scholarly journals Using Hybrid Wavelet-Exponential Smoothing Approach for Streamflow Modeling

Complexity ◽  
2021 ◽  
Vol 2021 ◽  
pp. 1-17
Author(s):  
Vahid Nourani ◽  
Hessam Najafi ◽  
Alireza Babaeian Amini ◽  
Hitoshi Tanaka
Keyword(s):  
Ad Hoc ◽  
Moving Average ◽  
Exponential Smoothing ◽  
Trinity River ◽  
Deterministic Trend ◽  
Monthly Streamflow ◽  
Specific Frequency ◽  
Artificial Neural Network Ann ◽  
Correct Estimation ◽  
Streamflow Modeling

Considering the three intrinsic components (of autoregressive, seasonality, and error) of streamflow time series, the overall performance of the streamflow modeling tool is associated with the correct estimation of these components. In this study, a new hybrid method based on the wavelet transform (WT) as a multiresolution forecasting tool and exponential smoothing (ES) method, with two presented scenarios (WES1 and WES2), was introduced. To this end, the performance of the proposed method was investigated versus four conventional methods of the autoregressive integrated moving average (ARIMA), ES ad-hoc, artificial neural network (ANN), and wavelet-ANN (WANN) for daily and monthly streamflow modeling of West Nishnabotna and Trinity River watersheds with different hydro-geomorphological conditions. In the presented WES technique, firstly, WT is employed for decomposing the observed signal to one approximation (deterministic trend) and more diverse components of subseries (each at a specific frequency). Then, for the first scenario (WES1), only two subseries are introduced to the model as input parameters; however, for the second scenario (WES2), decomposed subseries are separately used as the inputs of ES models. The obtained results indicated that combining WT with the ES method and ANN led to more accurate modeling. The proposed methodology (WES2) that used all decomposed subseries separately improved the efficiency of models up to 30% and 10% for the daily dataset and up to 88% and 57% for the monthly dataset, respectively, for the West Nishnabotna and Trinity Rivers.

PERAMALAN TINGKAT PENGANGGURAN DI INDONESIA MENGGUNAKAN METODE TIME SERIES DENGAN MODEL ARIMA DAN HOLT-WINTERS

2021 ◽  
Vol 26 (1) ◽  
pp. 13-28
Author(s):  
Agus Sulaiman ◽  
Asep Juarna
Keyword(s):  
Time Series ◽  
Mean Square Error ◽  
Moving Average ◽  
Exponential Smoothing ◽  
Mean Square ◽  
Autoregressive Integrated Moving Average ◽  
Model Time Series

Beberapa penyebab terjadinya pengangguran di Indonesia ialah, tingkat urbanisasi, tingkat industrialisasi, proporsi angkatan kerja SLTA dan upah minimum provinsi. Faktor-faktor tersebut turut serta mempengaruhi persentase data terkait tingkat pengangguran menjadi sedikit fluktuatif. Berdasarkan pergerakan persentase data tersebut, diperlukan sebuah prediksi untuk mengetahui persentase tingkat pengangguran di masa depan dengan menggunakan konsep peramalan. Pada penelitian ini, peneliti melakukan analisis peramalan time series menggunakan metode Box-Jenkins dengan model Autoregressive Integrated Moving Average (ARIMA) dan metode Exponential Smoothing dengan model Holt-Winters. Pada penelitian ini, peramalan dilakukan dengan menggunakan dataset tingkat pengangguran dari tahun 2005 hingga 2019 per 6 bulan antara Februari hingga Agustus. Peneliti akan melihat evaluasi Range Mean Square Error (RMSE) dan Mean Square Error (MSE) terkecil dari setiap model time series. Berdasarkan hasil penelitian, ARIMA(0,1,12) menjadi model yang terbaik untuk metode Box-Jenkins sedangkan Holt-Winters dengan alpha(mean) = 0.3 dan beta(trend) = 0.4 menjadi yang terbaik pada metode Exponential Smoothing. Pemilihan model terbaik dilanjutkan dengan perbandingan nilai akurasi RMSE dan MSE. Pada model ARIMA(0,1,12) nilai RMSE = 1.01 dan MSE = 1.0201, sedangkan model Holt-Winters menghasilkan nilai RMSE = 0.45 dan MSE = 0.2025. Berdasarkan data tersebut terpilih model Holt-Winters sebagai model terbaik untuk peramalan data tingkat pengangguran di Indonesia.

