MAKALAH EKONOMI MANAJERIAL

Dosen Pengampuh:

C Tri Widiastuti,SE, MM

Disusun oleh:

1. Desy Fitrianingsih B.111.20.0057

2. Afreyzal Athillah I B.111.20.0195
3. Fuad Faishal Fakih B.111.20.0230

UNIVERSITAS SEMARANG

TAHUN AJARAN

2022/2023
 DAFTAR ISI

BAB I PENDAHULUAN

a. Latar Belakang………………………………………………………….……………3
b. Rumusan Masalah……………………………………………………………………3
c. Manfaat Masalah…………………………………………………………………….3

BAB II PEMBAHASAN

1. Teknik Penghalusan
2. Metode Barometrik
3. Metode Ekonometrik
4. Contoh kasus

BAB III PENUTUP

a. Kesimpulan………………………………………………………………………….10

DAFTAR PUSTAKA…………………………………………………………...…………..11

2
 BAB I

PENDAHULUAN

A. Latar Belakang
Metode penghalusan eksponensial merupakan salah satu metode peramalan
yang terdiri atas tunggal, ganda dan metode yang lebih rumit. Semuanya memiliki
sifat yang sama yaitu nilai yang baru diberikan bobot yang relative lebih besar
dibandingkan dengan nilai pengamatan 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.

B. Rumusan Masalah
1. Jelaskan mengenai teknik penghalusan?
2. Jelaskan mengenai metode barometrik?
3. Jelaskan mengenai metode ekonometrik?

C. Manfaat Masalah
1. Untuk mengetahui tentang teknik penghalusan
2. Untuk mengetahui tentang metode barometrik
3. Untuk mengetahui tentang metode ekonometrik

3
 BAB II

PEMBAHASAN

1. TEKNIK PENGHALUSAN

Metode Penghalusan Exponensial ( Exponential Smoothing) Penghalusan

eksponensial merupakan suatu teknik peramalan rata-rata bergerak yang melakukan
penimbangan terhadap data masa lalu dengan cara eksponensialm sehingga data
paling akhir mempunyai bobot atau timbangan lebih besar dalam rata-rata bergerak.
Dasar metode penghalusan eksponensial adalah pembodohan sederhana atau
perumusan observasi masa lalu dalam suatu deret berkala untuk memperoleh ramalan
periode yang akan datang.

Metode-metode lain untuk peramalan sederhana adalah teknik penghalusan

(moon Lectriques) Teknik itu meramalkan suatu deret-waktu atas dasar beberapa rata-
rata diri na nilainya yang lalu saja. Teknik penghalusan bermanfaat apabila derer-
waktu memjukka sedikit tren atat variasi musiman tetapi memperlihatkan banyak
variasi tak teru acak. Variasi tak teratur atau acak di dalam deret-waktu kemudian
diperhalus, dan nail yang akan datang diramalkan berdasarkan rata-rata dari
pengamatan-pengamatan yang lalu Dalam bagian itu kita membalus dua teknik
penghalusan rata-rata bergerak dan penghala eksponensial

Rata-rata Bergerak

Teknik penghalusan yang paling sederhana adalah rata-ratu bergerakt (moving

average) D sini nilai yang diramalkan dar, suatu deret-waktu dalam periode tertentu
(bulan, kuartal that deb) sama dengan nilai rata-rata dari deret waku dalam sejumlah
periode terdahulu. Misaya dengan rata-rata bergerak tiga periode, ailai dari deret
waktu yang diramalkan untuk per berikutnya ditentukan oleli nilai rata-rata dari deret
waktu dalam tiga periode sebelumny Begitu juga, dengan rata-rata bergerak lima
periode, ramalan untuk periode berikutnya ad sama dengan rata-rata taruk lima
periode terdahulu, dan seterusnya. Semakin besar ju periode yang digunakan dalam
rata-rata bergerak, semakin besar pula efek penghalusan k tiap pengamatan baru
mendapatkan bobot yang lebih kecil. Lai semakin bermanfaa deret waktu semakin tak
teratur atau acak.Keuntungan utama metode ini ialah biaya yang digunakan relatif

4
 rendah, dalam penerapan kecepatannya dapat di terima. Karakteristik ini membuat
menarik terutama bila ingin meramalkan sejumlah besat item, seperti dalam kasus
inventori dan bilaman jangka waktu relatif pendek (kurang dari 12 periode
peramalan). Metode penghalusan eksponensial merupakan pengembangan dari
metode moving average.

