"Kenapa forecast W1 kosong / tidak ada titik forecast untuk periode pertama?"

"Simple exponential smoothing butuh level awal sebelum bisa membuat forecast. Widget ini menetapkan S0 = A0 (level awal = data aktual pertama), sehingga forecast baru muncul mulai periode kedua (forecast(t) = level(t-1)). Titik pertama tidak punya forecast karena tidak ada level sebelumnya untuk dijadikan dasar."

"Alfa besar atau kecil, mana yang lebih baik?"

"Tidak ada jawaban universal — tergantung pola data. Alfa besar (mendekati 1) membuat forecast sangat responsif terhadap data terbaru, cocok untuk deret yang berubah cepat, tapi rentan mengikuti noise. Alfa kecil (mendekati 0) menghasilkan forecast yang halus dan stabil, cocok untuk deret yang relatif konstan, tapi lambat bereaksi terhadap pergeseran tren. Tombol ⌖ Optimum α mencari alfa yang meminimalkan SSE dari data yang dimasukkan, tapi itu optimal secara historis, bukan jaminan optimal ke depan."

"Apa beda MAE, MAPE, RMSE, dan SSE, dan mana yang harus dipakai?"

"MAE (rata-rata error absolut) mudah diinterpretasi dalam satuan asli data. MAPE menyatakan error dalam persentase sehingga bisa dibandingkan antar-deret dengan skala berbeda, tapi tidak terhitung kalau ada nilai aktual nol. RMSE dan SSE memberi bobot lebih besar pada error yang besar (karena dikuadratkan), sehingga lebih sensitif terhadap outlier — SSE yang dipakai widget ini untuk mencari α optimum karena meminimalkan SSE identik dengan meminimalkan RMSE."

Exponential Smoothing & Metrik Error

Tim operasional ritel atau rantai pasok perlu memperkirakan permintaan minggu depan dari data historis yang naik-turun. Exponential smoothing memberi forecast sederhana yang memberi bobot lebih besar pada data terbaru dibanding data lama, dan metrik error mengukur seberapa akurat forecast itu dibanding kenyataan.

Cara Pakai

Masukkan deret data aktual (dipisah koma, minimal 3 titik) dan atur slider Alfa (α) dari 0,05 sampai 0,95. Widget menghitung level dan forecast tiap periode, menampilkan grafik garis aktual vs fitted vs proyeksi periode berikutnya (ditandai lingkaran putus-putus), serta baris metrik MAE, MAPE, RMSE, dan SSE pada α yang dipilih. Tombol ⌖ Optimum α mencari α yang meminimalkan SSE lewat grid search 1–99%.

Rumus Kunci

Level awal dan forecast satu-langkah-ke-depan:

$$S_0 = A_0, \qquad \hat{A}_t = S_{t-1}, \qquad S_t = \alpha A_t + (1-\alpha) S_{t-1}$$

Metrik error dihitung dari $n-1$ pasangan aktual-forecast ($t = 1, \dots, n-1$), dengan $e_t = A_t - \hat{A}_t$:

$$MAE = \frac{1}{n-1}\sum |e_t| \qquad RMSE = \sqrt{\frac{1}{n-1}\sum e_t^2} \qquad MAPE = \frac{1}{n-1}\sum \left|\frac{e_t}{A_t}\right| \times 100\% \qquad SSE = \sum e_t^2$$

Contoh Angka

Data order mingguan (ribu order): 520, 490, 560, 610, 580, dengan α = 0,40.

S0 = 520 (level awal = data pertama)
Forecast W2 = 520; S1 = 0,40 × 490 + 0,60 × 520 = 508,0
Forecast W3 = 508,0; S2 = 0,40 × 560 + 0,60 × 508,0 = 528,8
Forecast W4 = 528,8; S3 = 0,40 × 610 + 0,60 × 528,8 = 561,3
Forecast W5 = 561,3; S4 = 0,40 × 580 + 0,60 × 561,3 = 568,8
Forecast W6 (proyeksi) ≈ 569

Dari 4 pasangan aktual-forecast (W2–W5): MAE = 45,5; RMSE = 51,3; SSE = 10.547,9; dan MAPE ≈ 7,99% — masuk kategori “sangat baik” (di bawah 10%). Klik ⌖ Optimum α akan mencari nilai α yang meminimalkan SSE untuk deret data ini.

Exponential Smoothing & Metrik Error

Cara Pakai

Rumus Kunci

Contoh Angka

Terkait