Modul Minitab Untuk Peramalan Dengan Metode Arima Dan Dobbel Eksponentiell manuell bok minitab untuk aplikasi analisis ARIMA MODUL MINITAB UNTUK PERAMALAN DENGAN METODE ARIMA DAN DUBBEL EXPONENTIAL Minitab adalah programstatistikk gir deg muligheten til å utvide ditt eget språk. Gambar 1 memperlihatkan kepada anda aspek-aspek utama av Minitab. Menylinje adalah tempat anda memilih perintah-perintah. Toolbar menampilkan tombol-tombol untuk fungsi-fungsi yang sering dipakai. Perhatikan bahwa tombol-tombol tersebut berubah tergantung dari window Minitab mana yang dibuka. Ada dua vinduet berbeda pada layar Minitab: vinduet data tempat anda memasukkan, mengedit, dan melihat kolom data der setiap kertas-kerja enn sesi vinduet, men du kan skrive ut tekst separat for tabellen statistikk. Pada beberapa baby berikut perintah-perintah khusus akan diberikan agar anda dapat memasukkan data kedalam lembar kerja Minitab enn mengaktifkan prosedur peramalan untuk menghasilkan peramalan yang diperlukan. Gambar 1 Layar Minitab Faktor utama mempengaruhi pemilihan teknikk peramalan adalah identifikasi dan pointera pola historis data. Pola historis data ini bisa dilihat der plot deret beserta fungsi auto corelasi sampel. 1 Langkah-langkah mendapatkan plot deret dengan Minitab 14 adalah sebagai berikut: 1. Meld deg på dataproduktene ved å klikke på kolonne C1. Untuk membentuk plot deret, klikk meny-menyen berikut seperti pada gambar 2 StatTime SeriesTime-serien Plot Gambar 2 Meny Plot Deret pada Minitab 2. Kotak dialog Time Series Plot ditampilkan pada gambar 3, lalu pilih jenis plot yang diinginkan. Klikk på OK. 2 Gambar 3 Kotak dialog Tidsserie Plot 3. Kotak dialog Tidsserie Plot-Simple ditampilkan pada gambar 4 Klikk på bildet for å variere produktene enn du vil ha i denne boken. Klikk på OK. Gambar 4 Kotak Dialog Time Series Plot-Simplicity 3 Simulering av lang-hvitt-lang-hvitt-skjerm-polar automatisk-korrelasjon av sebagai berikut: 1. Ikke-slett korrelogram, klikk meny-meny, meny, meny 5 StatTime SeriesAutocorrelation Gambar 5 Meny Auto-korrelasjon av Minitab 2 . Kotak dialog Autokorrelasjon Funksjon mucul pada gambar 6 a. Klikk på denne siden for å få mer informasjon enn du vil ha i serien. b. Masukkan Judul (Tittel), og du vil bare klikke på OK. Hasil korrelogram ditampilkan pada gambar 7. 4 Gambar 6 Kotak Dialog Autokorrelasjon Funksjon Gambar 7 Fungsi Auto-korrelasjon av variabel Produksi Pupuk Autocorrelation Funksjon for produksi (med 5 signifikansgrenser for autokorrelasjonene) 1.0 0.8 0.6 Autokorrelasjon 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 4.97 2.73 1.96 1.50 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 mai menyjuankan adanya autokorelasi (ikke-stasioner) maka data tidsserier tersebut perlu dilakukan prosess forskjeller untuk mendapatkan deret yang stasioner. Langkah-langkah prosessforskjeller sebagai berikut: 1. Untuk membuat data selisih (forskjeller), klikk på meny-menyen Berikut StatTime SeriesDifferences Pilihan Forskjeller Berada diatas pilihan Autocorrelation yang ditampilkan gambar 2. 2. Kotak dialog Forskjeller detampilkan pada gambar 8. a. Klikk på bildet for å få en variabel produkt, og du vil også kunne se serien. b. Tekan Tab untuk menyimpan selisih (forskjeller) enn dimasukkan kedalam C2. Data selisih (forskjeller) kini akan muncul dalam regneark di kolom C2. Gambar 8 Kotak Dialog Forskjeller 6 Dalam modul ini hanya digunakan dua metode peramalan yaitu ARIMA dan Double Exponential Smoothing. Dobbel eksponensiell utjevning Untuk melakukan pemulusan mengunakan metode Dobbel eksponentiell pada data, lakukan langkah-langkah berikut: 1. Melalui meny, klikk meny-menyen berikut seperti pada gambar 9: StatTime SeriesDouble eksponensiell utjevning Gambar 9 Meny Dobbel eksponentiell pada Minitab 2. Muncul kotak dialog Dobbel eksponensiell utjevning seperti pada gambar 10. a. Klikk på Kali variabel produksjon enn Akan Muncul sebagai variabel. b. Pada bobot yang akan digunakan sebagai utjevning, pilih Optimal ARIMA, kemudian klikk OK. Hasilnya diperlihatkan pada gambar 11. 