scholarly journals Peramalan Curah Hujan Di Kabupaten Parigi Moutong Menggunakan Model Seasonal Autoregressive Integrated Moving Average (SARIMA)

2021 ◽  
Vol 18 (2) ◽  
pp. 136-147
Author(s):  
D I Purnama
Keyword(s):  
Moving Average ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Autoregressive Integrated Moving Average ◽  
Absolute Percentage Error

Hujan merupakan fenomena alam yang sangat penting bagi kehidupan manusia. Hal ini membuat peramalan jumlah curah hujan di suatu daerah menjadi penting karena mampu mendukung proses pengambilan keputusan dalam berbagai sektor kehidupan. Dilain sisi perubahan iklim dunia membuat curah hujan seringkali susah diprediksi. Sehingga diperlukan identifikasi pola musiman pada data curah hujan sehingga mendukung peramalan curah hujan di suatu daerah. Tujuan dari penelitian ini adalah mengidentifkasi pola musiman serta menentukan model yang baik digunakan untuk meramalkan curah hujan di Kabupaten Parigi Moutong. Hasil identifikasi pola musiman mengggunakan regresi spektral menunjukkan bahwa data curah hujan di KabupatenParigi Moutong mengandung pola musiman. Selain itu diperoleh model Seasonal Autoregressive IntegratedMoving Average (ARIMA) terbaik untuk meramalkan curah hujan di Kabupaten Parigi Moutong adalah model SARIMA(1,1,0)(0,1,1)12. Model ini memiliki akurasi peramalan yang baik yang ditunjukkan dari nilai Mean Absolute Percentage Error (MAPE) sebesar 12,0157 pada data training dan 16,4647 pada data testing.

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 DATA RUNTUN WAKTU MUSIMAN MENGGUNAKAN METODE SINGULAR SPECTRUM ANALYSIS (SSA)

2020 ◽  
Vol 5 (1) ◽  
pp. 47
Author(s):  
Dadang Ruhiat ◽  
Dini Andiani ◽  
Wulan Nurul Kamilah
Keyword(s):  
Spectrum Analysis ◽  
Moving Average ◽  
Singular Spectrum Analysis ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Forecasting Model ◽  
Autoregressive Integrated Moving Average ◽  
Absolute Percentage Error ◽  
Singular Spectrum

Pemodelan dan forecasting data runtun waktu akhir-akhir ini terus berkembang dan digunakan di berbagai bidang termasuk di bidang hidrologi. Parameter hidrologi yang sangat penting adalah debit sungai di Indonesia sebagaimana halnya di negara tropis lainnya, besaran dan fluktuasinya dipengaruhi oleh dua faktor musiman, yaitu musim hujan dan kemarau. Pemodelan dan forecasting runtun waktu berbasis statistik pada dasarnya dapat dilakukan melalui dua pendekatan, yaitu statistik parametrik dan statistik non-parametrik. Namun fakta menunjukkan pemodelan dan forecasting runtun waktu melalui pendekatan statistik parametrik  lebih banyak dilakukan. Pada penelitian ini dilakukan pemodelan dan forecasting data runtun waktu debit sungai melalui pendekatan statistik non-parametrik dengan menggunakan metode Singular Spectrum Analysis (SSA).  Tujuan dari penelitian ini adalah untuk mengetahui hasil forecasting metode SSA dan mengetahui hasil komparasinya dengan hasil forecasting statistik parametrik yang telah dilakukan sebelumnya melalui model Seasonal Autoregressive Integrated Moving Average (SARIMA). Metode proses penelitian ini adalah berupa kajian teori yang kemudian dilanjutkan dengan proses komputasi. Hasil analisis menunjukkan metode SSA memberikan hasil forecasting dengan nilai Mean Absolute Percentage Error (MAPE) yang  lebih kecil dari model SARIMA. Dengan demikian disimpulkan forecasting runtun waktu debit sungai yang berpola musiman melalui metode SSA relatif lebih baik dari hasil forecasting model SARIMA.

scholarly journals Prediksi Harga Emas Dunia di Masa Pandemi Covid-19 Menggunakan Model ARIMA