Dalam metode ini, peramalan dilakukan dengan mengulang perhitungan

secara terus-menerus dengan menggunakan data terbaru.

Metode penghalusan eksponensial teridiri atas :

1. Metode Penghalusan Eksponensial Orde Satu (Single Exponential

Smoothing)Metode penghalusan eksponensial orde satu sebenarnya merupakan
perkembangan dari metode rata-rata bergerak. Digunakan untuk data runtut
16waktu yang mengikuti pola stasioner. Jika data dari t pengamatan makanilai
ramalan pada waktu t+1 adalah[2]:

𝑆𝑡+1 =𝑋1+𝑋𝑡−1+⋯+𝑋𝑡−𝑛+1𝑛. (1)

𝑆𝑡 =𝑋𝑡−1+𝑋𝑡−2+⋯+𝑋𝑡−𝑛𝑛. (2)

Dengan melihat hubungan diatas bila 𝑆𝑡 diketahui, maka nilai 𝑆𝑡+1 dapat dicari
berdasarkan 𝑆𝑡.

𝑆𝑡+1 =𝑋𝑡𝑛+ 𝑆𝑡 −𝑋𝑡−𝑛𝑛 (3)

Bila 𝑋𝑡−𝑛𝑛diganti dengan nilai peramalan pada t yaitu 𝑆𝑡 maka persamaannya diatas
menjadi:

𝑆𝑡+1 =1𝑛𝑋𝑡 + (1 − 1𝑛)𝑡. (4)

1𝑛= 𝛼 sehingga persamaan diatas menjadi

𝑆𝑡+1 = 𝛼𝑋𝑡 + (1 − 𝛼)𝑡. (5)

Dengan :

𝑆𝑡+1 = nilai peramalan ke t+1

𝑋𝑡 = data aktual ke t

= alpha dengan nilai antara 0 sampai 1

5
𝑆𝑡 = nilai peramalan ke t

2. Metode Penghalusan Eksponensial Orde Dua (Double Exponential

Smoothing)Metode ini merupakan model linier. Model ini sesuai jika data yang
dimaksutd menunjukkan sifat tren. Dalam metode penghalusan eksponensial orde
dua dilakukan proses penghalusan 2 (dua) kali, yaitu

[2]:′ = 𝛼𝑋𝑡 + (1 − 𝛼) 𝑡−1′. (6)

17′′ = 𝛼𝑆 𝑡′ + (1 − 𝛼)𝑆 𝑡−1′′ (7)

𝑆 𝑡′ − 𝑆 𝑡′′. (8)

𝑎𝑡 = 2 𝑏𝑡 =𝑎1−𝑎(𝑆 𝑡′ − 𝑆 𝑡′′ ). (9)

𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡𝑚 (10)

Dengan:

𝑋𝑡 = data aktual dari periode ke-t ′

S'' t= nilai pemulusan tunggal

S′′ = nilai pemulusan ganda

a 𝑡= nilai permintaan aktual periode sebelumnya

𝑏𝑡= nilai pemulusan trend

𝐹1+𝑚= nilai peramalan di perode berikutnya.

m = jangka waktu ke depan yaitu untuk beberapa periode yang akan datang.

3. Metode Penghalusan Eksponensial Orde Tiga (Triple Exponential

Smoothing)Metode ini cocok digunakan untuk meramalkan hal yang berfluktuasi
atau mengalami gelombang pasang surut, masudnya kenaikan atau penurunan
jumlah data tersebut biasanya terjadi secara tiba-tiba dan sukar diprediksi.

