02/03/2015

Exponential smoothing
This is a widely used forecasting technique
in retailing, even though it has not proven to
be especially accurate,

www,clt,astate,edu/crbrown/smoothing07,ppt

1

• Dalam kenyataannya. bobot pengaruh data yang  lebih baru mestinya lebih besar. Single Exponential Smoothing (SES) • Metode Moving Average mengakomodir pengaruh  p p y data beberapa periode sebelumnya melalui  pemberian bobot yang sama dalam proses merata‐ rata. ignored • Exponential Smoothing menggunakan semua data series untuk melakukan  peramalan dengan bobot lebih kecil  untuk data yang lebih lama. • Adanya perbedaan bobot pengaruh ini diakomodir  metode SES dengan menetapkan bobot secara  eksponensial. 2 . • Hal ini berarti bobot pengaruh sekian periode data  tersebut dianggap sama. 02/03/2015 Exponential Smoothing • n‐Period Moving Average menggunakan  hanya n periode data untuk melakukan  peramalan– the rest of the data is  ignored.

• S1 biasanya diambil dari rataan beberapa data  pertama (6 untuk MINITAB)  • Nilai smoothing pada periode ke pada periode ke‐tt bertindak  sebagai nilai forecast pada periode ke‐(t+1) Î Ft = St–1 dan Fn.6 0.4 MA(3) MA(6) 0.7) 0.2 0. 02/03/2015 Single Exponential Smoothing (lanjutan) • Nilai smoothing pada periode ke‐t:  St =  α Xt + (1 –  (   α) St–1 • Nilai α merupakan parameter pemulusan dengan  nilai 0 < α < 1.7 Bobot dalam penghalusan 0.8 0.5 SES(0.1 0 1 2 3 4 5 6 7 Periode sebelumnya 3 .h = Sn Bobot Pe Pemulusan mulusan MA vs MA vs SES  Perbandingan Bobot Penghalusan Moving Average Dengan Single Exponential Smoothing 0.3 0.

77600 5 5 5.46931 5.8*5.33664 7 8 5.63543 Seberapa Mulus data yang dihasilkan? Actual Data 4 .42080 5.72000 4 4 5.40000 3 6 5.18036 5.54429 11 6.97545 5.46931 8 7 6.2 =(0.18036 10 7 6.40000 5 50000 5.2*5)+(0.50000 2 7 5. 02/03/2015 Ilustrasi SES dengan α = 0.97545 9 8 6.5) Rataan 6 data  pertama Periode (t) Data (Xt) Smoothing (St) Forecasting (Ft) 1 5 5 40000 5.72000 5.63543 6.54429 6.63543 12 6.33664 5.42080 =S1 6 6 5.77600 5.

 semakin sedikit pergerakan data  deret waktu 5 . Review • Exponential smoothing merupakan suatu cara untuk  menghilangkan efek acak dari deret waktu dengan  menggunakan semua data deret waktu hingga periode  sekarang. • Nilai Pemulusan (Level) pada periode ke‐t: α(data aktual sekarang)  data aktual sekarang) + (1 + (1‐‐α)( )(data pemulusan sebelumnya data pemulusan sebelumnya)) • Peramalan periode t+1= Data pemulusan periode t • Inisialisasi:  Nilai Pemulusan pertama =  Nilai Pemulusan pertama = Rataan 6 data pertama Rataan 6 data pertama • Semakin kecil nilai α.  semakin “smooth”  data deret waktu  yang dihasilkan. 02/03/2015 Bagaimana jika digunakan α yang lebih besar? Semakin kecil nilai α.

   • Dengan demikian. data Januari 2005 hingga Juli 2007 sebagai data training dan digunakan untuk penerapan metode metode‐metode metode analisis time series.3 atau α = 0. SES dengan  0.4) Î mana yang dipilih?? • Membagi data menjadi dua bagian. training dan  testing • Training: bagian data yang digunakan untuk  smoothingg atau modelingg • Testing: bagian data yang digunakan untuk verifikasi  • Sebagai ilustrasi. 02/03/2015 Pemilihan Model • Beberapa model dapat diterapkan untuk data yang  ( g 3 . • sementara data Agustus 2007 hingga Oktober 2007 sebagai data testing.   • Katakanlah K k l h data 3 bulan d    b l terakhirkhi disisihkan di i ihk untuk verifikasi. g α =  sama (MA dengan m = 3 atau m = 6.  6 . misalkan data time series  yang ada berupa data bulanan dari Januari 2005 hingga Oktober 2007.

