Tag: peramalan dengan SPSS Metode Smoothing merupakan salah satu jenis teknik yang digunakan dalam analisis série de tempo (runtun waktu) untuk memberikan peramalan jangka pendek. Dalam melakukan suavizando (penghalusan) terhadap data, nilai masa lalu digunakan untuk mendapatkan nilai yang dihaluskan untuk série de tempo. Nilai yang telah dihaluskan ini kemudian diekstrapolasikan untuk meramal nilai masa depan. Tehnik yang kita kenal dalam metode smoothing yaitu Média móvel simples do alisamento exponencial. Pada halaman ini, saya hanya akan membahas tentang Average Moving Simple. Simples dados médios em movimento série temporária seringkali mengandung ketidakteraturan yang akan menyebabkan prediksi yang beragam. Untuk menghilangkan efek yang tidak diinginkan dari ketidak-teraturan ini, metodo simples, móvel, médio, mengambil, beberapa, nilai, yang, sedang, diamati, memberikan, rataan, dan menggunakannya untuk memprediksi nilai untuk periode waktu yang akan datang. Semakin tinggi jumlah pengamatan yang dilakukan, maka pengaruh metode média móvel akan lebih baik. Meningkatkan jumlah observasi akan menghasilkan nilai peramalan yang lebih baik karena ia cenderung meminimalkan efek-efek pergerakan yang tidak biasa yang muncul pada dados. Moving average juga mempunyai dua kelemahan yaitu memerlukan dados masa lalu dalam jumlah besar untuk ketepatan prediksi, dan masing-masing observasi diberikan bobot yang sama, ini melanggar bukti empiris bahwa semakin observa terbaru seharusnya lebih dekat dengan nilai masa depan maka kepentingan bobotnya akan meningkat pula. Aplikasi Metode Moving Average software Dengan IBM SPSS 23 dapat dilihat pada contoh berikut ini: Berikut kita memiliki dados kunjungan ke Bali para Januari 2008 hingga Juni 2015 dalam format excel, dados diambil dari website Dinas Pariwisata Provinsi Bali: 1. Langkah pertama adalah memasukkan dados ke Folha de cálculo do DALAM SPSS 23 sebagai berikut: Data View. (Bagi yang belum jelas tentang cara import data dari excel ke SPSS 23 lihat di step bahasan ini ampgtampgtampgt) 2. Kemudian pada menu SPSS 23 pilih Transformar Criar Série Temporal Seperti Gambar: 3. Setelah itu akan muncul kotak diálogo berikut, pilih Visita dan klik Panah sehingga variabel visita berpindah ke kolom variabel Novo Variabel di sebelah kanan. 4. Setelah itu pilih pada kotak função pilih Cented Moving Average, atau bisa juga Prior Moving Average. 5. Kemudian isikan span dengan 3, dan klik change. Span diisi dengan angka 3 artinya mengalami proses 3 kali suavizando yang biasa kita kenal juga dengan Média móvel ponderada. Adapun proses 1 dan 2 kali suavizando kita sebut Single Moving Average do Double Moving Average. Jangan lupa untuk klik change ágar variabel visit1 berubah menjadi visi3, kemudian ok. 6. Saída yang didapat dari metode Centrada na média móvel Média média ponderada adalah sebagai berikut: Dari output diatas, dapat diketahui bahwa Kunjungan pada bulan-bulan berikutnya dapat kita lihat dari variabel baru yang dihasilkan dari análise de séries de tempo metodo centrado média móvel 8211 média móvel ponderada . Demikian juga jika kita memilih antes da média móvel, keduanya merupakan metode simples média móvel 3, maka hasil peramalannya akan sama. (Yoz) Aplikasi Metode Exponential Suavização dengan SPSS akan dibahas pada bahasan selanjutnyaMetode Box - Jenkins (ARIMA) Metode peramalan saat ini cukup Banyak dengan berbagai kelebihan masing-masing. Kelebihan ini bisa mencakup variabel yang digunakan dan jenis data timenynynya. Nah, dalam penentuan peramalan terbaik ini cukup sulit. Tapi salah satu tehnik peramalan paling sering digunakan adalah ARIMA (média móvel integrada autoregresif). ARIMA ini sering juga disebut metode runtun waktu box-jenkins. Dalam pembahasan kali ini kita akan sedikit membahas ARIMA. Modelo ARIMA adalah modelo yang secara penuh mengabaikan independen varibel dalam pembuatan peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat. Namun untuk peramalan jangka panjang ketepatan peramalannya kurnag baik. Tujuan ARIMA adalah untuk menentukan hubungan statistik yang baik antar variabel yang diramal dengan nilai historis variabel tersebut sehingga peramalan dapat dilakukan dengan modelo tersebut. ARIMA digunakan untunk suatu variabel (univariado) deret waktu. Untuk mempermudah dalam menghitung modelo ARIMA dapat digunakan berbagai aplikasi diantaranya EViews, Minitab, SPSS, dll. dalam pembahasan kali ini menggunakan aplikai EViews 6.0. Modelo Klasifikasi ARIMA: Modelo ARIMA dibagi dalam 3 unsur, yaitu: modelo autoregresif (AR), média móvel (MA), dan Integre (I). Ketiga unsur ini bisa dimodifikasi sehingga membentuk modelo baru. Modelo de misalnya de acordo com a média móvel (ARMA). Namim, apabila mau dibuat dalam bentuk umumnya menjadi ARIMA (p, d, q). P menyatakan ordo AR, d menyatakan ordo Integreed dan q menyatakan ordo moving avirage. Apabila modelnya menjadi AR maka modelo umumnya menjadi ARIMA (1,0,0). Untuk lebih jelasnya berikut dijelaskan untuk masing-masing unsur. Autoregresif bentuk umum dari modelo autororegresif dengan ordo p (AR (p)) atau modelo ARIMA (P, 0,0) dinyatakan sebagai beikut: maksud dari autoregresif yaitu nilai X dipengaruhi oleh nilai x periode sebelumnya hingga periode ke-p. Jadi yang berpengaruh disini adalah variabel itu sendiri. Mude a média do modelo bentuk umum dari média móvel dengan ordo q (MA (q)) atau modelo ARIMA (0,0, q) dinyatakan sebagai beriku: maksud dari média móvel yaitu nilai variabel x dipengaruhi oleh error dari varibel x tersebut. Modelo de modelo bentuk umum dari integreado integreted dengan ordo d (I (d)) atau modelo ARIMA (0, d, 0). Dados inteiros de diferenças de dados de disini adalah menyatakan. Maksudnya bahwa dalam membuuat modelo ARIMA syarat keharusan yang harus dipenuhi adalah stasioneritas dados. Apabila data stasioner pada level maka ordonya sama dengan 0, namun apabila stasioner pada diferente pertama maka ordonya 1, dst. Modelo ARIMA dibagi dalam 2 bentuk. Yaitu modelo ARIMA tanpa musiman do modelo ARIMA musiman. Modelo ARIMA tanpa musiman merupakan modelo ARIMA yang tidak dipengaruhi oleh faktor waktu musim. Bentuk umum dapat dinyatakan dalam persamaan berikut. Sedangkan ARIMA musiman merupakan modelo ARIMA yang dipengaruhi oleh faktor waktu musim. Modelo ini biasa disebut Temporada ARIMA (SARIMA). Bentuk umum dinyatakan sebagai berikut. Adapun tahap-tahapan pembuatan modelo ARIMA: 1. identificável modelo tentatif (sementara) 2. Pendugaan parâmetro 3. cek diagnóstico 1. Identifikasi Pada tahap ini kita akan mencari atau menetukan p, d, dan q. Penentuan p dan q dengan bantuan korelogram autokorelasi (ACF) dan korelogram autokorelasi parsial (PACF). Sedangkan 8216d8217 ditentukan dari tingkat stasioneritasnya. ACF disini mengukur korelasi antara pengamatan dengan lag ke-k sedangkan PACF merupakan pengukuran korelasi antara pengamatan dengan lag ke-k dan dengan mengontrol korelasi anttara dua pengamatan dengan lag kurang dari k. Atau dengan kata lain, PACF adalah korelasi antara yt dan yt-k setelah menghilangkan efek yt yang terletak diatara kedua pengamatan tersebut. 2. Parâmetro Pendugaan Pada tahap ini tidak akan dijelaskan secara teori bagaimana langkah-langkah menduga parâmetro. Mungkin teman-teman bisa mencari di referensi. Dalam menduga parâmetro ini sangatlah susah kalau dikerjakan secara manual. Sehingga diperlukanlah bantuan software-software. Sekarang ini banyak software sekali yang digunakan untuk melakukan analisis ARIMA seperti SPSS, EViews e Minitab. 3. Cek Diagnostik Setelah menduga parâmetro, langkah selajutnya adalah menguji modelo apakah modelnya sudah baik untuk digunakan. Untuk melihat modelo yang baik bisa dilihat dari residualnya. Jika residualnya ruído branco, maka modelnya dapat dikatakan baik dan sebaliknya. Salah satu cara untuk melihat ruído branco dapat diuji melalui korelogram ACF dan PACF dari residual. Bila ACF dan PACF tidak signifikan, ini mengindikasikan ruído branco residual artinya modelnya sudah cocok. Selain itu dapat dilakukan dengan test Ljung - Box untuk mengetahui branco noisenya. Apabila hipotesis awalnya diterima maka residual memenuhi syarat ruído branco. Sebaliknya jika hipotesis awalnya ditolak maka residual ruído branco. Statistik uji Ljung-Box sebagai berikut: Dari hasi tersebut mungkin saja ada beberapa modelo yang baik digunakan. Sehingga langkah selanjutnya dengan memilih modelo terbaik dengan melihat beberapa indicador lain, seperti AIC, SIC, R2 ajustado 4. Previsão Setelah ketiga tahap itu dilewati maka dapat dilakukan peramalan. Peramlan ini sesungguhnya merupakan penjabaran dari persamaan berdasarkan koefisien-koefisien yang didapat, sehingga kita dapat menetukan kondisi di masa yang akan datang. Refrensi: Nachrowi Djalal Nachrowi dan Hardius Usman. Ekonometrika untuk analisis ekonomi dan keuangan. 