Y
∧ t
t t
Y Y
∧
α α
− +
=
+
1
1
t t
t t
Y Y
Y Y
α
1
⎟ ⎠
⎞ ⎜
⎝ ⎛ −
+ =
∧ +
t t
t
Y Y
ε α
+ =
+ ∧
1
Dimana : = Nilai ramalan pada periode ke-t
t
Y
∧
= Nilai ramalan pada periode ke t+1
+ ∧
t
Y
1
= Kesalahan ramalan
t
ε α = Koefisien pelicinan
e. Teknik Pelicinan Eksponensial Ganda Brown
Teknik pelicinan eksponensial dari Brown menetapkan bahwa ramalan merupakan hasil dari perhitungan dua kali pelicinan secara eksponen. Cara
pelicinannya ialah dengan pengambilan perbedaan antara nilai-nilai tunggal yang dilicinkan, agar diselaraskan dengan bentuk
trend. Persamaan-persamaan dalam teknik ini adalah :
m b
a Y
t t
m t
+ =
+ ∧
1
1
−
− +
=
t t
t
S S
S
α α
2 1
2
1
−
− +
=
t t
t
S S
S α
α
a
t
= 2 S
t
– S
t 2
b
t
= α 1 – α S
t
– S
t 2
Dimana : S
t
= Pelicinan tahap 1 S
2 t
= Pelicinan tahap 2 α = Koefisien pelicinan
a
t
= Nilai penyesuaian intersep b
t
= Nilai penyesuaian trend slope = Nilai ramalan periode t+m
t +
Y
∧ m
m = Jumlah periode ke depan
f. Teknik Winter
Teknik ini menghasilkan ramalan yang lebih cocok dan tepat untuk pola data historis yang memiliki pola trend linear dan pola musiman.
Persamaan-persamaan dalam teknik ini adalah : S
t
= α X
t
I
t-L
+ 1 – α S’
t-1
+ T
t-1
T
t
= β S
t
- S
t-1
+ 1 – β T
t - 1
I
t
= X S
t
+1 – I
t-L
= S
t
+ T
t-L+ m
Dimana : = Ramalan untuk m periode ke depan
m t
Y
+
L = Banyaknya periode dalam satuan waktu tahun
S
t
= Pelicinan terhadap desseasonalized data pada periode t T
t
= Pelicinan terhadap dugaan trend pada periode t I
t
= Pelicinan terhadap dugaan musim pada periode t
m t
Y
+ ∧
∧
I
t-L
= Pelicinan terhadap dugaan musim pada periode t telah dikurangi oleh banyaknya periode dalam satuan waktu
α = Koefisien pelicinan untuk S
t
α 1 β = Koefisien pelicinan untuk trend 0 β 1
= Koefisien pelicinan untuk musiman 0 1
g. Teknik Dekomposisi
Teknik dekomposisi berupaya memisahkan berbagai komponen yang mempengaruhi pola perilaku deret data. Pemisahan dekomposisi ini
bertujuan untuk membantu pemahaman atas deret data sehingga dapat dicapai keakuratan peramalan yang lebih baik. Komponen yang mempengaruhi deret
data dapat dikelompokkan menjadi empat macam, yaitu : trend, musiman, siklus, dan faktor acak. Apabila dalam data harga beras IR II terdapat
komponen-komponen tersebut dalam suatu deret data, maka penggunaan deret dekomposisi akan memberikan hasil peramalan yang cukup akurat. Secara
umum persamaannya adalah :
Y
t
= fungsi S
t
, Tt, C
t
dan R
t
Bila variasi musim data historis menurun atau meningkat, fungsi data historis dapat berbentuk multiplikatif sebagai berikut :
Y
t
= S
t
. T
t
. C
t
. R
t
Sedangkan jika data historis konstan, fungsinya dapat berupa aditif, yaitu :
Y
t
= S
t
+ Tt + C
t
+ R
t
Dimana :
Y
t
= Nilai aktual pada periode t S
t
= Komponen musiman pada waktu t T
t
= Komponen trend pada waktu t C
t
= Komponen siklus pada waktu t R
t
= Komponen acak pada waktu t
h. Teknik Box-Jenkins ARIMA-SARIMA