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 memposting tulisan tentang vorhersage Semoga tulisan ini dapat berguna bagi kita semua. Pada postingan pertama tentang analisis runtun waktu kali ini, saya akan berbagi tentang analisis runtun waktu yang paling sederhana yaitu metode Moving Average. 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 s Ama yang selalu menunjukkan pola yang identik contohnya harga saham, inflasi gerakan zufällige 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 asumsi 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 Tipe Umum horizontal, Trend, saisonale, dan cyclical. Ketika Daten Beobachtungen Beratungs-Sekitar Tingkatan atau Rata-Rata Yang Konstan Krankheit Pola horizontal Sebagai contoh penjualan tiap bulan Suatu produk tidak m Entekat atau menurun secara konsisten pada suatu waktu dapat dipertimbangkan untuk pola horizontal Ketika Daten Beobachtungen naik atau menurun pada perluasan periode suatu waktu krankheit pola trend Pola zyklisch ditandai dengan adanya fluktuasi bergelombang daten yang terjadi di sekitar garis trend Ketika observasi dipengaruhi oleh faktor musiman krankheit pola saisonal Yang ditandai dengan adanya pola perubahan yang berulang secara otomatis dari tahun ke tahun Untuk runtun tiap bulan, ukuran variabel komponen saisonale runtun tiap Januari, tiap Februari, dan seterusnya Untuk runtun tiap triwulan ada elemen empat musim, satu untuk masing-masing triwulan. Single Umzug Durchschnitt. Rata-rata bergerak tunggal Verschieben von durchschnittlichen untuk periode t adalah nilai rata-rata untuk n jumlah Daten terbaru Dengan munculnya Daten baru, Maka nilai rata-rata Yang baru dapat dihitung dengan menghilangkan Daten yang terlama dan menambahkan Daten yang terbaru Verschieben Durchschnitt ini digunakan Untuk memprediksi nilai pada periode sein Rikutnya Modell ini sangat cocok digunakan pada Daten yang stasioner atau 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 berorde T Mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir dari daten yang diketahui. Jumlah titik 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 terakhir harus disimpan, Tidak hanya nilai rata-rata. Metode ini tidak dapat menanggu Langi dengan baik adanya trend atau musiman, walaupun metode ini lebih baik dibanding rata-rata total. Diberikan N titik daten diputuskan untuk menggunakan t pengamatan pada setiap rata-rata yang krankheit 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 mulai, kita mulai dari Single Moving Durchschnitt Adapun langkah-langkah melakukan forcasting terhadap Daten penjualan pakaian sepak bola adalah. Membuka aplikasi Minitab dengan melakukan Doppelklick pada icon desktop. Setelah aplikasi Minitab terbuka dan siap digu Nakan, buat nama variabel Bulan dan Daten kemudian masukkan Daten sesuai studi kasus. Sebelum memulai untuk melakukan prognose, terlebih dahulu yang harus dilakukan adalah melihat bentuk sebaran Daten runtun waktunya, klik Menü Graph Zeitreihe Plot Simple, masukkan variabel Daten ke kotak Serie, sehingga Didapatkan output seperti gambar. Selanjutnya untuk melakukan prognostiziert dengan metode Moving Average single orde 3, klik menu Stat Zeitreihe Moving Durchschnittlich sehingga muncul tampilan seperti gambar dibawag, pada kotak Variable masukkan variabel Daten, pada kotak MA Länge masukkan angka 3, selanjutnya berikan centang pada