Metode Pemulusan Exponential Smoothing
Metode Pemulusan Exponential Smoothing
a.
Dimana:
Yt 1 = nilai ramalan untuk periode berikutnya
= konstanta pemulusan
Yt = data baru atau nilai Y yg sebenarnya pada periode t
Yt = nilai pemulusan yang lama atau rata-rata pemulusan hingga periode t-1
Contoh :
Peramalan pengiriman alat pembuka kaleng listrik dengan menggunakan pemulusan eksponensial
Catatan:
Agar dapat memulai sistem peramalan SES kita memerlukan Y1 , karena Y2 Y1 (1 )Y1
Karena nilai Y1 tidak diketahui, maka kita dapat menggunakan nilai observasi pertama (Y 1) sebagai
ramalan pertama.
Periode
waktu
Bulan
Januari
Pebruari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
Nopember
Desember
Nilai
pengamatan
(pengiriman)
1
2
3
4
5
6
7
8
9
10
11
12
200.0
135.0
195.0
197.5
310.0
175.0
155.0
130.0
220.0
277.0
235.0
-
Nilai Kesalahan
= 0,1
= 0,5
= 0,9
= 0,1
200.0
200.0
193.5
193.7
194.0
205.6
202.6
197.8
191.0
193.9
202.2
205.5
200.0
200.0
167.5
181.3
189.4
249.7
212.3
183.7
156.8
188.4
232.7
233.9
200.0
200.0
141.5
189.7
196.7
298.7
187.4
158.2
132.8
211.3
270.4
238.5
-65.0
1.5
3.8
116.0
-30.6
-47.6
-67.8
29.0
83.1
32.8
-
= 0,5
-65.0
-65.0
27.5
53.5
16.3
7.8
120.6
113.3
-74.7
-123.7
-57.3
-32.4
-53.7
-28.2
63.2
87.2
88.6
65.7
2.3
-35.4
Jumlah
Periode pengujian
MSE
= 0,1
= 0,5
= 0,9
4225.0
2.3
14.8
13447.9
938.3
2262.7
4598.4
839.2
6901.1
1073.6
34303.3
10
3430.327
3
4225.0
756.3
264.1
14550.4
5578.2
3288.3
2880.7
3989.7
7846.8
5.2
43384.6
10
4338.462
5
4225.0
2862.3
61.6
12833.5
15294.6
1047.6
797.3
7599.7
4318.8
1255.2
50295.6
10
5029.5628
( At A't )
4. bt
1
5. Persamaan yang digunakan untuk membuat peramalan pada periode p yang akan datang adalah:
Yt p at bt p
Dimana :
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
c.
Periode
Permintaan
suatu produk
At
A't
at
bt
143
143
143
143.0
0.0
152
144.8
143.4
146.2
0.4
143.0
161
148.0
144.3
151.8
0.9
146.6
139
146.2
144.7
147.8
0.4
152.7
137
144.4
144.6
144.1
-0.1
148.2
174
150.3
145.8
154.9
1.1
144.1
142
148.6
146.3
151.0
0.6
156.0
141
147.1
146.5
147.7
0.2
151.5
162
150.1
147.2
153.0
0.7
147.9
10
180
156.1
149.0
163.2
1.8
153.7
11
164
157.7
150.7
164.6
1.7
164.9
12
171
160.3
152.6
168.0
1.9
166.3
13
169.9
(p =1)
14
171.9
(p=2)
15
173.8
(p=3)
16
175.7
(p=4)
17
177.6
(p=5)
Nilai ramalan
Dimana :
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
Catatan:
Agar dapat memulai sistem peramalan metode Brown kita memerlukan A1, karena
A2 Y2 (1 )( A1 T1 ) , karena pada saat t = 1, nilai A1
tidak diketahui, maka kita dapat
menggunakan nilai observasi pertama (Y1). Untuk estimasi trend pada saat t = 1, nilai T 1 tidak diketahui,
maka kita dapat menggunakan selisih nilai observasi kedua (Y 2) dengan nilai observasi pertama (Y1), yaitu
T1 = Y2 Y1.
Contoh:
Pemulusan eksponensial dari Holt pada data permintaan suatu produk. Perhitungan pada contoh di bawah
ini menggunakan nilai = 0,2 dan = 0,3.
Periode
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
d.
Permintaan
suatu produk
143
152
161
139
137
174
142
141
162
180
164
171
-
At
143
152.0
161.0
163.8
164.2
170.2
168.9
166.0
166.4
170.1
170.4
171.6
-
Tt
9
9.0
9.0
7.1
5.1
5.4
3.4
1.5
1.2
1.9
1.4
1.4
-
Nilai ramalan
152.0
161.0
170.0
170.9
169.3
175.6
172.2
167.5
167.6
172.0
171.8
173.0
174.4
175.8
177.2
178.6
(p =1)
(p=2)
(p=3)
(p=4)
(p=5)
Dimana :
At = nilai pemulusan eksponensial
= konstanta pemulusan untuk data (0 < < 1)
= konstanta pemulusan untuk estimasi trend (0 < < 1)
= konstanta pemulusan untuk estimasi musiman (0 < < 1)
Yt = nilai aktual pada periode t
Tt = estimasi trend
St = estimasi musiman
L = panjangnya musim
p = jumlah periode ke depan yang akan diramalkan
Contoh:
Pemulusan eksponensial dari Winter pada data musiman di bawah ini. Perhitungan pada contoh di bawah
ini menggunakan nilai = 0,4 ; = 0,1 ; dan = 0,3. Panjang musim L = 4
Catatan:
Dalam metode ini diperlukan estimasi nilai awal yg akan digunakan untuk mendapatkan nilai pemulusan
awal, estimasi trend awal, dan keempat estimasi musiman.
Nilai pemulusan awal dapat diestimasi dengan menggunakan nilai aktual awal.
Nilai trend awal dapat diestimasi dengan menggunakan nilai 0 (slope persamaan trend yang diperoleh dari
data masa masa lalu tidak ada).
Nilai estimasi pengaruh musiman awal dengan menggunakan nilai 1 (untuk menghilangkan penaruh
musiman dalam data asli Y1 Y1/S1 = Y1/1 = Y1
Periode
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
Aktual
500
350
250
400
450
350
200
300
350
200
150
400
550
350
250
550
550
400
350
600
750
500
400
650
At
500
440.0
360.4
368.2
394.2
381.2
311.9
295.6
303.0
Tt
0
-6.0
-13.4
-11.2
-7.5
-8.1
-14.2
-14.4
-12.2
St
1
0.94
0.91
1.03
1.04
0.93
0.83
1.02
1.08
Ramalan
357.0
362.9
338.8
305.5
293.2
Periode
27
28
Aktual
At
Tt
St
Ramalan