 MAD.3) SES(0.  i  f   l (MSE  MAD  MAPE   LAD) yang terkecil. MAPE. 02/03/2015 Pemilihan Model (lanjutan) 9 8 7 6 Semula 5 MA(m=3) MA(m=6) 4 SES(0.4) 3 2 1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 Waktu Berapa nilai α yang harus digunakan? • Tergantung pada peneliti/pembuat model • Jika peneliti mempertimbangkan beberapa  Jik   liti  ti b k  b b   nilai α Æ menghitung ramalan menggunakan  masing2 nilai – HANYA gunakan α yang memberikan hasil yang  bermanfaat (misal.  7 . dapat digunakan unuk  menentukan α. bukan α = 0) • Nil Nilai performa ramalan(MSE.

02/03/2015 Accuracy Measures • Beberapa ukuran yang dapat dipakai untuk penilaian  seberapa baik metode mengepas data: ¾ Mean Absolute Deviation (MAD) 1 n MAD = ∑ | X t − Xˆ t | n t =1 ¾ Mean Squared Deviation (MSD) 1 n MSD = ∑ ( X t − Xˆ t )2 n t =1 ¾ Mean Absolute Percentage Error (MAPE) 1 n X t − Xˆ t MAPE = ∑ X × 100% n t =1 t Double Exponential  Smoothing (DES) • Digunakan untuk data yang memiliki pola  tren • Semacam SES. hanya saja dilakukan dua kali Se aca S S. a ya saja d a u a dua a ¾Pertama untuk tahapan ‘level’ ¾Kedua untuk tahapan ‘tren’ 8 .

02/03/2015 Double Exponential Smoothing  (lanjutan lanjutan)) • Nilai smoothing data ke‐t: St = Lt = α Xt + (1‐ α)(Lt‐1 + Tt‐1) Æ level Tt = γ(Lt – Lt‐1) + (1‐γ)Tt‐1 Æ Tren Bila: Yt = a + b*t + e. 11.5324 13.10 16.6069 11 17.9676 0. 3 12.0638 0.30 13.507245 13.5143 0 540420 0.3913 .543134 16.554456 13. 12.571600 11.8539 0.8174 8 16 20 16.2 dan γ = 0.3429 9 16.8344 2 .80 12.3394 14.4367 7 15.6932 9 .0548 10 16.1501 12 17.527251 .3394 0.5324 0.9295 14.5143 15 3429 15.95 13.9049 0.8539 14.85 12.20 15 5143 15.488996 14.50 11.540420 15 5143 15.0869 6 13.9186 4 13. 0.5392 .523136 12.95 14.3 (output minitab) t Xt Lt Tt St Ft 1 12.9676 11.00 14.9295 0.9049 12.478042 14.4280 5 13.3913 . 12. maka L0 = a dan T0 = b • Nilai forecasting diperoleh dengan formula Ft+h = Lt + (h*Tt) Ilustrasi DES dengan α = 0.0638 16.

ppt 10 .cb. 02/03/2015 ILUSTRASI Data Penjualan Thermostat 206 189 172 255 245 244 210 303 185 209 205 282 169 207 244 291 162 211 218 280 177 210 182 255 207 173 206 312 216 194 211 296 193 234 273 307 230 156 248 281 212 206 262 308 192 188 258 280 162 162 233 345 http://personal.hk/msawan/teaching/ms6215/Ex Slide 20 ponential%20Smoothing%20Methods.edu.cityu.

02/03/2015 – Tidak ada pola  musiman ⇒ Metode pemulusan  p eksponensial dapat  diterapkan • Eksplorasi:  – Secara umum terdapat tren naik – Tingkat pertumbuhannya berubah‐ubah selama  periode 52 minggu Slide 21 Tahapan Pemulusan Exponensial • Langkah 1: Inisiasi dugaan ℓ0 dan t0 dengan melakukan  regresi untuk t dan Yt dengan metode OLS – y‐intercept = ℓ0. slope = t0 Slide 22 11 .

h = 1 • Contoh: yˆ1 (0) = A 0 + t0 = 166.325 = 168.325 Slide 23 Exponential Smoothing (lanjutan) • Langkah 2: hitung nilai y1 dari t=0 yˆT + h (T ) = A T + htT T = 0. 721 Slide 24 12 . 02/03/2015 • teladan – Lakukan regresi antara t dan Yt (observasi) – Trend line yˆt = 166.396 + 2.325t – ℓ0 = 166.396 + 2.3966. t0 = 2.

