Pendahuluan

Latar Belakang

Perdagangan internasional merupakan salah satu faktor penting dalam mendorong pertumbuhan ekonomi suatu negara. Melalui kegiatan ekspor dan impor, suatu negara dapat memenuhi kebutuhan barang dan jasa yang tidak dapat diproduksi secara optimal di dalam negeri, serta memperluas pasar bagi produk domestik. Dalam era globalisasi, hubungan perdagangan antarnegara semakin meningkat, termasuk kerja sama ekonomi antarnegara di kawasan Asia Tenggara yang tergabung dalam Association of Southeast Asian Nations. Kerja sama ini bertujuan untuk meningkatkan integrasi ekonomi, memperkuat daya saing kawasan, serta mempermudah arus perdagangan barang dan jasa antarnegara anggota.

Indonesia sebagai salah satu negara anggota Association of Southeast Asian Nations memiliki hubungan perdagangan yang cukup intensif dengan negara-negara di kawasan tersebut. Salah satu bentuk aktivitas perdagangan yang terjadi adalah kegiatan impor berbagai komoditas dari negara-negara ASEAN ke Indonesia. Impor tersebut mencakup berbagai jenis barang yang dibutuhkan untuk memenuhi kebutuhan konsumsi domestik maupun untuk mendukung kegiatan produksi di dalam negeri. Oleh karena itu, perkembangan nilai impor dari ASEAN ke Indonesia menjadi salah satu indikator penting dalam melihat dinamika perdagangan internasional Indonesia.

Dalam praktiknya, nilai impor dapat mengalami fluktuasi dari waktu ke waktu akibat berbagai faktor, seperti perubahan permintaan domestik, kondisi ekonomi global, kebijakan perdagangan, serta perkembangan hubungan ekonomi antarnegara. Fluktuasi tersebut menuntut adanya analisis yang mampu memberikan gambaran mengenai kemungkinan perkembangan nilai impor di masa yang akan datang. Informasi mengenai perkiraan nilai impor sangat penting bagi pemerintah maupun pemangku kebijakan dalam merumuskan strategi perdagangan, menyusun kebijakan ekonomi, serta mengantisipasi perubahan yang mungkin terjadi di masa depan.

Salah satu pendekatan yang dapat digunakan untuk memperkirakan nilai impor di masa mendatang adalah melalui metode peramalan (forecasting). Peramalan merupakan teknik analisis yang digunakan untuk memprediksi nilai suatu variabel pada periode yang akan datang berdasarkan data historis yang tersedia. Dengan menggunakan metode peramalan yang tepat, diharapkan dapat diperoleh estimasi yang cukup akurat mengenai perkembangan nilai impor sehingga dapat menjadi bahan pertimbangan dalam proses pengambilan keputusan.

Salah satu metode peramalan yang dapat digunakan untuk menganalisis data runtut waktu yang memiliki kecenderungan tren adalah metode Double Exponential Smoothing yang dikembangkan oleh Charles C. Holt. Metode ini mampu mengakomodasi komponen tren dalam data sehingga lebih sesuai digunakan pada data yang menunjukkan pola peningkatan atau penurunan dari waktu ke waktu. Dengan memanfaatkan metode ini, proses peramalan dapat menghasilkan estimasi nilai yang lebih representatif terhadap pola pergerakan data historis.

Sehubungan dengan pentingnya analisis peramalan dalam mendukung perumusan kebijakan perdagangan, maka penelitian ini dilakukan selama pelaksanaan kerja praktik di Badan Kebijakan Perdagangan pada Kementerian Perdagangan Republik Indonesia. Penelitian ini berfokus pada analisis peramalan nilai impor seluruh komoditas dari ASEAN ke Indonesia menggunakan metode Double Exponential Smoothing Holt. Dengan menggunakan data historis nilai impor, penelitian ini bertujuan untuk menghasilkan estimasi nilai impor untuk tiga periode mendatang sehingga dapat memberikan gambaran mengenai potensi perkembangan impor Indonesia dari kawasan ASEAN di masa yang akan datang.

