Forecasting Menggunakan Triple Exponential Smoothing

Forecasting adalah proses untuk memperkirakan masa depan berdasarkan data historis. Metode ini digunakan dalam berbagai bidang seperti peramalan cuaca, bisnis, dan pengambilan keputusan. Dalam artikel ini, kita akan melihat bagaimana teknik Triple Exponential Smoothing dapat digunakan untuk melakukan forecasting pada data musiman.

Untuk melakukan prediksi yang lebih akurat, kita akan menggunakan beberapa tahapan:

Tahap 1: Forecasting dengan Parameter Tetap - Menggunakan nilai parameter yang tetap untuk melakukan prediksi.
Tahap 2: Grid Search - Mencari parameter terbaik di rentang tertentu untuk meningkatkan akurasi.
Tahap 3: Zooming - Mengambil parameter dari Grid Search dan memperbaikinya lebih lanjut untuk mengoptimalkan hasil prediksi dengan lebih efisien.

Forecasting (Parameter Tetap)

Alpha: 0.5, Beta: 0.5, Gamma: 0.5

MAPE: 3.53%

Forecasting (Grid Search Tanpa Zooming)

Alpha: 0.0625, Beta: 0.1875, Gamma: 1

MAPE: 1.01%

Jumlah Probing: 4913

Forecasting (Setelah Zooming)

Alpha: 0.05078125, Beta: 0.18359375, Gamma: 1

MAPE: 1.03%

Jumlah Probing: 90

Penjelasan Istilah

MAPE (Mean Absolute Percentage Error): Mengukur kesalahan prediksi sebagai persentase dari data aktual. Nilai MAPE yang lebih rendah menunjukkan model prediksi yang lebih akurat.
Probing: Proses pengujian berbagai kombinasi parameter (alpha, beta, gamma) untuk menemukan nilai terbaik yang menghasilkan kesalahan prediksi terkecil.
Alpha, Beta, Gamma: Parameter smoothing dalam Triple Exponential Smoothing.
- Alpha: Mengontrol tingkat smoothing untuk level data.
- Beta: Mengontrol tingkat smoothing untuk tren data.
- Gamma: Mengontrol tingkat smoothing untuk pola musiman.

Pengembangan Sejak Versi 1

Pada versi awal, forecasting dilakukan dengan menggunakan parameter tetap (alpha, beta, gamma) yang diberikan secara manual. Hal ini tidak memberikan hasil prediksi yang optimal karena parameter tersebut tidak disesuaikan dengan karakteristik data. Dalam pengembangan berikutnya, saya menambahkan proses Grid Search untuk mencari kombinasi parameter yang menghasilkan nilai error terkecil.

Namun, Grid Search memerlukan banyak proses probing, yang dapat menjadi tidak efisien. Oleh karena itu, saya menambahkan teknik Zooming untuk memperbaiki parameter yang ditemukan dari Grid Search. Teknik Zooming memungkinkan pencarian parameter dilakukan lebih mendetail pada area yang sudah mendekati optimal, sehingga mengurangi jumlah probing namun meningkatkan akurasi prediksi.

Kesimpulan: Dengan menggunakan Grid Search dan Zooming, kita dapat meningkatkan akurasi prediksi sekaligus mengurangi jumlah pengujian yang diperlukan. Teknik ini memberikan hasil yang lebih optimal dibandingkan dengan menggunakan parameter tetap, dan lebih efisien daripada Grid Search tanpa Zooming.