BAB I

PENDAHULUAN
1.1 Latar Belakang
Teknik peramalan sangat penting dalam berbagai bidang, yaitu ketika suatu
prediksi masa depan harus diikutsertakan dalam proses pengambilan keputusan. Sebagai
contoh, prediksi tentang kualitas udara, kualitas air, laju pengangguran, laju inflasi, dan
beberapa hal yang berkaitan dengan penentuan kebijakan pemerintah. Contoh lain
misalnya suatu perusahaan kereta api akan memerlukan prediksi jumlah penumpang
pada hari-hari tertentu sebagai pertimbangan manajemen dalam menambah rangkaian
gerbong.
Suatu perusahaan yang bergerak di bidang bisnis tertentu khususnya, lebih
banyak membutuhkan peramalan peristiwa atau kondisi yang terjadi selama perusahaan
itu beroperasi.
Seseorang biasanya melakukan peramalan melalui beberapa tahapan berikut:

Melakukan analisa data masa lalu dengan tujuan untuk melihat pola/perilaku
yang dapat ditangkap dari data masa lalu.
Setelah ditemukan pola tertentu, dilakukan eksplorasi data masa lalu kemudian
melakukan pemodelan pada data itu untuk melakukan peramalan ke depan.
Data yang digunakan dalam peramalan merupakan suatu data time series. Time
Series sendiri merupakan observasi yang diamati secara kronologis dari waktu
ke waktu.
Lebih dari beberapa dekade, banyak penelitian yang telah dilakukan untuk
mempelajari dan memprediksi masa depan. Penelitian-penelitian tersebut telah
memberikan rekomendasi beberapa metode untuk peramalan antara lain Naive
Model, Moving Average, Exponential Smoothing, sampai pada model yang lebih
rumit seperti model Holt dan model Winter dan pengembangan model-model
peramalan lainnya seperti model kombinasi deterministik-stokastik, ARIMA,
fungsi transfer dan peramalan multivariabel.

Berikut ini diberikan beberapa contoh situasi dimana peramalan dibutuhkan :

Departemen Marketing, peramalan permintaan produk dibutuhkan sebagai

masukan dalam penyusunan strategi pemasaran produknya.

Finansial, fluktuasi perdagangan saham dan kurs mata uang menjadi faktor yang
sangat penting dalam mempertahankan eksistensi suatu perusahaan. Karena itu,
prediksi yang handal sangat diperlukan untuk menentukan kebijakan
manajemen.

Perencanaan produksi, peramalan kebutuhan material produksi sangat

diperlukan. Peramalan tersebut digunakan biasanya pada rentang waktu tertentu,
baik harian, mingguan maupun bulanan.

Dalam melakukan peramalan peristiwa yang akan terjadi di masa depan,

seseorang memerlukan informasi tentang peristiwa itu di masa lalu. Dengan kata lain,
dalam melakukan peramalan ke depan, seseorang harus melakukan analisa data masa
lalu, dan menjadikannya dasar untuk meramalkan di masa yang akan datang.
Teknik peramalan sangat dibutuhkan untuk mendukung kegiatan industri. Salah
satu teknik peramalan yang umum adalah metode exponential smoothing yang akan
dibahas dalam makalah ini

BAB II
DASAR TEORI
Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif
dan efisien. Menurut Makridakis (1999), teknik peramalan terbagi menjadi dua bagian,
yang pertama metode peramalan subjektif dan metode peramalan objektif.
Metode peramalan subjektif mempunyai model kualitatif dan metodel peramalan
objektif mempunyai dua model, yaitu model time series dan model kausal. Model
kualitatif berupaya memasukkan faktor-faktor subyektif dalam model peramalan, model
ini akan sangat bermanfaat jika data kuantitatif yang akurat sulit diperoleh. Contoh dari
metode ini ialah metode delphi, opini juri eksekutif, komposit kekuatan dan survey
pasar konsumen.
Model kausal memasukkan dan menguji variabel-variabel yang diduga akan
mempengaruhi variabel dependen, model ini biasanya menggunakan analisis regresi
untuk menentukan mana variabel yang signifikan mempengaruhi variable dependen.
Selain menggunakan analisis regresi, model kausal juga dapat menggunakan metode
ARIMA atau Box-Jenkins untuk mencari model terbaik yang dapat digunakan dalam
peramalan.
Model time series merupakan model yang digunakan untuk memprediksi masa
depan dengan menggunakan data historis. Dengan kata lain, model time series mencoba
melihat apa yang terjadi pada suatu kurun waktu tertentu dan menggunakan data masa
lalu untuk memprediksi. ontoh dari model time series ini antara lain Moving
average,Exponential Smoothing dan proyeksi trend
2.1

