Triple Exponential Smoothing

Sidik, Nur. 2010. Forecasting Volume Produksi Tanaman Pangan, Produksi Tanaman Perkebunan Rakyat Kabupaten Magelang dengan Metode Exponential Smoothing berbantu Minitab. Tugas akhir, Jurusan Matematika, FMIPA UNNES. Pembimbing I: Dr. Scolastika. Mariani dan Pembimbing II: Endang Sugiharti, S.Si.M.Kom.

Menurut Render dan Heizer (2005) Penghalusan exponential adalah teknik peramalan rata-rata bergerak dengan pembobotan dimana data diberi bobot oleh sebuah fungsi exponential. Penghalusan exponential merupakan metode peramalan rata-rata bergerak dengan pembobotan canggih, namun masih mudah digunakan. Metode ini sangat dedikit pencatatan data masa lalu. Rumus penghalusan exponential dapat ditunjukkan sebagai berikut :

PT Toko Pakaian P.Tarigan adalah sebuah usaha yang bertujuan untuk mendapatkan laba semaksimal mungkin melalui kegiatan produksi penjualan barang yaitu berupa pakaian. Kendala yang dialami adalah pengolahan data dengan Microsoft Excel masih menyebabkan waktu yang lama dalam proses penyajian data, sehingga mengakibatkan terjadinya data yang berlebihan karena tidak adanya integrasi data antar prosedur. Prediksi penjualan pakaian saat ini hanya berdasarkan perkiraan saja tanpa melihat data yang ada. Kemudian kesulitan dalam melakukan perhitungan penjualan sehingga dalam pengolahan data masih sering terjadi kesalahan dan laporan tidak akurat dan efisien. Berdasarakan uraian tersebut, maka solusi untuk kendala-kendala yang disebutkan adalah dibangunnya suatu sistem informasi peramalan penjualan yang dapat membantu dalam perhitungan nilai peramalan dengan menggunakan metode exponential smoothing pendekatan adaptif yang diharapkan dapat memberikan kemudahan untuk menentukan peramalan. Sistem informasi peramalan penjualan pakaian adalah salah satu upaya perencanaan untuk memenuhi kebutuhan pakaian pada periode berikutnya untuk memenuhi permintaan pelanggan. Setelah membandingkan antara tujuan pembangunan perangkat lunak dan pengujian sistem dapat ditarik kesimpulan yaitu membangun perangkat lunak yang dapat menghasilkan informasi yang cukup akurat dan mudah digunakan. Penggambaran sistemnya menggunakan data flow diagram dan perancangan databasenya menggunakan entity relasi diagram. Pembuatan program ini sendiri menggunakan bahasa pemrograman PHP. Hasil dari sistem peramalan ini sendiri adalah jumlah peramalan di periode berikutnya serta berapa margin error yang terdapat dalam peramalan tersebut.

Lampiran 20 Hasil Peramalan Metode Weighted Moving Average dengan m=10.... 142 Lampiran 21 Hasil Peramalan Metode Exponential Smoothing dengan alpha=0.1...143 Lampiran 22 Hasil Peramalan Metode Exponential Smoothing dengan alpha=0.2...144 Lampiran 23 Hasil Peramalan Metode Exponential Smoothing dengan alpha=0.3...145 Lampiran 24 Hasil Peramalan Metode Exponential Smoothing dengan alpha=0.4...146 Lampiran 25 Hasil Peramalan Metode Exponential Smoothing dengan alpha=0.5...147 Lampiran 26 Hasil Peramalan Metode Exponential Smoothing dengan alpha=0.6...148 Lampiran 27 Hasil Peramalan Metode Exponential Smoothing dengan alpha=0.7...149 Lampiran 28 Hasil Peramalan Metode Exponential Smoothing dengan alpha=0.8...150 Lampiran 29 Hasil Peramalan Metode Exponential Smoothing dengan alpha=0.9...151 Lampiran 30 Hasil Peramalan Metode Exponential Smoothing with Trend

Forecasting is an art and science of predicting future events (Heizer and Render, 2010). In an overview of forecasting, there is classified into two methods: quantitative forecasting method and qualitative forecasting method. Qualitative forecast method is based on educated opinion of appropriate person whereas quantitative forecast method is more to time series analysis such as historical data analysis and component of time series demand. Some examples of qualitative forecast method include Delphi Method, market research, product life-cycle analogy, and expert judgment (“Forecast”, 1997). For quantitative forecast method, which is the interested part in this project, there are two parts of concerns. Part 1 is the time-series forecasting modeling which is forecast the new demand based on historical data such as Moving Average, Exponential Smoothing, ARIMA models, etc., while Part 2 is discussed in the components of time- series demand such as trend, average, stationary demand, etc. As mentioned earlier, forecasting is always not an actual value. Therefore, it is important to encounter for its deviation from the actual, or called as error. The performance measures used to determine the forecast accuracy are Mean Absolute Percent Error (MAPE), Mean Absolute Deviation (MAD), and Mean Squared Error (MSE).