Generieren Sie Prognosen Dan isi kotak Anzahl der Prognosen dengan 1 Klik Button Option dan berikan judul dengan MA3 dan klik OK Selanjutnya klik button Speicherung als berikan centang pada Gleitende Durchschnitte, passt für eine Periode voran Prognosen, Residuals, Dan Prognosen, klik OK Kemudian klik Graphs Dan pilih Plot vorhergesagt vs tatsächlichen dan OK. Sehingga muncul Ausgabe seperti gambar dibawah i Ni. Pada gambar diatas, terlihat dengan jelas hasil dari prognosendaten tersebut, pada periode ke-17 nilai ramalannya adalah 24, denngan MAPE, MAD, dan MSD seperti pada gambar diatas. Cara peramalan dengan metode Double Moving 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. Peramalan Sederhana Single Moving Average vs Single Exponential Glättung. Mungkin sebagian besar diantara kita pernah mendengar tentang teknik peramalan Tentunya Bukan dukun peramal, melainkan tekni untuk meramalkan prognose suatu daten deret waktu zeit serie. Peramalan merupakan suatu teknik yang penting bagi perusahaan atau pemerintah dalam mengambil kebijakan Dalam meramal suatu nilai pada masa yang akan datang bukan berarti hasil yang didapatkan ialah sama persis, melainkan merupakan suatu Pendekatan alternatif yang lumrah dalam ilmu statistik. Pada tulisa N ini akan dibahas contoh kasus peramalan menggunakan teknik Bewegender Durchschnitt dan Exponential Glättung Kedua teknik ini merupakan tekni prognose yang sangat sederhana karena tidak melibatkan asumsi yang kompleks seperti pada tekni prognose ARIMA, ARCH GARCH, ECM, VECM, VAR, dsb Meskipun demikian, asumsi Daten Stürmer haruslah terpenuhi untuk meramal. Moving durchschnittlich merupakan teknik peramalan berdasarkan rata-rata bergerak dari nilai-nilai masa lalu, misalkan rata-rata bergerak 3 tahunan, 4 bulanan, 5 mingguan, dll Akan tetapi teknik ini tidak disarankan untuk Daten Zeitreihe yang menunjukkan Adanya Pengaruh Trend Dan Musiman Moving Durchschnitt terbagi menjadi einzigen gleitenden Durchschnitt dan doppelten gleitenden Durchschnitt. Exponential Glättung Hampir Sama Dengan gleitenden Durchschnitt yaitu merupakan teknik Vorhersage Yang Sederhana, Tetapi telah menggunakan suatu penimbang dengan besaran antara 0 Hingga 1 Jika nilai w mendekati nilai 1 Maka hasil Vorhersage cenderung mendekati nilai obseervasi, sedangkan jika Nilai w mendekati nilai 0, maka hasil prognose mengarah ke nilai ramalan sebelumnya Exponentielle glättung terbagi menjadi einzelne exponentielle glättung dan doppelte exponentielle glättung. Kali ini, akan dibahas perbandingan metode einzelne gleitende durchschnittliche dengan einzelne exponentielle glättung. Pemimpin Safira Strand Resto ingin mengetahui omzet restoran pada Januar 2013 Ia meminta sang manajer untuk mengestimasi nilai tersebut dengan damen omzet bulanan dari bulan Juni 2011 sampai Desember 2012 Berbekal pengetahuan di bidang statistik, sang manajer melakukan forcast dengan metode single gleitend Durchschnitt 3 bulanan dan einzigen exponentiellen glättung w 0,4.Single Moving Average. Pada tabel di atas prognose ramalan bulan September 2011 yaitu 128,667 juta rupiah diperoleh dari penjumlahan omzet bulan Juni, Juli, Agustus 2011 dibagi dengan angka gleitende durchschnitt m 3 Angka prognose pada bulan Oktober 2011 yaitu 127 juta rupiah diperoleh dari penjumlah omzet bulan Juli, Agustus , September 2011 dibagi dengan Angka gleitenden Durchschnitt