scholarly journals USULAN PERBAIKAN PERAMALAN PRODUKSI BAN PT. XYZ MELALUI PENDEKATAN METODE EXPONENTIAL SMOOTHING

2020 ◽  
Vol 5 (1) ◽  
pp. 13
Author(s):  
Diah Septiyana ◽  
Agung Bahtiar
Keyword(s):  
Mean Square Error ◽  
Exponential Smoothing ◽  
Mean Square

Ban merupakan salah satu bagian terpenting untuk industri otomotif, dimana perkembangan industry otomotif saat ini semakin meningkat sehingga kebutuhan atau pangsa pasar ban ikut meningkat. PT XYZ merupakan salah satu perusahaan di Tangerang yang bergerak dalam bidang manufaktur. Untuk penghematan biaya pengendalian dan proses produksi namun aktualnya sering kali penjualan tidak sesuai dengan apa yang diprediksi. Oleh sebab itu perlu dibuat peramalan penjualan yang lebih baik dan efisien agar penghematan biaya pengendalian dan proses produksi bisa tercapai. Penelitian ini bertujuan untuk menentukan jumlah peramalan penjualan produk ban tahun kedepan melalui exponential smoothing dan mengetahui nilai kesalahan dengan menggunakan MSE dan MAPE. Hasil penelitian menunjukkan hasil peramalan yang cukup mendekati antara aktual dengan peramalan meskipun terdapat peningkatan permintaan pada bulan Maret, Mei, Juni dan Agustus. Selisih yang cukup signifikan peningkatannya adalah pada bulan Agustus dengan nilai selisih 3 6% lebih tinggi dari peramalan. Nilai MAPE yang dihasilkan dari peramalan produksi ban rata-rata 11.19% dan Mean Square Error (MSE) terkecil sebesar 26,181,910 dengan rata-rata selama setahun sebesar 23,484,964,646.Kata Kunci: Peramalan, Ban Radial, Exponential Smoothing, MAPE, MSE

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 Forecasting incidence of tuberculosis cases in Brazil based on various univariate time-series models

2019 ◽  
Vol 7 (10) ◽  
pp. 894-909
Author(s):  
Rhuan Carlos Martins Ribeiro ◽  
Thaynara Araújo Quadros ◽  
John Jairo Saldarriaga Ausique ◽  
Otavio Andre Chase ◽  
Pedro Silvestre da Silva Campos ◽  
...  
Keyword(s):  
Public Health ◽  
Time Series ◽  
Mean Square Error ◽  
High Performance ◽  
Moving Average ◽  
Arima Model ◽  
Public Health Problem ◽  
Absolute Error ◽  
Exponential Smoothing ◽  
Mean Square

Tuberculosis (TB) remains the world's deadliest infectious disease and is a serious public health problem. Control for this disease still presents several difficulties, requiring strategies for the execution of immediate combat and intervention actions. Given that changes through the decision-making process are guided by current information and future prognoses, it is critical that a country's public health managers rely on accurate predictions that can detect the evolving incidence phenomena. of TB. Thus, this study aims to analyze the accuracy of predictions of three univariate models based on time series of diagnosed TB cases in Brazil, from January 2001 to June 2018, in order to establish which model presents better performance. For the second half of 2018. From this, data were collected from the Department of Informatics of the Unified Health System (DATASUS), which were submitted to the methods of Simple Exponential Smoothing (SES), Holt-Winters Exponential Smoothing (HWES) and the Integrated Autoregressive Moving Average (ARIMA) model. In the performance analysis and model selection, six criteria based on precision errors were established: Mean Square Error (MSE), Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percent Error (MAPE) and Theil's U statistic (U1 and U2). According to the results obtained, the HWES (0.2, 0.1, 0.1) presented a high performance in relation to the error metrics, consisting of the best model compared to the other two methodologies compared here.

