Pengertian Exponential Smoothing

Aspek yang paling dikritik dari Simple Moving Averages (SMA) adalah “efek drop-off”. Jika harga terbaru menunjukkan sedikit perubahan, sementara harga paling awal, yang sekarang turun, menunjukkan perubahan yang signifikan, rata-rata pergerakan dapat dipengaruhi oleh penghilangan data yang lebih dulu. Jika perubahan besar dalam Moving Average terjadi sebagai akibat dari penghapusan data awal, hal ini bisa menghasilkan sinyal palsu. Maka dari itu, para trader sering menggunakan metode Exponential. Pada kesempatan kali ini, kami akan mengulas mengenai metode tersebut, serta pengertian Exponential Smoothing.

Meskipun data yang sangat awal tidak selalu relevan saat menentukan pergerakan harga di masa depan sebagai harga terbaru, namun masih dapat memberikan informasi mengenai beberapa nilai. SMA benar-benar mengabaikan data yang lebih tua, yang tetap berada di luar panjang rata-rata bergerak. Untuk mempertahankan informasi yang lebih tua ini dalam perhitungan rata-rata bergerak, analis teknis menghitung dan menggunakan rata-rata pergerakan eksponensial yang disebut (EMA).

Ketika menghitung SMA untuk beberapa hari tertentu, setiap hari trader akan diberi bobot yang sama, yang berarti bahwa data setiap hari akan memiliki dampak yang sama terhadap nilai rata-rata pergerakan sederhana. Di sisi lain, EMA memberikan bobot yang berbeda tergantung pada data terkini. Data terbaru diberi relevansi lebih besar (bobot lebih besar), sedangkan data paling awal kurang diberi bobot.

Apa itu Exponential Moving Average (EMA)

Exponential moving average (EMA) adalah jenis Moving Average yang serupa dengan Simpel Moving Average, kecuali bobot yang lebih tinggi diberikan pada data terbaru. Istilah ini juga dikenal sebagai metode rata-rata bergerak eksponensial. Jenis rata-rata bergerak tersebut bereaksi lebih cepat terhadap perubahan harga terkini daripada rata-rata pergerakan sederhana (SMA).

EMA 12 dan 26 hari adalah rata-rata jangka pendek yang paling populer, dan keduanya digunakan untuk membuat indikator seperti Moving Average konvergensi-divergensi (MACD) dan persentase harga osilator (PPO). Secara umum, EMA 50 dan 200 hari digunakan sebagai sinyal tren jangka panjang.

Trader yang menggunakan analisis teknis menemukan rata-rata bergerak sangat berguna bila diterapkan dengan benar, namun menimbulkan malapetaka jika digunakan dengan tidak semestinya atau disalahartikan. Semua Moving Average yang biasa digunakan dalam analisis teknis adalah, pada dasarnya, indikator lagging.

Akibatnya, kesimpulan yang diambil dari penerapan Moving Average ke bagan pasar tertentu adalah untuk mengkonfirmasi pergerakan pasar atau untuk menunjukkan kekuatannya. Sangat sering terjadi, pada saat garis indikator Moving Average membuat perubahan untuk mencerminkan pergerakan yang signifikan di pasar, titik optimal masuk pasar telah berlalu.

Disinilah, EMA berfungsi untuk mengurangi masalah ini sampai batas tertentu. Karena perhitungan EMA menempatkan lebih banyak bobot pada data terbaru, maka tindakan harga sedikit lebih ketat dan karena itu bereaksi lebih cepat. Hal ini diinginkan bila EMA digunakan untuk mendapatkan sinyal masuk perdagangan.

Kegunaan Umum dari EMA

EMA biasanya digunakan bersamaan dengan indikator lain untuk memastikan pergerakan pasar yang signifikan dan untuk mengukur validitasnya. Bagi trader yang berdagang intraday dan pasar yang bergerak cepat, EMA diklaim lebih bisa diandalkan. Karena itulah, tak heran banyak trader yang menggunakan EMA untuk mengetahui bias trading. Misalnya, jika EMA pada grafik harian menunjukkan tren kenaikan yang kuat, strategi pedagang intraday mungkin hanya berdagang dari sisi panjang pada grafik intraday.

