Pengertian

Metode Pemulusan Eksponensial Holt-Winter

Metode rata-rata bergerak dan pemulusan Eksponensial dapat digunakan
untuk data stasioner maupun data nonstasioner. Namun apabila data mengandung
unsur musiman, seringkali ditemukan galat yang bersifat sistematis. Salah satu
penemuan penting dalam bidang peramalan yakni ditemukannya metode
pemulusan Eksponensial Holt-Winter yang mampu menangani data yang
memiliki unsur trend dan musiman, yang merupakan penyempurnaan dari
metode Holt-Brown.
Metode Winter didasarkan pada tiga persamaan pemulusan; stasioneritas, trend
dan musiman. Metode ini serupa dengan Metode Holt, dengan satu persamaan
tambahan untuk mengatasi musiman. Metode Holt- Winters menggunakan tiga
pembobotan atau parameter pemulusan yakni , dan dimana parameter-parameter
tersebut berada pada interval (0,1). Sebenarnya ada dua metode Holt-Winter yang
berbeda, bergantung pada sifat musiman itu sendiri apakah aditif atau
multiplikatif

Selanjutnya ada difoto

Winter’s Method
Holt-Winters seasonal exponential smoothing memakai suatu model multiplicative atau
model additive untuk menghaluskan dan meramal data yang mengandung dan pola musiman.
Metode ini memakai komponen tingkat, komponen trend, dan komponen seasonal pada tiap
periode. Metode ini memakai tiga bobot atau tiga parameter penghalusan untuk
meremajakan komponen-komponen pada tiap periode. Nilai-nilai awal untuk komponen
tingkat dan komponen trend diperoleh dari suatu regresi garis lurus menurut waktu. Nilai-
nilai awal untuk komponen musiman diperoleh dari variabel dummy memakai data
detrended.
Perintah Stat>Time Series, Winters’ Method dipakai. Langkah ini akan menyajikan kotak
dialog Winters’ Method. Variable Y dipilih dan tombol Select ditekan. Langkah ini akan
mengalihkan variabel Y ke dalam kolom Variable. Kotak di belakang Seasonal length diisi
dengan nilai 4. Multiplicative dipilih. Bobot yang akan dipakai dalam penghalusan tidak
mengalami perubahan. Kotak di depan Generate forecasts diaktifkan. Nilai 4 dan nilai 42
diisi ke dalam kedua kolom bersangkutan. Hal ini dapat disajikan sebagai berikut :
Model Holt-Winters
Seringkali data time series menunjukkan gejala musiman. Musiman mengacu pada
kecenderungan data time series menunjukkan gejala berulang pada setiap periode waktu
tertentu atau pada setiap periode T. Sebagai contoh, harga daging sapi akan melonjak tinggi
pada musim lebaran, atau harga cabe akan membumbung tinggi setiap bulan Desember. Pola
ini akan terus berulang setiap tahunnya. Akan tetapi nilai kenaikan tersebut akan berubah
secara relatif dari tahun ke tahun, walaupun tetap dengan pola yang sama.

Model Holt-Winters digunakan untuk memodelkan data dengan pola musiman, baik
mengandung trend maupun tidak. Titik berat metode ini adalah pada nilai ramalan (α),
kemiringan slope (β), maupun efek musiman (γ).

Ilustrasi berikut ini akan membandingkan nilai aktual dengan nilai peramalan pada metode
Holt-Winters pada data pendapatan dari perusahaan supplier sayuran HIS FARM periode
tahun 1990 hingga 2006: Untuk menghitung nilai estimasi peramalan, maka kita perlu
mengestimasi terlebih dahulu nilai tingkat pemulusan dan nilai trend dalam model Holt-
Winters, dengan model sebagai berikut:

Dimana:
Ei = tingkat pemulusan pada periode i
Ei-1 = tingkat pemulusan pada periode i-1
Ti = nilai komponen trend pada periode i
Ti-1 = nilai komponen trend pada periode i-1
Yi = nilai yang diketahui pada periode i
U = konstanta pemulusan (0<b1<1)
V = konstanta pemulusan (0<b1<1)

Data yang diberikan adalah:

Selanjutnya kita akan membandingkan nilai aktual pendapatan dengan peramalan dengan
menggunakan model Holt-Winters. Dengan menggunakan konstanta pemulusan sebesar 0,5
maka perhitungan pendapatan dapat dilakukan sebagai berikut:

Y2 = 15
Maka, Yt = Y2 – Y1 = 15 – 13 = 2

Sehingga:

Ei = (0,5)(Ei-1 + Ti-1) + (1 – 0,5)Yi

dan

Ti = (0,5)(Ti-1) + (1 – 0,5)(Ei – Ei-1)

Kemudian anda dapat mencoba untuk membandingkan nilai estimasi pada tahun-tahun
selanjutnya. Setelah itu anda dapat melihat perbandingannya melalui grafik.