2020 ◽  
Vol 12 (1) ◽  
pp. 71
Author(s):  
Dara Puspita Anggraeni ◽  
Dedi Rosadi ◽  
Hermansah Hermansah ◽  
Ahmad Ashril Rizal
Keyword(s):  
Moving Average ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Autoregressive Integrated Moving Average ◽  
Absolute Percentage Error

Penelitian ini bertujuan memodelkan serta memprediksi harga emas dunia di masa pandemi COVID-19. Penelitian ini juga hanya memasukkan nilai masa lampau dari harga emas dunia tanpa adanya pengaruh faktor eksogen(independen) pada model. Model yang dipergunakan adalah model Autoregressive Integrated Moving Average (ARIMA). Adapun data yang dipergunakan pada permodelan sebanyak 240 data observasi dimana data merupakan data bulanan harga emas dunia bulan Agustus 2000 hingga Juli 2020. Model terbaik untuk harga emas dunia ini adalah ARIMA(0,1,1) dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 3,70%. Hasil prediksi harga emas dunia untuk bulan Agustus 2020 hingga Januari 2021 berturut-turut adalah sebesar 1930,046; 1945,651; 1961,381; 1977,240; 1993,227; 2009,343 US$/Troy Ons emas. Prediksi ini menunjukkan tren naik dengan rata-rata peningkatan selama periode tersebut (Agustus 2020-Januari 2021) sebesar15,8594 US$/Troy ons per bulannya.

MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DALAM PERAMALAN NILAI HARGA SAHAM PENUTUP INDEKS LQ45

2021 ◽  
Vol 26 (1) ◽  
pp. 78-94
Author(s):  
Devita Priyadi ◽  
Iffatul Mardhiyah
Keyword(s):  
Time Series ◽  
Moving Average ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Autoregressive Integrated Moving Average ◽  
Absolute Percentage Error ◽  
Schwarz Criterion

Data indeks LQ45 dapat digunakan membantu manajer investasi, investor ataupun calon investor terkait dalam proses perencanaan dan proses pengambilan keputusan dalam membeli ataupun menjual saham. Oleh karena itu data LQ45 memiliki peran penting dalam melakukan peramalan untuk mencapai tujuan tersebut. Peramalan deret waktu (time series) menggunakan penerapan model Autoregressive Integrated Moving Average (ARIMA) untuk meramalkan nilai harga saham penutup dalam Indeks LQ45 pada data mingguan. Data yang digunakan merupakan data dari 25 November 2019 sampai dengan 30 November 2020. Hasil pengujian model terbaik adalah ARIMA(1,1,1). Model ARIMA(1,1,1) terpilih karena memenuhi asumsi dan didukung oleh nilai Adjusted R-squared, nilai S.E. of regression, Akaike Info Criterion dan Schwarz Criterion. Hasil peramalan jangka pendek selama 2 bulan ke depan (7 Desember 2020 sampai 25 Januari 2021) yang didapat dari model ARIMA(1,1,1) mendekati data aktual dengan nilai Mean Absolute Percentage Error (MAPE) yang paling kecil yaitu 18.41269.

scholarly journals Pengelompokan dan Peramalan Deret Waktu pada Produksi Bawang Merah Tingkat Provinsi di Indonesia

2021 ◽  
Vol 2021 (1) ◽  
pp. 457-464
Author(s):  
Rifqi Aulya Rahman ◽  
Farit Mochamad Afendi ◽  
Widhiyanti Nugraheni ◽  
Kusman Sadik ◽  
Akbar Rizki
Keyword(s):  
Moving Average ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Autoregressive Integrated Moving Average ◽  
Absolute Percentage Error

Bawang merah adalah komoditas strategis negara yang dapat mempengaruhi ekonomi nasional. Setiap tahun, produksi bawang merah meningkat beriringan dengan konsumsi rumah tangga. Tiap-tiap provinsi memiliki pola produksi berbeda-beda pada siklus dan nilai panen. Penggerombolan provinsi-provinsi yang memiliki kesamaan pola produksi dapat membantu penyusunan kebijakan oleh pemerintah. Penelitian ini bertujuan untuk menentukan gerombol-gerombol deret waktu dan memberi evaluasi terhadap peramalan produksi bawang merah di beberapa provinsi di Indonesia. Deret-deret waktu dikelompokkan secara hierarki terhadap kedekatan jarak Euclidean dengan meninjau grafik Elbow. Sebanyak tiga gerombol optimal terbentuk yang memiliki karakteristik terkait pola deret waktu dan produksinya. Deret-deret waktu pada tingkat provinsi dan gerombol kemudian dimodelkan menurut Autoregressive Integrated Moving Average (ARIMA) dan Seasonal ARIMA (SARIMA). Evaluasi peramalan tingkat gerombol selanjutnya dibandingkan dengan tingkat provinsi dan disimpulkan bahwa penggerombolan membuat peramalan menjadi lebih efisien. Hal ini berdasarkan rata-rata Mean Absolute Percentage Error (MAPE) yang lebih kecil daripada tingkat provinsi.

scholarly journals PENGARUH FAKTOR MUSIMAN PADA PEMODELAN DERET WAKTU UNTUK PERAMALAN DEBIT SUNGAI DENGAN METODE SARIMA

2018 ◽  
Vol 2 (2) ◽  
pp. 117
Author(s):  
Dadang Ruhiat ◽  
Adang Effendi
Keyword(s):  
White Noise ◽  
Moving Average ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Sarima Model ◽  
Autoregressive Integrated Moving Average ◽  
Absolute Percentage Error

Pemodelan dan peramalan deret waktu saat ini berkembang dan banyak digunakan di berbagaibidang termasuk di bidang hidrologi. Salah satu parameter hidrologi yang sangat penting adalahdebit sungai. Besaran dan fluktuasi debit sungai pada periode waktu tertentu sangat dipengauhioleh faktor musiman, yaitu musim hujan dan kemarau. Penelitian ini dilakukan untuk mengetahuipengaruh faktor musiman terhadap kemampuan model dalam menirukan dan meramalkan perilakudari data debit sungai. Pemodelan dilakukan berbasis kepada pendekatan metode statistik BoxJenkins, yaitu Autoregressive Integrated Moving Average (ARIMA) dengan melibatkan faktormusiman dalam pemodelannya, yang dikenal dengan model Seasonal Autoregressive IntegratedMoving Average (SARIMA). Model yang digunakan untuk peramalan adalah model yang terbaik,yaitu model yang memenuhi syarat signifikansi parameter, white noise dan memiliki nilai MAPE(Mean Absolute Percentage Error)yang terkecil. Perbandingan dilakukan terhadap hasilperamalan model-model terbaik, masing-masing terbaik dari model SARIMA dan model ARIMAnon musiman, sehingga dapat diketahui pengaruh faktor musiman terhadap hasil pemodelan danperamalan. Hasil analisis menunjukan ternyatamodel SARIMA terbaik lebih layak digunakandaripada model Arima non musiman.

Towards optimal ATM cash replenishment using time series analysis

2021 ◽  
pp. 1-13
Author(s):  
Muhammad Rafi ◽  
Mohammad Taha Wahab ◽  
Muhammad Bilal Khan ◽  
Hani Raza
Keyword(s):  
Time Series ◽  
Moving Average ◽  
Arima Model ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Absolute Percentage Error ◽  
Automatic Teller Machine ◽  
Proposed Model ◽  
Auto Regressive ◽  
Specific Amount

