JURNAL TEKNOLOGI INDUSTRI, 1999, VOL. III, No.

3, hal 139 148 ISSN 1410-5004

OPTIMASI PERAMALAN PEMULUSAN EKSPONENSIAL SATU PARAMETER DENGAN MENGGUNAKAN ALGORITMA NON-LINEAR PROGRAMMING
The Jin Ai
ABSTRACT There are some parameters that must be evaluated in Exponential Smoothing Forecasting Methods. To find the best parameters that give the lowest forecasting error is a quite hard problem to solve before using the methods. Some non-linear programming algorithms that minimize forecasting error as parameter function can be used to solve the problem. This paper only deals with single parameter forecasting methods.

1. PENDAHULUAN Peramalan (Forecasting) merupakan kegiatan memprediksi nilai-nilai sebuah variabel berdasarkan nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan. Terdapat dua macam metode yaitu metode kualitatif dan metode kuantitatif. Metode kualitatif hanya menggunakan intuisi saja, tanpa menggunakan pendekatan matematis maupun statistik. Situasi, kondisi, dan pengalaman peramal sangat mempengaruhi hasil ramalan. Metode kuantitatif dapat dibedakan menjadi dua cara yaitu metode kausal dan metode time series. Metode kausal mempertimbangkan nilai sebuah variabel sebagai pengaruh dari banyak variabel yang lain. Sedangkan metode time series hanya meninjau nilai sebuah variabel sebagai fungsi waktu. (Makridakis, 1989) Peramalan Pemulusan Eksponensial (Exponential Smoothing) merupakan salah satu kategori metode time series yang menggunakan pembobotan data masa lalu secara eksponensial. Dalam kategori ini terdapat beberapa metode yang umum dipakai, antara lain metode Pemulusan Eksponensial Tunggal (Single Exponential Smoothing), metode Pemulusan Eksponensial Ganda Satu Parameter dari Brown (Browns One-Parameter Double Exponential Smoothing), metode Pemulusan Ganda Dua Parameter dari Holt (Holts Two-Parameter Double Exponential Smoothing), metode Pemulusan Eksponensial Tripel dari Winter (Winters Three-Parameter Triple Exponential Smoothing). (Makridakis, 1989) Pada setiap metode terdapat satu sampai tiga parameter yang harus ditentukan. Setiap parameter yang ada mempunyai harga antara nol dan satu. Menentukan harga parameter tersebut adalah masalah besar yang harus diselesaikan agar dapat menggunakan metode yang dikehendaki. Harga parameter terbaik adalah harga yang memberikan kesalahan peramalan terkecil. Makridakis (1998) menyatakan bahwa algoritma non-linear programming dapat menyelesaikan masalah optimasi parameter ini dengan baik. Dalam tulisan ini, hanya dibahas dua metode pertama yang hanya menggunakan satu parameter peramalan.

140

The Jin Ai

2. METODE PEMULUSAN EKSPONENSIAL Sekelompok metode ini menggunakan data masa lalu untuk memprediksi nilai sebuah variabel dengan memberi bobot atau faktor pengali yang berbeda-beda. Besarnya bobot berubah secara eksponensial, semakin kecil untuk data yang semakin usang. (Makridakis, 1989) Untuk menggambarkannya, di bawah ini akan disinggung secara singkat untuk masing-masing metode yang hanya menggunakan satu parameter peramalan yaitu metode pemulusan eksponensial tunggal (single exponential smoothing) dan metode pemulusan ganda satu parameter dari Brown (Browns oneparameter double exponential smoothing). 2.1. PEMULUSAN EKSPONENSIAL TUNGGAL Metode ini menggunakan sebuah parameter, , yang dibobotkan kepada data yang paling baru dan membobotkan nilai (1- ) kepada hasil peramalan periode sebelumnya. Harga terletak antara 0 dan 1. Persamaan umum yang digunakan dalam peramalan adalah : Ft +1 = X t + (1 ) Ft (1) dengan : Ft+1 : ramalan untuk periode waktu t + 1 Xt : data pada periode waktu t Ft : ramalan untuk periode waktu t 2.2. PEMULUSAN EKSPONENSIAL GANDA SATU PARAMETER DARI BROWN Metode ini menggunakan dua kali tahap pemulusan dengan parameter yang sama besarnya yaitu . Besarnya juga terletak di antara 0 dan 1. Kumpulan persamaan yang digunakan untuk peramalan adalah : S 't = X t + (1 )S 't 1 (2) '' ' '' S t = S t + (1 )S t 1 (3) a t = S 't + S 't S 't' = 2S 't S 't' (4)
bt =
Ft +m

