p-ISSN: 1979-5661

e-ISSN: 2622-321X

Jurnal Ilmu Komputer VOL. 16 Nomor 1

Analisis Tingkat Akurasi Metode DES Holt - Damped Trend pada Peramalan Harga Saham

Rabiatul Maulidiyah1, Irwan Budiman2, Dodon Turianto Nugrahadi3 Andi Farmadi4, Triando Hamonangan Saragih5

Ilmu Komputer Fakultas MIPA Universitas Lambung Mangkurat Jl. A.Yani Km. 36 Banjarbaru, Kalimantan Selatan, tlp. (0511) 473112 1maulidiyahrabiatul620@gmail.com 2irwan.budiman@ulm.ac.id 3dodonturianto@ulm.ac.id 4andifarmadi@gmail.com 5triando.saragih@ulm.ac.id

Abstract

Stocks are one of the capital market transactions that are the choice of investors and traders. Investors and traders need strategies to profit from stocks to reduce losses. One of the predictions of future stock price movements is by using the time series method approach. DES Holt method is a stock price prediction method from time series data. However, Holt's DES method has the problem of overcasting, which needs to be mitigated by using Damped Trend. This study uses DES Holt and Damped Trend to determine the effect of Damped Trend in reducing trend forecasting. DES Holt’s application uses two parameters, namely alpha and beta. Damped Trend uses three parameters, namely alpha, beta, and phi, which are performed on four stock data. The results of the study using the DES Holt method on the TLKM dataset achieved an accuracy value of 91.1693%, the MDKA dataset achieved an accuracy of 84.9775%, the HMSP dataset had an accuracy value of 92.2785%, the KLBF dataset achieved an accuracy of 92.5582%. The results of the study using Damped Trend on the TLKM dataset achieved an accuracy of 96.3035%, the MDKA dataset had an accuracy of 94.4714%, the HMSP dataset had an accuracy of 92.4587%, and the KLBF dataset had an accuracy of 98.0674%. The results of the comparison show that the Damped Trend method is able to increase the accuracy of the four datasets. The increase in the accuracy of the four datasets for TLKM data was 5.1342%, MDKA 9.4938%, and HMSP 0.1802% and the increase in KLBF accuracy was 5.5092%.

Keywords: Stocks, Prediction, Double Exponential Smoothing Holt, Damped Trend

Abstrak

Saham merupakan salah satu transaksi pasar modal yang menjadi pilihan investor dan trader. Investor dan trader membutuhkan strategi untuk mendapatkan keuntungan dari saham untuk mengurangi kerugian. Prediksi pergerakan harga saham di masa depan salah satunya dengan menggunakan pendekatan metode time series. Metode DES Holt merupakan metode prediksi harga saham dari data time series. Namun, metode DES Holt memiliki masalah overforcasting, yang perlu diredam dengan menggunakan Damped Trend. Penelitian ini menggunakan DES Holt dan Damped Trend untuk mengetahui pengaruh Damped Trend dalam meredam tren peramalan. Penerapan DES Holt menggunakan dua parameter yaitu alpha dan beta dan Damped Trend menggunakan tiga parameter yaitu alpha, beta, dan phi dilakukan pada empat data saham. Hasil penelitian menggunakan metode DES Holt pada dataset TLKM mencapai nilai akurasi sebesar 91,1693%, dataset MDKA mencapai akurasi 84,9775%, dataset HMSP nilai akurasinya 92,2785%, dataset KLBF mencapai akurasi 92,5582%. Hasil penelitian menggunakan Damped Trend pada dataset TLKM mencapai nilai akurasi 96,30347%, dataset MDKA nilai akurasi 94,4714%, dataset HMSP akurasinya 92,4587%, dan dataset KLBF akurasinya 98,0674%. Hasil perbandingan menunjukkan metode Damped Trend mampu meningkatkan akurasi pada keempat dataset. Peningkatan akurasi dari keempat dataset untuk data TLKM sebesar 5,1342%, MDKA 9,49389%, dan HMSP 0,1802% dan peningkatan akurasi KLBF 5,5092%.

Kata kunci: Saham, Prediksi, Double Exponential Smoothing Holt, Damped Trend

  • 1.    Pendahuluan

Saham adalah hak perseorangan pada suatu perusahaan dengan mengalihkan sebagian dari pemilik modal. Struktur pemegang saham membuat investor menjadi bagian dari perusahaan. Berinvestasi dalam bentuk saham dapat memperoleh keuntungan dari pembagian dividen dan keuntungan modal ketika saham tersebut dijual [1]. Investor biasanya menggunakan analisis teknikal yang bertujuan investasi dalam jangka pendek berbasis data historis misalnya, informasi harga penutupan saham [2].

Peramalan adalah proses memprediksi peristiwa yang akan datang berdasarkan data historis untuk mempelajari suatu teknik tertentu yang bisa pula diterapkan pada sebuah kondisi tertentu [3]. Data time series dikumpulkan dari pengamatan waktu dengan rentang waktu tertentu. Analisis time series dilaksanakan guna mencari tahu pola yang telah terjadi di masa lalu guna memprediksi pola yang akan terbentuk di masa depan [4].

Metode Double Exponential Smoothing Holt sangat sesuai pada data yang menunjukkan pola tren [5]. Metode Holt memiliki dua parameter alpa dan beta dengan proses pemulusan level dan pemulusan tren [6]. Nilai parameter tersebut diperoleh dengan perulangan untuk menemukan kombinasi terbaik yang menghasilkan nilai error terkecil. Menurut Sbrana & Silvestrini (2020) [7] peramalan yang diperoleh dengan metode Double Exponential Smoothing Holt menghasilkan tren yang tidak terbatas. Dengan hasil prediksi melebihi dari data aktual, terutama selama periode peramalan jangka panjang seperti pada penelitian Lumaksono et.al (2020) yang menghasilkan kesalahan yang besar [8].Gardner dan Mackenzie memperkenalkan parameter untuk meredam tren menuju ke garis datar pada tahap berikutnya [9]. Metode Damped Trend dibangun dengan menambahkan parameter (phi). Pada Penelitian Primandari (2017) menggunakan Holt Winter Exponential Smoothing Damped Trend dan Holt Winter Exponential Smoothing dikatakan bahwa teknik Damped mampu menghasilkan nilai kesalahan lebih kecil dari Holt Winter Exponential Smoothing

Merujuk pemaparan diatas maka penelitian ini dilaksanakan untuk mengetahui bahwai DES Holt dengan menambahkan parameter peredam yang menggunakan Damped Trend masih lebih baik dari pada hanya menggunakan DES Holt saja dalam kasus prediksi harga saham. Selain itu, juga menentukan parameter alpa, beta, dan phi dengan melakukan perulangan sampai menemukan nilai kesalahan yang kecil. Data harga saham yang digunakan dari empat jenis saham harian dari sektor Infrastructure saham TLKM, tambang saham MDKA, Consumer saham HMSP dan sektor Healtcare saham KLBF.

