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 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 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 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

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 Peramalan Harga Komoditas Dengan Menggunakan Metode Arima-Garch

Jurnal Varian ◽  
2020 ◽  
Vol 3 (2) ◽  
pp. 113-124
Author(s):  
Ulil Azmi ◽  
Wawan Hafid Syaifudin
Keyword(s):  
Arima Model ◽  
Mean Absolute Percentage Error ◽  
Percentage Error ◽  
Absolute Percentage Error ◽  
Data History

Emas, Tembaga dan Minyak merupakan jenis komoditas yang banyak diincar oleh para investor untuk menanamkan modal dengan cara melakukan investasi pada jenis komoditas tersebut. Prediksi harga komoditas sangat bermanfaat bagi investor untuk melihat prospek investasi komoditas pada suatu perusahaan di masa yang akan datang. Harga komoditas memiliki karakteristik data yang tidak stabil atau sering disebut volatilitas. Untuk mengatasi permasalahan tersebut, dilakukan peramalan dengan metode ARIMA dan ARIMA-GARCH. Dipilih dua metode tersebut karena dua metode ini cocok untuk meramalkan sesuatu yang memiliki data history yang kuat. Metode ARIMA ARCH-GARCH lebih cocok digunakan untuk data-data yang memliki volatilitas yang tinggi atau terdapat heteroskedastisitas pada residual data, sehingga hasil prediksi lebih akurat. Hal ini dibuktikan dengan nilai AIC lebih kecil dari pada hanya menggunakan metode ARIMA. Model terbaik untuk komoditas Emas adalah ARIMA(0,1,1) – GARCH(1,1) sedangkan komoditas tembaga memiliki model terbaik yaitu ARIMA(2,1,2) – GARCH(1,1) dan komoditas minyak yaitu ARIMA(1,1,1) – GARCH(0,1). Nilai MAPE (Mean Absolute Percentage Error) untuk masing-masing komoditas berturut-turut adalah 1,113; 0,542 dan 1,158 untuk Emas, Tembaga dan Minyak.

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.

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.

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%.

Predicting Daily Confirmed COVID-19 Cases in India

2021 ◽  
pp. 34-51
Author(s):  
Sudip Singh
Keyword(s):  
Time Series ◽  
Root Mean Square Error ◽  
Autocorrelation Function ◽  
Moving Average ◽  
Arima Model ◽  
Family Welfare ◽  
Mean Square ◽  
Univariate Time Series ◽  
Partial Autocorrelation Function ◽  
Auto Regressive

India, with a population of over 1.38 billion, is facing high number of daily COVID-19 confirmed cases. In this chapter, the authors have applied ARIMA model (auto-regressive integrated moving average) to predict daily confirmed COVID-19 cases in India. Detailed univariate time series analysis was conducted on daily confirmed data from 19.03.2020 to 28.07.2020, and the predictions from the model were satisfactory with root mean square error (RSME) of 7,103. Data for this study was obtained from various reliable sources, including the Ministry of Health and Family Welfare (MoHFW) and http://covid19india.org/. The model identified was ARIMA(1,1,1) based on time series decomposition, autocorrelation function (ACF), and partial autocorrelation function (PACF).

Sign in / Sign up

Export Citation Format

Share Document