tiga bulanan m 3 Perhitungan serupa dilakukan Hingga ditemukan hasil prognose bulan Januar 2013 sebesar 150,667 juta rupiah Dapat diinterpretasikan bahwa omzet bulan Januar 1997 diperkirakan senilai 150, 667 juta rupiah atau mengalami penurunan sebesar 1,333 juta rupiah dibanding dengan omzet Desember 2012 sebesar 152 juta Rupiah Perhatikan baris pada bulan Juni-Agustus 2011 kolom Prognose Hingga Fehler tidak memiliki nilai, karena peramalan pada bulan-bulan tersebut tidak tersedia Daten gleitenden Durchschnitt 3 bulanan, bulan sebelumnya. Selanjutnya untuk melihat kebaikan hasil ramalan digunaka RMSE root mittleren quadratischen error. Untuk perhitungan RMSE, mula-mula dicari nilai fehler atau selisih antara nilai aktualen dan ramalan omzet prognose, kemudian kuadrat nilai-nilai tersebut untuk masing-masing daten bulanan Lalu, jumlahkan seluruh nilai fehler yang telah dikuadratkan Terakhir hitung nilai RMSE dengan rumus di atas atau lebih gambangnya , Bagi nilai penjumlahan fehler yang telah Dikuadratkan dengan banyaknya observasi dan hasilnya lalu di akarkan Pada tabel di atas, banyaknya observasi yaitu 16 mulai dari September 2011-Desember 2012.Single Exponential Glättung. Selanjutnya kita akan melakukan peramalan dengan metode Einzelne exponentielle Glättung Metode ini menggunak nilai penimbang yang dapat diperoleh dari operasi Statistik tertentu bisa proporsi tertentu, namun dapat juga ditentukan oleh peneliti Kali ini akan digunakan nilai w 4.Forecast W 0,4 Ycap t 1 juta rp. Nilai ramalan pada bulan Juni 2011 yaitu 137,368 juta rupiah diperoleh dari rata-rata omzet dari bulan Juni 2011 hingga bulan Desember 2012 Nilai ramalan pada bulan Juli 2011 yaitu 134,821 juta rupiah diperoleh dari perhitungan dengan rumus di atas, dengan kata lain nilai ramalan bulan Juli 2011 diperoleh dari hasil kali w 0,4 dan nilai aktual omzet bulan Juli 2011 dijumlahkan dengan hasil kali 1-0,4 serta nila ramalan bulan Juni 2011 sebesar 134,821 juta rupiah Lakukan perhitungan tersebut hingga ich Ndapatkan angka ramalan untuk bulan Januari 2013.Hasil ramalan omzet untuk bulan Januari 2013 yaitu 149,224 juta rupiah atau turun sebesar 2.776 juta rupiah Kemudian hitung nilai RMSE dengan rumus seperti pada perhitungan RMSE gleitende durchschnittliche hanya saja jumlah observasi berbeda Pada tabel di atas jumlah obervasi m yaitu 19 lebih banyak dibanding dengan metode einfach gleitend Durchschnitt 3 bulanan 16 karena pada metode eksponensial perhitungan ramalan dapat dimulai dari daten pada periode awal RMSE metode einzigen exponentiellen glättung sebesar 1,073.Selanjutnya dari kedua metode di atas akan dibandingkan mana hasil yang terbaik Untuk hal tersebut maka, Bandingkan nilai RMSE dari kedua metode Metode dengan RMSE terkecil dapat dinyatakan sebagai metode terbaik untuk meramal. RMSE 0,946, RMSE 1,073 RMSE RMSE Kesimpulanya bahwa metode gleitende durchschnittliche lebih baik dalam melakukan peramalan, sehingga omzet pada bulan Januari 2013 diperkirakan sebesar 150,667 juta rupiah meskipun memiliki nilai Yang lebih r Endah daripada bulan sebelumnya. Untuk materi yang lebih jelas, silakan dicari di buku-buku referensi Analisis Zeitreihe, misalnya Enders, Walter 2004 Angewandte ökonometrische Zeitreihe Zweite Auflage New Jersey Willey Kalo contoh Soal dalam tulisan ini, saya kutip dari buku modul kuliah. metode metode peramalan dan aplikasi. Metode