Planning Production Capacity Using Time Series Forecasting Method and Linier Programming

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.

Download Full-text

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

Jambura Journal of Probability and Statistics ◽

10.34312/jjps.v1i2.7152 ◽

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.

Download Full-text

Pendukung Keputusan Dalam Peramalan Penjualan Ayam Broiler Dengan Metode Trend Moment Dan Simple Moving Average Pada CV. Merdeka Adi Perkasa

JURNAL MEDIA INFORMATIKA BUDIDARMA ◽

10.30865/mib.v2i3.652 ◽

2018 ◽

Vol 2 (3) ◽

Author(s):

Win Kurniadi

Keyword(s):

Moment Method ◽

Average Method ◽

Broiler Chicken ◽

Moving Average ◽

Mean Absolute Percentage Error ◽

Percentage Error ◽

The Past ◽

Absolute Percentage Error

Forecasting is the approximate level of demand for one or more products over the coming periods. In forecasting the level of demand for no excess and no less the amount of broiler chicken stock based on sales in the past. Decision supporters are investigated to predict the number of requests using trend moment method and simple moving average method and measure the level of accuracy predict by means of mean absolute percentage error. With both methods, the result of the research showed that trend moment method obtained the highest mean absolute percentage error of 4,08% and the lowest was 36.12% while the moving average method obtained the highest mean absolute percentage error of 3.25% and the lowest was 23.12%.

Download Full-text

Towards optimal ATM cash replenishment using time series analysis

Journal of Intelligent & Fuzzy Systems ◽

10.3233/jifs-201953 ◽

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.

Download Full-text

PERBANDINGAN METODE EARNED VALUE, EARNED SCHEDULE, DAN KALMAN FILTER EARNED VALUE UNTUK PREDIKSI DURASI PROYEK

JMTS: Jurnal Mitra Teknik Sipil ◽

10.24912/jmts.v3i1.7069 ◽

2020 ◽

Vol 3 (1) ◽

pp. 155

Author(s):

Andree Sugiyanto ◽

Onnyxiforus Gondokusumo

Keyword(s):

Kalman Filter ◽

Mean Absolute Percentage Error ◽

Percentage Error ◽

Project Schedule ◽

Probabilistic Forecasting ◽

Earned Value ◽

Control Data ◽

Absolute Percentage Error ◽

Forecasting Method ◽

Duration Prediction

In the world of construction, control is needed at the implementation stage, which is prediction or forecasting duration project schedule. Estimated project schedule is an important part for project management making decisions that affect the future of the project. Forecasting method commonly used by practitioners in this case the construction project contractor in evaluating prediction of duration is deterministic forecasting method Earned Value Method (EVM), Earned Schedule Method (ESM). Kalman Filter Earned Value Method (KEVM) as probabilistic forecasting method is carried out to produce more accurate predictive value. The purpose of this study to compare the accuracy of three methods. This research was conducted by calculating duration of the project from EVM, ESM, and KEVM on maintenance and reconstruction projects of Jakarta-Cikampek and Jakarta-Tangerang toll roads. The data used from the project control data S-curve. The control data is processed with EVM, ESM, KEVM to determine the comparison between three methods of predicting duration. Prediction results of three methods were tested with Mean Absolute Percentage Error (MAPE). The results of this study indicate that KEVM can reduce errors after Kalman Filter is performed on estimated duration using EVM. ESM duration prediction yields the smallest MAPE value of the three methods. AbstrakDalam dunia pembangunan konstruksi dibutuhkan pengendalian pada tahap pelaksanaan yaitu prediksi atau peramalan durasi jadwal proyek. Perkiraan jadwal proyek adalah bagian penting untuk manajemen proyek membuat keputusan yang mempengaruhi masa depan proyek. Metode peramalan yang umum digunakan para praktisi dalam hal ini kontraktor proyek konstruksi dalam mengevaluasi prediksi durasi adalah metode peramalan deterministik Earned Value Method (EVM), Earned Schedule Method (ESM). Kalman Filter Earned Value Method (KEVM) sebagai metode peramalan probabilistik dilakukan untuk menghasilkan nilai prediksi yang lebih akurat. Tujuan penelitian ini membandingkan akurasi dari ketiga metode. Penelitian ini dilakukan dengan menghitung durasi proyek dari EVM, ESM, dan KEVM pada proyek pemeliharaan dan rekonstruksi jalan tol Jakarta – Cikampek dan Jakarta – Tangerang. Data yang digunakan dari proyek tersebut adalah data-data pengendalian berupa kurva S. Data pengendalian tersebut diolah dengan EVM, ESM, KEVM untuk mengetahui perbandingan antara ketiga metode prediksi durasi tersebut. Hasil prediksi dari ketiga metode diuji dengan Mean Absolute Percentage Error (MAPE). Hasil dari penelitian ini menunjukkan bahwa KEVM dapat mengurangi kesalahan setelah dilakukan Kalman Filter pada perkiraan durasi menggunakan Earned Value Method. Prediksi durasi ESM menghasilkan nilai MAPE yang paling kecil dari ketiga metode.

Download Full-text

Peramalan Jumlah Populasi Sapi Potong di Kalimantan Selatan Menggunakan Metode Moving Average, Exponential Smoothing dan Trend Analysis

Jurnal Teknologi Agro-Industri ◽

10.34128/jtai.v6i1.88 ◽

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.

Download Full-text

APLIKASI PREDIKSI JANGKA PENDEK HARGA BITCOIN MENGGUNAKAN METODE ARIMA

Jurnal Ilmiah Informatika Komputer ◽

10.35760/ik.2020.v25i3.3128 ◽

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.