DESAIN PERAMALAN PRODUKSI RIBBED SMOKED SHEET (RSS)

2017 ◽  
Vol 1 (1) ◽  
pp. 047-055
Author(s):  
Ahmad Syarbaini
Keyword(s):  
Mean Square Error ◽  
Exponential Smoothing ◽  
Mean Square ◽  
Double Exponential ◽  
Double Exponential Smoothing

Eskpor karet dan barang jadi karet Indonesia pada bulan Juni 2012 turun 5,35 persen menjadi US$ 1,05 miliar akibat pelemahan permintaan di negara tujuan penurunan harga komoditas. Penelitian ini bertujuan untuk menganalisis pola data produksi RSS, mendeskripsikan peramalan yang selama ini dijalankan PTPN VIII (Persero) Cikumpay, menentukan metode peramalan terakurat dan efisien untuk produksi RSS, dan implikasi dari hasil peramalan terhadap perencanaan produksi. Metode yang digunakan dalam penelitian adalah metode trend (linier, kuadratik, ekspnensial), metode penghalusan eksponensial (double exponential smoothing-Holt, double exponential smoothing-Brown, dan winters multiplikatif), metode dekomposisi (multiplikatif dan aditif), dan metode Box-Jenkins (ARIMA). Berdasarkan hasil dari penelitian dapat disimpulkan bahwa pola data mengandung unsur trend dan musim tahunan, dengan metode peramalan terakurat yaitu metode peramalan kuantitatif ARIMA (0,0,1)(0,1,1)12 dengan taraf nyata 5 persen menghasilkan persamaan Yt = Yt-12 + et + 0,3741et-1 – 0,7991et-12 – 0,2989et-13, dari model ARIMA tersebut menghasilkan nilai Mean Square Error (MSE) terkecil yaitu sebesar 193.229.361 kg

scholarly journals Peramalan Penerbitan Ijin Mendirikan Bangunan Dengan Single Moving Average Dan Exponential Smoothing

2019 ◽  
Vol 18 (2) ◽  
Author(s):  
Yogha Pramana ◽  
Rukmi Sari Hartati ◽  
Komang Oka Saputra
Keyword(s):  
Mean Square Error ◽  
Moving Average ◽  
Exponential Smoothing ◽  
Mean Absolute Deviation ◽  
Mean Square ◽  
Absolute Deviation ◽  
Percent Error ◽  
Mean Absolute Percent Error ◽  
Mean Error ◽  
Absolute Percent Error

Ijin Mendirikan Bangunan adalah ijin yang diberikan oleh Kepala Daerah pada pemilik bangunan untuk mendirikan bangunan, mengubah, memperluas, mengurangi atau merawat bangunan sesuai dengan persyaratan administratif dan persyaratan teknis yang berlaku. Peramalan adalah merupakan perkiraan mengenai terjadinya suatu kejadian pada masa depan. Peramalan merupakan sebuah alat bantu yang penting dalam perencanaan yang efesien dan efektif. Prosesnya untuk mengetahui kebutuhan di masa datang antara lain kebutuhan ukuran kuantitas, kualitas, waktu dan lokasi untuk pemenuhan permintaan barang ataupun jasa. Peramalan merupakan bagian awal dari pengambilan suatu keputusan akhir. Data Ijin Mendirikan Bangunan (IMB) di hitung dengan metode Simple Moving Average dan Exponential Smoothing untuk mengetahui nilai dari Mean Error, Mean Absolute Deviation, Mean Square Error, Standar Error, Mean Absolute Percent Error.

scholarly journals ANALISIS MODEL PROYEKSI LADA SEBAGAI KAJIAN DIVERSIFIKASI SEKTOR PENDAPATAN MASYARAKAT DI PROVINSI KEPULAUAN BANGKA BELITUNG

2021 ◽  
Vol 15 (2) ◽  
pp. 249-256
Author(s):  
Sisilia Jesika Pririzki ◽  
Ilam Maryam ◽  
Pitra Wati ◽  
Desy Yuliana Dalimunthe
Keyword(s):  
Root Mean Square Error ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Exponential Smoothing ◽  
Mean Square ◽  
Fitting Model