Maka:

Terdapat dua jenis model Holt-Winters antara lain :

1. Aditive Holt-Winters
Model ini dapat diterapkan ketika time series mengandung komponen musiman (seasonal).
Metode ini mengasumsikan bahwa time series tersusun dari siklus trend dan musiman linier,
yang tersusun dari tiga rangkaian proses statistik yang terkorelasi (pemulusan, trend, dan
musiman) dan memproyeksikan trend serta komponen musiman ke depan.
Pada model ini kita asumsikan bahwa data time series direpresentasikan dengan model:

yt = b1 + b2t + St + εt

Dimana:
b1 merupakan komponen dasar/konstanta (0<b1<1)
b2 adalah komponen trend linier
St adalah faktor multiplikatif musiman
εt adalah komponen error acak
Jika lama dari faktor musiman adalah T periode
Faktor musiman akan digambarkan sebagai jumlah dari rentang musim, seperti:

2. Multiplicative Holt-Winters
Metode ini dapat diterapkan pada data time series musiman sama halnya dengan additive,
tetapi pada model ini diasumsikan bahwa komponen-komponen time series (pemulusan data,
trend, dan musiman), dikalikan satu sama lain sehingga menghasilkan data time series yang
lebih aktif. Model yang digunakan adalah:

yt = (b1 +b2t) St + εt

dimana :
b1 merupakan komponen dasar/konstanta (0<b1<1)
b2 adalah komponen trend linier
St adalah faktor multiplikatif musiman
εt adalah komponen error acak
Jika lama dari faktor musiman adalah T periode
Faktor musiman akan digambarkan sebagai jumlah dari rentang musim, seperti:

Prosedur dalam mengestimasikan model parameter additive dan multiplicative Holt-Winters

adalah:
1. Pemulusan secara keseluruhan
2. Pemulusan faktor trend
3. Pemulusan faktor indeks musiman
 Data kita nya yang analisis kata lo itu

berikut adalah data jumlah pengunjung dibali dari 2008-2009

Month visit
Jan-08 139872
Feb-08 155153
Mar-08 153929
Apr-08 147515
Mei-08 159877
Jun-08 170994
Jul-08 183122
Agust-08 187584
Sep-08 181033
Okt-08 180944
Nop-08 142014
Des-08 166655
Jan-09 168923
Feb-09 187781
Mar-09 194482
Apr-09 178549
Mei-09 196719
Jun-09 219574
Jul-09 247778
Agust-09 236080
Sep-09 229573
Okt-09 223643
Nop-09 223643
Des-09 215804

Dengan seasonal length 12

Forecasts=6

Starting from origin=24

Dengan menggunakan winter method, didapat output sbg :

 Month visit SMOO1 LEVE1 TREN1 SEAS1 FITS1 RESI1
Jan-08 139872 127193,8 154521,3 2706,2 0,8604 129059,4 10812,6
Feb-08 155153 144998,6 158850,5 3030,8 0,946 147538 7614,96
Mar-08 153929 150595,4 161978,4 3050,2 0,9485 153468,7 460,297
Apr-08 147515 143093,2 165419,6 3128,4 0,8851 145787,8 1727,19
Mei-08 159877 158994,3 168106 3040 0,9591 162001,1 -2124,1
Jun-08 170994 175996 169582,5 2727,3 1,0392 179178,7 -8184,7
Jul-08 183122 194777,9 169734,7 2212,3 1,1346 197910,4 -14788
Agust-08 187584 190951,3 170905,9 2004,1 1,1195 193440,1 -5856,1
Sep-08 181033 185426,3 171699,3 1761,9 1,0788 187600,6 -6567,6
Okt-08 180944 182744,5 172770,5 1623,8 1,0609 184619,8 -3675,8
Nop-08 142014 164839,8 169284,7 601,87 0,9311 166389 -24375
Des-08 166655 168593,9 169376,8 499,92 0,9935 169193,3 -2538,3
Jan-09 168923 145733,8 175167 1558 0,8812 146163,9 22759,1
Feb-09 187781 165715,5 181078,2 2428,6 0,9642 167189,4 20591,6
Mar-09 194482 171750,3 187814,4 3290,1 0,9659 174053,8 20428,2
Apr-09 178549 166230,7 193230 3715,2 0,8929 169142,7 9406,27
Mei-09 196719 185333,7 198576,2 4041,4 0,9654 188897,1 7821,88
Jun-09 219574 206362,9 204351,9 4388,3 1,0463 210562,8 9011,22
Jul-09 247778 231864,4 210667,6 4773,8 1,1429 236843,5 10934,5
Agust-09 236080 235845,8 214528,5 4591,2 1,1157 241190,2 -5110,2
Sep-09 229573 231442,2 217854,9 4338,2 1,0738 236395,3 -6822,3
Okt-09 223643 231127,7 219914,5 3882,5 1,0521 235730,2 -12087
Nop-09 223643 204753,3 227078,2 4538,7 0,9418 208368,2 15274,8
Des-09 215804 225607 228735,8 3962,5 0,9835 230116,3 -14312
Winters’ Method for visit

Multiplicative Method

Data visit
Length 24

Smoothing Constants

α (level) 0,2
γ (trend) 0,2
δ (seasonal) 0,2

Accuracy Measures

MAPE 6
MAD 10137
MSD 146935927

Forecasts

Period Forecast Lower Upper

25 205054 180219 229889
26 228197 202973 253421
27 232416 206758 258073
28 218383 192249 244517
29 239958 213307 266609
30 264194 236989 291399

Winters’ Method Plot for visit