Prolog: Mengenang Milestone Skripsi di Era "Pre-AI" (2019)
Sebelum era kecerdasan buatan generatif merevolusi dunia pemrograman seperti hari ini—jauh sebelum hadirnya ChatGPT, Claude, maupun GitHub Copilot—menyelesaikan sebuah Tugas Akhir / Skripsi Sarjana Teknik Informatika adalah ujian ketekunan intelektual yang sesungguhnya. Mahasiswa dituntut untuk membedah buku-buku teks statistika tebal di perpustakaan kampus, menurunkan rumus diferensial matriks secara manual di atas kertas buram, dan mengetik ribuan baris kode program baris demi baris tanpa bantuan auto-complete AI.
Pada tahun 2019, founder dari Radevanka Project (Rahmad Riskiadi, NIM: 11251105158) menyelesaikan penelitian skripsinya di Jurusan Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau (UIN Suska Riau) dengan judul:
"Penerapan Metode Triple Exponential Smoothing Dalam Memprediksi Persediaan Tiket Bus Trans Metro Pekanbaru"
(Studi Kasus: Unit Pelaksanaan Teknis Pengelolaan Angkutan Perkotaan Dinas Perhubungan Kota Pekanbaru)
Aplikasi ini bukan sekadar simulasi akademik di atas kertas, melainkan sistem terapan berbasis data riil yang memecahkan problematika logistik transportasi perkotaan di Kota Pekanbaru. Kini, setelah melewati perjalanan panjang dan proses modernisasi kode, proyek bersejarah ini telah resmi kami dokumentasikan di portofolio resmi Radevanka Project serta dirilis secara terbuka (open-source) di GitHub radevankaproject/tmptes sebagai referensi edukasi bagi mahasiswa di seluruh Indonesia.
Studi Kasus Riil: Dilema Persediaan Tiket Bus Trans Metro Pekanbaru
Bus Trans Metro Pekanbaru (TMP) merupakan urat nadi transportasi massal masyarakat Kota Pekanbaru yang melayani mobilitas warga melintasi 13 rute koridor utama dengan dua kategori tarif resmi: Tiket Umum (Rp4.000) dan Tiket Pelajar (Rp3.000).
Dalam operasional bus rapid transit (BRT) berbasis tiket sobek fisik, ketersediaan tiket adalah parameter operasional paling vital. Jika loket kehabisan tiket, bus tidak dapat memberangkatkan penumpang secara resmi. Sebaliknya, jika tiket dicetak terlalu banyak, sisa tiket di akhir tahun anggaran akan menjadi beban pemborosan APBD karena nomor seri tiket tidak dapat digunakan lagi pada tahun anggaran berikutnya.
Berikut adalah catatan data historis penjualan tiket fisik yang dihimpun selama penelitian:
- Tahun 2015: Terjual
2.794.797tiket umum dan815.038tiket pelajar. - Tahun 2016: Terjual
2.341.622tiket umum dan558.886tiket pelajar. - Tahun 2017: Terjual
2.539.151tiket umum dan567.902tiket pelajar. (Namun, pengadaan tiket pada tahun tersebut dipesan sebanyak3.150.000tiket umum dan700.000tiket pelajar—menyebabkan penumpukan ratusan ribu lembar tiket sisa di gudang!). - Tahun 2018: Terjual
2.922.656tiket umum dan654.072tiket pelajar.
Masalah mendasarnya adalah staf divisi tiket di UPT Pengelolaan Angkutan Perkotaan (PAP) Dinas Perhubungan Kota Pekanbaru saat itu masih melakukan estimasi pengadaan tiket triwulanan menggunakan kalkulasi manual di Microsoft Excel berdasarkan perkiraan kasar tanpa model peramalan ilmiah. Dari problematika inilah sistem peramalan terpadu ini dirancang.
Mengapa Memilih Triple Exponential Smoothing (Brown)?
Dalam ranah Data Mining dan peramalan deret waktu (time series forecasting), pola data penjualan tiket Bus TMP tidak bersifat stasioner datar, melainkan menunjukkan fluktuasi tren kuadratik non-linier antar tahun dan antar koridor rute.
