Portal - Statistik Bertemu lagi dengan postingan kali ini, setelah sekian Lama offline Dari dunia blogger, tidak pernah lagi mengurusi Blog, nah Pada kesempatan kali ini Saya mau berbagi Kembali kepada semua sahabat Yang membutuhkan Tutorial atau pengetahuan tentang Prognose peramalan, mungkin beberapa hari kedepan Saya Akan banyak erinnerung tulisan tentang prognose. Semoga tulisan ini dapat Berguna Bagi Kita Sema. Pada Postingan Pertama Tentang Analisis Runtun Waktu Kali Ini, Saya Akan Berbagi Tentang Analisis Runtun Waktu Yang Paling Sederhana yaitu metode Verschieben Durchschnitt. Analisis runtun waktu merupakan suatu metode kuantitatif untuk menentukan pola Daten masa lalu yang telah dikumpulkan secara teratur. Analisis Runtun Waktu merupakan salah satu metode peramalan Yang menjelaskan bahwa deretan observasi Pada Suatu Variabel dipandang sebagai realisasi Dari Variabel zufällige berdistribusi bersama. Gerakan musiman, adalah, gerakan, rangkaian, waktu, yang, sepanjang, tahun, pada, bulan-bulan, yang, sama, yang, selalu, menunjukkan, pola, yang, identik, Contohnya: harga saham, inflasi. Gerakan zufällig adalah Gerakan naik turun Waktu Yang tidak dapat diduga sebelumnya dan terjadi Secara acak contohnya: gempa Bumi, kematian dan sebagainya. Asumsi Yang Penting Yang Harus dipenuhi dalam memodelkan Runtun Waktu adalah asumsi kestasioneran artinya sifat-sifat Yang mendasari proses tidak dipengaruhi oleh Waktu atau proses dalam keseimbangan. Apabila asumi stasioner belum dipenuhi maka deret belum dapat dimodelkan. Namun, deret yang nonstasioner dapat ditransformasikan menjadi deret yang stasioner. Pola Daten Runtun Waktu Salah satu Aspek yang paling Penting dalam penyeleksian metode peramalan Yang sesuai untuk Daten Runtun Waktu adalah untuk mempertimbangkan perbedaan tipe pola Daten. Ada empat Tip umum. Horizontal, trend, saisonal, dan zyklisch. Ketika Daten Beobachtungen berubah-ubah di sekitar tingkatan ata rata-rata Yang konstan. Sie haben keine Artikel im Warenkorb. Produkte vergleichen Es ist kein Artikel zum Vergleichen vorhanden. Sie haben noch keine Artikel in Ihrem Warenkorb. Ketika Daten Beobachtungen naik atau menurun pada perluasan Periode suatu waktu disebut Pola Trend. Pola zyklischen ditandai dengan adanya fluktuasi bergelombang Daten yang terjadi di sekitar garis Trend. Ketika observasi dipengaruhi oleh faktor musiman disebut pola saisonal Yang ditandai dengan adanya pola perubahan Yang berulang Secara otomatis Dari tahun ke tahun. Untuk runtun tiap bulan, ukuran variabel komponen jahreszeitlich runtun tiap Januari, tiap Februari, dan seterusnya. Untuk runtun tiap triwulan ada elemen empat musim, satu untuk masing-masing triwulan. Einzelbewegung Durchschnitt Rata-rata bergerak tunggal (Beweglicher Durchschnitt) untuk periode t adalah nilai rata-rata untuk n jumlah data terbaru. Dengan munculnya Daten baru, maka nilai rata-rata yang baru dapat dihitung dengan menghilangkan Daten Yang terlama dan menambahkan Daten Yang terbaru. Verschiebender Durchschnitt ini digunakan untuk memprediksi nilai pada periode berikutnya. Modell ini sangat cocok digunakan pada Daten Yang stasioner Daten Daten Yang konstant terhadap variansi. Tetapi tidak dapat bekerja dengan daten yang mengandung unsur trend atau musiman. Rata-Rata bergerak Pada Orde 1 Akan menggunakan Daten terakhir (Ft), dan menggunakannya untuk memprediksi Daten Pada periode selanjutnya. Metode ini sering digunakan pada daten kuartalan atau bulanan untuk membantu mengamati komponen-komponen suatu runtun waktu. Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan (Glättung). Dibanding dengan rata-rata sederhana (dari satu-daten masa lalu) rata-rata bergerak berger T mempunyai karakteristik sebagai berikut. Hanya menyangkut T-Periode tarakhir dari Daten Yang diketahui. Jumlah titik Daten dalam setiap rata-rata tidak berubah dengan berjalannya waktu. Kelemahan dari metode ini adalah. Metode ini memerlukan penyimpanan yang lebih banyak karena semua T pengamatan terachhar harus disimpan, tidak hanya nilai rata-rata. Metode ini tidak dapat menanggulangi dengan baik adanya Trend atau musiman, walaupun metode ini Lebih baik dibanding rata-rata insgesamt. Diberikan N Titik Daten dan diputuskan untuk menggunakan T pengamatan Pada setiap rata-rata (Yang disebut dengan rata-rata bergerak Orde (T) atau MA (T), sehingga keadaannya adalah sebagai berikut: Studi Kasus Suatu Perusahaan Pakaian sepakbola periode januari 2013 sampai dengan April 2014 menghasilkan Daten penjualan sebagai berikut. Manajemen ingin meramalkan hasil penjualan menggunakan metode peramalan yang cocok dengan Daten tersebut Bandingkan metode MA Tunggal orde 3, 5, 7 dengan aplikasi Minitab dan MA ganda ordo 3x5 dengan aplikasi Excel, Manakah metode yang paling tepat untuk Daten di atas dan berikan alasannya Baiklah Sekarang kita Muley, kita Muley Dari Einzel Moving Average Adapun Langkah-Langkah melakukan forcasting terhadap Daten penjualan Pakaian sepak bola adalah:... Membuka aplikasi Minitab dengan melakukan Doppelklick pada Symbol Desktop Setelah aplikasi Minitab terbuka dan SIAP digunakan, buat nama variabel Bulan dan Daten kemudian masukkan Daten sesuai studi kasus. Sebelum memulai untuk melakukan Vorhersage, terlebih dahulu yang Harus dilakukan adalah Melihat bentuk sebaran Daten Runtun waktunya, klik Menü Graph 8211 Time Series Plot 8211 Einfach, masukkan variabel Daten ke kotak Serie , Sehingga didapatkan Leistung seperti gambar. Selanjutnya untuk melakukan Vorhersagen dengan metode Moving Durchschnitt single orde 3, klik menu Stat 8211 Zeitreihe 8211 Moving Average. . sehingga Muncul tampilan seperti gambar dibawag, pada kotak Variable: masukkan Variabel Daten, pada kotak MA Länge: masukkan angka 3, selanjutnya berikan centang Pada Prognosen generieren dan isi kotak Anzahl der Prognosen: dengan 1. Klik Taste Option dan berikan judul dengan MA3 dan klik OK. Selanjutnya klik button Lagerung dan berikan centang pada Gleitende Durchschnitte, Passt (Ein-Perioden-Prognosen), Residuals, dan Prognosen, klik OK. Kemudian klik Graphs dan pilih Plot vorhergesagt vs tatsächlichen dan OK. Sehingga Muncul Ausgang seperti gambar dibawah ini, Pada gambar diatas, terlihat dengan jelas hasil Dari Prognosedaten tersebut, pada periode ke-17 nilai ramalannya adalah 24, denngan MAPE, MAD, dan MSD seperti Pada gambar diatas. Cara peramalan dengan metode Doppelte Verschiebung Durchschnittliche dapat dilihat DISINI. Ganti saja langsung angka-angkanya dengan daten sobat, hehhe. Maaf yaa saya tidak jelaskan, lagi laperr soalnya: D demikian postingannya, semoga bermanfaat. Terimakasih atas kunjungannya. Moving Durchschnitt Moving Averages (rata-rata bergerak) adalah metode peramalan perataan nilai dengan mengambil sekelompok nilai pengamatan Yang kemudian dicari rata-ratanya, lalu menggunakan rata rata tersebut sebagai ramalan untuk periode berikutnya. Istilah rata rata bergerak digunakan, karena setiap kali Daten observasi Baru tersedia, maka angka rata-rata Yang Baru dihitung dan dipergunakan sebagi ramalan. Einzel Moving Average Rata-rata bergerak Tunggal (Single Moving Average) adalah Suatu metode peramalan Yang dilakukan dengan mengambil sekelompok nilai pengamatan, mencari nilai rata rata tersebut sebagai ramalan untuk periode yang akan datang. Metode Einzel Moving Average mempunyai karakteristik khusus yaitu untuk menentukan ramalan Pada periode yang akan datang memerlukan Daten Historis Selama jangka Waktu tertentu. Misalnya, dengan 3 bulan Durchschnitt bewegen, maka ramalan bulan ke 5 Baru dibuat setelah bulan ke 4 selesaiberakhir. Jika bulan bewegliche Durchschnitte bulan ke 7 baru bisa dibuat setelah bulan ke 6 berakhir. Semakin panjang jangka waktu gleitenden Durchschnitt. efek pelicinan Semakin terlihat dalam ramalan atau menghasilakan gleitenden Durchschnitt Yang Semakin Halos. Persamaan matematis einzelne gleitende Durchschnitte adalah sebagai berikut Mt Moving Average untuk periode t F t1 Ramalan Untuk Periode t 1 Yt Nilai Riil periode ke tn Anzahl der Beiträge batas dalam gleitenden Durchschnitt Pengukuran Kesalahan Peramalan Dalam pemodelan Deret berkala, sebagian Daten Yang diketahui dapat digunakan untuk meramalkan sisa Daten Berikutnya sehingga dapat dilakukan perhitungan ketepatan peramalan secara lebih baik. Ketepatan peramalan pada masa yang akan datang adalah yang sangat penting. Jika Yt merupakan Daten riil untuk periode t dan Ft merupakan ramalan untuk periode Yang Sama, maka kesalahannya dapat dituliskan sebagai berikut (Spyros, 1999). et Kesalahan Pada periode t Yt Daten aktual Pada periode t Ft peramalan periode t Jika terdapat nilai pengamatan dan peramalan untuk n periode Waktu, maka Akan terdapat n buah kesalahan dan ukuran statistik standar Yang dapat didefinisikan sebagai berikut (Spyros, 1999): mittlere absolute Fehler (MAE) mittlere absolute Fehler atau nilai tengah kesalahan obsolut adalah rata rata mutlak Dari kesalahan meramal, tanpa menghiraukan tanda positif maupun negatif. Rata-Rata kuadrat kesalahan (Mean Squared Fehler MSE) MSE merupakan metode alterntif untuk mengevaluasi Teknik peramalan Masing-Masing kesalahan (Selisih Daten aktual terhadap Daten peramalan) dikuadratkan, kemudian dijumlahkan dan dibagi dengan Anzahl der Beiträge Daten. MSE dihitung dengan rumus: Lassen Sie eine Antwort Abbrechen Antwort Letzte PostsTeknik analisis Daten dengan metode ARIMA dilakukan karena merupakan Teknik untuk mencari pola yang paling cocok Dari sekelompok Daten (Kurvenanpassung), dengan demikian ARIMA memanfaatkan sepenuhnya Daten masa lalu dan Sekarang untuk melakukan peramalan jangka pendek Yang akurat (Sugiarto dan Harijono, 2000). ARIMA seringkali ditulis sebagai ARIMA (p, d, q) Yang memiliki arti bahwa p adalah Orde koefisien autokorelasi, d adalah Orde Anzahl der Beiträge diferensiasi Yang dilakukan (hanya digunakan apabila Daten bersifat nicht stasioner) (Sugiharto dan Harijono, 2000) dan q adalah Orde Dalam koefisien rata-rata bergerak (gleitender Durchschnitt). Peramalan dengan menggunakan Modell ARIMA dapat dilakukan dengan rumus. II. Stasioneriats Daten Daten Yang tidak stasioner memiliki rata-rata als varianischen Yang tidak konstan sepanjang waktu. Dengan kata lain, secara ekstrim daten stasioner adalah daten yang tidak mengalami kenaikan dan penurunan. Selanjutnya regresi yang menggunakan Daten Yang tidak stasioner biasanya mengarah kepada regresi lancung. Permasalahan ini Muncul diakibatkan oleh Variabel (dependen dan independen) Runtun Waktu terdapat tren Yang Kuat (dengan pergerakan Yang menurun maupun meningkat). Adanya tren akan menghasilkan nilai R 2 yang tinggi, tetapi keterkaitan antar variabel akan rendah (Firmansyah, 2000). Modell ARIMA mengasumsikan bahwa Daten masukan harus stasioner. Apabila Daten masukan tidak stasioner perlu dilakukan penyesuaian