Metode Exponential Smoothing

Metode Exponential Smoothing (Makridakis, 1999) merupakan prosedur
perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru. Metode
peramalan ini menitik-beratkan pada penurunan prioritas secara eksponensial pada
objek pengamatan yang lebih tua.
Penghalusan eksponensial (exponential smoothing) adalah suatu tipe teknik
peramalan rata-rata bergerak yang melakukan penimbangan terhadap data masa lalu
dengan cara eksponensial sehingga data paling akhir mempunyai bobot atau timbangan
lebih besar dalam rata-rata bergerak. (Handoko, 1984).
Dalam pemulusan eksponensial atau exponential smoothing terdapat satu atau
lebih parameterpemulusanyang ditentukan secara eksplisit, dan hasil ini menentukan
bobot yang dikenakan pada nilai observasi. Dengan kata lain, observasi terbaru akan
diberikan prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama.
Metode exponential smoothing dibagi lagi berdasarkan menjadi beberapa metode
2.1.1 Metode Penghalusan Eksponensial Orde Satu (Single Exponential
Smoothing)
Metode penghalusan eksponensial orde satu (single exponential smoothing)
sebenarnya merupakan perkembangan dari metode rata-rata bergerak (moving average)
sederhana. Juga dikenal sebagai simple exponential smoothing yang digunakan pada
peramalan jangka pendek, biasanya hanya 1 bulan ke depan. Model mengasumsikan

bahwa data berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola
pertumbuhan konsisten. (Makridakis, 1999).

Jika terdapat data dari t pengamatan maka nilai ramalan pada waktu t+1 adalah:
+1 = 1+2++=1 =1
+2 = +1+1 +1
Sehingga metode pemulusan eksponensial untuk N pengamatan dapat dituliskan sebagai
berikut:
+1 = +
Bila nilai observasi tidak tersedia maka harus diganti dengan nilai pendekatannya
(aproksimasi). Dan salah satu pengganti yang mungkin adalah nilai ramalan periode t,
yaitu sehingga diperoleh persamaan:
+1 = + , atau
+1 = 1 + 11
Karena N merupakan bilangan positif maka nilai 1 akan menjadi suatu konstanta yang
nilainya berkisar antara 0 sampai 1. Jika nilai 1 diganti dengan alpha, maka
persamaan diatas menjadi:
+1 = + (1 )
Dimana,
+1 = nilai peramalan ke t+1

= data aktual ke t

= parameter dengan nilai antara 0 sampai 1

= nilai peramalan ke t
2.1.2 Metode Penghalusan Eksponensial Orde Dua (Double Exponential
Smoothing)
Model eksponensial sederhana ganda biasa disebut juga model Holt atau metode
Brown. Model ini digunakan untuk memodelkan data yang mengandung pola trend.
Metode Double Exponential Smoothing memberikan pembobotan pada observasi masa
lalu secara berganda. Pada dasarnya, Double Exponential Smoothing tetap
menggunakan pembobotan model Single Exponential Smoothing namun terdapat
penambahan pembobot untuk mengestimasi adanya trend pada data.
Metode ini digunakan ketika data menunjukkan adanya trend. Exponential
smoothing dengan adanya trend seperti pemulusan sederhana kecuali bahwa dua
komponen harus diupdate setiap periode level dan trendnya. Level adalah estimasi
yang dimuluskan dari nilai data pada akhir masingmasing periode. Trend adalah
estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir masing-masing periode.
(Makridakis, 1999)

A. Metode Satu Parameter dari Brown

Metode ini menggunakan hanya 1 parameter, tetapi menggunakan
ganda untuk menyesuaikan tren.

