2.7.4 Pola Trend T
Pola trend adalah bila data permintaan menunjukkan pola kecenderungan gerakkan penurunan atau kenaikkan jangka panjang. Data yang kelihatannya berfluktuasi, apabila
dilihat pada rentang waktu yang panjang akan ditarik garis maya. Garis maya itulah yang disebut garis trend. Bila data berpola trend, maka metode peramalan yang sesuai
adalah metode regresi linier,
exponenential smoothing
, atau
double exponential smoothing
. Untuk pola data trend dapat ditunjukkan pada gambar dibawah ini.
Y
Waktu
Gambar 2.4 Pola Data Trend
2.8. Metode Pemulusan
Metode
smoothing
adalah metode peramalan dengan mengadakan penghalusan atau pemulusan terhadap data masa lalu yaitu dengan mengambil rata-rata dari nilai beberapa
tahun untuk menaksir nilai pada tahun yang akan datang. Secara umum metode
smoothing
di klasifikasikan menjadi 2 dua bagian, yaitu: 1. Metode Rata-Rata
Metode rata-rata dibagi atas 4 empat bagian, yaitu: a.
Nilai Tengah
Mean
Universitas Sumatera Utara
b. Rata-Rata Bergerak Tunggal
Single Moving Average
c. Rata-Rata Bergerak Ganda
Double Moving Average
d. Kombinasi rata-rata bergerak lainnya
Metode rata-rata tujuannya adalah memanfaatkan data masa lalu untuk mengembangkan suatu sistem peramalan pada periode mendatang.
2. Metode
Smoothing
Eksponensial Bentuk umum dari metode
smoothing
eksponensial adalah: ……………………………………..……………..2.1
Keterangan Peramalan satu periode ke depan.
Data aktual pada periode ke t. Peramalan pada periode ke t.
Parameter
smoothing
.
Bila bentuk umum tersebut diperluas maka akan berubah menjadi: …………..…….. 2.2
Dari pemulusan bentuk umum di atas dapatlah dikatakan bahwa metode
smoothing
eksponensial merupakan sekelompok metode yang menunjukkan pembobotan menurun secara eksponensial terhadap nilai observasi yang lebih tua atau dengan kata lain
observasi yang baru diberikan bobot yang relatif lebih besar dengan nilai observasi yang lebih tua. Metode ini terdiri atas:
Universitas Sumatera Utara
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
Kategori