Dalam metode penghalusan eksponensial orde tiga dilakukan penghalusan sebanyak 3

(tiga) kali, yaitu[2]: 𝑆 ′ 𝑡 = 𝛼𝑋𝑡 + (1 − 𝛼)𝑆 𝑡−1′ (6)

𝑆 ′′ 𝑡 = 𝛼𝑋𝑡 + (1 − 𝛼) 𝑡−1′′ (7)

𝑆′′′ 𝑡-1 = 𝛼𝑆 𝑡′′′ + (1 − 𝛼)𝑆 ′′′ 𝑡−1 (11)

6
 a 𝑡′ − 3𝑆 ′′ 𝑡+ 𝑆 ′′′𝑡 (12)

Sehingga dapat diramalkan dengan rumus sebagai berikut :

𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡𝑚 + 12𝑐𝑡𝑚2

Dengan:

𝑋𝑡 = data aktual dari periode ke-t

S′t = nilai pemulusan tunggal

𝑆′′𝑡= nilai pemulusan ganda

𝑆′′′ 𝑡 = nilai pemulusan triple

𝑎𝑡= nilai permintaan aktual periode sebelumnya

𝑏𝑡= nilai pemulusan trend

𝑐𝑡= nilai pemulusan musiman

𝐹1+𝑚= nilai peramalan di perode berikutnya.

m = jangka waktu ke depan yaitu untuk beberapa periode yang akan datang

2. Metode Barometrik

Metode Barometrik adalah salah satu cara untuk meramalkan mengantisipasi

perubahan jangka pendek dalam aktivitas ekonomi atau titik balik dalam siklus bisnis
adalah dengan menggunakan indeks dari indikator-indikator utama. Ini adalah deret
waktu yang cenderung mengawali (mendahului) perubahan dalam tingkat aktivitas
ekonomi secara umum, seperti perubahan dalam merkuriyang ada dalam suatu
barometer yang mendahului perubahan kondisi cuaca (sehingga dinamakan metode
barometrik). Peramalan barometric (barometric forecasting ) seperti yangdilakukan
sekarang merupakan hasil kerja yang dilakukan oleh NBER (National Bureau of
Economic Research) dan Conference Board. Peningkatan dalam indicator ekonomi
utama (leading economic indicators) digunakan untuk meramalkan peningkatan dalam
aktivitas bisnis secara umum, dan sebaliknya. Sebagai contoh, peningkatan dalam izin
membangun dapat dipakai untuk meramalkan peningkatan dalam konstruksi
perumahan. Tidak sejelas yang tadi tapi sangat penting dalam peningkatan saham

7
secara umum mendahului (yaitu, merupakan indikator utama dari) kenaikan dalam
aktivitas bisnis dan yang lainnya bahwa tingkat laba akan meningkat.
Pada sisi yang lain, penurunan kontrak untuk pabrik dan perlengkapan
biasanya mendahului penurunan dalam aktivitas ekonomi secara umum. Jadi,
indikator-indikator utama ini digunakan untuk meramalkan titik belok dalam siklus.
Beberapa deret waktu bergerak sejalan atau berhubungan dengan pergerakan dalam
aktivitas ekonomi secara umum dan kemudian disebut sebagai indikator koinsiden
(coincident indication). Tetapi yang lainnya mengikuti adanya gerakan yang terlambat
dalam aktivitas ekonomi sering kali disebut sebagai indikator terlambat (lagging
indicators). Indeks gabungan (composite indexes) untuk menghaluskan variasi acak
kita dan menyediakan ramalan yang lebih dapat dipercaya dan lebih sedikit tanda-
tanda yang salah dibandingkan dengan indikator individu.
Metode lainnya untuk mengatasi kesulitan yang timbul pada saat beberapa dari
10 indikator utama bergerak naik dan beberapa turun adalah indeks difusi (diffusion
index). Disamping mengombinasikan ke-10 indikator utama menjadi indeks
gabungan, indeks difusi memberikan persentase dari ke-10 indikator utama yang
bergerak naik. Jika ke-10nya bergerak naik, indeks difusi sama dengan 100. Dan jika
semuanya turun, maka nilainya 0. Secara umum, peramalan barometrik lebih
menggunakan indeks gabungan dan difusi dibandingkan denga indeks individu,
kecuali jika perusahaan mencari informasi tentang perubahan yang diantisipasi dalam
pasar untuk barang atau jasa yang spesifik.
Walaupun indeks gabungan dan difusi dari indikator utama merupakan alat
yang cukup bagus untuk meramalkan titik belok dalam siklus bisnis, mereka
mempunyai beberapa keterbatasan. Salah satunya adalah bahwa dalam beberapa
kesempatan mereka turut meramalkan resesi yang ternyata tidak terjadi. " Variabilitas
dalam waktu yang mendahului juga layak dherimbangkan. Lebih penting lagi,
peramalan barometrik memberikan indikasi yang sangat sedikit atau bahkan tidak
sama sekali tentang besarnya perubahan yang diramalkan dalam tingkat aktivitas
ekonomi (hanya menyediakan peramalan kualitatif dari titik belok). Jadi, peramalan
barometrik adalah superior terhadap analisis deret-waktu dan teknik penghalusan
(metode yang naif) dalam peramalan titik belok jangka pendek dari aktivitas ekonomi,
metode ini tetap harus digunakan bersama-sama dengan metode yang lainnya.

