(TekPer2016) Materi ES PDF

Your Logo
EXPONENTIAL SMOOTHING
TEKNIK PERAMALAN
Your company name

OUTLINE
Adaptive
Double ES Approach
1 2 3 4
Triple ES Pegel’s
Classification
Your company name Your Logo

Exponential Smoothing merupakan teknik peramalan yang
digunakan secara terus menerus dengan tujuan memperbaiki peramalan
dengan cara merata-rata (smoothing = pemulusan) nilai masa lalu dari
data time series dengan cara menurun (exponential).
Analisis exponential smoothing merupakan suatu metode peramalan rata-

rata bergerak yang melakukan pembobotan menurun secara exponential
terhadap nilai – nilai observasi yang lebih tua.
(Makridakis, 1993)

SINGLE EXPONENTIAL
SMOOTHING

Single Exponential Smoothing
(Simple Exponential Smoothing)
• Digunakan untuk peramalan jangka pendek.
• Model SES mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang
tetap, tanpa trend atau pola pertumbuhan konsisten.
• Exponential Smoothing memberikan penekanan yang lebih besar kepada time

series saat ini melalui penggunaan sebuah konstanta smoothing ().
𝟎≤𝜶≤1
Nilai  dekat dengan 1 memberikan penekanan terbesar pada nilai saat ini,
sedangkan nilai  yang dekat dengan 0 memberi penekanan pada titik data
sebelumnya.

𝑭𝒕 = 𝑭𝒕−𝟏 +∝ (𝑨𝒕−𝟏 − 𝑭𝒕−𝟏 )
𝑭𝒕 =∝∙ 𝑨𝒕 +(𝟏 −∝)𝑭𝒕−𝟏
Ft = Nilai forecast pada periode t

Ft-1 = Nilai forecast pada periode t sebelumnya
At-1 = Nilai actual pada periode t sebelumnya
 = Konstanta smoothing

Contoh:
Periode 𝒀𝒕
1 138
2 136 𝜶 = 0,1
3 152
4 127 Tentukan forecast pada periode 13
5 151 menggunakan SES !
6 130
7 119
8 153
9 200
10 123
11 145
12 178

Periode Demand Forecast

𝑭𝒕 = 𝑭𝒕−𝟏 +∝ (𝑨𝒕−𝟏 − 𝑭𝒕−𝟏 )
1 138 138
2 136 138 𝑭𝟑 = 𝑭𝟐 + 𝟎, 𝟏(𝑨𝟐 − 𝑭𝟐 )
3 152 137,8
𝑭𝟑 = 𝟏𝟑𝟖 + 𝟎, 𝟏(𝟏𝟑𝟔 − 𝟏𝟑𝟖)
4 127 139,22
5 151 137,998 𝑭𝟑 = 𝟏𝟑𝟕, 𝟖
6 130 139,298
.
7 119 138,368
.
8 153 136,432
9 200 138,088
.
10 123 144,28 𝑭𝟏𝟑 = 𝑭𝟏𝟐 + 𝟎, 𝟏(𝑨𝟏𝟐 − 𝑭𝟏𝟐 )
11 145 142,152
𝑭𝟏𝟑 = 𝟏𝟒𝟐, 𝟒𝟑𝟔 + 𝟎, 𝟏(𝟏𝟕𝟖 − 𝟏𝟒𝟐, 𝟒𝟑𝟔)
12 178 142,436
13 ? 𝑭𝟏𝟑 = 𝟏𝟒𝟓, 𝟗𝟗
DOUBLE EXPONENTIAL SMOOTHING
Double exponential smoothing Double Exponential Smoothing

cocok digunakan untuk: dibagi menjadi dua :
• Data yang memiliki trend • Double Exponential dua
parameter dari Holt
• Data tanpa pola seasonal
• Double Exponential
• Forecasting jangka pendek
smoothing satu parameter
dari Brown

Double Exponential Holt
Holt (1957) mengembangkan Peramalan dengan

single exponential smoothing Holt’s Linear Exponential
menjadi linear exponential Smoothing menggunakan
smoothing agar bisa digunakan
2 konstanta yang bernilai
untuk meramalkan data yang
memiliki trend
antara 0 sampai 1

Rumus Double Exponential Smoothing Holt
Menghitung nilai Menghitung Menghitung

Level nilai trend nilai forecast
Lt   Yt  (1   )( Lt 1  bt 1 )
bt   ( Lt  Lt 1 )  (1   )bt 1
Ft  m  Lt  bt m
Inisialisasi untuk L1 = Y1 ; Inisialisasi untuk b1 = Y2 – Y1

CONTOH SOAL
Diketahui :
Alpha = 0.2 L1 = Y1 b1 = Y2 – Y1
Beta = 0.3
A B D E F
Tahun Permintaan Level (L) Trend (b) Forecast
1 2001 143 143 9
2 2002 152
3 2003 161
4 2004 139
5 2005 137

CONTOH SOAL
Lt   Yt  (1   )( Lt 1  bt 1 )
Diketahui :
Alpha = 0.2 0.2(152)+(1-0.2)(143+9)
Beta = 0.3
A B D E F
1 2001 143 143 9
2 2002 152 152
3 2003 161
4 2004 139
5 2005 137

CONTOH SOAL
Diketahui :
bt   ( Lt  Lt 1 )  (1   )bt 1
Alpha = 0.2
Beta = 0.3 0.3(152-143-)+(1-0.3)(9)
A B D E F
1 2001 143 143 9
2 2002 152 152 9
3 2003 161
4 2004 139
5 2005 137

CONTOH SOAL
Diketahui : Ft  m  Lt  bt m
Alpha = 0.2
Beta = 0.3 143 + 9
A B D E F
1 2001 143 143 9
2 2002 152 152 9 152
3 2003 161
4 2004 139
5 2005 137

CONTOH SOAL
Diketahui : Lt   Yt  (1   )( Lt 1  bt 1 )
Alpha = 0.2
DENGAN CARA
Beta = 0.3 bt   ( Lt  Lt 1 )  (1   )bt 1
YANG SAMA :
Ft  m  Lt  bt m
A B D E F
1 2001 143 143 9
2 2002 152 152 9 152
3 2003 161 ? ? ?
4 2004 139 ? ? ?
5 2005 137 ? ? ?

JAWABAN
A B D E F
1 2001 143 143 9
2 2002 152 152 9 152
3 2003 161 161.0 9.0 161.0

4 2004 139 163.8 7.1 170.0
5 2005 137 164.2 5.1 170.9

Double Exponential Brown
• Brown Double Exponential Smoothing merupakan metode peramalan

yang mirip dengan Simple Exponential Smoothing. Perbedaanya terletak
pada konstanta smoothing pada Double Exponential smoothing yang
diperoleh dari hasil “re-smoothing” konstanta single exponential
smoothing.
• Brown Double Exponential Smoothing dimaksudkan untuk diterapkan
pada data yang menunjukkan tren linear dari waktu ke waktu.

Persamaan Double Exponential Brown
EXPONENTIAL EXPONENTIAL SMOOTHING
SMOOTHING PERTAMA KEDUA
Lt   Yt  (1   ) Lt 1 L 't   Lt  (1   ) L 't 1
HITUNG KOMPONEN A HITUNG KOMPONEN B
at  2 Lt  L 't 
bt  ( Lt  L 't )
1
FORECAST
Ft  m  at  bt m

Contoh Soal
= Yt
 = 0,2.
Permintaan
Period suatu
e produk Lt L't at bt Nilai ramalan
1 143 143 143
2 152
3 161
4 139
5 137

Contoh Soal
at  2 Lt  L 't
 = 0,2.
= 2(143)-143
Permintaan
Period suatu
1 143 143 143 143
2 152
3 161
4 139
5 137

Contoh Soal

bt  ( Lt  L 't )
 = 0,2. 1
Permintaan
Period suatu
1 143 143 143 143 0.0
2 152
3 161
4 139
5 137

Contoh Soal
Lt   Yt  (1   ) Lt 1
 = 0,2. = 0.2(152)+(1-0.2)143
Permintaan
Period suatu
1 143 143 143 143 0.0
2 152 144.8
3 161
4 139
5 137

Contoh Soal
L 't   Lt  (1   ) L 't 1
 = 0,2. =0.2(144.8)+(1-0.2)(143)
Permintaan
Period suatu
1 143 143 143 143 0.0
2 152 144.8 143.4
3 161
4 139
5 137

Contoh Soal
at  2 Lt  L 't
 = 0,2. =2(144.8)-143.3
Permintaan
Period suatu
1 143 143 143 143 0.0
2 152 144.8 143.4 146.2
3 161
4 139
5 137

Contoh Soal

bt  ( Lt  L 't )
1
 = 0,2.
Permintaan
Period suatu
1 143 143 143 143 0.0
2 152 144.8 143.4 146.2 0.4
3 161
4 139
5 137

Contoh Soal
Ft  m  at  bt m
= 143 + 0
 = 0,2.
Permintaan
Period suatu
1 143 143 143 143 0.0
2 152 144.8 143.4 146.2 0.4 143
3 161
4 139
5 137

Contoh Soal
 = 0,2.
Permintaan
Period suatu
1 143 143 143 143.0 0.0
2 152 144.8 143.4 146.2 0.4 143.0
3 161 ? ? ? ? ?
4 139 ? ? ? ? ?
5 137 ? ? ? ? ?