pemulusan

Secara Matematis dapat ditulis sebagai berikut

bt
( At A't ) a 2 A A' A' A (1 ) A' A Y (1 ) A
t
t
t
t
t
t 1 t
t
t 1
1

Nilai Peramalannya dapat didapatkan dengan

Yt p at bt p

Keterangan
At
= nilai pemulusan eksponensial
At
= nilai pemulusan eksponensial ganda

= konstanta pemulusan
at
= perbedaan antara nilai-nilai pemulusan eksponensial
bt
= faktor penyesuai tambahan = pengukuran slope suatu kurva
Yt
= nilai aktual pada periode t
p
= jumlah periode ke depan yang akan diramalkan
B. Metode Dua Parameter dari Holt
Pada metode ini, nilai tren tidak dimuluskan dengan pemulusan ganda secara
langsung, tetapi menggunakan proses pemulusan tren dengan
menggunakan
parameter baru ()
Secara Matematis dapat ditulis sebagai berikut
At Yt (1 )( At 1 Tt 1 )

Tt ( At At 1 ) (1 )Tt 1
Nilai Peramalannya dapat didapatkan dengan
Yt p At Tt p

Keterangan
At = nilai pemulusan eksponensial

= konstanta pemulusan untuk data (0 < < 1)

= konstanta pemulusan untuk estimasi trend (0 < < 1)

Yt
= nilai aktual pada periode t
Tt
= estimasi trend
p
= jumlah periode ke depan yang akan diramalkan

2.1.3 Metode Penghalusan Eksponensial Orde Tiga (Triple Exponential

Smoothing)
Metode ini digunakan ketika data menunjukan adanya trend dan perilaku
musiman (Makridakis, 1999). Untuk menangani musiman, telah dikembangkan
parameter persamaan ketiga yang disebut metode Holt-Winters sesuai dengan nama
penemuya. Terdapat dua model Holt-Winters tergantung pada tipe musimannya yaitu
Multiplicative seasonal model dan Additive seasonal model yang akan dibahas pada
bagian lain dari blog ini. Metode exponentian smoothing yang telah dibahas sebelumnya
dapat digunakan untuk hampir segala jenis data stasioner atau non stasioner sepanjang
data tersebut tidak mengandung faktor musiman. Tetapi bilamana terdapat musiman,
metode ini dijadikan cara untuk meramalkan data yang mengandung faktor musiman,
namun metode ini sendiri tidak dapat mengatasi masalah tersebut dengan baik.
Meskipun demikian, metode ini dapat menangani factor musiman secara langsung.
(Makridakis, 1999). Rumus yang digunakan untuk triple xponential smoothing adalah:
Pemulusan trend:
Bt =g (St St-1) + (1 - g ) bt-1
Pemulusan Musiman:
I=btX
t S + (1-b) t -L + m
Ramalan:
Ft + m = (St + bt m)It L + m
Dimana L adalah panjang musiman (misal, jumlah kuartal dalam suatu tahun), b adalah
komponen trend, I adalah factor penyesuaian musiman, dan Ft + m adalah ramalan
untuk m periode ke muka

2.2

Jenis Pola Data

Model time series seringkali dapat digunakan dengan mudah untuk meramal,
sedangkan model kausal dapat digunakan dengan keberhasilan yang lebih besar untuk
pengambilan keputusan dan kebijaksanaan. (Makridakis, 1999). Bilamana data yang
diperlukan tersedia, suatu ubungan peramalan dapat dihipotesiskan baik sebagai fungsi
dari waktu atau sebagai fungsi dari variabel bebas, kemudian diuji. Langkah penting
dalam memilih model time series yang tepat adalah dengan mempertimbangkan jenis
pola data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Pola data
dapat dibedakan menjadi empat jenis siklis dan trend.
Time series merupakan data yang dikumpulkan, dicatat atau diobservasi
sepanjang waktu secara berurutan dengan beberapa periode waktu dapat tahun, kuartal,
bulan, minggu dan pada beberapa kasus hari atau jam. Data time series di analisis untuk
menemukan pola variasi masa lalu yang dapat dipergunakan untuk memperkirakan nilai
untuk masa depan (forecast ) karena dengan mengamati data runtut waktu akan terlihat
empat komponen yang akan mempengaruhi pola data masa lalu dan sekarang yang
benderung berulang di masa mendatang (Mukhyi, 2008). Klasifikasi model time series
berdasarkan bentuk atau fungsi antara lain linier dan nonlinier, contoh dari model time
series linier yaitu moving average, Exponential Smoothing.
Metode smoothing didasarkan pada ide bahwa ramalan yang handal dapat
diperoleh dengan cara memodelkan pola-pola di dalam data yang terlihat pada plot time
series-nya, kemudian melakukan suatu ekstrapolasi pola-pola itu untuk meramalkan
masa depan. Beberapa pola yang mungkin terjadi ketika suatu data akan dianalisa
adalah :