(S't S't' ) 1 = a t + b t .m

(5)

(6) dengan :
S 't S
'' t

S 't : 1 S 't' : 1

Ft+m : m :

: pemulusan tahap pertama untuk periode t : pemulusan tahap kedua untuk periode t pemulusan tahap pertama untuk periode t -1 pemulusan tahap kedua untuk periode t - 1 ramalan untuk periode waktu t + m periode waktu yang diramalkan : 1,2,3,4,

3. UKURAN KESALAHAN PERAMALAN Untuk mengevaluasi harga parameter peramalan, digunakan ukuran kesalahan peramalan. Harga parameter peramalan yang terbaik adalah harga yang memberikan

Optimasi Peramalan Pemulusan Eksponensial Satu Parameter dengan Menggunakan Algoritma Non-Linear Programming

141

nilai kesalahan peramalan yang terkecil. Terdapat berbagai macam ukuran kesalahan yang dapat diklasifikasikan menjadi ukuran standar dalam statistik dan ukuran relatif. Ukuran kesalahan yang termasuk ukuran standar statistik adalah nilai rata-rata kesalahan (mean error), nilai rata-rata kesalahan absolut (mean absolute error), dan nilai rata-rata kesalahan kuadrat (mean squared error). Ukuran kesalahan yang termasuk ukuran relatif adalah nilai rata-rata kesalahan persentase (mean percentage error) dan nilai rata-rata kesalahan persentase absolut (mean absolute percentage error). (Makridakis, 1998) Di bawah ini adalah persamaan-persamaan yang dapat digunakan untuk menghitung masing-masing ukuran kesalahan peramalan tersebut di atas. 3.1. NILAI RATA-RATA KESALAHAN
n

ME =
dengan : ME n ei Xi Fi

e
i =1

(7) (8)

e i = X i Fi

: : : : :

nilai rata-rata kesalahan jumlah periode waktu data kesalahan pada periode waktu i data pada periode waktu i ramalan untuk periode waktu i
n

3.2. NILAI RATA-RATA KESALAHAN ABSOLUT

n dengan : MAE : nilai rata-rata kesalahan absolut

3.3. NILAI RATA-RATA KESALAHAN KUADRAT
n

MAE =

e
i =1

(9)

n dengan : MSE : nilai rata-rata kesalahan kuadrat

3.4. NILAI RATA-RATA KESALAHAN PERSENTASE
n

MSE =

e
i =1

2 i

(10)

MPE =

PE
i =1

(11) (12)

X Fi PE i = i 100% Xi dengan : PEi : kesalahan persentase pada periode i

142

The Jin Ai

MPE : nilai rata-rata kesalahan persentase 3.5. NILAI RATA-RATA KESALAHAN PERSENTASE ABSOLUT
n

n dengan : MAPE : nilai rata-rata kesalahan persentase absolut

Dalam mengevaluasi harga parameter peramalan dapat dipilih satu ukuran kesalahan peramalan tersebut di atas. Akan tetapi sebaiknya tidak digunakan ukuran nilai rata-rata kesalahan dan nilai rata-rata kesalahan persentase, karena pada kedua ukuran tersebut dimungkinkan terhitung nilai kesalahan negatif pada suatu periode peramalan. Hal ini dapat menyebabkan harga kedua ukuran kesalahan tersebut kecil karena kesalahan negatif tersebut dapat meniadakan kesalahan positif yang ada, meskipun sebenarnya harga kesalahan yang terjadi cukup besar. 4. BENTUK UMUM EVALUASI PARAMETER PERAMALAN DALAM PERAMALAN PEMULUSAN EKSPONENSIAL DENGAN SATU PARAMETER Evaluasi parameter peramalan dalam peramalan pemulusan eksponensial dengan satu parameter merupakan permasalahan non-linear programming yang amat khusus. Fungsi obyektifnya adalah ukuran kesalahan peramalan, masalah yang dihadapi adalah minimasi. Variabel yang ada hanya satu yaitu parameter peramalan, kendala yang ada harga variabel terletak antara 0 dan 1. Akan tetapi fungsi obyektif sangat sulit untuk dituliskan sebagai fungsi eksplisit dari variabelnya, mengingat persamaan peramalan pemulusan eksponensial yang lebih dari satu untuk tiap metode (lihat persamaan 1 sampai 6) dan ukuran kesalahan peramalan yang memakai jumlahan data (lihat persamaan 7 sampai 13). Secara umum evaluasi parameter peramalan dalam peramalan pemulusan eksponensial dapat dituliskan sebagai : Minimasi : y = f () Kendala : 0 1 dengan y : ukuran kesalahan peramalan : parameter peramalan Untuk menghitung fungsi obyektif pada suatu harga variabel (y = f( )) diperlukan langkah perhitungan yang panjang. Dari semua data pada periode waktu yang diketahui, nilai ramalan untuk masing-masing periode dihitung menggunakan kumpulan persamaan metode yang dikehendaki. Kemudian ukuran kesalahan peramalan dihitung berdasarkan pada periode waktu yang dapat diramalkan dan yang datanya ada. ALGORITMA NON-LINEAR PROGRAMMING UNTUK OPTIMASI FUNGSI SATU VARIABEL Terdapat berbagai macam algoritma non-linear programming yang dapat digunakan untuk optimasi fungsi satu variabel antara lain algoritma pencarian seragam (uniform search), algoritma golden section (golden section search), algoritma kuadratis
5.