Rumusan Masalah

Sehubungan dengan latar belakang yang telah disampaikan sebelumnya, maka dapat diuraikan rumusan masalah sebagai berikut: 1. Bagaimana penerapan metode Double Exponential Smoothing model Charles C. Holt dalam melakukan peramalan nilai impor seluruh komoditas dari ASEAN ke Indonesia?

  1. Bagaimana hasil peramalan nilai impor seluruh komoditas dari ASEAN ke Indonesia untuk tiga periode mendatang menggunakan metode Double Exponential Smoothing Holt?

  2. Bagaimana interpretasi hasil peramalan nilai impor seluruh komoditas dari ASEAN ke Indonesia berdasarkan nilai yang dihasilkan dari metode peramalan tersebut?

Tujuan Penelitian

Berdasarkan rumusan masalah yang telah diuraikan sebelumnya, maka tujuan dari penelitian ini adalah sebagai berikut:

  1. Menerapkan metode Double Exponential Smoothing model Charles C. Holt dalam melakukan peramalan nilai impor seluruh komoditas dari negara-negara anggota Association of Southeast Asian Nations ke Indonesia.

  2. Mengetahui hasil peramalan nilai impor seluruh komoditas dari ASEAN ke Indonesia untuk tiga periode mendatang menggunakan metode Double Exponential Smoothing Holt.

  3. Menginterpretasikan hasil peramalan nilai impor seluruh komoditas dari ASEAN ke Indonesia berdasarkan nilai yang dihasilkan dari metode peramalan tersebut.

Manfaat Penelitian

Manfaat dari penulisan laporan Praktik Kerja Lapangan (PKL) ini adalah sebagai berikut : 1. Bagi Mahasiswa, penelitian ini dapat menambah wawasan dan pemahaman penulis mengenai penerapan metode peramalan, khususnya metode Double Exponential Smoothing model Charles C. Holt dalam menganalisis data runtun waktu serta mengaplikasikan teori yang telah dipelajari selama perkuliahan ke dalam praktik analisis data perdagangan internasional.

  1. Bagi instansi, hasil penelitian ini diharapkan dapat memberikan gambaran mengenai perkiraan nilai impor seluruh komoditas dari negara-negara anggota Association of Southeast Asian Nations ke Indonesia untuk beberapa periode mendatang sehingga dapat menjadi informasi tambahan yang bermanfaat bagi instansi dalam proses analisis dan penyusunan kebijakan perdagangan.

  2. Bagi pihak lain, Penelitian ini diharapkan dapat menjadi referensi bagi pembaca maupun peneliti selanjutnya yang tertarik untuk melakukan penelitian mengenai peramalan data perdagangan internasional atau penerapan metode Double Exponential Smoothing pada data runtun waktu.

Tinjauan Pustaka

Perdagangan Internasional ASEAN dan Indonesia

Perdaganga Internasional adalah suatu kegiatan transaksi jual beli yang dilakukan oleh dua orang individu antar negara, atau seorang individu dengan pemerintah atau negara, atau transaksi jual beli yang dilakukan oleh suatu negara dengan negara yanglain. Perdagangan Internasional meliputi kegiatan ekspor dan impor barang. Kegiatan transaksi yang dilakukan dapat berupa transaksi jual beli jasa atau barang (Egi et al., 2024).

Kegiatan perdagangan internasional yang memberikan rangsangan guna membutuhkan permintaan dalam negeri yang menyebabkan tumbuhnya industri-industri pabrik besar, bersamaan dengan struktur politik yang stabil dan lembaga sosial yang fleksibel. Berdasarkan uraian di atas, terlihat bahwa ekspor impor mencerminkan aktivitas perdagangan antarbangsa yang dapat memberikan dorongan dalam dinamika pertumbuhan perdagangan internasional, sehingga suatu negara-negara yang sedang berkembang kemungkinan untuk mencapai kemajuan perekonomian setaraf dengan negara-negara yang lebih maju (Todaro, 2002:49, dalam Jimmy, 2013)

