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 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 beobachtungen pada suatu variabel dipandang sebagai realisasi dari variabel zufällig 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 als terjadi secara acak contohnya: gempa bumi, kematian dan sebagainya. Asumsi yang penting yang harus dipenuhi dalam memodelkan runtun waktu adalah asumsi kestaseeran 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 jahreszeitlich 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 tendenz atau musiman, walaupun metode ini lebih baik dibanding rata-rata gesamt. 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 Leistung seperti gambar dibawah ini, Pada gambar diatas, terlihat dengan jelas hasil dari Prognose Daten tersebut, Pada Periode ke-17 nilai ramalannya adalah 24, 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. Portal-Statistik Malam ini sedang berlangsung bigmatch antara Chelsea vs MU, sambil menunggu Kick off babak kedua Ausbesserung berbagi kepada teman-teman semua. Setelah kemarin sagta berbagi postingan tentang Lankah-langkah Peramalan Dengan Metode ARIMA Kasten-Jenkins dengan Eviews. Malam ini waktunya untuk melanjutkan postingan tentang analisis daten runtung waktu metode yang lainnya. Ya sesuai dengan judul diatas, malam ini saya ingin Mitglied sedikit pengetahuan tentang Peramalan Daten Runtun Waktu Metode SARIMA (saisonale Autoregressive integrierte bewegliche Durchschnitt) dengan Eviews. Metode Kasten-Jenkins Metode Peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang, berdasarkan daten yang relevan pada masa lalu. Metode ini sangat berguna dalam mengadakan pendekatan analisis terhadap perilaku atau pola Dari Daten Yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan Yang sistematis dan prakmatis serta memberikan Tingkat keyakinan Yang Lebih. Salah satan metode dalam peramalan yaitu metode Schachtel Jenkins. Beberapa Modell dalam Metode Box-Jenkins yaitu: Modell ARIMA (p, d, q) Rumus Umum Modell ARIMA (p, d, q) adalah sebagai berikut Modell ARIMA dan Faktor Musim (SARIMA) Notasi ARIMA dapat diperluas untuk menangani Aspek musiman, notasi Umumnya adalah: ARIMA (p, d, q) (P, D, Q) S dengan. P, d, q. Bagian Yang Tidak Musiman Dari Modell (P, D, Q) S. bagian musiman Dari Modell S. Anzahl der Beiträge periode pro musim Adapun rumus Umum Dari ARIMA (p, d, q) (P, D, Q) S sebagai berikut: Stasioneritas Daten Kestasioneran Daten bisa dilihat Dari Plot Zeitreihen. Untuk melihat kestasioneran Daten dalam bedeutet bisa dilihat dari perhitungan ACF dan PACF nya. ACF diperoleh dengan rumus sekai Berikut: dengan Zt Daten Zeitreihe pada waktu ke t dan Z 773 rata-rata sampel. Sedangkan PACF diperoleh dengan rumus sebagai Berikut: dengan k adalah fungsi autokorelasi. Ketidakstasioneran Daten dalam bedeutet dapat diatasi dengan proses pembedaan (differencing), sedangkan kestaseeran Daten dalam varians dapat dilihat dengan nilai. Adapun nilai dihitung dengan rumus sebaiai Berikut: dengan, Yi Daten aktualisieren untuk i 1. n. G geometrisches Mittel dari seluruh data, nilai lambda, n jumlah data observasi. Studi Kasus Berikut ini adalah Daten penjualan sepatu sebuah Perusahaan A, seorang pemilik Perusahaan ingin mengetahui perkembangan penjualannya untuk 1 tahun kedepan Guna menentukan sasaran pasar dan kebijakan yang akan diambilnya. Daten dapat diperoleh Disini. Adapun Langkah-Langkah Melakukan Forcasting Terhadap Daten dengan menggunakan aplikasi Eviews metode SARIMA adalah. Membuka aplikasi Eviews dengan melakukan doppelklicken Sie pada Ikone desktop atau apalah terserah cara masing-masing. Setelah aplikasi Besprechungen mit dem Programm DigiNakan, klik Menü Datei 8211 Neu - Workfile. Selanjutnya pilih menu Gegenstand 8211 Neues Objekt. Kemudian pilih Reihe dan isikan nama Daten pada kotak Name für Objekt. Selanjutnya doppelt klik pada nama Daten Yang telah dibuat, klik Taste Bearbeiten. Danach fügen Sie Daten hinzu pada studi kasus pada kolom yang tersedia. Lihat bentuk Daten tersebut, klik menu Ansicht 8211 Grafik 8211 OK. Karena Daten tersebut mengandung pola musiman, maka selanjutnya adalah menghilangkan pola musiman tersebut dengan melakukan differencing musima n, klik menu Schnell 8211 Generate Series. Pada Geben Sie die Gleichung isi dengan kode dslogsepatudlog (sepatu, 0,12) ein. Selanjutnya adalah melakukan unterscheidende nonmusiman terhadap Daten teresebut, klik menu Pada Geben Sie die Gleichung isi dengan kode dslogsepatudlog (sepatu) ein. Selanjutnya untuk Melihat grafik Dari hasil