PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN

Penerapan Metode Exponential Smoothing Untuk Peramalan-Free PDF

  • Date:29 Sep 2020
  • Views:1
  • Downloads:0
  • Pages:8
  • Size:417.28 KB

Share Pdf : Penerapan Metode Exponential Smoothing Untuk Peramalan

Download and Preview : Penerapan Metode Exponential Smoothing Untuk Peramalan


Report CopyRight/DMCA Form For : Penerapan Metode Exponential Smoothing Untuk Peramalan


Transcription:

SISFO Jurnal Sistem Informasi, 1 PENDAHULUAN dan menggunakan data masa lalu untuk. Kemajuan teknologi sudah dirasakan memprediksi Contoh dari model time series ini. penting oleh manusia dalam era globalisasi saat antara lain Moving average Exponential. ini Hal tersebut terjadi karena hasil kemajuan Smoothing dan proyeksi trend. teknologi yang ada pada saat ini telah menjadi, bagian yang tidak dapat dipisahkan dengan 2 2 Metode Exponential Smoothing. kebutuhan manusia itu sendiri Banyak hasil Metode Exponential Smoothing. yang diperoleh dari dampak kemajuan teknologi Makridakis 1999 merupakan prosedur. tersebut salahsatunya adalah telekomunikasi perbaikan terus menerus pada peramalan. Telekomunikasi merupakan contoh terhadap objek pengamatan terbaru Metode. nyata dari dampak kemajuan teknologi Pada peramalan ini menitik beratkan pada penurunan. saat ini Telekomunikasi sudah menjadi sarana prioritas secara eksponensial pada objek. pokok bagi manusia Telekomunikasi merupakan pengamatan yang lebih tua. bentuk sarana komunikasi yang cepat dan Dalam pemulusan eksponensial atau. praktis Sehingga dibutuhkan suatu bentuk exponential smoothing terdapat satu atau lebih. layanan yang baik cepat dan tentunya harga parameterpemulusanyang ditentukan secara. yang disediakan tidak membuat kantong eksplisit dan hasil ini menentukan bobot yang. bocor dikenakan pada nilai observasi, Sebuah peramalan dibutuhkan dalam Dengan kata lain observasi terbaru. melihat jumlah pemakaian pelanggan Telkomsel akan diberikan prioritas lebih tinggi bagi. pada saat tertentu sehingga dapat diketahui peramalan daripada observasi yang lebih lama. kapan saat permintaan naik konstan dan Metode exponential smoothing dibagi lagi. keadaan sedang menurun berdasarkan menjadi beberapa metode. Dengan menggunakan peramalan maka, bisa diketahui jumlah pemakaian pelanggan 2 2 1 Single Exponential Smoothing. yang cukup banyak Juga dikenal sebagai simple,exponential smoothing yang digunakan pada.
2 DASAR TEORI peramalan jangka pendek biasanya hanya 1. 2 1 Peramalan bulan ke depan Model mengasumsikan bahwa. Peramalan merupakan alat bantu yang data berfluktuasi di sekitar nilai mean yang. penting dalam perencanaan yang efektif dan tetap tanpa trend atau pola pertumbuhan. efisien Menurut Makridakis 1999 teknik konsisten Makridakis 1999 Rumus untuk. peramalan terbagi menjadi dua bagian yang Simple exponential smoothing adalah sebagai. pertama metode peramalan subjektif dan metode berikut. peramalan objektif,Metode peramalan subjektif Ft 1 Xt 1 Ft 1. mempunyai model kualitatif dan metode, peramalan objektif mempunyai dua model yaitu dimana. model time series dan model kausal Model Ft peramalan untuk periode t. kualitatif berupaya memasukkan faktor faktor Xt 1 Nilai aktual time series. subyektif dalam model peramalan model ini Ft 1 peramalan pada waktu t 1. akan sangat bermanfaat jika data kuantitatif konstanta perataan antara 0 dan 1. yang akurat sulit diperoleh Contoh dari metode, ini ialah metode delphi opini juri eksekutif 2 2 2 Double Exponential