scholarly journals Analisis Faktor Penyebab Perbedaan Fluktuasi Data Aktual Penjualan Barang Dengan Hasil Forecasting Menggunakan Single Exponential Smoothing

2021 ◽  
Vol 11 (2) ◽  
pp. 543-550
Author(s):  
Ni Putu Surya Widitriani ◽  
Ida Bagus Ary Indra Iswara ◽  
Wayan Gede Suka Parwita

Peramalan merupakan seni dan ilmu dalam memprediksi sesuatu di masa yang akan datang. Proses peramalan akan melibatkan data historis pada masa lampau (seperti data penjualan tahun lalu) dan memproyeksikan data tersebut pada masa mendatang dengan pemodelan matematika. Peramalan digunakan pada PT. Puri Wira Mahkota untuk menentukan kuantitas produk yang seharusnya disediakan oleh unit produksi pusat melalui kantor cabang selaku pihak distributor. Nilai ramalan yang dihasilkan akan ditinjau tingkat akurasinya melalui grafik perbandingan tingkat fluktuasi hasil ramalan dengan data observasi yang diperoleh. Hasil dari model peramalan naif harus menjadi dasar untuk menentukan apakah nilai ramalan dikatakan bagus (akurat). Tidak digunakan untuk menetapkan target peramalan yang bersifat sewenang-wenang (seperti Mean Absolute Percentage Error 10% dikatakan "Sempurna", Mean Absolute Percentage Error 20% dikatakan "Bagus") tanpa adanya konteks kemampuan peramalan dari data observasi. Jika hasil peramalan yang diperoleh lebih buruk dari peramalan naif (berarti dapat dikatakan sebagai hasil ramalan yang "Buruk"), maka jelas proses peramalan perlu ditingkatkan. Hasil yang buruk dan tidak sesuai dengan data aktual tersebut dapat disebabkan oleh beberapa faktor yang kemudian dianalisis untuk peningkatan proses peramalan dengan tujuan memperoleh hasil yang mendekati akurat.

2020 ◽  
Vol 11 (1) ◽  
Author(s):  
Terttiaavini Terttiaavini ◽  
Tedy Setiawan Saputra

<p class="SammaryHeader" align="center"><strong>Abstract</strong></p><p><em>Higher education has a large and growing data repository, such as new student admission data (PMB) at a University. PMB is held every year, but the data is only used once. The data is only stored in the repository and is not useful. Through data mining science, the data can be extracted into useful information for decision making. One of the goals of data mining is to predict the future.</em><em> </em><em>One of the targets of private tertiary institutions is how to increase the number of new student admissions each year to fit the established targets. Usually, targets are set based on estimates without carrying out quantitative analysis. This often results in not achieving the expected target. Achieving targets is related to success in managing academics. Targeting is part of forecasting activities that should have a pattern/formula calculated quantitatively. The purpose of this research is to predict the number of new student admissions at Higher education</em><em> </em><em> XYZ for the next ten years. Data obtained from the admission of new students ten years earlier, from 2009 to 2019. The method used is the single exponential smoothing method.</em><em> </em><em>To produce the best results of predictions, and evaluation of prediction results is carried out using the Mean absolute Percentage error (MAPE) method. The smallest MAPE = 0.22 with α = 0.9. with MAPE values below ten, the predicted number of student admissions is sufficiently good (Reasonable).</em></p><p><strong><em>Keywords</em></strong><strong><em> </em></strong><strong><em>: </em></strong><em>Prediction<strong>, </strong></em><em>single eksponential smoothing</em><em>, admission of new students.</em></p><p class="SammaryHeader" align="center"><strong>Abstrak</strong></p><p><em>Perguruan tinggi memiliki repository data yang</em><em> besar dan terus bertambah, seperti </em><em>data Penerimaan mahasiswa baru (PMB) </em><em>pada suatu Perguruan Tinggi.  PMB dilaksanakan setiap tahun, namun data</em><em> hanya dimanfaatkan </em><em>satu kali.</em><em> Data tersebut hanya tersimpan didalam repository dan tidak bermanfaat. Melalui ilmu data mining, data tersebut dapat diekstrak menjadi informasi yang berguna untuk pengambilan keputusan. Salah satunya tujuan data mining adalah untuk memprediksi keadaan dimasa. Salah satu target Perguruan tinggi swasta adalah bagaimana meningkatkan jumlah penerimaan mahasiswa baru setiap tahun agar sesuai dengan target yang telah ditetapkan. Biasanya target ditetapkan berdasarkan perkiraan tanpa melakukan analisa kuantitaif. Hal ini sering menyebabkan tidak tercapainya target yang diharapkan. Pencapaian target berhubungan dengan keberhasilan dalam mengelolah akademik. Penentuan target merupakan bagian dari kegiatan peramalan yang seharusnya memiliki pola  / rumusan yang dihitung secara kuantitatif. Tujuan penelitan ini adalah untuk memprediksi jumlah penerimaan mahasiswa baru di </em><em>Perguruan Tinggi XYZ untuk sepuluh tahun kedepan. Data diperoleh dari penerimaan mahasiswa baru sepuluh tahun sebelumnya yaitu dari tahun 2009 s.d 2019. Metode yang digunakan adalah </em><a href="https://ilmumanajemenindustri.com/peramalan-dengan-exponential-smoothing-penghalusan-eksponensial/" target="_blank"><em>metode single exponential Smoothing</em></a><em>. Untuk menghasilkan hasil perdiksi yang terbaik, maka dilakukan evaluasi hasil prediksi dengan menggunakan metode Mean absolute Percentage error (MAPE). MAPE terkecil = 0,22 dengan α = 0.9.  dengan  nilai MAPE dibawah sepuluh maka prediksi jumlah penerimaan mahsiswa sudah cukukp baik (Reasonable).</em></p><strong><em>Kata Kunci : </em></strong><em> Prediksi, Pemulusan eksponensial tunggal, Penerimaan Mahasiswa baru.</em>