Exponiale Glättung. Metode exponentielle Glättung merupakan metode peramalan yang cukup baik untuk peramalan jangka panjang dan jangka menengah, terutama pada tingkat operasional suatu perusahaan, dalam perkembangan dasar matematis dari metode glättung forcasting von Makridakis, hal 79-115 dapat dilihat bahwa konsep exponentielle telah Berkembang dan menjadi metode praktis dengan penggunaan yang cukup luas, terutama dalam peramalan bagi persedian. Kelebihan utama dari metode exponentielle glättung adalah dilihat dari kemudahan dalam operasi yang relativ rendah, ada sedikit keraguan apakah ketepatan yang lebih baik selalu dapat dicapai dengan menggunakan QS Quantitatif sistem ataukah Metode dekon Posisi yang secara intuitif menarik, namun dalam hal ini jika diperlukan peramalan untuk ratusan item. Menurut Makridakis, Wheelwright Mcgee dalam bukunya forcasting hal 104 Menyatakan bahwa apabila daten yang dianalisa bersifat stationer, maka penggunaan metode rata-rata bergerak gleitende durchschnittliche atau einzelne exponentielle glättung cukup Tepat akan tetapi apabila datanya menunjukan suatu trend linier maka modell yang baik untuk digunakan adalah exponentiell glättung linier dari braun atau modell exponentiell glättung linier dari holt. Permasalahan umum yang dihadapi apabila menggunakan modell pemulusan eksponensial adalah memilih konstanta pemulusan yang diperkirakan tepat Adapun panduan untuk memperkirkan nilai A yaitu antara lain. Apabila pola historis dari Daten aktuelles permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, kita memilih nilai ein mendekati di pilih nilai a 0 9 namun pembaca dapat mencoba nilai ein yang lain yang mendekati 1 seperti 0,8 0, 99 tergantung sejauh mana gejol Ak dari daten itu. Apabila pola historis dari Daten akual permintaan tidak berfluktuasi atau relati stabil dari waktu ke waktu maka kita memilih nilai ein yang mendekati nol, katakanlah a 0 2 0 05 0 01 tergantung sejauh mana kestabilan Daten itu, semakin stabil nilai ein Yang Dipilih harus semakin kecil menuju ke nilai nol. b 2 Metode Einzelne exponentielle Glättung. Metode ini juga digunakan untuk meramalkan suatu periode ke depan Untuk melihat persamaan metode ini dengan metode einzigen gleitenden durchschnittlichen maka lihat kembali persamaan matematis yang digunakan pada peramalan einzigen gleitenden Durchschnitt. Peramalan Untuk periode t, persamaan adalah. Sedangkan persamaan matematis untuk einzelne bewegte exponentielle glättung sebagai berikut. Demikian seterusnya untuk. Jadi terlihat bahwa metode single gleitende durchschnittliche merupakan sejumlah daten semua yang ditekankan pada baru Harga ditetapkan oleh 0 X 1 dan harga yang terpilih yang memberikan simpangan Terkecil dari perhitungan yang ada, seperti pada metode einzigen bewegten aver Alter Peramalan dengan exponentielle Glättung juga dapat digunakan untuk meramalkan beberapa periode kedepan untuk pola Daten dengan kecenderungan linier, teknik yang digunakan dikenal dengan nama Brown Parameter Exponential Glättung langkah-langkah perhitungan untuk mendapatkan peramalan dengan metode ini adalah. Nilai peramalan dengan single gleitender Durchschnitt. Nilai gleitende durchschnittliche kedua Hasil peramalan dengan doppelte gleitende durchschnittliche pada periode kedepan. Periode Kedepan Yang Diramalkan. b 3 Metode Double Exponential Glättung. Metode Ini Dikembangkan