3/3 Metode Pemulusan (Smoothing) Eksponensial

Gambar 3-8 menunjukkan penibobotan yang dihasilkan oleh berbagai prosedur yang telah
dijelaskan pada bab yang terdahulu. Dalam bab ini dijelaskan sekelompok metode yang
menunjukkan pembobotan menurun secara eksponensial terhadap nilai observasi yang lebih tua.
Oleh karena itu metode ini disebut prosedur pemulusan (smoothing) eksponensial. Seperti halnya
de ngan rata-rata bergerak, metode pemulusan (smoothing) eksponensial terdiri atas tunggal,
ganda, dan metode yang lebih rumit. Semuanya mempunyai sifat yang sama, yaitu nilai yang
lebih baru diberikan bobot yang relatif lebih besar dibanding nilai observasi yang lebih lama.
(Masalah penaksiran umum dalam konteks ini akan dibahas secara lebih terinci pada Bab 9.)

Dalam kasus rata-rata bergerak, bobot yang dikenakan pada nilai-nilai observasi merupakan hasil
sampingan dari sistem MA tertentu yang diambil. Tetapi dalam pemulusan (smoothing)
eksponensial, terdapat satu atau lebih parameter pemulusan yang ditentukan secara eksplisit, dan
hasil pilihan ini menentukan bobot yang dikenakan pada nilai observasi, seperti yang akan di
tunjukkan di bawah ini.

3/3/1 Pemulusan (Smoothing) Eksponensial Tunggal

Kasus yang paling sederhana dari pemulusan (smoothing) eksponensial tunggal (SES) dapat
dikembangkan dari persamaan (3-5), atau secara lebih khusus, dari suatu variasi pada persamaan
tersebut, yaitu sebagai berikut:

F t+1 =F t + ( XN − X −N
t
N )
t
(3-5’)

Misalkan observasi yang lama X₁- tidak tersedia sehingga tempatnya harus digantikan dengan
suatu nilai pendekatan (aproksimasi). Salah satu pengganti yang mungkin adalah nilai ramalan
periode yang sebelumnya F,. Dengan mela kukan substitusi ini persamaan (3-5') menjadi
persamaan (3-17), dan dapat ditulis kembali sebagai (3-18):

Xt Ft
F t+1 =F t + ( −
N N ) (3-17)
 1 1
F t+1 =(
N t (
) x + 1− F
N t ) (3-18)

(Perhatikan bahwa jika datanya stasioner, maka substitusi di atas merupakan pendekatan yang
cukup baik, namun bila terdapat trend metode SES yang dijelaskan di sini tidak cukup baik.)

Dari persamaan (3-18) dapat dilihat bahwa ramalan ini (Fr+1) didasarkan atas pembobotan
observasi yang terakhir dengan suatu nilai bobot (1/N) dan pembobotan ramalan yang terakhir
sebelumnya (F₁) dengan suatu bobot [1-(1/N)]. Karena N merupakan suatu bilangan positif, 1/N
akan menjadi suatu konstanta antara nol (jika N tak terhingga) dan 1 (jika N= 1). Dengan
mengganti 1/N dengan a, persamaan (3-18) menjadi

F t+1 =α X t +(1−α ) F t (3-19)

Persamaan ini merupakan bentuk umum yang digunakan dalam menghi tung ramalan dengan
metode pemulusan eksponensial. Metode ini banyak mengurangi masalah penyimpanan data,
karena tidak perlu lagi menyimpan semua data historis atau sebagian daripadanya (seperti dalam
kasus rata-rata bergerak). Agaknya hanya observasi terakhir, ramalan terakhir, dan suatu nilai a
yang harus disimpan.

