria sangat baik. Hasil peramalan IPM untuk tahun 2021 sebesar 69.61, untuk tahun 2022 sebesar 70.14, dan untuk tahun 2023 sebesar 70.67 termasuk kategori IPM sedang. Kata kunci: Double exponential smoothing brown, Indeks Pembangunan Manusia (IPM), peramalan

Teks Lengkap:

PDF

Referensi


Airlangga, G., Rachmat, A., & Lapihu, D. (2019). Comparison of exponential smoothing and neural network method to forecast rice production in Indonesia. Telkomnika (Telecommunication Computing Electronics and Control), 17(3), 1367–1375. https://doi.org/10.12928/TELKOMNIKA.V17I3.11768

Bappeda, B. (2020). Penyusunan IPM Kecamatan dan Kabupaten Bojonegoro 2020. Badan Perencanaan Pembangunan Daerah Kabupaten Bojonegoro. https://bappeda.bojonegorokab.go.id

Billah, B., King, M. L., Snyder, R. D., & Koehler, A. B. (2006). Exponential smoothing model selection for forecasting. International Journal of Forecasting, 22(2), 239–247. https://doi.org/10.1016/j.ijforecast.2005.08.002

Bojonegoro, B. (2013). Rencana Pembangunan Jangka Panjang Daerah (RPJPD) Kabupaten Bojonegoro 2005-2025. Badan Perencanaan Pembangunan Daerah Kabupaten Bojonegoro. https://bappeda.bojonegorokab.go.id

BPS, J. T. (2020). Jawa Timur dalam angka 2020. BPS Jawa Timur. https://jatim.bps.go.id

Dewi, N. L. S. D., & Sutrisna, I. ketut. (2012). Pengaruh komponen indeks pembangunan manusia terhadap pertumbuhan ekonomi Provinsi Bali. E-Jurnal Ekonomi Pembangunan Universitas Udayana, 3(3), 106–114.

Fauziah, F. N., & Gunaryati, A. (2017). Comparison forecasting with double exponential smoothing and artificial neural network to predict the price of sugar. 1–8. https://doi.org/10.5013/IJSSST.a.18.04.13

Gyo, M., & Kim, S. (2013). Efficient jitter compensation using double exponential smoothing. Information Sciences, 227, 83–89. https://doi.org/10.1016/j.ins.2012.12.008

Hansun, S. (2016). A new approach of brown’s double exponential smoothing method in time series analysis. Balkan Journal of Electrical and Computer Engineering, 4(2), 75–78. https://doi.org/10.17694/bajece.14351

Hyndman, R. J., Koehler, A. B., Snyder, R. D., & Grose, S. (2002). A state space framework for automatic forecasting using exponential smoothing methods. International Journal of Forecasting, 18, 439–454. www.elsevier.com/ locate / ijforecast

Irawan, R. Y., & Laksito, W. (2019). Penerapan metode double exponential smoothing untuk peramalan tingkat indeks pembangunan manusia. Journal TIKomSIN, 7(2), 18–28. https://doi.org/https://doi.org/10.30646/tikomsin.v7i2.437

Ismail, Z., & Yeng, F. F. (2011). Genetic algorithm for parameter estimation in double exponential smoothing. Australian Journal of Basic and Applied Sciences, 5(7), 1174–1180.

Jahring, & Pradani, A. P. (2016). Forecasting with double exponential smoothing brown method. Journal of Math Science, 1(2), 35–39. http://usnsj.com/index.php/JMS/article/view/JMS006

Jr, J. J. L. (2003). Double Exponential smoothing: an alternative to kalman filter-based predictive tracking. International Immersive Projection Technologies Workshop.

Liantoni, F., & Agusti, A. (2018). Forecasting bitcoin using double exponential smoothing method based on mean absolute percentage error. International Journal on Informatics Visualization, 4(2), 91–95.