JAWABAN
Permintaan
Period suatu
1 143 143 143 143.0 0.0
2 152 144.8 143.4 146.2 0.4 143.0
3 161 148.0 144.3 151.8 0.9 146.6
4 139 146.2 144.7 147.8 0.4 152.7
5 137 144.4 144.6 144.1 -0.1 148.2

Triple Exponential Smoothing
• Metode Holt-Winter digunakan untuk meramalkan data
yang memiliki Level, Trend dan Musiman (Seasonality).
• Holt Winter’s dibagi menjadi 2 , yaitu :
additive multiplicative

Persamaan Additive Holt Winter
LEVEL : TREND :
Lt   (Yt  S t  s )  (1   )( Lt 1  bt 1 ) bt   ( Lt  Lt 1 )  (1   )bt 1
SEASONAL : F0RECAST
S t   (Yt  Lt )  (1   ) S t  s Ft  m  Lt  bt m  S t  s  m
S = panjang musiman (jumlah bulan/kuartal dalam 1 tahun

Lt = level
bt = trend
St = komponen musiman
Ft+m = peramalan untuk periode ke depan

Inisialisasi Additive
• Untuk menentukan index musiman memerlukan
satu set data komplit untuk satu musim.
• Inisialisasi level diambil dari rata-rata pada satu
musim pertama sebelum di forecast.
1
Ls  (Y1  Y2  ...  Ys )
s

Inisialisasi Additive
• Untuk menginisiasikan trend, digunakan 2 musim (2
periode)
1  Ys 1  Y1 Ys  2  Y2 Ys  s  Ys 
bs     ...  
s s s s 
• Untuk menginisialisasikan indikasi musim digunakan

rumus sebagai berikut :
S1  Y1  Ls , S 2  Y2  Ls ,...S s  Ys  Ls

CONTOH SOAL
Data Level Trend Seasonal Forecast

*Menunjukan
$684.20 -47.3 perhitungan
$584.10 -147.4 menggunakan
inisisasi level, trend
$765.40 33.9
dan seasonal
$892.30 $731.50 15.93958333 160.8
*Menunjukan
perhitungan
$885.40 788.5118177 57.01181771 96.9 600 menggunakan
$677.00 persamaan level,
$1,006.60 trend dan seasonal
$1,122.10

Persamaan Multiplicative Holt Winter
LEVEL : TREND :
Lt  
Yt
 (1   )( Lt 1  bt 1 ) bt   ( Lt  Lt 1 )  (1   )bt 1
st  s
SEASONAL : F0RECAST
Yt Ft  m  ( Lt  bt m ) S t  s  m
St    (1   ) S t  s
Lt
S = panjang musiman (jumlah bulan/kuartal dalam 1 tahun

Lt = level
bt = trend
St = komponen musiman
Ft+m = peramalan untuk periode ke depan

Inisialisasi Multiaplicative
• Untuk menentukan index musiman memerlukan
satu set data komplit untuk satu musim.
• Inisialisasi level diambil dari rata-rata pada satu
musim pertama sebelum di forecast.
1
Ls  (Y1  Y2  ...  Ys )
s

Inisialisasi Multiplicative
• Untuk menginisiasikan trend, digunakan 2 musim (2
periode)
1  Ys 1  Y1 Ys  2  Y2 Ys  s  Ys 
bs     ...  
s s s s 
• Untuk menginisialisasikan indikasi musim digunakan

rumus sebagai berikut :
Y1 Y2 Ys
S1  , S2  ,...S s 
Ls Ls Ls

CONTOH SOAL
Data Level Trend Seasonal Forecast

*Menunjukan
$684.20 0.94 perhitungan
$584.10 0.80 menggunakan
$765.40 1.05 inisisasi level, trend
dan seasonal
TP_ExpSmo_5212100060_5212100169_5212100
173_5212100177TP_ExpSmo_5212100060_52121
173_5212100177
$892.30 $731.50 15.93958333 1.22
00169_5212100173_5212100177 *Menunjukan
perhitungan
$885.40 795.8179135 64.31791353 1.07 804.5180217 menggunakan
$677.00 persamaan level,
$1,006.60 trend dan seasonal
$1,122.10

Adaptive Approach
• Merupakan istilah yang digunakan untuk menggambarkan beberapa

metode yang berbeda untuk menentukan kemungkinan peristiwa yang
terjadi berdasarkan data statistik dan analisis variable.
• Metode ini memungkinkan parameter smoothing dapat berubah dari

waktu ke waktu, dalam rangka untuk beradaptasi dengan perubahan
karakteristik dari seri waktu.