Cara lain untuk menuliskan persamaan (3-19) adalah dengan susunan sebagai berikut:

F t+1 =F t + α ( X t−F t ) (3-22)

F t+1 =F t + α ( et ) (3-22’)

di mana e t , adalah kesalahan ramalan (nilai sebenarnya dikurangi ramalan) untuk periode t. Dari
dua bentuk F t+1 ini dapat dilihat bahwa ramalan yang dihasilkan dari SES secara sederhana
merupakan ramalan yang lalu ditambah suatu penyesuaian untuk kesalahan yang terjadi pada
ramalan terakhir. Dalam bentuk ini terbukti bahwa jika αmempunyai nilai mendekati 1, maka
ramalan yang baru akan mencakup penyesuaian kesalahan yang besar pada ramalan sebelumnya.
Sebaliknya, jika α mendekati 0, maka ramalan yang baru akan mencakup penyesuaian yang
sangat kecil. Jadi, pengaruh besar kecilnya α benar-benar analog (dalam arah yang berlawanan)
dengan pengaruh mema sukkan jumlah pengamatan yang kecil atau besar pada perhitungan rata-
rata bergerak. Perlu juga diperhatikan bahwa pemulusan (smoothing) eksponensial tidak lebih
dari mengatur ramalan mendatang tunggal akan selalu mengikuti setiap trend dalam data yang
sebenarnya, karena yang dapat dilakukannya dengan suatu persentase dari kesalahan yang dasar
dari umpan balik (feedback) terakhir.

Persamaan ( insip (3-22) mengandung prinsip yang negatif, karena persamaan ini berperan
sebagai proses kontrol yang dila kukan oleh alat otomatis seperti termostat, pilot otomatis, dan
sebagainya. Kesalahan ramalan masa lalu dipakai untuk mengoreksi ramalan mendatang pada
arah yang berlawanan dengan kesalahan tersebut. Penyesuaian tersebut tetap berlangsung sampai
kesalahannya dikoreksi. Prinsip ini sama dengan prin sip alat pengendali otomatis yang
mengarah kepada kesetimbangan begitu ter jadi penyimpangan (kesalahan). Prinsip ini, yang
tampaknya sederhana, me mainkan peranan yang sangat penting dalam peramalan. Jika
digunakan secara tepat prinsip ini dapat digunakan untuk mengembangkan suatu proses menga
tur diri sendiri (self-adjusting process) yang dapat mengoreksi kesalahan pera malan secara
otomatis.

Aplikasi pemulusan eksponensial tunggal dapat digambarkan dengan menggunakan contoh yang
diberikan pada Bagian 3/3/2. Tabel 3-5 menunjuk kan hasil pemulusan eksponensial dari
pengiriman alat pembuka kaleng listrik dengan menggunakan nilai a, 0,1; 0,5; dan 0,9. Ramalan
dengan pemulusan eksponensial tunggal dapat dilakukan baik dengan persamaan (3-19) atax pun
(3-22). Sebagai contoh, pada Tabel 3-5 ramalan untuk periode 12 (Desember) bila a= 0,1
dihitung sebagai berikut:

F 12=α X 11 +(1−α )F ₁₁
= (0,1)(235,0) + (0,9)(202,3)
= 205,6.

Demikian pula, bila α =¿ 0,9, persamaan (3-19) memberikan ramalan untuk periode 12

F 12 = (0,9)(235,0) + (0,1)(270,9) = 238,6.

Perhatikan bahwa pemilihan a mempunyai pengaruh yang besar pada ramalan Desember, dan
nilai MAPE untuk periode 2 sampai 11 berkisar dari 24,6 persen (untuk a = 0,1) sampai 30,8
persen (untuk a = 0,9). Pemulusan Eksponensial Tunggal memerlukan sedikit penyimpangan
data dan perhitungan. Oleh karena itu metode ini menarik jika diperlukan peramalan untuk
sejumlah besar item. Salah satu hal yang perlu diperhatikan berkaitan dengan tahap inisialisasi
SES. Sebagai contoh, untuk dapat memulai sistem peramalan SES kita memerlukan F 1karena

F 12=α X 1 +(1−α ) F ₁
Karena nilai untuk F, tidak diketahui, kita dapat menggunakan nilai observasi pertama (X₁)
sebagai ramalan pertama (F₁ = X₁) dan kemudian dilanjutkan dengan menggunakan persamaan
(3-19). Ini merupakan salah satu metode inisialisasi. Kemungkinan lain adalah merata-ratakan
empat atau lima nilai pertama dalam kelompok data, dan menggunakannya sebagai ramalan
pertama.

