scholarly journals Aplikasi Triple Exponential Smoothing Untuk Forecasting Jumlah Penduduk Miskin

2020 ◽  
Vol 3 (2) ◽  
pp. 76-82
Author(s):  
Padrul Jana
Keyword(s):  
Poverty Reduction ◽  
Mean Squared Error ◽  
Exponential Smoothing ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Poor People ◽  
Mean Absolute Deviation ◽  
Absolute Deviation ◽  
Absolute Percentage Error ◽  
The Government

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

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 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 PENERAPAN METODE EXPONENTIAL MOVING AVERAGE PADA PERAMALAN PENGGUNAAN AIR DI PDAM KOTA GORONTALO

2020 ◽  
Vol 1 (2) ◽  
pp. 69-77
Author(s):  
WA SALMI ◽  
ISMAIL DJAKARIA ◽  
RESMAWAN RESMAWAN
Keyword(s):  
Water Use ◽  
Average Method ◽  
Moving Average ◽  
Dry Season ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Mean Absolute Deviation ◽  
Absolute Deviation ◽  
Absolute Percentage Error

Facing the dry season, it is probable that there is a lack of water or excess distribution at one point during distribution to every house that uses PDAM water every day. This will result in community instability in using water and inaccurate users. Therefore, forecasting of the amount of water used in PDAM Kota Gorontalo for the next period. The method used to forecast is the Exponential Moving Average method. Criteria in determining the best method is based on the value of Mean Absolute Deviation and Mean Absolute Percentage Error. After forecasting each smoothing constant is compared, the best model. in predicting the amount of water use in PDAM Kota Gorontalo is an Exponential Moving Average with a smoothing constant of 0.15 because it has the smallest MAD and MAPE values.

scholarly journals SISTEM PENDUKUNG KEPUTUSAN DALAM PEMILIHAN MODEL DENGAN MENGGUNAKAN METODE TIME SERIES

2018 ◽  
Vol 2 (1) ◽  
Author(s):  
Noer Chamid ◽  
Muhammad Ainul Yaqin ◽  
Nailul Izzah
Keyword(s):  
Time Series ◽  
Moving Average ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Mean Absolute Deviation ◽  
Absolute Deviation ◽  
Trend Line ◽  
Absolute Percentage Error

Analisis time series antara lain memahami dan menjelaskan mekanisme tertentu, meramalkan suatu nilai di masa depan dan mengoptimalkan sistem kendali. Dalam pengambilan keputusan yang menggunakan analisis time series tersebut perlu menggunakan software yang prabayar seperti Minitab, SPSS dan SAS sehingga perlu pembuatan sistem informasi yang mendukung keputusan dalam analisis tersebut. Sistem informasi yang dibuat tersebut akan dilakukan uji coba terhadap kehandalan dan diimplementasikan dalam pengambilan keputusan untuk menentukan penyusunan target pendapatan asli daerah di pemerintah daerah atau data lainnya. Model yang digunakan dalam menduga adalah dengan menggunakan 4 (empat) metode, yaitu : Metode Moving Average, Metode Eksponential Smooting, Metode Linier Trend Line dan Seasonal Adjusment. Dari 4 (empat) metode tersebut, dapat dipilih model yang terbaik dengan menggunakan kriteria menentukan nilai Mean Absolute Deviation (MAD) dan Mean Absolute Percentage Error (MAPE) yang terkecil. Sistem informasi yang dibuat tersebut sudah dilakukan uji coba terhadap kehandalan dan diimplementasikan dalam pengambilan keputusan untuk menentukan penyusunan target pendapatan asli daerah di pemerintah daerah. Sistem Pendukung Keputusan ini dapat dijadikan sebagai tool dalam membuat rekomendasi sebuah keputusan.Kata Kunci: Time Series, Sistem Pendukung Keputusan, Pendapatan Asli Daerah                                                                       

scholarly journals ARDL METHOD: Forecasting Data Curah Hujan Harian NTB

Jurnal Varian ◽  
2020 ◽  
Vol 3 (2) ◽  
pp. 73-82
Author(s):  
Ulul Azmi ◽  
Zilullah Nazir Hadi ◽  
Siti Soraya
Keyword(s):  
Mean Squared Error ◽  
Percentage Error ◽  
Mean Absolute Deviation ◽  
Absolute Deviation ◽  
Root Mean Squared Error ◽  
Absolute Percentage Error ◽  
Distributed Lag ◽  
Autoregressive Distributed Lag ◽  
Squared Error ◽  
Parameter Error

