Moving Average Pada Minitab

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 Sagena 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 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 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 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. Modul Minitab Untuk Peramalan Dengan Metode Arima Dan Doppel Exponential manuelles Buch minitab untuk aplikasi analisis ARIMA MODUL MINITAB Untuk PERAMALAN dengan METODE ARIMA DAN DOUBLE EXPONENTIAL Minitab adalah Programm statistik Yang setiap versinya Terus dikembangkan. Gambar 1 memperlihatkan kepada und ein aspek-aspek utama dari Minitab. Menüleiste adalah tempat und ein memilih perintah-perintah. Symbolleiste menampilkan tombol-tombol untuk fungsi-fungsi yang sering dipakai. Perhatikan bahwa tombol-tombol tersebut berubah tergantung dari fenster Minitab mana yang dibuka. Ada dua Fenster berbeda Pada layar Minitab: Fensterdaten Tempat undeinem memasukkan, mengedit, dan Melihat kolom Daten Dari setiap Kertas-kerja dan sesi Fenster Yang menayangkan Ausgabe teks seperti misalnya Tabel statistik. Pada beberapa bab berikut perintah-perintah khusus Akan diberikan Agar undeinem dapat memasukkan Daten kedalam Lembar kerja Minitab dan mengaktifkan prosedür peramalan untuk menghasilkan peramalan Yang diperlukan. Gambar 1 Layar Minitab Faktor utama Yang mempengaruhi pemilihan Teknik peramalan adalah identifikasi dan pemahaman pola Historis Daten. Pola historis Daten ini bisa dilihat dari plot deret beserta fungsi auto-korelasi sampel. 1 Langkah-Langkah mendapatkan Grundstück Deret dengan Minitab 14 adalah sebagai berikut: 1. Memasukkan Daten produksi Pupuk ke dalam kolom C1. Untuk membentuk Grundstück Deret, klik Menü-Menü berikut seperti Pada gambar 2 StatTime SeriesTime Serie Plot Gambar 2 Menü Plot Deret Pada Minitab 2. Kotak Dialog Zeitreihen Plot ditampilkan Pada gambar 3, lalu pilih jenis Grundstück Yang diinginkan. Lalu klik OK. 2 Gambar 3 Kotak Dialog Zeitreihen Plot 3. Kotak Dialog Zeitreihen Handlung Einfache ditampilkan Pada gambar 4 Klik dua kali Pada Variabel produksi dan hal ini Akan Muncul disebelah bawah Series. Lalu klik OK. Gambar 4 Kotak Dialog Time Series Plot-Einfache 3 Sedangkan Langkah-Langkah untuk mendapatkan pola Auto korelasi adalah sebagai berikut: 1. Untuk membentuk korrelogram, klik Menü-Menü berikut seperti Pada gambar 5 StatTime SeriesAutocorrelation Gambar 5 Menü Auto-korelasi Pada Minitab 2 Kotak-Dialog Autokorrelation Funktion mucul pada gambar 6 a. Sie können das IMDb - Team auf Fehler und Lücken auf dieser Seite hinweisen. B. Masukkan Judul (Titel) Pada Ruang Yang Dikehendaki Dan Klik OK. Hasil korrelogram ditampilkan Pada gambar 7. 4 Gambar 6 Kotak Dialog Autokorrelationsfunktion Gambar 7 Fungsi Auto-korelasi Dari Variabel Produksi Pupuk Autokorrelationsfunktion für produksi (mit 5 Bedeutung Grenzen für die Autokorrelationen) 1,0 0,8 0,6 Autocorrelation 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0.8 -1.0 1 2 3 4 Lag 5 6 7 8 5 Lag 1 2 3 4 5 6 7 8 ACF 0,891749 0,788301 0,688238 0,587191 0,503758 0,414150 0,308888 0,173246 T 2,73 1,96 1,50 4,97 1,20 0,94 0,68 0,38 LBQ 27,12 49,04 66,34 79,41 89,39 96,41 100,48 101,81 Jika dalam gambar 7 masih menunjukkan adanya autokorelasi (non-stasioner) maka Datenzeitreihen tersebut Perlu dilakukan proses Unterschiede untuk mendapatkan Deret yang stasioner. Langkah-Langkah proses Unterschiede sebagai berikut: 1. Untuk membuat Daten Selisih (Unterschiede), klik Pada Menü-Menü berikut StatTime SeriesDifferences Pilihan Unterschiede berada diatas Pilihan Autocorrelation Yang ditampilkan gambar 2. 2. Kotak Dialog Unterschiede ditampilkan Pada gambar 8. a. Sie können das IMDb - Team auf Fehler und Lücken auf dieser Seite hinweisen. B. Tekan Tab Untuk menyimpan selisih (Unterschiede) dan dimasukkan kedalam C2. Daten selisih (Unterschiede) kini akan muncul dalam Arbeitsblatt di kolom C2. Gambar 8 Kotak Dialog Unterschiede 6 Dalam modul ini hanya digunakan dua metode peramalan yaitu ARIMA Dan Double Exponential Glättung. Doppel exponentielle Glättung Untuk melakukan pemulusan mengunakan metode Doppel Exponential Pada Daten, lakukan Langkah-Langkah berikut: 1. Melalui Menü klik Menü-Menü berikut seperti Pada gambar 9: StatTime SeriesDouble exponentielle Glättung Gambar 9 Menü Doppel Exponential Pada Minitab 2. Muncul kotak Dialog Doppelte Exponentialglättung seperti pada gambar 10. a. Sie haben soeben einen Artikel in den Warenkorb gelegt. B. Pada Bobot Yang Akan Digunakan sebagai Glättung, pilih Optimal ARIMA, kemudian klik OK. Hasilnya diperlihatkan Pada gambar 11. 