8
3. Metode Ekonometrika

Pengukuran ekonomi atau ekonometrika merupakan pengukuran ilmiah sehingga

untuk melakukan pengukuran ekonomi atau menganalisis masalah ekonomi harus didasarkan
pada metode ilmiah. Metodologi ekonometrika merupakan tahapan yang harus dilalui untuk
melakukan analisis terhadap fenomena ekonomi secara ilmiah. Tahapan pada metodologi
ekonometrika adalah sebagai berikut:

1. Peryataan teori atau hipotesis

Teori Keynesian berkaitan dengan konsumsi, menyatakan bahwa orang (baik wanita
maupun pria) akan meningkatkan konsumsinya seiring dengan meningkatnya pendapatan,
tetapi peningkatan konsumsi tersebut tidaklah sebesar peningkatan pendapatan mereka.

Keynes mempostulasikan bahwa MPC (Marginal Proipensity to Consume) merupakan

tingkat perubahan konsumsi karena adanya perubahan satu unit pendapatan. Nilai MPC lebih
dari nol, tetapi lebih kecil dari Satu.

2. Spesifikasi model matematis berdasarkan teori

Meskipun Keynes telah menjelaskan adannya hubungan positif antara pendapatan

dengan konsumsi, tetapi Keynes belum menspessifikasikannya dalam model matematis
sehingga ahli matematika membuat spesifikasi matematik berdasarkan teori Keynessian
sebagai berikut:

Y = β1 + β2X dimana 0 < β2 < 1

Keterangan:

Y = Konsumsi

X = Pendapatan

β1 = Konstanta

β2 = Slope

9
 model ekonometrika setidaknya terdiri dari dua golongan variable, yaitu variable
terikat (dependent) yang berada pada sebelah kiri tanda persamaan, dan variable bebas
(independent) yang berada di sebelah kanan tanda persamaan. Konsumsi (Y)
merupakan variable tergantung, sedangkan pendapatan (X) merupakan variable bebas.
Jumlah variable bebas tidak harus satu, tetapi lebih dari satu.

3. Spesifikasi model ekonometrik berdasarkan teori.

Model matematika mengasumsikan bahwa terdapat hubungan pasti antara

pendapatan dan konsumsi, atau hubugan deterministic. Pada hubungan antar variable
ekonomi, suatu variable tergantung tidak hanya dipengaruhi oleh satu variable brbas saja,
tetapi juga dipengaruhi oleh beberapa variable lain. Konsumsi tidak hanya dipengaruhi
oleh pendapatan, tetapi juga dipengaruhi olej jumlah anggota keluarga, umur dan gaya
hidup. Untuk mengakomodasi variable yang tidak diteliti maka fungsi matematik itu
diubah menjadi fungsi statistic sebagai berikut:

Y = β1 + β2X + µ

Dimana µ merupakan disturbance atau error, yang menggambarkan semua

variable yang dapat memengaruhi konsumsi (Y) tetapi tidak dipertimbangkan atau tidak
dimasukkan dalam model.