untuk menghasilkan Daten yang stasioner. Salah satu cara yang umum dipakai adalah metode pembedaan (differenzierend). Metode ini dilakukan dengan cara mengurangi nilai Daten Pada suatu Periode dengan nilai Daten periode sebelumnya. Untuk keperluan pengujian stasioneritas, dapat dilakukan dengan beberapa metode seperti Autokorrelation Funktion (correlogram), uji akar-akar Einheit dan derajat integrasi. ein. Pengujian stasioneritas berdasarkan Korrelogramm Suatu pengujian Sederhana terhadap stasioneritas Daten adalah dengan menggunakan fungsi koefisien autokorelasi (Autokorrelationsfunktion ACF). Koefisien ini menunjukkan keeratan hubungan antara nilai veränderlich yang sama tetapi pada waktu yang berbeda. Correlogram merupakan peta Grafik Dari Nilai ACF Pada Berbagai lag. Secara matematis rumus koefisien autokorelasi adalah (Sugiharto dan Harijono, 2000: 183). Untuk menentukan apakah nilai koefisien autokorelasi berbeda secara statistik dari nol dilakukan sebuah pengujian. Suatu Runtun Waktu dikatakan stasioner atau menunjukkan kesalahan zufällig adalah jika koefisien autokorelasi untuk semua hinken Secara statistik tidak berbeda signifikan Dari nol atau berbeda Dari nol hanya untuk berberapa hinken didepan. Untuk itu perlu dihitung kesalahan standard dengan rumus. Dimana n menunjukkan jumlah Beobachtungen. Dengan Intervall kepercayaan yang dipilih, misalnya 95 persen, maka batas signifikansi koefisien autokorelasi adalah. Suatu koefisien autokorelasi disimpulkan tidak berbeda secara signifikanischen Dari nol apabila nilainya berada diantara Miete tersebut dan sebaliknya. Apabila koefisien autokorelasi berada diluar rentang, dapat disimpulkan koefisien tersebut signifikan, yang berarti ada hubungan signifikan antara nilai Suatu Variabel dengan nilai Variabel itu sendiri dengan Zeitverzögerung 1 periode. III. Tahapan Metode ARIMA Metode ARIMA menggunakan pendekatan iteratif dalam mengidentifikasi suatu vorbildliches yang paling tepat dari berbagai vorbildliches yang ada. Modell sementara yang telah dipilih diuji lagi dengan Daten historis untuk melihat apakah vorbildliches sementara yang terbentuk tersebut sudah memadai atau belum. Modell sudah dianggap memadai apabila verbleibende (selisih hasil peramalan dengan Daten historis) terdistribusi secara acak, kecil dan independen satu sama lain. Langkah-langkah penerapan metode ARIMA secara berturut-turur adalah. Identifikasi Modell, estimasi Parameter-Modell, diagnostische Überprüfung. Dan peramalan (Vorhersage). ein. Identifikasi Modell Seperti yang dijelaskan sebelumnya bahwa Modell ARIMA hanya dapat diterapkan untuk deret waktu yang stasioner. Oleh karena esu, pertama kali yang harus dilakukan adalah menyelidiki apakah daten yang kita gunakan sudah stasioner atau belum. Jama Daten tidak stasioner, yang perlu dilakukan adalah memeriksa pada pembedaan beberapa Daten akan stasioner, yaitu menentukan berapa nilai d. Proses ini dapat dilakukan dengan menggunakan koefisien ACF (Auto-Korrelationsfunktion), atau uji akar-akar-Einheit (Einheit Wurzeln Test) dan derajat integrasi. Jika Daten sudah stasioner sehingga tidak dilakukan pembedaan terhadap Daten Runtun Waktu maka d diberi nilai 0. Disamping menentukan d, pada tahap ini juga ditentukan berapa Anzahl der Beiträge nilai Resthinken (q) dan nilai Verzögerung dependen (p) Yang digunakan dalam Modell. Alat utama Yang digunakan untuk mengidentifikasi q dan p adalah ACF dan PACF (Partial Auto-Correlation Funtion Koefisien Autokorelasi Parsial), dan Korrelogramm Yang menunjukkan Grundstück nilai ACF dan PACF terhadap Verzögerung. Koefisien autokorelasi