  • 2.    Metodologi Penelitian

Adapun Alur penelitian yang dilakukan dapat direpresentasikan pada Gambar 1

Gambar 1. Alur Penelitian

  • 2.1.    Pengumpulan Data

Data yang digunakan dalam penelitian ini menggunakan data close price empat saham harian sektor Infrastructure PT. Telekomunikasi Indonesia (TLKM), sektor Pertambangan PT. Merdeka Copper Gold (MDKA), sektor Consumer PT. Hanjaya Mandala Sampoerna (HMSP) dan sektor Healthcare PT. Kalbe Farma (KLBF). Pemilihan data keempat sektor saham tersebut dapat dilihat dari pergerakan grafik yang memiliki tren naik, tren turun, tren naik dan turun, dan stabil. Data saham diperoleh dari https://finance.yahoo.com/quote/.jk. Pada dataset saham hanya menggunakan data harga penutupan (close) dan tanggal (date). Sehingga variabel field Open, High, Low, Adj Close, dan Volume dihapus. Penggunaan data harga penutupan saham dari 2 Januari 2020 – 30 Juni 2021 sebanyak 362 data yang diperoleh dari yahoo finance. Dan menentukan variabel atau atribut yang digunakan pada data saham penelitian ini yaitu close dan date. Pemilihan data empat jenis saham diambil dari 4 sektor saham yang dilihat dari pergerakan grafik yang mengalami tren naik, tren turun, tren naik dan turun, dan stabil.

  • 2.2.    Pembagian Data

Pembagian data dengan perbandingan data pelatihan dan data pengujian. Data uji yang digunakan dari keseluruhan data sebanyak 10%. Data tanggal 2 Januari 2020 – 30 April 2021 sebanyak 324 sebagai data pelatihan dan 3 Mei – 30 Juni 2021 sebanyak 38 sebagai data pengujian. Pembagian data tersebut berdasarkan waktu yang dipilih memprediksi data bulan Mei dan Juni dengan total 38 data.

  • 2.3.    Metode Forecasting

Melaksanakan penghitungan dengan memakai metode Double Exponential Smoothing Holt dan Damped Trend pada masing-masing data saham yang digunakan dengan proses perhitungan pada data training terlebih dahulu, kemudian pada proses data testing.

  • 2.4.    Metode DES Holt

Metode Double Exponential Smoothing Holt untuk jenis data tren dengan dua parameter yaitu alpha dan beta. Metode ini melibatkan persamaan peramalan (6) serta dua persamaan pemulusan untuk level (4) dan untuk tren (5).

it = yt(2)

b = (X2-X1) + ( X4- x3)

lt = ayt + (1- a)(lt-ι + bt-l)

bt = β (lt-lt-ι) + (1-β)bt-ι

yt+h∣t =lt+ bt m(6)

Inisialisasi diperlukan seperti pada persamaan (2) dan persamaan (3) untuk menentukan nilai awal yang dipakai di dalam metode Double Exponential Smoothing Holt. Proses perhitungan pada poin dibawah ini:

  • 1.    Perhitungan metode DES Holt dengan data saham training dan testing

  • a)    Proses Training

  • 1)    nilai awal It persamaan (2)

  • 2)    Menghitung nilai awal bt persamaan (3) dan Menghitung nilai forecast

  • 3)    Menentukan parameter alpha (α) dan beta (β) dengan pencarian hyperparameter terbaik dengan mencoba kombinasi-kombinasi alpha dan beta dengan nilai kelipatan 0,1 – 0,9

  • 4)    Menghitung pemulusan level persamaan (4)

  • 5)    Menghitung pemulusan tren persamaan (5)

  • 6)    Menghitung nilai peramalan persamaan (6)

  • b)    Proses Testing

Hasil perhitungan metode. Berupa nilai-nilai parameter terbaik yang di hasilkan dari nilai kesalahan minimum dan Mengitung nilai peramalan dengan data testing (6)

  • 2.5.    Metode Damped Trend

Perhitungan metode Damped Trend untuk meredam tren peramalan dengan menggunakan tiga parameter yaitu alpha, beta dan phi. Dengan rumus melibatkan persamaan peramalan (9) dan dua persamaan pemulusan untuk level (7) dan untuk tren (8).

it = yt (2)

it = aγt + (1-a ) (it-i + φbt-ι) (7) bt = β(it — it-i) + (1 - β)φbt-ι (8) yt+ħ∣t = it + ( φ + φ2 + - + φh)bt (9)

Inisialisasi diperlukan untuk menentukan nilai awal yang digunakan dalam metode Damped Trend. Proses perhitungan pada poin dibawah ini:

  • 1.    Perhitungan metode Damped Trend dengan data saham training dan testing

  • a)    Proses Training

  • 1)    Menghitung nilai awal it

  • 2)    Menghitung nilai awal bt

  • 3)    Menghitung nilai forecast :