4. Mendapatkan data.

Untuk membuat estimasi maka diperlukan data. Sumber data dapat berasal dari
data primer maupun data sekunder. Data primer adalah data yang dikumpulkan sendiri
oleh peneliti, langsung dari sumber pertama, sedangkan data sekunder adalah data yang
diterbitkan atau digunakan oleh organisasi yang bukan pengolahnya.

Pengambilan data dapat dilakukan secara cross section maupun time series. Data
cross section adalah data yang dikumpulkan pada satu waktu tertentu pada beberapa
obyek dengan tujuan untuk menggambarkan keadaan, sedangkan data time series adalah
data yang dikumpulkan dari waktu ke waktu pada satu obyek dengan tujuan untuk
menggambarkan perkembangan. Berikut ini adalah data yang dikumpulkan secara time
series dengan periode pengamatan tahun 2000 sampai dengan tahun 2012.

10
Table 1.1: Tabel Konsumsi dan Pendapatan (dalam milyar rupiah)

NO Tahun Y (Konsumsi) X (Pendapatan)

1 2000 24 37
2 2001 25 38
3 2002 25 37
4 2003 26 39
5 2004 27 41
6 2005 28 43
7 2006 29 44
8 2007 30 45
9 2008 31 47
10 2009 32 48
11 2010 33 49
12 2011 32 50
13 2012 35 55

5. Estimasi parameter dari model ekonometrika.

Setelah data dikumpulkan,langkah berikutnya adalah melakukan estimasi

terhadap parameter fungsi konsumsi. Dengan menggunakan alat analisis regresi maka
diperoleh persamaan berikut:

Ŷ = 1,870 + 0,616 X

t = 22,150 R2 = 0,978

Sig. 0,000

Ŷ merupakan nilai estimasi konsumsi berdasarkan persamaan regresi dengan

menggunakan data pengamatan tahun 2000 sampai dengan 2012. Angka 1,870
merupakan intercept atau konstanta, yang berarti bahwa jika pendapatan sebesar 0
maka rata-rata konsumsi akan sebesar 1,870. Angka 0,616 merupakan slope yang

11
 berarti jika rata-rata pendapatan naik sebesar 1 milyar rupiah maka rata-rata konsumsi
akan naik sebesar 0,616 milyar rupiah. R2 sebesar 0,978 merupakan koefisien
determinasi, artinya variasi perubahan konsumsi 97,8 persen ditentukan oleh variasi
perubahan pendapatan, sedangkan sisanya dipengaruhi oleh variasi variable lain yang
diteliti.

6. Pengujian hipotesis

Pengambilan data dilakukan secara sampling sehingga untuk menguji

keberartian koefisien regresi itu perlu dilakukan pengujian secara statistic. Pada
persamaan diatas diperoleh nilai t hitung sebesar 22,150, sedangkan niai t table
dengan df = (0,05;11) sebesar 1,796 dan nilai sig. 0,000. Karena nilai t hitung
(22,150) > t table (1,976) atau nilai sig. (0,000) < alpha (0,05) maka hipotesis
meyatakan semakin tinggi pendapatan, semakin tinggi konsumsi diterima.

7. Peramalan atau prediksi

Berdasarkan persamaan yang diperoleh pada estimasi parameter, persamaan
tersebut dapat digunakan sebagai dasar untuk membuat prediksi. Jika pendapatan
sebesar 50 maka besarnya konsumsi dapat diprediksi sebagai berikut:
Ŷ = 1,870 + 0,616 X
Ŷ = 1,870 + 0,616 (50)
Ŷ = 32,67
8. Penggunaan model untuk tujuan kebijakan
Setelah model didapatkan maka model tersebut dapat digunakan sebagai dasar
untuk merumuskan kebijakan. Misalkan, jika pengeluaran 40 milyar maka akan
mengurangi pengangguran 4 persen. Berapa tingkat pendapatan yang diperlukan
untuk mencapai target pengeluaran 40 milyar?
40 = 1,870 + 0,616 X
0,616 X = 40 – 1,870
X = 38,130/0,616
X = 61,899
Dengan demikian jika pemerintah hendak mengurangi pengangguran sampai 4 persen,
pemerintah harus mendorong pendapatan hingga mencapai 61,899 milyar. Oleh sebab
itu untuk mengurangi pengangguran sebesar 4 persen, pemerintah dapat merumuskan

12
 kebijakan untuk meningkatkan pendapatan sehingga pada gilirannya dapat
mengurangi pengagngguran.

