Peramalan Menggunakan Metode Exponential Smoothing
Peramalan Menggunakan Metode Exponential Smoothing
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.
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.
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
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
= 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)
pemulusan
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
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
2.2
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
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
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
Bulan
Maret
April
Mei
Juni
Produk Terjual
46
43
44
45
Pembahasan
Rumus
+1 = + (1)
= 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
S4
S4
S4
S5
S5
S5
=
=
=
=
=
=
Bulan
Maret
April
Mei
Juni
Juli
Penjualan (Xt)
46
43
44
45
-
Peramalan (St)
46
44,2
44,08
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