A. PENGERTIAN
Exponential
Smoothing adalah suatu prosedur yang secara terus menerus memperbaiki peramalan
dengan merata-rata (menghaluskan = smoothing) nilai masa lalu dari suatu data
runtut waktu dengan cara menurun (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.
B. MACAM-MACAM
METODE
1. Single
Exponentials Smoothing
Atau biasa disebut sebagai Simple Exponential Smoothing, metode ini
digunakan untu peramalan jangka pendek. Model mengasumsikan bahwa data
berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola
pertumbuhan konsisten. Tidak seperti Moving
Average, Exponential Smoothing memberikan
penekanan yang lebih besar kepada time series saat ini melalui penggunaan
sebuah konstanta smoothing (penghalus). Konstanta smoothing mungkin berkisar dari
0 ke 1. Nilai yang dekat dengan 1 memberikan penekanan terbesar pada nilai saat
ini sedangkan nilai yang dekat dengan 0 memberi penekanan pada titik data
sebelumnya.
Rumus untuk Simple exponential smoothing adalah
sebagai berikut:
St
= α * Xt + (1 – α) * St-1
dimana:
St = peramalan untuk periode t.
Xt + (1-α) = Nilai aktual time series
Ft-1 = peramalan pada waktu t-1 (waktu sebelumnya)
α = konstanta perataan antara 0 dan 1
St = peramalan untuk periode t.
Xt + (1-α) = Nilai aktual time series
Ft-1 = peramalan pada waktu t-1 (waktu sebelumnya)
α = konstanta perataan antara 0 dan 1
2. Double
Exponentials Smoothing
Metode ini
digunakan ketika berbentuk data trend. Ada dua metode dalam Double Exponential Smoothing, yaitu :
a) Metode
Linier Satu Parameter dari Brown’s
Metode
ini dikembangkan oleh Brown’s untuk mengatasi perbedaan yang muncul antara data
aktual dan nilai peramalan apabila ada trend pada poltnya. Dasar pemikiran dari
pemulusan eksponensial linier dari Brown’s adalah serupa dengan rata-rata
bergerak linier (Linier Moving Average),
karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data yang sebenarnya bilamana terdapat
unsur trend, perbedaan antara nilai pemulusan tunggal dan ganda ditambahkan
kepada nilai pemulusan dan disesuaikan untuk trend. Persamaan yang digunakan
pada metode ini adalah :
Agar
dapat menggunakan persamaan di atas, nilai S’t-1 dan S”t-1 harus tersedia. Tetapi
pada saat T=1, nilai tersebut tidak tersedia. Jadi nilai-nilai ini harus
tersedia di awal.
b) Metode
Dua Parameter dari Holt
Metode
ini nilai trend tidak dimuluskan dengan
pemulusan ganda secara langsung, tetapi proses pemulusan trend dilakuakan
dengan parameter berbeda dengan parameter pada pemulusan data asli.
Secara
matematis metode ini ditulis pada tiga persamaan :
Dimana,
St = Nilai pemulusan tunggal
Xt = Data sebenarnya pada waktu ke-t
Tt = Pemulusan trend
Ft+m = nilai ramalan
m = Periode masa mendatang
α,β = konstanta dengan nilai anatar 0 dan 1
3. Triple
Exponentials Smoothing
Atau metode Winter’s three parameters liniar and
seasonal exponential smoothing. Ini termasuk dalam model Holt’s ditambah
indeks-indeks musiman dan sebuah koefisien smoothing untuk indeks-indeks
tersebut.
Metode ini digunakan
ketika data menunjukan adanya trend dan perilaku musiman. Untuk menangani
musiman, telah dikembangkan parameter persamaan ketiga yang disebut metode “Holt-Winters” sesuai dengan nama
penemuya. Terdapat dua model Holt-Winters
tergantung pada tipe musimannya yaitu Multiplicative
seasonal model dan Additive seasonal
model. Komponen musiman sering menjadi faktor yang paling penting untuk
menerangkan variasi-variasi dalam variabel tak bebas selama periode satu tahun.