Pola data Stasioner dari waktu ke waktu

Data yang stasioner mempunyai rata-rata (mean) dan varians yang konstan dari
waktu ke waktu. Untuk dapat menentukan apakah suatu data time series stasioner atau
tidak, dapat dilihat dari plot. Bila data tidak menunjukkan adanya kenaikan atau
penurunan dari waktu ke waktu maka data telah stasioner.

Membentuk sebuah tren, baik itu naik atau turun

Tren merupakan kondisi dimana terdapat flutuasi data yang cenderung naik atau
turun.

Membentuk suatu pola musiman

Pola musiman dapat dilhat bila pada plot data terkadang naik dan terkadang turun
dalam jangka waktu atau periode tertentu. Panjang periode musiman dapat dilihat dari
jarak periode antar puncak atau antar lembah pada plot time series.

Tidak ada efek

musiman

Terdapat efek musiman

Additive

Terdapat efek musiman

Multiplikatif

Tidak
ada efek
tren

Terdapat
tren
Gambar 1. Pola data berkaitan dengan efek tren dan musiman
Bentuk plot time series diatas digunakan untuk menentukan metode smoothing
mana yang mungkin diterapkan. Karena itu, identifikasi awal untuk melihat pola data
harus dilakukan terlebih dahulu sebelum melakukan analisa peramalan lebih jauh.
Metode-metode smoothing yang akan dipelajari ini merupakan metode
peramalan yang tidak terlalu sulit dan cukup singkat untuk diaplikasikan. Dalam
menentukan mana metode yang memberikan hasil ramalan terbaik, seorang analis bisa
saja menggunakan lebih dari satu metode sekaligus, yang nantinya metode yang terbaik
bisa diukur melalui kriteria ukuran kesalahan peramalan.
POLA DATA
Stasioner

Trend

Metode yang Sesuai

Nave model
Simple Average
Moving Average
Single Exponential Smoothing
Nave model
Double Moving Average
Double Exponential
Smoothing
Nave model

Musiman
Musiman dan
Trend

Winters Model
Nave model
Winters Model

Panjang Ramalan

Jangka Panjang
Jangka Pendek

Jangka Pendek
Jangka Pendek hingga
menengah
Jangka Pendek hingga
menengah

2.3

Tahapan Membangun Model Peramalan

Makridakis, dkk. (1998) memberikan memperkenalkan beberapa tahapan yang
harus dilalui dalam membangun model peramalan.
Tahap 1
Data time series dibagi menjadi dua bagian yaitu initialization set dan test set.
Banyaknya test set dapat mengacu pada banyaknya peramalan ke depan yang akan

dilakukan. Sebagai contoh, bila dimiliki suatu data time series sebanyak 50 data, dan
akan dilakukan peramalan sebanyak 5 periode ke depan (periode 51 sampai 55), maka
banyaknya data untuk test set adalah 5 data terakhir (periode 46 sampai 50), dan untuk
initialization set adalah 45 data awal (periode 1 sampai 45)
Tahap 2
Memilih metode-metode peramalan yang mungkin dapat diaplikasikan pada
data. Untuk itu, identifikasi awal dengan melihat pada plot data sangat diperlukan pada
tahap ini. Pemeriksaan kondisi meliputi ada atau tidaknya tren yang terjadi serta ada
atau tidaknya fluktuasi musiman pada data.

