Anda di halaman 1dari 4

Pengertian dan Pembahasan

Pada metode pemulusuan eksponensial, pada dasarnya data masa lalu dimuluskan dengan
cara melakukan pembotan menurun secara eksponensial terhadap nilai pengamatan yang lebih
tua. Atau nilai yang lebih baru diberikan bobot yang relatif lebih besar dibanding nilai
pengamatan yang lebih lama. Beberapa jenis analisis data deret waktu yang masuk pada katagori
pemulusan eksponensial, diantaranya :
(1) pemulusan eksponensial tunggal,
(2) pemulusan eksponensia tunggal: pendekatan adaptif,
(3) pemulusan eksponensial ganda : metode Brown,
(4) metode pemulusan eksponensial ganda : metode Holt,
(5) pemulusan eksponensial tripel : metode Winter.
Pada metode pemulusan eksponensial ini, sudah mempertimbangkan pengaruh acak, trend dan
musiman pada data masa lalu yang akan dimuluskan. Seperti halnya pada metode rataan
bergerak, metode pemulusan eksponensial juga dapat digunakan untuk meramal data beberapa
periode ke depan.

 Metode pemulusan eksponensial tunggal dikembangkan dengan sebuah persamaan awal


yaitu :

Bila nilai Xt-n tidak tersedia maka harus dilakukan penggantian dengan suatu pendekatan
(aproksimasi). Salah satu pengganti yang mungkin adalah Ft, sehingga persamaan (2.1) menjadi :

Karena n merupakan bilangan positif maka nilai 1/n akan menjadi suatu konstanta yang nilainya
berkisar antara 0 dan 1. Jika nilai 1/n diganti dengan alpha, maka persamaan (2.3) menjadi :
 Metode pemulusan eksponensial tunggal tidak cukup baik diterapkan jika datanya
bersifat tidak stasioner, karena persamaan yang digunakan dalam metode eksponensial
tunggal tidak terdapat prosedur pemulusan pengaruh tren yang mengakibatkan data tidak
stasioner menjadi tetap tidak stasioner, tetapi metode ini merupakan dasar bagi metode-
metode pemulusan eksponensial lainnya (Makridakis, Wheelwright dan McGee,1992).

Menurut Assauri (1984), dasar pemikiran dari metode pemulusan eksponensial tunggal maupun
ganda adalah bahwa nilai pemulusan akan terdapat pada waktu sebelum data sebenarnya apabila
pada data tersebut terdapat komponen tren. Oleh karena itu untuk nilai-nilai pemulusan tunggal
perlu ditambahkan nilai pemulusan ganda guna menyesuaikan tren. Metode yang sedemikian itu
dikenal dengan nama metode Brown. Adapun formula yang dipergunakan adalah sebagai berikut
:

Menurut Reitsch dan Hanke (1989), metode pemulusan eksponensial ganda lain yang dapat
digunakan untuk menangani tren yang linier adalah metode 2 parameter dari Holt. Pada metode
Holt nilai tren tidak dimuluskan dengan pemulusan ganda secara langsung, tetapi proses
pemulusan tren dilakukan dengan menggunakan parameter yang berbeda dengan parameter yang
digunakan pada pemulusan data asli. Pada metode Brown hanya terdapat satu parameter saja dan
estimasi nilai tren masih sangat sensitif sekali terhadap fluktuasi random. Metode Holt
memberikan banyak kefleksibelan dalam menseleksi komponen tren. Metode Holt secara
matematis ditulis pada tiga persamaan berikut :
Pemulusan eksponensial ganda pada metode Brown dan metode Holt hanya bisa dipergunakan
untuk data yang tidak mengandung faktor musiman. Jika data yang akan dianalisis merupakan
data musiman maka diperlukan sebuah metode pemulusan yang dapat menangani faktor
musiman secara langsung. Metode tersebut adalah metode Winters. Metode ini serupa dengan
metode Holt dengan ditambah sebuah persamaan untuk mengatasi variasi musim sebagai
berikut :
Menurut Makridakis, Wheelwright dan McGee (1992), jika indeks musiman yang dipergunakan
untuk inisialisasi nilai-nilai awal komponen musiman tidak tersedia maka nilai-nilai tersebut
dapat ditaksir atau didekati dengan nilai-nilai berikut :

Kelebihan dan Kekurangan Menggunakan Metode Pemulusan Eksponensial

Kelebihan Kekurangan
- Merupakan metode proyeksi yang - Memerlukan data runtut waktu yang
mudah dan sederhana namun lebih rumit relative banyak.
disbanding metode rata-raata bergerak. - Tidak adanya dasar yang kuat untuk
- Telah dilakukan pembedaan bobot menetapkan nilai α, untuk menentukan
kepada setiap observasi dimana data nilai α yang paling tepat dilakukan
observasi terakhir diberi bobot yang dengan cara coba-coba.
lebih besar disbanding data sebelumnya.

Keadaan Yang Memungkinkan Eksponensial Smoothing Dipakai

Dalam model peramalan pemulusan eksponensial, apabila forecast error adalah positif,
yang berarti nilai aktual permintaan lebih tinggi daripada nilai ramalan (A-F > 0), maka model
pemulusan eksponensial akan secara otomatis meningkatkan nilai ramalan. Sebaliknya apabila
forecasts error adalah negatif, yang berarti nilai aktual permintaan lebih rendah daripada nilai
ramalan (A-F < 0), maka model pemulusan eksponensial akan secara otomatis menurunkan nilai
ramalan. Proses penyesuaian ini berlangsung terus-menerus, kecuali apabila forecasts error telah
mencapai nol. Kenyataan inilah yang mendorong peramal (forecaster) lebih suka menggunakan
model peramalan pemulusan eksponensial, apabila pola histories dari data aktual permintaan
bergejolak atau tidak stabil dari waktu ke waktu.