scholarly journals PENGEMBANGAN SISTEM INFORMASI PENJUALAN DAN PERAMALAN JUAL BELI MENGGUNAKAN METODE WEIGHTED MOVING AVERAGE (Studi Kasus Toko Emas Maju Sari Kota Malang)

2016 ◽  
Vol 2 (3) ◽  
pp. 138
Author(s):  
Hendra Pradibta ◽  
Aulia Umar Nur Al Saffa
Keyword(s):  
Moving Average ◽  
Sql Server ◽  
Mean Absolute Deviation ◽  
Absolute Deviation ◽  
Weighted Moving Average

Dengan banyaknya transaksi membuat dibutuhkan sistem yang menunjang transaksi pada toko emas Maju Sari. Sistem informasi penjualan penting digunakan agar dapat menunjang kinerja pada toko. Penentuan jumlah  stok  yang  mengacu  pada  peramalan  jumlah  penjualan  dan  pembelian  membuat  toko  mendapatkan informasi yang tepat. Tujuan dari pembuatan sistem informasi ini adalaha menganalisa kinerja toko dan analisa metode peramalan weighted moving average secara manual kedalam sistem informasi agar lebih praktis, dengan menggunakan VB.Net sebagai bahasa  pemrograman  dan SQL Server  sebagai database. Setelah  melakukan observasi pada toko emas Maju Sari, didapat alur proses transaksi dan hasil historis penjualan barang (kalung, liontin, anting, giwang, gelang, dan cincin) pada tahun 2012 hingga 2014 untuk dianalisa. Dari metode peramalan dapat dihitung forcast error­nya dengan menggunakan metode mean absolute deviation dan mean absolute percent. Dari sistem informasi yang dikembangkan dan analisa yang telah dilakukan, dapat disimpulkan bahwa sistem berjalan sesuai dengan alur proses transaksi pada toko emas serta mengetahui peramalan atau prediksi penjualan dan pembelian pada masa mendatang. Sehingga dapat membantu toko emas Maju Sari untuk menentukan jumlah stok barang untuk penjualan kedepan.

scholarly journals Sistem Peramalan Persediaan Sparepart Menggunakan Metode Weight Moving Average dan Reorder Point

2021 ◽  
Vol 20 (2) ◽  
pp. 343-354
Author(s):  
Cindy Ameilia Suhendra ◽  
Marsani Asfi ◽  
Widya Jati Lestari ◽  
Ilwan Syafrinal
Keyword(s):  
Moving Average ◽  
Mean Absolute Deviation ◽  
Absolute Deviation ◽  
Reorder Point ◽  
Tracking Signal ◽  
Weighted Moving Average

SM Teknik menjual sparepart sepeda motor, perkakas teknik, perkayuan serta jasa perbaikan mesin pertukangan dan mesin bubut corer. SM Teknik mengalami kesulitan dalam mempredikasi jumlah persediaan sparepart untuk pengadaan kembali. Data historis penjualan SM Teknik selama ini masih terdata dengan pencatatan manual. Oleh karena itu perlu dikembangkan suatu sistem berbasis komputer. Pengembangan sistem berbasis komputer menggunakan metode waterfall dengan tahapan analisis sistem, desain sistem, implementasi sistem dan pengujian sistem. Sistem dibangun dengan bahasa pemrograman PHP dengan DBMS mySQL. Metode peramalan menggunakan metode weighted moving average (WMA) untuk prediksi jumlah stok sparepart yang harus dibeli untuk periode selanjutnya. Penentuan batas aman persediaan menggunakan metode Reorder Point (ROP). Data historis dalam penelitian ini adalah data aktual penjualan sparepart dari bulan Januari sampai dengan Desember 2018. Hasil peramalan sparepart untuk produk KLEP SET HGLPRO NEOTECH untuk bulan Januari 2019 adalah sebanyak 24. Sedangakan untuk validasi hasil peramalan diperoleh nilai Mean Absolute Deviation sebesar 4.11 dan nilai tracking signal -0.81 artinya nilai data aktual permintaan lebih kecil dari nilai hasil peramalan, ditunjukkan dengan nilai negatif. Sehingga disimpulkan bahwa sistem peramalan ini telah teruji dengan data dan diperoleh nilai ramalan yang baik.

