scholarly journals Comparison of Single Exponential Smoothing, Naive Model, and SARIMA Methods for Forecasting Rainfall in Medan

2020 ◽  
Vol 17 (1) ◽  
pp. 117-128
Author(s):  
Arnita Arnita
Keyword(s):  
Moving Average ◽  
Exponential Smoothing ◽  
Rainfall Data ◽  
Percentage Error ◽  
Autoregressive Integrated Moving Average ◽  
Accurate Model ◽  
Forecasting System ◽  
Single Exponential ◽  
Naive Model

This study aims to compare the best method on the forecasting system of rainfall in Medan using Single Exponential Smoothing (SES), Naive Model, and Seasonal Autoregressive Integrated Moving Average (SARIMA) . The data used in this study is rainfall data for 10 years (2009 – 2019). From the simulation by comparing existing method, the best model is SES with  and value of MAPE (Mean Absolut Percentage Error) sebesar 2,47%. And then  SARIMA (1,01,1)(4,0,3)12 whit value of MAPE  is2,93%. Both of this model is high accurate model because value of MAPE resulted < 10%.  

scholarly journals Forecasting the incidence of acute haemorrhagic conjunctivitis in Chongqing: a time series analysis

2020 ◽  
Vol 148 ◽  
Author(s):  
Hongfang Qiu ◽  
Dewei Zeng ◽  
Jing Yi ◽  
Hua Zhu ◽  
Ling Hu ◽  
...  
Keyword(s):  
Moving Average ◽  
Development Trend ◽  
Exponential Smoothing ◽  
Percentage Error ◽  
Peak Period ◽  
Sarima Model ◽  
Autoregressive Integrated Moving Average ◽  
Incidence Data ◽  
The Mean ◽  
Actual Incidence

Abstract Acute haemorrhagic conjunctivitis is a highly contagious eye disease, the prediction of acute haemorrhagic conjunctivitis is very important to prevent and grasp its development trend. We use the exponential smoothing model and the seasonal autoregressive integrated moving average (SARIMA) model to analyse and predict. The monthly incidence data from 2004 to 2017 were used to fit two models, the actual incidence of acute haemorrhagic conjunctivitis in 2018 was used to validate the model. Finally, the prediction effect of exponential smoothing is best, the mean square error and the mean absolute percentage error were 0.0152 and 0.1871, respectively. In addition, the incidence of acute haemorrhagic conjunctivitis in Chongqing had a seasonal trend characteristic, with the peak period from June to September each year.

scholarly journals Deseasonalisation in Electricity Load Forecasting

2018 ◽  
Vol 7 (4.30) ◽  
pp. 448
Author(s):  
Maria Elena Binti Nor ◽  
Mohd Saifullah Rusiman ◽  
Suliadi Firdaus Sufahani ◽  
Mohd Asrul Affendi Abdullah ◽  
Sathwinee A/P Bataraja ◽  
...  
Keyword(s):  
Moving Average ◽  
Load Forecasting ◽  
Absolute Error ◽  
Exponential Smoothing ◽  
Percentage Error ◽  
Forecast Performance ◽  
Autoregressive Integrated Moving Average ◽  
Electricity Load ◽  
Seasonal Data ◽  
Electricity Load Forecasting

Nowadays, there is an increasing demand for electricity however overproduction of electricity lead to wastage. Therefore, electricity load forecasting plays a crucial role in operation, planning and maintenance of power system. This study was designed to investigate the effect of deseasonalisation on electricity load data forecasting. The daily seasonality in electricity load data was removed and the forecast methods were employed on both the seasonal data and non-seasonal data. Holt Winters method and Seasonal-Autoregressive Integrated Moving Average (SARIMA) methods were used on the seasonal data. Meanwhile, Simple and Double Exponential Smoothing methods as well as Autoregressive Integrated Moving Average (ARIMA) methods were used on the non-seasonal data. The error measurement that were used to assess the forecast performance were mean absolute error (MAE) and mean absolute percentage error (MAPE). The results revealed that both Exponential Smoothing method and Box-Jenkins method produced better forecast for deseasonalised data. Besides, the study proved that Box-Jenkins method was better in forecasting electricity load data for both seasonal and non-seasonal data.

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 Autoregressive Integrated Moving Average (ARIMA) Sebagai Model Peramalan Kasus Demam Berdarah Dengue

2020 ◽  
Vol 10 (2) ◽  
pp. 76-80
Author(s):  
Roro Kushartanti ◽  
Maulina Latifah
Keyword(s):  
Community Health ◽  
Health Center ◽  
Moving Average ◽  
Arima Model ◽  
Community Health Center ◽  
Percentage Error ◽  
Dengue Case ◽  
Monthly Data ◽  
Autoregressive Integrated Moving Average ◽  
Forecasting Method

ARIMA is a forecasting method time series that does not require a specific data pattern. This study aims to analyze the forecasting of Semarang City DHF cases specifically in the Rowosari Community Health Center. The study used monthly data on DHF cases in the Rowosari Community Health Center in 2016, 2017, and 2019 as many as 36 dengue case data. The best ARIMA model for forecasting is a model that meets the requirements for parameter significance, white noise and has the MAPE (Mean Absolute Percentage Error Smallest) value. The results of the analysis show that the best model for predicting the number of dengue cases in the Rowosari Public Health Center Semarang is the ARIMA model (1,0,0) with a MAPE value of 43.98% and a significance coefficient of 0.353, meaning that this model is suitable and feasible to be used as a forecasting model. DHF cases in the Rowosari Community Health Center in Semarang City.