Lukman, M., & Tanan, B. (2021). Time Series modeling by using exponential smoothing technique for river flow discharge forecasting (case study: cabenge, walanae, and cenranae rivers system). IOP Conference Series: Materials Science and Engineering, 1088(1), 012100. https://doi.org/10.1088/1757-899x/1088/1/012100

Mirza, D. S. (2012). Pengaruh kemiskinan, pertumbuhan ekonomi, dan belanja modal terhadap indeks pembangunan manusia di jawa tengah tahun 2006-2009. Economics Development Analysis Journal, 1(1). http://journal.unnes.ac.id/sju/index.php/edaj

Muchayan, A. (2019). Comparison of holt and brown’s double exponential smoothing methods in the forecast of moving price for mutual funds. Journal of Applied Science, Engineering, Technology, and Education, 1(2), 183–192. https://doi.org/https://doi.org/10.35877/454RI.asci1167

Ouedraogo, N. S. (2013). Energy consumption and human development : evidence from a panel cointegration and error correction model. Energy, 63(1A), 28–41. https://doi.org/10.1016/j.energy.2013.09.067

Rana, M., & Koprinska, I. (2016). Neurocomputing forecasting electricity load with advanced wavelet neural networks. Neurocomputing, 182, 118–132. https://doi.org/10.1016/j.neucom.2015.12.004

Sagar, A. D., & Najam, A. (1998). The human development index: a critical review. Ecological Economics, Elsevier, 25 (3), 249–264.

Saputra, N. D., Aziz, A., & Harjito, B. (2017). Parameter optimization of brown’s and holt’s double exponential smoothing using golden section method for predicting Indonesian Crude Oil Price (ICP). Proceedings-2016 3rd International Conference on Information Technology, Computer, and Electrical Engineering, ICITACEE 2016, 356–360. https://doi.org/10.1109/ICITACEE.2016.7892471

Setiawan, M. B., & Hakim, A. (2008). Indeks pembangunan manusia indonesia. Jurnal Ekonomia, 9(1), 18–26.

Syafwan, H., Syafwan, M., Syafwan, E., & Hadi, A. F. (2021). Forecasting unemployment in north sumatra using double exponential smoothing method. J. Phys. Conf, 1783 (1), https://doi.org/10.1088/1742-6596/1783/1/012008

Tang, J., Xu, G., Wang, Y., Wang, H., Zhang, S., & Liu, F. (2013). Traffic flow prediction based on hybrid model using double exponential smoothing and support vector machine. Proceedings of the 16th International IEEE Annual Conference on Intelligent Transportation Systems (ITSC 2013), 130–135.

Ubeyli, E. D. (2005). Adaptive neuro-fuzzy inference system for classification of eeg signals using wavelet coefficients. Journal of Neuroscience Methods, 148(2), 113-121 https://doi.org/10.1016/j.jneumeth.2005.04.013

Wang, J., Wang, J., Zhang, Z., & Guo, S. (2011). Expert systems with applications forecasting stock indices with back propagation neural network. Expert Systems With Applications, 38(11), 14346–14355. https://doi.org/10.1016/j.eswa.2011.04.222

Wang, J., Wang, J., Zhang, Z., & Guo, S. (2012). Stock index forecasting based on a hybrid model. Omega, 40(6), 758–766. https://doi.org/10.1016/j.omega.2011.07.008

Winarti, A. (2014). Analisis pengaruh pengeluaran pemerintah bidang pendidikan, kemiskinan, dan pdb terhadap indeks pembangunan manusia di indonesia periode 1992-2012. Skripsi. Fakultas Ekonomika dan Bisnis, Universitas Diponegoro, Semarang.

Zhang, G. P. (2003). Time series forecasting using a hybrid arima and neural network model. Neurocomputing, 50, 159–175. www.elsevier.com/locate/neucom




DOI: http://dx.doi.org/10.25157/teorema.v6i2.5521

Refbacks

  • Saat ini tidak ada refbacks.


##submission.copyrightStatement##

Laman Teorema: https://jurnal.unigal.ac.id/index.php/teorema/index

Terindek: