Exponential Smoothing

Exponential Smoothing merupakan prosedur perbaikan terus-menerus pada peramalan terhadap objek
pengamatan terbaru. Exponential Smoothing menitik-beratkan pada penurunan prioritas secara
eksponensial pada objek pengamatan yang lebih tua. Dengan kata lain, observasi terbaru akan diberikan
prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama. Penghalusan eksponensial
(exponential smoothing) adalah suatu tipe teknik peramalan rata-rata bergerak yang melakukan
penimbangan terhadap data masa lalu dengan cara eksponensial sehingga data paling akhir mempunyai
bobot atau timbangan lebih besar dalam rata-rata bergerak (Romy Biri, 2013).

Single Exponential Smoothing atau sering disebut dengan simple exponential smoothing menggunakan
satu parameter saja.

Single exponential smoothing cocok digunakan untuk:





Rumus untuk simple exponential smoothing adalah sebagai berikut:

Yˆt 1  Yt  (1   )Yˆt

Dimana:
 Yˆt 1 = nilai ramalan untuk periode berikutnya
  = konstanta pemulusan
 Yt = data baru atau nilai Y yg sebenarnya pada periode t
 Yˆt = nilai pemulusan yang lama atau rata-rata pemulusan hingga periode t-1

Contoh soal
Permintaan
Periode
suatu produk
1 178
2 177
3 181
4 182
5 180
6 184
7 179
8 181
9 182
10 179
11 178
 12 180

Table 1 Permintaan Produk

Dilihat dari plot diatas

dapat dilihat bahwa
datanya statisioner karena
data berada pada rentang
yang kecil yaitu berada di
sekitar 177-184

Gambar 1 Permintaan Produk

Pengerjaan dengan menggunakan Tools Excel :

Gambar 2 Excel Forecast Permintaan Produk

Untuk inisiasi Forecast Periode 1 disamakan dengan nilai aktual.

Formula:

C4 = (B3*$B$1)+(C3*(1-$B$1))

Kemudian copy formula sampai C14

D3 = ABS(C3-B3)/B3

Kemudian copy formula sampai D15

E3 = AVERAGE(D3:D14)

Menggunakan Add-Ins Excel Solver dapat dicari nilai Alpha yang optimal untuk mendapat error yang
paling minimum yaitu dengan cara berikut:

Gambar 3 Add-Ins Excel Solver

Maka dapat dihasilkan forecase deperti dibawah ini:

Permintaan
Periode Forecast APE MAPE
suatu produk
1 178 178 0.00% 0.96%
2 177 178 0.56%
3 181 177.6366719 1.86%
4 182 178.8586635 1.73%
5 180 179.9999994 0.00%
6 184 179.9999996 2.17%
7 179 181.4533122 1.37%
8 181 180.5619549 0.24%
9 182 180.721109 0.70%
10 179 181.1857661 1.22%
 11 178 180.3916158 1.34%
12 180 179.5226745 0.27%
179.6961003
alpha = 0.363328112

Table 2 Forecast Permintaan Produk

Dapat dilihat plotting datanya seperti dibawah ini:

Gambar 4 Plot Single Exponential Smoothing

Double exponential smoothing cocok digunakan untuk:

 Data yang memiliki trend
 Data tanpa pola seasonal
 Forecasting jangka pendek

Double Exponential Smoothing dibagi menjadi dua :

 Double Exponential dua parameter dari Holt
 Double Exponential smoothing satu parameter dari Brown
Double Exponential Holt
Holt (1957) mengembangkan single exponential smoothing menjadi linear exponential smoothing
agar bisa digunakan untuk meramalkan data yang memiliki trend. Peramalan dengan Holt’s Linear
Exponential Smoothing menggunakan 2 konstanta yang bernilai antara 0 sampai 1.