Impor dapat diartikan sebagai pembelian barang dan jasa dari luar negeri ke dalam negeri dengan perjanjian kerjasama antara 2 negara atau lebih. Impor juga bisa dikatakan sebagai perdagangan dengan cara memasukkan barang dari luar negeri ke wilayah Indonesia dengan memenuhi ketentuan yang berlaku (Hutabarat, 1996:403, dalam Jimmy, 2013). Impor adalah proses transportasi barang atau komoditas dari suatu negara ke negara lain secara legal, umumnya dalam proses perdagangan. Proses impor umumnya adalah tindakan memasukan barang atau komoditas dari negara lain ke dalam negeri. Impor barang secara besar umumnya membutuhkan campur tangan dari bea cukai di negara pengirim maupun penerima. Impor adalah bagian penting dari perdagangan internasional. Kegiatan impor dilakukan untuk memenuhi kebutuhan rakyat. Produk impor merupakan barang-barang yang tidak dapat dihasilkan atau negara yang sudah dapat dihasilkan,tetapi tidak dapat mencukupi kebutuhan rakyat (Ratnasari, 2012, dalam Jimmy, 2013)

Di wilayah Asia Tenggara ada ASEAN yang terdiri dari 10 negara. ASEAN memiliki tujuan memajukan perekonomian, sosial dan budaya dari masing-masing negara anggotanya, memelihara perdamaian dari berbagai perbedaan yang ada di negara-negara anggota. ASEAN juga diharapkan dapat saling memberikan keuntungan dari hubungan-hubungan yang dijalin. Kasus tersebut sangat menarik diangkat untuk melihat realita yang terjadi di lingkup ASEAN. Pemecahan masalah terkait pengaruh ekspor dan impor terhadap pertumbuhan ekonomi di masing-masing negara (Nurhaliza, 2020).

Sebagai bagian dari perdagangan internasional di kawasan Asia Tenggara, aktivitas impor Indonesia dari negara-negara anggota ASEAN menjadi salah satu indikator penting dalam melihat dinamika hubungan perdagangan antarnegara di kawasan tersebut. Impor yang dilakukan Indonesia mencakup berbagai komoditas yang digunakan untuk memenuhi kebutuhan konsumsi domestik maupun sebagai bahan pendukung dalam proses produksi.

Peramalan

Peramalan adalah metode untuk memperkirakan suatu nilai dimasa depan dengan menggunakan data masa lalu. Peramalan juga dapat diartikan sebagai seni dan ilmu untuk memperkirakan kejadian pada masa yang akan datang, sedangkan aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan penggunaan suatu produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat (Gaspersz, 2002, dalam siti, 2016). Peramalan yang dibuat selalu diupayakan agar dapat: 1. Meminimumkan pengaruh ketidak pastian terhadap Perusahaan.

  1. Peramalan bertujuan mendapatkan peramalan (forecast)yang bisa meminimumkan kesalahan meramal (forecast error)yang biasanya diukur dengan MSE(Mean Squared Error), MAE (Mean Absolute Error), dan sebagainya (Subagyo, 1986, dalam siti, 2016).

Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti langkah-langkah atau prosedur penyusunan yang baik yang akan menentukan kualitas atau mutu dari hasil peramalan yang disusun. Pada dasarnya ada 3 langkah peramalan yang penting, yaitu (Assauri,1984, dalam siti, 2016): 1. Menganalisa data yang lalu, tahap ini berguna untuk pola yang terjadi pada masa lalu.

  1. Menentukan data yang dipergunakan. Metode yang baik adalah metode yang memberikan hasil ramalan yang tidak jauh berbeda dengan kenyataan yang terjadi.

  2. Memproyeksikan data yang lalu dengan menggunakan metode yang dipergunakan, dan mempertimbangkan adanya beberapa faktor perubahan.

Pemilihan Metode Peramalan

Untuk meramalkan suatu kumpulan data, perlu dilihat pola dan komponen apa saja yang terdapat di dalam data-data tersebut sehingga dapat terpilih metode peramalan yang paling tepat untuk melakukan peramalan. Menurut Makridakis (1999), metode peramalan yang tepat dapat diklasifikasikan berdasarkan komponen atau proses pola datanya sebagai berikut: 1. Stasioner mencakup metode; Last Period Demand, Average Methods, Single Moving Average, Weighted Moving Average, Single Exponential Smoothing, Regression Analysis, dan Box-Jenkins

  1. Musiman mencakup metode; Tripel Exponential Smoothing – Winter, Exponential Smoothing Pegels, Regression Analysis (Pola Siklis), Adaptive Filtering, Classical Decomposition Cencus x-12, Box-Jenkins, dan Multiple Regression.

