Garini, Jwalita Galuh (2018) Perbandingan Metode Holt-Winter, Grey Holt-Winter, dan Hybrid Holt-Winter Artificial Neural Network Pada Peramalan Data Intermiten. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5214100067-Undergraduate_Theses.pdf - Accepted Version Download (4MB) | Preview |
Abstract
Peramalan menjadi hal yang dibutuhkan dalam banyak situasi. Tiap peramalan memiliki tingkat kesulitan yang berbeda, bergantung pada beberapa faktor, salah satunya adalah data. Pada banyak kasus nyata, data deret waktu untuk peramalan tidak selalu bagus, misalnya data bersifat intermiten yaitu memiliki proporsi nilai nol yang besar. Ini menjadi masalah yang biasanya dihadapi oleh banyak bidang penelitian dan perusahaan. Sehingga penting untuk mengetahui metode peramalan yang bekerja baik untuk data intermiten mengingat data jenis ini sering ditemui pada kasus nyata seperti pada data persediaan, penjualan, pengiriman, impor, dan data lainnya dimana permintaan untuk item tertentu bersifat tidak teratur.
Metode yang banyak digunakan pada penelitian peramalan data intermiten adalah Exponential Smoothing. Metode tersebut banyak digunakan pada industri karena dianggap cepat, murah, dan menghasilkan peramalan yang mendekati kenyataan. Kombinasi metode peramalan secara luas dapat menguntungkan, menghasilkan perkiraan yang lebih akurat, sekaligus mengurangi varians dari residu. Untuk itu, dalam tugas akhir ini digunakan Holt-Winter dan modifikasi Holt-Winter berupa Grey Holt-Winter dan Holt-Winter Artificial Neural Network untuk meramalkan data yang bersifat intermiten.
Hasil uji coba yang dilakukan menunjukkan bahwa penggunaan kombinasi transformasi serta perbandingan data pelatihan dan pengujian yang berbeda dapat memberikan pengaruh pada akurasi model. Berdasarkan nilai MAD, MAPE, MSE terkecil didapatkan model terbaik Holt-Winter Artificial Neural Network dengan menggunakan transformasi data serta perbandingan data pelatihan dan pengujian sebesar 50:50. Metode ini dapat memberikan akurasi yang lebih tinggi dibandingkan dengan metode Holt-Winter biasa dan Grey Holt-Winter. Berdasarkan nilai MDA, metode ini dapat mendeteksi pola atau arah deret waktu yang benar antara hasil peramalan dan data aktual. ======================================================================================== Forecasting becomes necessary in many situations. Each forecast has a different level of difficulty, depending on several factors, one of which is data. In many real cases, deret waktu data for forecasting are not always good, for example intermittent data that has a large proportion of zero values. This is a problem that is usually faced by many research and corporate fields. So it is imporant to know forecasting methods that work well for intermittent data considering that this type of data is often encountered in real cases such as inventory, sales, delivery, impors, and other data where the demand for certain items is irregular.
A widely used method of intermittent data forecasting research is Exponential Smoothing. The method is widely used in industry because it is considered fast, cheap, and produce a near-reality prediction. The combination of forecasting methods can be widely advantageous, yielding more accurate estimates, while reducing the variance of residuals. For that, in this final project used Holt-Winter and Holt-Winter modification, that are Grey Holt-Winter and Holt-Winter Artificial Neural Network, to forecast data that is intermittent.
The experimental results show that the use of a combination of transformations and the comparison of different training and test data can have an effect on the accuracy of the model. Based on the value of the smallest MAD, MAPE, and MSE obtained the best model Holt-Winter Artificial Neural Network using data transformation and comparison of training and test data of 50:50. This method can provide a higher accuracy than the usual Holt-Winter and Gray Holt-Winter methods. Based on MDA values, this method can detect the correct or direction between forecasting and actual data.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Additional Information: | RSSI 519.535 Gar p-1 3100018074266 |
| Uncontrolled Keywords: | Forecasting; Intermittent Data; Missing Data; Holt-Winter; Gray Holt-Winter; Artificial Neural Network |
| Subjects: | H Social Sciences > HB Economic Theory > Economic forecasting--Mathematical models. Q Science > QA Mathematics > QA280 Box-Jenkins forecasting Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) Q Science > QA Mathematics > QA76.9 Computer algorithms. Virtual Reality. Computer simulation. |
| Divisions: | Faculty of Information and Communication Technology > Information Systems > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Jwalita Galuh Garini |
| Date Deposited: | 07 Feb 2018 07:18 |
| Last Modified: | 17 May 2020 07:34 |
| URI: | http://repository.its.ac.id/id/eprint/49481 |
Actions (login required)
 |
View Item |