Adaptive Approach Cont’d...
Williams (1987) menulis bahwa itu diterima secara luas bahwa dalam
smoothing multi-dimensi, seperti Holt dan Holt-Winters metode, Namun
hanya parameter smoothing untuk level yang disesuaikan untuk
menghindari ketidakstabilan. Oleh karena itu, mungkin tidak mengherankan
bahwa literatur telah berfokus terutama pada adaptif pemulusan
eksponensial sederhana.

Rumus
Ft  1  Ft   (At - Ft)
Ft  1  Ft  at(At - Ft)
ADAPT
ADAPTIVE APPROACH

Contoh
Period Sales
1 $684.20
2 $584.10
3 $765.40
Sales
4 $892.30
5 $885.40 $3,000.00
6 $946.00
$2,500.00
7 $1,006.60
8 $1,122.10 $2,000.00
9 $1,163.40
10 $1,237.95 $1,500.00
11 $1,312.50
$1,000.00
12 $1,545.30
13 $1,596.20 $500.00
14 $1,665.70
$0.00
15 $1,735.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
16 $2,029.70
17 $2,107.80
18 $2,206.10
19 $2,304.40
20 $2,639.40

Period Sales SEM
1 $684.20 $684.20
2 $584.10 $684.20 SEM
3 $765.40 $654.17
$3,000.00
4 $892.30 $687.54
5 $885.40 $748.97 $2,500.00
6 $946.00 $789.90
7 $1,006.60 $836.73 $2,000.00
8 $1,122.10 $887.69
9 $1,163.40 $958.01 $1,500.00
10 $1,237.95 $1,019.63
$1,000.00
11 $1,312.50 $1,085.13
12 $1,545.30 $1,153.34
$500.00
13 $1,596.20 $1,270.93
14 $1,665.70 $1,368.51 $0.00
15 $1,735.20 $1,457.67 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
16 $2,029.70 $1,540.93 Sales SEM
17 $2,107.80 $1,687.56
18 $2,206.10 $1,813.63
19 $2,304.40 $1,931.37
20 $2,639.40 $2,043.28
21 $2,222.12

ADAPTIVE APPROACH
0.3 adt 0.3
Period Error a Sales ASEM a- a+
1 0.00 0.3 $684.20 $684.20
2 -100.10 0.4 $584.10 $684.20 $684.20 $684.20
3 121.24 0.4 $765.40 $644.16 $674.19 $614.13
4 236.02 0.1 $892.30 $656.28 $656.28 $729.03
5 134.71 0.4 $885.40 $750.69 $609.08 $750.69
6 101.01 0.7 $946.00 $844.99 $764.16 $844.99
7 121.21 0.4 $1,006.60 $885.39 $885.39 $946.00
8 224.59 0.1 $1,122.10 $897.51 $897.51 $970.24
9 176.05 0.4 $1,163.40 $987.35 $852.60 $987.35
10 127.37 0.7 $1,237.95 $1,110.58 $1,004.95 $1,110.58
11 112.76 0.7 $1,312.50 $1,199.74 $1,161.53 $1,237.95
12 300.46 0.4 $1,545.30 $1,244.84 $1,244.84 $1,312.50
13 141.04 0.7 $1,596.20 $1,455.16 $1,274.89 $1,455.16
14 69.50 1 $1,665.70 $1,596.20 $1,511.58 $1,596.20
15 90.35 0.7 $1,735.20 $1,644.85 $1,644.85 $1,686.55
16 348.71 0.4 $2,029.70 $1,680.99 $1,680.99 $1,735.20
17 182.71 0.7 $2,107.80 $1,925.09 $1,715.86 $1,925.09
18 98.30 1 $2,206.10 $2,107.80 $1,998.17 $2,107.80
19 98.30 1 $2,304.40 $2,206.10 $2,176.61 $2,235.59
20 364.49 0.7 $2,639.40 $2,274.91 $2,274.91 $2,333.89
21 1 $2,639.40 $2,420.71 $2,639.40

