49
Dengan keterbatasan bahwa :
?
W
t
=
1
2.6.7.3 Pemulusan Eksponensial (Exponential Smoothing = ES)
Kelemahan teknik MA
dalam kebutuhan akan data-data
masa
lalu
yang cukup
banyak dapat diatasi dengan teknik
ES. Model
matematis ES dapat dikembangkan
dari persamaan berikut :
F
t
= F
t
-1
+
A
t
-
A
t
-
N
N
Dimana bila data permintaan actual
yang lama A
t-N
tidak tersedia, maka dapat
digantikan dengan pendekatan
yang berupa nilai ramalan sebelumnya (F
t-1
),
sehingga dapat ditulis menjadi :
A
t
-
F
t
?
1
?
+
?
1
-
1
?
F
t
= F
t
-1
+
atau
F
t
=
?
?
A
t
?
?
F
t
-1
N
?
N
?
?
N
?
2.6.7.4 Pemulusan
Eksponensial
dengan
unsure
stasioner,
trend,
dan
musiman
(metode winter)
Teknik
MA
dan
ES
sederhana
hanya
tepat
bila
datanya
stasioner. Bila
data
permintaan
besifat
musiman
dan
mempunyai trend,
maka
dapat
diselesaikan
dengan salah
satu
teknik
ES
yang
biasa
disebut metode winter
(WM).
Metode
winter
didasarkan
atas
tiga
persamaan
pemulusan
yaitu
satu
persamaan
untuk
unsur
penyesuaian stasioner, satu
persamaan
untuk
unsur
penyesuaian trend, dan
satu persamaan untuk unsur penyesuaian musiman. Salah satu masalah
 |