SMOOTHING METHODS
Smoothing Methods
• Metode penghalusan (smoothing methods) adalah sekumpulan metode
peramalan yang menggunakan rata-rata dari observasi masa lampau untuk
memprediksi masa depan
• Smoothing bertujuan untuk mengurangi komponen irregular (noise)
sehingga komponen tren, musiman, dan siklus lebih mudah diketahui
• Secara umum, metode penghalusan terbagi menjadi 2, yaitu averaging
methods dan exponential smoothing methods
• Meskipun demikian, metode naif juga akan didiskusikan sebagai
perbandingan
Metode Naif
Metode peramalan dengan asumsi bahwa periode saat ini merupakan
prediktor terbaik untuk masa depan
𝑌𝑡+1 = 𝑌𝑡 → formula untuk data stasioner
𝑌𝑡+1 = 𝑌𝑡 + 𝑌𝑡 − 𝑌𝑡−1
formula untuk data
𝑌𝑡+1 = 𝑌𝑡
𝑌𝑡 dengan trend
𝑌𝑡−1
3
Tahun Kuartal t Penjualan For Better Official Statistics
1 1 500
2 2 350
2000
3 3 250
4 4 400
1 5 450
2 6 350 900
2001
3 7 200
800
4 8 300
1 9 350 700
2 10 200
2002
3 11 150 600
4 12 400
500
1 13 550
2 14 350 400
2003
3 15 250
4 16 550 300
1 17 550
200
2004
2 18 400 Plot data
3 19 350
4 20 600
time series 100
0
1 21 750 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
2 22 500 2000 2001 2002 2003 2004 2005 2006
2005
3 23 400
4 24 650
1 25 850
2 26 600
2006
3 27 450
4 28 700
4
For Better Official Statistics
𝑌𝑡−1
Tahun Kuartal t 𝑌𝑡 𝑌𝑡−1 𝑡 𝑌𝑡 −1 + 𝑌𝑡−1 − 𝑌𝑡− 𝑡 𝑌𝑡−1 𝑡
𝑌𝑡−𝑠 𝑡
𝑌𝑡−
1 1 500
2 2 350 500 -150
2000
3 3 250 350 -100 200 50 245 5
4 4 400 250 150 150 250 179 221
1 5 450 400 50 550 -100 640 -190 500 -50
2 6 350 450 -100 500 -150 506 -156 350 0
2001
3 7 200 350 -150 250 -50 272 -72 250 -50
4 8 300 200 100 50 250 114 186 400 -100
Contoh data 1 9 350 300 50 400 -50 450 -100 450 -100
penjualan 2002
2
3
10
11
200
150
350
200
-150
-50
400
50
-200
100
408
114
-208
36
350
200
-150
-50
menurut 4 12 400 150 250 100 300 113 288 300 100
1 13 550 400 150 650 -100 1067 -517 350 200
kuartal, 2 14 350 550 -200 700 -350 756 -406 200 150
2003
mana 3 15 250 350 -100 150 100 223 27 150 100
4 16 550 250 300 150 400 179 371 400 150
peramalan 1 17 550 550 0 850 -300 1210 -660 550 0
yang paling 2004
2
3
18
19
400
350
550
400
-150
-50
550
250
-150
100
550
291
-150
59
350
250
50
100
akurat? 4 20 600 350 250 300 300 306 294 550 50
1 21 750 600 150 850 -100 1029 -279 550 200
2 22 500 750 -250 900 -400 938 -438 400 100
2005
3 23 400 500 -100 250 150 333 67 350 50
4 24 650 400 250 300 350 320 330 600 50
1 25 850 650 200 900 -50 1056 -206 750 100
2 26 600 850 -250 1050 -450 1112 -512 500 100
2006
3 27 450 600 -150 350 100 424 26 400 50
4 28 700 450 250 300 400 338 363 650 50
2007 1 29 700 950 1089 850
5
For Better Official Statistics
1400
1200
1000
Contoh data
800 penjualan
menurut
600
kuartal,
mana
400
peramalan
yang paling
200
akurat?
0
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1
2000 2001 2002 2003 2004 2005 2006 2007
Aktual Naïve 1 Naïve 2 Naïve 3 Naïve 4
1200
1000
Contoh data
800 penjualan
menurut
600
kuartal,
mana
400
peramalan
yang paling
200
akurat?
0
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1
2000 2001 2002 2003 2004 2005 2006 2007
Aktual Naïve 1 Naïve 2 Naïve 3 Naïve 4
9
For Better Official Statistics
Nilai
Tahun Bulan t MA-3 MA-5
Penjualan
Jan 1 266 Note that the number
Feb 2 145,9 198,3 of data points in each
Mar 3 183,1 149,4 178,92 average remains
Apr 4 119,3 160,9 159,42 constant and is
Mei 5 180,3 156,0 176,6 centered on the
Jun 6 168,5 193,5 184,88 observation for which
2018
Jul 7 231,8 208,3 199,58 the trend-cycle
Agt 8 224,5 216,4 188,1 estimate is computed.