parsial mengukur Tingkat keeratan hubungan antara X t dan X t-k sedangkan pengaruh Dari Zeit Labor 1,2,3,8230, k-1 dianggap konstan. Dengan kata gelegen, koefisien autokorelasi parsial mengukur derajat hubungan antara nilai-nilai Sekarang dengan nilai-nilai sebelumnya (untuk Zeitverzögerung tertentu), sedangkan pengaruh nilai Variabel Zeit Labor Yang gelegen dianggap konstan. Secara matematis, koefisien autokorelasi parsial berorde m didefinisikan sebagai koefisien autoregressive terakhir dari modell AR (m). Setelah menetapkan Modell sementara Dari hasil identifikasi, yaitu menentukan nilai p, d, dan q, Langkah berikutnya adalah melakukan estimasi Paramater autoregressive dan gleitenden Durchschnitt Yang tercakup dalam Modell (Firmansyah, 2000). Jika teridentifikasi proses AR murni maka-Parameter dapat diestimasi dengan menggunakan kuadrat terkecil (Least Square). Jika sebuah pola MA diidentifikasi maka Maximum-Likelihood atau estimasi kuadrat terkecil, keduanya membutuhkan metode optimisasi nicht linier (Griffiths. 1993), hal ini terjadi karena adanya unsur gleitenden Durchschnitt Yang menyebabkan ketidak linieran Parameter (Firmansyah, 2000). Namun, saat ini sudah tersedia berbagai piranti Lunak statistik Yang Mampu menangani perhitungan tersebut sehingga kita tidak Perlu khawatir mengenai estimasi matematis. Setelah melakukan estimasi dan mendapatkan penduga Paramater, Agar-Modell sementara dapat digunakan untuk peramalan, Perlu dilakukan uji kelayakan terhadap Modell tersebut. Tahap ini disebut Diagnoseprüfung. Dimana pada tahap ini diuji apakah spesifikasi vorbildliches sudah benar atau belum. Pengujian kelayanan ini dapat dilakukan dengan beberapa cara. (1) Setelah estimasi dilakukan, maka nilai restlichen dapat ditentukan. Jika nilai-nilai koefisien autokorelasi Rest untuk berbagi Zeitverzögerung tidak berbeda Secara signifikan Dari nol, Modell dianggap memadai untuk dipakai sebagai Modell peramalan. (2) Menggunakan statistik Kasten-Pierce Q, yang dihitung dengan Formel. (3) Menggunakan varian dari statistik Kasten-Pierce Q, yaitu statistik Ljung-Kasten (LB), yang dapat Dihitung dengan. ............................., Jika statistik LB Lebih kecil Dari nilai c 2 kritis, maka semua koefisien autokorelasi dianggap tidak berbeda Dari nol, atau Modell Telah dispesifikasikan dengan Benar. Deutsch - Übersetzung - Linguee als Übersetzung von "statistik dalam menjelaskan" vorschlagen Linguee - Wörterbuch Deutsch - Englisch ausschließlich englische Resultate für. (4) Menggunakan t statistik untuk menguji apakah koefisien modell secara individuell berbeda dari nol. Apabila suatu variabel tidak signifikan secara einzelnes berarti variabel tersebut seharusnya dilepas dari spesifikasi Modell lain kemudian diduga dan diuji. Jika vorbildliche sementara yang dipilih belum lolos uji diagnostik, maka proses pembentukan modell diulang kembali. Menemukan Modell ARIMA Yang terbaik merupakan Proses iteratif. D. Peramalan (Vorhersage) Setelah Modell terbaik diperoleh, selanjutnya peramalan dapat dilakukan. Dalam berbagai kasus, peramalan dengan metode ini lebih dipercaya daripada peramalan yang dilakukan dengan vorbildlicher ekonometri tradisional. Namun, hal ini tentu, saja, perlu, dipelajari, lebih, lanjut, oleh, para, peneliti, yang, tertarik, menggunakan, metode, serupa, Berdasarkan ciri yang dimilikinya, modell runtun waktu seperti ini lebih kokok untuk peramalan dengan jangkauan sangat pendek, sementara vorbildliches strukturales lebih cocok untuk peramalan dengan jangkauan panjang (Mulyono, 2000 dalam Firmansyah, 2000)
No comments:
Post a Comment