2019 ◽  
Vol 6 (1) ◽  
pp. 41
Author(s):  
Jaka Darma Jaya

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.


Author(s):  
Padrul Jana

This study aims to predict the number of poor in Indonesia for the next few years using a triple exponential smoothing method.The purpose of this research is the result of the forecast number of poor people in Indonesia accurate forecast results are used as an alternative data the government for consideration of government to determine the direction of national poverty reduction policies. This research includes the study of literature research, by applying the theory of forecasting to generate predictions of poor people for coming year. Furthermore, analyzing the mistakes of the methods used in terms of the count: Mean Absolute Deviation (MAD), Mean Square Error (MSE), Mean absolute percentage error (MAPE) and Mean Percentage Error (MPE). The function of this error analysis is to measure the accuracy of forecasting results that have been conducted.These results indicate that the number of poor people in 2017 amounted to 24,741,871 inhabitants, in 2018 amounted to 24,702,928 inhabitants, in 2019 amounted to 24,638,022 inhabitants and in 2020 amounted to 24,547,155 people. The forecasting results show an average reduction in the number of poor people in Indonesia last five years (2016-2020 years) ranges from 0.16 million. Analysis forecasting model obtained an mean absolute deviation (MAD) obtained by 0.246047. Mean squared error (MSE) of forecasting results with the original data by 1.693277. Mean absolute percentage error (MAPE) of 3.040307% and the final Mean percentage error (MPE) of 0.888134%.Kata Kunci: Forecasting, Triple Exponential Smoothing


2017 ◽  
Vol 8 (3) ◽  
pp. 37 ◽  
Author(s):  
Maja Mamula ◽  
Kristina Duvnjak

According to the data on the share of employees in the category Hotels and similar accommodation in the total employees (16.6% in 2015), it can be concluded that this percentage share is quite significant. In this paper the number of employees in tourism (in the category Hotels and similar accommodation) is modelled and predicted on the basis of monthly data from the period 2005 to 2015, collected from the First Release of the Croatian Bureau of Statistics. Taking into consideration the seasonal character of the phenomenon being analysed, taking into account the criteria of reliability of demonstrated forecasts, in this study following methods were used: the seasonal naive models, Holt - Winters Model trend seasonality exponential smoothing and Holt- Winters no seasonal exponential smoothing model. All obtained results were compared by forecasting error Mean Absolute Percentage error (MAPE). The obtained results indicate that forecasting methods which take into account the seasonal character of the phenomenon result in smaller forecasting error, and more reliable estimate, compared to models which don´t take into account the character of the phenomenon being analysed.