Rumus Double Exponential Smoothing Holt:

Inisialisasi untuk Lt = Yt ; Inisialisasi untuk bt = Y2 – Y1

Contoh soal
Permintaan
Periode suatu
produk
1 143
2 152
3 161
4 172
5 180
6 184
7 189
8 181
9 192
10 199
11 220
12 230

Table 3 Permintaan Produk

 Dilihat dari plot diatas dapat dilihat bahwa datanya
memiliki trend naik

Pengerjaan dengan menggunakan Excel

Gambar 6 Excel Forecast Permintaan Produk

Untuk inisiasi Level Periode 1 disamakan dengan nilai aktual. Sedangkan Trend Periode 1 dapat dari nilai
aktual periode 2 dikurangi nilai aktual periode 1.

Formula:

C4 =($B$1*B4)+((1-$B$1)*(C3+D3))

Kemudian copy formula sampai C14

D4 =($D$1*(C4-C3))+((1-$D$1)*D3)

Kemudian copy formula sampai D14

E4 =C3+D3

Kemudian copy formula sampai E15

F4 =ABS(E4-B4)/B4

Kemudian copy formula sampai F14

G3 =AVERAGE(F4:F14)

Menggunakan Add-Ins Excel Solver dapat dicari nilai Alpha dan Beta yang optimal untuk mendapat error
yang paling minimum yaitu dengan cara berikut:

Gambar 7 Add-Ins Excel Solver

Maka dapat dihasilkan forecase deperti dibawah ini:

alpha = 0.91680631 Beta = 0
Permintaan
Periode suatu level (L) Trend (b) Forecast APE MAPE
produk
1 143 143 9 2.17%
2 152 152 9 152 0.00%
 3 161 161 9 161 0.00%
4 172 171.833613 9 170 1.16%
5 180 180.069351 9 180.8336 0.46%
6 184 184.421738 9 189.0694 2.76%
7 189 189.367861 9 193.4217 2.34%
8 181 182.444896 9 198.3679 9.60%
9 192 191.953819 9 191.4449 0.29%
10 199 199.162545 9 200.9538 0.98%
11 220 219.015198 9 208.1625 5.38%
12 230 229.834877 9 228.0152 0.86%
238.8349

Table 4 Forecast Permintaan Produk

Dapat dilihat plotting datanya seperti dibawah ini:

Gambar 8 Plot Double Exponential Smoothing Holt

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:

Contoh soal
Permintaan
Periode suatu
produk
1 143
2 152
3 161
4 172
5 180
6 184
7 189
8 181
9 192
10 199
11 220
 12 230

Gambar 9 Permintaan Produk

Pengerjaan dengan menggunakan Excel

Gambar 10 Plot Permintaan Produk

Dilihat dari plot diatas dapat dilihat bahwa datanya

memiliki trend naik

Maka dapat dihasilkan forecast seperti dibawah ini:

 Gambar 11 Excel Forecast Permintaan Produk

Untuk inisiasi Lt dan L’t Periode 1 disamakan dengan nilai aktual.

Formula:

C4 = ($B$1*B4)+((1-$B$1)*C3)

Kemudian copy formula sampai C14

D4 = ($B$1*C4)+((1-$B$1)*D3)

Kemudian copy formula sampai D14

E3 = (2*C3)-D3

Kemudian copy formula sampai E14

F3 = ($B$1*(C3-D3))/(1-$B$1)

Kemudian copy formula sampai F14

G4 = E3+F3

Kemudian copy formula sampai G15

H4 = ABS(G4-B4)/B4

Kemudian copy formula sampai H14

I3 = AVERAGE(H4:H14)

Menggunakan Add-Ins Excel Solver dapat dicari nilai Alpha yang optimal untuk mendapat error yang
paling minimum yaitu dengan cara berikut:
 Gambar 12 Add-Ins Excel Solver

Untuk batasan Alpha penulig membatasi < 1karena untuk menhindari nilai tak hingga pada bt.