Download Full-text

Prediksi Kedatangan Turis Menggunakan Algoritma Weighted Exponential Moving Average

Jurnal ULTIMATICS ◽

10.31937/ti.v12i2.1831 ◽

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%.

Download Full-text

SISTEM PENDUKUNG KEPUTUSAN DALAM PEMILIHAN MODEL DENGAN MENGGUNAKAN METODE TIME SERIES

NJCA (Nusantara Journal of Computers and Its Applications) ◽

10.36564/njca.v2i2.29 ◽

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

Download Full-text

Metode Automatic clustering-fuzzy logical relationships pada Peramalan Jumlah Penduduk di Kota Makassar

Journal of Mathematics, Computations, and Statistics ◽

10.35580/jmathcos.v1i2.9242 ◽

2019 ◽

Vol 1 (2) ◽

pp. 193

Author(s):

Muhammad Abdy ◽

Rahmat Syam ◽

Elfira Haryanensi

Keyword(s):

Time Series ◽

Fuzzy Theory ◽

Secondary Data ◽

Mean Absolute Percentage Error ◽

Fuzzy Time Series ◽

Percentage Error ◽

Absolute Percentage Error ◽

Automatic Clustering ◽

Forecasting Method ◽

Fuzzy Logical

Abstrak. Penelitian ini merupakan penerapan metode automatic clustering-fuzzy logical relationships unruk meramalkan jumlah penduduk di Kota Makassar menggunakan data sekunder BPS Kota Makassar yang bertujuan memprediksi jumlah penduduk tahun 2017-2021. Penelitian diawali dengan penentuan panjang interval, nilai tengah panjang interval, membuat relasi logika fuzzy, fuzzifikasi, defuzzifikasi, dan menghitung nilai error hasil ramalan dengan metode Mean Absolute Percentage Error. Hasil penelitian ini menunjukkan bahwa ramalan jumlah penduduk di Kota Makassar dari tahun 2016 ke 2017 meningkat, tahun 2017 sampai tahun 2019 menurun, dan pada tahun 2019-2021 meningkat dengan keakuratan yang sangat bagus.Kata kunci:Automatic clustering-fuzzy logical relationships, Fuzzy Time Series,TeoriFuzzyAbstract.This research is the application of the forecasting method of fuzzy time series which is the method of automatic clustering fuzzy-logical relationships in forecasting the population of Makassar City using secondary data from BPS Makassar city which aims to predicting the population in year 2017-2021. The discussion starting from the determination of the length of the interval, determining the value of the middle length interval, making relations of fuzzy logic, fuzzification, defuzzification, and calculating the error value of the forecasting result by using the method of Mean Absolute Percentage Error. The result of this research shows that the predictions of the population of Makassar City from 2016 to 2017 increased, from 2017 to 2019 decreased, and in 2019-2021 increased with the very good accuracy. Keywords:Automatic Clustering-Fuzzy Logical Relationships, Fuzzy Time Series,Fuzzy Theory

Download Full-text

FORECASTING DATA RUNTUN WAKTU MUSIMAN MENGGUNAKAN METODE SINGULAR SPECTRUM ANALYSIS (SSA)

Teorema Teori dan Riset Matematika ◽

10.25157/teorema.v5i1.3286 ◽

2020 ◽

Vol 5 (1) ◽

pp. 47

Author(s):

Dadang Ruhiat ◽

Dini Andiani ◽

Wulan Nurul Kamilah

Keyword(s):

Spectrum Analysis ◽

Moving Average ◽

Singular Spectrum Analysis ◽

Mean Absolute Percentage Error ◽

Percentage Error ◽

Forecasting Model ◽

Autoregressive Integrated Moving Average ◽

Absolute Percentage Error ◽

Singular Spectrum

Pemodelan dan forecasting data runtun waktu akhir-akhir ini terus berkembang dan digunakan di berbagai bidang termasuk di bidang hidrologi. Parameter hidrologi yang sangat penting adalah debit sungai di Indonesia sebagaimana halnya di negara tropis lainnya, besaran dan fluktuasinya dipengaruhi oleh dua faktor musiman, yaitu musim hujan dan kemarau. Pemodelan dan forecasting runtun waktu berbasis statistik pada dasarnya dapat dilakukan melalui dua pendekatan, yaitu statistik parametrik dan statistik non-parametrik. Namun fakta menunjukkan pemodelan dan forecasting runtun waktu melalui pendekatan statistik parametrik lebih banyak dilakukan. Pada penelitian ini dilakukan pemodelan dan forecasting data runtun waktu debit sungai melalui pendekatan statistik non-parametrik dengan menggunakan metode Singular Spectrum Analysis (SSA). Tujuan dari penelitian ini adalah untuk mengetahui hasil forecasting metode SSA dan mengetahui hasil komparasinya dengan hasil forecasting statistik parametrik yang telah dilakukan sebelumnya melalui model Seasonal Autoregressive Integrated Moving Average (SARIMA). Metode proses penelitian ini adalah berupa kajian teori yang kemudian dilanjutkan dengan proses komputasi. Hasil analisis menunjukkan metode SSA memberikan hasil forecasting dengan nilai Mean Absolute Percentage Error (MAPE) yang lebih kecil dari model SARIMA. Dengan demikian disimpulkan forecasting runtun waktu debit sungai yang berpola musiman melalui metode SSA relatif lebih baik dari hasil forecasting model SARIMA.

Download Full-text