Perbandingan Holt-Winters Exponential Smoothing dengan Artificial Neural Networks dalam Peramalan Produksi Cabai Besar di Kabupaten Garut Provinsi Jawa Barat

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.