 Jenis-jenis Ekonometrika

Pada dasarnya ekonometrika dapat dikelompokan menjadi dua, yaitu:

- Ekonometrika teoretis

Ekonometrika teoretis (theoretical econometrics) berkenaan dengan

pengembangan metode-metode pengukuran yang cocok untuk untuk mengukur hubungan
ekonomi dengan menggunakan model ekonometrika.

- Ekonometrika terapan

Ekonometrika terapan (applied econometrics) penggunaan metode ekonometrika

yang telah lebih dulu dikembangkan atau dihasilkan oleh ekonometrika teoritis.

4. Contoh Kasus dan Analisis

Menjadi sebuah tantangan tersendiri bagi PDAM seluruh Indonesia untuk terus
mencukupi jumlah permintaan ketersediaan air bersih, tak terkecuali PDAM Kota
Malang. Prediksi yang dilakukan pada penelitian ini menggunakan metode
Exponential Smoothing. Exponential Smoothing merupakan metode yang secara
terus menerus melakukan perbaikan peramalan dengan mengambil nilai rata-rata
penghalusan (smoothing) nilai masa lalu dari suatu data runtut waktu dengan cara
menurun (exponential). Pada penelitian ini dibandingkan 3 metode Exponential
Smoothing, yaitu: Single Exponential Smoothing (SES), Double Exponential
Smoothing (DES), dan Triple Exponential Smoothing (TES) yang digunakan
untuk mendapatkan hasil prediksi dan melakukan evaluasi hasil prediksi dengan
metode Mean Absolute Percentage Error (MAPE). MAPE terkecil didapatkan
pada saat menggunakan metode Single Exponential Smoothing (SES) pada saat
nilai ɑ = 0,2 dengan nilai MAPE sebesar 3,992, metode Double Exponential
Smoothing (DES) pada saat nilai ɑ = 0,1 dengan nilai MAPE sebesar 4,932, dan
metode Triple Exponential Smoothing (TES) pada saat nilai ɑ = 0,1, β = 0,1, dan γ
= 0,6 dengan nilai MAPE sebesar 6,733. Dengan nilai MAPE dibawah 10, maka

13
 metode Exponential Smoothing untuk prediksi jumlah kebutuhan air termasuk
kedalam kategori sangat baik.

Analisis :

A. MAPE Single Exponential Smoothing

Pengujian MAPE dilakukan dengan cara membandingkan selisih nilai prediksi
dengan nilai aktual. MAPE dihitung sebagai rata-rata diferensiasi absolut antara
nilai yang diramal dan aktual, dinyatakan sebagai presentase nilai aktual. Hasil
pengujian MAPE Single Exponential Smoothing dapat dilihat pada Tabel 2.

Tabel 2 MAPE Single Exponential Smoothing

Parameter MAPE
ɑ= 0,1 4,908
ɑ= 0,2 3,992
ɑ= 0,3 4,233
ɑ= 0,4 4,508
ɑ= 0,5 4,642
ɑ= 0,6 4,658
ɑ= 0,7 4,975
ɑ= 0,8 5,333
ɑ= 0,9 5,658

Pada pengujian MAPE Single Exponential Smoothing, MAPE terkecil didapatkan

saat ɑ= 0,2 dengan nilai MAPE sebesar 3,992 dan nilai MAPE terbesar didapatkan
saat ɑ = 0,9 dengan nilai MAPE sebesar 5,658. Dengan demikian parameter
terbaik untuk peramalan Single Exponential Smoothing adalah pada saat ɑ = 0,2.

