Peramalan Sederhana (Single Moving Average vs Single Exponential Smoothing) Mungkin sebagian besar diantara kita pernah mendengar tentang teknik peramalan. Tentunya bukan dukun peramal, melainkan tekni do meramalkan prognoza danych czasowych wertu szereg czasowy. Peramalan merupakan suu teknik yang penting bagi perusahaan atau pemerintah dalam mengambil kebijakan. Dalam meramal suatu nilai pada masa yang akan datang bukan berarti hasil yang didapatkan ialah sama persis, melainkan merupakan suatu pendekatan alternatif yang lumrah dalam ilmu statistik. Pada tulisan ini akan dibahas contoh kasus peramalan menggunakan teknik Średnia ruchoma dan Exponential Smoothing. Kedua teknik ini merupakan tekni prognoza yang sangat sederhana karena tidak melibatkan asumsi yang kompleks seperti pada tekni prognoza ARIMA, ARCHGARCH, ECM, VECM, VAR, dsb. Meskipun demikian, asumsi data stasioner haruslah terpenuhi do meramal. Przenoszenie średnie merupakan teknik peramalan berdasarkan rata-rata bergerak dari nilai-nilai masa lalu, misalkan rata-rata bergerak 3 tahunan, 4 bulanan, 5 mingguan, dll. Akan tetapi teknik ini tidak disarankan dla danych czasowych serii yang menunjukkan adanya pengaruh trend dan musiman. Średnia ruchoma terbagi menjadi pojedyncza średnia ruchoma dan podwójna średnia ruchoma. Wygładzanie wykładnicze. hampir sama dengan z ruchomą średnią yaitu merupakan teknik prognozowanie yang sederhana, tetapi telah menggunakan suu penimbang denan besara antara 0 hingga 1. Jika nilai w mendekati nilai 1 maka hasil forecasting cenderung mendekati nilai obseervasi, sedangkan jika nilai w mendekati nilai 0, maka hasil forecasting mengarah ke nilai ramalan sebelumnya. Wygładzanie wykładnicze terbagi menjadi pojedyncze wygładzenie wykładnicze i podwójne wygładzenie wykładnicze. Kali ini, akan dibahas perbandingan metode średnia ruchoma pojedyncza z pojedynczym wygładzaniem wykładniczym. Pemimpin Safira Beach Resto ingin mengetahui omzet restoran pada Januari 2017. Ia meminta zaśpiewał manajer dla mengestimasi nilai tersebut z danymi omega bulanan dari bulan Juni 2017 sampai Desember 2017. Berbekal pengetahuan di bidang statistik, sang manajer melakukan forcast z metode single moving average 3 bulanan dan pojedyncze wygładzenie wykładnicze (w0,4). Pojedyncza średnia ruchoma Tabela wyników prognozy ramalan bulan Wrzesień 2017 r. 128,667 juta rupiah diperoleh dari penjumlahan omzet bulan Juni, Juli, Agustus 2017 dibagi dengan angka moving average (m3). Angka forecast pada bulan Oktober 2017 yaitu 127 juta rupiah diperoleh dari penjumlah omzet bulan Juli, Agustus, wrzesień 2017 dibagi z angką średnia ruchoma tiga bulanan (m3). Perhitungan serupa dilakukan hingga ditemukan hasil forecast bulan Januari 2017 sebesar 150,667 juta rupiah. Dapat diinterpretasikan bahwa omzet bulan Januari 2017 diperkirakan senilai 150, 667 juta rupiah atau mengalami penurunan sebudar 1,333 juta rupiah dibanding z omzet Desember 2017 sebesar 152 juta rupiah. Perhatikan baris pada bulan Juni-Agustus 2017 kolom Prognoza hingga error tidak memiliki nilai, karena peramalan pada bulan-bulan tersebut tidak tersedia dane średnia ruchoma 3 bulanan, bulan sebelumnya. Selanjutnya dla melihat kebaikan hasil ramalan digunaka RMSE (błąd średni kwadratowy błąd) Dla nieokreślonego RMSE, mula-mula dicari błąd nilowy atau selisih antara nilai aktual dan ramalan (prognoza