Metode Exponential Smoothing *IBM SPSS 23


Exponential Smoothing merupakan prosedur perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru. Ia menitik-beratkan pada penurunan prioritas secara eksponensial pada objek pengamatan yang lebih tua. Dengan kata lain, observasi terbaru akan diberikan prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama.

1. Single Exponential Smoothing

Juga dikenal sebagai simple exponential smoothing yang digunakan pada peramalan jangka pendek, biasanya hanya 1 bulan ke depan. Model mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola pertumbuhan konsisten.

Rumus untuk Simple exponential smoothing adalah sebagai berikut:

SES

dimana:

St = peramalan untuk periode t.

Xt + (1-α) = Nilai aktual time series

Ft-1= peramalan pada waktu t-1 (waktu sebelumnya)

α  = konstanta perataan antara nol dan 1

2. Double Exponential Smoothing

Metode ini digunakan ketika data menunjukkan adanya trend. Exponential smoothing dengan adanya trend seperti pemulusan sederhana kecuali bahwa dua komponen harus diupdate setiap periode – level dan trendnya. Level adalah estimasi yang dimuluskan dari nilai data pada akhir masing-masing periode. Trend adalah estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir masing-masing periode. Rumus double exponential smoothing adalah:

DES

3. Triple Exponential Smoothing

Metode ini digunakan ketika data menunjukan adanya trend dan perilaku musiman. Untuk menangani musiman, telah dikembangkan parameter persamaan ketiga yang disebut metode “Holt-Winters” sesuai dengan nama penemuya. Terdapat dua model Holt-Winters tergantung pada tipe musimannya yaitu Multiplicative seasonal model dan Additive seasonal model yang akan dibahas pada bagian lain dari blog ini.

Kita kembali lagi ke data visit Bali yang dirilis oleh Disparda Bali, yang belum punya bisa download datanya disini;, data terdiri atas 92 pengamatan.

1. tahap analisis

pilih di menubar analyze > create traditional model,

2. Setelah muncul jendela time series modeller, masukkan variabel “visit” ke kotak dependent variables, method pilih exponential smoothing, lalu klik criteria,
3. Dalam jendela criteria – variables, kita akan menentukan model yang akan kita bangun, dalam contoh kali ini kita memilih simple (1,1,1)

  • simple artinya tidak memasukkan komponen trend dan musiman, sama dengan zero order autoregression pada ARIMA, dan diferensiasi tingkat pertama, dan juga moving average tingkat pertama (1,1,1).
  • Holt’s linear trend cocok untuk data dengan komponen trend linier tanpa komponen musiman. Model Holt’s dapat dikatakan sama dengan zero order autoregression, dengan diferensiasi tingkat kedua dan moving average tingkat kedua (1,2,2).
  • Browns Linear trend memasukkan komponen trend linier dan musiman, sama halnya dengan metode Holt’s, dengan perbedaan pada zero order autoregression, diferensiasi tingkat dua, dan moving average tingkat kedua (1,2,2), dengan koefisien moving average tingkat kedua sama dengan kuadrat dari satu setengah kali koefisien moving average tingkat pertama.
  • Damped trend adalah untuk data dengan trend linier tetapi tidak mengandung komponen musiman, parameter pemulusannya adalah level, trend, dan damping trend. Ia sama dengan zero order autocorrelation, dengan diferensiasi tingkat pertama, dan moving average tingkat kedua (1,1,2).

4. Kemudian pilih statistic, seperti di bawah ini,

5. Lalu setting plot,

6. kemudian menubar save > ok > ok,

7. Outputnya ditampilkan sebagai berikut:

Stationary R-squared dan R-squared menunjukkan nilai positif masing-masing 0,106 dan 0,834, ini menunjukkan bahwa belum dapat dijelaskan apakah model yang digunakan dalam prediksi lebih baik daripada model dasar.

RMSE dan MAE menunjukkan kualitas kecocokan antara model yang dibangun dengan data aktual, nilai ini menunjukkan selisih atau residual dari model dasar dengan model yang diprediksi, semakin kecil selisihnya maka model akan semakin baik. Dengan kata lain RMSE dan MAE merupakan standar deviasi dari data.

Normalize BIC (bayesian information criterion) dapat bernilai negatif dan positif, semakin kecil nilainya, maka model akan semakin baik, tergantung dari struktur datanya.

8. Plot untuk hasil forecast ditampilkan sebagai berikut, data :


9. Berikut grafik perbandingan variabel visit dengan visit_1 :

untuk data hasil forecast dengan data aktual dapat kamu unduh dalam format excel disini

untuk data output dengan format spss dapat kamu unduh disini

download materi versi pdf dibawah >>>

download link

4 thoughts on “Metode Exponential Smoothing *IBM SPSS 23

  1. Assalamu’alaikum….bisa minta tlg d perinci lg metode winters n bagaiman model kombinasi metode regresi dan winters

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s