FORECASTING THE

EKSPONENTIAL SMOOTHING
METHODS
 Peramalan dengan Exponential Smoothing
(Penghalusan Eksponensial)
• Exponential smoothing atau dalam bahasa Indonesia disebut dengan
Penghalusan Eksponensial adalah suatu metode peramalan rata-rata bergerak
(moving Average)yang memberikan bobot secara eksponensial atau bertingkat
pada data-data terbarunya sehingga data-data terbaru tersebut akan
mendapatkan bobot yang lebih besar.
• Dengan kata lain, semakin baru atau semakin kini datanya, semakin besar pula
bobotnya.
• Hal ini dikarenakan data yang terbaru dianggap lebih relavan sehingga
diberikan bobot yang lebih besar.
• Parameter penghalusan (smoothing) biasanya dilambangkan dengan α (alpha).
Berikut ini adalah beberapa definisi ataupun pengertian
Exponential Smoothing (Penghalusan Bertingkat) :

• Menurut Render dan Heizer (2005),

Penghalusan exponential adalah teknik peramalan rata-rata bergerak dengan pembobotan
dimana data diberi bobot oleh sebuah fungsi exponential.

• Menurut Trihendradi (2005),

Analisis exponential smoothing merupakan salah satu analisis deret waktu,
dan merupakan metode peramalan dengan memberi nilai pembobot pada serangkaian pengamatan
sebelumnya untuk memprediksi nilai masa depan.

• Menurut T. Hani Handoko (2011), 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
Cara Menghitung Exponential Smoothing
Peramalan dengan Exponential Smoothing atau Metode Penghalusan
Eksponensial ini cukup mudah, yaitu dengan memasukan prakiraan permintaan
sekarang dengan data permintaan nyata atau data permintaan aktual ke dalam
rumus Exponential Smoothing.

Rumus Exponential Smoothing (Penghalusan Eksponensial)

Ft = Ft – 1 + (Dt-1 – Ft-1)
Dimana : Ft 1  Dt  (1   ) Ft
Ft = Prakiraan data sekarang
Ft-1 = Prakiraan data yang lalu
= Konstanta Eksponensial  a besar, smoothing yg dilakukan kecil
Dt-1 = Data Nyata (Data Aktual)  a kecil, smoothing yg dilakukan semakin besar
 a optimum akan meminimumkan MSE, MAPE
 Metode Exponential Smoothing (2)

ES didefinisikan sebagai:

Ft 1  Dt  (1   ) Ft
Keterangan:
Ft+1 = Ramalan untuk periode berikutnya
Dt = Demand aktual pada periode t
Ft = Peramalan yg ditentukan sebelumnya untuk periode t
a = Faktor bobot
Metode Exponential Smoothing (1)

 Kesalahan peramalan masa lalu digunakan untuk koreksi

peramalan berikutnya.
 Dihitungberdasarkan hasil peramalan + kesalahan
peramalan sebelumnya.
Contoh : Metode Exponential Smoothing
Period Dem Forecast , Ft+1
and Ft 1  Dt  (1   ) Ft
Dt a=0.3 a=0.5

𝑇𝑒𝑛𝑡𝑢𝑘𝑎𝑛: 𝑀𝐴𝐷=?
1 37 - -
2 40 37 37
3 41 37.9 38.5  
4 37 38.83 39.75
 
5 45 38.28 38.37
6 50 40.29 41.68  
7 43 43.20 45.84
8 47 43.14 44.42
 
9 56 44.30 45.71
10 52 47.81 50.85  
11 55 49.06 51.42
12 54 50.84 53.21  
t=13 ??? 51.79 53.61
Contoh: Kasus Cara Menghitung Exponential
Smoothing
Sebuah perusahaan yang menjual Kalkulator ingin meramalkan permintaan
produknya di pasar. Metode yang digunakan adalah metode Penghalusan
Eksponensial atau Exponential Smoothing. Perusahaan tersebut menggunakan
Konstanta  α = 0,1. Prakiraan Permintaan atau demand untuk bulan Januari
adalah 10.000 unit. Namun pada kenyataannya, permintaan aktual pada bulan
Januari tersebut hanya sebanyak 9.000 unit. Berapakah prakiraan untuk bulan
Februari?
𝐏𝐞𝐧𝐲𝐞𝐥𝐞𝐬𝐚𝐢𝐚𝐧 :
Diketahui :
α = 0,1
Ft – 1 = 10.000 unit
Dt – 1 = 9.000 unit
Ft = ?