  2. Siklis mencakup metode; Multiple Regression, Box-Jenkins, Leading Indicator, dan Econometric Model.

  3. Trend mencakup metode; Double Moving Average, Double Exponential Smoothing – Browns, Double Exponential Smoothing – Holt, Exponential Smoothing Pegels, dan Regression Analysis (Pola Linier).

Metode Double Exponential Smoothing Holt

Metode Exponential Smoothing merupakan salah satu metode peramalan yang dikembangkan oleh Holt dan Brown yang banyak digunakan dalam analisis data runtun waktu, khususnya dalam sistem pengendalian persediaan (Ostertagová & Ostertag, 2012). Salah satu pengembangan dari metode ini adalah Double Exponential Smoothing, yang digunakan untuk melakukan peramalan pada data yang memiliki kecenderungan tren.

Metode Double Exponential Smoothing model Holt merupakan metode pemulusan yang mempertimbangkan dua komponen utama dalam data, yaitu komponen level dan komponen tren. Metode ini menggunakan dua konstanta pemulusan, yaitu parameter level (𝛼) dan parameter tren (𝛾) yang ditunjukkan pada persamaan berikut: \[ S_t = \alpha X_t + (1-\alpha)(S_{t-1}+b_{t-1}) \] \[ b_t = \gamma (S_t - S_{t-1}) + (1-\gamma)b_{t-1} \] \[ F_{t+m} = S_t + b_t m \] dengan, S_t = nilai Single Exponential Smoothing periode ke t α = konstanta pemulusan level (0 < α < 1) X_t = nilai aktual periode ke t b_t = pemulusan trend pada periode ke t γ = konstanta pemulusan trend (0 < γ < 1) m = periode yang akan diprediksi F_(t+m) = nilai peramalan periode t + m

Dengan mempertimbangkan komponen tren tersebut, metode Holt dinilai lebih sesuai digunakan untuk data runtun waktu yang menunjukkan pola peningkatan atau penurunan dari waktu ke waktu. Nilai pemulusan level ditentukan menggunakan persamaan 1, sedangkan nilai pemulusan trend menggunakan persamaan 2. Setelah diperoleh konstanta pemulusan 𝛼 dan 𝛾 maka dilakukan peramalan menggunakan persamaan 3. Proses inisialisasi untuk Exponential Smoothing dari Holt memerlukan dua taksiran, yaitu St dan bt. Adapun konstanta pemulusan 𝛼 dan 𝛾 bernilai dekat dengan satu, ramalan terbaru akan menyertakan penyesuaian yang besar untuk setiap kesalahan yang terjadi pada ramalan sebelumnya. Sebaliknya jika 𝛼 dan 𝛾 dekat dengan nol, ramalan terbaru akan mirip dengan nilai yang lama (Habsari, Purnamasari, & Yuniarti, 2020).

Keakuratan Metode Peramalan

Keakuratan hasil peramalan dievaluasi dari nilai residual (Error). Salah satu alat ukur yang digunakan untuk mengukur nilai tersebut adalah Mean Absolute Percentage Error (MAPE). MAPE merupakan pengukuran akurasi peramalan yang digunakan untuk melihat persentasi hasil prediksi melenceng dari data sebenarnya. Nilai MAPE dapat dihitung dengan persamaan berikut (Rojas, Pomares, & Valenzuela, 2018): \[ MAPE = \frac{1}{n}\sum_{t=1}^{n}\left|\frac{X_t - F_t}{X_t}\right|\times 100\% \] Dengan, 𝑛 = banyak data; 𝑋𝑡 = Data aktual pada waktu t; 𝐹𝑡 = Data hasil peramalan pada waktu t; dan tingkat keakuratan nilai MAPE dapat dilihat tabel berikut: 1. MAPE ≤ 10% (Tinggi) 2. 10% ˂ MAPE ≤ 20% (Baik) 3. 20% ˂ MAPE ≤ 50% (Reasonable) 4. MAPE > 50% (Rendah)