7 Gambar 10 Kotak Dialog Dobbel Eksponensiell Gambar 11 Eksponensiell Linjer Hold Data Produksi Pupuk Dobbel Eksponensiell Utjevning Plot for Produksi 9000000 8000000 7000000 6000000 Produksi 5000000 4000000 3000000 2000000 1000000 0 3 6 9 12 15 18 Indeks 21 24 27 30 Variabel A passer til utjevningskonstanter En lpha (nivå) 0,940976 Gamma (trend) 0,049417 A ccuracy-tiltak MA PE 1.93411E01 MA D 4.57345E05 MSD 3.26840E11 8 ARIMA Metode ARIMA sangar baik digunakan untuk mengkombinasikan pola trend, faktor musim en faktor syklus dengan lebih komprehensif. Avspenning av modellen er ikke tilgjengelig, men det er ikke mulig å skille mellom data og data. Salah satu kunci merumuskan modell ARIMA adalah nilai autokorelasi dan autokorelasi parsial, yang besarnya bervariasi antara -1 sampai 1. Avspilling av data, data og dimensjonering av denne modellen ARIMA har ikke noe annet sted enn det som er tilgjengelig. Langkah yang dilakukan untuk identifikasi model awal fra ARIMA tanpa musiman adalah: a. Buat plot data berdasarkan periode pengamatan (serie). Jika data berfluktuasi pada garis lurus dengan tingkat fluktuasi yang relatif sama maka data tersebut sudah stasioner. Jika tidak stasioner lakukan diferensiasi. b. Jika-serien er stasjonær, og viser grafisk autokorrelasjon av dataserier. Lihat pola untuk menentukan model ARIMA awal. c. Lakukan permodelan ARIMA (p, d, q) sesuai dengan modellen awal yang ditetapkan pada bagian b. Kemudian verifikasi kelayakan model yang dihasilkan. d. Lakukan overfitting, yaitu duga modell dengan nilai p, d, q lebih besar dari ditentukan pada model awal. e. Tetapkan modell er en av de mest populære i MSE. Peramalan dilakukan dengan menggunakan modell yang terbaik. Untuk data serier musiman, langkah-langkahnya mirip dengan tanpa musiman, dengan menambahkan modell untuk musiman. Langkah untuk melakukan pemodelan ARIMA dalam Minitab 14 adalah sebagai berikut: 1. Du kan laste ned dataene i denne filen, men du kan også åpne filen: FileOpen Worksheet 2. Untuk menghitung auto-korelasi variabelproduksi, klikk menyen sebagai berikut seperti pada gambar 5: StatTime SeriesAutocorrelation 3. Kotak-dialog Autokorrelasjonsfunksjon (gambar 6) muncul: a. Klikk på denne variabelen for å få mer informasjon enn bannerene. B. Klikk OK så muncul gambar 7. 4. Sebagai upaya melakukan selisih data, klikk menyen berikut seperti pada gambar 8: StatTime SeriesDifferences 5. Kotak dialog Differanser seperti pada gambar 9 muncul a. Klikk på denne variabelen for å få mer informasjon enn bannerene. B. Tab untuk Lagre forskjeller i: deretter skriv inn C2 9 c. Tast inn et lag Lag: deretter skriv inn 1. Klikk på OK, så velg det samme som du vil. 2 kolonne 2. 6. Etikettvariabel C2 dengan Diff1prod. Untuk menghitung auto-korelasi variabel ini, ulangi langkah 2 dengan menggunit Diff1prod sebagai variable disebelah kanan deret. 7. Untuk menghitung auto-korelasi parsial dari variabel Diff1prod klikk seperti pada gambar 12: StatTime SeriesPertial Autocorrelation Gambar 12 Meny automatisk korrelasjon parsial pada Minitab 8. Kotak dialog Delvis autokorrelasjon Funksjon muncul seperti pada gambar 13. a. Klikk for å variere Diff1prod enn akan muncul disebelah kanan Series. b. Klikk OK så muncul gambar 14. 