2013 ◽  
Vol 12 (2) ◽  
pp. 25
Author(s):  
S. STEVEN ◽  
S. NURDIATI ◽  
F. BUKHARI

Peramalan merupakan kegiatan memprediksi nilai suatu variabel di masa yang akan datang. Tujuan penelitian ini adalah memprediksi jumlah mahasiswa baru Institut Pertanian Bogor dengan menggunakan metode fuzzy time series dan metode pemulusan eksponensial ganda dari Holt serta membandingkan kedua metode tersebut dengan cara melihat tingkat ketepatan peramalan Mean Absolute Percentage Error (MAPE). Metode fuzzy time series menggunakan himpunan fuzzy dalam proses peramalannya sedangkan metode pemulusan eksponensial ganda dari Holt menggunakan pemulusan nilai dari serentetan data dengan cara menguranginya secara eksponensial. Dalam meramalkan jumlah mahasiswa baru Institut Pertanian Bogor, metode fuzzy time series menghasilkan tingkat ketepatan peramalan yang lebih baik dengan nilai MAPE sebesar 6.41 % dibandingkan dengan metode pemulusan eksponensial ganda dari Holt dengan nilai MAPE sebesar 7.75 %. Setelah dilakukan studi kasus, metode pemulusan eksponensial ganda dari Holt akan lebih akurat hasil peramalannya jika data yang digunakan lebih banyak.


2020 ◽  
Vol 6 (3) ◽  
pp. 9-14
Author(s):  
Yuri Ariyanto ◽  
Ahmadi Yuli Ananta ◽  
Muhammad Robbi Darwis Darwis

Abstrak—Istana Sayur merupakan salah satu toko yang menjual beberapa macam sayuran, buah buahan dan bahan makanan yang selalu berusaha meningkatkan dan menjaga kualitas layanan, mencoba mengurangi kerugian dari pengendalian persediaan stok barang secara manual yang kurang baik akibat kelebihan dan kekurangan stok yang dialami saat ini, maka diperlukan fitur sebagai sistem informasi kasir dan peramalan stok barang. Tujuan dari pembuatan sistem informasi ini adalah analisa Forecasting secara manual ke dalam sebuah sistem informasi agar lebih praktis, dengan pemrograman PHP berframework CodeIgniter dan MySQL sebagai databasenya. Dengan menggunakan metode Double Exponential Smoothing Holt untuk pengambilan keputusan dalam jangka waktu tertentu dan pemanfaatkan pergerakan data pada masa lalu yang bersifat trend dimana datanya bersifat linier. Setelah dilakukan observasi pada Istana Sayur, Malang, didapat data transaksi penjualan dan barang pada tahun 2016-2018. Dari hasil perhitungan metode yang dipakai pada sistem ini kemudian dihitung Forecast Error-nya dengan menggunakan metode Mean Absolute Percentage Error. Dari analisa yang telah dilakukan, didapatkan hasil bahwa dengan menggunakan Mean Absolute Percentage Error didapat nilai untuk Sawi Caisim Manis dengan nilai 15.05%, Telor Ayam dengan nilai 15.78%, Cabe Hijau dengan nilai 12.45%, Buncis dengan nilai 22.22%, Cengkeh dengan nilai 34.69%, Bawang Putih dengan nilai 19.53%, Tempe dengan nilai 20.60% dan Kentang dengan nilai 17.58%. Sehingga Sawi Caisim Manis, Telor Ayam, Cabe Hijau, Bawang Putih dan Kentang tergolong kedalam kategori baik karena memiliki nilai diantara 10%-20%. Sedangkan untuk Buncis, Cengkeh dan Tempe tergolong kedalam kategori cukup karena memiliki nilai diantara 20%-50%. Saran untuk pengembangan aplikasi ini adalah perlunya penambahan metode lain sebagai pembanding tingkat keakuratan.


2018 ◽  
Vol 47 (1) ◽  
pp. 16-21 ◽  
Author(s):  
Syed Misbah Uddin ◽  
Aminur Rahman ◽  
Emtiaz Uddin Ansari

Demand forecasts are extremely important for manufacturing industry and also needed for all type of business and business suppliers for distribution of finish products to the consumer on time. This study is concerned with the determination of accurate models for forecasting cement demand. In this connection this paper presents results obtained by using a self-organizing model and compares them with those obtained by usual statistical techniques. For this purpose, Monthly sales data of a typical cement ranging from January, 2007 to February, 2016 were collected. A nonlinear modelling technique based on Group Method of Data Handling (GMDH) is considered here to derive forecasts. Forecast were also made by using various time series smoothing techniques such as exponential smoothing, double exponential smoothing, moving average, weightage moving average and regression method. The actual data were compared to the forecast generated by the time series model and GMDH model. The mean absolute deviation (MAD, mean absolute percentage error (MAPE) and mean square error (MSE) were also calculated for comparing the forecasting accuracy. The comparison of modelling results shows that the GMDH model perform better than other statistical models based on terms of mean absolute deviation (MAD), mean absolute percentage error (MAPE) and mean square error (MSE).


