PEMULUSAN EKSPONENSIAL: METODE DAN CONTOH - DUDAS - 2026

The pemulusan eksponensial adalah cara untuk meramalkan permintaan untuk sebuah artikel untuk suatu periode tertentu. Metode ini memperkirakan bahwa permintaan akan sama dengan rata-rata konsumsi historis dalam periode tertentu, memberikan bobot atau bobot yang lebih besar pada nilai-nilai yang mendekati waktunya. Selain itu, untuk perkiraan berikut memperhitungkan kesalahan yang ada dari perkiraan saat ini.

Peramalan permintaan adalah metode memproyeksikan permintaan pelanggan untuk suatu produk atau layanan. Proses ini berkelanjutan, di mana manajer menggunakan data historis untuk menghitung apa yang mereka harapkan dari permintaan penjualan suatu barang atau jasa.

Sumber: pixabay.com

Informasi dari masa lalu perusahaan digunakan dengan menambahkannya ke data ekonomi pasar untuk melihat apakah penjualan akan meningkat atau menurun.

Hasil ramalan permintaan digunakan untuk menetapkan tujuan bagi departemen penjualan, berusaha untuk tetap sejalan dengan tujuan perusahaan.

Metode pemulusan eksponensial

Pemulusan adalah proses statistik yang sangat umum. Data yang dihaluskan seringkali ditemukan dalam berbagai bentuk kehidupan sehari-hari. Setiap kali rata-rata digunakan untuk mendeskripsikan sesuatu, angka yang dihaluskan digunakan.

Misalkan rekor musim dingin terhangat dialami tahun ini. Untuk menghitungnya, kita mulai dengan kumpulan data suhu harian untuk periode musim dingin dari setiap tahun sejarah yang tercatat.

Ini menghasilkan sejumlah angka dengan "lompatan" besar. Anda memerlukan angka yang menghilangkan semua lompatan ini dari data agar lebih mudah membandingkan satu musim dingin dengan musim dingin lainnya.

Menghilangkan lompatan dalam data disebut smoothing. Dalam hal ini rata-rata sederhana dapat digunakan untuk mencapai penghalusan.

Menghaluskan ramalan cuaca

Untuk meramalkan permintaan, perataan juga digunakan untuk menghilangkan variasi permintaan historis. Ini memungkinkan identifikasi pola permintaan yang lebih baik, yang dapat digunakan untuk memperkirakan permintaan di masa mendatang.

Variasi permintaan memiliki konsep yang sama dengan "lompatan" data suhu. Cara paling umum untuk menghilangkan variasi dalam riwayat permintaan adalah dengan menggunakan rata-rata, atau secara khusus, rata-rata bergerak.

Rata-rata bergerak menggunakan jumlah periode yang telah ditentukan untuk menghitung rata-rata, dan periode tersebut bergerak seiring berjalannya waktu.

Misalnya, jika Anda menggunakan rata-rata pergerakan empat bulan dan hari ini adalah 1 Mei, Anda akan menggunakan permintaan rata-rata untuk Januari, Februari, Maret, dan April. Pada tanggal 1 Juni, permintaan untuk bulan Februari, Maret, April dan Mei akan digunakan.

Rata-rata bergerak tertimbang

Saat menggunakan rata-rata sederhana, kepentingan yang sama diterapkan ke setiap nilai dalam kumpulan data. Oleh karena itu, dalam rata-rata pergerakan empat bulan, setiap bulan mewakili 25% dari rata-rata bergerak.

Dengan menggunakan riwayat permintaan untuk memproyeksikan permintaan di masa depan, masuk akal bahwa periode terbaru memiliki dampak yang lebih besar pada perkiraan.

Penghitungan rata-rata bergerak dapat disesuaikan untuk menerapkan "bobot" yang berbeda pada setiap periode untuk mendapatkan hasil yang diinginkan.

Bobot ini dinyatakan sebagai persentase. Total semua bobot untuk semua periode harus berjumlah 100%.

Oleh karena itu, jika Anda ingin menerapkan 35% sebagai bobot untuk periode terdekat dalam rata-rata tertimbang empat bulan, Anda dapat mengurangi 35% dari 100%, menyisakan 65% untuk membagi di antara tiga periode yang tersisa.

Misalnya, Anda bisa mendapatkan pembobotan masing-masing 15%, 20%, 30% dan 35% selama empat bulan (15 + 20 + 30 + 35 = 100).