PERENCANAAN PERSEDIAAN BAHAN BAKU AKAR TANJUNG DENGAN METODE MATERIAL REQUIREMENTS PLANNING (MRP) PADA UPT. MAKARTI POMOSDA

2020 ◽  
Vol 16 (3) ◽  
pp. 1-12
Author(s):  
Khoirul Hidayah ◽  
Sukarni Sukarni ◽  
Achmad Syaichu
Keyword(s):  
Standard Error ◽  
Mean Squared Error ◽  
Moving Average ◽  
Mean Absolute Deviation ◽  
Absolute Deviation ◽  
Material Requirements Planning ◽  
Safety Stock ◽  
Mean Error ◽  
Squared Error ◽  
Material Requirement

Suatu produksi yang direncanakan dengan baik akan menghasilkan efektivitas dan efisiensi produksi bagi perusahaan. Pentingnya perencanaan material pada perusahaan diharapkan dapat menghasilkan sistem yang baik terhadap proses produksi. Tujuan dari penelitian ini adalah untuk mengetahui penerapan Material Requirement Planning (MRP) sehingga kebutuhan bahan baku selama proses produksi di UPT MAKARTI POMOSDA dapat terpenuhi dengan menggunakan metode peramalan forecasting dalam satu tahun yaitu, moving average dan weighted moving average.  Metode ini terpilih untuk mengetahui safety stock nya produk setiap bulan dan setiap tahun. Berdasarkan detail dan analisa kesalahan metode moving average dengan menggunakan program POM QM forWindows Versi 3 Basic (Mean Error) 42,455, MAD (Mean Absolute Deviation) 259,545, MSE (Mean Squared Error) 118490,6, Standard Error (denom=n-2=9) 380,555, MAPE (Mean Absolute Percent Error) 643, dan next period 480. Sedangkan detail dan analisa kesalahan metode ini dengan menggunakan program POM QM For Windows Versi 3 Basic (Mean Error) 38,827, MAD (Mean Absolute Deviation) 212,257, MSE (Mean Squared Error) 83586,58, Standard Error (denom=n-2=9) 323,239, MAPE (Mean Absolute Percent ) 495, dan next period 464,893. Berdasarkan hasil proses diatas juga diketahui (safety stock) pada UPT MAKARTI POMOSDA pada tahun 2017 yaitu sejumlah 5209 unit, setelah dilakukan penelitian mengalami kenaikan sebesar 6758 dengan prosentase sebesar 129,7%, sehingga tidak ada penumpukan barang digudang. Hal ini juga didukung dengan penurunan biaya simpan bahan baku dari Rp 120.850/Periode (bulan) menjadi Rp 109.350/Periode (bulan).

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 Predicting Movement of Stock of Apple Inc. using Sutte Indicator

2017 ◽  
Author(s):  
Ansari Saleh Ahmar
Keyword(s):  
Decision Making ◽  
Moving Average ◽  
Investment Decision ◽  
Technical Analysis ◽  
Percentage Error ◽  
Decision Making Process ◽  
Mean Absolute Deviation ◽  
Absolute Deviation ◽  
Investment Decision Making ◽  
The Mean

The purpose of this study is to apply technical analysis e.g. Sutte Indicator in Stock Market that will assist in the investment decision-making process to buy or sell of stocks. This study took data from Apple Inc. which listed in the NasdaqGS in the period of 1 January 2008 to 26 September 2016. Performance of the Sutte Indicator can be seen with comparison with other technical analysis e.g. Simple Moving Average (SMA) and Moving Average Convergence/Divergence (MACD). Comparison of the reliability of prediction from Sutte Indicator, SMA, and MACD using the mean of square error (MSE), mean absolute deviation (MAD) and mean absolute percentage error (MAPE).

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 PREDIKSI JUMLAH PENERIMAAN SISWA SMK SWASTA TAHUN AJARAN 2011/2012

2012 ◽  
Vol 3 (2) ◽  
pp. 923
Author(s):  
Haryadi Sarjono
Keyword(s):  
Mean Squared Error ◽  
Moving Average ◽  
Exponential Smoothing ◽  
Vocational High School ◽  
Absolute Deviation ◽  
Squared Error ◽  
Forecasting Methods ◽  
Naive Method ◽  
Manual Calculation ◽  
Weighted Moving Average

This study aims to determine prediction number of modern private Vocational High School (SMK) students in a province in Borneo with the approach of six forecasting methods: Linear Regression, Exponential Smoothing with Trend, Exponential Smoothing, Weighted Moving Average, Moving Average, and the Naive Method, besides using Manual calculation, the approach of QM for windows is used as a comparison. The result will be determined by the six forecasting methods which is used as a proper basis for the next calculating based on the smallest MAD (Mean Absolute Deviation) and MSE (Mean Squared Error) approach. The data in this study were made by the writer alone. 