7 Gambar 10 Kotak Dialog Doppel Exponential Gambar 11 Pemulusan Eksponensial Linier Halten Daten Produksi Pupuk Doppel exponentielle Glättung Parzelle zum produksi 9000000 8000000 7000000 6000000 produksi 4000000 3000000 2000000 5000000 1000000 0 3 6 9 12 15 18 Index 21 24 27 30 Variable A ctual Passt Glättung Konstanten A lpha (Pegel) 0,940976 Gamma (Trend) 0,049417 G enauigkeit Maßnahmen MA PE 1.93411E01 MA D 4.57345E05 MSD 3.26840E11 8 ARIMA Metode ARIMA sangat baik digunakan untuk mengkombinasikan pola Trend, faktor musim dan faktor siklus dengan Lebih Komprehensiv Disamping itu Modell ini Mampu meramalkan Daten Historis dengan kondisi Yang Sulit dimengerti pengaruhnya terhadap Daten Secara teknis. Salah satu kunci merumuskan Modell ARIMA adalah nilai autokorelasi dan autokorelasi parsial, yang besarnya bervariasi antara -1 sampai 1. Disamping itu, Daten Yang dapat dimodelkan dengan Modell ARIMA haruslah stasioner nilai tengah dan stasioner Ragam. Langkah yang dilakukan untuk identifikasi modellieren awal dari ARIMA tanpa musiman adalah: ein. Buat Plot Daten berdasarkan Periode Pengamatan (Serie). Jama Daten berfluktuasi pada garis lurus dengan tingkat fluktuasi yang relatif sama maka Daten tersebut sudah stasioner. Jika tidak stasioner lakukan diferensiasi. B. Jika Serie telah stasioner, buat grafik autokorelasi parsial dari Datenreihe. Lihat pola untuk menentukan vorbildliches ARIMA awal. C. Lakukan permodelan ARIMA (p, d, q) sesuai dengan modellieren awal yang ditetapkan pada bagian b. Kemudian verifikasi kelayakan vorbildliches yang dihasilkan. D. Lakukan Überbearbeitung, yaitu duga Modell dengan nilai p, d, q lebih besar dari yang ditentukan pada Modell awal. D. h. Tetapkan Modell Yang Paling baik dengan Melihat MSE. Peramalan dilakukan dengan menggunakan Modell Yang terbaik. Untuk Datenreihe musiman, langkah-langkahnya mirip dengan tanpa musiman, dengan menambahkan model untuk musiman. Langkah untuk melakukan pemodelan ARIMA dalam Minitab 14 adalah sebagai berikut: 1. Apabila Daten tersimpan dalam Datei, bukalah dengan Menü berikut: Fileopen Arbeitsblatt 2. Untuk menghitung Auto korelasi Variabel produksi, klik Menü sebagai berikut seperti Pada gambar 5: StatTime SeriesAutocorrelation 3. Kotak-Dialog Autokorrelation Funktion (gambar 6) muncul: a. Klik dua kali variabel produksi dan akan muncul di sebelah kanan Serie b. Klik OK dan Muncul gambar 7. 4. Sebagai upaya melakukan Selisih Pada Daten, klik Menü berikut seperti Pada gambar 8: StatTime SeriesDifferences 5. Kotak Dialog Unterschiede seperti Pada gambar 9 Muncul ein. Klik dua kali variabel produksi kanan Reihe b. Tab untuk Store Unterschiede in: dan enter C2 9 c. Tab untuk Lag: dan Geben Sie 1. Klik OK dan selisih pertama akan muncul di kolom 2 mulai baris 2. 6. Label variabel C2 dengan Diff1prod. Untuk menghitung Auto korelasi Variabel ini, ulangi Langkah 2 dengan menggunakan Diff1prod sebagai Variabel disebelah kanan Deret. 7. Untuk menghitung Auto korelasi parsial Dari Variabel Diff1prod klik seperti Pada gambar 12: StatTime SeriesPertial Autocorrelation Gambar 12 Menüauto korelasi parsial Pada Minitab 8. Kotak Dialog partielle Autokorrelationsfunktion Muncul seperti Pada gambar 13. a. Klik dua kali variabel Artikel weiterempfehlen. B. StatTime SeriesArima 10. Kotak Dialog ARIMA Muncul seperti gambar 14 a: Klik OK dan Muncul 14. 10 Gambar 13 Kotak Dialog partielle Autokorrelations 9. Modell ARIMA (5,1,5) dijalankan dengan klik Menü berikut gambar. Klik dua kali variabel produksi als akan muncul disebelah kanan Reihe. B. Di bawah Nonseasonal di kanan Autoregressive masukkan 5 di kanan Verschiedene masukkan 1 dan 5 di kanan Moving Average. C. Karena Daten telah diselisihkan, klik off kotak Fügen Sie konstanten Begriff in Modell. D. Klik-Vorhersage dan kotak dialog ARIMA-Vorhersage muncul. Untuk meramalkan dua periode ke depan tempatkan 2 di kanan Blei: Klik OK. D. h. Klik Speicherung als Kotakdialog ARIMA-Speicher muncul. Klik kotak di kanan Zurück Weiter dan klik OK pada kotak dialog ARIMA dan bagian bawah gambar muncul. H. Untuk menghitung auto-korelasi restliche, ulangi langkah 2 dengan menggunakan Res1 sebagai variabel di kanan deret. 11 Gambar 14 Kotak Dialog ARIMA 12