Jawaban :
Ft = Ft – 1 + α (Dt-1 – Ft-1)
Ft = 10.000 + 0,1 (9.000 – 10.000)
Ft = 10.000 + 0,1 (-1.000)
Ft = 10.000 + (-100)
Ft = 9.900
Jadi prakiraan permintaan untuk bulan Februari adalah 9.900 units.
Untuk Prakiraan pada bulan-bulan selanjutnya, kita dapat menghitung
dengan cara yang sama. Silakan lihat contoh berikut ini :
Penentuan Nilai Konstanta pada Metode Peramalan Exponential
Smoothing
Nilai konstanta dapat ditentukan dengan cara trial dan error (coba-coba).
Namun dapat juga menggunakan rumus dibawah ini :
= 2 / (n + 1)
Dimana :
= nilai Konstanta eksponensial
n = jumlah periode waktu

Contoh :
Bila data terdiri dari 9 bulan, maka α dapat diperoleh dengan menggunakan
perhitungan sebagai berikut :
= 2 / (n + 1)
= 2 / (9 + 1)
= 2 / 10
Jadi nilai konstanta yang dapat kita gunakan adalah = 0,2.
= 0,2
Diperoleh hasil lengkapnya pada tabel berikut :
PENERAPAN METODE EXPONENTIAL
SMOOTHING DALAM MEMPREDIKSI
JUMLAH PESERTA DIDIK BARU
𝐥𝐀𝐍𝐆𝐊𝐀𝐇−𝐋𝐀𝐍𝐆𝐊𝐀𝐇𝐍𝐘𝐀 :

1. Memilih metode Exponential Smoothing, yang tepat berdasarkan pola

yang didapat dari data time series yang ada.
a) Jika data time series memperlihatkan pola konstan (stasioner)
atau jika perubahannya kecil saja, data mengalami trend fluktuatif yang
tidak teratur, maka untuk meramalkan dapat digunakan metode single
exponential smoothing atau penghalusan eksponensial orde pertama
berikut:

Keterangan:
= Ramalan untuk periode ke 𝑡 + 1
𝑋𝑡 = Nilai riil pada periode 𝑡
= Ramalan untuk periode ke 𝑡
𝛼 konstanta penghalusan eksponensial
b) Jika data time series memperlihatkan pola linear, data mengalami
trend kenaikan maka digunakan metode double exponential smoothing
atau penghalusan eksponensial orde dua dengan rumus:
S′𝑡 = 𝛼𝑋𝑡 + (1 − 𝛼) . S′𝑡−1
S′′𝑡 = 𝛼 S′𝑡 + (1 − 𝛼) . S′′𝑡+1
𝑎𝑡 = 2 S𝑡 ′ − S𝑡 ′′
𝑏𝑡 = (S𝑡 ′ − S𝑡 ′′)
Jangka waktu ramalan ke depan (𝑚 = 1 tahun)
S𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡(𝑚)
𝑎𝑡: belum bisa ditentukan
𝑏𝑡: belum bisa ditentukan
2. Menentukan nilai α lalu memproyeksikan data dengan metode dan
alpha yang telah ditentukan.

3. Menghitung forecast error (kesalahan ramalan), Semakin kecil

kesalahan yang diperoleh maka peramalan (forecast) semakin bagus
dan mendekati kebenaran (kenyataan) atau ketepatan.
1) Mean Absolute Deviation – MAD
Rumus untuk menghitung MAD adalah sebagai berikut.

Keterangan :
Xt = Nilai Riil pada periode -t.
St = Nilai Peramalan (Forecast) pada periode -t.
n = Jumlah periode peramalan yang terlibat.
2) Mean Square Error (MSE)
Rumus untuk menghitung MSE adalah sebagai berikut.

Keterangan :
Xt = Nilai Riil pada periode -t.
St = Nilai Peramalan (Forecast) pada periode -t.
n = Jumlah periode peramalan yang terlibat.

3) Mean Absolute Percentage Error (MAPE)

Nilai MAPE dapat dihitung dengan persamaan berikut.

Keterangan :
Xt = Nilai Riil pada periode -t.
St = Nilai Peramalan (Forecast) pada periode -t.
n = Jumlah periode peramalan yang terlibat.
𝐂𝐚𝐭𝐚𝐭𝐚𝐧 :
Kemampuan peramalan sangat baik jika
memiliki nilai MAPE kurang dari 10% dan
mempunyai kemampuan peramalan yang
baik jika nilai MAPE kurang dari 20%.
Data Jumlah Pendaftar Pada Penerimaan Peserta didik Baru
Tahun Jumlah Pendaftar
2014 481
2015 469
2016 486
2017 767
2018 712
𝟐𝟎𝟏𝟗 ?? ?

𝐋𝐚𝐧𝐠𝐤𝐚𝐡− 𝐥𝐚𝐧𝐠𝐤𝐚𝐡𝐧𝐲𝐚 :
1. Scatter Diagram Jumlah Pendaftar

Metode Exponential Smoothing yang

Digunakan :
• Berdasarkan scatter diagram jumlah
pendaftar tampak mengalami kenaikan.
• Metode double exponential
smoothing ini biasanya lebih tepat untuk
meramalkan data yang mengalami
trend kenaikan
Bentuk ramalan akan terlihat pada Grafik berikut :