scholarly journals Peramalan Jumlah Mahasiswa Baru Dengan Exponential Smoothing dan Moving Average

2020 ◽  
Vol 2 (01) ◽  
Author(s):  
Barkah Landia
Keyword(s):  
Moving Average ◽  
Exponential Smoothing

Untuk menentukan banyaknya jumlah calon mahasiswa baru, saat ini masih dilakukan berdasarkan intuitif tanpa melakukan analisa dari beberapa data di tahun sebelumnya. Hal ini membuat STIKOM Poltek Cirebon merasa kewalahan dalam mempersiapkan sarana dan prasarana saat jumlah calon mahasiswa baru mengalami peningkatan yang cukup besar. Oleh karena itu penelitian ini akan menggunakan metode single exponensial smoothing dan moving average dalam meramalkan jumlah calon mahasiswa yang akan mendaftar. Berdasarkan hasil penelitian didapatkan bahwa metode exponential smoothing ternyata dapat mengatasi kelemahan moving average yang pembobotannya sama rata setiap tahunnya, sehingga penggunaan exponential smoothing berhasil menutupi kekurangan metode moving average

scholarly journals IMPLEMENTASI MATERIAL REQUIREMENTS PLANNING (MRP) PADA PERENCANAAN PERSEDIAAN MATERIAL PANEL LISTRIK DI PT.TIS

SINERGI ◽  
2016 ◽  
Vol 20 (1) ◽  
pp. 36
Author(s):  
Putri Sari Dewi ◽  
Dana Santoso Saroso
Keyword(s):  
Moving Average ◽  
Exponential Smoothing ◽  
Order Quantity ◽  
Material Requirements Planning ◽  
Fixed Order ◽  
Single Exponential ◽  
Material Requirements

Semakin berkembangnya dunia industri perusahaan manufaktur membuat semakin ketatnya  persaingan pasar untuk mencukupi kebutuhan konsumen. Selain itu perusahaan juga dituntut untuk dapat memuaskan konsumen dengan cara  menyelesaikan pesanan konsumen tepat pada waktunya. Sehingga perlu ditunjang oleh sistem produksi yag efisien. Untuk dapat menciptakan sistem produksi yang efisien maka diperlukan suatu perencanaan yang baik. Peramalan dan perencanaan material untuk box panel menjadi alasan yang kuat untuk meminimalkan stok gudang, khususnya PT. TIS.  Adapun untuk perencanaan persediaan material box panel tersebut memerlukan peramalan yang optimal dengan memafaatkan metode Simple Moving Average (SMA) dan Single Exponential Smoothing (SES). Dengan membandingkan kedua metode tersebut dihasilkan data bahwa dengan metode Simple Moving Average menghasilkan nilai eror (MAD dan MSE) paling kecil, yaitu sebesar MAD 7,3 dan MSE 72. Sedangkan untuk perencanaan material menggunakan metode MRP Lot for Lot (LFL) dan Fixed Order Quantity (FOQ). Hasil perbandingan kedua metode tersebut menghasilan sistem Lot for Lot lebih efisien dan sesuai diterapkan pada PT. TIS karena total biaya persediaan minimum, yaitu sebesar Rp 199.692.470.

scholarly journals Peramalan Jumlah Populasi Sapi Potong di Kalimantan Selatan Menggunakan Metode Moving Average, Exponential Smoothing dan Trend Analysis

2019 ◽  
Vol 6 (1) ◽  
pp. 41
Author(s):  
Jaka Darma Jaya
Keyword(s):  
Trend Analysis ◽  
Mean Squared Error ◽  
Moving Average ◽  
Exponential Smoothing ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Absolute Percentage Error ◽  
Polynomial Trend ◽  
Squared Error

Perkembangan produksi daging sapi di Indonesia selama 30 tahun terakhir secara umum cenderung meningkat. Kebutuhan daging sapi di Indonesia masih belum bisa dicukupi oleh supply domestik, sehingga diperlukan impor daging sapi dari luar negeri.  Diperlukan kajian tentang proyeksi ketersediaan populasi sapi potong di masa mendatang agar diambil kebijakan yang tepat dalam menjaga stabilitas dan keterpenuhan supply daging nasional.  Penelitian ini bertujuan untuk melakukan peramalan jumlah populasi sapi potong menggunakan 3 (tiga) metode peramalan yaitu metode moving average, exponential smoothing dan trend analysis.  Hasil peramalan ini selanjutnya diukur akurasinya menggunakan MAD (Mean Absolud Deviation), MSE (Mean Squared Error) dan MAPE (Mean Absolute Percentage Error).  Proyeksi populasi sapi potong pada tahun 2019 (periode berikutnya) menggunakan 3 metode peramalan adalah: 195.100 (moving average); 218.225 (exponential smooting) dan 262.899 (trend analysis). Pengukuran akurasi menggunakan MAD, MSE dan MAPE menunjukkan bahwa metode peramalan jumlah populasi sapi potong yang paling akurat adalah peramalan menggunakan metode polynomial trend analysis (MAD 14.716,12;  MSE 327.282.084,17; dan MAPE 0,09) karena memiliki tingkat kesalahan yang lebih kecil dibandingkan hasil peramalan menggunakan metode moving average dan exponential smoothing.

scholarly journals USULAN PERMINTAAN PRODUK SN 5 ML DI PT. XYZ DENGAN METODE TIME SERIES

2021 ◽  
Vol 8 (2) ◽  
pp. 117-122
Author(s):  
Sambas Sundana ◽  
Destri Zahra Al Gufronny
Keyword(s):  
Time Series ◽  
Moving Average ◽  
Exponential Smoothing ◽  
Double Exponential ◽  
Double Exponential Smoothing ◽  
Single Exponential ◽  
Weighted Moving Average

Permasalahan yang dihadapi PT. XYZ yaitu kesulitan dalam menentukan jumlah permintaan produk yang harus tersedia untuk periode berikutnya agar tetap dapat memenuhi kebutuhan pelanggan dan tidak menyebabkan penumpukan barang dalam jangka waktu yang lama terutama produk SN 5 ML yang memiliki permintaan jumlah paling besar dari produk lainnya. Tujuan dari penelitian ini yaitu menentukan metode peramalan yang tepat untuk meramalkan jumlah permintaan produk SN 5 ml periode Januari sampai dengan Desember 2021 Metode yang digunakan dalam penelitian ini yaitu metode peramalan Moving Average (MA), Weighted Moving Average (WMA), Single Exponential Smoothing (SES), dan Double Exponential Smoothing (DES). Adapun langkah langkah peramalan yang dilakukan yaitu menentukan tujuan peramalan,memilih unsur apa yang akan diramal, menentukan horizon waktu peramalan (pendek, menengah, atau panjang), memilih tipe model peramalan, mengumpulkan data yang di perlukan untuk melakukan peramalan, memvalidasi dan menerapkan hasil peramalan Berdasarkan perhitungan didapat metode peramalan dengan persentase tingkat kesalahan terkecil dibandingkan dengan metode lainnya yaitu  metode Moving Average (MA) dengan hasil yang diperoleh permintaan produk SN 5 ML pada bulan Januari sampai dengan Desember 2021 yaitu sebanyak 22.844.583 unit

scholarly journals Kajian Peramalan dan Pengaruh Profitabilitas terhadap Harga Saham pada Perusahaan Makanan dan Minuman Tahun 2011-2016

