Penentuan Nilai Alpha Pada Double Exponential Smoothing Brown Dengan Evolutionary Algorithm & Excel Solver (Studi Kasus: Peramalan Penerimaan Pajak Pemerintah Pusat Indonesia)
DOI:
https://doi.org/10.52072/unitek.v16i2.699Keywords:
Peramalan, DES Brown, Alpha, Evolutionary Algorithm, Excel SolverAbstract
Peramalan adalah proses membuat prediksi masa depan berdasarkan data masa lalu dan data masa sekarang. Double Exponential Smoothing Brown (DES Brown) merupakan sebuah Linear Model yang dikembangkan oleh Robert Goodell Brown pada tahun 1956. Nilai parameter alpha yang baik adalah yang menghasilkan nilai error kecil. Evolutionary Algorithm (EA) merupakan sebuah metaheuristic yang dapat diaplikasikan pada berbagai permasalahan optimasi, termasuk mengoptimasi nilai parameter alpha pada DES Brown. Solver merupakan Excel Add-In untuk menyelesaikan permasalahan optimasi. Dengan adanya kemampuan EA untuk mengoptimasi nilai parameter alpha pada DES Brown, dan Solver yang mampu menjalankan EA, maka dapat disimpulkan bahwa penentuan parameter alpha pada DES Brown dapat dilakukan dengan memanfaatkan Solver. Kasus “Peramalan Penerimaan Pajak Pemerintah Pusat Indonesia” dapat dijadikan sebagai tempat untuk menguji kemampuan DES Brown, EA dan Solver. Untuk kasus tersebut, berdasarkan hasil penyelesaian dengan DES Brown, EA dan Solver, nilai alpha terbaiknya adalah 0,365904469725856 dengan nilai MAPE sebesar 4,41881238122180%.
Downloads
References
Agrawal, B., Kumar, S., & Sharma, G. (2022). Optimum solution of a transportation problem with an excel solver. International Journal of Research and Analytical Reviews (IJRAR), UGC and ISSN Approved-International Peer Reviewed Journal, Refereed Journal, Indexed Journal, Impact Factor, 7, 1269–2348.
Badar, A. Q. H. (2021). Evolutionary Optimization Algorithms. CRC Press.
Brown, R. G., & Meyer, R. F. (1961). The fundamental theorem of exponential smoothing. Operations Research, 9(5), 673–685.
Hyndman, R., Koehler, A. B., Ord, J. K., & Snyder, R. D. (2008). Forecasting with exponential smoothing: the state space approach. Springer Science & Business Media.
Janga Reddy, M., & Nagesh Kumar, D. (2020). Evolutionary algorithms, swarm intelligence methods, and their applications in water resources engineering: a state-of-the-art review. H2oj, 3(1), 135–188.
Jannahti, A. B., Kurniawan, A., Ramdhan, M. F., Ihsan, Y. N. I., & Hartati, V. (2023). Analisis Kebijakan Pemesanan Oli di Pembangkit Listrik Menggunakan Metode Deterministik Lot for Lot, Silver Meal & Least Unit Cost. Jurnal Unitek, 16(1), 7–17.
Juni, J. (2017). Peramalan Penjualan Mie Instan Merek Sarimi Di CV Barokah Kota Dumai. JURNAL UNITEK, 10(1), 60–69.
Pujiati, E., Yuniarti, D., & Goejantoro, R. (2017). Peramalan Dengan Menggunakan Metode Double Exponential Smoothing Dari Brown. Eksponensial, 7(1), 33–40.
Rafferty, G. (2021). Forecasting Time Series Data with Facebook Prophet: Build, improve, and optimize time series forecasting models using the advanced forecasting tool. Packt Publishing Ltd.
Selvi, A. A., Selvabharathi, S. M., & Lavanya, S. (2022). Real Life Optimization Problem using Excel and Solver. International Journal of Research in Engineering, Science and Management, 5(5), 155–157.
Suprayogi, M. A. (2022). Model Double Exponential Smoothing Dalam Peramalan Penerimaan Pajak Pemerintah Pusat Indonesia. Jurnal Statistika Dan Komputasi, 1(2), 83–92.
Vandeput, N. (2021). Data science for supply chain forecasting. Walter de Gruyter GmbH & Co KG.