Provinsi Kepulauan Bangka Belitung merupakan provinsi dengan pendapatan masyarakatnya bergantung pada sektor pertanian, yaitu lada. Penelitian ini bertujuan untuk memperoleh nilai proyeksi produksi lada di Provinsi Kepulauan Bangka Belitung pada Tahun 2022 yang selama ini menjadi komoditas utama dari sisi sektor pendapatan masyarakat dan juga merupakan bagian dari proses diversifikasi agar masyarakat setempat tidak bergantung dari satu sektor pertanian saja dalam memenuhi kebutuhan sehari-hari. Metode exponential smoothing yang digunakan dalam penelitian ini terdiri dari beberapa model, yakni simple, holt, dan brown exponential smoothing. Dari ketiga model ini akan ditentukan model peramalan yang terbaik (fitting model) dengan menggunakan hasil Root Mean Square Error (RMSE) yang terkecil dari ketiga model tersebut. Berdasarkan proses fitting model yang dilakukan, model holt merupakan model terbaik dengan nilai MSE 7.425,298 dan juga memberikan hasil bahwa komoditas lada ini mengalami penurunan sebesar 17,56% pada tahun 2021 dan juga mengalami penurunan sebesar 21,30% pada tahun 2022.

scholarly journals PREDIKSI JUMLAH PENERIMAAN MAHASISWA BARU DENGAN METODE SINGLE EXPONENTIAL SMOOTHING (STUDI KASUS: AMIK ROYAL KISARAN)

JURTEKSI ◽  
2019 ◽  
Vol 5 (2) ◽  
pp. 125-132
Author(s):  
Wiwin Handoko
Keyword(s):  
Mean Square Error ◽  
Exponential Smoothing ◽  
Smoothing Method ◽  
Mean Square ◽  
Computer Engineering ◽  
Study Program ◽  
History Of ◽  
Data History ◽  
Exponential Smoothing Method ◽  
Single Exponential

Abstract: A problem requires a solution to solve it. One of them is by using Prediction (Forcasting). Prediction is used to assess the prediction of conditions in the future. at AMIK Royal Kisaran, when it comes to making lecture schedules often hampered because there is no estimated number of students. The data used in this study is the data history of the last 15 Academic Years, from 2003/2004 to 2017/2018. Then the data is processed with the Single Exponential Smoothing Method. Alpha value 0 <α <1. Single Exponential Smoothing makes a comparison with the alpha value until alpha is found which has the minimum error. To find the value of the error, the MSE (Mean Square Error) method is used. The results of the testing of this method are in the academic year 2018/2019 prediction of the number of students for the Informatics Management Study Program as many as 89 people and for Students for the Computer Engineering Study Program as many as 30 people. The Single Exponential Smoothing method can predict the number of students in the next period. Keywords: Prediction; Number of Students; Single Exponential Smoothing; Alpha Value; MSE Abstrak: Suatu masalah memerlukan sebuah solusi untuk menyelesaikannya. Salah satunya dengan menggunakan Prediksi (Forcasting). Prediksi digunakan untuk menilai prakiraan keadaan dimasa. di AMIK Royal Kisaran, ketika akan membuat jadwal kuliah sering terhambat karena tidak adanya perkiraan jumlah mahasiswa. Data yang digunakan pada penelitian ini adalah histori data 15 Tahun Akademik terakhir, mulai 2003/2004 sampai dengan 2017/2018. Kemudian data diolah dengan Metode Single Exponential Smoothing. Nilai alpha 0<α<1. Single Exponential Smoothing melakukan perbandingan dengan nilai alpha tersebut sampai ditemukan alpha yang memiliki error paling minimum. Untuk mencari nilai Error digunakan Metode MSE (Mean Square Error). Hasil dari pengujian terhadap metode ini adalah pada Tahun akademik 2018/2019 prediksi jumlah Mahasiswa untuk Program Studi Manajemen Informatika sebanyak 89 orang  dan untuk Mahasiswa untuk Program Studi Teknik Komputer sebanyak 30 orang. Metode Single Exponential Smoothing dapat membantu prediksi jumlah mahasiwa pada satu periode kedepan Kata kunci: Prediksi; Jumlah Mahasiswa; Single Exponential Smoothing; Nilai Alpha; MSE 

scholarly journals Peramalan Perencanaan Produksi Batu Tela Dengan Metode Exponential Smoothing (Studi Kasus Pada CV. Sinar Sowi Kabupaten Manokwari)