10 Gambar 13 Kotak Dialog Delvis Autocorrelation 9. Modell ARIMA (5,1,5) Dijalankan Dengan Klikk Meny Berikut: StatTime SeriesArima 10. Kotak dialog ARIMA muncul seperti gambar 14 a. Klikk på Kali variabel produksjon enn Akan Muncul Disebelah kanan serien. b. Di bawah Nonseasonal di kanan Autoregressiv maska 5 di kanan Difference masukkan 1 dan 5 di kanan Moving Average. c. Karena data er ikke tilgjengelig, klikk av kotak Inkluder konstant sikt i modell. d. Klikk på prognose enn kotak-dialog ARIMA-Forecast muncul. Untuk meramalkan dua periode ke depan tempatkan 2 di kanan Bly: Klikk OK. e. Klikk Lagre enn kotak dialog ARIMA-Storage muncul. Klikk kotak di kanan Residual dan klik OK, så velg en dialogrute ARIMA dan bagian bawah gambar muncul. h. Untuk menghitung auto-korelasi residual, ulangi langkah 2 dengan menggunakan Res1 sebagai variabel di kanan deret. 11 Gambar 14 Kotak Dialog ARIMA 12Portal-Statistikk Malam ini sedang berlangsung bigmatch antara Chelsea VS MU, sambil menunggu spark av baby kedua mending berbagi kepada teman-teman somua. Setelah kemarin saya berbagi postingan tentang Lankah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins dengan Eviews. Malam ini waktunya untuk melanjutkan postingan tentang analisis data runtung waktu metode yang lainnya. Ya sesuai dengan judul diatas, malam ini saya ingin medlemsk sedikit pengetahuan tentang Peramalan Data Runtun Waktu Metode SARIMA (Seasonal Autoregressive Integrated Moving Average) dengan Eviews. Metodeboks-Jenkins Metode Peramalan adalah cara memperkirakan sekara kuantitatif apa yang akan terjadi pada masa yang akan datang, berdasarkan data yang relevant pada masa lalu. Metoden innebærer at det ikke er noen grunnleggende analyser for å få tak i dataene i dataene, og at de ikke er i stand til å gjøre det enklere, men det er viktigere å si at det er viktig å si noe om hva som er viktig for deg. Salah satu metode dalam peramalan yaitu metode Box Jenkins. Beberapa model dalam Metode boks-modell: Modell ARIMA (p, d, q) Rumum umum modell ARIMA (p, d, q) adalah sebagai berikut Modell ARIMA dan Faktor Musim (SARIMA) Merknad ARIMA gir deg mulighet til å velge meny, men ikke minst umumnya adalah: ARIMA (p, d, q) (P, D, Q) S dengan. p, d, q. bagian yang tidak musiman av modell (P, D, Q) S. bagian musiman dari model S. jumlah periode per musim Adapun rumus av ARIMA (p, d, q) (P, D, Q) S sebagai berikut: Stasioneritas data Kestasioneran data bisa dilihat dot plot time series. Untuk melihat kestasioneran data dalam betyr bisa dilihat dari perhitungan ACF dan PACF nya. ACF diperoleh dengan rumus sebagai berikut: dengan Zt datatidsserien er nå på Z 773 rata-rata sampel. Sedangkan PACF diperoleh dengan rumus sebagai berikut: dengan k adalah fungsi autokorelasi. Ketidakstasioneran data dalam betyr dapat diatasi dengan prosess pembedaan (differencing), sedangkan kestasioneran data dalam varians dapat dilihat dengan nilai. Adapun nilai dihitung dengan rumus sebagai berikut: dengan, Yi data aktual untuk i 1. n. G geometriske gjennomsnittlige data for data, ingen data, dataovervåking. Studi Kasus Berikut ini adalah data penjualan sepatu sebuah perusahaan A, seorang pemilik perusahaan i mengetahui perkembangan penjualannya untuk 1 tahun kedepan guna menentukan sasaran pasar dan kebijakan yang akan diambilnya. Data dapat diperoleh disini. Adapun langkah-langkah melakukan forcasting terhadap data dengan menggunakan aplikasi Eviews metode SARIMA adalah. Membuka aplikasi Eviews dengan melakukan dobbeltklikk på ikonet skrivebordsbordet på tvers av cara masing-masing. Setelah aplikasi Eviews terbuka dan siap digunakan, klikk menyen File 8211 New - Workfile. Selanjutnya pilih menu Objekt 8211 Nytt objekt. kjemudian pilih Serien er ikke noe navn på navnet. Selanjutnya dobbeltklikk på data, og klikk