Maka dapat dihasilkan forecase deperti dibawah ini:

Alpha = 0.880026437

Permintaan
Periode Lt L't at bt Forecast APE MAPE
suatu produk

1 143 143 143 143 0 3.42%

2 152 150.920238 149.970019 151.870457 6.97001877 143 5.92%
3 161 159.790695 158.612474 160.968917 8.64245474 158.840476 1.34%
4 172 170.535206 169.104793 171.965619 10.49232 169.611371 1.39%
5 180 178.864475 177.693571 180.035379 8.58877774 182.457939 1.37%
6 184 183.383873 182.701187 184.066559 5.00761581 188.624156 2.51%
7 189 188.326213 187.651359 189.001068 4.95017176 189.074174 0.04%
-
8 181 181.878952 182.571488 181.186416 193.951239
5.07987066 7.16%
9 192 190.785742 189.800249 191.771235 7.22876041 176.106545 8.28%
10 199 198.014506 197.029012 199 7.2287639 198.999995 0.00%
11 220 217.362322 214.922862 219.801782 17.89385 206.228764 6.26%
12 230 228.483813 226.856857 230.110768 11.9339948 237.695632 3.35%
242.044763

Table 5 Forecast Permintaan Produk

Dapat dilihat plotting datanya seperti dibawah ini:

Gambar 13 Plot Double Smoothing Brown

Unsur stasioner, trend, dan musiman. Menurut Makridakis (1999) Metode ini digunakan ketika data
menunjukan adanya trend dan perilaku musiman.

Terdapat dua model Holt-Winters tergantung pada tipe musimannya yaitu Multiplicative seasonal model
dan Additive seasonal model. Additive seasonal model diguakan ketika data musiman bersifat konstan
sedangkan multiplicative seasonal modle digunakan ketika data musiman berubah-ubah.

Gambar 14 Perbedaan Multiplicative and Additive

Additive seasonal model :

Dalam peramalan menggunakan additive seasonal model persamannya adalah:

 Level

Lt   (Yt  S t  s )  (1   )( Lt 1  bt 1 )
 Trend

bt   ( Lt  Lt 1 )  (1   )bt 1
 Seasonal

S t   (Yt  Lt )  (1   ) S t  s
 Forecast

Ft  m  Lt  bt m  S t  s m
Keterangan :

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

Yt = nilai aktual pada periode akhir t

Lt = level

bt = trend

St = komponen musiman

Ft+m = peramalan untuk periode ke depan

α = smoothing konstanta untuk level

β = smoothing kontanta untuk trend

γ = smoothing konstanta untuk faktor musiman

nilai α, β, γ adalah 0 < , β, γ < 1

Inisiasi nilai awal :

Dalam eksopnential smoothing , nilai awal sangat dibutuhkan karena peramaln untuk t − 1 belum
tersedia. Misalnya pada nilai berikut :

Lt   (Yt  S t  s )  (1   )( Lt 1  bt 1 )

nilai L untuk t =1, maka

Lt-1 = L0

Bt-1 = b0
Dari rumus berikut nilai L0 dan b0 tidak dapat diketahui untuk itu maka diperlukan inisiasi nilai awal.

Berikut merupakan inisiasi nilai awal untuk model additive :

 Inisialisasi level diambil dari rata-rata pada satu musim pertama sebelum di forecast :

1
Ls  (Y1  Y2  ...  Ys )
s
 Untuk menginisiasikan trend, digunakan 2 musim (2 periode) :

1  Y  Y Y  Y2 Y  Ys 
bs   s 1 1  s  2  ...  s  s 
s s s s 
 Untuk menginisialisasikan indikasi musim digunakan rumus berikut :

S1  Y1  Ls , S 2  Y2  Ls ,...S s  Ys  Ls

Multiplicative seasonal model :

Dalam peramalan menggunakan multiplicative seasonal model persamannya adalah :

 Level

Yt
Lt    (1   )( Lt 1  bt 1 )
st  s
 Trend

bt   ( Lt  Lt 1 )  (1   )bt 1
 Seasonal

Yt
St    (1   ) S t  s
Lt
 Forecast

Ft  m  ( Lt  bt m) S t  s  m

Keterangan :

