Metode Pemulusan (Smoothing)

Pengajar:Gumgum Darmawan,M.Si

Metode Pemulusan merupakan metode

peramalan yang didasarkan pada pola data
secara empiris untuk meramalkan masa yang
akan datang.
Ciri khas dari metode pemulusan adalah data
yang baru mempunyai bobot yang lebih
besar dari data sebelumnya.
Pembobotan dari data membentuk pola
eksponensial.
Kaitan Pola Data dengan Metode Peramalan

Time Series Patterns

Trend and
Stationer Trend Effect Seasonal Effect
Seasonal

 Naïve Model  Naïve Model

 Simple  Double
 Naïve Model
Averages  Moving Averages

Moving Averages  Double
Winter’s Model
 Single Exponential Exponential Smoothing
Smoothing
Naïve Model

 The recent periods are the best predictors of the future.

1. The simplest model for stationary data is

Yˆt 1  Yt
2. The simplest model for trend data is
Yˆt 1  Yt  (Yt  Yt 1 ) or
ˆ Yt
Yt 1  Yt
Yt 1
3. The simplest model for seasonal data is
Yˆt 1  Y(t 1) s
MINITAB implementation

Time Series Plot

MINITAB implementation … (continued)

Naïve 1 Naïve 2 Naïve 3

MINITAB implementation … (continued)

Naïve 1

Naïve 2

Naïve 3
MINITAB implementation … (continued)

Naïve 1

Naïve 2

Naïve 3

MSE.1 = 28547.5, MSE.2 = 53592.5, MSE.3 = 4567.5

Measuring Forecasting Error …

 MSE (mean squared error)

 rata-rata kuadrat kesalahan (residual atau error).
n
MSE   ei2 / n
i 1
 MAD (mean absolute deviation)
 ukuran kesalahan peramalan dalam unit ukuran yang
sama dengan data aslinya.

n
MAD   ei / n
i 1
 Measuring Forecasting Error …

 MAPE (mean absolute percentage error)

 persentase kesalahan absolut rata-rata.

n
MAPE   PEi / n
i 1

 MPE (mean percentage error)

 persentase kesalahan rata-rata.

n
 ei 
MPE   PEi / n PEi     100 
i 1  Xi 
Average Methods

1. Simple Averages
 obtained by finding the mean for all the relevant values
and then using this mean to forecast the next period.
n Yt
Yt 1  
ˆ for stationary data
t 1 n

2. Moving Averages
 obtained by finding the mean for a specified set of
values and then using this mean to forecast
the next period.
(Y  Y    Yt  n 1 )
St  Yˆt 1  t t 1 for stationary data
n
Moving Average
Average Methods … (continued)

3. Linear Moving Averages(LMA)

 one set of moving averages is computed, and then a second
set is computed as a moving average of the first set.
(Y  Y    Yt  n 1 )
(i). St  Yˆt 1  t t 1
n
( St  St 1    St  n 1 )
S 
(ii). t 
n

(iii).at  2 St  St
2
(iv).bt  ( St  St )
N 1

Ft  m  at  bt m for a linear trend data

Aplikasi Linear Moving Average
 Eksponensial Tunggal:
Pendekatan Adaptif
Pemulusan Eksponensial tunggal dengan tingkat respon yang
adptif (ARRSES) memiliki kelebihan dibandingkan Single
Eksponensial Tunggal (SES) yaitu nilai α yang berubah secara
otomatis jika terdapat perubahan pada pola data.

Parameter α dan β bernilai antara 0 dan 1.

Aplikasi Metode ARRSES
Exponential Smoothing Methods

 Single Exponential Smoothing  for stationary data

Ft 1   X t  (1   ) Ft

 Exponential Smoothing Adjusted for Trend : Holt’s Method

1. The exponentially smoothed series :
St =  Xt + (1) (St-1+ bt-1)

2. The trend estimate :

bt   ( S t  St 1 )  (1   )bt 1
3. Forecast p periods into the future :
Ft  m  St  mbt
Aplikasi Metode Holt
Pemulusan Eksponensial Ganda: Metode
Linier satu parameter dari Brown

Metode Brown satu parameter memperbaiki metode

LMA jika terdapat unsur trend.
Aplikasi Metode Linier Satu
Parameter dari Brown
 Pemulusan Eksponensial Tripel:
Metode Kuadratik Satu-Parameter dari Brown

Digunakan untuk meramalkan data dengan

pola trend kuadratik, kubik atau orde yang
lebih tinggi.
Aplikasi Metode Pemulusan Tripel: Metode
Kuadratik Satu parameter dari Brown.
Exponential Smoothing Adjusted for Trend and
Seasonal Variation : Winter’s Method

1. The exponentially smoothed series :

Xt
St    (1   ) ( St 1  bt 1 )
It  L
2. The trend estimate :
Three
bt   ( S t  St 1 )  (1   )bt 1 parameters
models
3. The seasonality estimate :
Xt
It    (1   ) I t 1
St

4. Forecast p periods into the future :

Ft  m  ( St  mbt ) It  L  m
Aplikasi Metode Winters
Wassalam

The End of This Session