Smoothing. komposit kekuatan dan survey pasar konsumen Metode ini digunakan ketika data. Model kausal memasukkan dan menunjukkan adanya trend Exponential. menguji variabel variabel yang diduga akan smoothing dengan adanya trend seperti. mempengaruhi variabel dependen model ini pemulusan sederhana kecuali bahwa dua. biasanya menggunakan analisis regresi untuk komponen harus diupdate setiap periode level. menentukan mana variabel yang signifikan dan trendnya Level adalah estimasi yang. mempengaruhi variable dependen Selain dimuluskan dari nilai data pada akhir. menggunakan analisis regresi model kausal masingmasing periode Trend adalah estimasi. juga dapat menggunakan metode ARIMA atau yang dihaluskan dari pertumbuhan rata rata. Box Jenkins untuk mencari model terbaik yang pada akhir masing masing periode Makridakis. dapat digunakan dalam peramalan 1999,Model time series merupakan model. yang digunakan untuk memprediksi masa depan Rumus double exponential smoothing adalah. dengan menggunakan data historis Dengan kata St Yt 1 St 1 bt 1 2. lain model time series mencoba melihat apa bt St St 1 1 bt 1 3. yang terjadi pada suatu kurun waktu tertentu Ft m St bt m 4. SISFO Jurnal Sistem Informasi, dimana dapat dihipotesiskan baik sebagai fungsi dari.
St peramalan untuk periode t waktu atau sebagai fungsi dari variabel bebas. Yt 1 Nilai aktual time series kemudian diuji Langkah penting dalam. bt trend pada periodeke t memilih model time series yang tepat adalah. parameter pertama perataan antara nol dan dengan mempertimbangkan jenis pola data. 1 untuk pemulusan nilai observasi sehingga metode yang paling tepat dengan pola. parameter kedua untuk pemulusan trend tersebut dapat diuji Pola data dapat dibedakan. Ft m hasil peramalan ke m menjadi empat jenis siklis dan trend. m jumlah periode ke muka yang akan Time series merupakan data yang. diramalkan dikumpulkan dicatat atau diobservasi sepanjang. waktu secara berurutan dengan beberapa, 2 2 3 Triple Exponential Smoothing periode waktu dapat tahun kuartal bulan. Metode ini digunakan ketika data minggu dan pada beberapa kasus hari atau jam. menunjukan adanya trend dan perilaku Data time series di analisis untuk menemukan. musiman Makridakis 1999 Untuk menangani pola variasi masa lalu yang dapat dipergunakan. musiman telah dikembangkan parameter untuk memperkirakan nilai untuk masa depan. persamaan ketiga yang disebut metode Holt forecast karena dengan mengamati data runtut. Winters sesuai dengan nama penemuya waktu akan terlihat empat komponen yang akan. Terdapat dua model Holt Winters tergantung mempengaruhi pola data masa lalu dan sekarang. pada tipe musimannya yaitu Multiplicative yang benderung berulang di masa mendatang. seasonal model dan Additive seasonal model Mukhyi 2008 Klasifikasi model time series. yang akan dibahas pada bagian lain dari blog berdasarkan bentuk atau fungsi antara lain linier. ini Metode exponentian smoothing yang telah dan nonlinier contoh dari model time series. dibahas sebelumnya dapat digunakan untuk linier yaitu moving average Exponential. hampir segala jenis data stasioner atau non Smoothing. stasioner sepanjang data tersebut tidak, mengandung faktor musiman Tetapi bilamana 2 3 1 Data Stationer. terdapat musiman metode ini dijadikan cara Pola data ini terjadi jika terdapat data. untuk meramalkan data yang mengandung yang berfluktuasi disekitar nilai rata rata yang. faktor musiman namun metode ini sendiri tidak konstan Makridakis 1999 Suatu produk yang. dapat mengatasi masalah tersebut dengan baik penjualannya tidak meningkat atau menurun. Meskipun demikian metode ini dapat selama waktu tertentu termasuk jenis pola ini. menangani factor musiman secara langsung Pola khas dari data horizontal atau stasioner. Makridakis 1999 Rumus yang digunakan seperti ini dapat dilihat dalam Gambar 1. untuk triple exponential smoothing adalah,Pemulusan trend. Bt g St St 1 1 g bt 1 5,Pemulusan Musiman,t S 1 b t L m 6. Ft m St bt m It L m 7,Dimana L adalah panjang musiman.
