Abstract
Algoritma DES (Double Exponential Smoothing) Brown merupakan algoritma peramalan yang digunakan untuk memprediksi data deret berkala baik berpola tren positif maupun tren negatif. Namun algoritma ini mempunyai kelemahan yaitu dalam menentukan nilai parameter optimum untuk meminimasi error peramalan (MAPE), nilai parameter tersebut dicari menggunakan metode Golden Section dimana sebelumnya dicari secara manual menggunakan percobaan berulang kali. Penelitian ini menggunakan 60 data berpola tren yang dianalisis untuk pengelompokan pola data tren positif dan negatif dimana selanjutnya dilakukan proses peramalan, evaluasi dan pengujian untuk mengetahui jenis pola data tren apa yang terbaik. Dari hasil perhitungan dan pengujian diketahui bahwa parameter optimasi menghasilkan nilai MAPE yang optimum, dimana selanjutnya nilai parameter tersebut dilakukan proses peramalan pada kelompok pola data tren positif dan negatif yang menghasilkan rata-rata nilai MAPE sebesar 9,73401% (highly accurate) untuk data berpola tren positif dan 15,78467% (good forecast) untuk data berpola tren negatif. Algoritma peramalan DES Brown dengan metode optimasi parameter menghasilkan nilai pendekatan terhadap data asli jika data tersebut menunjukkan penambahan atau penurunan nilai disekitar nilai rata-rata. Sebaliknya, akan menghasilkan nilai MAPE yang tinggi (tidak akurat) jika data tersebut memiliki lonjakan periode nilai data. Dari kedua kelompok nilai MAPE tersebut dilakukan uji t statistik yang menyatakan bahwa data berpola tren positif () menghasilkan nilai rata-rata MAPE lebih baik dibandingkan data berpola tren negatif (μ2).
Highlights
Algorithm DES (Double Exponential Smoothing) Brown is a forecasting algorithm used to predict time series data both patterned positive trends and negative trends
this algorithm has a weakness in determining the optimum parameter value to minimize forecasting error
evaluation and testing to know what type of data pattern is best
Summary
Metode penelitian rujukan tersebut peneliti dapat melihat bahwa golden section ini pada dasarnya mengurangi daerah dalam menentukan parameter dilakukan secara manual batas (α) yang mungkin menghasilkan nilai fungsi dengan pengujian nilai parameter berkali-kali untuk objektif optimum secara iteratif. Selanjutnya menentukan dua nilai α ini, nilai parameter dicari menggunakan metode Golden yang simetris dalam interval tersebut yaitu b dan c, dan Section sehingga nilai parameter optimum lebih mudah interval kemungkinan fungsi bernilai optimum didapatkan dan lebih efektif untuk menghasilkan nilai dikurangi dari [a, d] menjadi [a, c] atau [b, d] tergantung. Merujuk pada penelitian yang sudah dilakukan oleh (Nurrahim Dwi Saputra, Abdul Aziz dan Bambang Harjito, 2016) yang meneliti tentang optimasi parameter unimodal yaitu fungsi dengan satu nilai minimum, apabila nilai f(b) < f(c) maka interval dapat dikurangi menjadi [a,c].
Sign-in/Register to view highlights & summary Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callMore From: Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi)
Disclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
