scholarly journals PERAMALAN JUMLAH MAHASISWA MENGGUNAKAN MOVING AVERAGE

Telematika ◽  
2018 ◽  
Vol 15 (1) ◽  
pp. 67
Author(s):  
Hari Prapcoyo

AbstractThe Process of using resources in higher education is influenced by the up and down of the number students. The purpose of this study is to predict the number of students who study in the department of informatics engineering UPN Veteran Yogyakarta for the next periods. This research, data is taken from forlap dikti for Informatics Engineering fom 2009 until 2016 at UPN Veteran Yogyakarta. The method that used to forecast the number of students is a Moving Average method consisting of: Single Moving Average (SMA), Weighted Moving Average (WMA) and Exponential Moving Average (EMA). This study will use the forecasting accuracy namely Mean Square Error (MSE), Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) to select the best model to be used for forecasting. The best model that used for forecasting is Weighted Moving Average (WMA) with weighted 1/3 and average length (n) used for 2. The smallest value for MSE of 5807.96; the smallest MAE value of 55.89 and the smallest value for MAPE of 5.24%. Forecasting of the number of students for four semesters in the future after the even semester of 2016 are respectively: 902; 901,33; 901,56 and 901,48. Keywords : Forecasting, UPN Veteran Yogyakarta, Single moving average(SMA) AbstrakProses penggunaan sumber daya perguruan tinggi setiap tahun dipengaruhi oleh naik turunnya jumlah mahasiswa. Tujuan dari penelitian ini adalah untuk memprediksi jumlah mahasiswa yang kuliah di jurusan teknik informatika UPN Veteran Yogyakarta untuk periode yang akan datang. Data penelitian ini diambil dari forlap dikti untuk Teknik Informatika dari tahun 2009 sampai 2016 UPN Veteran Yogyakarta. Metode yang digunakan untuk melakukan peramalan jumlah mahasiswa adalah metode Moving Average yang tediri dari : Single Moving Average (SMA), Weighted Moving Average (WMA) dan Exponential Moving Average (EMA). Penelitian ini akan menggunkan akurasi peramalan Mean Square Error (MSE), Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE) untuk memilih model terbaik yang akan digunakan untuk peramalan. Model terbaik yang digunakan untuk peramalan yaitu Weighted Moving Average (WMA) dengan pembobot 1/3 dan panjang rata-rata (n) yang dipakai sebesar 2. Nilai terkecil untuk MSE sebesar 5807,96; nilai terkecil MAE sebesar 55,89 dan nilai terkecil untuk MAPE sebesar 5,24 %. Peramalan untuk jumlah mahasiswa empat semester kedepan setelah semester genap 2016 masing-masing adalah : 902; 901,33; 901,56 dan 901,48. Kata Kunci : Peramalan, UPN Veteran Yogyakarta, Single Moving Average(SMA).

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).


2020 ◽  
Vol 6 (3) ◽  
pp. 29-36
Author(s):  
Deddy Kusbianto ◽  
Agung Pramudhita ◽  
Nurhalimah

Dalam memenuhi kebutuhan masyarakat Kabupaten Malang dan menjaga stabilitas ketersediaan beras pemerintah setempat perlu melakukan proses peramalan. Dimana dalam melakukan proses peramalan menggunakan metode peramalan, salah satunya dengan menggunakan metode Fuzzy Time Series dan Moving Average yaitu dengan menangkap pola dari data yang telah lalu kemudian digunakan untuk memproyeksikan data yang akan da¬¬tang. Dari hasil implementasi dua metode tersebut menghasilkan perbandingan jumlah persediaan beras. hasil perbandingan tersebut akan dipakai untuk mengukur tingkat error dari masing – masing metode dengan menggunakan MAD (Mean Absolute Deviation), MSE (Mean Square Error), RMSE ( Root Square Error ) dan MAPE (Mean Absolute Percentage Error). Kesimpulannya adalah metode fuzzy time series cocok digunakan untuk studi kasus peramalan persediaan beras dibandingkan menggunakan metode moving average. Sehingga untuk proses peramalan selanjutnya dan untuk mendapatkan hasil dengan tingkat error sedikit dapat menggunakan metode fuzzy time series