Pengertian Exponential Smoothing

Exponential Smoothing adalah perataan eksponensial dari data deret waktu memberikan bobot yang menurun secara eksponensial untuk observasi terbaru hingga tertua. Dengan kata lain, semakin tua data, semakin kecil prioritas (berat) data diberikan. Data yang lebih baru dipandang lebih relevan dan diberi bobot lebih. Parameter pemulusan (Exponential Smoothing) biasanya dilambangkan dengan α, untuk menentukan bobot untuk observasi.

Exponential Smoothing biasanya digunakan untuk membuat ramalan jangka pendek, karena perkiraan jangka panjang menggunakan teknik ini bisa sangat tidak dapat diandalkan.
• Perataan eksponensial sederhana (tunggal) menggunakan rata-rata bergerak tertimbang dengan bobot yang menurun secara eksponensial.
• Rumus yang dikoreksi Holt biasanya lebih dapat diandalkan untuk menangani data yang menunjukkan trend, dibandingkan dengan prosedur tunggal.
• Pemulusan eksponensial jenis ketiga (juga disebut Multiplicative Holt-Winters) biasanya lebih dapat diandalkan untuk tren parabola atau data yang menunjukkan tren dan musiman.

Simple Exponential Smoothing

Metode ini juga sering disebut perataan eksponensial tunggal yang biasa dipakai trader untuk peramalan jangka pendek. Model mengansumsikan jika data berfluktuasi di sekitar nilai mean yang tetap, dan juga tanpa trend atau pola pertumbuhan konsisten. Tidak seperti Moving Average, Exponential Smoothing akan menawarkan penekanan yang lebih besar pada time series melalui penggunaan sebuah konstanta smoothing.

Rumus dasarnya adalah:
S t = αy t-1 + (1 – α) S t-1

Dimana :
• α = konstanta pemulusan, nilai dari 0 sampai 1. Bila α mendekati nol, smoothing terjadi lebih lambat. Nilai terbaik untuk α adalah yang menghasilkan kesalahan kuadrat rata-rata terkecil (MSE) . Ada berbagai cara untuk melakukan ini, namun metode yang populer adalah algoritma Levenberg-Marquardt .
• t = periode waktu
Ada formula alternatif . Sebagai contoh, Roberts (1959) menggantikan y t-1 dengan pengamatan saat ini, y t . Rumus lain menggunakan ramalan untuk periode sebelumnya dan periode berjalan:

Dimana :
• Ft-1 = perkiraan untuk periode sebelumnya,
• At-1 = Permintaan aktual untuk periode tersebut,
• a = berat (harus antara 0 dan 1). Semakin dekat ke nol, semakin kecil bobotnya.

Rumus yang digunakan biasanya merupakan titik penting, karena kebanyakan Exponential Smoothing dilakukan dengan menggunakan perangkat lunak. Apapun formula yang Anda gunakan, Anda harus melakukan pengamatan awal dan juga bisa menggunakan rata-rata beberapa pengamatan pertama, ataupun menetapkan nilai smoothing kedua sama dengan nilai observasi asli agar bola menggelinding.

Double Exponential Smoothing

Metode Exponential Smoothing ini dinilai lebih andal untuk menganalisa data yang menunjukkan trend. Ini adalah metode yang lebih rumit yang menambahkan persamaan kedua pada prosedur:

b t = γ (S t – S t-1 ) + (1 – γ) b t-1

Dimana :
• γ adalah konstanta yang dipilih dengan mengacu pada α. Seperti α dapat dipilih melalui algoritma Levenberg-Marquardt.

Triple Exponential Smoothing

Jika data Anda menunjukkan tren dan musiman, gunakan jenis triple Exponential Smoothing. Untuk komponen musiman memang menjadi faktor-faktor paling penting untuk menunjukkan variasi-variasi dalam variabel tidak bebas selama 1 tahun periode. Selain persamaan untuk kedua jenis sebelumnya, persamaan ketiga ini digunakan untuk menangani aspek musiman:

I t = Β y t / S t + (1-Β) I t-L + m

Dimana :
• y = observasi,
• S = pengamatan merapikan,
• b = faktor trend,
• I = indeks musiman,
• F = memperkirakan m periode ke depan,
• t = periode waktu

Post A Comment

Your email address will not be published. Required fields are marked *