peramalannya tidak terlalu memperhatikan fluktuasi dari data deret waktu. Metode ini cocok untuk data time series dengan pola stasioner.
2 Model rata-rata bergerak sederhana Simple Moving Average Dalam model ini setiap muncul nilai pengamatan baru maka nilai rata-rata
baru dapat dihitung dengan membuang nilai observasi yang paling lama dan memasukkan nilai pengamatan yang terbaru. Dengan kata lain model ini
hanya mengikuti beberapa data terakhir untuk dicari nilai tengahnya sebagai ramalan periode berikutnya. Banyaknya data yang diikutsertakan disebut ordo.
Kelemahan dari metode ini, yaitu : 1. Metode ini tidak dapat menanggulangi dengan baik adanya trend atau
musiman walaupun metode ini lebih baik dibanding rata-rata sederhana. 2. Metode ini memerlukan penyimpanan yang lebih banyak karena semua
pengamatan terakhir harus disimpan, tidak hanya nilai tengahnya.
4. Model Pemulusan Eksponensial
Model ini memberikan bobot yang berbeda pada setiap data, pembobotan menurun secara eksponensial terhadap nilai pengamatan yang lebih lama. Dengan
metode ini, data yang paling lama memiliki bobot terendah sehingga tidak terlalu berpengaruh terhadap data yang baru. Model ini terdiri dari Makridakis et al,
1999: 1 Pemulusan Eksponensial Tunggal Single Exponential Smoothing
Metode ini banyak mengurangi masalah penyimpangan data, karena biasanya hanya menyimpan data terakhir, yaitu ramalan terakhir dan
pembobot smoothing a. Model ini cocok untuk data dengan pola horizontal
atau stasioner dan hanya mampu memberikan ramalan untuk satu periode ke depan. Metode ini tidak cukup baik diterapkan jika datanya bersifat tidak
stasioner, karena persamaan yang digunakan dalam metode eksponensial tunggal tidak terdapat prosedur pemulusan trend yang mengakibatkan data
tidak stasioner menjadi tetap tidak stasioner, tetapi metode ini merupakan dasar bagi metode- metode pemulusan eksponensial lainnya. Pembobot
smothing yang diberikan pada data akan semakin kecil dengan semakin lamanya data. Bowerman dan O’Connell, 1993.
2 Pemulusan Eksponensial Ganda Brown Metode ini memberikan bobot yang semakin menurun pada observasi
masa lalu. Model ini cocok untuk data yang berpola trend linier. Pada metode ini dilakukan dua kali pemulusan ya itu pemulusan tahap 1 untuk update
intercept , tujuannya untuk menghilangkan komponen error. Pemulusan tahap
2 untuk update slope tujuannya untuk menghilangkan komponen trend. 3 Pemulusan Eksponensial Ganda Holt
Pada prinsipnya metode ini sama dengan Metode Ganda Brown, kecuali metode ini menggunakan rumus pemulusan berganda secara langsung.
Sebagai gantinya, Holt memuluskan nilai trend dengan parameter yang berbeda dari parameter yang digunakan pada data asli. Pemulusan
eksponensial Holt menggunakan dua konstanta pemulusan a dan ß yang bernilai antara 0 dan 1 serta memiliki tiga persamaan. Pola data yang sesuai
adalah stasioner, dan pola trend konsisten.
4 Pemulusan Eksponensial Triple Winters
Metode ini dapat digunakan untuk data time series yang mempunyai pola
stasioner, pola trend konsisten, serta faktor musiman. Kelebihan metode ini adalah kemudahannya dalam update peramalan ketika data baru dihasilkan.
Kelemahan dari metode ini adalah tidak memperhitungkan komponen siklus sehingga jika ada pengaruh siklus hasil ramalannya menjadi tidak baik. Model
Winters memiliki dua bentuk Bowerman dan O’Connell,1993, yaitu : 1. Winters Aditif
Digunakan untuk data yang fluktuasi musiman relatif konstan atau stasioner.
2. Winters Multiplikatif Digunakan untuk pola data yang memiliki fluktuasi musiman cenderung
semakin besar.
5. Model Dekomposisi
