Metode Triple Exponential Smoothing merupakan metode dalam time series yang
didasarkan atas tiga persamaan pemulusan yaitu satu untuk stasioner, trend, dan musiman
dengan menggunakan tiga parameter pemulusan yakni α, β, γ yang masing-masing bernilai
antara 0 – 1. Adapun nilai peramalan dapat dicari dengan persamaan menurut (Bossarito,
2018):
Pemulusan Musiman :
Pemulusan Data :
Pemulusan Trend :
Peramalan :
dimana :
Ketetapan Ramalan
(Makridakis dkk, 1999) menjelaskan setiap metode peramalan memiliki ketepatan dan tingkat
kesulitan masing-masing yang harus dipertimbangkan. Oleh karena itu, harus dipilih metode
yang paling tepat sesuai dengan karakteristik data yang ditangani serta dengan
mempertimbangkan minimalisasi kesalahan peramalan dalam menentukan atau memilih
konstanta pemulusan. Ketetapan ramalan adalah suatu hal yang sangat penting untuk
peramalan, yaitu bagaimana mengukur kesesuaian antara data yang sudah ada dengan data
peramalan. Ada beberapa metode yang biasa digunakan dalam menghitung kesalahan hasil
peramalan (forecast error).
1. Root Mean Square Error (RMSE)
RMSE merupakan nilai alternatif untuk mengevaluasi teknik peramalan yang digunakan untuk
mengukur tingkat akurasi hasil prakiraan suatu model. RMSE adalah nilai rata-rata dari jumlah
kuadrat kesalahan yang dihasilkan oleh suatu model peramalan. Nilai RMSE rendah
menunjukkan bahwa variansi nilai yang dihasilkan oleh suatu model peramalan mendekati
variasi nilai observasinya (Sugiyanto.S, 2016). Nilai dari Root Mean Square Error (RMSE)
menunjukkan perbedaan antara hasil peramalan dengan hasil yang akan diramalkan. Metode
RMSE menghitung keakuratan hasil peramalan menggunakan data history. Model peramalan
semakin akurat jika nilai RMSE (Root Mean Square Error) semakin kecil. RMSE dapat dicari
dengan menggunakan rumus berikut :
dengan :
2. Mean Absolute Percentage Error (MAPE)
(Bossarito, 2018) mengatakan bahwa kesalahan persen rata-rata absolute atau Mean Absolute
Percent Error (MAPE) merupakan rata-rata diferensiasi absolut antara nilai peramalan dan
aktual, yang dinyatakan sebagai presentase nilai aktual. MAPE merupakan pengukuran
kesalahan yang menghitung ukuran presentase penyimpangan antara data aktual dengan data
peramalan. Menurut (Chang P.C., 2007) Nilai MAPE dapat dicari dengan menggunakan rumus
pada persamaan :
dengan :
Jumlah penggunaan MAPE pada evaluasi hasil prediksi dapat menghindari pengukuram
akurasi terhadap besarnya nilai aktual dan nilai peramalan. Kriteria nilai MAPE ditunjukkan
pada Tabel 1 (Chang, P, dkk, 2007).
Tabel 1. Kriteria Nilai MAPE
3. Mean Square Error (MSE)
Menurut Aswi dan Sukarna (2016), MSE adalah suatu kriteria pemilihan model terbaik
berdasarkan pada hasil sisa peramalannya. Kriteria MSE dirumuskan sebagai berikut :
dengan :
Semakin kecil nilai MSE berarti nilai taksiran semakin mendekati nilai sebenarnya, atau model
yang dipilih merupakan nilai terbaik.
Daftar Pustaka
Bossarito putro. 2018. PREDIKSI JUMLAH KEBUTUHAN PEMAKAIAN AIR MENGGUNAKAN METODE EXPONENTIAL SMOOTHING (STUDI KASUS: PDAM KOTA MALANG). Universitas Brawijaya. Indonesia
Makridakis, S., Wright, S.C.W., & Mc Gee V. (1999). Metode dan Aplikasi Peramalan Jilid 1. Terjemahan Hari Suminto. Jakarta: Binarupa Aksara
Aswi dan Sukarna. 2006. Analisis Deret Waktu Teori dan Aplikasi. Makassar: Andira Publisher.