data tersebut merepresentasikan kondisi yang terakhir terjadi. Kelemahan kedua ini akan diatasi dengan menggunakan teknik rata-rata bergerak
dengan pembobotan. 3.
Diperlukan biaya yang besar dalam penyimpanan dan pemrosesan datanya, karena bila N cukup besar, maka akan membutuhkan memori
yang cukup besar dan proses komputasinya menjadi lama.
2.11.6.2 Metode Pemulusan Exponensial.
Terdapat dua batasan utama yang mendorong para peramal untuk menerapkan metode pelicinanpemulusan eksponensial untuk menggantikan rata-rata bergerak.
Pertama, untuk menghitung ramalan rata-rata bergerak, setidaknya nilai pengamatan sejumlah N harus disimpan. Kedua, metode rata-rata bergerak memberikan bobot
yang setara untuk masing-masing pngamatan untuk N pengamatan terakhir dan tidak memberikan bobot apapun untuk semua periode sebelumnya t-N.
Pada prinsipnya, pelicinan eksponensial beroperasi dengan cara yang sejalan dengan rata-rata bergerak dengan “melicinkan” pengamatan historis untuk
mengurangi kerandoman. Tetapi prosedur matematika untuk melakukan pelicinan ini agak berbeda dengan yang dipergunakan dalam rata-rata bergerak Makridakis,
1993. Model matematis exponensial ini dapat dikembangakan dari persamaan berikut Arman Hakim, 1999 :
N A
A F
F
N t
t t
t
1
2.22
Dimana bila data permintaan aktual yang lama tidak tersedia, maka
dapat digantikan dengan nilai pendekatan yang berupa nilai ramalan sebelumnya , sehingga persamaan diatas 2.8 dapat dituliskan menjadi :
N t
A
1
t
F
N F
A F
F
t t
t t
1
2.23
atau
1
1 1
1
t t
t
F N
A N
F 2.24
Dari persamaan 2.10 terlihat bahwa peramalan dengan teknik pemulusan eksponensial pada periode t.
akan didasarkan atas pembobotan data permintaan aktual akhir A dengan bobot 1N dan pembobotan ramalan yang paling akhir
1
t
F dengan bobot 1-1N. Karena N bilangan positif, maka 1N akan menjadi konstanta
yang bernilai antara nol N = ~ sampai dengan 1 N = 1. Dengan mengganti 1N dengan
1
t
F
t
, maka persam an 2.24 akan menjadi : a
1
1
t t
t
F A
F
2.25
Bila kita notasikan sebagai peramalan permintaan pada periode t sehingga
maka persamaan 2.25 menjadi :
t
f
1
t t
F f
t t
t
f A
F
1 2.26
Dari persamaan 2.12 diatas, terlihat bahwa teknik pemulusan eksponensial banyak mengurangi kelemahan teknik rata-rata bergerak dalam penyimpanan data karena
hanya data permintaan aktual terakhir, ramalan terakhir dan suatu nilai konstanta
yang harus disimpan. Cara lain untuk menuliskan persamaan 2.25 adalah dengan susunan berikut :
1 1
t t
t t
F A
F F
2.27
Dimana merupakan kesalahan ramalan dalam periode t
, sehingga persamaan 2.22 dapat ditulis sebagai berikut :
1
t t
F A
t
e
t t
t
e F
F
1
2.28 Dari persamaan 2.28 terlihat bahwa bila
mempunyai angka mendekati satu, maka ramalan yang baru akan menyesuaikan kesalahan dengan besar pada ramalan
sebelumnya. Kebalikannya, bila mendekati nol, maka ramalan yang baru akan
menyesuaikan kesalahan dengan kecil. Penentuan besarnya nilai
harus dipertimbangkan dengan baik. Salah satu metode yang dapat dipaki adalah memilih nilai
berdasarkan nilai N yang dilibatkan dalam teknik pemulusan eksponensial. Metode ini hanya dapat diterapkan oleh
perusahaan yang telah lama menggunakan teknik pemulusan eksponensial dengan N yang cukup memadai. Rata-rata usia data dengan teknik MA = N – ½, sedangkan
rata-rata usia data dengan teknik Es = 1 – . Untu enghitung nilai
k m dalam
bungannya dengan N adalah dengan membuat persamaan sebagai berikut : hu
1
2 1
N 2.29
atau
1 2
N
2.30 Un
mer tuk menggunakan pelicinan eksponensial, seoramg manajer hanya
me lukan angka pengamtan terbaru, ramalan terbaru, dan nilai
. Pelicinan eksponensial tunggal mudah dan murah untuk dipergunakan, karena program
komputer dapat secara otomatis menemukan nilai terbaik. Di samping itu, bukti
empiris dan pengalaman di antara para pengguna peramalan menegaskan bahwa pelicinan eksponensial merupakan metode yang akurat, efektif dan dapat diandalkan
untuk berbagai aplikasi peramalan Makridakis, 1993.
2.11.6.3 Regresi Linier.