814 191.744 308 50 306.176 168.325) = 3.249 207 7 194.061 308.8(166. . 307 48 301. 4668 Slide 25 Output Minitab Xt t SMOO FITS 206 1 176.396) + 0.136 280 51 304.36 281 49 301.1 Mi l      = 0.1(176. .768 .375 196. .199 192. . . .2(206) + 0.9(2.87 311. . 09 = 179.661 198 576 198. .396 + 2.783 169 4 192 661 192.376 t1 = γ (A1 − A 0 ) + (1 − γ )t0 = 0.376 − 166.2 dan   A1 = α x1 + (1 − α )(A 0 + t0 ) = 0.721 245 2 192. .247 185 3 194. 09027 yˆ 2 (1) = A1 + t1 = 176. . .509 306. 02/03/2015 Exponential Smoothing (lanjutan) • Langkah 3: perbaiki dugaan ℓT dan tT (using some  predetermined values of smoothing constants) • Misal:  t α    d γ = 0.376 + 3.576 162 5 189.426 196.219 177 6 189.397 179.325) = 176.688 300.827 Slide 26 13 .087 345 52 316.595 306.

02/03/2015 LATIHAN Auto Parts. and Tires (Alpha = . Accessories.69) Year Month Actual 2006 7 6493 2006 8 6914 2006 9 6245 2006 10 6419 2006 11 6072 2006 12 5900 2007 1 5628 2007 2 5526 2007 3 6608 2007 4 6144 2007 5 6702 2007 6 6619 2007 7 6538 14 .

37 % Oktober 2013 8.90 % 15 . 02/03/2015 Beer.aspx Juni 2013 5.70 % Mei 2014 7.61 % ata/Default. and Liquor (Alpha = .32 % September 2013 8.53 % Juni 2014 6.1280) Year Month Actual 2006 7 3322 2006 8 3228 2006 9 3212 2006 10 3120 2006 11 3359 2006 12 4588 2007 1 2710 2007 2 2748 2007 3 3176 2007 4 3037 2007 5 3459 2007 6 3578 2007 7 3547 Januari 2015 6.79 % http://www.96 % Desember 2014 Nopember 2014 8. Wine.38 % Nopember 2013 8.32 % Februari 2014 7.75 % Januari 2014 8.32 % April 2014 7.bi.25 % Maret 2014 7.36 % 6.23 % Data Inflasi  Oktober 2014 4.go.53 % Agustus 2014 3.22 % Desember 2013 8.40 % Agustus 2013 8.99 % Juli 2014 4.id/id/moneter/inflasi/d Juli 2013 8.83 % September 2014 4.

742.00 5 February 2015 12.731.00 15 December 2014 12.493.00 27 January 2015 12.00 1 December 2014 12.467.580.593.00 11 February 201512.00 16 December 2014 12.00 13 February 201512.659.887.00 24 February 201512.00 28 January 2015 12.769.00 2 February 2015 12.700.00 Tugas Kelompok • Gunakan data yang anda kumpulkan pada  pertemuan pertama t   t • Lakukan pemulusan dengan metode yang  paling sesuai • Berikan komentar anda terhadap hasil  pemulusan yang diperoleh 16 .00 16 February 201512.00 6 January 2015 12.296.00 16 January 2015 12.00 22 December 2014 12.00 9 January 2015 12.440.00 29 January 2015 12.617.517.00 15 January 2015 12.608.444.757.565.00 20 January 2015 12.00 18 December 2014 12.500.00 3 December 2014 12.625.00 9 February 2015 12.00 23 December 2014 12.00 22 January 2015 12.451.00 30 December 2014 12.609.276.00 5 December 2014 12.00 10 February 201512.00 17 December 2014 12.00 29 December 2014 12.00 11 December 2014 12.336.866.00 23 February 201512.00 19 January 2015 12.00 9 December 2014 12.849.599. 02/03/2015 Data Kurs 27 February 201512.640.613.00 30 January 2015 12.653.700.336.00 18 February 201512.295.862.557.515.900.00 8 January 2015 12.00 2 January 2015 12.00 3 February 2015 12.436.00 12 December 2014 12.00 14 January 2015 12.00 7 January 2015 12.318.00 2 December 2014 12.643.00 12 February 201512.00 21 January 2015 12.720.00 4 February 2015 12.00 19 December 2014 12.00 20 February 201512.432.679.474.434.644.00 26 January 2015 12.732.00 31 December 2014 12.00 8 December 2014 12.00 25 February 201512.00 17 February 201512.00 6 February 2015 12.498.00 5 January 2015 12.00 13 January 2015 12.804.347.00 12 January 2015 12.794.568.00 23 January 2015 12.352.589.863.612.00 4 December 2014 12.456.00 26 February 201512.00 24 December 2014 12.264.813.00 10 December 2014 12.435.658.