MAPE =

PE
i =1

(13)

Optimasi Peramalan Pemulusan Eksponensial Satu Parameter dengan Menggunakan Algoritma Non-Linear Programming

143

(quadratic search), dan algoritma turunan pertama. Berikut ini akan dibahas masingmasing algoritma. 5.1. PENCARIAN SERAGAM (Pike, 1986) Algoritma ini dapat digunakan tanpa syarat apapun juga. Pada prinsipnya, proses pencarian minimum dilakukan dengan cara mencari harga y( ) yang minimum pada harga yang berurutan dengan selisih pada proses iterasi berikutnya. Diagram alir algoritma ini dapat pada gambar 1. Ketelitian hasil algoritma ini tergantung dari harga yang diambil. Tetapi dengan semakin kecil harga yang diambil, jumlah iterasi yang diperlukan untuk menyelesaikan permasalahan ini semakin banyak yang mengakibatkan semakin lamanya waktu penyelesaian masalah.
M u la i T e n tu k a n * dan = 0

y ( ) y ( * ) T id a k = + 1 T id a k m in = * y m in= y ( * ) S e le s a i Y a

Y a

* =

Gambar 1. Diagram Alir Algoritma Pencarian Seragam GOLDEN SECTION (Bazaraa, 1990) Algoritma ini menggunakan prinsip mengurangi daerah batas yang mungkin menghasilkan harga fungsi obyektif minimum. Misalkan pada suatu tahap iterasi harga fungsi minimum mungkin terletak pada interval [a,d]. Tahapan selanjutnya adalah menentukan dua harga yang simetris dalam interval tersebut yaitu b dan c, dan interval kemungkinan fungsi berharga minimum dikurangi dari [a,d] menjadi [a,c] atau [b,d] tergantung dari harga fungsi di = b dan di = c. Untuk fungsi unimodal yaitu fungsi dengan satu nilai minimum, apabila harga y(b)<y(c) maka interval dapat dikurangi menjadi [a,c]. Sedangkan apabila harga y(b)>y(c) interval dapat dikurangi menjadi [b,d]. Langkah iterasi diulangi sampai interval sangat kecil tergantung dari
5.2.

144

The Jin Ai

harga yang dikehendaki, dan dapat diambil kesimpulan bahwa minimum terletak pada interval akhir tersebut. Untuk mendapatkan b dan c simetris dalam interval [a,d] dapat digunakan harga perbandingan r, sehingga : (14) atau dapat dituliskan : (16) Secara umum, pada setiap tahapan iterasi ditentukan dua buah titik di dalam interval yang ada. Akan tetapi untuk tujuan penghematan langkah perhitungan, pada setiap tahapan iterasi hanya ditentukan sebuah titik baru. Titik yang lain adalah titik yang ditentukan pada tahap sebelumnya. Misalnya, interval telah dapat dikurangi dari [a,d] menjadi [a,c]. Interval [a,c] merupakan interval yang baru sehingga dapat dituliskan menjadi [a1,d1]. Hanya ditentukan satu titik baru yaitu b1 karena titik b dijadikan titik c1. b1 = (1 r ) a 1 + rd 1 (17) d c1 c b 1 2r r= 1 = = (18) d1 a 1 c a 1 r
r (1 r ) =1 2r

b a d c = =r d a d a

b = a + r ( d a ) = (1 r ) a + rd c = d r ( d a ) = ra + (1 r ) d

(15)