2018 ◽  
Author(s):  
Ιωάννης Ζήσος

Ένα από τα πιο καίρια ερωτήματα για τους χρήστες του διαδικτύου, είναι πώς θα καταφέρουν να διαχειριστούν την τεράστια ποσότητα διαθέσιμης πληροφορίας, ώστε να καταλήξουν σε επιλογή προϊόντων που ανταποκρίνονται όσο το δυνατό καλύτερα στις προτιμήσεις και ανάγκες τους. Αντίστοιχα, οι εταιρείες που παρέχουν προϊόντα ή υπηρεσίες μέσω του διαδικτύου, προσπαθούν συστηματικά να εντοπίσουν μεθόδους ώστε να αποκωδικοποιήσουν με ακρίβεια τα προφίλ προτίμησης των χρηστών, με στόχο να καταφέρουν να προσαρμόσουν κατάλληλα τα προϊόντα τους και να αυξήσουν τις πωλήσεις τους.Για τους παραπάνω λόγους, η επιστημονική και ερευνητική κοινότητα που δραστηριοποιείται στο τομέα της ανάλυσης δεδομένων και το μάρκετινγκ έχει επικεντρώσει την προσπάθεια της, στην δημιουργία μεθοδολογιών που θα απαντήσουν όσο το δυνατόν πιο αποτελεσματικά τα παραπάνω ερωτήματα. Οι περισσότερες από αυτές τις μεθοδολογίες καταλήγουν στην ανάπτυξη προσαρμοστικών συστημάτων που αντλούν δεδομένα από το διαδίκτυο και εξάγουν προτάσεις για τους χρήστες. Η πιο γνωστή κατηγορία τέτοιου είδους συστημάτων είναι τα συστήματα συστάσεων (Recommender Systems). Στην παρούσα ερευνητική εργασία παρουσιάζεται η μεθοδολογία και τα αποτελέσματα πιλοτικής λειτουργίας ενός νέου υβριδικού συστήματος συστάσεων που βασίζεται στη χρήση μεθόδων ανάλυσης συναισθήματος, πολυκριτήριας ανάλυσης καθώς και μεθόδων φιλτραρίσματος. Η μεθοδολογία καταλήγει σε τέσσερα διαφορετικά είδη σύστασης, με άκρως ενδιαφέροντα αποτελέσματα.Μέσω του μεθοδολογικού πλαισίου γίνεται εφικτός ο προσδιορισμός των προτιμησιακών προφίλ των χρηστών του συστήματος, τα οποία εν συνεχεία αντιστοιχίζονται σε «προφίλ πελατών» που επιλέγουν συγκεκριμένα προϊόντα/υπηρεσίες που τους «ταιριάζουν».Έτσι, καταλήγουμε σε προσωποποιημένες συστάσεις προϊόντων στον χρήστη του συστήματος, που είναι ανάλογες των προτιμήσεων του. Επιπλέον δίνεται στο χρήστη η δυνατότητα να φιλτράρει τις διαθέσιμες εναλλακτικές με σχετική επιλογή από ένα σύνολο κατ’ αποκοπή κριτηρίων. Η χρήση του κατωφλιού ελάχιστης ικανοποίησης, που προσδιορίζεται από τα αποτελέσματα της ανάλυσης συναισθήματος στα σχόλια των πελατών, εγγυάται την ποιότητα των συστάσεων.