på Rediger. og lim inn data på studiestart ved å klikke på kolonnen. Lihat bentuk data tersebut, klikkmeny Vis 8211 Graf 8211 OK. Karena data tersebut mengandung pola musiman, maka selanjutnya adalah menghilangkan pola musiman tersebut dengan melakukan differencing musima n, klikkmeny Quick 8211 Generate Series. pada Skriv inn ligning er dengan kode dslogsepatudlog (sepatu, 0,12). Selanjutnya adalah melakukan differensierer ikke-populære terhadap data teresebut, klikkmeny Quick 8211 Generate Series. pada Skriv inn ligning er dengan kode dslogsepatudlog (sepatu). Selanjutnya untuk melihat grafik dari haril differencing musiman dan non musiman tersebut dapat dilakukan dengan select dslogsepatu dan dlogsepatu kemudian klikk kanan åpne 8211 som gruppe, kemudian klikkmeny Vis 8211 Graf 8211 OK. Sehingga didapatkan haril seperti gambar dibawah. Setelah melihat haril kedua grafik tersebut, langkah selanjutnya adalah melakukan menggabungkan differencing musiman dan nonmusiman tersebut, klikkmeny Quick 8211 Generate Series. pada Skriv inn ligning er dengan kode ddslogsepatudlog (sepatu, 1,12). Data tersebut telah diasumsikan stasioner terhadap variansi karena telah dilakukan transformasi kedalam bentuk logaritma enn dilakukan differencing musiman dan nonmusiman, selanjutnya adalah menguji apakah data tersebut stasioner terhadap mean. klikk-meny Se 8211 Unit Root Test. kjemudian isi sesuai gambar. Selanjutnya adalah identifikasi model awal, klikk meny Se 8211 Correlogram. kemudian pilih ok. Seendega muncul grafik ACF enn PAC seperti gambar. Dari modell grafik diatas, dapat diduga data tersebut mengikuti model ARIMA (2,1,1) (2,1,1) 12. Selanjutnya dilakukan overfitting untuk memilih modellen yang signifikan dan terbaik. Pada halaman utama Eviews masukkan perintah seperti gambar. Lakukan overfitting terhadap modellmodell berikut ini, kemudian tentukan modell manaangangangangan dan terbaik dengan melihat nilai AIC, SC, MSE ser ut som autosorelasi, Heteroskedasisitas enn Normalitas Residu. Klikk på menyen Vis 8211 Restitest 8211 Hostogram Normalitetstest. selekjene du har valgt, klikk meny Se 8211 Restitest 8211 Korrelogram Q Statistikk. Selekjør alt du trenger, klikk på menyen, se 8211 Restitest 8211 Korrelogramkvadratrester. Selanjutnya adalah melakukan prognose atau peramalan, doubleklik pada r angi data enn ubah nilai Sluttdato dengan 1982M12. Berdasarkan hasil overfitting tabell diatas, maka yang dipilih adalah modell ARIMA (2,1,1) (24,1,12). Klikk menyen Forecast enn eri sesuai dengan gambar. Sehingga didapatkanlah haril prognose dari data tersebut. Selanjutnya mari kita bahas satu persatu produksjonen har hatt en permalan av Sudah Kita Lakukan Tadi. Berdasarkan gambar, dapat dikatakan bahwa data tersebut mengandung pola musiman yang terus berulang dari tahun ketahun, oleh sebab det metode for degunakan dalam melakukan prognose terhadap data tersebut adalah metode SARIMA (Seasonal Autoregressive Integrated Moving Average). Karena data tersebut mengandung pola musiman, oleh sebab det er dilakukan differencing terhadap pola musiman dan nonmusimannya supaya data statistiker terhadap mean dan variansi. Hipotese Ho. Data tidak stasioner H1. Data stasioner Tingkat Signifikansi: 0.05 Daerah Kritis: ADF gtt-Statistic. Tolak H0 Statistikk Uji: ADF -13.477 t-Statistisk 5 -2.886 Keputusan Uji Karena nilai ADF gt t-Statistisk maka keputusannya adalah tolak H0 Kesimpulan: Jadi dengan tingkat signifikansi 5 didapatkan kesimpulan bahwa data tersebut stasioner terhadap mean. Setelah data tersebut stasioner terhadap betyr så variansi karena telah dilakukan transformasi enn differencing terhadap pola musiman dan nonmusiman. Selanjutnya adalah pemilihan modell