Sep 9 192,8 180,1 221,7
Okt 10 122,9 217,4 212,52
Nov 11 336,5 215,1 206,48
Des 12 185,9 238,9 197,82
Jan 13 194,3 176,6
2019
Feb 14 149,5
10
For Better Official Statistics
The number of
points included in
a moving average
affects the
smoothness of
the resulting
estimate
11
Metode Rata-rata (2) For Better Official Statistics
𝑎𝑡 = 𝑀𝑡 + 𝑀𝑡 − 𝑀′ 𝑡 = 2𝑀𝑡 − 𝑀′ 𝑡
2
𝑏𝑡 = 𝑀𝑡 − 𝑀′ 𝑡
𝑘−1
MSE= 63,7
• Metode naif mengasumsikan bahwa observasi terbaru adalah yang paling penting dan
semua observasi sebelumnya tidak memberikan informasi tentang masa depan
• Metode rata-rata mengasumsikan semua observasi sama pentingnya, dan memberikan
penimbang yang sama untuk setiap observasi dalam menghasilkan ramalan
• Exponential Smoothing Methods memberikan penimbang yang lebih besar kepada
obervasi terbaru dibandingkan masa lalu yang jauh
• Dalam Exponential Smoothing Methods, ramalan dihitung dengan rata-rata tertimbang di
mana penimbang turun secara eksponensial karena observasi yang lebih lampau
(penimbang terkecil diberikan kepada observasi yang paling lama)
• Metode ini sering kali sesuai untuk data yang tidak dapat diprediksi tren kenaikan atau
penurunannya
• Metode ini cocok untuk meramalkan data dengan pola trend dan seasonal yang tidak jelas
• Persamaan single exponential smoothing dapat dituliskan sebagai berikut:
𝑌𝑡+1 = 𝛼𝑌𝑡 + 1 − 𝛼 𝑌𝑡 , dengan 0 < α < 1
• Parameter α diestimasi dengan meminimumkan MSE menggunakan optimasi numerik (non-linear
minimisation problem)
• Untuk α yang berkisar antara 0 dan 1, penimbang yang diberikan kepada observasi-observasi
menurun secara eksponensial saat kita kembali ke masa lalu, makanya dinamakan “exponential
smoothing”
• Jika nilai 𝛼 kecil (misalkan mendekati 0), penimbang diberikan lebih besar diberikan kepada
observasi yang lebih lampau
• Jika nilai 𝛼 besar (misalkan mendekati 1), penimbang diberikan lebih besar kepada observasi yang
lebih terkini
• Pada kasus yang ekstrim di mana 𝛼 = 1, ramalan single exponential smoothing sama dengan
metode naif
700
600
500
400 → α = 0,1
300
200
100
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Aktual Y_cap1
800
700
600
500
400
→ α = 0,6
300
200
100
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Aktual Y_cap2
21
Holt’s Exponential Smoothing For Better Official Statistics
𝑇𝑡 = 𝛽 𝐿𝑡 − 𝐿𝑡−1 + 1 − 𝛽 𝑇𝑡−1
𝑇 = 1 𝐿 − 𝐿 −1 + 1 − 1 𝑇 −1
𝑇 = 1 455 − 5 + 9
𝑇 = −4 5
𝑌𝑡+𝑝 = 𝐿𝑡 + 𝑝𝑇𝑡
𝑌 +1 = 𝐿 + 1𝑇
𝑌3 = 455 + 1 −4 5
𝑌3 = 45 5
3 = 𝑌3 − 𝑌3 = 25 − 45 5 = −2 5
There are two variations to this method that differ in the nature of the seasonal
component.
• The additive method is preferred when the seasonal variations are roughly
constant through the series, while the multiplicative method is preferred when the
seasonal variations are changing proportional to the level of the series.
• With the additive method, the seasonal component is expressed in absolute terms
in the scale of the observed series, and in the level equation the series is seasonally
adjusted by subtracting the seasonal component. Within each year, the seasonal
component will add up to approximately zero.
• With the multiplicative method, the seasonal component is expressed in relative
terms (percentages), and the series is seasonally adjusted by dividing through by
the seasonal component. Within each year, the seasonal component will sum up to
approximately the frequency of the seasonality
800
700
600
500
400
300
200
100
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
30
For Better Official Statistics
𝑌4
𝐿 4 = 4 + 1− 4 𝐿 4−1 +𝑇 4−1
𝑆 4−4
5
𝐿 4 = 4 + 5 1 28 + 9 148
1 39 28
𝐿 4 = 492 4 9
𝑇 4 = 1 𝐿 4 − 𝐿 4−1 + 1 − 1 𝑇 4−1
𝑇 4 = 1 492 4 9 − 5 1 28 + 9 9,148)
𝑇 4 = 7 352
31
For Better Official Statistics
𝐿 4 = 492 4 9
𝑇 4 = 7 352
𝑌4
𝑆 4 = 3 + 1− 3 𝑆 4−4
𝐿 4
650
𝑆 4 = 3 + 7 1,39628)
49 469
𝑆 4 = 1,3734
𝑌 4+1 = 𝐿 4 − 1𝑇 4 𝑆 4−4+1
𝑌 5 = 492 4 9 − 1 7 352 1 55 9 = 778 17
MSE = ??
Mana metode yang lebih baik ??
32
For Better Official Statistics
Data vs Methods
Y Y Y
Holt’s Trend
Single
Corrected
Exponential Holt-Winters Use Other
Exponential
Smoothing Methods Methods
Smoothing
Method
Method
34
TERIMA KASIH