Tahap 3
Melakukan pemodelan peramalan menggunakan initialization set dengan
menerapkan metode-metode yang telah dipilih pada tahap sebelumnya. Pada tahap ini,
dihitung ukuran-ukuran kesalahan MAPE, MAD dan MSD yang nantinya akan
digunakan untuk memilih model yang paling tepat diterapkan pada data.
Tahap 4
Melakukan peramalan ke depan sesuai model yang didapatkan di tahap 3.
Peramalan dilakukan sebanyak periode yang sesuai dengan banyaknya data pada test set
untuk menghitung ukuran-ukuran kesalahan MAPE, MAD dan MSD pada test set yang
nantinya juga akan digunakan untuk menentukan model yang paling tepat.
Tahap 5
Membandingkan beberapa alternatif metode peramalan yang mungkin
diterapkan pada data dengan melihat ukuran kesalahan baik pada initialization set,
maupun pada test set. Model terbaik akan diterapkan untuk prediksi ke depan.
Tahap 6
Setelah terpilih satu metode yang paling baik, maka peramalan kedepan
dilakukan dengan melibatkan seluruh data. Sebagai contoh, bila terdapat 50 data time
series yang ingin diramalkan ke depan sebanyak 5 periode (periode 51 sampai 55),
dimana sebelumnya data telah dibagi menjadi dua bagian (45 data initialization set, dan
5 data test set), maka peramalan ke depan (dengan metode terbaik) dilakukan
menggunakan keseluruhan 50 data.

BAB III
STUDI KASUS & PEMBAHASAN
3.1

Studi Kasus

PT Maju Terus merupakan perusahaan penjualan lampu taman, berikut data

penjualan lampu taman dalam kurun waktu empat bulan terakhir
No
1
2
3
4

Bulan
Maret
April
Mei
Juni

Produk Terjual
46
43
44
45

Dari data tersebut Manager perusahaan ingin membuat peramalan target

penjualan untuk bulan Juli. Berdasarkan pengalaman perusahaan menggunakan
koofesien pemulusan () sebesar 0.6, karena berdasarkan data tahun lalu perbedaan
jumblah penjualan tiap bulan tidak terlalu signifikan (mendekati nilai actual bulan
sebelumnya)
3.2

Pembahasan
Rumus
+1 = + (1)

Dari Rumus tersebut kita dapat membuat peramalan untuk

setiap bulannya. Untuk peramalan bulan pertama, nilai peramalan
tidak dapat ditentukan. Untuk peramalan bulan kedua kita dapat
menentukan nilai peramalan menggunakan nilai observasi.
Secara Matematis dapat dijabarkan.
Diketahui

= 0,6
Pembahasan

S2
S2
S2

= 0.6 (X1) + 0,4 (X1) > Belum ada nilai peramalan bulan sebelumnya
= 0,6(46) + 0,4 (46)
= 46

S3
S3
S3

= 0,6 (X2) + 0,4 (S2)

= 0,6 (43) + 0,4 (46)
= 44,2

S4
S4
S4
S5
S5
S5

=
=
=
=
=
=

0,6 (X3) + 0,4 (S3)

0,6 (44) + 0,4 (44,2)
44,08
0,6 (X4) + 0,4 (S4)
0,6 (45) + 0,4 (44,08)
44,63

Dari perhitungan tersebut dapat dijabarkan sebagai berikut

No
1
2
3
4
5

Bulan
Maret
April
Mei
Juni
Juli

Penjualan (Xt)
46
43
44
45
-

Peramalan (St)
46
44,2
44,08
44,63

Berdasarkan hasil peramalan menggunakan metode exponensial Smoothing diprediksi

bahwa pada bulan Juli produk yang akan terjual adalah 44,63

DAFTAR PUSTAKA
Prasetyo, Dedy Dwi. 2010. Analisis Time Series. Jurnal Online Teknik Industri :
Jakarta
Biri, Langi ,dan Paendong. 2013. Penggunaan Metode Eksponensial Smoothing,
FMIPA UNIV Sam Ratulangi : Manado
Makridakis, S. 1999. Analisis Runtun Waktu. PT Karunika: Jakarta