Exponential Smoothing

   Sore kawan blogger, sore ini saya melanjutkan pembahasan metode forecasting menggunakan Exponential Smoothing.

   Exponential Smoothing adalah salah satu metode yang dapat digunakan dalam melakukan forecast. Metode ini melakukan perbaikan secara terus menerus dengan cara merata-rata nilai masa lalu suatu data runtun waktu dengan cara menurun (exponential). Exponential smoothing dalam metode forecast yang menggunakan nilai pembobot pada serangkaian pengamatan  masa lalu untuk memprediksi nilai masa depan. Exponential smoothing dibagi menjadi 3, yaitu:

   1.  Single Exponential Smoothing (SES)

Single Exponential smoothing juga dikenal sebagai Simple Exponential Smoothing yang digunakan pada peramalan jangka pendek, biasanya hanya 1 periode ke depan. Model SES mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola data stasioner(horizontal). Rumus untuk Simple Exponential smoothing adalah sebagai berikut:

F_t+1 = α * y_t + (1 – α) * F_t

dimana:
F_t+1         : peramalan untuk periode berikutnya
α          : konstanta pemulusan

y_t             : data aktual ke-t

F_t             : nilai peramalan ke-t

   2.  Double Exponential Smoothing 

   Metode ini digunakan ketika data menunjukkan adanya trend. Trend adalah estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir masing-masing periode. Rumus Single Exponential smoothing adalah:

S_t = α * Y_t + (1 – α) * (S_t-1 + b_t-1)             

b_t = Υ * (S_t – S_t-1) + (1 – Υ) * b_t-1  

   3.  Holt- Winters

Model Holt-Winters digunakan untuk memodelkan data dengan pola musiman, dan tren. Holt-Winters didasarkan pada tiga persamaan penghalusan, yakni persamaan penghalusan keseluruhan, penghalusan tren, dan penghalusan musiman. Rumus yang digunakan dalam Holt-Winters adalah sebagai berikut: