Perbedaan Moving Average Dengan Exponential Smoothing

26 de novembro de 2009 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. Suavização Exponencial Única Juga dikenal sebagai simplicidade simples suavização yang digunakan pada peramalan jangka pendek, biasanya hanya 1 bulan ke depan. Model mengasumsikan bahwa dados berfluktuasi di sekitar nilai significa yang tetap, tendência de tanpa atau pola pertumbuhan konsisten. Rumus untuk simples alisamento exponencial adalah sebagai berikut: dimana: S t peramalan untuk periode t. X t (1-) Nilai série de tempo aktual F t-1 peramalan pada waktu t-1 (waktu sebelumnya) konstanta perataan antara nol dan 1 2. Double Exponential Smoothing Metode ini digunakan ketika dados menunjukkan adanya tendência. Suavização exponencial dengan adanya tendência seperti pemulusan sederhana kecuali bahwa dua komponen harus diupdate setiap periode 8211 level dan trend nya. Nível adalah estimasi yang dimuluskan dari nilai data pada akhir masing-masing periode. Tendência adalah estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir masing-masing periode. Rumus double suavidade exponencial adalah: 3. Triple Exponential Smoothing Metode ini digunakan ketika dados menunjukan adanya tendência dan perilaku musiman. Untuk menangani musiman, telah dikembangkan parâmetro persamaan ketiga yang disebut metode 8220Holt-Winters8221 sesuai dengan nama penemuya. Terdapat dua modelo Holt-Winters tergantung pada tipe musimannya yaitu Modelo sazonal multiplicativo dan Aditivo modelo sazonal yang akan dibahas pada bagian lain dari blog ini. Kembali kita lihat data Bali visita 2015 yang diambil Dari Disbudpar Provinsi Bali berikut ini: Dados série berbentuk tempo eang diambil sejak Januari 2008 hingga setembro 2015, dados ini terdiri dari 92 pengamatan, untuk datanya dapat diambil disini gtgtgt Untuk bahasan metode pemulusan eksponensial berikut kita akan Gunakan perangkat lunak evies versi 8.1. 1.Tahap dados importantes: buka software eviews kamu, pilih abrir arquivos existentes, 2. Setelah keluar jendela eviews pilih arquivo gt importação gt importação de arquivo, 3. Kemudian ambil data kamu gt aberto, 4. Setelah terbuka tampilannya sebagai berikut: langsung klik Em seguida, final de lalu, 5. Nah sekarang workfile kita telah terbaca oleh eviews, 6. Klik 2x pada variabel visita maka akan ditampylkan datanya pada jendela eviews. 7. Untuk masuk ke pemulusan esponensial pilih di tab proc gt suavização exponencial gt único suavização exponencial, 8. Kemudian setelah muncul jendela suavização exponencial pilih tingkat pemulusannya, misalnya double, visitsm adalah hasil estimasi, parâmetro de alisamento kemudiano biarkan eviews yang menentukan, kemudian ok, 9. Kemudian outputnya akan ditampilkan sebagai berikut. Dari output dapat kita lihat nilai parâmetro Alpha sebesar 0,0240, dimana metode pemulusan eksponensial dinyatakan dengan fórmula: 2 (n1) atau n (2 -) semakin tinggi nilai yang diperoleh, maka nilai peramalan akan semakin mendekati nilai aktual. Dengan demikian nilai peramalan yang diperoleh dengan duplo exponencial alisado adalah sebagai berikut: Berikut ini adalah perbandingan nilai aktual dengan nilai peramalan dengan dupla exponencial suavização. Untuk Hasil estimasi dengan único alisamento exponencial adalah sebagai berikut, ulangi kembali proses dari langkah nomor 8 diatas, um único alisamento exponencial único. Diatas de saída de Dari, único elemento de sujidade exponencial, nilai