Metodologi Penelitian

Jenis dan Sumber Data

Jenis data yang digunakan dalam penulisan laporan Praktik Kerja Lapangan ini adalah data sekunder yaitu data nilai impor seluruh komoditas dari ASEAN ke Indonesia yang telah direkam tiap tahun dari tahun 2001 sampai dengan bulan Desember 2025. Praktik kerja lapangan ini dilaksanakan di Badan Kebijakan Perdagangan, Kementrian Perdagangan mulai 5 Januari 2026 sampai dengan 20 Februari 2026. Dengan hari kerja Senin hingga Jumat pada jam kerja pukul 08.00—16.00 WIB untuk hari Senin—Kamis dan 08.00—16.30 WIB untuk hari Jumat.

Teknis Analisis Data

Analisis data dilakukan dengan bantuan perangkat lunak Microsoft Excel. Metode yang digunakan dalam penelitian ini adalah Double Exponential Smoothing Holt, yaitu metode peramalan deret waktu (time series forecasting) yang digunakan untuk memprediksi nilai pada periode mendatang berdasarkan pola data historis yang memiliki kecenderungan tren. Metode ini menggunakan dua komponen utama, yaitu level dan trend untuk menghasilkan hasil peramalan yang lebih akurat. Adapun tahapan analisis data dalam penelitian ini adalah sebagai berikut: 1. Persiapan dan Pengumpulan Data Langkah pertama adalah menyiapkan dan mengumpulkan data yang akan digunakan dalam penelitian. Data yang digunakan merupakan data tahunan total nilai impor seluruh komoditas dari negara-negara ASEAN ke Indonesia yang dinyatakan dalam satuan ribu dolar Amerika Serikat (US Dollar thousand). Data tersebut kemudian disusun berdasarkan periode waktu untuk membentuk data runtun waktu (time series) yang akan digunakan dalam proses analisis peramalan. 2. Menginput Data Historis ke Microsoft Excel Setelah data diperoleh, langkah selanjutnya adalah menginput data historis nilai impor ke dalam Microsoft Excel. Proses ini dilakukan untuk mempermudah perhitungan dan pengolahan data menggunakan metode Double Exponential Smoothing Holt. Data disusun secara berurutan berdasarkan periode waktu agar proses perhitungan dapat dilakukan secara sistematis. 3. Menentukan Parameter Pemulusan (α dan γ) Tahap berikutnya adalah menentukan nilai parameter pemulusan yaitu α (alpha) sebagai parameter pemulusan level dan γ (gamma) sebagai parameter pemulusan tren. Penentuan nilai parameter dilakukan dengan metode trial and error untuk menemukan kombinasi nilai parameter yang menghasilkan tingkat kesalahan peramalan paling kecil. 4. Menghitung Nilai Level (St) Langkah selanjutnya adalah menghitung nilai level (St) pada setiap periode menggunakan rumus Double Exponential Smoothing Holt. Perhitungan ini bertujuan untuk mendapatkan nilai pemulusan data yang menggambarkan tingkat dasar dari data runtun waktu pada setiap periode. 5. Menghitung Nilai Trend (bt) Setelah nilai level diperoleh, tahap berikutnya adalah menghitung nilai trend (bt) pada setiap periode. Nilai tren ini menunjukkan arah perubahan data dari waktu ke waktu, apakah mengalami peningkatan atau penurunan. 6. Menghitung Nilai Peramalan (Forecast) Berdasarkan nilai level dan tren yang telah dihitung, langkah selanjutnya adalah menghitung nilai peramalan (forecast) untuk periode mendatang menggunakan persamaan F_(t+m). Hasil peramalan ini digunakan untuk memperkirakan nilai impor pada periode selanjutnya. 7. Mengukur Akurasi Peramalan Menggunakan MAPE Untuk mengetahui tingkat ketepatan hasil peramalan, dilakukan pengukuran akurasi menggunakan Mean Absolute Percentage Error (MAPE). Nilai MAPE menunjukkan persentase kesalahan antara nilai aktual dengan nilai hasil peramalan. 8. Menentukan Model Terbaik Setelah nilai kesalahan peramalan dihitung, langkah selanjutnya adalah menentukan model terbaik berdasarkan nilai kesalahan terkecil. Model dengan nilai MAPE paling kecil dianggap memiliki tingkat akurasi peramalan yang paling baik. 9. Melakukan Peramalan Nilai Impor Periode Mendatang Tahap terakhir adalah menggunakan model terbaik yang telah diperoleh untuk melakukan peramalan nilai impor Indonesia dari negara-negara ASEAN pada periode mendatang, sehingga dapat memberikan gambaran mengenai kecenderungan perkembangan nilai impor di masa depan.

