Perbandingan Holt-Winters Exponential Smoothing dengan Artificial Neural Networks dalam Peramalan Produksi Cabai Besar di Kabupaten Garut Provinsi Jawa Barat
{"title":"Perbandingan Holt-Winters Exponential Smoothing dengan Artificial Neural Networks dalam Peramalan Produksi Cabai Besar di Kabupaten Garut Provinsi Jawa Barat","authors":"Ihram Adi Pratama, Anneke Iswani Achmad","doi":"10.29313/bcss.v3i2.7900","DOIUrl":null,"url":null,"abstract":"Abstract. This study discusses the comparison of Holt-Winters Exponential Smoothing method with Artificial Neural Networks in forecasting large chili production, Garut Regency, West Java Province. The Holt-Winters Exponential Smoothing method is a forecasting method on time series data with trend and seasonal data patterns based on three equations, one for stationary, one for trend and one for seasonal. There are two methods in Holt-Winters Exponential Smoothing, namely multiplicative and additive.Artificial Neural Networks is a method inspired by human central neural networks. One method that can be used for forecasting in ANN is Neural Network Autoregression or NNAR. NNAR can be used to forecast forecasting through pattern recognition from inputs by utilizing lag values as inputs and then refined through the learning process using Backpropagation Algorithms. This method comparison uses RMSE (Root Mean Squared Error) to see the accuracy of forecasting accuracy. The data used is secondary data from the large chili production of Garut Regency in 2016 – 2022. Analysis of both methods resulted in the smallest RMSE value or forecasting accuracy on NNAR with RMSE Testing of 39,490.91. So to forecast m future period, you can use the Artificial Neural Networks method with Neural Network Autoregression because it has a smaller RMSE value. \nAbstrak. Penelitian ini membahas mengenai perbandingan metode Holt-Winters Exponential Smoothing dengan Artificial Neural Networks dalam peramalan produksi cabai besar Kabupaten Garut Provinsi Jawa Barat. Metode Holt-Winters Exponential Smoothing merupakan metode peramalan pada data deret waktu dengan pola data trend dan musiman yang didasarkan pada tiga persamaan yaitu satu untuk stasioner, satu untuk trend dan satu untuk musiman. Terdapat dua metode dalam Holt-Winters Exponential Smoothing yaitu multiplikatif dan aditif. Artificial Neural Networks merupakan metode yang terinspirasi dari jaringan saraf pusat manusia. Salah satu metode yang dapat digunakan untuk peramalan dalam ANN adalah Neural Network Autoregression atau NNAR. NNAR dapat digunakan untuk memperkirakan peramalan melalui pengenalan pola dari input dengan memanfaatkan nilai lag sebagai input dan kemudian disempurnakan melalui proses pembelajaran menggunakan Algoritma Backpropagation. Perbandingan metode ini menggunakan RMSE (Root Mean Squared Error) untuk melihat akurasi ketepatan peramalan. Data yang digunakan adalah data sekunder dari produksi cabai besar Kabupaten Garut tahun 2016 – 2022. Analisis kedua metode tersebut menghasilkan nilai RMSE atau ketepatan peramalan terkecil pada NNAR dengan RMSE Pengujian sebesar 39.490,91. Sehingga untuk meramalkan m periode kedepan dapat menggunakan metode Artificial Neural Networks dengan Neural Network Autoregression karena memiliki nilai RMSE lebih kecil.","PeriodicalId":337947,"journal":{"name":"Bandung Conference Series: Statistics","volume":"12 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-07-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Bandung Conference Series: Statistics","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.29313/bcss.v3i2.7900","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
Abstract
Abstract. This study discusses the comparison of Holt-Winters Exponential Smoothing method with Artificial Neural Networks in forecasting large chili production, Garut Regency, West Java Province. The Holt-Winters Exponential Smoothing method is a forecasting method on time series data with trend and seasonal data patterns based on three equations, one for stationary, one for trend and one for seasonal. There are two methods in Holt-Winters Exponential Smoothing, namely multiplicative and additive.Artificial Neural Networks is a method inspired by human central neural networks. One method that can be used for forecasting in ANN is Neural Network Autoregression or NNAR. NNAR can be used to forecast forecasting through pattern recognition from inputs by utilizing lag values as inputs and then refined through the learning process using Backpropagation Algorithms. This method comparison uses RMSE (Root Mean Squared Error) to see the accuracy of forecasting accuracy. The data used is secondary data from the large chili production of Garut Regency in 2016 – 2022. Analysis of both methods resulted in the smallest RMSE value or forecasting accuracy on NNAR with RMSE Testing of 39,490.91. So to forecast m future period, you can use the Artificial Neural Networks method with Neural Network Autoregression because it has a smaller RMSE value.