Walaupun pemulusan (smoothing) eksponensial ini sederhana, namun metode ini pun
mempunyai masalah. Salah satunya adalah dalam menemukan nilai a yang optimal. Apakah
optimasi tersebut untuk meminimumkan MSE, MAPE, atau ukuran lainnya? Misalkan kita ingin
meminimumkan MSE. Tidak seperti nilai tengah (mean), di mana minimisasi ini terjadi setiap
kali dilakukan perhitungan nilai tengah dari sekelompok angka, untuk pemulusan eksponen sial
minimum MSE harus ditentukan melalui cara coba dan salah (trial and error). Suatu nilai a
dipilih, dihitung MSE pada kelompok pengujian, dan kemudian dicoba nilai α yang lain. Lalu
seluruh MSE tersebut dibandingkan untuk menemukan nilai α yang memberikan minimum
MSE. Dalam contoh pada Tabel 3-5, dengan menggunakan periode 2 sampai dengan 11 sebagai
kelompok pengujian,

MSE 3438 bila α =¿ 0,1;

MSE 4347 bila α = 0,4; dan
MSE 5039 bila α =¿ 0,9.
Kisaran nilai MSE yang lebar ini menunjukkan pentingnya peranan dalam menentukan
kesalahan yang dihasilkan. Untuk menemukan nilai α yang mendekati optimal biasanya hanya
memerlukan beberapa percobaan (trial), karena nilai tersebut dapat diperkirakan dengan hanya
membandingkan bebe rapa nilai MSE dan α. Untuk deret data pada Tabel 3-5 dapat dilihat
bahwa MSE tersebut menurun dengan α yang mendekati 0. Kenyataannya,

α = 0,05 memberikan MSE-3301 dan

α = 0,01 memberikan MSE= 3184,

Alasan untuk hal ini adalah bahwa data tersebut hampir bersifat random, sehingga makin kecil
nilai α, maka MSE juga semakin kecil. Dalam perhitungan di atas, α optimum bisa berbeda
bilamana tujuannya adalah meminimumkan MAPE. Diasumsikan juga bahwa horison ramalan
hanya satu periode ke muka. Pembaca yang tertarik akan hal ini harap melihat Dalrymple dan
King (1981) untuk lebih mendalami masalah yang berhubung an dengan horison peramalan.

3/3/2 Pemulusan Eksponensial Tunggal: Pendekatan Adaptif

Metode peramalan SES memerlukan spesifikasi nilai a dan telah ditun jukkan bahwa ukuran
MAPE dan MSE bergantung pada pemilihan ini. Pemu lusan eksponensial tunggal dengan
tingkat respon yang adaptif (ARRSES) memiliki kelebihan yang nyata atas SES dalam hal nilai
α yang dapat berubah secara terkendali, dengan adanya perubahan dalam pola datanya.
Karakteristik ini tampaknya menarik bilamana beberapa ratus atau bahkan ribuan item perlu
diramalkan. ARRSES bersifat adaptif dalam arti bahwa nilai α akan berubah secara otomatis
bilamana terdapat perubahan dalam pola data dasar Sebagai contoh dapat dilihat beberapa kasus
pada Gambar 3-4. Persamaan dasar untuk peramalan dengan metode ARRSES adalah serupa
dengan persamaan (3-19).