Automatic Teller Machine (ATM) are still largely used to dispense cash to the customers. ATM cash replenishment is a process of refilling ATM machine with a specific amount of cash. Due to vacillating users demands and seasonal patterns, it is a very challenging problem for the financial institutions to keep the optimal amount of cash for each ATM. In this paper, we present a time series model based on Auto Regressive Integrated Moving Average (ARIMA) technique called Time Series ARIMA Model for ATM (TASM4ATM). This study used ATM back-end refilling historical data from 6 different financial organizations in Pakistan. There are 2040 distinct ATMs and 18 month of replenishment data from these ATMs are used to train the proposed model. The model is compared with the state-of- the-art models like Recurrent Neural Network (RNN) and Amazon’s DeepAR model. Two approaches are used for forecasting (i) Single ATM and (ii) clusters of ATMs (In which ATMs are clustered with similar cash-demands). The Mean Absolute Percentage Error (MAPE) and Symmetric Mean Absolute Percentage Error (SMAPE) are used to evaluate the models. The suggested model produces far better forecasting as compared to the models in comparison and produced an average of 7.86/7.99 values for MAPE/SMAPE errors on individual ATMs and average of 6.57/6.64 values for MAPE/SMAPE errors on clusters of ATMs.

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 Planning Production Capacity Using Time Series Forecasting Method and Linier Programming

2018 ◽  
Vol 7 (2) ◽  
pp. 20
Author(s):  
M. Tirtana Siregar ◽  
S. Pandiangan ◽  
Dian Anwar
Keyword(s):  
Average Method ◽  
Moving Average ◽  
Demand Forecasting ◽  
Production Capacity ◽  
Mean Absolute Percentage Error ◽  
Programming Method ◽  
Percentage Error ◽  
Absolute Percentage Error ◽  
Forecasting Method ◽  
Planning Production

The objectives of this research is to determine the amount of production planning capacity sow talc products in the future utilizing previous data from january to december in year 2017. This researched considered three forecasting method, there are Weight Moving Average (WMA), Moving Average (MA), and Exponential Smoothing (ES). After calculating the methods, then measuring the error value using a control chart of 3 (three) of these methods. After find the best forecasting method, then do linear programming method to obtain the exact amount of production in further. Based on the data calculated, the method of Average Moving has a size of error value of Mean Absolute Percentage Error of 0.09 or 9%, Weight Moving Average has a size error of Mean Absolute Percentage Error of 0.09 or 9% and with Exponential Method Smoothing has an error value of Mean Absolute Percentage Error of 0.12 or 12%. Moving Average and Weight Moving Average have the same MAPE amount but Weight Moving Average has the smallest amount Mean Absolute Deviation compared to other method which is 262.497 kg. Based on the result, The Weight Moving Average method is the best method as reference for utilizing in demand forecasting next year, because it has the smallest error size and has a Tracking Signal  not exceed the maximum or minimum control limit is ≤ 4. Moreover, after obtained Weight Moving Average method is the best method, then is determine value of planning production capacity in next year using linier programming method. Based on the linier programming calculation, the maximum amount of production in next year by considering the forecasting of raw materials, production volume, material composition, and production time obtained in one (1) working day is 11,217,379 pcs / year, or 934,781 pcs / month of finished product. This paper recommends the company to evaluate the demand forecasting in order to achieve higher business growth.

Prediksi Kedatangan Turis Menggunakan Algoritma Weighted Exponential Moving Average

2020 ◽  
Vol 12 (2) ◽  
pp. 129-132
Author(s):  
Sherly Florencia ◽  
Alethea Suryadibrata
Keyword(s):  
Moving Average ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Error Measurement ◽  
Absolute Percentage Error ◽  
Natural Beauty ◽  
Expenditure Data ◽  
The Mean ◽  
Tourism Expenditure ◽  
Using Data

Tourism is an important factor for the development of a country. Tourism can be used as a promotion to introduce natural beauty and cultural uniqueness. Government needs to predict how many tourists will come every year to do a planning. Therefore, an application is needed to help to predict the arrival of tourists in each country. In this paper, we use Weighted Exponential Moving Average (WEMA) method to predict the arrival of tourist, tourism expenditure in the country, and departure using data from 2008 to 2018. Error measurement is calculated using the Mean Absolute Percentage Error (MAPE). The result shows that the lowest average MAPE on arrival data with span 2 is at 3.28. The lowest average MAPE on tourism expenditure data with span 2 is at 3.99%. The result shows that the lowest average MAPE on departure data with span 2 is at 3.63%.

Sign in / Sign up

Export Citation Format

Share Document