Hasil dan Pembahasan

Deskripsi Data

Data yang digunakan dalam penelitian ini merupakan data nilai impor seluruh komoditas dari negara ASEAN ke Indonesia. Data diperoleh dari sumber resmi dan digunakan untuk menganalisis pola perkembangan nilai impor serta melakukan peramalan untuk periode mendatang.

library(readxl)
data <- read_excel("C:/Users/Grace/Documents/magang @ kemendag/Data_Import.xlsx")
head(data)
## # A tibble: 6 × 2
##   tahun   import
##   <dbl>    <dbl>
## 1  2001  5726774
## 2  2002  6995542
## 3  2003  8030313
## 4  2004 11685966
## 5  2005 17329459
## 6  2006 19379183

Visualisasi Data

Visualisasi data dilakukan untuk melihat pola perkembangan nilai impor dari waktu ke waktu.

install.packages("ggplot2", repos = "https://cloud.r-project.org/")
## Installing package into 'C:/Users/Grace/AppData/Local/R/win-library/4.5'
## (as 'lib' is unspecified)
## package 'ggplot2' successfully unpacked and MD5 sums checked
## 
## The downloaded binary packages are in
##  C:\Users\Grace\AppData\Local\Temp\RtmpwD4Mqi\downloaded_packages
library(ggplot2)
ggplot(data, aes(x = tahun, y = import)) +
  geom_line(color = "blue") +
  geom_point() +
  labs(
    title = "Perkembangan Nilai Impor ASEAN ke Indonesia",
    x = "Tahun",
    y = "Nilai Impor (USD)"
  ) +
  theme_minimal()

Berdasarkan grafik perkembangan nilai impor seluruh komoditas dari negara ASEAN ke Indonesia, terlihat adanya tren peningkatan secara keseluruhan dari tahun 2000 hingga 2024, meskipun terdapat beberapa penurunan sementara pada periode tertentu, seperti sekitar tahun 2009–2010, 2015–2016, dan 2020. Fluktuasi ini kemungkinan dipengaruhi oleh faktor eksternal seperti kondisi ekonomi global, kebijakan perdagangan, atau perubahan harga komoditas. Pola data yang menunjukkan tren naik namun tanpa siklus musiman yang jelas menjadikan metode Double Exponential Smoothing (Holt Linear Trend) tepat digunakan untuk peramalan. Metode ini mampu menangkap komponen level dan komponen tren pada data, sehingga hasil peramalan akan mengikuti arah tren naik yang terlihat pada data historis. Dengan demikian, peramalan nilai impor menggunakan metode Holt diharapkan memberikan estimasi yang realistis untuk periode mendatang, sekaligus membantu memprediksi perubahan nilai impor secara bertahap berdasarkan pola tren yang ada.

Penerapan Metode Peramalan

library(forecast)
ts_data <- ts(data$import)
model <- holt(ts_data)
forecast_result <- forecast(model, h=5)
forecast_result
##    Point Forecast    Lo 80    Hi 80    Lo 95    Hi 95
## 26       50799759 40034634 61564884 34335921 67263597
## 27       52978177 38256740 67699615 30463681 75492674
## 28       55156596 37063153 73250039 27485062 82828129
## 29       57335014 36161920 78508109 24953560 89716468
## 30       59513433 35431103 83595763 22682687 96344178

Hasil Peramalan

library(knitr)
kable(as.data.frame(forecast_result),
      caption = " Hasil Peramalan Nilai Impor ASEAN ke Indonesia")
Hasil Peramalan Nilai Impor ASEAN ke Indonesia
Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
26 50799759 40034634 61564884 34335921 67263597
27 52978177 38256740 67699615 30463681 75492674
28 55156596 37063153 73250039 27485062 82828129
29 57335014 36161920 78508109 24953560 89716468
30 59513433 35431103 83595763 22682687 96344178