omzet), kemudian kuadrat nilai-nilai tersebut dla masowania-masowania danych bulanan. Lalu, jumlahkan seluruh nilai error yang telah dikuadratkan. Terakhir hitung nilai RMSE z rumem at atas lebih gambangnya, bagi nilai penjumlahan error yang telah dikuadratkan dengan banyaknya observasi dan hasilnya lalu di akarkan. Pada tabel di atas, banyaknya observasi yaitu 16 (mulai dari wrzesień 2017 r. - Desember 2017 r.). Pojedyncze wygładzanie wykładnicze. Selanjutnya kita akan melakukan peramalan z metode Single Exponential Smoothing. Metode ini menggunak nilai penimbang yang dapat diperoleh dari operasi statistik tertentu (bisa proporsi tertentu), namun dapat juga ditentukan oleh peneliti. Kali ini akan digunakan nilai w 4. Prognoza W0,4 Ycap (t1) (juta rp.) Nilai ramalan pada bulan Juni 2017 yaitu 137 368 juta rupiah diperoleh dari rata-rata omzet dari bulan Juni 2017 hingga bulan Desember 2017. Nilai ramalan pada bulan Juli 2017 yaitu 134,821 juta rupiah diperoleh dari perhitungan z rumem di atas, dengan kata lain nilai ramalan bulan Juli 2017 diperoleh dari hasil kali w0,4 dan nilai aktual omzet bulan Juli 2017 dijumlahkan z hasil kali (1-0,4) serta nila ramalan bulan Juni 2017 sebesar 134,821 juta rupia. Lakukan perhitungan tersebut hingga mendapatkan angka ramalan do bulanu Januari 2017. Hasil ramalan omzet bulan Januari 2017 yaitu 149,224 juta rupiah atau turun sebesar 2,776 juta rupiah. Kemudian hitung nilai RMSE z rumusem seperti pada perhitungan średnia krocząca RMSE. hanya saja jumlah obserwatorium berbeda. Pada tabela di atas jumlah obervasi (m) yaitu 19 lebih banyak dibanding z metode prosta średnia ruchoma 3 bulanan (16) karena pada metode eksponensial perhitungan ramalan dapat dimulai dari data pada periode awal. Wyrównanie pojedynczego wykładniczego wykładnika metodymetrycznego RMSE 1073. Selanjutnya dari kedua metode di atas akan dibandingkan mana hasil yang terbaik. Do hal tersebut maka, bandingkan nilai RMSE dari kedua metode. Metode z RMSE terkecil dapat dinyatakan sebagai metode terbaik dla meramal. RMSE mov. average 0,946, RMSE exp. smoothing 1,073. RMSE mov. average lt RMSE exp. smoothing. Kesimpulanya bahwa metode średnia ruchoma lebih dalik melakukan peramalan, sehingga omzet pada bulan Januari 2017 diperkirakan sebesar 150,667 juta rupiah (meskipun memiliki nilai yang lebih rendah daripada bulan sebelumnya). (Nie ma znaczenia, co to jest, to, co się zdarzyło), Enders, Walter, 2004. Econometric Time Series, drugie wydanie: New Jersey: Willey, Kalo contoh, dalam tulisan ini, saya kutip dari buku modul kuliah. Double Moving Average vs Double Exponential Smoothing Sebelumnya telah dibahas tentang teknik permalan prognoza sederhana single moving average dan single exponential smoothing Akan tetapi pada kenyataannya banyak ditemui data time serial yang memiliki trend linier, oleh karena itu peru su tuknik for mengatasinya. sederhana yang bisa mengatasinya yaitu podwójna średnia ruchoma dan podwójna wykładnicza wygładzanie Sebagai informasi, serenarnya terdapat banyak teknik prognoza kompleks yang dapat mengatasi masalah trend linier yaitu dengan cara mentransformasikan dane agar stasioner kemudian diterapkan teknik prognoza tertentu, seperti ARIMA, ARCHGARCH, dll. bawah ini menunjukan kecenderungan omzet restor yang memiliki trend meningkat. Podwójna średnia ruchoma Pada teknik ini dilakukan penghitungan