differencing musiman dan nicht musiman tersebut dapat dilakukan dengan wählen dslogsepatu dan dlogsepatu kemudian klik kanan offen 8211 als Gruppe, kemudian klik Menü Ansicht 8211 Graph 8211 OK. Sehingga didapatkan hasil seperti gambar dibawah. Setelah melihat hasil kedua grafik tersebut, langkah selanjutnya adalah melakukan menggabungkan unterscheiden musiman dan nonmusiman tersebut, klik menu Quick 8211 Generate Series. Pada Geben Sie die Gleichung ein isi dengan kode ddslogsepatudlog (sepatu, 1,12). Daten tersebut Telah diasumsikan stasioner terhadap variansi karena Telah dilakukan transformasi kedalam bentuk logaritma dan dilakukan differencing musiman dan nonmusiman, selanjutnya adalah menguji apakah Daten tersebut stasioner terhadap bedeuten. Klik menu Ansicht 8211 Einheit Root Test. Kemudian isi sesuai gambar. Selanjutnya adalah identifikasi Modell awal, klik menu Ansicht 8211 Correlogram. Kemudian Pilih Ok. Sehingga muncul grafik Beschreibung ACF dan PAC seperti gambar. Dari Modell grafik diatas, dapat diduga Daten tersebut mengikuti Modell ARIMA (2,1,1) (2,1,1) 12. Selanjutnya dilakukan Überformatierung untuk memilih Modell yang signifikan dan terbaik. Pada halaman utama Anzeigen masukkan perintah seperti gambar. Lakukan Überanpassung terhadap Modell-Modell berikut ini, kemudian tentukan Modell Mana Yang signifikan dan Terbaik dengan Melihat nilai AIC, SC, MSE serta uji asumsi Autokorelasi, Heteroskedasisitas dan Normalitas residu. Untuk melakukan uji normalitas residu, klik menu Ansicht 8211 Residual Test 8211 Hostogramm-Normalitätstest. Selanjutnya adalah uji asumsi autokorelasi, klik menu Anzeigen 8211 Residual Test 8211 Correlogram Q Statistiken. Selanjutnya adalah uji asumsi heteroskedastisitas, klik menu Ansicht 8211 Restbestätigung 8211 Correlogram Squared Residuals. Selanjutnya adalah melakukan Vorhersage atan peramalan, doubleklik pada en ange Daten dan ubah nilai Enddatum dengan 1982M12. Berdasarkan hasil überfitting tabel diatas, maka yang dipilih adalah modell ARIMA (2,1,1) (24,1,12). Klik-Menü Vorhersage dan isi sesuai dengan gambar. Sehingga didapatkanlah hasil Prognose Dari Daten tersebut. Selanjutnya mari kita bahas satu persatu ausgang hasil dari permalan yang sudah kita lakukan tadi. Berdasarkan gambar, dapat dikatakan bahwa Daten tersebut mengandung pola musiman Yang Terus berulang Dari tahun ketahun, oleh Sebab itu metode Yang digunakan dalam melakukan Prognose terhadap Daten tersebut adalah metode SARIMA (Seasonal Autoregressiven Integrated Moving Average). Karena Daten tersebut mengandung pola musiman, oleh Sebab itu dilakukan Differencing terhadap pola musiman dan nonmusimannya Supaya Daten statsioner terhadap bedeuten dan variansi. Hipotesis Ho. Daten tidak stasioner H1. Data stasioner Tingkat Zeichenerklärung: 0.05 Daerah Kritis: ADF gtt-Statistik. Tolak H0 Statistika Uji: ADF -13,477 t-Statistik 5 -2,886 Keputusan Uji Karena nilai ADF gt t-Statistik maka keputusannya adalah Tolak H0 Kesimpulan: Jadi dengan Tingkat signifikansi 5 didapatkan kesimpulan bahwa Daten tersebut stasioner terhadap bedeuten. Setelah-Daten tersebut stasioner terhadap gemeines dan variansi karena telah dilakukan transformasi als unterscheidendes terhadap pola musiman dan nonmusiman. Selanjutnya adalah pemilihan vorbildlicher terbaik dengan melakukan overfitting. Berdasarkan tafel diatas maka vorbildliches terbaik yang dapat digunakan adalah modell ARIMA (2,1,1) (24,1,12). karenan memiliki nilai AIC, SC, SSR yang paling sedikit serta hasil Diagnoseprüfung Yang baik: Berdasarkan gambar, terlihat bahwa nilai Prob. Lt alpha 0,000 lt 0,05 maka keputusannya adalah tolak H0 yang berarti bahwa Daten Restwert tidak berdistribusi normal. Berdasarkan gambar diatas terlihat Übersetzung Sema nilai signifikan (wahrscheinlich gt alpha), oleh karena itu dapat disimpulkan bahwa tidak terdapat gejala autokorelasi terhadap Datenrest. Berdasarkan gambar diatas terlihat Übersetzung Sema nilai signifikan (wahrscheinlich gt alpha), oleh karena itu dapat disimpulkan bahwa tidak terdapat gejala heteroskedastisitas terhadap Datenrest. Gambar diatas merupakan hasil Vorhersagedaten penjualan sepatu 1 tahun (12 bulan) ke depan, pada gambar pertama dan kedua dapat Dilihat informasi RMSE DAN MAE yaitu 176.10 dan 152.29, DAN Pada Gambar Ketiga Dapat Dilihat Hasil Prognose untuk Periode 12 bulan Kedepan. Demikian, Selesai juga ini postingan, sungguh panjang dan sedikit melelahkan. Hehe Jika ada yang kurang jelas silahkan bisa ditanyakan. Semoga Bermanfaat HABEN SPASS.
No comments:
Post a Comment