Pemulusan Eksponensial Tunggal Pada Metode Peramalan Statistika

Pemulusan Eksponensial Tunggal dengan software MINITAB

Metode pemulusan dapat dilakukan dengan dua pendekatan yakni Metode Perataan (Average) dan Metode Pemulusan Eksponensial (Exponential Smoothing).Pada metode pemulusan eksponensial, pada dasarnya data masa lalu dimuluskan dengan cara melakukan pembobotan menurun secara eksponensial terhadap nilai pengamatan yang lebih tua. Atau nilai yang lebih baru diberikan bobot yang relatif lebih besar dibanding nilai pengamatan yang lebih lama. Beberapa jenis analisis data deret waktu yang masuk pada katagori pemulusan eksponensial, diantaranya :
a. Pemulusan eksponensial tunggal,
b. Pemulusan eksponensial tunggal: pendekatan adaptif,
c. Pemulusan eksponensial ganda : metode Brown,
d. Metode pemulusan eksponensial ganda : metode Holt,
e. Pemulusan eksponensial tripel : metode Winter.

Single Exponential Smoothing memperhalus data dengan menggunakan optimal satu langkah ke depan ARIMA (0,1,1) untuk formula peramalan. Single Exponential Smoothing memperhalus data dengan menghitung eksponensial rata-rata yang diberi bobot parameter dan menyajikan peramalan untuk jangka pendek. Procedure ini akan bekerja dengan baik jika digunakan pada data yang tidak mengandung komponen trend dan musiman. Dalam single eksponensial tunggal merupakan metode yang menunjukkan pembobotan menurun secara eksponensial terhadap nilai observasi yang lebih tua.

Bobot parameter ,merupakan perameter smoothing dengan 0 < <1 ,yang dapat dispesifikasikan terlebih dahulu. Single Exponential Smoothing digunakan untuk : a. Data yang tidak mengandung trend b. Data yang tidak mengandung komponen musiman c. Untuk peramalan jangka pendek Cara Memilih Pembobotan Terbaik
Ketepatan hasil peramalan perlu diuji terlebih dahulu. Atau kita dapat memilih dari ketiga pembobotan dengan melihat ukuran akurasi (MAPE, MAD, dan MSD). Pilih pembobotan yang mempunyai ukuran akurasi paling kecil.

Ukuran Akurasi
Berikut beberapa ukuran akurasi yang biasa digunakan, makin kecil nilainya, maka ketepatan peramalan makin baik :
a. MAPE (Mean Absolute Percentage Error)
Merupakan rata-rata dari keseluruhan persentase kesalahan (selisih) antara data aktual dengan data hasil peramalan. Ukuran akurasi dicocokkan dengan data time series, dan ditunjukkan dalam persentase.
b. MAD (Mean Absolute Deviation)
Merupakan rata-rata dari nilai absolute simpangan.
c. MSD (Mean Squared Deviation)
Merupakan rata-rata dari nilai kuadrat simpangan data.

Dengan membandingkan nilai-nilai MAPE, MAD, dan MSD, maka dapat kita tentukan mana nilai pembobotan terbaik, yaitu pemulusan dengan ukuran-ukuran akurasi yang terkecil. 

Baca juga artikel yang berisi permasalahan untuk peramalan dan analisis trend dengan menggunakan software MINITAB: Analisis TREND pada Peramalan dengan Software MINITAB

Oleh: Arsyil Hendra Saputra
Sebagai seorang Statistikawan, tidak menutup diri untuk membantu sesama dalammemecahkan permasalahan statistika. Bagi kamu yang pengin bertanya alias membahas sebuah persoalan statistik dengan saya, monggo, silakan tanyakan saja, dapat lewat blog ini atau facebook atau YM. Terima kasih.