Model-model peramalan yang digunakan dalam peramalan time series sebagai berikut :
- Rata-rata (simple average )
Metode rata-rata secara sederhana menghitung rataan dari data yang tersedia ( sejumlah T).
Metode sederhana ini cocok jika data-datanya tidak memiliki trend dan tidak mengandung faktor musiman.
- Weighted moving average
Istilah moving average menggambarkan prosedur jika ada data baru, rata-rata baru dapat dihitung dan data yang baru dihapus. Karakteristik moving average yaitu peramalan dipengaruhi T periode masa lalu dan jumlah data tiap waktu tetap
Nilai default dari setiap weight 1/m
- Moving average with linier trend
Metode ini akan efektif jika trend linier dan faktor random error tidak besar, persamaan dari metode tersebut adalah
- Single exponential smooting
Peramalan single exponential smooting dihitung berdasar hasil peramalan ditambah dengan peramalan periode sebelumnya.
Kesalahan peramalan sebelumnya digunakan untuk mengoreksi peramalan berikutnya.
Semakin besar , smooting yang dilakukan semakin kecil, sebaliknya semakin kecil , smooting yang dilakukan semakin besar. Masalah yang dihadapi dalam melakukan peramalan dengan metode ini adalah mencari a optimum, karena akan memberi MSE, MAPE atau pengukuran lainnya minimum.
- Single exponential smooting with linier trend
- Double exponential smooting
Untuk linier regresi, TESC mengandung solusi untuk model linier sebagai berikut :
Dimana Y adalah parameter dependen, X adalah variable independent, bo,….adalah parameter regresi dan e adalah random
- Winter’s model
Dalam metode ini, jika tidak diberikan input faktor seasonal, maka default dari faktor seasonal akan melakukan setting inisialisasi dengan mengikuti nilai :
Kesalahan peramalan pada periode t adalah selisis dari data aktual A (t) hasil peramalan f (t).