Portail - Statistik Bertemu lagi dengan postingan kali ini, setelah sekian lama offline dari dunia blogger, tidak pernah lagi mengriusi blog, nah pada kesempatan kali ini saya mau berbagi kembali kepada semua sahabat yang membutuhkan tutoriel atau pengetahuan tentang prévision peramalan, mungkin beberapa hari kedepan saya Akan banyak memposting tulisan tentang prévisions. Semoga tulisan dans le panier berguna bagi kita semua. Pada postingan pertama tentang analyses runtun waktu kali ini, saya akan berbagi tentang analyse runtun waktu yang paling sederhana yaitu metode Moyenne mobile. Analyses runtun waktu merupakan suatu metode kuantitatif untuk menentukan pola données masa lalu yang telah dikumpulkan secara teratur. Analyse runtun waktu merupakan salah satu metode peramalan yang menjelaskan bahwa deretan observasi pada suatu variabel dipandang sebagai realisasi dari variabel aléatoire 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 aléatoire 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 nontateur dapat ditransformasikan menjadi deret yang stasioner. Pola Données Runtun Waktu Salah satu aspek yang paling penting dalam penyeleksian metode peramalan yang sesuai untuk données runtun waktu adalah untuk mempertimbangkan perbedaan tipe pola données. Ada empat tipe umum. Horizontal, tendance, saisonnier, dan cyclique. Ketika données observasi berubah-ubah di sekitar tingkatan atau rata-rata yang konstan mais aussi pola horizontal. Sebagai contoh penjualan tiap bulan suatu produk tidak meningkat atau menurun secara konsisten pada suatu waktu dapat dipertimbangkan untuk pola horizontal. Les données de Ketika observasi naik atau menurun pada perluasan période suatu waktu tendance dise pola. Pola cyclique ditandai dengan adanya fluktuasi bergelombang données yang terjadi di sekitar tendance garis. Ketika observasi dipengaruhi olé faktor musiman disebut pola saisonnier yang ditandai dengan adanya pola perubahan yang berulang secara otomatis dari tahun ke tahun. Untuk runtun tiap bulan, ukuran variabel komponen runtun saisonnier tiap Januari, tiap Februari, dan seterusnya. Untuk runtun tiap triwulan ada élémen empat musim, satu untuk masing-masing triwulan. Moyenne mobile simple Rata-rata bergerak tunggal (Moyenne mobile) untuk periode t adala nilai rata-rata untuk n jumlah data terbaru. Dengan munculnya données baru, maka nilai rata-rata yang baru dapat dihitung dengan menghilangkan données yang terlama dan menambahkan données yang terbaru. Déménagement moyen inu digunakan untuk memprediksi nilai pada periode berikutnya. Modèle ini sangat cocok digunakan pada données yang stasioner atau données yang konstant terhadap variansi. Tetapi tidak dapat bekerja dengan données yang mengandung unsur tendance atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan données terakhir (Ft), dan menggunakannya untuk memprediksi données pada periode selanjutnya. Metode ini sering digunakan pada données kuartalan atau bulanan untuk membantu mengamati komponen-komponen suatu runtun waktu. Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan (lissage). Dibanding dengan rata-rata sederhana (dari satu données masa lalu) rata-rata bergerak berorde T mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir données dari yang diketahui. Jumlah titik données dalam setiap rata-rata tidak berubah dengan berjalannya waktu. Kelemahan dari metode ini adalah. Metode ini memerlukan penyimpanan yang lebih banyak karena semu T pengamatan terakhir harus disimpan, tidak hanya nilai rata-rata. Metode ini tidak dapat menanggulangi dengan baik adanya tendance aku musiman, walaupun metode dans lebih baik dibanding rata-rata total. Diberikan N titik données de la liste des résultats de la recherche T pengamatan pada setiap rata-rata (yang disebut dengan rata-rata bergerak orde (A) atau MA (T), seadga keadaannya adalah sebagai berikut: Studi Kasus Suatu perusahaan pakaian sepakbola periode januari 2013 sampai dengan April 2014 menghasilkan data est un membre de la famille d'utilisateurs de la communauté: merci, meramalkan hasil penjualan, menggunakan metode, peramalan, yang cocok, dengan data tersebut, bandingkan, metode, MA, tunggal orde 3, 5, 7 dengan aplikasi Minitab dan MA 3x5 dengan aplikasi Excel, manakah metode yang paling tepat untuk Les données sont envoyées par l'intermédiaire de l'arborescence de la base de données, et sont affichées à l'intérieur de la base de données de l'arborescence de l'arborescence. ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, , Sehingga didapatkan sortie seperti gambar. Selanjutnya untuk melakukan prévisions dengan metode Moyenne mobile simple orde 3, klik menu Stat 8211 Série chronologique 8211 Moyenne mobile. . Sealingga muncul tampilan seperti gambar dibawag, pada kotak Variable: masukkan variabel Données, pada kotak MA longueur: masukkan angka 3, selanjutnya berikan centang pada Générer des prévisions par an istanbul Nombre de prévisions: dengan 1. Klik button Option dan berikan judul dengan MA3 dan klik D'ACCORD. Selanjutnya klik Plus d'options Storage dan berikan centang pada Moyennes mobiles, Fits (Prévisions à une période), Résidus, Dan Prévisions, klik OK. Kemudian klik Graphiques dan pilih Graphique prédit vs réel dan OK. Sehingga muncul sortie seperti gambar dibawah ini, Pada gambar diatas, terlihat dengan jelas hasil dari données prévisionnelles, pada periode ke-17 nilai ramalannya adalah 24, denngan MAPE, MAD, dan MSD seperti pada gambar diatas. Cara peramalan dengan metode Moyenne mobile double dapat dilihat DISINI. Ganti saja langsung angka-angkanya données dengan sanglot, hehhe. Maaf yaa, saya, tidak, jelaskan, lagi, laperr, soalnia: D demikian postingannya, semoga bermanfaat. Terimakasih atas kunjungannya. Moving Moyennes Moyennes Moyennes (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 données observasi baru tersedia, maka angka rata-rata yang baru dihitung dan dipergunakan sebagi ramalan. Moyenne mobile simple Rata-rata bergerak tunggal (Moyenne mobile simple) adalah suatu metode peramalan yang dilakukan dengan mengambil sekelompok nilai pengamatan, mencari nilai rata-rata tersebut sebagai ramalan untuk periode yang akan datang. Méthode Moyenne mobile simple mempunyai karakteristik khusus yaitu untuk menentukan ramalan pada periode yang akan dataang memerlukan données historis selama jangka waktu tertentu. Misalnya, dengan 3 bulan moyenne mobile, maka ramalan bulan ke 5 baru dessin setelah bulan ke 4 selesaiberakhir. Jika bulan moyennes mobiles bulan ke 7 baru bisa dessiner setelah bulan ke 6 berakhir. Semakin panjang jangka waktu moyenne mobile. Efek pelicinan semakin terlihat dalam ramalan atau menghasilakan moyenne mobile yang semakin halus. Persamaan matematis moyennes mobiles simples adalah sebagai berikut Mt Moyenne mobile pour le jour t F t1 Ramalan Untuk Periode t 1 Yt Nilai Riil periode ke tn Jumlah batas dalam moyenne mobile Pengukuran Kesalahan Peramalan Dalam pemodelan deret berkala, données sebagian yang diketahui dapat digunakan untuk meramalkan sisa data Berikutnya sehingga dapat dilakukan perhitungan kétepatan peramalan secara lebih baik. Ketepatan peramalan pada masa yang akan datang adalah yang sangat penting. Jika Yt merupakan data 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 données 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): Mean Absolute Error (MAE) Erreur absolue moyenne atau nilai tengah kesalahan obsolut adalah rata-rata mutlak dari kesalahan meramal, tanpa menghiraukan tanda positif maupun negatif. Rata-rata kuadrat kesalahan (Moyenne carrée erreur MSE) MSE merupakan metode alternatif untuk mengevaluasi teknik peramalan masing-masing kesalahan (données de selisih aktual données de terhadap peramalan) dikuadratkan, kemudian dijumlahkan dan dibagi dengan jumlah données. MSE dihitung dengan rumus: Laisser un commentaire Annuler la réponse Messages récentsTeknik analyses données dengan metode ARIMA dilakukan karena merupakan teknik untuk mencari pola yang paling cocok dari sekelompok data (courbure montage), dengan demikian ARIMA memanfaatkan sepenuhnya données masse lalu dan sekarang untuk melakukan peramalan jangka pendek Yang akurat (Sugiarto dan