Single Exponential Smoothing, disingkat SES, juga disebut Simple Exponential Smoothing, adalah metode peramalan deret waktu untuk data univariat tanpa tren atau musiman. Ini membutuhkan parameter tunggal, yang disebut alpha (a), juga disebut faktor pemulusan atau koefisien pemulusan.
Bagaimana Anda menganalisis pemulusan eksponensial?
Menafsirkan hasil kunci untuk Pemulusan Eksponensial Tunggal
- Langkah 1: Tentukan apakah model cocok dengan data Anda.
- Langkah 2: Bandingkan kesesuaian model Anda dengan model lain.
- Langkah 3: Tentukan apakah ramalannya akurat.
Bagaimana Anda memilih Alpha untuk pemulusan eksponensial?
Kami memilih nilai terbaik untuk \alpha sehingga nilai yang menghasilkan MSE terkecil. Jumlah kesalahan kuadrat (SSE)=208,94. Rata-rata kesalahan kuadrat (MSE) adalah SSE /11=19.0. MSE dihitung lagi untuk \alpha=0.5 dan ternyata menjadi 16,29, jadi dalam hal ini kita lebih memilih \alpha 0,5.
Kapan Anda akan menggunakan pemulusan eksponensial?
Perataan eksponensial adalah cara memuluskan data untuk presentasi atau membuat prakiraan. Biasanya digunakan untuk keuangan dan ekonomi. Jika Anda memiliki deret waktu dengan pola yang jelas, Anda dapat menggunakan rata-rata bergerak - tetapi jika Anda tidak memiliki pola yang jelas, Anda dapat menggunakan pemulusan eksponensial untuk meramalkan.
Bagaimana cara menghitung pemulusan eksponensial sederhana?
Perhitungan pemulusan eksponensial adalah sebagai berikut: Permintaan periode terakhir dikalikan dengan faktor pemulusan. Ramalan periode terbaru dikalikan dengan (satu dikurangi faktor pemulusan). S=faktor pemulusan yang direpresentasikan dalam bentuk desimal (jadi 35% akan direpresentasikan sebagai 0,35).