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

APLIKASI PREDIKSI JANGKA PENDEK HARGA BITCOIN MENGGUNAKAN METODE ARIMA

2020 ◽  
Vol 25 (3) ◽  
pp. 160-174
Author(s):  
Nur Fitrian Bintang Pradana ◽  
Sri Lestanti
Keyword(s):  
Moving Average ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Autoregressive Integrated Moving Average ◽  
Absolute Percentage Error

Bitcoin merupakan mata uang digital yang sekarang paling banyak digunakan. Perubahan harga yang sewaktu-waktu dapat berubah membuat pengguna bitcoin harus teliti ketika melakukan penukaran. Kepopuleran bitcoin terus meningkat dan menjadi aset untuk investasi bagi para penggunanya. Untuk mengatasi perubahan harga yang tidak menentu maka dibutuhkan sebuah aplikasi prediksi harga bitcoin untuk membantu para penggunanya dalam memprediksi harga bitcoin kedepannya. Prediksi dilakukan dengan menggunakan metode Autoregressive Integrated Moving Average (ARIMA) yang mampu menghasilkan tingkat akurasi tinggi dalam prediksi jangka pendek. Metode ini mengabaikan variabel independen dalam membuat prediksi, sehingga cocok untuk data statistik saling terhubung serta memiliki beberapa asumsi yang harus dipenuhi seperti autokorelasi, trend, maupun musiman. Evaluasi hasil prediksi menggunakan Mean Absolute Percentage Error (MAPE). Hasil pengujian menujukkan bahwa model ARIMA (3,1,3) menghasilkan prediksi dengan nilai MAPE terkecil daripada kandidat model lainnya. Rata-rata nilai MAPE yang dihasilkan adalah sebesar 0,84 dan rentang nilai 1,34 untuk prediksi hari pertama dan 0,98 untuk prediksi hari ketujuh. Dengan demikian model ARIMA (3,1,3) mampu menghasilkan prediksi dengan akurasi yang baik dan layak untuk digunakan sebagai metode prediksi bitcoin untuk satu sampai tujuh hari kedepan.

scholarly journals Forecasting of Groundwater Tax Revenue Using Single Exponential Smoothing Method

2019 ◽  
Vol 125 ◽  
pp. 23006
Author(s):  
Dyna Marisa Khairina ◽  
Aqib Muaddam ◽  
Septya Maharani ◽  
Heliza Rahmania
Keyword(s):  
Reference Value ◽  
Exponential Smoothing ◽  
Smoothing Method ◽  
Percentage Error ◽  
Tax Revenue ◽  
Regional Office ◽  
Forecasting Error ◽  
The Government ◽  
Exponential Smoothing Method ◽  
Single Exponential

Setting the target of groundwater tax revenues for the next year is an important thing for Kutai Kartanegara Regional Office of Revenue to maximize the regional income and accelerate regional development. Process of setting the target of groundwater tax revenue for the next year still using estimation only and not using a mathematical calculation method that can generate target reference value. If the realization of groundwater tax revenue is not approaching the target, the implementation of development in the Government of Kutai Kartanegara can be disrupted. The mathematical method commonly used to predict revenue value is the Single Exponential Smoothing (SES) method, which uses alpha constant value which is randomly selected for the calculation process. Forecasting of groundwater tax revenue for 2018 using groundwater tax revenue data from 2013 to 2017. Single Exponential Smoothing method using alpha constant value consists of 0.1, 0.2, 0.3, 0.4 and 0.5. The forecasting error value of each alpha value is calculated using the Mean Absolute Percentage Error (MAPE) method. The best result is forecasting using alpha value 0.1 with MAPE error value was 45.868 and the best forecasting value of groundwater tax for 2018 is Rp 443.904.600,7192.

Optimization of pumping schedule based on water demand forecasting using a combined model of autoregressive integrated moving average and exponential smoothing

2014 ◽  
Vol 15 (1) ◽  
pp. 188-195 ◽  
Author(s):  
Hyeong-Seok Kang ◽  
Hyunook Kim ◽  
Jaekyeong Lee ◽  
Ingyu Lee ◽  
Byoung-Youn Kwak ◽  
...  
Keyword(s):  
Water Supply ◽  
Moving Average ◽  
Arima Model ◽  
Exponential Smoothing ◽  
Water Supply Systems ◽  
Combined Model ◽  
Autoregressive Integrated Moving Average ◽  
Electricity Cost ◽  
Water Demands ◽  
Water Pumping

Stable water supply to end users is the most important element in water supply systems (WSSs). The portion of energy used by the water distribution system is up to 40% of the total energy consumed by WSSs. To save energy cost for pumping systems, a number of attempts have been made. Especially, an optimization scheme for scheduling the water-pumping operation has attracted the interest of water engineers. In this paper, a binary integer program was applied to optimize pumping schedule of a WSS in Polonnaruwa, Sri Lanka based on the hourly water demands for the next day. The water demands were forecasted by a combined model consisting of an autoregressive integrated moving average (ARIMA) model and an error compensation routine based on exponential smoothing technique. The result showed that the optimization system could reduce the operation cost of the WSS by minimizing electricity for water pumping; electricity cost for pump operation could be reduced by 55%.

Sign in / Sign up

Export Citation Format

Share Document