rata-rata bergerak sebanyak dua kali kemudian dilanjutkan denamal menggunakan suatu persamaan tertentu. Perhatikan tabel di atas, pada teknik ini proses mencari nilai rata-rata bergerak dilakukan sebanyak dua kali. Pada kolom Średnia ruchoma 3t baris 1 dan 2 kosong, sedangkan baris ketiga ialah nilai rata-rata dari nilai faktual omzet baris 1, 2, dan 3 (jumlah omzet bulan Juni-Agustus 2017 dibagi tiga (131130125) 3 128,667). Baris berikutunya juga dilakukan dengan cara perhitungan yang sama. Selanjutnya pada kolom Podwójna średnia ruchoma. dilakukan penghitungan rata-rata bergerak dengan cara yang sama pada kolom sebelumnya. Namun, pada kolom ini yang menjadi acuan penjumlahan nilai yaitu nilai pada kolom średnia ruchoma 3 t dibagi z przeciętną średnią ruchoma. Misalnya, nilai 127.444 pada bulan Oktober 2017 kolom podwójnie ruchoma średnia diperoleh dari rata-rata bergerak bulan Juli-Oktober 2017 (128,667127126,667 dibagi 3). Lakukan penghitungan serupa pada baris-baris berikutnya hingga pada baris dane terakhir (sebelum periodeyang akan diramalkan). Pada kolom at, lakukan penghitungan z rumus di atas. Misalkan, angka 125,88889 pada baris bulan Oktober 2017 kolom na diperoleh dari penghitungan 2 x 126,6667 8211 127,4444. Lakukan juga pada baris-baris berikutnya. Dla kolom bt, lakukan penghitungan juga berdasarkan rumus di atas. Wstawia się nilai n ialah jumlah pod postacią yang digunakan dalam średnia ruchoma. pada kasus ini nilai n yaitu 3. Selanjutnya hitung nilai ramalanforecast menggunakan formuła di atas den nilai p1, artinya kita hania akan meramal sebanyak satu periode kedepan saja (meramal omzet pada bulan Januari 2017). Perhatikan bahwa nilai ramalan periode selanjutnya atau t1 dihitung berdasarkan nilai w dan bt periode sekarang atau periode t. Sehingga, nilai ramalan omzet bulan Januari 2017 sebesar 157,11 juta rupiah diperoleh dari penjumlahan nilai na dan bt bulan Desember 2017 (153,88893,2222 (p1)). Selanjutnya kolom et dan et square digunakan for menghitung RMSE. Nilai RMSE yang didapat yaitu 3,8086. Podwójna wykładnicza wygładzanie Teknik ini hampir sama dengan teknik podwójnie ruchoma średnia yaitu dua kali dalam melakukan penghitungan. Formuła wzoru yang digunakan antara lain: Perhatikan pada baris pertama kolom wykładnicza wygładzanie (At) hingga w memiliki nilai yang sama z nilai omzet faktual bulan Juni 2017, nilai ini merupakan default. Selanjutnya nilai baris kedua kolom At dihitunga menggunakan rumus di atas, At omzet bulan Juli 2017 130,600 juta diperoleh dari (w0,4) dikali nilai omzet faktual bulan Juli 2017 (130) ditambah (1-w0,6) dikali nilai W omzet bulan Juni 2017 (131), atau secara matematis ditulis 0,4 x 130 (1-0,4) x 131 130,600 (juta rupia). Kemudian lakukan penghitungan serupa pada baris-baris berikut. Setelah itu, lakukan penghitungan nilai double exponential smoothing (At) menggunakan rumus di atas. Cara penghitungannya sama z powodu wygładzania wykładniczego (At), tapi melibatkan data hasil penghitungan At. Nilai At omzet bulan Juli 2017 (130 840) diperoleh dari hasil 0,4 x 130,600 (1-0,4) x 131). Begitupun z penghitungan pada baris berikutnya sama. Mencari nilai at dan bt sama seperti teknik podwójna średnia ruchoma. hanya saja pada bt, dikalikan den perbandingan penimbang w1-w. Ikuti rumus di atas do mencari nilai at dan bt. Kemudian, lakuka n peramalan forecast sesuai