2017 ◽  
Vol 8 (1) ◽  
pp. 75-88
Author(s):  
Octaviani Hutahaean ◽  
Abdul Basith
Keyword(s):  
Moving Average ◽  
Exponential Smoothing ◽  
Profit Margin ◽  
Moving Averages ◽  
Return On Assets ◽  
Return On Equity ◽  
Purposive Sampling ◽  
Net Profit ◽  
Weighted Moving Average

Laju pertumbuhan industri terbesar selama tahun 2011-2015 yaitu 8,48 persen terhadap Produk Domestik Bruto (PDB) mencerminkan perusahaan yang termasuk dalam industri makanan dan minuman memiliki kinerja bisnis yang baik. Penelitian ini bertujuan untuk mengetahui kondisi harga saham dan profitabilitas pada tahun 2011-2015, mengetahui peramalan harga saham dan profitabilitas pada tahun 2016 dan untuk menganalisis pengaruh profitabilitas terhadap harga saham pada tahun 2011-2016. Analisis profitabilitas dipresentasikan oleh beberapa rasio keuangan yaitu Return On Equity (ROE), Return On Assets (ROA), Net Profit Margin (NPM), dan Earning Per Share (EPS). Penelitian ini menggunakan teknik purposive sampling dan data yang digunakan merupakan data sekunder. Peramalan menggunakan metode moving averages, weighted moving average, dan exponential smoothing dengan nilai MAD terkecil menggunakan aplikasi POM-QM for windows-3. Model analisis yang digunakan dalam penelitian ini adalah regresi linier berganda dengan menggunakan SPSS 18. Hasil penelitian menunjukkan bahwa PT Delta Djakarta, Tbk (DLTA) memiliki kondisi harga saham, ROE, ROA, dan EPS dengan rata-rata tertinggi selama 2011-2015. PT Tiga Pilar Sejahtera Food, Tbk (AISA) memiliki rata-rata NPM tertinggi selama 2011-2015. PT Delta Djakarta, Tbk (DLTA) dan PT Indofood Sukses Makmur, Tbk (INDF) menunjukkan peramalan tahun 2016 terhadap harga saham dan profitabilitas mengalami peningkatan dari tahun sebelumnya. Profitabilitas berpengaruh simultan dan signifikan terhadap harga saham dan secara parsial menunjukkan bahwa ROE dan EPS berpengaruh dan signifikan terhadap harga saham.

scholarly journals ANALISIS PERAMALAN PENJUALAN PRODUK KERIPIK PISANG KEMASAN BUNGKUS (Studi Kasus : Home Industry Arwana Food Tembilahan)

2017 ◽  
Vol 11 (3) ◽  
pp. 135 ◽  
Author(s):  
Siti Wardah ◽  
Iskandar Iskandar
Keyword(s):  
Data Processing ◽  
Trend Analysis ◽  
Standard Error ◽  
Moving Average ◽  
Exponential Smoothing ◽  
A Value ◽  
Forecasting Method ◽  
Past Data ◽  
Product Sales ◽  
Exponential Smoothing Method