Τα δεδομένα του συστήματος είναι πραγματικές απόψεις και βαθμολογίες χρηστών για καταλύματα, καθώς και χαρακτηριστικά καταλυμάτων που αντλήθηκαν από γνωστή διαδικτυακή πλατφόρμα κρατήσεων. H ανάπτυξη του συστήματος βασίστηκε στην μεθοδολογία CRISP-DM(Shearer, 2000a). Η αξιολόγηση του συστήματος συστάσεων γίνεται με μέτρηση της ακρίβειας προβλέψεων αξιολογήσεων σε πείραμα με πραγματικούς χρήστες.Για τη μελέτη περίπτωσης χρησιμοποιήθηκαν δεδομένα για τα τουριστικά καταλύματα του Νομού Χανίων. Τα πιο σημαντικά χαρακτηριστικά της συγκεκριμένης ερευνητικής προσπάθειας είναι: α. H χρήση μεγάλου όγκου πραγματικών δεδομένων σε αντίθεση με τις περισσότερες από τις υπάρχουσες έρευνες που χρησιμοποιούν έτοιμα τεστ σετ δεδομένων. β. Η χρησιμοποίηση όλης της διαθέσιμης αντλημένης πληροφορίας προκειμένου να καταλήξουμε σε σύσταση. Πιο συγκεκριμένα στην παρούσα μεθοδολογία χρησιμοποιούνται δεδομένα βαθμολογιών προϊόντων για την ανάλυση ικανοποίησης πελατών, δεδομένα απόψεων για τη συναισθηματική ανάλυση, στατικά δεδομένα των προϊόντων σαν κατ’ αποκοπή κριτήρια σε αντίθεση με τις περισσότερες μελέτες όπου χρησιμοποιούνται είτε βαθμολογίες, είτε ανάλυση σχολίων για την τελική σύσταση.γ. Η χρήση των αποτελεσμάτων της ανάλυσης συναισθήματος ως κατώφλια ποιότητας σύστασης. δ. Η επιτυχής εφαρμογή παραλλαγής της πρόσφατα παρουσιασθείσας μεθόδου WAP, για τη δημιουργία προτιμησιακού προφίλ χρήστη.ε. Η απαίτηση για εισαγωγή ελάχιστων δεδομένων από το χρήστη.στ. Ο ελάχιστος χρόνος που απαιτείται για την παραγωγή της σύστασης κατά τη λειτουργία του συστήματος.η. Η αποφυγή άντλησης προσωπικών δεδομένων του χρήστη για χρήση τους στη διαδικασία της σύστασης. θ. H αποφυγή του προβλήματος της καθυστερημένης εκκίνησης (cold start). ι. Τα άκρως ικανοποιητικά αποτελέσματα με βάση τις μετρικές που χρησιμοποιήθηκαν για τη δοκιμή του συστήματος.κ. Η χρησιμότητα του συστήματος είναι χαρακτηριστική για όλες τις ομάδες στόχου, καθώς δίνεται η δυνατότητα παροχής χρήσιμης πληροφορίας τόσο στον πελάτη με σύσταση ανάλογη των αναγκών του, όσο και στον πάροχο υπηρεσίας/προϊόντος, προσδιορίζοντας του τις τάσεις όσον αφορά την ικανοποίηση των πελατών. Οι κύριες μετρικές που χρησιμοποιούνται για την μέτρηση της ποιότητας των συστάσεων που παράγονται είναι οι: Mean Square Error (MSE), Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE).H διατριβή ολοκληρώνεται, με προτάσεις, για μελλοντική έρευνα και επέκταση του παρόντος συστήματος.