First we looked at 3 and 5 periods Moving Averages and found the MAD to be 43.33 and 44.3 respectively which is pretty high taking into consideration the max (190) and min (20) values for sales (response variable). The forecasts for both methods used are shown in the Table below. Weighted Moving Average with the same periods resulted in even higher MAD which disproved the effectiveness of WMA method in this case (refer to the Table below for results) because the MAD was even higher than MAD found with moving average. Next, we examined whether exponential smoothing is suitable or not, the results revealed that neither exponential smoothing (with alphas = .1 which puts emphasis on more recent data and .9 which has more weight on old data) nor exponential smoothing with trend adjustment (beta =.1) are good models to use in this case even though MAD for ES and ES/TA methods turned out to be 38.2 and 38.25 respectively which is lower compared to other methods so far. We conducted sensitivity analysis in order to find appropriate betas and alphas; beta of .1 and alpha of .1 showed the lowest MAD relative to other levels of betas and alphas.

Peramalan penjualan memungkinkan sebuah perusahaan memiliki tingkat persediaan yang optimal untuk membuat keputusan yang sesuai dan mempertahankan efisiensi dari kegiatan operasional. Peramalan menjadi alat bantu penting bagi perusahaan untuk perencanaan produksi dan distribusi yang erat kaitannya dengan sumber daya dan biaya yang harus dikeluarkan. Oleh sebab itu, dalam Makalah ini dilakukan peramalan dengan membandingkan dua metode yaitu metode Winter Eksponensial Smoothing dan metode Event Based untuk menentukan penjualan terbaik di perusahaan. Metode event based terdiri dari metode moving average event based dan eksponensial smoothing event based yang perhitungannya menggunakan indeks special event, dan kemudian hasilnya dibandingkan dengan metode winter eksponensial smoothing. Setelah dilakukan peramalan diperoleh hasil bahwa metode winter eksponensial smoothing sesuai untuk produk A dan produk B, yang memiliki tingkat error terkecil.

Income tax is one of Indonesian financing sources to fund its expenditure. It is used to defray national development for improving public welfare. Therefore, the government sets the target for tax revenue so that it can be managed effectively. Predicting the target would help the government to thoroughly prepare the tax management. Because of either trend or seasonal pattern on its data, the basic method commonly used is holt-winter exponential smoothing. However, due to various schedule of tax payment, data have random shock. We employed grey method which was applied on exponential smoothing to reduce this random, hence we have smoothed data. In optimizing the parameters of the exponential smoothing, we used levenberg-marquardt algorithm. The result shows us that grey-holt exponential smoothing method is not always outperforming basic holt-winter exponential smoothing for forecasting Indonesian income tax.

This study aims to analyze the forecasting models suitable for predicting stock prices of selected banking companies . The selection of models is essential in forecasting , because forecasting models is very useful to estimate using past data in the past . This study used the pattern identification methods of forecasting.Check pattern data using autocorelation function . The samples used were 3 samples , the BNI , Mandiri , and BRI . The results showed that the appropriate forecasting method to forecast stock prices BNI and Mandiri is a method of ARIMA ( 1,2,1 ) . While the BRI appropriate forecasting method is Exponential Smoothing method Triple : A Quadratic Method Parameters of Brown with a value of α = 0.3 .

Metode smoothing (metode pemulusan/pelicin) merupakan teknik meramal dengan cara mengambil rata- rata dari nilai beberapa periode yang lalu untuk menaksir nilai pada periode yang akan datang. Dalam metode ini data historis di gunakan untuk memperoleh angka yang dilicinkan atau diratakan. Dalam metode ini peramalan dilakukan dengan mengulang perhitungan secara terus-menerus dengan menggunakan data terbaru. Setiap data diberi bobot, data yang lebih baru diberi bobot yang lebih besar.