Abstrak. Penelitian ini membahas mengenai perbandingan metode Holt-Winters Exponential Smoothing dengan Artificial Neural Networks dalam peramalan produksi cabai besar Kabupaten Garut Provinsi Jawa Barat. Metode Holt-Winters Exponential Smoothing merupakan metode peramalan pada data deret waktu dengan pola data trend dan musiman yang didasarkan pada tiga persamaan yaitu satu untuk stasioner, satu untuk trend dan satu untuk musiman. Terdapat dua metode dalam Holt-Winters Exponential Smoothing yaitu multiplikatif dan aditif. Artificial Neural Networks merupakan metode yang terinspirasi dari jaringan saraf pusat manusia. Salah satu metode yang dapat digunakan untuk peramalan dalam ANN adalah Neural Network Autoregression atau NNAR. NNAR dapat digunakan untuk memperkirakan peramalan melalui pengenalan pola dari input dengan memanfaatkan nilai lag sebagai input dan kemudian disempurnakan melalui proses pembelajaran menggunakan Algoritma Backpropagation. Perbandingan metode ini menggunakan RMSE (Root Mean Squared Error) untuk melihat akurasi ketepatan peramalan. Data yang digunakan adalah data sekunder dari produksi cabai besar Kabupaten Garut tahun 2016 – 2022. Analisis kedua metode tersebut menghasilkan nilai RMSE atau ketepatan peramalan terkecil pada NNAR dengan RMSE Pengujian sebesar 39.490,91. Sehingga untuk meramalkan m periode kedepan dapat menggunakan metode Artificial Neural Networks dengan Neural Network Autoregression karena memiliki nilai RMSE lebih kecil.
摘要。本研究探讨了霍尔特-温特斯指数平滑法与人工神经网络在西爪哇省Garut Regency辣椒大产量预测中的比较。霍尔特-温特斯指数平滑法是一种基于平稳性、趋势性和季节性三个方程对具有趋势和季节数据模式的时间序列数据进行预测的方法。在Holt-Winters指数平滑中有两种方法,即乘法法和加法法。人工神经网络是一种受人类中枢神经网络启发的方法。一种可用于人工神经网络预测的方法是神经网络自回归或NNAR。NNAR可以利用滞后值作为输入,通过模式识别对输入进行预测,然后通过反向传播算法的学习过程进行细化。这种方法比较使用RMSE(均方根误差)来查看预测精度的准确性。使用的数据是Garut Regency在2016 - 2022年大量辣椒生产的二次数据。两种方法在NNAR上的RMSE值最小,RMSE检验值为39,490.91。因此,为了预测未来的m个时期,您可以使用带有神经网络自回归的人工神经网络方法,因为它具有较小的RMSE值。Abstrak。Penelitian ini memenmenmenetperbanding和方法Holt-Winters指数平滑和人工神经网络dalam peramalan产品,cabai, Kabupaten Garut省,爪哇巴拉。方法:冬至指数平滑法、元数据法、元数据法、元数据法、元数据法、元数据法、元数据法、元数据法、元数据法、元数据法。基于霍尔特-温特斯指数平滑法的三角双方法。人工神经网络在人工智能研究中的应用。神经网络自回归(NNAR)。NNAR dapat digunakan untuk memperkirakan peramalan melalan pengenalan polalan输入dengan memanfaatkan nilai滞后sebagai输入dan kemudian disempurnakan melalan算法反向传播。Perbandingan metode ini menggunakan RMSE(均方根误差)untuk melihat akurasi ketepatan peramalan。数据yang digunakan adalah数据sekunder dari产品cabai besar Kabupaten Garut tahun 2016 - 2022。分析方法:基于RMSE的企鹅种群数量分析,企鹅种群数量分析,39(9),91。孟古那坎方法:人工神经网络,神经网络,自回归,孟古那坎方法,孟古那坎方法。