terbaik dengan melakukan overfitting. Berdasarkan tabell diatas maka modell terbaik yang dapat digunakan adalah modell ARIMA (2,1,1) (24,1,12). karenan memiliki nilai AIC, SC, SSR, og du har blitt diagnostisert sjekk deg: Berdasarkan gambar, terlihat bahwa nilai Prob. Det er 0.000 til 0,05, og det er ikke så langt som normalt. Berdasarkan gambar diatas terlihat pada nilai prob. soma nilai signifikan (prob. gt alpha), det vil si at det ikke er mulig å oppdatere dataene for å gjenopprette data. Berdasarkan gambar diatas terlihat pada nilai prob. soma nilai signifikan (prob. gt alpha), det vil si at det ikke er mulig å oppdatere dataene for gjenoppretting av data. Gambar diatas merupakan hasil prognose data per måned 1 time (12 bulan), avhengig av hvilken periode du har valgt, og deretter RMSE enn MAE på 176,10 enn 152,29, siden du har hatt en forventet periode på 12 uker. Demikian, Selesai Juga ini postingan, sungguh panjang dan sedikit melelahkan. hehe. Jika ada yang kurang jelas silahkan bisa ditanyakan. Semoga Bermanfaat HAR FUN. Portal - Statistik Bertemu lagi dengan posting kali ii, siden du har nettopp skrevet av blogger, vennligst kontakt bloggen, og du vil bli informert om at du vil ha mer informasjon om hvordan du lærer deg selv og lærer deg på tvers av penger, mungkin beberapa hari kedepan saya akan banyak memposting tulisan tentang prognoser. Sommer tulisan ini dapat berguna bagi kita semua. Pada postingan pertama tentang analisis runtun waktu kali ii, saya akan berbagi tentang analisis runtun waktu yang paling sederhana yaitu metode Moving Average. Analyser avviker med høyere oppfølgingsmetoder, men det er ikke tillatt å lagre polar data, men det er ikke noe problem å se på. Analyser avviker med mer enn en annen metode, men det er ikke bare en meny-boks, men det er også en observatorium for variabelen som er forskjellig fra variabel tilfeldig berdistribusi bersama. Gerakan musiman adalah gerakan rangkaian waktuangangangang tahun pada bulan-bulan yang sama yang selalu menunjukkan pola yang identik. contohnya: harga saham, inflasi. Gerakan tilfeldig adalah gerakan naik turun waktu yak tidak dapat diduga sebelumnya enn terjadi secara acak contohnya: gempa bumi, kematian dan sebagainya. Asumsi yang penting yang harus dipenuhi dalam memodelkan runtun waktu adalah somumsi kestasioneran artinya sifat-sifat yang mendasari prosess tidak dipengaruhi oleh waktu atau prosess dalam keseimbangan. Apabila asumsi stasioner belum dipenuhi maka deret belum dapat dimodelkan. Namun, deret du ikke stammer fra degransformasikan menjadi deret yang stasioner. Polar Data Runtun Waktu Salah er et aspek poeng og en penting av penyeleksian metode for å få tilgang til dataene rundt, og det er ikke nødvendig å lagre dataene dine. Ada empat tipe umum. horisontal, trend, sesongmessig, enn syklisk. Ketika data observasi berubah-ubah di sekitar ting atata rata-rata yang konstan disebut pola horizontal. Sebagai contoh penjualan tiap bulan suatu produkt tidak meningkat atau menurun secara konsisten pada suatu waktu dapat dipertimbangkan untuk pola horizontal. Ketika data observasi naik atau menurun pada perluasan periode suatu waktu disebut pola trend. Pola cyclical ditandai dengan adanya fluktuasi bergelombang data yang terjadi di sekitar garis trend. Ketika observasi dipengaruhi oleh faktor musiman disebut pola sesongavhengig av dette, og det er ikke bare noen av de andre som er interessert i det. Untuk runtun tiap bulan, ukuran variabel komponen seasons runtun januar, tiap februar, dan seterusnya. Untuk runtun tiap triwulan ada elemen empat musim, satu untuk masing-masing triwulan. Enkelt Flytende Gjennomsnitt Rata-Rata Bergerak Tunggal (Flytende gjennomsnitt) Untuk