misal jumlah kuartal dalam suatu tahun b,adalah komponen trend I adalah factor. Gambar 1 Pola Data Stationer Horizontal,penyesuaian musiman dan Ft m adalah. ramalan untuk m periode ke muka,2 3 2 Data Musiman. Pola data ini terjadi jika terdapat suatu, 2 3 Jenis Pola Data deret data yang dipengaruhi oleh faktor. Model time series seringkali dapat,musiman misalnya kuartal tahun tertentu.
digunakan dengan mudah untuk meramal,bulanan atau hari hari pada minggu tertentu. sedangkan model kausal dapat digunakan Penjualan dari produk seperti minuman ringan. dengan keberhasilan yang lebih besar untuk es krim dan bahan bakar pemanas ruang. pengambilan keputusan dan kebijaksanaan semuanya menunjukkan jenis pola ini Untuk. Makridakis 1999 Bilamana data yang,pola musiman kuartalan dapat dilihat Gambar 2. diperlukan tersedia suatu hubungan peramalan,SISFO Jurnal Sistem Informasi. 2 4 ORDINARY LEAST SQUARE,Dalam statistik dan ekonometrik. kuadrat terkecil biasa Ordinary Least Square,atau kuadrat terkecil linier Linear Least.
Square merupakan metode untuk,memperkirakan parameter yang tidak diketahui. dalam model regresi linier Metode ini,meminimalkan jumlah jarak kuadrat antara data. yang diamati langsung pada dataset dan data,yang telah diprediksi dengan menggunakan. metode pendekatan linear,Dengan mendapatkan nilai parameter. Gambar 2 Pola Data Musiman,yang optimal maka error yang didapatkan dari.
hasil peramalan yang dilakukan akan kecil dan,2 3 3 Data Siklis. ketepatan peramalan semakin endekati terhadap, Pola data ini terjadi jika terdapat data yang real. data yang dipengaruhi oleh fluktuasi, ekonomi jangka panjang seperti yang 2 4 1 Regresi Linear Sederhana Simple. berhubungan dengan siklus bisnis Contoh Linear Regression. Penjualan produk seperti mobil baja dan Dalam statistik regresi linier sederhana. peralatan utama lainnya Jenis pola ini adalah penaksir kuadrat terkecil dari model. dapat dilihat pada Gambar 3 regresi linier dengan variable prediktor tunggal. Dengan kata lain regresi linier sederhana,mencocokkan dengan garis lurus melalui. serangkaian titiktitik n sedemikian rupa yang,membuat jumlah kuadrat residual dari model.
Pada gambar 5 merupakan contoh,penyebaran data yang ada pada persamaan linier. untuk dicarikan parameter dengan rumus,dibawah ini. Gambar 3 Pola Data Siklis,2 3 4 Data Trend,Pola data ini terjadi jika terdapat. kenaikan atau penurunan sekuler jangka panjang,dalam data Contoh Penjualan banyak. perusahaan GNP dan berbagai indikator bisnis,atau ekonomi lainnya Jenis pola ini dapat.
dilihat pada Gambar 4,Gambar 5 Contoh Linier Regression. 2 5 Evaluasi Hasil Peramalan,Evaluasi hasil peramalan digunakan. untuk mengetahui keakuratan hasil peramalan,yang telah dilakukan terhadap data yang. sebenarnya Terdapat banyak metode untuk,melakukan perhitungan kesalahan peramalan. Beberapa metode yang digunakan adalah,2 5 1 Root Mean Square Error.