Penelitian ini berisi tentang prediksi atau forecasting data iklim di Nusa Tenggara Barat (NTB) tahun 2011, yakni jumlah hari terjadinya hujan dengan menggunakan metode Autoregressive Distributed Lag (ARDL). Data yang digunakan yaitu data iklim di Nusa Tenggara Barat (NTB) dari tahun 2006 -2010, dengan menggunakan beberapa parameter error seperti Mean Absolute Deviation (MAD), Mean Squared Error (MSE), Root Mean Squared Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Berdasarkan hasil simulasi data iklim di Nusa Tenggara Barat (NTB) tersebut, diperoleh prediksi jumlah hari terjadinya curah hujan pada tahun 2011 sebesar 226 hari dengan nilai MAD 20,8069, MSE 3,5569, RMSE 1,88597, dan MAPE 11,9297 . Dan prediksi jumlah hari terjadinya hujan pada tahun 2011 sebanyak 225,928 hari atau jika di bulatkan menjadi 226 hari dengan nilai parameter error MAD sebesar 20,8069, sehingga dapat disimpulkan pada tahun 2011 terjadi peningkatan jumlah hari terjadinya hujan di Nusa Tenggara Barat (NTB).

scholarly journals PENERAPAN METODE HOLT WINTER DAN SEASONAL ARIMA PADA PERAMALAN PERKEMBANGAN WISATAWAN MANCANEGARA YANG DATANG KE INDONESIA.

2017 ◽  
Vol 6 (4) ◽  
pp. 29
Author(s):  
Dila Mulya ◽  
Yudiantri Asdi ◽  
Ferra Yanuar
Keyword(s):  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Mean Absolute Deviation ◽  
Absolute Deviation ◽  
Absolute Percentage Error

Abstrak. Pada tugas akhir ini akan dirumuskan pemodelan peramalan perkembanganwisatawan mancanegara yang datang ke Indonesia dengan metode Holt Winter dan Sea-sonal ARIMA. Kemudian hasil peramalan perkembangan wisatawan dengan menggu-nakan kedua metode tersebut akan dibandingkan berdasarkan nilai Mean Squared Devi-ation (MSD), Mean Absolute Percentage Error (MAPE) serta Mean Absolute Deviation(MAD). Berdasarkan hasil yang diperoleh, model terbaik untuk peramalan perkem-bangan wisatawan mancanegara yang datang ke Indonesia adalah model SARIMA(0; 1; 1)(1; 1; 0)12 , karena nilai MAPE, MAD dan MSD yang diperoleh lebih kecil dari-pada model Holt Winter.Kata Kunci: Holt Winter, Seasonal Arima, Trend, Musiman

scholarly journals PERBANDINGAN METODE FTS DAN MA PADA PERAMALAN PERSEDIAAN BERAS

2020 ◽  
Vol 6 (3) ◽  
pp. 29-36
Author(s):  
Deddy Kusbianto ◽  
Agung Pramudhita ◽  
Nurhalimah
Keyword(s):  
Time Series ◽  
Mean Square Error ◽  
Moving Average ◽  
Mean Absolute Percentage Error ◽  
Fuzzy Time Series ◽  
Percentage Error ◽  
Mean Absolute Deviation ◽  
Mean Square ◽  
Absolute Deviation ◽  
Absolute Percentage Error

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

scholarly journals Previsão dos modelos univariados e rede neural da demanda turística do estado de Mato Grosso do Sul