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

Yt = nilai aktual pada periode akhir t

Lt = level

bt = trend

St = komponen musiman
Ft+m = peramalan untuk periode ke depan

α = smoothing konstanta untuk leve

β = smoothing kontanta untuk trend

γ = smoothing konstanta untuk faktor musiman

nilai α, β, γ adalah 0 < , β, γ < 1

Sama halnya dengan additive model, dibutuhkan inisiasi untuk multiplicative model. Berikut merupakan
inisiasi nilai awal untuk model multiplicative :

 Inisialisasi level diambil dari rata-rata pada satu musim pertama sebelum di forecast :

1
Ls  (Y1  Y2  ...  Ys )
s

 Untuk menginisiasikan trend, digunakan 2 musim (2 periode) :

1  Y  Y Y  Y2 Y  Ys 
bs   s 1 1  s  2  ...  s  s 
s s s s 
 Untuk menginisialisasikan indikasi musim digunakan rumus sebagai berikut :

Y1 Y Y
S1  , S 2  2 ,...S s  s
Ls Ls Ls

Contoh soal
Berikut merupakan contoh soal Triple Exponential Smoothing.
Diberikan data sebagai berikut :

Alpha = 0.1 Beta = 0.5 Gamma = 0.2

Year Quarter Period Sales
2000 1 1 $684.20
2000 2 2 $584.10
2000 3 3 $765.40
2000 4 4 $892.30
2001 1 5 $885.40
2001 2 6 $677.00
2001 3 7 $1,006.60
2001 4 8 $1,122.10
2002 1 9 $1,163.40
2002 2 10 $993.20
2002 3 11 $1,312.50
2002 4 12 $1,545.30
2003 1 13 $1,596.20
 2003 2 14 $1,260.40
2003 3 15 $1,735.20
2003 4 16 $2,029.70
2004 1 17 $2,107.80
2004 2 18 $1,650.30
2004 3 19 $2,304.40
2004 4 20 $2,639.40

Table 6 Data Sales

Lakukanlah peramalan dengan menggunakan data di atas.

Jawaban :
Untuk mengetahui apakah data tersebut memiliki seasonal atau tidak dapat dlihat dari pola datanya.

Gambar 15 Plot Data Sales

Dari plot data diketahui bahwa sales memiliki seasonal dan trend naik. Sehingga dapat digunakan menggunakan
metode triple exponential smoothing.

Additive Model
Jawaban :
Langkah 1 mencari level awal menggunakan rumus inisiasi level.
1
Ls  (Y1  Y2  ...  Ys )
s
Dalam mencarai level awal yaitu rata rata dari 4 periode sales sebelumnya.

Year Quarter Period Sales Level

2000 1 1 $684.20
2000 2 2 $584.10
2000 3 3 $765.40
2000 4 4 $892.30 731.50
2001 1 5 $885.40
 2001 2 6 $677.00
2001 3 7 $1,006.60
2001 4 8 $1,122.10
2002 1 9 $1,163.40
2002 2 10 $993.20
2002 3 11 $1,312.50
2002 4 12 $1,545.30
2003 1 13 $1,596.20
2003 2 14 $1,260.40
2003 3 15 $1,735.20
2003 4 16 $2,029.70
2004 1 17 $2,107.80
2004 2 18 $1,650.30
2004 3 19 $2,304.40
2004 4 20 $2,639.40

Table 7 Data Sales

Langkah 2 mencari trend awal menggunakan rumus inisiasi trend.

