a. Smoothing Eksponensial Tunggal
a.1. Satu Parameter One Parameter a.2. Pendekatan Aditif ARRES
Digunakan untuk data yang bersifat stationer dan tidak menunjukkan pola atau trend.
b. Smoothing Eksponensial Ganda
b.1. Metode Linier Satu Parameter dari Brown b.2. Metode Dua Parameter dari Holt
c. Smoothing Eksponensial Triple
c.1. Metode Kuadratik Satu Parameter dari Brown Digunakan untuk pola kuadratik, kubik, atau orde yang lebih tinggi.
c.2. Metode Kecenderungan dan Musim Tiga Parameter dari Winter Dapat digunakan untuk data berbentuk trend dan musiman
c.3. Smoothing Eksponensial Menurut Klasifikasi Peges
2.9. Metode Smoothing yang Digunakan
Untuk mendapatkan hasil yang baik harus diketahui cara yang tepat. Data jumlah pelanggan kartu kredit menunjukkan pola data trend linier yang dapat dilihat dari grafik
realisasi yang menunjukkan pola data trend linier. Dalam urusan bisnis dan ekonomi sering sekali diperlukan data untuk mengikuti rata-rata persentase tingkat perubahan
sepanjang waktu, misalnya rata-rata persentase jumlah kredit menurut besar arus yang menabung selama beberapa tahun mendatang.
Berapa banyaknya jumlah pelanggan kartu kredit yang akan didapat Bank Permata cabang Medan yang akan datang? Pertanyaan ini merupakan pertanyaan yang
paling penting di dalam dunia perbisnisan. Nilai tersebut dapat diperoleh dengan menggunakan rumus pemulusan eksponensial linier satu-parameter dari brown.
Universitas Sumatera Utara
Maka metode peramalan analisa deret waktu time series yang akan digunakan untuk meramalkan jumlah pelanggan kartu kredit, pada pemecahan masalah ini adalah
dengan menggunakan metode pemulusan eksponensial ganda yaitu ”smoothing eksponensial satu parameter dari Brown. Metode pemulusan eksponensial ganda
metode linier satu parameter dari Brown merupakan kelompok metode yang menunjukkan pembobotan menurun secara eksponensial terhadap nilai pengamatan yang
lebih tua disebut prosedur pemulusan eksponensial. Seperti halnya dengan rata-rata bergerak, metode eksponensial terdiri atas tunggal, ganda dan metode yang lebih rumit.
Semua mempunyai sifat yang sama, yaitu nilai yang lebih baru deberikan bobot yang relatif besar dibanding nilai pengamatan yang lebih lama.
Dalam kasus rata-rata bergerak, bobot yang dikenakan pada nilai-nilai pengamatan merupakan hasil sampingan dari sistem moving avarage tertentu yang
diambil. Tetapi dalam pemulusan eksponensial, terdapat satu atau lebih parameter pemulusan yang ditentukan secara eksplisit, dan hasil pilihan ini menentukan bobot yang
dikenakan pada nilai observasi. Dengan cara analogi yang dipakai pada waktu berangkat dari rata-rata bergerak
tunggal ke pumulusan eksponensial tunggal juga dapat berangkat dari rata-rata bergerak ganda ke pemulusan ganda. Perpindahan seperti ini mungkin menarik karena salah satu
keterbatasan dari rata-rata bergerak linier, kecuali bahwa jumlah nilai data yang diperlukan sekarang adalah 2N-1. Pemulusan eksponensial linier dapat dihitung hanya
dengan tiga nilai data dan satu nilai untuk α. Pendekatan ini juga memberikan bobot yang semakin menurun pada observasi masa lalu. Dengan alasan ini pemulusan
eksponensial linier lebih disukai daripada rata-rata bergerak linier sebagai suatu metode peramalan dalam berbagai kasus utama.
Dasar pemikiran dari pemulusan eksponensial linier dari brown adalah sama dengan rata-rata bergerak linier, karena kedua nilai pemulusan eksponensial tunggal dan
ganda ketinggalan dari data yang sebenarnya bilamana terdapat unsur trend, perbedaan antara nilai pemulusan tunggal dan ganda dapat ditambahkan kepada nilai pemulusan
Universitas Sumatera Utara
tunggal dan disesuaikan untuk trend. Persamaan yang dipakai dalam implementasi pemulusan eksponensial linier satu parameter dari Brown sebagai berikut:
…………………………………………………2.3 ………………………………………………...2.4
……………………………………...2.5 ………………………………………………………2.6
……………………………………………………………2.7 Keterangan:
= Nilai smoothing eksponensial tunggal. = Nilai pengamatan periode t.
= Smoothing pertama periode t-1. = Nilai smoothing eksponensial ganda.
= Parameter smoothing eksponensial yang besarnya 0 1
2.10. Mengukur Ketepatan Penerapan Model