Metode Pemulusan Eksponensial Ganda Metode Linier Satu Parameter Dari Brown

Peronika S. Tarigan : Proyeksi Jumlah Penumpang Domestik Pada PT.PERSERO Angkasa Pura II Bandarapolonia Medan Tahun 2010-2011, 2009. 3. Pola siklis S terjadi bilamana datanya dipengaruhi oleh fluktasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Penjualan produk seperti mobil, baja, dan peralatan utama lainnya. 4. Pola trend T terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Penjualan banyak perusahaan, produk bruto nasional GNP dan berbagai indikator bisnis atau ekonomi lainnya mengikuti suatu pola trend salama perubahannya sepanjang waktu.

2.4 Metode Pemulusan Eksponensial Ganda Metode Linier Satu Parameter Dari Brown

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. Semuanya mempunyai sifat yang sama, yaitu nilai yang lebih baru diberikan 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 MA 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. Peronika S. Tarigan : Proyeksi Jumlah Penumpang Domestik Pada PT.PERSERO Angkasa Pura II Bandarapolonia Medan Tahun 2010-2011, 2009. Dengan cara analogi yang dipakai pada waktu berangkat dari rata-rata bergerak tunggal ke pemulusan smoothing eksponensial tunggal kita juga dapat berangkat dari rata-rata bergerak ganda ke pemulusan eksponensial 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 tunggal dan disesuaikan untuk trend.Persamaan yang dipakai dalam implementasi pemulusan eksponensial linier satu parameter dari Brown sebagai berikut : 1 1 − − + = t t t S X S α α 1 1 − − + = t t t S S S α α 2 t t t S S a − = 1 t t t S S b − − = α α Peronika S. Tarigan : Proyeksi Jumlah Penumpang Domestik Pada PT.PERSERO Angkasa Pura II Bandarapolonia Medan Tahun 2010-2011, 2009. m b a F t t m t + = + Dimana : t S adalah nilai pemulusan eksponensial tunggal t S adalah nilai pemulusan eksponensial ganda m adalah jumlah periode ke depan yang diramalkan Jenis inisialisasi muncul dalam setiap metode pemulusan eksponensial. Jika parameter pemulusan α tidak mendekati nol, Pengaruh dari proses inisialisasi ini dengan cepat menjadi kurang berarti dengan berlalunya waktu. Tetapi jika α mendekati nol, proses inisialisasi tersebut dapat memainkan peranan yang nyata selama periode waktu ke depan yang panjang. Beberapa kriteria untuk menguji ketepatan ramalan yaitu : 1. ME Mean Error nilai tengah kesalahan ∑ = = N i i N e ME 1 2. MSE Mean Square Error nilai tengah kesalahan kuadrat ∑ = = N i i N e MSE 1 2 3. MAE Mean Absolut Error nilai tengah kesalahan absolut Peronika S. Tarigan : Proyeksi Jumlah Penumpang Domestik Pada PT.PERSERO Angkasa Pura II Bandarapolonia Medan Tahun 2010-2011, 2009. ∑ = = N i i N e MAE 1 4. MAPE Mean absolut Percentage Error nilai tengah persentase absolut ∑ = = N i i N PE MAPE 1 5. MPE Mean Percentage Error nilai kesalahan persentase ∑ = = N i i N PE MPE 1 Dimana : i e = t t F X − kesalahan pada periode t t X = data aktual pada periode ke t i PE = 100 x X F X t t t       − kesalahan persentase pada periode ke t t F = nilai ramalan pada periode ke t N = banyaknya periode waktu

2.5 Metode Peramalan