2016 ◽  
Vol 79 (1) ◽  
Author(s):  
Nur Arina Bazilah Kamisan ◽  
Muhammad Hisyam Lee ◽  
Suhartono Suhartono ◽  
Abdul Ghapor Hussin ◽  
Yong Zulina Zubairi

A pairwise comparison is important to measure the goodness-of-fit of models. Error measurements are used for this purpose but it only limit to the value, thus a graph is used to help show the precision of the models. These two should show a tally result in order to defense the hypothesis correctly. In this study, a fractional residual plot is proposed to help showing the precision of forecasts. This plot improvises the scale of the graph by changing the scale into decimal ranging from -1 to 1. The closer the point to 0 will indicate that forecast is robust and value closer to -1 or 1 will indicate that the forecast is poor. Two error measurements which are mean absolute error (MAE) and mean absolute percentage error (MAPE) and residual plot are used to justify the results and make comparison with the proposed fractional residual plot. Three difference data are used for this purpose and the results have shown that the fractional residual plot could give as much information as the residual plot but in an easier and meaningful way. In conclusion, the error plot is important in visualize the accurateness of the forecast.  


2021 ◽  
Vol 12 (1) ◽  
pp. 95-104
Author(s):  
Firəngiz Sadıyeva ◽  

Məqalədə COVID-19 pandemiyasını proqnozlaşdırmaq üçün avtoreqressiv inteqrasiya edilmiş hərəkətli ortalama (ing. ARIMA. Autoregressive İntegrated Moving Average) modeli təklif edilmişdir. COVID-19 dünyada sürətlə yayılan və hazırda davam edən yeni növ pandemiyadır. Son dövrlərdə pandemiyaya yoluxanların sayı Azərbaycanda rekord həddə çatmışdır. Məhz bu səbəbdən COVID-19 pandemiyasının proqnozu məsələsinə baxılmışdır və bir neçə ayı əhatə edən real verilənlərlə eksperimentlərdə təklif edilmiş ARIMA modelinin COVID-19 zaman sıralarının proqnozlaşdırılması üçün müxtəlif parametrlərlə tətbiq edilmişdir. Verilənlər dedikdə, 22.01.2020 – 22.10.2020 tarixləri arasında Azərbaycan Respublikasının Səhiyyə Nazirliyi (www.sehiyye.gov.az) tərəfindən rəsmi olaraq qeydiyyata alınan gündəlik yoluxma hallarının sayı nəzərdə tutulur. Bu verilənlərdən istifadə etməklə, növbəti zaman aralığında ölkəmizdə baş verəcək yoluxma halları proqnoz edilmişdir. Bunun üçün ARIMA modelinə müxtəlif parametrlər verilmiş və uyğun olaraq hər bir modelin səhv dərəcəsi qiymətləndirilmişdir. Səhvin qiymətləndirilməsi üçün MAPE (Mean Absolute Persentace Error), MAE (Mean Absolute Error) və RMSE (Root Mean Square Error) funksiyaları istifadə edilib. Müqayisələr nəticəsində ən uyğun model seçilmişdir. Alınmış nəticələr ölkəmizdə pandemiya dövründə həm səhiyyə sistemi, həm də adi vətəndaşlar üçün vacib amildir. Əldə edilmiş nəticələr statistik metodların koronavirusa aid qeyri-stasionar zaman sıralarının proqnozlaşdırılmasının digər məsələlərə tətbiqində də məhsuldar ola biləcəyini təsdiqləyir.


Author(s):  
Muhammad Wahdeni Pramana ◽  
Ika Purnamasari ◽  
Surya Prangga

Ekspor merupakan aktivitas perdagangan atau penjualan barang dari dalam negeri ke luar negeri. Ekspor nonmigas sebagai salah satu komponen pembentuk Produk Domestik Regional Bruto (PDRB) sehingga perlu adanya suatu peramalan nilai di masa mendatang. Fuzzy Time Series (FTS) merupakan metode peramalan dengan berdasarkan teori himpunan fuzzy, logika fuzzy, serta hasil peramalan yang dapat dibahasakan (linguistik). Metode Weighted Fuzzy Time Series (WFTS) Lee merupakan perluasan dari metode FTS dengan penambahan pembobotan pada tiap pola relasi yang terbentuk. Tujuan penelitian ini adalah memperoleh nilai peramalan ekspor nonmigas Provinsi Kalimantan Timur pada bulan November 2020 serta memperoleh nilai akurasi peramalan berdasarkan metode Mean Absolute Percentage Error (MAPE) dan Root Mean Square Error (RMSE). Berdasarkan hasil analisis diperoleh nilai akurasi peramalan untuk data Ekspor Nonmigas Provinsi Kalimantan Timur bulan Januari 2019 – Oktober 2020 dengan konstanta pembobot   menggunakan metode MAPE diperoleh hasil keseluruhan dibawah 10% sehingga diperoleh konstanta pembobot terbaik yaitu  dengan nilai MAPE terminimum yaitu sebesar 3,62% dan RMSE minimum sebesar 50,67. Dari hasil tersebut, diperoleh hasil peramalan untuk bulan November 2020 dengan menggunakan kontanta pembobot terbaik  yaitu sebesar 850,96 juta USD.


2021 ◽  
Vol 2 (1) ◽  
pp. 36-42
Author(s):  
Purwoharjono Purwoharjono

Penelitian ini bertujuan untuk  memprediksi kebutuhan beban listrik. Prediksi kebutuhan beban listrik ini dilakukan dengan menggunakan Metode Jaringan Syaraf Tiruan (JST). JST ini menggunakan algoritma backpropagation. Lokasi penelitian ini dilakukukan di Kota Pontianak Kalimantan Barat. Peningkatan konsumsi listrik diwilayah Kota Pontianak mengalami peningkatan setiap tahunnya namun tidak diimbangi dengan pemenuhan energi listrik yang mencukupi. Berdasarkan hasil yang diperoleh dari simulasi menggunakan algoritma backpropagation ini dapat dikatakan bahwa algoritma backpropagation ini  dapat bekerja dengan baik dalam mengenali data masukan yang diberikan ke sistem karena tingkat kesalahan menggunakan Mean Square Error (MSE) dan Mean Absolute Percentage Error (MAPE) relatif kecil.  


