Evaluasi Algoritma Peramalan Exponential Smoothing dan Holt-Winter’s Additive dalam Data Mining

Abstract

Single Exponential smoothing, double exponential smoothing dan Holt-Winters Additive merupakan teknik peramalan (forecasting) termasuk ke dalam kategori exponential smoothing algorithm untuk teknik peramalan time series decomposition. Ketiga algoritma telah banyak digunakan di dalam penelitian-penelitian sebelumnya, namun masih sedikit yang membahas tentang evaluasi hasil peramalan diantara kedua algoritma tersebut. Penelitian ini bertujuan untuk mengevaluasi kinerja peramalan dari ketiga algoritma. Penelitian ini dilaksanakan dalam empat tahap utama. Tahap pertama adalah pengumpulan data. Tahap kedua adalah pengujian pola data. Tahap ketiga adalah implementasi ketiga algoritma untuk peramalan. Tahap keempat evaluasi hasil peramalan. Hasil yang diperoleh menunjukkan algoritma double exponential smoothing memiliki kinerja lebih baik dari Holt-Winter’s Additive. Peramalan untuk material pipa menunjukkan algoritma double exponential smoothing memiliki nilai MAD dan MAPE terendah (0,74 – 0,03) dibandingkan dengan algoritma lainnya. Peramalan untuk material saklar menunjukkan algoritma single exponential smoothing memiliki nilai MAD terendah (0,39), sedangkan double exponential smoothing memiliki nilai MAPE terendah (0,02). Peramalan material fitting menghasilkan nilai MAD terendah sebesar 6,58 pada algoritma double exponential smoothing dan nilai MAPE terendah pada single exponential smoothing. Berdasarkan komparasi tersebut, maka disimpulkan algoritma double exponential smoothing lebih baik dibandingkan dengan single exponential smoothing dan holt-winters additive