(19) Apabila persamaan 19 diselesaikan diperoleh harga r sebesar (3+5) atau (3-5). Supaya interval menjadi semakin kecil diperlukan syarat r < 1, maka harga r yang dipergunakan adalah (3-5). Diagram alir algoritma ini dapat dilihat pada gambar 2.

r 2 3r + 1 = 0

Optimasi Peramalan Pemulusan Eksponensial Satu Parameter dengan Menggunakan Algoritma Non-Linear Programming
M u la i T e n tu k a n a = 0,d = 1 r = ( 3 - 5 ) b = (1 -r)a + rd c = a + d - b d = c c = b b = a + d - c

145

y (b) < y (c ) T id a k a = b b = c c = a + d - b (d -a) > T id a k

Y a

Y a

C a ri * d i a n ta ra a ,b ,c ,d d e n g a n y ( * ) m i n m in = * y m in= y ( * ) S e le sa i

Gambar 2. Diagram Alir Algoritma Golden section Syarat yang harus dipenuhi agar algoritma ini dapat menghasilkan yang benar-benar minimum adalah fungsi y( ) merupakan fungsi convex. Setiap fungsi convex pasti juga merupakan fungsi unimodal karena suatu fungsi dinyatakan sebagai fungsi convex apabila memenuhi persamaan

y( c. 1 + (1 c ). 2 ) c.y( 1 ) + (1 c ).y( 2 )

(20) untuk setiap 1 dan 2 dalam batas yang dikehendaki, dalam hal ini 0 1, 2 1, serta untuk 0 c 1.
5.3.

ALGORITMA KUADRATIS (Buchanan, 1992)

146
M u la i T e n tu k a n 0 = 0, 2 = 1 1 = ( 0 + 2)/2 h = 1 - 0

The Jin Ai

y ( 0 ) < y ( 1 ) T id a k y ( 2 ) < y ( 1 ) T id a k h itu n g *

Y a

2 = 1 1 = 0 0 = 1 - h 0 = 1 1 = 2 2 = 1 + h

Y a

y ( * ) < y ( 1 ) T id a k h = h /2 0 = 1 - h 2 = 1 + h h > T id a k m in = 1 y m in = y ( 1 ) S e le sa i Y a

Y a

1 =

Gambar 3. Diagram Alir Algoritma Kuadratis Algoritma ini menggunakan dasar interpolasi fungsi ke bentuk persamaan kuadrat dalam mencari nilai minimum. Bentuk umum persamaan kuadrat : y( ) = a 2 + b + c (21) mempunyai nilai ekstrim (maksimum/minimum) di titik =
b . 2a

Apabila ditinjau tiga buah titik ( 0, 1, 2) dengan jarak interval antara 0 1 dan 1 - 2 sama dengan h dan dengan harga y( 1) lebih kecil dari y( 0) dan y( 2), maka akan diperoleh titik minimum

Optimasi Peramalan Pemulusan Eksponensial Satu Parameter dengan Menggunakan Algoritma Non-Linear Programming

147 (22)

* = 1 +

h [ y( 0 ) y( 2 ) ] 2[ y( 0 ) 2 y( 1 ) + y( 2 ) ]

Tahapan iterasi selanjutnya dilakukan dengan membandingkan harga yang lebih kecil antara y( 1) dan y( *), dan jarak interval yang semakin kecil dengan perbandingan dari iterasi sebelumnya karena * terletak pada interval yang berjarak h/2 dari 1. Diagram alir algoritma ini terdapat pada gambar 3. Syarat penggunaan algoritma ini sama dengan algoritma golden section yaitu fungsi y( ) merupakan fungsi convex. ALGORITMA TURUNAN PERTAMA (Buchanan, 1992) Secara umum, algoritma ini menyelesaikan masalah minimasi dengan menggunakan turunan pertama. Fungsi y akan berharga minimum di titik *, apabila
5.4.