2021 ◽  
Author(s):  
Pawan Kumar Singh ◽  
Alok Kumar Pandey ◽  
Sahil Ahuja ◽  
Ravi Kiran

Abstract This paper compares four prediction methods namely Random Forest Regressor (RFR), SARIMAX, Holt-Winters (H-W), and the Support Vector Regression (SVR) to forecast the total CO2 emission from the paddy crop in India. The major objective of this study is to compare these four models to suggest an effective model to predict the total CO2 emission. Data from 1961 to 2018 has been categorised into two parts: training and test data. The study forecasts total CO2 emission from paddy crop in India from 2019 to 2025. A comparison of mean absolute percentage error (MAPE) and the mean square error (MSE), highlights the differences in accuracy among the four models. The mean absolute percentage error (MAPE) and the mean square error (MSE) for the four methods are: RFR (MAPE: 5.67; MSE: 549900.02), SARIMAX (MAPE:1.67; MSE:70422.35), H-W (MAPE:0.75; MSE:16648.58), and SVR (MAPE: 0.91; MSE: 17832.4). The values of MAPE and MSE with the Holt-Winters (H-W) and the Support Vector Regression (SVR) is relatively low as compared to SARIMAX and RFR. On the basis of these results, it can be inferred that H-W and SVR were found suitable models to forecast the total CO2 emission from paddy crop. Holt-Winters the model predicted 14364.97 for the year 2025 and SVR predicted 13696.67 for the year 2025. These predictions can be used by the decision-maker to build a suitable policy for future studies. For further research, this approach can be contrasted with other approaches, such as the Neural Network or other forecasting methods, using more important datasets to train the model to achieve better forecast accuracy.


2019 ◽  
Vol 7 (2) ◽  
pp. 230-238
Author(s):  
Abdul Holik ◽  
Riza Rahimi Bachtiar

Prediksi hasil pertanian sangat dibutuhkan dalam hal perencanaan dan pengambilan keputusan serta dalam pengambilan kebijakan untuk ketahan pangan nasional. Salah satu komoditas strategis yang membutuhkan perhatian khusus adalah padi. Penelitian ini bertujuan untuk memprediksi hasil panen padi dengan menggunakan pesawat tanpa awak. Hasil akuisisi citra diolah dengan metode multi thresholding untuk memisahkan objek daun, malai padi, dan background. Selanjutnya hasil pemilahan objek dijadikan input dalam pembuatan model prediksi hasil panen padi dengan mengunakan jaringan syaraf tiruan. Untuk membandingkan hasil prediksi, maka dilakukan penimbangan berat panen padi pada tiap blok. Hasil penelitian menunjukkan bahwa antara prediksi dan actual memiliki korelasi sangat kuat dengan R2 = 0,81, nilai MSE (Mean Square Error) = 0,279 dan MAPE (Mean Absolute Percentage Error) adalah -0,020. Hasil ini menunjukkan bahwa model prediksi hasil panen padi dapat digunakan untuk keperluan perkiraan.


2020 ◽  
Vol 31 (3) ◽  
pp. 291-301
Author(s):  
Sahir Pervaiz Ghauri ◽  
Rizwan Raheem Ahmed ◽  
Dalia Streimikiene ◽  
Justas Streimikis

This research aims to evaluate two econometric models to forecast imports and exports for the financial year (FY) 2020. For this purpose, we used the annual exports and imports data of Pakistan from FY2002 to FY2019. Thus, in this regard, we employed, and compared the results of two econometrics models such as Box Jenkins or Autoregressive Integrated Moving Average (ARIMA), and Auto-Regressive (AR) with seasonal dummies. For examining the precision of forecasting, we employed mean absolute error and root mean square error approaches. The findings of Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) reveal that the ARIMA or Box Jenkins approach provides better accuracy of the forecast for the exports as compared to the AR model with dummies. However, Auto-Regressive (AR) model has demonstrated more precision for the imports as compared to the Box Jenkins model. Hence, the projected forecasting for the growth of export is 1.87% for the FY2020 and projected forecasting for the import demonstrates a negative variation of -1.61% for the FY2020. The findings of the undertaken study recommend the policymakers of Pakistan to take corrective measures to increase exports and to prevent the country from the trade deficit. The policymakers of Pakistan should give more incentives to the exporters and decrease the cost of doing business to be more competitive than the regional economies such as India, Bangladesh, and China.


Sign in / Sign up

Export Citation Format

Share Document