Harijono, 2000). ARIMA seringkali ditulis sebagai ARIMA (p, d, q) yang mémiliki arti bahwa p adalah orde koefisien autokorelasi, d adalah orde jumlah diferensiasi yang dilakukan (hanya digunakan apabila données bersifat non-stasioner) (Sugiharto dan Harijono, 2000) dan q adalah orde Dalam koefisien rata-rata bergerak (moyenne mobile). Peramalan dengan menggunakan modèle ARIMA dapat dilakukan dengan rumus. II. Stasioneriats Données Données yang tidak stasioner memiliki rata-rata dan varian yang tidak konstan sepanjang waktu. Dengan kata lain, secara ekstrim données stasioner adalah données yang tidak mengalami kenaikan dan penurunan. Selanjutnya regresi yang menggunakan données yang tidak stasioner biasanya mengarah kepada regresi lancung. Permasalahan ini muncul diakibatkan oleh variabel (dépendance à l'indépendance) runtun waktu terdapat yang kuat (dengan pergerakan yang menurun maupun meningkat). Adanya tren akan menghasilkan nilai R 2 yang tinggi, tetapi keterkaitan et antar variabel akan rendah (Firmansyah, 2000). Modèle ARIMA mengasumsikan bahwa données masukan harus stasioner. Apabila data masukan tidak stasioner perou dilakukan penyesuaian untuk menghasilkan données yang stasioner. Salah satu cara yangumum dipakai adalah metode pembedaan (différenciation). Méthode ini dilakukan dengan visage mengurangi nilai données pada suatu période dengan nilai données période sebelumnya. Untuk keperluan pengujian stasioneritas, dapat dilakukan dengan beberapa metode seperti fonction d'autocorrélation (corrélogramme), uji akar-akar unité dan derajat integrasi. une. Pengujian stasioneritas berdasarkan corrélogramme Suatu pengujian sederhana terhadap stasioneritas données adalah dengan menggunakan fungsi koefisien autokorelasi (fonction d'autocorrélation ACF). Koefisien ini menunjukkan keeratan hubungan antara nilai variable yang sama tetapi pada waktu yang berbeda. Correlogramme merupakan peta grafik dari nilai ACF pada berbagai lag. Secara matematis rumus koefisien autokorelasi adalah (Sugiharto dan Harijono, 2000: 183). Untitk menentukan apakah nilai koefisien autokorelasi berbeda secar statistik dari nol dilakukan sebuah pengujian. Suatu runtun, waktu, dikatakan, stasioner, atau, menunjukkan, kesalahan, aléatoire, adalah, jika, koefisien, autokorelasi, untitled, lag secara, statistik, tidak, berbeda, signifikan, nol, atau, berbeda, dian nol, hanya, untuk, berberapa, lag, didepan. Untuk itu perlu dihitung kesalahan standard dengan rumus. Dimana n menunjukkan jumlah observasi. Intervalle de Dengan kepercayaan yang dipilih, misalnya 95 persen, batas de maka signifikansi koefisien autokorelasi adalah. Suatu koefisien autokorelasi disimpulkan tidak berbeda secara signifikan dari nol apilba nilainya berada diantara rentang 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 time lag 1 periode. III. Tahapan Metode ARIMA Métré ARIMA menggunakan pendekatan itératif dalam mengidentifikasi suatu modèle yang paling tepat dari berbagai modèle yang ada. Modèle sementara yang telah dipilih diuji lagi dengan données historis untuk melihat apakah modèle sementara yang terbentuk tersebut sudah memadai atau belum. Modèle sudah dianggap memadai apabila résiduel (selisih hasil peramalan dengan données historis) terdistribusi secara acak, kecil dan independen satu sama lain. Langkah-langkah penerapan metode armi secara berturut-turur adalah. Modèle d 'identifikasi, modèle de paramètre estimasi, contrôle de diagnostic. Dan peramalan (prévision). une. Identifikasi modèle Seperti yang dijelaskan sebelumnya bahwa modèle ARIMA hanya dapat diterapkan untuk deret waktu yang stasioner. Oleh karena itu, pertama kali, yang, harus, dilakukan, adalah, menyelidiki, apakah, données, yang, kita, gunakan, sudah, stasioner, atau belum. Jika data tidak stasioner, yang perlu dilakukan adalah memeriksa pada pembedaan données beberapa akan stasioner, yaitu menentukan berapa nilai d. Proses ini dapat dilakukan dengan menggunakan koefisien ACF (fonction de corrélation automatique), unité d'atau uji akar-akar (test des racines unitaires) dan derajat integrasi. Jika