B. MAPE Double Exponential Smoothing

Hasil pengujian MAPE Double Exponential Smoothing dapat dilihat pada Tabel 3.
Tabel 3 MAPE Double Exponential Smoothing

Parameter MAPE
ɑ= 0,1 4,925
ɑ= 0,2 10,667
ɑ= 0,3 18,358
ɑ= 0,4 27,233
ɑ= 0,5 36,292

14
 ɑ= 0,6 44,375
ɑ= 0,7 50,508
ɑ= 0,8 54,017
ɑ= 0,9 54,408

Pada pengujian MAPE Double Exponential Smoothing, MAPE terkecil didapatkan

saat ɑ = 0,1 dengan nilai MAPE sebesar 4,925 dan nilai MAPE terbesar didapatkan
saat ɑ = 0,9 dengan nilai MAPE sebesar 54,408. Dengan demikian parameter
terbaik untuk peramalan Double Exponential Smoothing adalah pada saat ɑ = 0,1.

1.1.1.1

1.1.1.2

1.1.1.3

1.1.1.4

1.1.1.5

C. MAPE Triple Exponential Smoothing

Hasil pengujian MAPE Triple Exponential Smoothing dapat dilihat pada
Tabel 4.
Tabel 4 MAPE Triple Exponential Smoothing

Parameter MAPE
β = 0,1, γ=0,1 α=0,1 800.47
α=0,3 89.325
α=0,6 47.417
α=0,9 55.992
α=0,1, γ=0,1 β = 0,3 245.95
β = 0,6 158.02
β = 0,9 69.17
α = 0,1, β = 0,1 γ = 0,3 14.583
γ = 0,6 6.733
γ = 0,9 7.333

Pada pengujian MAPE Triple Exponential Smoothing dilakukan dengan melakukan

perubahan terhadap parameter ɑ, β, dan γ untuk mengetahui pengaruh jika nilai parameter
itu di ubah, MAPE terkecil didapatkan saat ɑ = 0,1, β = 0,1, dan γ = 0,6 dengan nilai MAPE
sebesar 6,733 dan nilai MAPE terbesar didapatkan saat ɑ = 0,1, β = 0,1, dan γ = 0,1 dengan
nilai MAPE sebesar 800,47. Dengan demikian parameter terbaik untuk peramalan Triple
Exponential Smoothing adalah pada saat ɑ = 0,1, β = 0,1, dan γ = 0,6 dengan nilai MAPE
sebesar 6,733. Dan dari hasil beberapa pengujian yang telah dilakukan, maka ditarik
kesimpulan bahwa ketika nilai ɑ, β yang di buat konstan dengan nilai 0,1 memiliki nilai
MAPE yang lebih kecil dibandingkan ketika β, γ maupun ɑ, γ yang dibuat konstan.

15
16
 BAB III

PENUTUP

A. Kesimpulan

Penghalusan eksponensial merupakan suatu teknik peramalan rata-rata bergerak yang

melakukan penimbangan terhadap data masa lalu dengan cara eksponensialm
sehingga data paling akhir mempunyai bobot atau timbangan lebih besar dalam rata-
rata bergerak. Dasar metode penghalusan eksponensial adalah pembodohan sederhana
atau perumusan observasi masa lalu dalam suatu deret berkala untuk memperoleh
ramalan periode yang akan datang. Keuntungan utama metode ini ialah biaya yang
digunakan relatif rendah, dalam penerapan kecepatannya dapat di terima.
Karakteristik ini membuat menarik terutama bila ingin meramalkan sejumlah besat
item, seperti dalam kasus inventori dan bilaman jangka waktu relatif pendek (kurang
dari 12 periode peramalan). Metode penghalusan eksponensial merupakan
pengembangan dari metode moving average. Dalam metode ini, peramalan dilakukan
dengan mengulang perhitungan secara terus-menerus dengan menggunakan data
terbaru.

17
 DAFTAR PUSTAKA

Salvator Dominic 2011. Marginal Economics ( Ekonomi Manajerial perekonomian

global ). Jakarta :Salemba Empa.

https://eprints.umm.ac.id/39285/3/BAB%20II.pdf

https://arenastatistics.wordpress.com/2016/02/10/metodologi-ekonometrika

18