Optimasi Parameter Exponential Smoothing Satu Parameter Dengan Metode Interval Halving Dan Metode Fibonacci Search

Tho, Natasha Debora and Dr. Eni Sumarminingsih, S.Si., MM (2021) Optimasi Parameter Exponential Smoothing Satu Parameter Dengan Metode Interval Halving Dan Metode Fibonacci Search. Sarjana thesis, Universitas Brawijaya.

Abstract

Exponential Smoothing merupakan salah satu metode peramalan yang sering digunakan. Pada Exponential Smoothing terdapat parameter pemulusan yaitu a yang nilainya ditentukan dengan cara trial and error. Namun, cara ini tidak efisien karena membutuhkan waktu yang lama dan harus dilakukan secara berulang-ulang. Untuk menentukan parameter pemulusan yang optimum dapat dilakukan dengan algoritma non-linear programming. Tujuan penelitian ini adalah membandingkan metode interval halving dan fibonacci search dalam mencari nilai parameter a optimum pada exponential smoothing satu parameter. Pada penelitian ini menggunakan data bangkitan dari model ARIMA (0,1,1) dengan jumlah observasi sebanyak 50, 100 dan 200. Hasil penelitian menunjukkan metode interval halving membutuhkan 11 iterasi untuk mendapatkan a optimum, sedangkan metode fibonacci search membutuhkan 15 iterasi. Secara keseluruhan metode fibonacci search menghasilkan a optimum rata-rata yang paling mendekati a tetapan serta lebih banyak menghasilkan nilai MSE yang lebih kecil. Dengan demikian, dapat disimpulkan bahwa metode fibonacci search lebih baik digunakan untuk mendapatkan a optimum pada exponential smoothing satu parameter dibanding metode interval halving

Item Type:	Thesis (Sarjana)
Identification Number:	0521090024
Subjects:	500 Natural sciences and mathematics > 519 Probabilities and applied mathematics > 519.5 Statistical mathematics
Divisions:	Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika
Depositing User:	agung
Date Deposited:	17 May 2022 07:02
Last Modified:	18 May 2022 02:38
URI:	http://repository.ub.ac.id/id/eprint/190522

Text (DALAM MASA EMBARGO) Natasha Debora.pdf Restricted to Registered users only until 31 December 2023. Download (4MB)

Actions (login required)

View Item