Metode Triple Exponential Smoothing (TES) Satu Parameter dari Robert G. Brown dipilih karena memiliki keunggulan komparatif yang sangat kuat:
- Efisien dengan Satu Parameter ($\alpha$): Berbeda dengan metode Holt-Winters yang membutuhkan kalibrasi tiga parameter berbeda ($\alpha, \beta, \gamma$), metode Brown hanya menggunakan satu parameter pemulusan ($\alpha$, di mana $0 < \alpha < 1$). Hal ini membuat proses optimasi menjadi jauh lebih cepat dan stabil untuk data tahunan.
- Mampu Menangkap Tren Non-Linier (Kuadratik): Melalui tiga tingkatan pemulusan bertingkat (Single, Double, dan Triple Smoothing), metode ini mampu menyesuaikan kurva perubahan tren tanpa menimbulkan lag fase yang parah.
Bedah 8 Tahapan Matematis & Implementasi Kode Algoritma
Aplikasi ini dibangun menggunakan arsitektur modular yang membedah perhitungan peramalan menjadi 8 langkah matematis transparan yang siap dipresentasikan di hadapan dosen penguji sidang skripsi:
1. Pemulusan Pertama (Single Smoothing — $S'_t$)
$$S'_t = \alpha X_t + (1 - \alpha) S'_{t-1}$$
(Untuk periode awal $t = 1$, ditetapkan nilai inisialisasi: $S'_1 = S''_1 = S'''_1 = X_1$).
2. Pemulusan Kedua (Double Smoothing — $S''_t$)
$$S''_t = \alpha S'_t + (1 - \alpha) S''_{t-1}$$
3. Pemulusan Ketiga (Triple Smoothing — $S'''_t$)
$$S'''_t = \alpha S''_t + (1 - \alpha) S'''_{t-1}$$
4. Penentuan Nilai Konstanta ($a_t$)
$$a_t = 3S'_t - 3S''_t + S'''_t$$
5. Penentuan Nilai Slope Linier ($b_t$)
$$b_t = \frac{\alpha}{2(1 - \alpha)^2} \left[ (6 - 5\alpha)S'_t - (10 - 8\alpha)S''_t + (4 - 3\alpha)S'''_t \right]$$
6. Penentuan Nilai Komponen Kuadratik ($c_t$)
$$c_t = \frac{\alpha^2}{(1 - \alpha)^2} \left( S'_t - 2S''_t + S'''_t \right)$$
7. Kalkulasi Peramalan Periode Berikutnya ($F_{t+m}$)
$$F_{t+m} = a_t + b_t(m) + \frac{1}{2}c_t(m^2)$$
(Di mana $m$ adalah horizon periode ramalan ke depan; untuk 1 tahun ke depan maka $m = 1$).
8. Evaluasi Akurasi dengan MAPE (Mean Absolute Percentage Error)
Untuk menguji keandalan hasil prediksi terhadap data aktual, model dievaluasi menggunakan metrik MAPE sesuai standar Lewis (1982):
$$\text{PE}_t = \left| \frac{X_t - F_t}{F_t} \right| \times 100\% \quad , \quad \text{MAPE} = \frac{\sum_{t=1}^{n} \text{PE}_t}{n}$$
$$\text{Akurasi} = 100\% - \text{MAPE}$$
// Cuplikan Inti Logika Perhitungan Triple Exponential Smoothing (func.php)
function hitungTES(array $penjualan, float $alpha, int $m = 1): array
{
$n = count($penjualan);
$sSingle = []; $sDouble = []; $sTriple = [];
// Inisialisasi Periode Awal (t = 1)
$sSingle[1] = $penjualan[1];
$sDouble[1] = $penjualan[1];
$sTriple[1] = $penjualan[1];
// Iterasi Pemulusan Bertingkat
for ($i = 2; $i <= $n; $i++) {
$sSingle[$i] = ($alpha * $penjualan[$i]) + ((1 - $alpha) * $sSingle[$i - 1]);
$sDouble[$i] = ($alpha * $sSingle[$i]) + ((1 - $alpha) * $sDouble[$i - 1]);
$sTriple[$i] = ($alpha * $sDouble[$i]) + ((1 - $alpha) * $sTriple[$i - 1]);
}
// Hitung Parameter Model pada Periode Terakhir (t = n)
$a = (3 * $sSingle[$n]) - (3 * $sDouble[$n]) + $sTriple[$n];
$pembagiSlope = 2 * pow(1 - $alpha, 2);
$b = ($alpha / $pembagiSlope) * (
((6 - (5 * $alpha)) * $sSingle[$n]) -
((10 - (8 * $alpha)) * $sDouble[$n]) +
((4 - (3 * $alpha)) * $sTriple[$n])
);
$pembagiKuadratik = pow(1 - $alpha, 2);
$c = (pow($alpha, 2) / $pembagiKuadratik) * ($sSingle[$n] - (2 * $sDouble[$n]) + $sTriple[$n]);
// Hasil Ramalan Periode ke-(n + m)
$forecast = $a + ($b * $m) + (0.5 * $c * pow($m, 2));
return [
'forecast' => round($forecast),
'at' => $a, 'bt' => $b, 'ct' => $c
];
}
Hasil Penelitian: Parameter Optimal $\alpha = 0.5$ & Akurasi 90.76%
Berdasarkan pengujian terhadap seluruh 13 koridor Bus Trans Metro Pekanbaru (meliputi 26 kategori kombinasi tiket Umum dan Pelajar), pengujian variasi nilai parameter $\alpha$ dari $0.1$ hingga $0.9$ membuktikan bahwa nilai bobot $\alpha = 0.5$ menghasilkan kinerja paling optimal.