Cara yang cukup sering digunakan, Gambar 4 Pola Data Trend dalam mengevaluasi hasil peramalan yaitu. dengan menggunakan metode Mean,Squared Error MSE Dengan. SISFO Jurnal Sistem Informasi, menggunakan MSE error yang ada Galat Persentase Percentage Error. menunjukkan seberapa besar perbedaan,hasil estimasi dengan hasil yang akan. diestimasi Hal yang membuat berbeda 11, karena adanya keacakan pada data atau Nilai Tengah Galat Persentase Mean.
karena tidak mengandung estimasi yang Percentage Error. lebih akurat,9 Nilai Tengah Galat Persentase Absolut. Dimana Mean Absolut Percentage Error,MSE Mean Square Error. N Jumlah Sampel,t y Nilai Aktual Indeks 13,t y Nilai Prediksi Indeks. Xt Data history atau Data aktual pada,RMSE merupakan mengakarkan nilai periode ke t. dari MSE yang sudah dicari sebelumnya RMSE Ft Data hasil ramalan pada periode ke t. digunakan untuk mencari keakuratan hasil n jumlah data yang digunakan. peramalan dengan data history dengan t periode ke t. menggunakan rumus Makridakis 1999, Semakin kecil nilai yang dihasilkan semakin 3 IMPLEMENTASI DAN UJI COBA.
bagus pula hasil peramalan yang dilakukan,Alur implementasi terlihat pada. flowchart dibawah ini,2 5 2 Mean Absolute Percentage Error. Metode ini melakukan perhitungan,perbedaan antara data asli dan data hasil. peramalan Perbedaan tersebut diabsolutkan,kemudian dihitung ke dalam bentuk persentase. terhadap data asli Hasil persentase tersebut,kemudian didapatkan nilai mean nya Suatu.
model mempunyai kinerja sangat bagus jika,nilai MAPE berada di bawah 10 dan. mempunyai kinerja bagus jika nilai MAPE,berada di antara 10 dan 20 Zainun dan. Majid 2003,Dalam fase peramalan menggunakan,MSE sebagai suatu ukuran ketepatan juga dapat. menimbulkan masalah Makridakis 1999,Ukuran ini tidak memudahkan perbandingan. antar deret berkala yang berebeda dan untuk,Gambar 6 Alur Implementasi.
selang waktu yang berlainan karena MSE,merupakan ukuran absolut Lagi pula. Sebelum melakukan peramalan atau,interpertasinya tidak bersifat intuitif bahkan. implementasi peramalan data yang digunakan,untuk para spesialis sekalipun karena ukuran. untuk peramalan adalah data pelanggan PT,ini menyangkut penguadratan sederetan nilai. TELKOMSEL Divre 3 Surabaya dalam,Alasan yang telah disebutkan di atas.
penggunaan waktu telepon selama 4 tahun,dalam hubungan dengan keterbatasan MSE. yaitu tahun 2005 2006 2007 dan 2008,sebagai suatu ukuran ketepatan peramalan. Dalam melakukan implementasi,Maka diusulkan ukuran ukuran alternatif. peramalan ini pengerjaannya menggunakan,yang diantaranya menyangkut galat persentase. bantuan software Matlab,Makridakis 1999 Tiga ukuran berikut seing.
SISFO Jurnal Sistem Informasi,Tabel 1 Data Pelanggan Tahun 2005 April 25315 571. Data Aktual May 24900 018,June 25499 252,January 27152 745. July 25270 029,February 24509 251,August 25261 741. March 24957 753,September 23995 889,April 23837 821. October 25663 137,May 24583 556,November 25034 476.
June 24770 868,December 24442 209,July 26115 190, August 24215 304 Dalam proses peramalan yang sudah. September 25165 272 disediakan tersebut harus ada data masukan. October 23584 067 yang akan diproses dengan proses peramalan. November 25084 774 Namun sebelum di inputkan ke dalam proses. Forecasting is important for companies in formulating corporate strategy in the future Therefore an appropriate forecasting method is absolutely necessary that the campany can get maximum benefit from a forecasting process Method of Exponential Smoothing is a popular method used in forecasting the pattern of time series because it has good performance Makridakis 1999 This method has a

Related Books