Period T Adalah Nilai Rata-Rata Utilgjengelig Nyttig informasjon. Dengan munculnya data baru, som ikke er riktig tilgjengelig, og som gir deg mulighet til å oppdatere dataene dine, men du kan også få informasjon om dette. Flytter gjennomsnittlig inntektsforsikring i løpet av året. Modellen er laget av data som gir deg mulighet til å oppdatere dataene dine med jevne mellomrom. tetapi tidak dapat bekerja dengan data yang mengandung unsur trend atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan data terakhir (Ft), enn menggunakannya untuk memprediksi data pada periode selanjutnya. Metodeinnstilling gir deg muligheten til å koble deg til at du ikke har noen mulighet til å bruke komposittkomponenter. Semakin besar orde rata-rata bergerak, semakin besar pula gelduhememusan (utjevning). Dibanding dengan rata-rata sederhana (dari satu data masa lalu) rata-rata bergerak berorde T mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir dari data yang diketahui. Jumlah titik data ble satt i gang i forhold til tidlige beretninger. Kelemahan dari metode ini adalah. Metode innfyller penisimpanan yang lebih banyak karena somua Tjen penger på denne måten, og du kan ikke finne noe riktig. Metode i tid begynner å redusere den daglige utviklingen av trenden med muslimer, med en metode som ikke er i orden. Diberikan N titik data enn diputuskan untuk menggunakan Tjenestemåten er i stand til å rata-forholdet (du er ikke i stand til å svare på den aktuelle oppgaven) (MA), og du vil bli informert om at du har fått beskjed om dette: Studi Kasus Suksesutvikling i januar måned sampai dengan April 2014 mengder data som er skrevet av sebagai berikut: Manajemen ingin meramalkan har penjualan menggunanan metode peramalan yang cokok dengan data tersebut. Bandingkan metode MA tunggal orden 3, 5, 7 dengan aplikasi Minitab dan MA ganda ordo 3x5 dengan aplikasi Excel, manakah metode yang paling tepat untuk dataene er bare tilgjengelige, og du kan bare lagre det. Du kan også legge til en enkelt, flytende gjennomsnitt. Adapun langkah-langkah melakukan forcasting terhadap data penjualan pakaian sepak bola adalah: Membuka aplikasi Minitab dengan melakukan dobbeltklikk på ikonet skrivebordet. Setelah aplikasi Minitab terbuka dan siap Digunakan, buat nama variabel Bulan dan Datamaskinen er en maskinvare som gir informasjon om datasikkerhet. Sebelu M memulai untuk melakukan prognose, har du hatt det du har hatt, så lenge du har hatt det, så kan du klikke på menyen Graph 8211 Time Series Plot 8211. Enkel, maskerad variabel Dataark kakett Serie, men du kan ikke skrive ut det. Selanjutnya untuk melakukan prognoser dengan metode Moving Gjennomsnittlig enkelt orden 3, klikkmeny Stat 8211 Tidsserie 8211 Moving Average. . Sehingga muncul tampilan seperti gambar dibawag, pada kotak Variabel: maska variabel Data, side MA Lengde: ingen angrep 3, flere ganger Generere prognoser enn flere kubikker Antall prognoser: dengan 1. Klikk på knappen Alternativ enn berikan judul dengan MA3 dan klik OK. Selanjutnya klikkknapp Lagre enn berikan centang pada Flytte gjennomsnitt, Passer (en-periode fremover prognoser), Residuals, dan Forecasts, klikk OK. Kemudian klikk Grafer enn pilih Plot spådd vs. actual dan OK. Sehingga muncul utgir seperti gambar dibawah ii, Pada gambar diatas, der du har spilt data for tersebut, med en periode på 17 år siden, 24 år, MAPE, MAD, enn MSD-spill på gambar-diatene. Cara Peramalan dengan metode Dobbel Flytende Gjennomsnittlig Dobbel Utvidelse. Ganti saja lengre angka-angkanya dengan data sobat hehe. Du må si at du ikke har det, men det er ikke så bra. D demikian postingannya, semoga bermanfaat. Terimakasih atas kunjungannya.
No comments:
Post a Comment