Inisialisasi proses ARRSES sedikit lebih rumit daripada SES. Seper telah ditunjukkan (dalam
catatan kaki di halaman sebelumnya pada bagian ini) ARRSES seringkali terlalu responsif
terhadap perubahan dalam pola data Sebagai contoh, untuk pengiriman alat pembuka kaleng
listrik, jika kita mela kukan inisialisasi sebagai berikut:

F 2=¿ X ¿
1

α 2=α 3=α 4= β=0,2 (3-28)

E1=M 1=0

maka ramalan yang menggunakan metode ARRSES adalah seperti ditunjuk kan pada Tabel 3-6.
3/3/3 Pemulusan (Smoothing) Eksponensial Ganda: Metode Linear Satu-Parameter dari
Brown
Dengan cara analogi yang dipakai pada waktu berangkat dari rata-rata bergerak tunggal ke
pemulusan (smoothing) eksponensial tunggal (lihat Bagian 3/3/1) kita dapat juga berangkat dari
rata-rata bergerak ganda ke pemulusas eksponensial ganda. Perpindahan seperti itu mungkin
menarik karena salah satu keterbatasan dari rata-rata bergerak tunggal-yaitu perlunya
menyimpan N nilai terakhir-masih terdapat pada rata-rata bergerak linear, kecuali bahwa jumlah
nilai data yang diperlukan sekarang adalah 2N-1. Pemulusan ekspo nensial linear dapat dihitung
hanya dengan tiga nilai data dan satu nilai untuk a. Pendekatan ini juga memberikan bobot yang
semakin menurun pada obser vasi masa lalu. Dengan alasan ini pemulusan eksponensial linear
lebih disuka daripada rata-rata bergerak linear sebagai suatu metode peramalan dalam ber bagai
kasus utama.

Dasar pemikiran dari pemulusan eksponensial linear dari Brown adalah serupa dengan rata-rata
bergerak linier: karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data yang
sebenarnya bilamana terdapat unsur trend (seperti ditunjukkan pada Gambar 3-10), perbedaan
antara nilai pemu lusan tunggal dan ganda dapat ditambahkan kepada nilai pemulusan tunggal
dan disesuaikan untuk trend. Persamaan yang dipakai dalam implementa pemulusan
eksponensial linear satu-parameter dari Brown ditunjukkan di ba wah ini sebagai persamaan (3-
29) sampai dengan (3-33) dan aplikasinya digam barkan pada Tabel 3-7.

Jenis masalah inisialisasi ini muncul dalam setiap metode pemulusan (smoothing) eksponensial.
Jika parameter pemulusan a tidak mendekati nol, pengaruh dari proses inisialisasi ini dengan
cepat menjadi kurang berarti de ngan berlalunya waktu. Tetapi, jika a mendekati nol, proses
inisialisasi terse but dapat memainkan peranan yang nyata selama periode waktu ke muka yang
panjang.

3/3/4 Pemulusan (Smoothing) Eksponensial Ganda: Metode Dua-Parameter dari Holt

Metode pemulusan eksponensial linear dari Holt dalam prinsipnya serupa dengan Brown kecuali
bahwa Holt tidak menggunakan rumus pemulusan ber ganda secara langsung. Sebagai gantinya,
Holt memuluskan nilai trend dengan parameter yang berbeda dari parameter yang digunakan
pada deret yang asli. Ramalan dari pemulusan eksponensial linear Holt didapat dengan
menggunakan dua konstanta pemulusan (dengan nilai antara 0 dan 1) dan tiga persamaan:
St =α X t +(1−α )(St −1+ bt −1 ) (3-34)

b t=γ ( St −S t −1 ) +(1−γ ) bt−1 (3-35

F t+ m=St + bt m (3-36)