1  Y  Y Y  Y2 Y  Ys 
bs   s 1 1  s  2  ...  s  s 
s s s s 

Year Quarter Period Sales Level Trend

2000 1 1 $684.20
2000 2 2 $584.10
2000 3 3 $765.40
2000 4 4 $892.30 731.50 -60.96
2001 1 5 $885.40
2001 2 6 $677.00
2001 3 7 $1,006.60
2001 4 8 $1,122.10
2002 1 9 $1,163.40
2002 2 10 $993.20
2002 3 11 $1,312.50
2002 4 12 $1,545.30
2003 1 13 $1,596.20
2003 2 14 $1,260.40
2003 3 15 $1,735.20
2003 4 16 $2,029.70
2004 1 17 $2,107.80
2004 2 18 $1,650.30
2004 3 19 $2,304.40
 2004 4 20 $2,639.40

Table 8 Data Sales

Langkah 3 mencari seasonal awal menggunakan rumus inisiasi seasonal. Pada seasonal awal dicari dari periode
pertama sampai periode keempat.

S1  Y1  Ls , S 2  Y2  Ls ,...S s  Ys  Ls

Year Quarter Period Sales Level Trend Seasonal

2000 1 1 $684.20 -47.3

2000 2 2 $584.10 -147.4
2000 3 3 $765.40 33.9
2000 4 4 $892.30 731.50 -60.96 160.8
2001 1 5 $885.40
2001 2 6 $677.00
2001 3 7 $1,006.60
2001 4 8 $1,122.10
2002 1 9 $1,163.40
2002 2 10 $993.20
2002 3 11 $1,312.50
2002 4 12 $1,545.30
2003 1 13 $1,596.20
2003 2 14 $1,260.40
2003 3 15 $1,735.20
2003 4 16 $2,029.70
2004 1 17 $2,107.80
2004 2 18 $1,650.30
2004 3 19 $2,304.40
2004 4 20 $2,639.40

Table 9 Data Sales

Kemudian setelah level , trend , dan seasonal awal sudah ada nilainya langkah selanjutnya adalah mencari nilai level
pada periode berikutnya menggunakan rumus :

Lt   (Yt  S t  s )  (1   )( Lt 1  bt 1 )

kemudian untuk mencari trend pada periode berikutnya menggunakan rumus trend berikut

bt   ( Lt  Lt 1 )  (1   )bt 1

kemudian untuk mencari seasonal pada periode berikutnya menggunakan rumus seasonal berikut
 S t   (Yt  Lt )  (1   ) S t  s

Year Quarter Period Sales Level Trend Seasonal

2000 1 1 $684.20 -47.3

2000 2 2 $584.10 -147.4
2000 3 3 $765.40 33.9
2000 4 4 $892.30 731.50 -60.96 160.8
2001 1 5 $885.40 696.7575 -47.85 -0.1
2001 2 6 $677.00
2001 3 7 $1,006.60
2001 4 8 $1,122.10
2002 1 9 $1,163.40
2002 2 10 $993.20
2002 3 11 $1,312.50
2002 4 12 $1,545.30
2003 1 13 $1,596.20
2003 2 14 $1,260.40
2003 3 15 $1,735.20
2003 4 16 $2,029.70
2004 1 17 $2,107.80
2004 2 18 $1,650.30
2004 3 19 $2,304.40
2004 4 20 $2,639.40

Table 10 Data Sales

Kemudian untuk mencari forecast menggunakan rumus berikut :

Ft  m  Lt  bt m  S t  s m

sehingga didapat jawaban akhirnya adalah :