memenuhi syarat

y'( *) = 0 y' ( *) < 0

dan

. Untuk mencari titik * dapat digunakan berbagai

metode numeris yang ada untuk mencari jawaban persamaan

y'( *) = 0

seperti metode

Bisection, metode Secant, dan metode Newton-Raphson. Karena fungsi yang akan diminimasi tidak dapat diturunkan secara eksplisit, maka untuk mengevaluasi turunan pertama dan turunan keduanya dapat digunakan penurunan secara numeris. y( + ) y( ) y' ( ) = (23) 2 y ' ( + ) y ' ( ) y' ' ( ) = (24) 2 dengan adalah bilangan kecil yang mendekati 0. Syarat yang harus dipenuhi agar algoritma ini dapat menghasilkan yang benar-benar minimum adalah fungsi y( ) merupakan fungsi convex. Karena apabila syarat ini tidak dipenuhi, dimungkinkan dalam batas interval terdapat beberapa * yang memenuhi syarat

y'( *) = 0 y' ( *) < 0

dan

6. CONTOH KASUS : EVALUASI PARAMETER PERAMALAN DALAM PEMULUSAN EKSPONENSIAL GANDA SATU PARAMETER DARI BROWN DENGAN MAD SEBAGAI UKURAN KESALAHAN PERAMALAN Data yang terdapat pada tabel 1 berikut ini berasal dari Tabel 5-6 buku Forecasting Methods for Management (Makridakis, 1989). Data tersebut merupakan data penjualan suatu produk selama 24 bulan. Berdasarkan data tersebut dilakukan proses peramalan dengan metode peramalan eksponensial ganda satu parameter dari

148

The Jin Ai

Brown. Parameter peramalan dievaluasi dengan menggunakan MAD sebagai ukuran kesalahan peramalan.
Periode 1 2 3 4 5 6 7 8 9 10 11 12 Penjualan 362000 385000 432000 341000 382000 409000 498000 387000 473000 513000 582000 474000 Periode 13 14 15 16 17 18 19 20 21 22 23 24 Penjualan 544000 582000 681000 557000 628000 707000 773000 592000 627000 725000 854000 661000

Tabel 1. Data Penjualan yang selama 24 bulan Dengan menggunakan program komputer yang dibuat dan dijalankan dengan Processor Pentium-166, RAM 32 MB, dan Compiler MS Qbasic 4.5 diperoleh hasil yang terdapat dalam tabel 2.
Algoritma Pencarian Seragam Pencarian Seragam Golden section Golden section Kuadratis Kuadratis Turunan Pertama (Newton Raphson) Turunan Pertama (Newton Raphson) optimum 0,2000000 0,2004000 0,2004399 0,2004172 0,1988883 0,2004173 0,2004089 0,2004172 Ketelitian 0,001000 0,000100 0,001000 0,000001 0,001000 0,000001 0,001000 0,000001 MAD 68792,157 68792,092 68792,092 68792,092 68792,964 68792,092 68792,092 68792,092 Waktu 2,039063 s 20,210938 s 0,050781 s 0,109375 s 0,058594 s 0,109375 s 0,058594 s 0,109375 s

Tabel 2. Perbandingan Hasil Optimasi Berbagai Algoritma Terlihat dari tabel di atas bahwa untuk tingkat ketelitian yang sama algoritma pencarian seragam mempunyai waktu pencarian yang lebih lama dari ketiga algoritma yang lain. Sedangkan untuk ketiga algoritma yang lain mempunyai waktu pencarian yang relatif sama untuk ketelitian yang sama. Hal tersebut disebabkan karena masingmasing algoritma tersebut di atas, keseluruhannya merupakan proses iteratif yang membandingkan harga fungsi pada beberapa nilai variabel. Lamanya proses iteratif untuk masing-masing algoritma bervariasi yang sebanding dengan jumlah langkah perhitungan nilai fungsi dan pembandingan harga fungsinya. 7. KESIMPULAN Dengan menggunakan algoritma optimasi yang tepat dan program komputer yang memadai, proses evaluasi parameter dalam peramalan pemulusan eksponensial dengan satu parameter dapat dilakukan dengan cepat dan tepat.

Optimasi Peramalan Pemulusan Eksponensial Satu Parameter dengan Menggunakan Algoritma Non-Linear Programming

149

DAFTAR PUSTAKA Bazaraa, M.S. dan C.M. Shetty, 1990, Nonlinear Programming : Theory and Algorithms, John Wiley & Sons, New York Buchanan, J.L. dan P.R. Turner, 1992, Numerical Methods and Analysis, McGraw-Hill Book Co., Inc., New York Makridakis, S. dan S.C. Wheelwright, 1989, Forecasting Methods for Management, 5 ed, John Wiley & Sons, New York Makridakis, S., S.C. Wheelwright dan R.J. Hyndman, 1998, Forecasting Methods and Applications, 3 ed, John Wiley & Sons, New York Pike, R.W., 1986, Optimization for Engineering System, Van Nostrand Reinhold Company, New York