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 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 ANALISA KOMPARASI NEURAL NETWORK BACKPROPAGATION DAN MULTIPLE LINEAR REGRESSION UNTUK PERAMALAN TINGKAT INFLASI

2019 ◽  
Author(s):  
Amrin Amrin
Keyword(s):  
Neural Network ◽  
Linear Regression ◽  
Root Mean Square Error ◽  
Multiple Linear Regression ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Mean Absolute Deviation ◽  
Mean Square ◽  
Absolute Deviation

Tingkat inflasi tidak dapat dianggap remeh dalam sistem perekonomian suatu negara dan pelaku bisnis pada umumnya. Jika inflasi dapat diramalkan dengan akurasi yang tinggi, tentunya dapat dijadikan dasar pengambilan kebijakan pemerintah dalam mengantisipasi aktivitas ekonomi di masa depan. Pada penelitian ini akan digunakan metode prediksi neural network backpropagation dan multiple linear regression untuk memprediksi tingkat inflasi bulanan di indonesia, selanjutnya membandingkan manakah yang terbaik dari kedua metode tersebut. Data inflasi yang digunakan bersumber dari Badan Pusat Statistik dari tahun 2006-2015, dimana 80% sebagai data training dan 20% sebagai data testing. Dari hasil analisis data yang dilakukan disimpulkan bahwa Performa model multiple linear regression lebih baik dibandingkan dengan metode neural network backpropagation dengan nilai mean absolute deviation (MAD) sebesar 0.0380, mean square error (MSE) sebesar 0.0023, dan nilai Root Mean Square Error (RMSE) sebesar 0.0481

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 Indian COVID-19 dynamics: Prediction using autoregressive integrated moving average modelling

2021 ◽  
Vol 52 (1) ◽  
pp. 6-14
Author(s):  
Amit Tak ◽  
Sunita Dia ◽  
Mahendra Dia ◽  
Todd Wehner
Keyword(s):  
Root Mean Square Error ◽  
Real Time ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Moving Average ◽  
Information Criteria ◽  
Evidence Based ◽  
Mean Square ◽  
Autoregressive Integrated Moving Average ◽  
Akaike Information Criteria

Background: The forecasting of Coronavirus Disease-19 (COVID-19) dynamics is a centrepiece in evidence-based disease management. Numerous approaches that use mathematical modelling have been used to predict the outcome of the pandemic, including data-driven models, empirical and hybrid models. This study was aimed at prediction of COVID-19 evolution in India using a model based on autoregressive integrated moving average (ARIMA). Material and Methods: Real-time Indian data of cumulative cases and deaths of COVID-19 was retrieved from the Johns Hopkins dashboard. The dataset from 11 March 2020 to 25 June 2020 (n = 107 time points) was used to fit the autoregressive integrated moving average model. The model with minimum Akaike Information Criteria was used for forecasting. The predicted root mean square error (PredRMSE) and base root mean square error (BaseRMSE) were used to validate the model. Results: The ARIMA (1,3,2) and ARIMA (3,3,1) model fit best for cumulative cases and deaths, respectively, with minimum Akaike Information Criteria. The prediction of cumulative cases and deaths for next 10 days from 26 June 2020 to 5 July 2020 showed a trend toward continuous increment. The PredRMSE and BaseRMSE of ARIMA (1,3,2) model were 21,137 and 166,330, respectively. Similarly, PredRMSE and BaseRMSE of ARIMA (3,3,1) model were 668.7 and 5,431, respectively. Conclusion: It is proposed that data on COVID-19 be collected continuously, and that forecasting continue in real time. The COVID-19 forecast assist government in resource optimisation and evidence-based decision making for a subsequent state of affairs.

scholarly journals Forecasting hourly emergency department arrival using time series analysis

2020 ◽  
Vol 26 (1) ◽  
pp. 34-43
Author(s):  
Avishek Choudhury ◽  
Estefania Urena
Keyword(s):  
Emergency Department ◽  
Time Series ◽  
Root Mean Square Error ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Moving Average ◽  
Time Series Forecasting ◽  
Mean Square ◽  
Mean Error ◽  
Auto Regressive

Background/aims The stochastic arrival of patients at hospital emergency departments complicates their management. More than 50% of a hospital's emergency department tends to operate beyond its normal capacity and eventually fails to deliver high-quality care. To address this concern, much research has been carried out using yearly, monthly and weekly time-series forecasting. This article discusses the use of hourly time-series forecasting to help improve emergency department management by predicting the arrival of future patients. Methods Emergency department admission data from January 2014 to August 2017 was retrieved from a hospital in Iowa. The auto-regressive integrated moving average (ARIMA), Holt–Winters, TBATS, and neural network methods were implemented and compared as forecasters of hourly patient arrivals. Results The auto-regressive integrated moving average (3,0,0) (2,1,0) was selected as the best fit model, with minimum Akaike information criterion and Schwartz Bayesian criterion. The model was stationary and qualified under the Box–Ljung correlation test and the Jarque–Bera test for normality. The mean error and root mean square error were selected as performance measures. A mean error of 1.001 and a root mean square error of 1.55 were obtained. Conclusions The auto-regressive integrated moving average can be used to provide hourly forecasts for emergency department arrivals and can be implemented as a decision support system to aid staff when scheduling and adjusting emergency department arrivals.

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 AZƏRBAYCANDA COVID-19 KORONAVİRUSUNA YOLUXMANIN PROQNOZLAŞDIRILMASI ÜÇÜN ARIMA MODELLƏRİNİN TƏTBİQİ

2021 ◽  
Vol 12 (1) ◽  
pp. 95-104
Author(s):  
Firəngiz Sadıyeva ◽  
Keyword(s):  
Root Mean Square Error ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Mean Absolute Error ◽  
Moving Average ◽  
Absolute Error ◽  
Mean Square ◽  
Autoregressive Integrated Moving Average

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.

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 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 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