  • 4)    Menentukan parameter alpha (a), beta (β) dan phi (φ) pencarian parameter terbaik dengan mencoba kombinasi-kombinasi alpha, beta, dan phi dengan nilai kelipatan 0,1 – 0,9

  • 5)    Menghitung pemulusan level persamaan (7)

  • 6)    Menghitung pemulusan tren persamaan (8)

  • 7)    Menghitung nilai peramalan persamaan (9)

  • b)    Proses testing

Hasil perhitungan metode. Berupa nilai-nilai parameter terbaik yang di hasilkan dari nilai kesalahan minimum dan Mengitung nilai peramalan dengan data testing (6)

  • 2.6.    Evaluasi

Hasil dari metode dengan MAPE pada persamaan (10) untuk mengukur nilai kesalahan (error) dan menghitung nilai akurasi diperoleh dengan menghitung 100% dikurangi dengan hasil MAPE yang ada.

n

MAPE 1 Σ \At-Ft \ X 100 % t=i t

(10)


  • 2.7.    Analisa Hasil Perhitungan Kedua Metode

Melakukan perbandingan yang diperoleh dari perhitungan metode DES Holt dan Damped Trned seperti hasil nilai kesalhan error MAPE dan akurasi untuk memilih mana metode terbaik untuk peramalan pada data empat jenis saham.

  • 3.    Hasil dan Pembahasan

    • 3.1 . Hasil

  • a.    Data didapatkan melalui https://finance.yahoo.com/quote/.jk. Menggunakan empat data saham. Rentang data diambil dari Januari 2020 sampai Juni 2021 sebanyak 362 data harian.

Tabel 1. Contoh Dataset Saham

NO

Data Saham

Range Data

Total Data

1

TLKM

2 Januari 2020 – 30 Juni 2021

362

2

MDKA

2 Januari 2020 – 30 Juni 2021

362

3

HMSP

2 Januari 2020 – 30 Juni 2021

362

4

KLBF

2 Januari 2020 – 30 Juni 2021

362

  • b.    Pembagian Data

Di dalam studi ini data tersebut dibedakan ke dalam 2, yakni data training & testing. Data 2 Januari 2020 - 30 April 2021 sebanyak 324 data sebagai data training dan data 3 Mei -30 Juni 2021 sebanyak 38 data sebagai data pengujian.

Tabel 2. Pembagian Data Empat Saham

NO

Data Saham

Training

Testing

1

TLKM

324 data

38 Data

2

MDKA

324 data

38 Data

3

HMSP

324 data

38 Data

4

KLBF

324 data

38 Data

Contoh pembagian data saham TLKM padaTabel 4 sebagai data training serta pada

Tabel 3 sebagai data testing

Tabel 3. Data Training Saham TLKM

Index

Date

Close

0

02/01/2020

3910

1

03/01/2020

3980

2

06/01/2020

3960

...

323

...

30/04/2021

...

3200

Tabel 4. Data Testing Saham TLKM

Index

Data Saham

Training

324

03/05/2021

3170

325

04/05/2021

3210

326

05/05/2021

3200

...

361

...

30/06/2021

...

3150

  • c.    Metode Forecasting

Melaksanakan penghitungan dengan memakai metode Double Exponential Smoothing Holt dan Damped Trend pada masing-masing data saham yang digunakan dengan proses perhitungan pada data training terlebih dahulu, kemudian pada proses data testing.

  • d.    Metode DES Holt

Kinerja metode dalam peramalan data saham harian dengan dua tahap yaitu training & testing. Pada tahapan training memiliki tujuan memperoleh parameter/ukuran yang paling naik melalui penerapan prediksi terhadap data latih. Pengukuran performa metode dilakukan berlandaskan kesalahan (error) peramalan dan akurasi di tahapan pengujian. Perhitungan pada DES Holt untuk nilai awal lt dan bt pada Tabel 5.