Oleh Brown s untuk mengatasi adanya perbedaan Yang muncul antara Daten aktualisieren dan nilai peramalan apabila ada trend pada plot datanya Untuk itu Brown s memanfaatkan nilai peramalan dari hasil single Eksponential Smothing dan Double Exponentielle Glättung Perbedaan antara kedua ditambahkan pada harga dari SES dengan demikian harga peramalan telah disesuaikan terhadap trend pada plot datanya. b 3 1 Metode Double Expnontial Smoothing Satu Parameter Brown. Dasar pemikiran dari pemulusan eksponensial linier dari Brown adalah serupa dengan rata-rata bergerak linier, Karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari daten yang sebenarnya bilamana terdapat unsur tendenz perbedaan antara nilai pemulusan tunggal dan ganda dapat ditambahkan kepada nilai pemulusan dan disesuaikan untuk trend Persamaan yang dipakai dalam implementasi pemulusan linier satu Parameter Brown ditunjukan dibawah ini. at S t S t s t 2 S t S t. F t a t b t m t 2 21.S t nilai pemulusan eksponensial tunggal. S t adalah nilai pemulusan eksponensial ganda. m jumlah periode ke muka yang diramalkan. Ramalan m periode ke muka. Agar dapat menggunakan persamaan diatas, nilai S t-1 dan S t-1 harus tersedia Tetapi pada saat t 1, nilai-nilai tersebut tidak tersedia Jadi, nilai-nilai ini harus ditentukan pada awal periode Hal ini dapat Dilakukan dengan hanya menetapkan S t dan S t sama dengan mannijanakan suatu nilai rata-rata dari beberapa nilai pertama sebagai titik awal. Jenis masalah inisialisasi ini muncul dalam setiap metode pemulusan glättung eksponensial Jika Parameter pemulusan ein tidak mendekati nol, pengaruh dari Proses inisialisasi ini dengan cepat menjadi kurang berarti dengan berlalunya waktu Tetapi, jika a mendekati nol, proses inisialisasi tersebut dapat memainkan peran yang nyata selama periode waktu ke muka yang panjang. b 3 2 Metode doppelte exponentielle Smothing Dua Parameter Holt. Metode pemulusan eksponensial linier dari Holt dalam prinsipnya serupa dengan Braun kecuali bahwa Holt tidak menggunakan rumus pemulusan berganda secara langsung Sebagai gantinya Ho Lt memuluskan nilai trend dengan parameter yang berbeda dari parameter yang digunakan pada dieet yang asli Ramalan dari pemulusan eksponensial linier Holt didapat dengan menggunakan dua konstan pemulusan dengan nialai antara 0 sampai 1 dan tiga persamaan. F tm S tbtm 2 24.Dimana Daten pemulusan pada periode T Trend pemulusan pada periode t. Peramalan pada periode t. Persamaan diatas 1 menyesuaikan S t secara langsung untuk trend periode sebelumnya yaitu b t-1 dengan menambahkan nilai pemulusan yang terachhir, yaitu S t-1 hal ini membantu untuk menghilangkan kelambatan dan menempatkan S t ke dasar perkiraan nilai data saat Ini. Kemudian persamaan meremajakan trend 2, yang ditunjukan sebagai perbedaan antara dua nilai pemulusan yang terakhir Hal ini tepat karena jika terdapat kecenderungan di dalam daten, nilai yang baru akan lebih tinggi atau lebih rendah dari pada nilai yang sebelumnya Karena mungkin masih terdapat sedikit kerandoman maka Hal ini dihilangkan oleh pemulusan g gamma trend pada periode akhir S t S t-1, dan menambahkannya dengan taksiran trend sebelumnya dikalikan 1 g jadi persamaan diatas dipakai untuk meremajakan trend. Akhirnya persamaan 3 digunakan untuk peramalan ke muka Trend bt, dikalikan dengan jumlah Periode kedepan yang diramalkan, m dan ditambahkan pada nilai