2020 ◽  
Vol 19 (3) ◽  
Author(s):  
Bruno Matos Porto ◽  
Daniela Althoff Philippi ◽  
Vanessa Aline Wagner Leite
Keyword(s):  
Mean Squared Error ◽  
Percentage Error ◽  
Mean Absolute Deviation ◽  
Absolute Deviation ◽  
Mato Grosso ◽  
Absolute Percentage Error ◽  
Squared Error ◽  
Mato Grosso Do Sul

O objetivo deste artigo foi gerar previsões de curto, médio e longo prazos e comparar a precisão dos modelos em cada horizonte de previsão. Para atender o objetivo foram aplicados os modelos univariados e rede neural (NNAR) nos dados da demanda turística do estado de Mato Grosso do Sul (MS). A amostra foi coletada na ferramenta base de dados extrator do Instituto Brasileiro de Turismo (Embratur) referente as chegadas turísticas por todas as vias registradas no MS entre janeiro de 2007 a dezembro de 2017. As previsões dos modelos de previsão ARIMA, Holt-Winters (HW) versões aditiva e multiplicativa e NNAR foram projetadas, por meio da linguagem de programação R, com uso do software R Studio. O procedimento empírico de execução dos scripts de todos os modelos foi disponibilizado. As predições fora da amostra da procura do turismo abrangeram o intervalo de janeiro até dezembro de 2018, sendo então comparadas aos dados reais do mesmo período. As previsões dos modelos foram comparadas no curto, médio e longo prazo mediante os critérios Mea Absolute Percentage Error (MAPE), Mean Absolute Deviation (MAD) e Mean Squared Error (MSD). A rede neural (NNAR) superou os modelos testados em diferentes horizontes de previsão e as medidas de erros mostraram que a NNAR é altamente precisa. Em segundo lugar no ranking de acuracidade destacou-se ARIMA. Os resultados mostraram que as previsões da rede neural auxiliam na tomada de decisão dos planejadores turísticos de MS. Para pesquisas futuras recomenda-se realizar previsões fora da amostra num amplo número de séries temporais.

scholarly journals Analisis Error Terhadap Peramalan Data Penjualan

Techno Com ◽  
2021 ◽  
Vol 20 (1) ◽  
pp. 1-9
Author(s):  
Alyauma Hajjah ◽  
Yulvia Nora Marlim
Keyword(s):  
Mean Squared Error ◽  
Moving Average ◽  
Exponential Smoothing ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Absolute Percentage Error ◽  
Squared Error

Tujuan penelitian ini membahas tentang peramalan permintaan lampu LED bermerk Sanyo. Penelitian ini menggunakan metode Moving Average dan Exponential Smoothing. Pada Metode Moving Average digunakan untuk peramalan periode 3 bulan dan 5 bulan, sedangkan metode Exponential Smoothing menggunakan parameter  = 0,1; 0,5; 0,7 dan 0,9. Dari hasil peramalan setiap metode dibandingkan nilai dari error, adapun nilai error yang dibahas adalah Mean Absolut Deviation (MAD), Mean Squared Error (MSE), dan Mean Absolute Percentage Error (MAPE). Berdasarkan hasil penelitian ini metode yang memiliki tingkat kesalahan terkecil adalah metode Exponential Smoothing dengan parameter , yang memiliki nilai MAD= 1.214,54; MSE = 2.758.993 dan MAPE = 9,17%. Dapat disimpulkan bahwa metode yang paling optimal digunakan untuk meramalkan jumlah permintaan lampu pada bulan berikutnya adalah metode Exponential Smoothing dengan parameter . Hasil peramalan permintaan lampu pada bulan Januari 2020 dengan menggunakan metode Exponential Smoothing dengan  adalah 15.800,88. Sehingga untuk peramalan permintaan untuk bulan berikutnya peneliti merekomendasikan menggunakan metode Exponential Smoothing dengan perameter .

Sign in / Sign up

Export Citation Format

Share Document