Peramalan Exponential Smoothing merupakan salah satu metode dalam time series yang menggunakan pembobotan data masa lalu secara exponential. Dalam hal ini, metode Exponential Smoothing terbagi atas tiga yaitu Single Exponential Smoothing yang digunakan untuk pemulusan data yang stasioner, tidak memiliki trend dan variasi musiman sehingga hanya menggunakan satu parameter yaitu alpha (α) , Double Exponential Smoothing yang digunakan dalam pemulusan data yang memuat trend namun tidak memiliki variasi musiman, memiliki dua parameter pemulusan yaitu alpha(α) dan beta (β) , dan Triple Exponential Smoothing merupakan pemulusan exponential smoothing yang bertujuan untuk melakukan pemulusan pada data yang memuat trend, dan variasi musiman dengan menggunakan tiga parameter pemulusan yakni alpha (α), beta(β), dan gamma (γ). Menurut Suryawati (2011) ada tiga parameter yang perlu penetapan, tergantung dari komponen trend dan variasi musiman:
- Alpha (α) merupakan parameter yang mengontrol pembobotan relatif pada pengamatan yang baru dilakukan. Jika alpha bernilai 1 maka hanya pengamatan terbaru yang digunakan secara eksklusif. Sebaliknya bila alpha bernilai 0 maka pengamatan yang lalu dihitung dengan bobot sepadan dengan yang terbaru. Parameter alpha digunakan pada semua model.
- Beta (ß) merupakan parameter yang mengontrol pembobotan relatif pada pengamatan yang baru dilakukan untuk mengestimasi kemunculan trend seri. Nilai beta berkisar dari 0 sampai 1. Nilai semakin besar menujukkan pemberian bobot yang semakin besar pada pengamatan terbaru. Parameter beta digunakan pada model yang memiliki komponen trend linier atau eksponensial dengan tidak memiliki variasi musiman.
- Gamma (γ) merupakan parameter yang mengontrol pembobotan relatif pada pengamatan yang baru dilakukan untuk mengestimasi kemunculan variasi musiman. Nilai gamma berkisar dari 0 sampai 1. Nilai semakin besar menunjukkan pemberian bobot yang semakin besar pada pengamatan terbaru. Parameter gamma digunakan pada model yang memiliki variasi musiman.
Beberapa keuntungan dari jumlah penggunaan metode Exponential Smoothing adalah banyak mengurangi masalah penyimpanan data, sehingga tidak perlu lagi menyimpan semua data historis atau sebagian; hanya pengamatan terakhir, ramalan terakhir, dan suatu nilai konstanta yang harus disimpan. (Makridakis dkk, 1999). Hal ini disebabkan karena metode ini memiliki keunggulan dibandingkan metode–metode lainnya, yaitu metode penghalusan eksponensial bersifat sederhana, intuitif dan mudah dipahami. Artinya, walaupun sederhana namun sangat berguna bagi peramalan jangka pendek (shortterm forecasting) dari data time series yang panjang (Suwandi, 2015).
Single Exponential Smoothing
Single Exponential Smoothing merupakan metode yang digunakan untuk peramalan jangka pendek. Metode ini digunakan untuk data dengan model data yang diasumsikan berfluktuasi di sekitar nilai rata-rata yang konstan yaitu tidak berubah sepanjang waktu (data stasioner), tanpa trend atau pola pertumbuhan konsisten (Makridakis, dkk. 1997).
Rumus untuk Single Exponential Smoothing adalah sebagai berikut:
𝐹𝑡 = 𝛼𝑌𝑡−1 + (1 − 𝛼)𝑆𝑡−1
dengan:
𝑆𝑡−1 : Nilai peramalan untuk periode t – 1,
𝑌𝑡−1 : Data aktual dari periode ke t – 1,
𝛼 : Parameter dengan nilai antara 0 sampai 1,
𝐹𝑡 : Nilai peramalan ke t.
Eksplorasi Parameter
𝐹𝑡 = 𝛼𝑌𝑡−1 + (1 − 𝛼)𝑆𝑡−1
- Untuk 𝛼 = 0, maka diperoleh persamaan peramalan sebagai berikut:
𝐹𝑡 = 𝛼𝑌𝑡−1 + (1 − 𝛼)𝑆𝑡−1
𝐹𝑡 = (0)𝑌𝑡−1 + (1 − (0))𝑆𝑡−1
𝐹𝑡 = 𝑆𝑡−1
- Untuk 𝛼 = 1, maka diperoleh persamaan peramalan sebagai berikut:
𝐹𝑡 = 𝛼𝑌𝑡−1 + (1 − 𝛼)𝑆𝑡−1
𝐹𝑡 = (1)𝑌𝑡−1 + (1 − 1)𝑆𝑡−1
𝐹𝑡 = 𝑌𝑡−1
Contoh
Sebuah perusahaan yang menjual Kalkulator ingin meramalkan permintaan produknya di pasar. Metode yang digunakan adalah metode Penghalusan Eksponensial atau Exponential Smoothing. Perusahaan tersebut menggunakan Konstanta α = 0,1. Prakiraan Permintaan atau demand untuk bulan Januari adalah 10.000 unit. Namun pada kenyataannya, permintaan aktual pada bulan Januari tersebut hanya sebanyak 9.000 unit. Berapakah prakiraan untuk bulan Februari?
| Bulan | Aktual |
| Januari | 9000 |
| Februari | 11000 |
| Maret | 11500 |
| April | 10000 |
| Mei | 9500 |
| Juni | 8900 |
| Juli | 10000 |
| Agustus | 11500 |
Diketahui :
α = 0,1
Ft – 1 = 10.000 unit
Dt – 1 = 9.000 unit
Ft = ?
Jawaban :
Ft = Ft – 1 + α (Dt-1 – Ft-1)
Ft = 10.000 + 0,1 (9.000 – 10.000)
Ft = 10.000 + 0,1 (-1.000)
Ft = 10.000 + (-100)
Ft = 9.900
Jadi prakiraan permintaan untuk bulan Februari adalah 9.900 units.
Untuk Prakiraan pada bulan-bulan selanjutnya, kita dapat menghitung dengan cara yang sama.
| Bulan | Aktual | Prakiraan |
| Januari | 9000 | 10000 |
| Februari | 11000 | 9900 |
| Maret | 11500 | 10010 |
| April | 10000 | 10159 |
| Mei | 9500 | 10143,1 |
| Juni | 8900 | 10078,79 |
| Juli | 10000 | 9960,911 |
| Agustus | 11500 | 9964,82 |
Sumber :
- Suryawati s, 2011. Peramalan (forecasting) Volume Penjualan dengan Metode Exponential Smoothing, UIN Alauddin.
- Suwandi Adi, A. K. (2015). Peramalan Data Time Series dengan Metode Penghalusan Eksponential Holt-Winter. Universitas Negeri Makassar
- Makridakis dkk. (1999). Metode dan Aplikasi Peramalan (terjemahan). Jakarta: Binarupa Aksara
- Makridakis, dkk., (1997). Metode dan Aplikasi Peramalan Jilid 1, Edisi Pertama. (Terjemahan Untung S., Andrianto). Jakarta: Erlangga
- Aswi dan Sukarna, Analisis Time series Teori dan Aplikasi. Makassar