Tabel 5. Perhitungan Nilai Awal Metode DES Holt

Nilai Awal

Hasil

It = 3910


It = yt

bt


(X2-X1)+( X4- X3) 2


bt


(3980-3910) + ( 3940 -39  ) _

:                             = 25

2


Hasil perolehan Parameter pada data Saham TLKM dapat dilihat pada Tabel 6

Tabel 6. Hasil Perolehan Parameter Alpha Dan Beta Saham TLKM

Index

Α

β

Error

0

0,1

0,1

3,4092

...

71

...

0,8

...

0,9

...

2,3085

72

0,9

0,1

1,8450

...

80

...

0,9

...

0,9

...

2,3488

Hasil perhitungan DES Holt pada saham TLKM dengan parameter alpa 0,9 dan beta 0,1 dari langkah algoritma dan hasil pada Tabel 7

Tabel 7.Hasil Peramalan Metode DES Holt Pada Data Saham TLKM

Index

Date

Close

Forecast

324

03/05/2021

3170

3188,7

325

04/05/2021

3210

3179,2

...

361

...

30/06/2021

...

3150

2840,1

Hasil perolehan parameter dan evaluasi menggunakan metode DES Holt pada data empat saham pada Tabel 8

Tabel 8. Hasil Perhitungan Dan Evaluasi Metode DES Holt

No

Data Saham

α

β

MAPE

1

TLKM

0,9

0,1

8,8307%

2

MDKA

0,9

0,1

15,0224%

3

HMSP

0,8

0,2

7,7215%

4

KLBF

0,8

0,1

7,4418%

  • e.    Metode Damped Trend

Kinerja metode dalam peramalan data saham harian dengan dua tahap yaitu training dan tahap testing. Tahap training memiliki tujuan memperoleh parameter/ukuran yang paling baik melalui penerapan prediksi terhadap data latih. Pengukuran performa metode dilaksanakan dengan berbasis kesalahan (erorr) peramalan dan akurasi pada tahapan pengujian. Perhitungan pada Damped Trend untuk nilai awal lt dan bt pada Tabel 9

Tabel 9. Hasil Perhitungan Nilai Awal Pada Metode Damped Trend

Nilai Awal

Hasil

It = yt

It = 3910

: (¾-×l) + ( ^4- ¾)

bt

(3980-3910) + ( 3940 -3960 )

:                          = 25

bt

'                 2

2

Hasil perolehan Parameter pada data Saham TLKM menggunakan metode Damped Trend pada Tabel 10

Tabel 10. Hasil Parameter Metode Damped Trend Pada Saham TLKM

Index

Α

β

φ

Error

0

0,1

0,1

0,1

3,1497

...

719

...

0,9

...

0,8

0,9

...

2,1849

720

0,9

0,9

0,1

1,7796

...

728

...

0,9

...

0,9

0,9

...

2,2429

Hasil perhitungan Damped Trend pada saham TLKM dengan parameter alpa 0,9, beta 0,9, dan phi 0,1 dari langkah algoritma dan hasil pada Tabel 11

Tabel 11. Hasil Peramalan Damped Trend Pada Saham TLKM

Index

Date

Close

Forecast

324

03/05/2021

3170

3200,4

325

04/05/2021

3210

3200,4

...

361

...

30/06/2021

...

3150

3200,5

Hasil perolehan parameter dan evaluasi pada data empat saham menggunakan metode Damped Trend pada Tabel 12. Menunjukkan metode Damped Trend memberikan bobot yang sama 0,1 pada data TLKM, MDKA, dan KLBF.