ADAPTIVE cont’d
ASEM
$3,000.00
$2,500.00
$2,000.00
$1,500.00
$1,000.00
$500.00
$0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Sales ASEM

RESULT
ALL
$3,000.00
$2,500.00
$2,000.00
$1,500.00
$1,000.00
$500.00
$0.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Sales SEM ASEM

Pegel’s Classification
• Klasifikasi Pegels pada teknik exponential smoothing dalam kerangka pemodelan
state-space memberikan model perkiraan tren-musiman dengan batas prediksi
untuk tren dan pola musiman
• Pegel’s (1969) Classification termasuk dalam sembilan metode yang berbeda

pada exponential smoothing. Hyndman (2002) telah melanjutkan klasifikasi ini
untuk menyertakan damped additive trend with either no seasonality, additive
seasonality or multiplicative seasonality.
• Taylor (2003) melanjutkan lagi versi dari Pegel’s Klasifikasi pada exponential
smoothing.

Pola : Pegel’s Classification

The Exponential Smoothing Classification

The Exponential Smoothing Classification Cont’d…

Rumus

Pola : Time Series Pegel’s Classification

Menentukan , , 
Exponential Smoothing

Menggunakan Solver Add-in
(MS.Excel)
1. Tambahkan Solver Add-in pada MS. Excel

(MS.Excel)
2. Buat lembar kerja Excel mengenai Exponential Smoothing

(MS.Excel)
3. Pilih Tab Data – Solver
• Set Objectives: Hasil Akurasi Error

• By Changing Variable Cells: Cell
alpha, beta, gamma
• Subject to the Constraints:
batasan yang berlaku
Misalnya nilai konstanta 0 ≤ 𝛼 ≤ 1
4. Klik Solve
5. Konstanta terbaik akan muncul

pada cell yang telah ditentukan.

(TekPer2016) Materi ES PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

(TekPer2016) Materi ES PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Your Logo

Your company name

Your company name Your Logo

Analisis exponential smoothing merupakan suatu metode peramalan rata-

Your company name Your Logo

Your company name Your Logo

• Digunakan untuk peramalan jangka pendek.

• Exponential Smoothing memberikan penekanan yang lebih besar kepada time

Your company name Your Logo

𝑭𝒕 = 𝑭𝒕−𝟏 +∝ (𝑨𝒕−𝟏 − 𝑭𝒕−𝟏 )

𝑭𝒕 =∝∙ 𝑨𝒕 +(𝟏 −∝)𝑭𝒕−𝟏

Ft = Nilai forecast pada periode t

Your company name Your Logo

Your company name Your Logo

Periode Demand Forecast

Double exponential smoothing Double Exponential Smoothing

Your company name Your Logo

Holt (1957) mengembangkan Peramalan dengan

Your company name Your Logo

Menghitung nilai Menghitung Menghitung

Inisialisasi untuk L1 = Y1 ; Inisialisasi untuk b1 = Y2 – Y1

Your company name Your Logo

Your company name Your Logo

Your company name Your Logo

Your company name Your Logo

1 2001 143 143 9

2 2002 152 152 9 152

Your company name Your Logo

1 2001 143 143 9

2 2002 152 152 9 152

3 2003 161 161.0 9.0 161.0

Your company name Your Logo

• Brown Double Exponential Smoothing merupakan metode peramalan

Your company name Your Logo

HITUNG KOMPONEN A HITUNG KOMPONEN B

Your company name Your Logo

Your company name Your Logo

Your company name Your Logo

Your company name Your Logo

Your company name Your Logo

Your company name Your Logo

Your company name Your Logo

Your company name Your Logo

Your company name Your Logo

Your company name Your Logo

Your company name Your Logo

Your company name Your Logo

S = panjang musiman (jumlah bulan/kuartal dalam 1 tahun

Your company name Your Logo

Your company name Your Logo

• Untuk menginisialisasikan indikasi musim digunakan

Your company name Your Logo

Data Level Trend Seasonal Forecast

Your company name Your Logo

S = panjang musiman (jumlah bulan/kuartal dalam 1 tahun

Your company name Your Logo

Your company name Your Logo

• Untuk menginisialisasikan indikasi musim digunakan

Your company name Your Logo

Data Level Trend Seasonal Forecast

Your company name Your Logo

• Merupakan istilah yang digunakan untuk menggambarkan beberapa

• Metode ini memungkinkan parameter smoothing dapat berubah dari