4. Smoothing Eksponensial menurut klasifikasi Pegels.
2.8 Metode Smoothing Yang Digunakan
Untuk mendapatkan hasil yang baik harus diketahui cara peramalan yang tepat. Maka metode peramalan analisis time series yang digunakan untuk meramalkan nilai
penjualan energi listrik pada pemecahan masalah ini adalah dengan menggunakan Metode Smoothing Eksponensial Ganda yaitu “Smoothing Eksponensial Satu
Parameter dari Brown”.
Metode ini merupakan metode yang dikemukakan oleh Brown. Dasar pemikiran dari Metode Smoothing Eksponensial Linier Satu Parameter dari Brown
adalah serupa dengan rata-rata bergerak linier, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data sebenarnya.
Persamaan yang tepat dipakai dalam pelaksanaan Pemulusan Eksponensial Linier Satu Parameter dari Brown adalah sebagai berikut :
S
t
= α X
t
+ 1- α S
1 −
t
S
t
= α S
t
+ 1- α S
1 −
t
a
t
= 2 S
t
- S
t
= S
t
+ S
t
- S
t
b
t
= α
α
− 1
S
t
- S
t
F
m t
+
= a
t
+ b
t
m
Universitas Sumatera Utara
Dengan : S
t
= Nilai pemulusan eksponensial tunggal S
t
= Nilai pemulusan eksponensial ganda a
t
, b
t
= konstanta pemulusan F
m t
+
= Hasil permalan untuk m periode ke depan yang akan diramalkan α
= Parameter pemulusan eksponensial besarnya adalah 0 α 1.
2.9 Ketepatan Ramalan
Ketepatan ramalan adalah satu hal yang mendasar dalam peramalan, yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu kumpulan data
yang diberikan. Ketepatan dipandang sebagai kriteria penolakan untuk memilih suatu metode peramalan. Dalam pemodelan deret berkala time series dari data masa lalu
dapat diramalkan situasi yang akan terjadi pada masa yang akan datang, untuk menguji kebenaran ramalan ini digunakan ketepatan ramalan.
Beberapa kriteria yang digunakan untuk menguji ketepatan ramalan antara lain : 1.
ME Mean Error atau Nilai Tengah Kesalahan
ME = N
e
N t
t
∑
=1
2. MSE Mean square Absolut Error atau Nilai Tengah Kesalahan Kuadrat
MSE = N
e
N t
t
∑
=1 2
Universitas Sumatera Utara
3. MAE Mean Absolut Error atau Nilai Tengah Kesalahan Absolut
MAE = N
e
N t
t
∑
=1
4. MAPE Mean Absolut Percentage Error atau Nilai Tengah Kesalahan
Persentase Absolut
MAPE = N
PE
N t
t
∑
=1
5. MPE Mean Percentage Error atau Nilai Tengah Kesalahan Persentase
MPE = N
PE
N t
t
∑
=1
6. SSE Sum Square Error atau Jumlah Kuadrat Kesalahan SSE =
∑
= N
t t
e
1 2
7. SDE Standard Deviation of Error atau Deviasi Standar Kesalahan
SDE = 1
1 2
−
∑
=
N e
N t
t
Dengan : e
t
= X
t
-F
t
Kesalahan pada periode ke-t X
t
= data aktual pada periode ke-t F
t
= nilai ramalan pada periode ke-t
Universitas Sumatera Utara
BAB 3
SEJARAH TEMPAT RISET
3.1 Sejarah Badan Pusat Statistik BPS