Definisi Peramalan forecasting Jenis-jenis peramalan

Dipakai pada kondisi dimana bobot data pada periode yang satu berbeda dengan data pada periode sebelumnya dan membentuk fungsi Exponential yang biasa disebut Exponential smoothing.Adapun metode- metode yang termasuk didalamnya, antara lain: a. Single Exponential Smoothing Metode ini banyak mengurangi masalah penyimpangan data karena tidak perlu lagi menyimpan data historis. Pengaruh besar kecilnya α berlawanan arah dengan pengaruh memasukan jumlah pengamatan. Metode ini selalu mengikuti setiap trend dalam data sebenarnya karena yang dapat dilakukannya tidak lebih dari mengatur ramalan mendatang dengan suatu persentase dari kesalahan terakhir. Untuk menentukan α mendekati optimal memerlukan beberapa kali percobaan. Jika suatu deret data historis X T untuk T = 1,2,3,…,N, maka data ramalan eksponensial untuk data waktu T adalah F T . Metode exponential smoothing yang sederhana dikembangkan dari metode rata-rata bergerak. Jika terdapat data dari T pengamatan maka nilai ramalan pada waktu T + 1 adalah sebagai berikut. 2.7 2.8 Metode exponential untuk N pengamatan adalah sebagai berikut 2.9 Misalkan observasi yang lama tidak tersedia sehingga harus digantikan dengan suatu nilai pendekatan aproksimasi. Salah satu pengganti yang mungkin adalah nilai ramalan periode yang sebelumnya , sehingga diperoleh persamaan. 2.10 2.11 Jadi nilai ramalan pada waktu t + 1 tergantung pada pembobotan nilai observasi saat t, yaitu dan pada pembobotan nilai ramalan saat t yaitu bernilai antara 0 dan 1. Bila , maka diperoleh persamaan 2.12 Keterangan : = Hasil forecast untuk periode t+1 = Konstanta pemulusan = Data Demandaktual untuk periode t = Forecast pada periode t α disebut pemulusan konstan. Dalam metode exponential smoothing, nilai α bisa ditentukan secara bebas, artinya tidak ada suatu cara yang pasti untuk mendapatkan nilai α yang optimal. Maka pemilihan nilai α dilakukan dengan cara trial dan error. Besarnya α terletak antara 0 dan 1. b. Double Exponential Smoothing satu parameter dari Browns Dasar pemikiran dari pemulusan eksponensial linier dari Browns adalah serupa dengan rata-rata bergerak linier, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data yang sebenarnya bilamana terdapat unsur trend. Persamaan yang dipakai dari metode ini adalah sebagai berikut: 2.13 2.14 2.15 2.16 2.17 Dimana : =Data Aktual untuk periode t =Data Pemulusan I untuk periode t =Data Pemulusan II untuk periode t =Data Pemulusan I untuk periode t-1 =Data Pemulusan II untuk periode t-2 =Konstanta Pemulusan =Intersepsi pada periode t =Nilai Trend periode t =Hasil peramalan untuk periode t+1 =Jumlah periode waktu kedepan yang diramalkan c. Double Exponential Smoothing Dua Parameter dari Holt Metode pemulusan eksponensial linier dari Holt pada prinsipnya serupa dengan Browns kecuali bahwa Holt tidak menggunakan rumus pemulusan berganda secara langsung. Sebagai gantinya, Holt memutuskan nilai trend dengan parameter yang berbeda dari dua parameter yang digunakan pada deret yang asli. Ramalan dari pemulusan eksponensial linier Holt didapat dengan menggunakan dua konstanta pemulusan dan tiga persamaan, yaitu: 2.18 2.19 2.20