Peramalan adalah metode untuk memperkirakan suatu nilai dimasa depan dengan menggunakan data masa lalu. Penelitian ini dilakukan pada Home Industry Arwana Food. Pada penelitian ini, penulis membahas mengenai analisis peramalan penjualan produk kripik pisang untuk jenis kemasan bungkus. Peramalan yang dilakukan mengggunakan tiga metode yaitu metode Moving Average, metode Exponential Smoothing with Trend dan metode Trend Anayisis dengan membandingkan tingkat kesalahan (error) terkecil, maka metode peramalan yang  terpilih yaitu metode Trend Analysis, dengan nilai MAD sebesar 161,3539, MSE sebesar 55744,16, dan standar error sebesar 242,947. Dari analisis pengolahan data yang telah dilakukan berdasarkan metode peramalan yang terpilih, peramalan penjualan terhadap produk kripik pisang jenis kemasan bungkus adalah sebanyak 1121,424 atau 1122 bungkus/bulan, artinya pihak Home Industry Arwana Food Tembilahan harus menyediakan produk kripik pisang kemasan bungkus adalah sebanyak 1122 bungkus untuk tiap bulannya.      ABSTRACT Forecasting is a method to estimate a value of the future using past data. This research was conducted at the Home Industry Arowana Food. In this study, the authors discuss the analysis of product sales forecasting banana chips for this type of packaging wrap. Forecasting that do use traditional three methods are methods Moving Average, Exponential Smoothing method with Trend and Trend Anayisis method by comparing the level of errors (error) the smallest, then the selected forecasting method is the method of Trend Analysis, with a value of 161.3539 MAD, MSE of 55744 , 16, and the standard error of 242.947. From the analysis of data processing that has been carried out based on the method chosen forecasting, sales forecasting for products banana chips are as many types of packaging wrap 1121.424 or 1 122 packs / month, meaning the Home Industry Arowana Food Tembilahan must provide products banana chips wrapped packs is as much as 1122 wrap for each month.

scholarly journals Exponential smoothing for intermittent demand with demand basis updated more frequently than seasonality factors

2019 ◽  
Vol 26 (1) ◽  
Author(s):  
Jorge Luiz de Biazzi
Keyword(s):  
Moving Average ◽  
Aggregate Demand ◽  
Real Life ◽  
Exponential Smoothing ◽  
Alternative Technique ◽  
Estimation Errors ◽  
Seasonal Demand ◽  
Suggested Technique ◽  
Seasonal Factors ◽  
Lower Accuracy

Abstract This study aims to present an alternative technique of exponential smoothing to estimate the demand for items with intermittent and seasonal demand. The usual technique would aggregate demand periods (months in quarters, for instance) to calculate a seasonality factor for the set of periods. The estimate for the set would be divided by the number of periods comprising it to calculate the demand per period. This technique recalculates the basis and seasonality factor for each set, and provides equal estimates for all periods within the set. The alternative herein presented also recalculates seasonal factors for every set of periods, but recalculates the demand basis for each period, allowing better monitoring of demand behavior. Based on a real-life case, the results obtained by the two techniques mentioned above and by others that do not explicitly consider seasonality were compared: simple moving average, no-seasonality exponential smoothing, Croston’s, and Syntetos-Boylan. The latter two were developed specifically for intermittent demands without seasonality. The techniques that consider seasonality performed better for estimation errors. The suggested technique, in the example, showed less bias, although with somewhat lower accuracy than exponential smoothing with seasonality and period aggregation.

Hybrid Neural Models For Rice Yields Times Forecasting

2012 ◽  
Author(s):  
Ruhaidah Samsudin ◽  
Puteh Saad ◽  
Ani Shabri
Keyword(s):  
Time Series ◽  
Hybrid Model ◽  
Moving Average ◽  
Time Series Prediction ◽  
Arima Model ◽  
Data Sets ◽  
Ann Model ◽  
Yield Data ◽  
Rice Yields ◽  
Artificial Neural Network Ann

In this paper, time series prediction is considered as a problem of missing value. A model for the determination of the missing time series value is presented. The hybrid model integrating autoregressive intergrated moving average (ARIMA) and artificial neural network (ANN) model is developed to solve this problem. The developed models attempts to incorporate the linear characteristics of an ARIMA model and nonlinear patterns of ANN to create a hybrid model. In this study, time series modeling of rice yield data in Muda Irrigation area. Malaysia from 1995 to 2003 are considered. Experimental results with rice yields data sets indicate that the hybrid model improve the forecasting performance by either of the models used separately. Key words: ARIMA; Box and Jenkins; neural networks; rice yields; hybrid ANN model

Sign in / Sign up

Export Citation Format

Share Document