Year Quarter Period Sales Level Trend Seasonal Forecast APE

2000 1 1 $684.20 -47.3

2000 2 2 $584.10 -147.4
2000 3 3 $765.40 33.9
2000 4 4 $892.30 $731.50 -60.96 160.8
2001 1 5 $885.40 696.7575 -47.85 -0.1 523 0.69
666.4563
2001 2 6 $677.00 75 -39.08 -115.8 683 0.01
$1,006.6 661.9125
2001 3 7 0 438 -21.81 96.1 788 0.28
$1,122.1 672.2224
2001 4 8 0 684 -5.75 218.6 640 0.75
2002 1 9 $1,163.4 716.1764 19.10 89.4 551 1.11
 0 272
772.6517
2002 2 10 $993.20 213 37.79 -48.5 831 0.19
$1,312.5 851.0405
2002 3 11 0 87 58.09 169.1 1,029 0.28
$1,545.3 950.8848
2002 4 12 0 607 78.97 293.8 998 0.55
$1,596.2 1077.550
2003 1 13 0 688 102.82 175.2 981 0.63
$1,260.4 1193.224
2003 2 14 0 11 109.24 -25.4 1,350 0.07
$1,735.2 1328.828
2003 3 15 0 229 122.42 216.6 1,596 0.09
$2,029.7 1479.719
2003 4 16 0 875 136.66 345.0 1,626 0.25
$2,107.8 1647.998
2004 1 17 0 707 152.47 232.1 1,591 0.32
$1,650.3 1787.990
2004 2 18 0 065 146.23 -47.9 2,017 0.18
$2,304.4 1949.579
2004 3 19 0 503 153.91 244.2 2,279 0.01
$2,639.4 2122.578
2004 4 20 0 618 163.45 379.4 2,336 0.13
MAPE 35%

Table 11 Data Sales Hasil Forecast

Dari hasil peramalan menggunakan triple exponential smoothing diketahui bahwa error yang didapat adalah 35%.
Untuk mengurangi error tersebut dapat dicari nilai alpha, beta, gamma yang optimal dengan cara :

Mencari MAPE dari data yang ada :

Gambar 16 Excel Mencari MAPE

Nilai optimal alpha, beta, dan gama adalah ketika nilai MAPE mencapai titik paling minimum. Oleh karena itu kita
akan mencarinya menggunakan solver pada microsoft excel :
 Klik data > solver
 Klik cell MAPE yang menjadi set objective
 Klik cell Alpha, Beta, dan Gama pada field by changing variable cells
 Gambar 17 Add-Ins Excel Solver

Agar optimal pilih nilai alpha lebih kecil sama dengan 1 dan lebih besar sama dengan 0. Begitu juga untuk beta dan
gamma. Kemudian klik solve maka otomatis akan berubah nilai alpha beta gamma menjadi seperti gambar berikut

Gambar 18 Excel Data Sales Hasil Forecast

Setelah dirubah nilai alphanya diektahui bahwa MAPE berkurang menjadi 17%. Berikut merupakan plot data
perbandingan Forecast dan Actualnya.
 Gambar 19 Plot Perbandingan Data Actual dan Forecast

Multiplicative Model

Jawaban :

Langkah pertama adalah mencari inisiasi level awal mengunakan rumus inisiaasi awal level.
1
Ls = (Y1 +Y2 +... +Ys )
s
Mencari level awal dengan membagi rata-rata sales pada periode sbelumnya.

Year Quarter Period Sales Level

2000 1 1 $684.20
2000 2 2 $584.10
2000 3 3 $765.40
2000 4 4 $892.30 731.50
2001 1 5 $885.40
2001 2 6 $677.00
2001 3 7 $1,006.60
2001 4 8 $1,122.10
2002 1 9 $1,163.40
2002 2 10 $993.20
2002 3 11 $1,312.50
2002 4 12 $1,545.30
2003 1 13 $1,596.20
2003 2 14 $1,260.40
2003 3 15 $1,735.20
2003 4 16 $2,029.70
2004 1 17 $2,107.80
2004 2 18 $1,650.30
 2004 3 19 $2,304.40
2004 4 20 $2,639.40

Table 12 Data Sales

Langkah 2 mencari trend awal menggunakan rumus inisiasi trend. Dengan menggunakan rumus berikut