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 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.

Optimal Production Inventory Policies for Operations: A Case Study of PVC Pipes Production

2013 ◽  
Vol 824 ◽  
pp. 536-543
Author(s):  
Harold C. Godwin ◽  
Uchendu O. Onwurah
Keyword(s):  
Time Series ◽  
Linear Regression ◽  
Multiple Linear Regression ◽  
Manufacturing Sector ◽  
Moving Average ◽  
Mean Absolute Deviation ◽  
Absolute Deviation ◽  
Independent Variables ◽  
Production Inventory ◽  
F Distribution

This study focuses on solving the problem of overstocking and under stocking of production inventory in manufacturing sector. To ensure effective management of inventory in manufacturing sector, three years production data were gathered and properly analyzed using multiple linear regression analysis and time series forecasting methods. A multiple linear regression model was developed in MINITAB software to make prediction for inventory requirements. From the result, the coefficient of determination (R2) is 1.00, the adjusted R2 is 1.00, F-distribution is 4.212 x 107 which is greater than any value in F-distribution table, and all these show a very strong relationship between the dependent variable and the independent variables. Also, a Time series analysis was done to make forecast of monthly inventory requirements for both raw materials and finished products. Trend analysis and Moving Average method were used in Time series forecasting, and lower Mean Absolute Percent Error (MAPE) and Mean Absolute Deviation (MAD) were used as criteria for selecting the method that gives the best forecast. From the results obtained, Trend analysis gave MAPE 13% and MAD 2350, while Moving Average gave MAPE 14% and MAD 2574. This work adds to growing body of literatures on data driven inventory management by utilizing historical data in customized software for generation of models that can effectively make forecast of inventory requirements in manufacturing sector. Nomenclature: a = Value of yt at t = 0; b = Trend Value; MA= Moving Average; MAD = Mean Absolute Deviation MAPE =Mean Absolute Percentage Error; N = Number of periods; t = Period Yt = Forecast for period t y = Monthly Quantity of Product Produced α=regression constant β1-βk=Coefficients of the independent variables

Testing the market efficiency by mean absolute deviation

2017 ◽  
Vol 24 (7) ◽  
pp. 2049-2062 ◽  
Author(s):  
Louie Ren ◽  
Peter Ren
Keyword(s):  
Time Series ◽  
Market Efficiency ◽  
Moving Average ◽  
Forecast Accuracy ◽  
Mean Absolute Deviation ◽  
Absolute Deviation ◽  
Content Type ◽  
Accuracy Measure ◽  
The Mean ◽  
Practical Implications

Purpose Numerous articles have been written to prove or to disapprove the hypothesis of market efficiency. The purpose of this paper is to apply the forecast accuracy measure, mean absolute deviation (MAD), to check the validity of the hypothesis. Design/methodology/approach Forecast accuracies from applying different simple moving average methods to independently identically distributed (i.i.d.) or near i.i.d. normal time series are assessed by MAD. When moving period n is greater than m, then the mean of the MADs from the MA with n moving periods will be smaller than the mean of the MADs from the MA with m moving periods. Findings In this study, when different MAs are applied to four near i.i.d. finance time series from Fama’s papers, the MAD cannot distinguish the differences among MA methods with various moving periods. This contradiction implies that the four finance time series in Fama’s papers may not be i.i.d and implies that the market is not efficient. Research limitations/implications The finding is only based on simulation and four near i.i.d. time series studied in Fama’s papers in 1965 and 1970. Practical implications The study shows that that the differences of the rates of returns from Johns Manville, Goodyear, Owens Illinois, and General Electric studied are not i.i.d. and that the market is not efficient. It refutes what Fama (1965, 1970) has claimed. Social implications When the market is not efficient, investors may gain profit from the market. Originality/value Based on the literature review, this is the first study to use the forecast accuracy measure, MAD, for market efficiency.

Sign in / Sign up

Export Citation Format

Share Document