Tabel 12. Hasil Perhitungan Dan Evaluasi Metode Damped Trend

No

Data Saham

α

β

φ

MAPE

1

TLKM

0,9

0,9

0,1

3,6965%

2

MDKA

0,9

0,9

0,1

5,5285%

3

HMSP

0,8

0,2

0,8

7,5412%

4

KLBF

0,9

0,1

0,1

1,9325%

  • f.    Hasil Perbandingan Perhitungan Kedua Metode

Perbandingan MAPE dan akurasi metode Double Exponential Smoothing Holt dan Damped Trend pada data empat saham disajikan pada Tabel 13 dan grafik perbandingan antara data aktual dengan hasil peramalan kedua metode pada Gambar 2.

Tabel 13. Perbandingan Mape Dan Akurasi Kedua Metode

No

Metode

Data Saham

MAPE

Akurasi

TLKM

8,83071%

91,1693%

MDKA

15,0225%

84,9775%

1

DES Holt

HMSP

7,7215%

92,2785%

KLBF

7,4418%

92,5582%

TLKM

3,6965%

96,3035%

O

Damped

MDKA

5,5286%

94,4714%

Trend

HMSP

7,5413%

92,4587%

KLBF

1,9326%

98,0674%

  • 3.2    Pembahasan

Hasil perhitungan MAPE yang diperoleh dengan metode Double Exponential Smoothing Holt pada data TLKM cenderung mengalami kenaikan dan penurunan. Data saham MDKA menunjukkan tren kenaikan yang kuat. Data saham HMSP menunjukkan tren turun yang kuat dengan nilai 7,7215%. Pada data saham KLBF pergerakan cenderung stabil. Tabel 13 menunjukkan tingkat kesalahan minimum adalah 7,44181% saat memprediksi saham KLBF memakai metode Double Exponential Smoothing Holt & metode Damped Trend 1,93258%. Sedangkan nilai error terbesar untuk saham MDKA yaitu sebesar 15,02247% menggunakan Double Exponential Smoothing Holt dan Damped Trend pada saham HMSP sebesar 7,54126%. Akurasi juga dihitung dalam penelitiian ini berdasarkan persamaan yang ada. Pada Tabel 13 menunjukkan bahwa akurasi tertinggi dalam memprediksi saham KLBF memakai metode Double Exponential Smoothing Holt dan Damped Trend. Sedangkan nilai akurasi terkecil terdapat pada saham MDKA menggunakan Double Exponential Smoothing Holt dan Damped Trend pada saham HMSP.

MAPE dan Akurasi

Gambar 2. Grafik Perbandingan Akurasi Kedua Metode

Berdasarkan hasil MAPE dan akurasi yang diperoleh dalam penelitian ini pada metode DES Holt terdapat overforecasting terhadap data empat sektor saham harian. Berdasarkan teori sebelumnya bahwa jika MAPE kurang dari 10% maka penerapan metode Double Exponential Smoothing Holt dan Damped Trend nilai error yang dihasilkan sangat baik dan jika MAPE lebih dari 10% maka error yang dihasilkan baik [10]

Pada penelitian sebelumnya menggunakan parameter Damped pada metode Holt Winter Exponential Smoothing berhasil memperoleh nilai error dengan selisih nilai MAPE sebesar 0,41% [11]. Pada penelitian ini, parameter Damped menciptakan nilai error yang baik keempat data saham. Pada data saham TLKM peningkatannya 5,1342%, MDKA 9,4938%, HMSP 0,1802%, dan KLBF 5,5092%. Pada data HMSP yang mengandung pola tren menurun penambahan parameter redaman tidak berpengaruh signifikan kenaikan akurasinya. Hal ini dipengaruhi oleh pola data historis yang dipelajari pada tahap pelatihan yang menghasilkan nilai pemulusan level dan tren pada periode akhir untuk digunakan sebagai peramalan pada data testing, nilai parameter, jumlah dataset dan rentang waktu yang digunakan untuk peramalan [9].