yang lebih baik yaitu 0,64, artinya pengamatan lebih menitikberatkan pada pengamatan yang lebih baru daripada nilai duplo exponencial liso sebesar 0,024. Semakin besar nilai (mendekati 1) maka nilai peramalan yang diperoleh akan mendekati peramalan metode ingênuo (lihat bahasannya disini gtgtgt), dimana titik berat pengamatan akan mendekati nilai rata-rata dados aktual, pada kasus ekstrim dimana 1, Y T1 TY T. maka nilai Peramalan akan sama dengan peramalan metode ingênuo. Semakin besar nilai, maka akan semakin besar pula penyesuaian yang terjadi terhadap nilai peramalan, sebaliknya semakin kecil nilai, maka akan semakin kecil pula penyesuaian yang terjadi pada nilai peramalan yang akan datang. Nilai peramalan yang diperoleh dari único alisador exponencial adalah sebagai berikut: Berikut ini adalah perbandingan nilai aktual dengan nilai peramalan menggunakan metode único alisamento exponencial. Garis yang berwarna merah adalah dados setelah proses pemulusan tingkat 1, kita dapat melihat tidak banyak penyesuaian yang terjadi terhadap data aktual. Berikut ini adalah grafik perbandingan nilai peramalan dengan metode pemulusan eksponensial terhadap dados aktual, dapat kita lihat bahwa nilai peramalan dengan duplo eksponential smoothing tidak mengikuti pola dari grafik dados aktual dan único exponencial smoothing yang lebih dekat terhadap nilai rata-rata, perbedaan mendasar ini terjadi ketika Duplo eksponential smoothing telah memasukkan komponen trend dalam estimasinya. Untuk data aktual, nilai single dan double exponencial beserta dan grafiknya dapat kamu unduh disini gtgtgt sumber data. Disbudpar provinsi Bali (diolah por categoria Statistik 4 Life) Publicado por ariyoso Teori amp Konsep Statistik Konsep Variabel Kualitatif dan Kuantitatif Dados de pesquisa Statistik Deskriptif Konsep Parametrik dan Non Parametrik Statistika Inferensia Penyusunan Hipotesis Teknik Pengukuran Statistik Teknik Amostragem Sebaran Probabilitas Diskret Sebaran Normal Sebaran Binomial Sebaran Poisson Transformasi Data Korelasi Bivariat Pemaparan Data Kualitatif dengan Tabulasi Silang novo IBM SPSS Ver.23 Suavização exponencial adalah suatu prosedur yang secara terus menerus memperbaiki peramalan dengan merata-rata nilai masa lalu dari suatu dados runtut waktu dengan cara menurun (exponencial). Menurut Trihendradi (2005) analisis exponencial smoothing merupakan salah satu analisis deret waktu, dan merupakan metode peramalan dengan memberi nilai pembobot pada serangkaian pengamatan sebelumnya untuk memprediksi nilai masa depan. B. METODO MACAM-MACAM 1. Suplementos simples Suavização Atau biasa disebut sebagai Suavização exponencial simples. Metode ini digunakan untu peramalan jangka pendek. Model mengasumsikan bahwa dados berfluktuasi di sekitar nilai significa yang tetap, tendência de tanpa atau pola pertumbuhan konsisten. Tidak seperti Moving Average. Exponential Smoothing memberikan penekanan yang lebih besar kepada série de tempo sai ini melalui penggunaan sebuah konstanta suavização (penghalus). Konstanta que suaviza mungkin berkisar dari 0 ke 1. Nilai yang dekat dengan 1 memberikan penekanan terbesar pada nilai saat ini sedangkan nilai yang dekat dengan 0 memberi penekanan pada titik data sebelumnya. Rumus untuk Suavização exponencial simples adalah sebagai berikut: dimana: S t peramalan untuk periode t. X t (1-) Nilai séries temporais aktual F t-1 peramalan pada waktu t-1 (waktu sebelumnya) konstanta perataan antara 0 dan 1