dasar S tb 4 Metode Triple Exponential Smoothing. Metode ini dapat digunakan untuk daten yang bersifat atau mengandung musiman Metode ini adalah metode yang digunakan dalam pemulusan trend dan musiman Metode winter didasarkan atas tiga persamaan pemulusan yaitu satu untuk stationer, trend, dan musiman Hal ini serupa dengan metode holt dengan satu persamaan tambahan Untuk mengatasi musiman persamaan dasar untuk metode winter adalah sebagai berikut. L Panjang musiman. B Komponen trend. I Faktor penyesuaian musiman. Ramalan untuk n Periode eke depan.2 1 1 Aspek Umum dari Metode Pemulusan. Kelebihan utama dari penggunaan metode pemulusan Glättung yang luas adalah kemudahan dan ongkos yang rendah Ada sedikit keraguan apakah ketetapan yang lebih baik selalu dapat di capai dengan menggunakan metode autoregresi atau pola rata - rata bergerak yang lebih canggih Namun demikian, jika diperlukan ramalan untuk ribuan item, seperti dalam banyak kasus sistem persedian inventori, maka metode pemulusan seringkali merupakan satu-satunya metode yang dapat dipakai. Dalam hal keperluan peramalan yang besar, maka suatu yang kecil dan mantap Itu lebih berarti Seutelai contoh, menyimpan empat nilai sebagai ganti dari tiga nilai untuk setiap item dapat menjadi sangat berarti bagi keseluruhan Artikel sebulan Disamping itu, waktu komputer yang diperlukan untuk melakukan perhitungan yang penting harus disediakan pada tingkat yang layak, dan alasan ini, metode pemulusan Eksponensial lebih disukai dari pada metode rata-rata berger Ak dan metode dengan jumlah parameter yang sedikit lebih disukai dari pada yang lebih banyak. Metode last square. Pengertian analisis trend merupakan suatu metode analisis yang ditujukan untuk melakukan suatu estimasi atau peramalan pada masa yang akan datang Untuk melakukan peramalan dengan baik maka dibutuhkan berbagai macam informasi Daten yang cukup banyak dan diamati dalam periode waktu yang relatif cukup panjang, sehingga dari hasil analisis tersebut dapat diketahui sampai berapa besar fluktuasi yang terjadi dan faktor-faktor apa saja yang mempengaruhi terhadap perubahan tersebut Secara teoristis, dalam analisis Zeitreihe yang paling menentukan adalah kualitas Atau keakuratan dari informasi atau daten datums yang diperoleh serta waktu atau periode dari daten datums tersebut dikumpulkan. Jika Daten yang dikumpulkan tersebut semakin banyak maka semakin baik pula estimasi atau peramalan yang diperoleh Sebaliknya, jika Daten yang dikumpulkan semakin sedikit maka hasil estimasi atau peramalanny Ein akan semakin jelek Metode Least Square Metode yang digunakan untuk analisis Zeitreihe adalah Metode Garis Linier Secara Bebas Freie Hand Methode, Metode Setengah Rata-Rata Semi Durchschnittliche Methode, Metode Rata-Rata Bergerak Umzug Durchschnittliche Methode Dan Metode Kuadrat Terkecil Least Square Methode Dalam hal Ini akan lebih dikhususkan untuk membahas analisis Zeitreihe dengan metode kuadrat terkecil yang dibagi dalam dua kasus, yaitu kasus Daten genap dan kasus Daten ganjil Secara umum persamaan garis linier dari analisis Zeitreihe adalah Y ab X Keterangan Y adalah variabel yang dicari trendnya dan X adalah Variabel waktu tahun Sedangkan untuk mencari nilai konstanta a dan Parameter b adalah a YN dan b XY X2.Contoh Kasus Daten Ganjil Tabel Volumen Penjualan Barang X dalam 000 Einheit Tahun 1995 sampai dengan 2003.Untuk mencari