2006. Lembaga Penelitian e Pemberdayaan Masyarakat. IPB. Model Box jenkins ARIMA 2006. Escrito por: Nasrul Setiawan Terima kasih sudah membaca artikel Time Series dengan judul Metode Box - Jenkins (ARIMA). Anda bisa bookmark halaman ini dengan URL statistikceria. blogspot. co. id201212metode-box-jenkins-arima. html. Apabila ada yang kurang jelas silahkan tinggalkan komentar atau pesan. Nov 27, 2009 Modelo kausal mengasumsikan bahwa variabel yang diramalkan (variabel dependen) terkait dengan variabel lain (variabel independen) dalam model. Pendekatan ini mencoba untuk melakukan proyeksi berdasarkan hubungan tersebut. Dalam bentuknya yang paling sederhana, regresi linear digunakan untuk mencocokkan baris ke dados. Baris itu kemudian digunakan untuk meramalkan variabel dependen yang dipilih untuk beberapa nilai dari variabel independen. Modelo yang digunakan sama dengan modelo pada regresi linier berganda, yaitu: Y b0 b1X1 b2X2 b3X3 8230 bnXn bnd En Y nilai observavel dari variabel yang diukur b0 konstanta X variabel pengukur (independen) d varibel substituto (manequim) erro Pabrik Susu 8220Maju-Mundur8221 ingin Melihat penjualan perusahaan pada bulan-bulan berikutnya, yang dimulai pada bulan ke-13, variabel-variabel yang mereka sertakan dalam peramalan adalah jumlah biaya iklan dan biaya distribusi dalam jutaan Rupiah. Data yang diberikan adalah sebagai berikut: Dengan SPSS 17.0. Langkah-Langkahnya adalah sebagai berikut: 1. Dados de entrada ke dalam planilha SPSS seperti berikut: 2. Kemudian pilih Analise 8211 Regression 8211 Linear. Seperti berikut: 3. Setelah muncul kotak dialog Regressão linear. Maka pindahkan variabel dependen 8220 vendas 8221 ke kotak dependente, serta variabel iklan dan distribusi ke kotak independente, seperti berikut: 4. Setelah itu di sisi kanan, pilih estatística. Centang estima. Ajuste de modelo. Dan Durbin Watson. Klik continue: 5. Pada Plot, masu kkan ZRESID ke kotak Scatter X. Dan ZPRED ke scatter Y. Lalu pada bagian Residuals centang parcela de probabilidade normal. Lalu klik continuar 8211 OK. Seperti berikut: 6. Berikutnya akan ditunjukkan saída sebagai berikut: Parcela de saída menunjukkan modelo yang dihasilkan terhadap garis linier. Dari output ANOVA dapat kita lihat modelo adalah signifikan yang diindikasikan dengan nilai sig. 0,000. Dari output Coeficientes kita dapati nilai koefisien korelasi yang akan dimasukkan ke dalam persamaan regresi modelo peramalan 8220 vendas 8221 dengan variabel independen iklan dan distribusi. Kedua variabel independen memiliki nilai p-value berturut-turut adalah 0,000 dan 0,030 yang lebih kecil dari nilai kritik 0,05. Dengan demikian masing-masing variabel signifikan berpengaruh terhadap vendas, dan baik untuk digunakan dalam peramalan. Maka dengan demikian modelo yang didapatkan adalah: Y -103,3 9,59 (Iklan) 4,44 (Distribusi) Hasil peramalan yang didapat dalam bulan berikutnya dapat diilustrasikan sebagai berikut: Jika perusahaan memutuskan alokasi biaya iklan adalah 20 juta. Dan biaya distribusi 30 juta pada bulan ke 13. Maka jumlah vendas totais pada bulan ke-13 adalah: Y -103,3 9,59 (20) 4,44 (30) Y 221,67 (dalam jutaan rupiah menjadi Rp.221.670.000, -) Maka nilai penjualan pada bulan Ke-13 adalah Rp. 221.670.000, - Demikian seterusnya untuk bulan-bulan berikutnya, dengan menentukan alokasi 8220biaya iklan8221 dan 8220biaya distribusi8221, maka manajemen dapat menentukan nilai penjualan (vendas) dari modelo yang dihasilkan melalui metode kausal (regresi linier). (Yoz) Postado por ariyoso Teori amp Konsep Statistik Konsep Variabel Kualitatif dan Kuantitatif Dados de dados Statistik Deskriptif Konsep Parametrik dan Non Parametrik Statistika Inferensia Penyusunan Hipotesis Teknik Pengukuran Statistik Teknik Amostragem Sebaran Probabilitas Diskret Sebaran Normal Sebaran Binomial Sebaran Poisson Transformasi Dados Korelasi Bivariat Pemaparan Data Kualitatif dengan Tabulasi Silang novo IBM SPSS Ver.23
No comments:
Post a Comment