rumus yang ada. Hasil ramalan periode t1 yaitu penjumlahan nilai w dan bt (p1) periode t. Nilai p1 karena pada kasus ini hania ingin dicari nilai ramalan satu periode kedepan. Ramalan omzet bulan Januari 2017 yaitu (atdes.2017152,260) (btdes.2017 (p1) 2,024 (1)) 154 283 (juta rupiah). Kemudian carilah nilai RMSE berdasarkan nilai et dan et square. Nilai RMSE z podwójnym wygładzaniem wykładniczym meta yaitu 3,133. Jika dibandingkan antara metode podwójnie ruchoma średnia dan podwójna wykładnicza wygładzanie. maka metode podwójna wykładnicza wygładzanie lebih baik dla meramalkan karena memiliki nilai RMSE (3 1133) yang lebih kecil dari nilai RMSE metode podwójna średnia ruchoma (3 8086). Demikian, mohon koreksinya demi kebenaran isi materi di atas. Sumber lengkapnya dapat dibaca pada Enders, Walter. 2004. Econometric Time Series Second Edition. New Jersey: Willey. Dan Yulianto, M. A. 2017. Dasar-dasar Operation Research for Pengambilan Keputusan: Edisi Kedua. Jakarta: Sekolah Tinggi Ilmu Statistik. metode metode peramalan dan aplikasi Metode Wygładzanie eksponencjalne Wygładzanie wykładnicze metode merupakan metode peramalan yang cukup baik do peramalan jangka i dan jangka menengah, terutama pada tingkat operational suatu perusahaan, dalam perkembangan dasar matematis dari metode smoothing (forcasting by Makridakis , hal 79-115) dapat dilihat bahwa konsep exponential tel. berkembang dan menjadi metode praktis z penggunaan yang cukup luas, terutama dalam peramalan bagi persedian. Kelebihan utama dari metode wykładniczy wygładzanie adalah dilihat dari kemudahan dalam operasi yang relative rendah, ada sedikit keraguan apakah ketepatan yang lebih baik selalu dapat dicapai z menggunakan (QS) Quantitatif sistem ataukah metode dekonposisi yang secara intuitif menarik, namun dalam hal ini jika diperlukan peramalan untuk item ratusan. Menurut Makridakis, Wheelwright i Mcgee dalam bukunya forcasting (hal 104). Menyatakan bahwa apabila data yang dianalisa bersifat stationer, maka penggunaan metode rata-rata bergerak (średnia krocząca) atau single exponential smoothing cukup tepat akan tetapi apabila datanya menunjukan suatu trend linier. maka model yang baik dla digunakan adalah wykładniczy wygładzanie liniowej dari brązowy model atau wykładniczy wygładzanie linier dari holt. Permasalahan umum yang dihadapi apabila menggunakan model pemulusan eksponensial adalah memilih konstanta pemulusan yang diperkirakan tepat. Adapun panduan do memperkirkan nilai a yaitu antara lain: Apabila pola historis dari dane aktualna wersja sangat bergejolak atau tidak stabil dari waktu ke waktu, kita memilih nilai a mendekati 1.Biasanya di pilih nilai a 0.9 namun pembaca dapat mencoba nilai a yang lang yang mendekati 1 seperti 0,8 0,99 tergantung sejauh mana gejolak dari data itu. Apabila pola historis dane danowe są dostępne na żądanie, aby uzyskać więcej informacji na ten temat, aby uzyskać więcej informacji na ten temat w języku angielskim. 