données sudah stasioner sehingga tidak dilakukan pembedaan données terhadap runtun waktu maka d diberi nilai 0. Désamorçage menentukan d, pada tahap dansi juga ditentukan berapa jumlah nilai lag résiduel (q) dan nilai lag dépendance (p) yang digunakan dalam modèle. Alat utama yang digunakan untuk mengidentifikasi q dan p adalah ACF dan PACF (Partial Auto Corrélation Funtion Koefisien Autokorelasi Parsial), dan corrélogramme yang menunjukkan parcelle nilai ACF dan PACF terhadap lag. Koefisien autokorelasi parsial mengukur tingkat keeratan hubungan antara X t dan X t-k sedangkan pengaruh dari temps laboratoire 1,2,3,8230, k-1 dianggap konstan. Dengan kata lain, koefisien autokorelasi parsial mengukur derajat hubungan antara nilai-nilai sekarang dengan nilai-nilai sebelumnya (untuk time lag tertentu), sedangkan pengaruh nilai variabel time lab yang lain dianggap konstan. Secara matematis, koefisien autokorelasi parsial berde m didefinisikan sebagai koefisien autoregressive terakhir dari modèle AR (m). Setelah menetapkan modèle sementaire dari hasil identifikasi, yaitu menentukan nilai p, d, dan q, langkah berikutnya adalah melakukan estimasi paramater autoregressive dan moyenne mobile yang tercakup dalam modèle (Firmansyah, 2000). Jika teridentifikasi proses AR murni maka paramètre dapat diestimasi dengan menggunakan kuadrat terkecil (Le moindre carré). Jika sebuah pola MA diidentifikasi maka maximal vraisemblance atau estimasi kuadrat terkecil, keduanya membutuhkan metode optimisasi non-linier (Griffiths, 1993), hal ini terjadi karena adanya non-moyenne mobile yang menyebabkan ketidak linieran paramètre (Firmansyah, 2000). Namun, saat ina sudah tersedia berbagai piranti lunak statistique yang mampu menangani perhitungan tersebut sehingga kita tidak perlu khawatir mengéna estimasi matematis. Setelah melakukan estimasi dan mendapatkan penduga paramater, modèle de gélose sementara dapat digunakan untuk peramalan, perlu dilakukan uji kelayakan terhadap modèle tersebut. Tahap ini disebut vérification de diagnostic. Dimana pada tahap dans diuji apakah spesifikasi modèle sudah benar atau belum. Pengujian kelayanan dans un dapat dilakukan dengan beberapa cara. (1) Setelah estimasi dilakukan, maka nilai résiduel dapat ditentukan. Jika nilai-nilai koefisien autokorelasi résiduelle untuk berbagi temps lag tidak berbeda secara signifikan dari nol, modèle dianggap memadai untuk dipakai sebagai model peramalan. (2) Menggunakan statistik Box-Pierce Q, formule de yang dihitung dengan. (3) Menggunakan varian dari statistik Box-Pierce Q, yaitu statistique Ljung-Box (LB), yang dapat dihitung dengan. Sama seperti Q statistique, statistique LB mendekati c 2 kritis dengan derajat kebebasan m. Jika statistik LB lebih kecil dari nilai c 2 krite, maka semua koefisien autokorelasi dianggap tidak berbeda dari nol, atau modèle telah dispesifikasikan dengan benar. Statistik LB Statistiques de la statistique de la statistique de la statistique sur la statistique de la statistique Dalam menjelaskan sample kecil. (4) Menggunakan t statistik untuk menguji apakah koefisien modèle secara individu berbeda dari nol. Apabila suatu variabel tidak signifikan secara individu berarti variabel tersebut seharusnya dilepas dari spesifikasi modèle lain kemudian diduga dan diuji. Jika modèle sementara yang dipilih belum lolos uji diagnostik, maka proses pembentukan modèle diulang kembali. Menemukan modèle ARIMA yang terbaik merupakan proses iteratif. ré. Peramalan (prévision) Setelah modèle terbaik diperoleh, selanjutnya peramalan dapat dilakukan. Dalam berbagai kasus, peramalan dengan metode dans lebih dipercaya daripada peramalan yang dilakukan dengan modèle ekonometri tradisional. Namun, hal ini tentu saja perlu dipelajari lebih lanjut oleh para peneliti yang tertarik menggunakan metode serupa. Berdasarkan ciri yang dimilikinya, modèle runtun waktu seperti ini lebih cocok untuk peramalan dengan jangkauan sangat pendek, sementara modèle struktural lebih cocok untuk peramalan dengan jangkauan panjang (Mulyono, 2000 dalam Firmansyah, 2000)
No comments:
Post a Comment