  • 4.    Kesimpulan

Kinerja akurasi metode Double Exponential Smoothing Holt pada hasil perolehan ke empat data saham yang menghasilkan nilai akurasi yang tinggi pada data saham KLBF. Kemudian tingkat akurasi yang dihasilkan metode Double Exponential Smoothing Holt dengan menambahkan parameter peredam pada data penelitian ini pengaruh Damped Trend pada metode Double Exponential Smoothing Holt untuk prediksi harga empat sektor saham menghasilkan peningkatan akurasi yang signifikan dengan data harian yang menunjukkan pola tren naik dataset MDKA dengan peningkatan 9,49389%. Pada pola cenderung stabil dataset KLBF akurasi meningkat sebesar 5,50923%. Pada pola tren naik dan turun dataset TLKM menghasilkan peningkatan akurasi 5,13418%. Pada pola tren menurun dataset saham HMSP menghasilkan peningkatan akurasi 0,18024%.

DAFTAR PUSTAKA

  • [1]    A. S. Sukamto and W. Setiawan, “Peramalan Saham Berdasarkan Data Masa Lalu dengan Pendekatan Fuzzy Time Series,” J. Edukasi dan Penelit. Inform., vol. 4, no. 2, p. 192, 2018, doi: 10.26418/jp.v4i2.29469.

  • [2]    D. T. Anggraeni, “Peramalan Harga Saham Menggunakan Metode Autoregressive Dan Web Scrapping Pada Indeks Saham Lq45 Dengan Python,” Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 5, no. 2, 2020, doi: 10.36341/rabit.v5i2.1401.

  • [3]    H. D. E. Sinaga and N. Irawati, “Perbandingan Double Moving Average Dengan Double Exponential Smoothing Pada Peramalan,” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol. IV, no. 2, p. 8, 2018.

  • [4]    A. . . Asyhar, F. Febrianti, and N. . Fajriyah, “Analisis Model Exponential Smoothing terhadap Prediksi Pasang Surut Air Laut di Wilayah Pelabuhan Tanjung Perak Surabaya,” J. Sains Mat. dan Stat., vol. 4, no. 1, pp. 10–15, 2018.

  • [5]    L. Wu, S. Liu, and Y. Yang, “Grey double exponential smoothing model and its application on pig price forecasting in China,” Appl. Soft Comput. J., vol. 39, pp. 117–123, 2016, doi: 10.1016/j.asoc.2015.09.054.

  • [6]    H. Maulana and U. Mulyantika, “The Prediction of Export Product Prices with Holt’s Double Exponential Smoothing Method,” 2020 3rd Int. Conf. Comput. Informatics Eng. IC2IE 2020, pp. 372–375, 2020, doi: 10.1109/IC2IE50715.2020.9274679.

  • [7]    G. Sbrana and A. Silvestrini, “Forecasting with the damped trend model using the structural approach,” Int. J. Prod. Econ., vol. 226, p. 107654, Aug. 2020, doi: 10.1016/j.ijpe.2020.107654.

  • [8]    H. Lumaksono, H. Hozairi, B. Buhari, and M. Tukan, “Prediksi Jumlah Pelanggaran Hukum Di Laut Indonesia Menggunakan Metode Double Exponential Smoothing,” J. Mnemon., vol. 3, no. 1, pp. 17–23, 2020, doi: 10.36040/mnemonic.v3i1.2525.

  • [9]    R. J. Hyndman and G. Athanasopoulos, Forecasting: Principles and Practice, 3rd ed. Australia : Monash University: OTexts, 2021.

  • [10]    A. W. Omer, H. T. A. Blbas, and D. H. Kadir, “A Comparison between Brown’s and Holt’s Double Exponential Smoothing for Forecasting Applied Generation Electrical Energies in Kurdistan Region,” Cihan Univ. Sci. J., vol. 5, no. 2, pp. 56–63, 2021, doi: 10.24086/cuesj.v5n2y2021.pp56-63.

  • [11]    A. H. Primandari, “an Alternative Forecasting Using Holt-Winter Damped Trend for Soekarno-Hatta Airport Passenger Volume,” J. Eksakta, vol. 17, no. 1, pp. 1–10, 2017, doi: 10.20885/eksakta.vol17.iss1.art1.

52