2017 ◽  
Vol 2 (1) ◽  
pp. 45 ◽  
Author(s):  
Mansyur Mansyur ◽  
Erfan Rohadi

Dalam dunia bisnis, dibutuhkan sebuah prediksi atau perkiraan dari suatu tindakan yang akan diproses untuk menindak lanjuti hasil yang akan diharapkan pada beberapa periode selanjutnya. Keberlangsungan proses produksi   dalam  suatu   bisnis   ditunjang   oleh   pengendalian   persediaan    stok  barang yang baik. Peramalan   merupakan   satu   komponen   pendukung   dalam   aktivitas   perencanaan   dalam membuat  suatu prediksi  bisnis  untuk  mendapatkan  keuntungan  yang  maksimal.  Metode   peramalan  merupakan bentuk pengendalian persediaan kuantitatif berdasarkan data historis (runtut waktu).Tujuan dari penelitian ini adalah meramalkan  jumlah  Stok  barang  di  CV.Annora  Asia  dengan   menggunakan   metode   double   exponential smoothing. Dengan metode ini, perhitungan dapat dilakukan untuk mencari nilai optimal yang paling baik dengan   tingkat  kesalahan  yang  paling  terkecil. Dan  hasil  pengujian  perhitungan  MAPE  (Mean  Absolute Percentage Error) menunjukan hasil hasil yang sangat bagus karna di temukan nilai sebesar 4,82866%.


2020 ◽  
Vol 4 (2) ◽  
pp. 91
Author(s):  
Febri Liantoni ◽  
Arif Agusti

Abstract— After being introduced in 2008, the rise in the price of bitcoin and the popularity of other cryptocurrencies triggered a growing discussion about how much energy was consumed during the production of this currency. Making cryptocurrency the most expensive and most popular, both the business world and the research community have begun to study the devel-opment of bitcoin. In this study bitcoin price predictions are performed using the double exponential smoothing method based on the mean absolute percentage error (MAPE). The MAPE value is used to find the best alpha (α) parameter as the basis for bitcoin price forecasting. The dataset used is the price of bitcoin from 2017 to 2019. The dataset was obtained from www.cryptocompare.com. As for the value of the alpha parameter (α), using a value of 0.1 to 0.9. Based on the test results using the double exponential smoothing method obtained the smallest MAPE value of 2.89%, with the best alpha (α) at 0.9. The prediction is done to see the price of bitcoin on January 1, 2020. The error rate generated on the predicted price of bitcoin uses an amount of 0.0373%. This shows that the system built can be used as a support for decision making when trading bitcoin.


Author(s):  
Roni Aminudin ◽  
Yeffry Handoko

Penelitian ini bertujuan untuk melakukan peramalan Garis Kemiskinan untuk membantu pemerintah mendapatkan informasi yang akurat dan cepat. Metode yang digunakan dalam penelitian ini adalah Double Exponential Smoothing dari Holt. Metode ini adalah bagian dari data berdasarkan analisis deret waktu (time series). Penelitian ini menerapkan teori peramalan untuk menghasilkan ramalan Garis Kemiskinan untuk tahun yang akan datang. Selanjutnya, penelitian ini melakukan analisa pola data, dan menentukan nilai parameter terbaik. Metode Double Exponential Smoothing dari Holt menggunakan parameter Alpha (α) dan Gamma (γ). Untuk menentukan nilai parameter terbaik adalah menggunakan metode trial dan error. Nilai parameter terbaik menghasilkan nilai MAPE (Mean Absolute Percentage Error) terkecil. Pola data menunjukan trend, berarti metode Double Exponential Smoothing dari Holt tepat untuk digunakan dalam penelitian ini. Nilai parameter yang dihasil dari metode trial dan error adalah Alpha (α) sebesar 0,7 dan Gamma (γ) sebesar 0,1 yang menghasilkan ukuran akurasi terkecil, dalam penelitian ini menggunakan MAPE. Dengan mengamati hasil peramalan yang telah dilakukan, model peramalan ini memiliki kinerja yang sangat baik. Nilai Garis Kemiskinan akan terus meningkat, sesuai dengan pola konsumsi yang meningkat dan kenaikan harga kebutuhan pokok.


Sign in / Sign up

Export Citation Format

Share Document