2019 ◽  
Vol 2 (2) ◽  
pp. 54-59
Author(s):  
Suwoko ◽  
Dirarini Sudarwadi ◽  
Nurwidianto
Keyword(s):  
Mean Square Error ◽  
Exponential Smoothing ◽  
Smoothing Method ◽  
Mean Absolute Deviation ◽  
Mean Square ◽  
Absolute Deviation ◽  
Forecasting Error ◽  
Alpha Models ◽  
The Mean ◽  
Exponential Smoothing Method

This study aims to find out how much forecasting the production of concrete brick at CV. Sinar Sowi. The data analysis method used is the Exponential Smoothing method by using forecasting error measurements namely Mean Square Error (MSE) and Mean Absolute Deviation (MAD). From the data that has been analyzed, the writer can conclude that the use of alpha model 0.1 Exponential Smoothing method, the value of the Exponential Smoothing method, the value of Mean Square Error is 11,114,950 and the value of Mean Absolute Deviation is 962. The use of alpha 0.5 model Exponential Smoothing method, the value of Mean Square Error is 1,114,776 and the value of Mean Absolute Deviation is 305. While the use of the alpha 0.9 model is Exponential Smoothing, the Mean Square Error value is -9.374 and the Mean Absolute Deviation value is -28. Of the three existing alpha models, namely 0.1; 0.5 and 0.9, then what will be used in forecasting is alpha 0.9 because the error value is the lowest, namely the Mean Square Error of -9,374 and Mean Absolute Deviation is -28. From the calculation of concrete brick forecasting at CV. Sinar Sowi in Manokwari Regency, the forecasting results were 39,698 units.

scholarly journals Metode Peramalan moving Average, 1000 ANALISIS PERBANDINGAN PERAMALAN PERMINTAAN PELUMAS PT XYZ DENGAN METODE MOVING AVERAGE, EXPONENTIAL SMOOTHING DAN NAIVE METHOD

2021 ◽  
Vol 2020 (1) ◽  
pp. 1000-1010
Author(s):  
Destia Anisya Ramdani ◽  
Fahriza Nurul Azizah
Keyword(s):  
Root Mean Square Error ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Moving Average ◽  
Exponential Smoothing ◽  
Mean Absolute Deviation ◽  
Mean Square ◽  
Absolute Deviation ◽  
Naive Method