Pemulusan eksponensial

Input kontrol untuk perhitungan pemulusan eksponensial dikenal sebagai faktor pemulusan. Merepresentasikan bobot yang diterapkan ke permintaan untuk periode terbaru.

Jika 35% digunakan sebagai bobot periode terbaru dalam penghitungan rata-rata bergerak tertimbang, Anda juga dapat memilih untuk menggunakan 35% sebagai faktor penghalusan dalam penghitungan pemulusan eksponensial.

Bagian eksponensial

Perbedaan dalam penghitungan pemulusan eksponensial adalah bahwa alih-alih harus mencari tahu berapa banyak bobot yang akan diterapkan pada setiap periode sebelumnya, faktor pemulusan digunakan untuk melakukannya secara otomatis.

Ini adalah bagian "eksponensial". Jika 35% digunakan sebagai faktor penghalusan, bobot permintaan untuk periode terakhir adalah 35%. Pembobotan permintaan dari periode sebelumnya hingga yang terbaru akan menjadi 65% dari 35%.

65% berasal dari pengurangan 35% dari 100%. Ini setara dengan pembobotan 22,75% untuk periode itu. Permintaan untuk periode terakhir berikutnya akan menjadi 65% dari 65% dari 35%, yang setara dengan 14,79%.

Periode sebelumnya akan diberi bobot 65% dari 65% 65% dari 35% atau setara dengan 9,61%. Ini akan dilakukan untuk semua periode sebelumnya, hingga periode pertama.

Rumus

Rumus untuk menghitung pemulusan eksponensial adalah sebagai berikut: (D * S) + (P * (1-S)), dimana,

D = permintaan terbaru untuk periode tersebut.

S = faktor penghalusan, direpresentasikan dalam bentuk desimal (35% akan menjadi 0,35).

P = ramalan periode terakhir, hasil dari penghitungan smoothing periode sebelumnya.

Dengan asumsi bahwa kita memiliki faktor penghalusan 0,35, maka kita akan memiliki: (D * 0,35) + (P * 0,65).

Seperti yang Anda lihat, satu-satunya input data yang diperlukan adalah permintaan dan perkiraan periode terbaru.

Contoh

Sebuah perusahaan asuransi telah memutuskan untuk memperluas pasarnya ke kota terbesar di negara tersebut, menyediakan asuransi untuk kendaraan.

Sebagai langkah awal, perseroan ingin meramalkan berapa harga asuransi kendaraan yang akan dibeli oleh penduduk kota ini.

Untuk melakukan ini, mereka akan menggunakan sebagai data awal jumlah asuransi mobil yang dibeli di kota lain yang lebih kecil.

Perkiraan permintaan untuk periode 1 adalah 2.869 asuransi kendaraan yang dikontrak, tetapi permintaan sebenarnya pada periode itu adalah 3.200.

Atas kebijaksanaan perusahaan, ini menetapkan faktor penghalusan 0,35. Ramalan permintaan untuk periode selanjutnya adalah: P2 = (3200 * 0,35) + 2869 * (1-0,35) = 2984,85.

Perhitungan yang sama ini dibuat untuk satu tahun penuh, sehingga diperoleh tabel perbandingan berikut antara apa yang sebenarnya diperoleh dan apa yang diperkirakan untuk bulan itu.

Dibandingkan dengan teknik rata-rata, pemulusan eksponensial dapat memprediksi tren dengan lebih baik. Namun, masih kurang, seperti yang ditunjukkan pada grafik:

Dapat dilihat bagaimana garis abu-abu dari ramalan bisa jauh di bawah atau di atas garis biru permintaan, tanpa bisa mengikutinya sepenuhnya.

Referensi

1. Wikipedia (2019). Pemulusan eksponensial. Diambil dari: es.wikipedia.org.
2. Ingenio Empresa (2016). Cara menggunakan pemulusan eksponensial sederhana untuk meramalkan permintaan. Diambil dari: ingenioempresa.com.
3. Dave Piasecki (2019). Exponential Smoothing Dijelaskan. Diambil dari: inventoryops.com.
4. Study (2019). Teknik Peramalan Permintaan: Moving Average & Exponential Smoothing. Diambil dari: study.com.
5. Cityu (2019). Metode Pemulusan Eksponensial. Diambil dari: personal.cb.cityu.edu.hk.