nilai a dan b adalah sebagai berikut a 2 460 9 273,33 dan b 775 60 12,92 persamaan garis liniernya adalah Y 273,33 12,92 X Dengan menggunakan persamaan tersebut, dapat di Ramalkan penjualan pada tahun 2010 adalah Y 273,33 12,92 untuk tahun 2010 nilai X adalah 11, sehingga Y 273,33 142,12 415,45 artinya penjualan barang X pada tahun 2010 diperkirakan sebesar 415 450 Einheit Contoh Kasus Daten Genap Tabel Volumen Penjualan Barang X dalam 000 Einheit Tahun 1995 sampai dengan 2002.Untuk mencari nilai a dan b adalah sebagai berikut a 2 150 8 268,75 dan b 1 220 168 7,26 Persamaan Garis liniernya adalah Y 268,75 7,26 X Berdasarkan persamaan Tersebut untuk meramalkan penjualan pada tahun 2008 adalah Y 268,75 7,26 untuk tahun 2008 nilai X adalah 19, sehingga Y 268,75 137,94 406,69 artinya penjualan barang X pada tahun 2008 diperkirakan sebesar 406,69 atau 406 690 Einheit Elain dengan menggunakan metode tersebut di atas, juga dapat dipakai dengan metode sebagai berikut Tabel Volumen Penjualan Barang X dalam 000 Einheit Tahun 1995 sampai dengan 2002.Untuk mencari nilai a dan b adalah sebagai berikut a 2 150 8 268,75 dan b 610 42 14 , 52 persamaische Garis liniernya adalah Y 268,75 14,52 X Berdasarkan persamaan tersebut untuk meramalkan penjualan pada tahun 2008 adalah Y 268,75 14,52 untuk tahun 2008 nilai X adalah 9, sehingga Y 268,75 137,94 406,69 artinya penjualan barang X pada tahun 2008 diperkirakan sebesar 406 690 unit. To Arin, Untuk Y dan X itu adalah Daten mentah, misalnya mencari trend kunjungan maka Y nya adalah periode waktu misal tiap bulan dalam 1 tahun dan X nya jumlah pengunjung misalnya pro bulan Setela itu baru bisa dimasukkan dalam analisis trend. Kalau dicermati Rumus trend sama dengan rumus regresi sederhana untuk mencari nilai a dan b karena jumlah X di trend sama dengan nol maka jika dimasukkan dalam rumus regresi maka jadi rumus trend Artinya, untuk mencari nilai a dan b pada trend bisa menggunakan rumus regresi, tapi sebaliknya rumus trend Tidak dapat diaplikasikan dalam regresi, karena dalam regresi jumlah X tidak sama dengan nol. saya lg skripsi mas, cuma blom ngerti menjelaskan nilai x esu secara lengkap, cuma itung2annya saya ngerti, na H dosen saya minta menjelaskan nilai x esu dengan sedetail2nya dosennya nyuruh saya tiap x harus dijelaskan dari mana asalnya. gimana ya mas slamet menjelaskan x berasal darimana, malah dosen saya nyuruh tiap bulan x nya harus dijelasin. To Iqbalbo, karena jumlah Daten X-nya Genap maka nilai 0 berada antara bulan Juni Dan Juli, sehingga bulan Juni dinilai -1 dan bulan Juli dinilai 1 jarak antara bulan Juni dgn Juli atau jarak -1 dgn 1 adalah 2, maka seterusnya harus loncat 2 Maka bulan Mei dinilai -3, April -5 dst Kalau bulan Agustus dinilai 3 dan September dinilai 5 dst Jadi untuk nilai X disamping totalnya 0 juga harus konsisten loncat 2.mas slamet itu cara mencari x variabel waktu gimana jujur saya masih bingung kok tau2 dapet nilai -4, -3 mohon penjelasannya Mas terimaksih. To Iqbaldo, untuk mencari nilai X pada analisis trend kata kuncinya adalah jika nilai X dijumlahkan maka hasilnya 0 Untuk Daten jumlah tahun ganjil maka tahun yang ditengah nilainya 0, tahun sebelumnya -1 trus -2 dst, Sedang tahun sesudahnya 1 trus 2 dst Kalau Daten jumlah tahun genap lihat contoh diatas. Buku Statistika Deskriptif email. Post navigation. Komisi kostenlos.
No comments:
Post a Comment