PERBANDINGAN METODE HOLT-WINTERS ADITIF DAN MULTIPLIKATIF DENGAN OPTIMASI GENETIC ALGORITHM PADA PERAMALAN PRODUKSI KOPI INDONESIA TAHUN 2023

Abstract

Abstrak

Latar Belakang. Produksi kopi Indonesia menunjukkan pola musiman yang dipengaruhi kondisi iklim sehingga fluktuasinya cukup besar setiap tahun. Ketidakpastian ini menuntut metode peramalan yang akurat untuk mendukung pengambilan keputusan terkait produksi dan distribusi. Metode Triple Exponential Smoothing Holt-Winters mampu menangkap pola tren dan musiman, tetapi penentuan parameter pemulusannya sering dilakukan secara trial and error sehingga akurasinya kurang optimal. Tujuan. Penelitian ini bertujuan memperoleh parameter optimal α, β, dan γ menggunakan Genetic Algorithm (GA) serta membandingkan performa pendekatan aditif dan multiplikatif untuk menentukan metode yang paling sesuai dalam peramalan produksi kopi Indonesia. Metode. Data produksi kopi Indonesia periode 2016–2023 dari Badan Pusat Statistik (BPS) dianalisis menggunakan Holt-Winters aditif dan multiplikatif, kemudian parameter pemulusan dioptimasi menggunakan Genetic Algorithm untuk meningkatkan akurasi. Hasil. Identifikasi pola menunjukkan bahwa data memiliki karakter musiman multiplikatif. Sebelum optimasi, pendekatan multiplikatif menghasilkan MAPE sebesar 62,23% (korelasi 0,9740), lebih baik dibandingkan aditif dengan MAPE 95,00%. Setelah optimasi GA, diperoleh parameter terbaik α 0,0230; β 0,2851; dan γ 0,9175, yang menurunkan MAPE pendekatan multiplikatif menjadi 0,5024% dan aditif menjadi 12,2092%, dengan korelasi keduanya mencapai 0,9997. Kesimpulan. Pendekatan multiplikatif Holt-Winters merupakan metode yang paling sesuai untuk pola musiman produksi kopi Indonesia. Optimasi Genetic Algorithm terbukti mampu meningkatkan akurasi peramalan secara signifikan pada kedua pendekatan, dengan performa terbaik ditunjukkan oleh Holt-Winters multiplikatif hasil optimasi.

Kata Kunci: Holt-Winters, Genetic Algorithm, peramalan, produksi kopi, optimasi parameter.

Abstract

Background. Coffee is one of the leading plantation commodities in Indonesia. Its production exhibits a strong seasonal pattern influenced by climatic factors, resulting in substantial fluctuations from year to year. This uncertainty creates a need for accurate forecasting methods to support decision-making in production and distribution. The Triple Exponential Smoothing Holt-Winters method is capable of capturing trend and seasonal components; however, its smoothing parameters are often determined through trial and error, which may lead to suboptimal accuracy. To address this issue, an optimization approach based on the Genetic Algorithm (GA) is employed to obtain more precise and efficient parameter estimates. Objective. To obtain the optimal smoothing parameters α, β, and γ using the Genetic Algorithm and to determine whether the additive or multiplicative Holt-Winters approach performs better for forecasting Indonesia’s coffee production. Methods. The study used monthly Indonesian coffee production data from 2016–2023 sourced from Statistics Indonesia (BPS). Holt-Winters forecasting was evaluated using both additive and multiplicative forms, followed by parameter optimization using the Genetic Algorithm. Results. The multiplicative approach reflected the seasonal pattern more accurately, yielding an initial MAPE of 62.23% with a correlation of 0.9740. After optimization, the GA produced optimal parameters α = 0.0230, β = 0.2851, and γ = 0.9175. These parameters significantly improved model performance, reducing MAPE to 0.5024% and increasing correlation to 0.9997, indicating highly precise forecasting results. Conclusion. The multiplicative Holt-Winters method optimized with the Genetic Algorithm is the most appropriate and accurate approach for modeling Indonesia’s coffee production pattern.

Keywords: Holt-Winters, Genetic Algorithm, coffee production forecasting, time series, parameter optimization.