Persamaan (3-34) menyesuaikan St , secara langsung untuk trend periode sebelumnya, yaitu b t−1,
dengan menambahkan nilai pemulusan yang terakhir, yaitu St −1, Hal ini membantu untuk
menghilangkan kelambatan dan menempatkan St , ke dasar perkiraan nilai data saat ini.
Kemudian persamaan (3-35) meremajakan trend, yang ditunjukkan sebagai perbedaan antara dua
nilai pe mulusan yang terakhir. Hal ini tepat karena jika terdapat kecenderungan di dalam data,
nilai yang baru akan lebih tinggi atau lebih rendah daripada nilai yang sebelumnya. Karena
mungkin masih terdapat sedikit kerandoman, maka hal ini dihilangkan oleh pemulusan dengan γ
(gamma) trend pada periode tera khir ( St , - St −1), dan menambahkannya dengan taksiran trend
sebelumnya dikalikan dengan (1−γ). Jadi, persamaan (3-35) serupa dengan bentuk dasar
pemulusan tunggal pada persamaan (3-19) tetapi dipakai untuk meremajakan trend. Akhirnya
persamaan (3-36) digunakan untuk ramalan ke muka yang diramalkan, m, dan ditambahkan pada
nilai dasar, St

Proses inisialisasi untuk pemulusan eksponensial linear dari Holt memer lukan dua taksiran-yang
satu mengambil nilai pemulusan pertama untuk S dan yang lain mengambil trend b,. Yang
pertama adalah mudah. Pilih S₁ = X₁ Taksiran trend kadang-kadang lebih merupakan masalah.
Kita memerlu kan taksiran trend dari satu periode ke periode lainnya. Inilah beberapa ke
mungkinannya:

b₁ = X₂ - X₁,
b₁ = (X₂ - X₁) + (X₂ - X₂) + (X₁ - X₂)/3
b₁ = taksiran kemiringan (slope) bola-mata" (eyeball) setelah data tersebut diplot.
Bila data tersebut berkelakuan baik, hal ini tidak akan banyak menjadi m lah, tetapi data
persediaan pada Tabel 3-8 menunjukkan penurunan (drop) yang dramatis dari periode 3 ke
periode 4. Jika perubahan ini, ( X 4− X 3) dimasukkan dalam taksiran kemiringan awal, maka
sistem peramalan dalam jangka panjang dapat mengatasi pengaruh penurunan nilai yang besar
tersebut bilamana keseluruhan trendnya adalah meningkat.
3/3/5 Pemulusan (Smoothing) Eksponensial Tripel: Metode Kuadratik Satu-Parameter
dari Brown
Sebagaimana halnya dengan pemulusan eksponensial linear yang dapat digunakan untuk
meramalkan data dengan suatu pola trend dasar, bentuk pe mulusan yang lebih tinggi dapat
digunakan bila dasar pola datanya adalah kua dratis, kubik, atau orde yang lebih tinggi. Untuk
berangkat dari pemulusan kuadratis, pendekatan dasarnya adalah memasukkan tingkat
pemulusan tam bahan (smoothing tripel) dan memberlakukan persamaan peramalan kuadratis.
(Demikian pula, kita dapat berangkat dari kuadratis ke kubik dan seterusnya untuk orde
pemulusan yang lebih tinggi.)

Persamaan untuk pemulusan kuadratis adalah

S ' t =α X 1+(1−α ) S ' t −1 (pemulusan pertama) (3-37)

S ' ' ' t =α S ' t +(1−α )S ' ' ' t−1 (pemulusan kedua) (3-38)

S ' ' ' ' t =α S ' ' t +(1−α ) S ' ' ' ' t−1 (pemulusan ketiga) (3-39)

α t=3 S ' t−3 S ' ' t + S ' ' ' ' t (3-40)

α
b t= ¿ (3-41)
2 (1−α )2

α2
ct = ¿ (3-42)
( 1−α )2

1 2
dan F t+ m=α t +b t m+ c t m (3-43)
2

Persamaan yang dibutuhkan untuk pemulusan kuadratis sangat lebih rumit daripada persamaan
untuk pemulusan tunggal dan linear. Walaupun demikian pendekatannya dalam mencoba
menyesuaikan nilai ramalan sehingga ramalan tersebut dapat mengikuti perubahan trend yang
kuadratis adalah sama. Penurunan yang terinci dari persamaan (3-37) sampai dengan (3-43)
diberikan dalam Brown (1963, hal. 140-42).