1  Y  Y Y  Y2 Y  Ys 
bs   s 1 1  s  2  ...  s  s 
s s s s 

Year Quarter Period Sales Level Trend

2000 1 1 $684.20
2000 2 2 $584.10
2000 3 3 $765.40

2000 4 4 $892.30 731.50 15.94

2001 1 5 $885.40
2001 2 6 $677.00
2001 3 7 $1,006.60
2001 4 8 $1,122.10
2002 1 9 $1,163.40
2002 2 10 $993.20
2002 3 11 $1,312.50
2002 4 12 $1,545.30
2003 1 13 $1,596.20
2003 2 14 $1,260.40
2003 3 15 $1,735.20
2003 4 16 $2,029.70
2004 1 17 $2,107.80
2004 2 18 $1,650.30
2004 3 19 $2,304.40
2004 4 20 $2,639.40

Table 13 Data Sales

Langkah 3 mencari seasonal awal menggunakan rumus inisiasi seasonal. Pada seasonal awal dicari dari periode
pertama sampai periode keempat.

Y1 Y Y
S1  , S 2  2 ,...S s  s
Ls Ls Ls
Year Quarter Period Sales Level Trend Seasonal

2000 1 1 $684.20 0.94

 2000 2 2 $584.10 0.80

2000 3 3 $765.40 1.05

2000 4 4 $892.30 731.50 -60.96 1.22

2001 1 5 $885.40
2001 2 6 $677.00
2001 3 7 $1,006.60
2001 4 8 $1,122.10
2002 1 9 $1,163.40
2002 2 10 $993.20
2002 3 11 $1,312.50
2002 4 12 $1,545.30
2003 1 13 $1,596.20
2003 2 14 $1,260.40
2003 3 15 $1,735.20
2003 4 16 $2,029.70
2004 1 17 $2,107.80
2004 2 18 $1,650.30
2004 3 19 $2,304.40
2004 4 20 $2,639.40

Table 14 Data Sales

Kemudian setelah level , trend , dan seasonal awal sudah ada nilainya langkah selanjutnya adalah mencari nilai lvel
pada periode berikutnya menggunakan rumus :

Yt
Lt    (1   )( Lt 1  bt 1 )
st  s

kemudian untuk mencari trend pada periode berikutnya menggunakan rumus trend berikut

bt   ( Lt  Lt 1 )  (1   )bt 1
kemudian untuk mencari seasonal pada periode berikutnya menggunakan rumus seasonal berikut

Yt
St    (1   ) St  s
Lt

Year Quarter Period Sales Level Trend Seasonal

2000 1 1 $684.20 -47.3

2000 2 2 $584.10 -147.4
2000 3 3 $765.40 33.9
2000 4 4 $892.30 731.50 -60.96 160.8
 2001 1 5 $885.40 767.36 25.90 0.98

2001 2 6 $677.00
2001 3 7 $1,006.60
2001 4 8 $1,122.10
2002 1 9 $1,163.40
2002 2 10 $993.20
2002 3 11 $1,312.50
2002 4 12 $1,545.30
2003 1 13 $1,596.20
2003 2 14 $1,260.40
2003 3 15 $1,735.20
2003 4 16 $2,029.70
2004 1 17 $2,107.80
2004 2 18 $1,650.30
2004 3 19 $2,304.40
2004 4 20 $2,639.40

Table 15 Data Sales

Kemudian untuk mencari forecast menggunakan rumus berikut :