Berdasarkan hasil peramalan menggunakan metode Double Exponential Smoothing (Holt Linear Trend), nilai impor seluruh komoditas dari negara ASEAN ke Indonesia diproyeksikan mengalami peningkatan secara bertahap selama lima periode mendatang. Titik perkiraan (Point Forecast) menunjukkan nilai impor meningkat dari sekitar 50,8 juta USD pada periode ke-26 menjadi sekitar 59,5 juta USD pada periode ke-30. Rentang kepercayaan 80% (Lo 80–Hi 80) dan 95% (Lo 95–Hi 95) menunjukkan adanya variasi dalam estimasi, namun semua batas bawah dan batas atas masih mengindikasikan tren naik. Hal ini menandakan bahwa meskipun ada ketidakpastian, arah tren nilai impor diperkirakan tetap meningkat. Hasil ini sejalan dengan pola tren historis yang menunjukkan peningkatan nilai impor secara keseluruhan dari tahun ke tahun, dan menegaskan bahwa metode Holt Linear Trend mampu menangkap komponen level dan tren dalam data, sehingga menghasilkan estimasi yang realistis untuk periode mendatang.

Evaluasi Akurasi Model

# Pastikan library forecast sudah ter-load
library(forecast)
# Ambil nilai prediksi dari forecast_result
prediksi <- as.numeric(forecast_result$fitted)   # Fitted values dari model Holt
aktual <- as.numeric(ts_data)                    # Data asli
# Hitung MAPE
MAPE <- mean(abs(aktual - prediksi)/aktual) * 100
# Tampilkan hasil
MAPE
## [1] 20.2536

Hasil perhitungan MAPE (Mean Absolute Percentage Error) sebesar 20.2536% menunjukkan bahwa model yang digunakan memiliki kesalahan prediksi rata-rata sekitar 20.25% dibandingkan dengan data asli. Ini berarti bahwa, secara keseluruhan, prediksi model memiliki deviasi sekitar 20.25% dari nilai yang sebenarnya, yang dapat dianggap sebagai tingkat akurasi yang cukup baik tergantung pada konteks dan aplikasi model. MAPE di bawah 20% biasanya dianggap dapat diterima dalam banyak situasi, tetapi jika diperlukan prediksi yang lebih presisi, perbaikan model lebih lanjut bisa dipertimbangkan.

Penutup

Kesimpulan

Berdasarkan hasil analisis peramalan nilai impor seluruh komoditas dari negara-negara ASEAN ke Indonesia menggunakan metode Double Exponential Smoothing (Holt Linear Trend), dapat disimpulkan bahwa:

  1. Penerapan Metode Double Exponential Smoothing: Metode Holt Linear Trend berhasil diterapkan untuk menganalisis data runtun waktu nilai impor yang menunjukkan pola tren naik. Dengan mempertimbangkan dua komponen utama, yaitu level dan tren, metode ini mampu menghasilkan estimasi yang realistis mengenai perkembangan nilai impor di masa mendatang.

  2. Hasil Peramalan: Peramalan nilai impor untuk lima periode mendatang menunjukkan adanya peningkatan yang bertahap. Nilai impor diperkirakan meningkat dari sekitar 50,8 juta USD pada periode ke-26 menjadi sekitar 59,5 juta USD pada periode ke-30. Hal ini sejalan dengan tren historis yang menunjukkan peningkatan nilai impor dari tahun ke tahun, meskipun terdapat fluktuasi pada periode tertentu.

  3. Akurasi Model: Evaluasi akurasi menggunakan Mean Absolute Percentage Error (MAPE) menghasilkan nilai sebesar 20.2536%. Ini menunjukkan bahwa model yang digunakan memiliki kesalahan prediksi rata-rata sekitar 20.25%, yang dianggap sebagai tingkat akurasi yang wajar untuk prediksi jangka menengah. Meskipun akurasi ini masih dapat diterima, perbaikan model lebih lanjut dapat dilakukan untuk meningkatkan presisi peramalan.