Critical Review : Progressive Tuning of Simple Exponential Smoothing Forecasts oleh R. D. Snyder pada The Journal of the Operational Research Society, Vol. 39, No. 4 (Apr., 1988), pp. 393-399

Pendahuluan

R.D Snyder (1988) peneliti pada Department of Econometrics and Operations Research, Monash University, Australia melakukan penelitian tentang metode perkiraan smoothing eksponensial dengan sampel terbatas, dan mengusulkan formula untuk mengestimasi parameter smoothing. Metode yang dihasilkan dapat diimplementasikan secara rekursif dari waktu ke waktu, dibandingkan dengan pendekatan alternatif, seperti optimasi numerik progresif dari smoothing parameter dan peramalan adaptif pada data sintetik dan real.

Secara keseluruhan, Snyder tidak secara tegas mengatakan pendekatan mana yang menghasilkan perkiraan paling akurat, namun pembahasan paper telah dilakukan secara komprehensif, dengan memakai data simulasi maupun data nyata, dan dengan rentang waktu yang variatif mulai dari bulanan, kuarter sampai tahunan.
 

Ringkasan Isi Artikel

Exponential Smoothing sering digunakan untuk peramalan jangka pendek. Namun, sejumlah kesulitan sering menghambat kesuksesan implementasi metode ini. Metode ini cocok menentukan perkiraan dengan sampel yang besar, tapi harus diperlakukan khusus untuk sampel kecil. Permasalahan pemilihan prosedur peramalan dengan memilih nilai yang sesuai untuk parameter smoothing menjadi hal yang krusial.

Paper ini akan membahas mengenai modifikasi Exponential Smoothing menggunakan informasi yang sebanyak mungkin pada sampel yang kecil. Setiap modifikasi Exponential Smoothing akan dievaluasi secara simulasi maupun data yang nyata, dengan rentang waktu yang bervariasi, yaitu tahunan, kuarter, dan bulanan.

Modifikasi Exponential Smoothing yang diperbandingkan ada empat macam. Versi pertama adalah optimasi numerik dari studi Makridakis menggunakan versi yang tak terbatas dengan contoh sederhana eksponensial smoothing bersama-sama dengan prosedur adhoc. Versi kedua adalah optimasi numerik dengan versi terbatas-sampel dari pemulusan eksponensial sederhana. Versi ketiga adalah metode rumus, dan versi keempat adalah respon adaptif dari metode Trigg dan Leach dari studi Makridakis.
Keempat metode di atas kemudian akan dibandingkan mana yang memiliki MAPE terkecil (the mean absolute  percentage  errors), dengan rumus :
 
Dari hasil perbandingan ditarik kesimpulan bahwa versi pertama tidak memiliki keakuratan perkiraan yang cukup baik, kecuali beberapa kasus pada data bulanan. Sementara versi kedua menunjukkan keakuratan yang baik pada data tahunan dan triwulanan, tapi sangat tidak akurat pada data bulanan. Versi ketiga, karena hanya berisi default rumus dari Exponential Smoothing tanpa ada usaha untuk modifikasi, maka menghasilkan perkiraan yang tidak terlalu baik di semua rentang data. Versi keempat menghasilkan perkiraan paling baik pada tahunan dan triwulanan, namun kurang baik pada data bulanan.
 

Review

Paper ini diawali dengan pengantar yang baik, sehingga pembaca tidak akan terlalu sulit untuk mengikuti alur peyampaian hasil penelitian yang ada. Isi dari penelitian telah disampaikan secara runtut mengenai empat versi modifikasi Exponential Smoothing.
Namun simpulan yang dihasilkan dari penelitian ini tidak secara tegas menunjuk opsi modifkasi Exponential Smoothing mana yang paling akurat, jadi pembaca harus menyimpulkan sendiri modifikasi mana yang tepat tergantung dari rentang waktu yang digunakan.
 

Simpulan

Metode Exponential Smoothing adalah salah satu metode perkiraan time series yang cukup akurat apabila menggunakan sampel data yang besar. Permasalahan terjadi ketika metode ini digunakan pada sampel data yang kecil. Dalam paper ini, Snyder telah dengan baik menguraikan beberapa variasi modifikasi Exponential Smoothing yang patut untuk digunakan pada rentang waktu yang tepat. Penlitian telah dilakukan untuk menguji tiap modifikasi yang dibahas dengan menggunakan data simulasi maupun data nyata pada rentang waktu bulanan, kuarter dan tahunan.

Critical Review Oleh : Rohmad Adi Siaman SST Akt., M.Ec.Dev.