Ft  m  ( Lt  bt m) St  s  m
Sehingga didapat jawaban akhirnya adalah

Year Quarter Period Sales Level Trend Seasonal Forecast APE

2000 1 1 $684.20 0.94

2000 2 2 $584.10 0.80
2000 3 3 $765.40 1.05
2000 4 4 $892.30 $731.50 15.94 1.22
2001 1 5 $885.40 767.36 25.90 0.98 741.9614715 19%
2001 2 6 $677.00 798.71 28.63 0.81 660.6287243 2%
2001 3 7 $1,006.60 840.81 35.36 1.08 916.7744502 10%
2001 4 8 $1,122.10 880.54 37.55 1.23 1119.90546 0%
2002 1 9 $1,163.40 945.11 51.06 1.03 975.2867368 19%
2002 2 10 $993.20 1019.42 62.69 0.84 874.6912686 14%
2002 3 11 $1,312.50 1095.82 69.54 1.10 1254.525209 5%
2002 4 12 $1,545.30 1174.39 74.05 1.25 1536.484396 1%
2003 1 13 $1,596.20 1278.65 89.16 1.07 1408.058661 13%
2003 2 14 $1,260.40 1380.81 95.66 0.86 1242.464601 1%
2003 3 15 $1,735.20 1486.46 100.65 1.11 1747.022762 1%
2003 4 16 $2,029.70 1591.07 102.63 1.25 2113.312624 4%
 2004 1 17 $2,107.80 1720.74 116.15 1.10 1971.357159 7%
2004 2 18 $1,650.30 1846.04 120.73 0.86 1683.095838 2%
2004 3 19 $2,304.40 1976.93 125.81 1.12 2342.6086 2%
2004 4 20 $2,639.40 2103.06 125.97 1.25 2793.717102 6%
MAPE 7%

Table 16 Data Sales Hasil Forecast

Dari hasil peramalan menggunakan triple exponential smoothing diketahui bahwa error yang didapat adalah 7%.
Untuk mengurangi error tersebut dapat dicari nilai alpha, beta, gamma yang optimal dengan cara :

Mencari MAPE dari data yang ada

Year Quarter Period Sales Level Trend Seasonal Forecast APE

2000 1 1 $684.20 0.94

2000 2 2 $584.10 0.80
2000 3 3 $765.40 1.05
2000 4 4 $892.30 $731.50 15.94 1.22
2001 1 5 $885.40 767.36 25.90 0.98 741.9614715 19%
2001 2 6 $677.00 798.71 28.63 0.81 660.6287243 2%
2001 3 7 $1,006.60 840.81 35.36 1.08 916.7744502 10%
2001 4 8 $1,122.10 880.54 37.55 1.23 1119.90546 0%
2002 1 9 $1,163.40 945.11 51.06 1.03 975.2867368 19%
2002 2 10 $993.20 1019.42 62.69 0.84 874.6912686 14%
2002 3 11 $1,312.50 1095.82 69.54 1.10 1254.525209 5%
2002 4 12 $1,545.30 1174.39 74.05 1.25 1536.484396 1%
2003 1 13 $1,596.20 1278.65 89.16 1.07 1408.058661 13%
2003 2 14 $1,260.40 1380.81 95.66 0.86 1242.464601 1%
2003 3 15 $1,735.20 1486.46 100.65 1.11 1747.022762 1%
2003 4 16 $2,029.70 1591.07 102.63 1.25 2113.312624 4%
2004 1 17 $2,107.80 1720.74 116.15 1.10 1971.357159 7%
2004 2 18 $1,650.30 1846.04 120.73 0.86 1683.095838 2%
2004 3 19 $2,304.40 1976.93 125.81 1.12 2342.6086 2%
2004 4 20 $2,639.40 2103.06 125.97 1.25 2793.717102 6%
MAPE 7%

Table 17 Data Sales Hasil Forecast

Nilai optimal alpha, beta, dan gama adalah ketika nilai MAPE mencapai titik paling minimum. Oleh karena itu kita
akan mencarinya menggunakan solver pada microsoft excel :
 Klik data > solver
 Klik cell MAPE yang menjadi set objective
 Klik cell Alpha, Beta, dan Gama pada field by changing variable cells
 Gambar 20 Add-Ins Excel Solver

Agar optimal pilih nilai alpha lebih kecil sama dengan 1 dan lebih besar sama dengan 0. Begitu juga untuk beta dan
gamma. Kemudian klik solve maka otomatis akan berubah nilai alpha beta gamma menjadi seperti gambar berikut

Gambar 21 Excel Mencari MAPE

Setelah dirubah nilai alphanya diektahui bahwa MAPE berkurang menjadi 5%. Berikut merupakan plot data perbandingan
Forecast dan Actualnya.
Gambar 22 Plot Data Actual dengan Forecast