Rata-rata kesalahan peramalan Mean Absolute Percentage Error (MAPE) tercatat sebesar 9.24%, yang setara dengan tingkat akurasi 90.76%. Berdasarkan klasifikasi kemampuan peramalan internasional oleh C. D. Lewis (1982), nilai MAPE yang berada di bawah ambang batas $10\%$ membuktikan bahwa model peramalan memiliki performa Sangat Baik (Highly Accurate Forecasting).
Modernisasi Sistem: Membawa Kode 2019 ke Standar Web Modern
Untuk memastikan aplikasi bersejarah ini tetap dapat dijalankan dengan lancar oleh generasi mahasiswa masa kini, tim Radevanka Project telah melakukan pembaruan menyeluruh (code modernization):
- Dukungan Penuh PHP 7.4 & PHP 8.x: Seluruh sintaks lawas telah disesuaikan agar bersih dari Deprecation Warnings dan kompatibel dengan mode MySQL ketat (Strict Mode).
- KaTeX LaTeX Math Rendering: Seluruh formula dan tahapan substitusi angka pemulusan di halaman detail kini dirender dengan indah dan elegan menggunakan library KaTeX.
- Peningkatan Keamanan Standar Enterprise: Penerapan enkripsi sandi satu arah Bcrypt (
password_hash) dengan auto-migration, pencegahan Session Fixation (session_regenerate_id), sanitasi input terhadap XSS, serta proteksi token kriptografis CSRF berbasis sesi.
Akses Open Source & Jasa Pembuatan Aplikasi Skripsi Mahasiswa
Bagi rekan-rekan mahasiswa yang sedang menyusun Tugas Akhir bertema Peramalan / Forecasting, Anda dapat mempelajari dan menguji langsung sistem ini melalui tautan publik berikut:
- Live Demo Aplikasi: https://skripsi-tes.radevankaproject.web.id
- Repositori GitHub: https://github.com/radevankaproject/tmptes
- Dokumentasi Portofolio: Detail Proyek Trans Metro Pekanbaru di Radevanka Project
Butuh Bantuan & Bimbingan Pembuatan Aplikasi Skripsi?
Kami paham betul betapa menegangkannya proses menyusun skripsi—mulai dari mencari dataset yang tepat, memahami logika rumus matematis, hingga menghadapi pertanyaan kritis dosen penguji saat sidang. Karena itulah, Radevanka Project hadir menjadi partner terpercaya mahasiswa!
Kami melayani pembuatan dan konsultasi aplikasi skripsi custom—mulai dari metode Forecasting (Single/Double/Triple Exponential Smoothing, Holt-Winters, Moving Average, ARIMA), Sistem Pendukung Keputusan / SPK (TOPSIS, AHP, SAW, WP, MOORA), Data Mining / Machine Learning, hingga aplikasi Mobile Flutter. Biaya sangat terjangkau bagi kantong mahasiswa: mulai dari di bawah Rp1.000.000 (< Rp1 Juta), lengkap dengan bimbingan logika program dan pendampingan hingga lulus sidang!
Kunjungi portofolio lengkap kami di Radevanka Project atau hubungi tim kami sekarang untuk menjadwalkan konsultasi judul skripsi Anda!