Pelumas merupakan produk dari PT XYZ yang digunakan untuk kendaraan dan mesin-mesin industri. Peramalan umumnya dilakukan untuk meramalkan jumlah produksi di masa mendatang dengan menggunakan data historis atau data-data pada permintaan sebelumnya terhadap produk perusahaan. Penelitian ini dilakukan untuk menguji enam metode peramalan agar dapat mengetahui metode mana yang tepat untuk diterapkan pada PT XYZ. Peramalan pada PT XYZ ini menggunakan data historis permintaan tahun 2019 dari bulan januari hingga bulan desember yang telah merepresentasikan pola permintaan setiap tahun di PT XYZ. Data ini digunakan untuk meramalkan setahun kedepan.Penelitian kali ini akan membandingkan enam metode peramalan diantaranya metode moving average 3 bulanan, moving average 5 bulanan, exponential smoothing dengan α=0,1, exponential smoothing dengan α=0,5, exponential smoothing dengan α=0,9 dan naive method. Untuk bahan perbandingan dari keenam metode yang telah disebutkan maka diberikan peramalan yaitu dengan metode penyimpangan Mean Absolute Deviation (MAD), Mean Square Error (MSE), Root Mean Square Error (RMSE), dan Absolute Presentage Error (MAPE).Hasil penelitian ini menunjukkan metode peramalan exponential smoothing dengan α=0,9 dengan nilai penyimpangan MAD 2.364,50, MSE 12.448.875,06, RMSE 3.528,30 dan MAPE 0,60 dapat dikatakan metode yang lebih optimal untuk diterapkan di PT XYZ karena memiliki nilai penyimpangan paling rendah dari metode moving average 3 bulanan, moving average 5 bulanan, exponential smoothing dengan α=0,1, exponential smoothing dengan α=0,5 dan naive method.Sehingga PT XYZ untuk menentukan tingkat permintaan konsumen dapat menggunakan metode exponential smoothing dengan α=0,9, karena setelah dilakukan perbandingan dari hasil penyimpangan setiap metode dan telah terbukti bahwasannya metode exponential smoothing dengan α=0,9 memiliki nilai penyimpangan MAD 2.364,60, MSE 12.448.875,06, RMSE 3.528,30 dan MAPE 0,60 yang artinya merupakan nilai penyimpangan terkecil dari metode moving average 3 bulanan, moving average 5 bulanan, exponential smoothing dengan α=0,1, exponential smoothing dengan α=0,5, dan naive method.

scholarly journals COMPARISON OF SOME STATISTICAL FORECASTING TECHNIQUES WITH GMDH PREDICTOR: A CASE STUDY

2018 ◽  
Vol 47 (1) ◽  
pp. 16-21 ◽  
Author(s):  
Syed Misbah Uddin ◽  
Aminur Rahman ◽  
Emtiaz Uddin Ansari
Keyword(s):  
Time Series ◽  
Mean Square Error ◽  
Moving Average ◽  
Exponential Smoothing ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Mean Absolute Deviation ◽  
Mean Square ◽  
Absolute Deviation ◽  
Absolute Percentage Error

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).

scholarly journals Pemilihan Arsitektur Terbaik pada Model Deep Learning Melalui Pendekatan Desain Eksperimen untuk Peramalan Deret Waktu Nonlinier

2019 ◽  
Vol 18 (2) ◽  
pp. 153-159
Author(s):  
Novri Suhermi ◽  
Suhartono Suhartono ◽  
I Made Gde Meranggi Dana ◽  
Dedy Dwi Prastyo
Keyword(s):  
Deep Learning ◽  
Root Mean Square Error ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Exponential Smoothing ◽  
Mean Square ◽  
Feedforward Network ◽  
Auto Regressive ◽  
Hidden Layer

Penentuan arsitektur model deep learning yang tepat merupakan hal yang sangat esensial untukmendapatkan hasil ramalan dengan tingkat kesalahan minimum. Arsitektur deep learning meliputijumlah input dan variabel apa saja yang digunakan, jumlah hidden layer, jumlah neuron pada setiaphidden layer, dan fungsi aktivasi. Pada penelitian ini dilakukan studi simulasi pada salah satu modeldeep learning, yaitu deep feedforward network, dengan berbagai kombinasi arsitektur untukmendapatkan arsitektur paling optimum. Data yang digunakan merupakan data bangkitan yangmengikuti model nonlinier Exponential Smoothing Transition Auto-regressive (ESTAR) sebanyak 1000data, di mana 900 data digunakan sebagai data training dan 100 data digunakan sebagai datatesting. Ukuran evaluasi model yang digunakan adalah root mean square error of prediction (RMSEP).Hasil empiris yang didapatkan di antaranya, pemilihan input yang tepat dapat meningkatkanakurasi peramalan, serta pemilihan fungsi aktivasi dan kedalaman arsitektur sangat diperlukanuntuk mendapatkan hasil ramalan yang semakin optimum.

Sign in / Sign up

Export Citation Format

Share Document