DETAIL KOLEKSI

Implementasi genetic algorithm dan particle swam optimization pada kalibrasi model simpleexponential smoothing dalam meningkatkan akurasi peramalan penjualan produk


Oleh : Muhammad Iqbal

Info Katalog

Penerbit : FTI - Usakti

Kota Terbit : Jakarta

Tahun Terbit : 2018

Pembimbing 1 : Iveline Anne Marie

Subyek : Programming languages (Computers);Production standards

Kata Kunci : forecasting, exponential smoothing, particle swarm optimization, genetic algorithm


File Repositori
No. Nama File Ukuran (KB) Status
1. 2018_TA_STI_063001400151_Halaman-Judul.pdf 500.75
2. 2018_TA_STI_063001400151_Lembar-Pengesahan.pdf 640.77
3. 2018_TA_STI_063001400151_Bab-1_Pendahuluan.pdf 487.47
4. 2018_TA_STI_063001400151_Bab-2_Tinjauan-Pustaka.pdf 625.25
5. 2018_TA_STI_063001400151_Bab-3_Metodologi-Penelitian.pdf 367.55
6. 2018_TA_STI_063001400151_Bab-4_Pengumpulan-Data.pdf 606.89
7. 2018_TA_STI_063001400151_Bab-5_Analisis-dan-Pembahasan.pdf 1320.76
8. 2018_TA_STI_063001400151_Bab-6_Kesimpulan-dan-Saran.pdf 160.31
9. 2018_TA_STI_063001400151_Daftar-Pustaka.pdf 193.44
10. 2018_TA_STI_063001400151_Lampiran.pdf 295.19

F Forecasting (peramalan) merupakan hal penting yang harus diperhatikan dan dipelajari oleh setiap perusahaan, dengan adanya forecasting penjualan produk di suatu perusahaan, maka pihak manajemen perusahaan tersebut dapat melangkah ke depan dengan lebih pasti. Akurasi forecasting untuk beberapa jenis industri sangat bernilai. Salah satu strategi yang dapat digunakan adalah dengan menggunakan model Exponential smoothing, dimana metode ini merupakan peramalan rata-rata bergerak dengan pembobotan canggih, namun masih mudah digunakan.. Pada model Exponential Smoothing diperlukan nilai parameter stokastik yang harus ditentukan terlebih dahulu melalui kalibrasi, untuk mendapatkan nilai α yang tepat. Pada umumnya dilakukan dengan trial and error untuk menentukan nilai kesalahan terendah. Nilai α dilakukan dengan membandingkan menggunakan interval pemulusan antar 0 < α < 1, yaitu α (0,1 sampai dengan 0,9). Dengan menggunakan metode trial and error tersebut menyebabkan kurangnya tingkat keakurasian peramalan. Pada penelitian kali ini implementasi akan digunakan untuk metode Single Exponential Smoothing Algoritma Particle Swarm Optimization (PSO) dan algoritma genetic (GA) merupakan salah satu metode iteratif yang dapat digunakan dalam menentukan parameter stokastik. Tujuan dari penelitian ini adalah untuk mendapatkan nilai konstanta (α) pada metode Single Exponential Smoothing dengan menggunakan metode pencarian metaheuristic PSO dan GA. Berdasarkan pengolahan data yang telah dilakukan, di dapat bahwa nilai α yang didapatkan dari Algoritma PSO adalah sebesar 0,3731 dengan nilai MSE sebesar 20012.0896 dan berdasarkan Algoritma Genetika menunjukan hasil sebesar 0.4065 dengan nilai MSE sebesar 19999.1602. Sehingga pada penelitian ini Algoritma genetic menjadi yang terbaik karena dapat menentukan nilai α yang mempunyai MSE yang paling kecil.

F Forecasting is an important thing that must be considered and studied by each company, with forecasting sales of products in a company, then the company's management can move forward with more certainty. Accuracy of forecasting for some industry types is very valuable. One of the strategies that can be used is by using Exponential Smoothing model. In the Exponential Smoothing model we need the stochastic parameter values to be determined first through calibration, to get the proper α values generally done by trial and error to determine the lowest error value. The value of α is done by comparing using the smoothing interval between 0 <α <1, ie α (0.1 to 0.9). Using the trial and error method causes a lack of accuracy forecasting. In this research the implementation will be used for Single Exponential Smoothing method The Particle Swarm Optimization (PSO) algorithm and the genetic algorithm (GA) are one of the iterative methods that can be used in determining stochastic parameters. The purpose of this research is to get the value of constant (α) in Single Exponential Smoothing method by using metaheuristic search method of PSO and GA. Based on data processing that has been done, in can be that α value obtained from PSO Algorithm is equal to 0.3731 with MSE value of 20012.0896 and based on Genetic Algorithm showed results of 0.4065 with MSE value of 19999.1602. After getting the value of α, then this α value will be tested in the level of accuracy of forecasting using MSE calculation. So in this study Genetic algorithm to be the best because it has the smallest MSE value

Bagaimana Anda menilai Koleksi ini ?