Metode Pemulusan

(Smoothing)
Fadhilah Fitri, S.Si, M.Stat
Adaptive Response Rate
Single Exponential
Smoothing (ARRSES)
ARRSES

 Dasar metode: Penggunaan bobot α dalam teknik tertentu

untuk menyesuaikan sendiri data baru yang berlaku

 Metode ARRSES bersifat adaptif dalam arti bahwa nilai α

akan berubah secara otomatis jika terdapat perubahan
dalam pola dasar data

 Untuk data yang berpola stationer / konstan

ARRSES

Kelebihan ARRSES dibanding SES

 Metode Peramalan SES memerlukan spesifikasi nilai α,

sedangkan pada metodr ARRSES, nilai α dapat berubah
secara terkendali dengan adanya perubahan dalam pola
datanya.

 Kelebihan ini menarik jika jumlah data yang diramalkan

besar, seperti ratusan atau ribuan item yang perlu
diramalkan
 Nilai smoothing pada periode ke-t:

Ft+1 = t Xt + (1 – t) Ft

dimana:
𝐸𝑡
𝛼𝑡+1 =
𝑀𝑡

𝐸𝑡 = 𝛽𝑒𝑡 + (1 − 𝛽)𝐸𝑡−1

𝑀𝑡 = 𝛽|𝑒𝑡 | + (1 − 𝛽)𝑀𝑡−1

𝑒𝑡 = 𝑋𝑡 − 𝐹𝑡
 𝛼 dan 𝛽 merupakan parameter bernilai antara 0 dan
1

 Inisialisasi proses ARRSES sedikit lebih rumit daripada

SES, ARRSES seringkali terlalu responsif terhadap
perubahan dalam pola data
Contoh Penerapan

Periode Nilai Pengamatan (X)

1 200
2 135
3 195
4 197,5
5 310
6 175
7 155
8 130
9 220
10 277,5
11 235
12 *
Contoh Penerapan
Pertama dilakukan inisialisasi :

𝐹2 = 𝑋1

𝛼2 = 𝛼3 = 𝛼4 = 𝛽 = 0,2

𝐸1 = 𝑀1 = 0
Contoh Penerapan
Galat Galat Absolut
Nilai Forecasting
Periode Galat (et) Pemulusan Pemulusan α
Pengamatan (X) (Ft)
(Et) (Mt)
1 200 0 0
2 135 200,00 -65,00 -13,00 13,00 0,20
3 195 187,00 8,00 -8,80 12,00 0,20
4 197,5 188,60 8,90 -5,26 11,38 0,20
5 310 190,38 119,62 19,72 33,03 0,46
6 175 245,67 -70,67 1,64 40,56 0,60
7 155 203,48 -48,48 -8,39 42,14 0,04
8 130 201,52 -71,52 -21,01 48,02 0,20
9 220 187,29 32,71 -10,27 44,96 0,44
10 277,5 201,61 75,89 6,96 51,14 0,23
11 235 218,94 16,06 8,78 44,13 0,14
12 * 221,13 * * * 0,20