0.2 0.05 0.01 tergantung sejauh mana kestabilan data itu, semakin stabil nilai a yang dipilih harus semakin kecil menuju ke nilai nol b.2. Metode Single Exponential Smoothing Metode ini juga digunakan do meramalkan suatu periode ke depan. Dla melihat persamaan metode ini denode z pojedynczą ruchomą średnią metode. maka lihat kembali persamaan matematis yang digunakan pada peramalan pojedynczy średniej ruchomej. Peramalan dla periode t, persamaan adalah: Sedangkan persamaan matematis dla pojedynczego ruchu wygładzania wykładniczego sebagai berikut: Demikian seterusnya dla Jadi terlihat bahwa metode single moving average merupakan sejumlah dane semua yang ditekankan pada baru. Harga ditetapkan oleh 0 X 1 dan harga yang terpilih yang memberikan sympangan terkecil dari perhitungan yang ada, seperti pada metode single moving average. Peramalan z wykładniczym wygładzaniem juga dapat digunakan dla meramalkan beberapa periode kedepan dla pola dane z kecenderungan linier, teknik yang digunakan dikenal z nama Brown Parametr Exponential Smoothing langkah-langkah perhitungan dla mendapatkan peramalan z metode ini adalah: nilai peramalan z pojedynczą ruchomą średnią. nilai średnia ruchoma kedua. hasil peramalan z podwójnie ruchomą średnią pada periode kedepan. periode kedepan yang diramalkan. b.3. Metode Double Exponential Smoothing Metode ini dikembangkan oleh Browns for mengatasi adanya perbedaan yang muncul antara data aktualna dan nilai peramalan apabila ada trend pada plot datanya. Do itu Browns memanfaatkan nilai peramalan dari hasil singiel Eksponential Smothing dan Double Exponential smoothing. Perbedaan antara kedua ditambahkan pada harga dari SES z demikian harga peramalan telah disesuaikan terhadap trend pada plot datanya. b.3.1. Metode Double Expnontial Smoothing Satu Parametr Brown Dasar pemikiran dari pemulusan eksponensial linier dari Brązowy adalah serupa z rata-rata bergerak linier, karena kedua nemai pemulusan tunggal dan ganda ketinggalan dari dane yang sebenarnya bilamana terdapat unsur trend. perbedaan antara nilai pemulusan tunggal dan ganda dapat ditambahkan kepada nilai pemulusan dan disesuaikan tendencja. Persamaan Yang dipakai Dalam implementasi pemulusan linier satu parametr Brązowy ditunjukan dibawah ini: t S8217t (S8217t St) 2 S8217t St. ft t szeroki t. m t 823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230 (2,21) S T nilai pemulusan eksponensial Tunggal TFS adalah nilai pemulusan eksponensial ganda. m. jumlah periode ke muka yang diramalkan. ramalan m periode ke muka Agar dapat menggunakan persamaan diatas, nilai S t-1 dan S t-1. harus tersedia. Tetapi pada saat t 1, nilai-nilai tersebut tidak tersedia. Jadi, nilai-nilai ini harus ditentukan pada awal periode. Hal ini dapat dilakukan den hana menetapkan S t dan S t dan t ą d z ąu s ą t ę t ę w ą ą ą ą t ę w ę z w ę z ę n ą su nilai rata-rata dari beberapa nilai pertama sebagai titik awal. Jenis masalah inisialisasi ini muncul dalam setiap metode pemulusan (smoothing) eksponensial. Parametr Jika pemulusan a tidak mendekati nol, pengaruh dari proses inisialisasi ini dengan cepat menjadi kurang berarti dengan berlalunya waktu. Tetapi, jika a mendekati nol, proses inisialisasi tersebut dapat memainkan peran yang nyata selama periode waktu ke muka yang panjang. b.3.2. Metode Double Exponential Smothing Parametr Dua Holt Metode pemulusan ekspandensial linier dari Holt dalam prinsipnya serupa z Brown kecuali bahwa Holt tidak menggunakan rumus pemulusan berganda secara langsung. Sebagai gantinya Holt memuluskan nilai trend z parametrem yang berbeda dari parametr yang digunakan pada deret yang asli. Ramalan dari pemulusan eksponensial linier Holt didapat z menggunakan dua konstanem pemulusan (dengan nialai antara 0 sampai 1) dan tiga persamaan: F t m S t b t m82308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230. (2.24) Dimana. dane pemulusan pada periode t trend pemulusan pada periode t peramalan pada periode t Persamaan diatas (1) menyesuaikan S t secara langsung do trendu periode sebelumnya yaitu b t-1 z menambahkan nilai pemulusan yang terakhir, yaitu S t-1. hal ini membantu dla menghilangkan kelambatan dan menempatkan S t ke dasar perkiraan nilai data saat ini. Kemudian persamaan meremajakan trend (2), yang ditunjukan sebagai perbedaan antara dua nilai pemulusan yang terakhir. Hal ini tepat karena jika terdapat kecenderungan di dalam data, nilai yang baru akan lebih tinggi atau lebih rendah dari pada nilai yang sebelumnya. Karena mungkin masih terdapat sedikit kerandoman. maka hal ini dihilangkan oleh pemulusan g (gamma) trend pada periode akhir (S t S t-1), dan menambahkannya dengan taksiran trend sebelumnya dikalikan (1- g). Jadi persamaan diatas dipakai to trend meremajakan. Akhirnya persamaan (3) digunakan to peramalan ke muka. Trend. b t, dikalikan dengan jumlah periode kedepan yang diramalkan, m dan ditambahkan pada nilai dasar S t. b.4. Metode potrójny Exponential Smoothing Metode ini dapat digunakan dla danych yang bersifat atau mengandung musiman. Metode ini adalah metode yang digunakan dalam pemulusan trend dan musiman. Metode zimą didasarkan atas tiga persamaan pemulusan yaitu satu do stationer, trend, dan musiman. Hal ini serupa dengan z metode holt z satu persamaan tambahan dla mengatasi musiman. Persamaan dasar za metode winter adalah sebagai berikut: L Panjang musiman. B Komponen trend I Faktor penyesuaian musiman Ramalan untuk ep eks depan. 2.1.1. Aspek Umum dari Metode Pemulusan Kelebihan utama dari penggunaan metode pemulusan (wygładzanie) yang luas adalah kemudahan dan ongkos yang rendah. Ada sedikit keraguan apakah ketetapan yang lebih baik selalu dapat di capai z menggunakan metode autoregresi atau pola rata-rata bergerak yang lebih canggih. Namun demikian, jika diperlukan ramalan na rzecz ribuan, seperti dalam banyak kasus sistem persedian (inventori), maka metode pemulusan seringkali merupakan satu-satunya metode yang dapat dipakai. Dalam hal keperluan peramalan yang besar, maka suatu yang kecil dan mantap itu lebih berarti. Sebagai contoh, menyimpan empat nilai sebagai ganti dari tiga nilai dla użytkownika setiap item dapat menjadi sangat berarti bagi keseluruhan item sebulan. Disamping itu, waktu komputer yang diperlukan dla melakukan perhitungan yang penting harus disediakan pada tingkat yang layak, dan alasan ini, metode pemulusan eksponensial lebih disukai dari pada metode rata-rata bergerak dan metode z jumlah parametr yang sedikit lebih disukai dari pada yang lebih banyak. Metode last Square Pengertian. Analisis trend merupakan suatu metode analisis yang ditujukan for melakukan suuş oszacowanie atau peramalan pada masa yang akan datang. Dla melakukan peramalan denim baik maka dibutuhkan berbagai macam informasi (dane) yang cukup banyak dan diamati dalam periode waktu yang relatif cuju panjang, sehingga dari hasil analizować tersebut dapat diketahui sampai berapa besar fluktuasi yang terjadi dan faktor-faktor apa saja yang mempengaruhi terhadap perubahan tersebut . Secara teoristis, dalam analisis szereg czasowy yang paling menentukan adalah kualitas atau keakuratan dari informasi atau danych-danych yang diperoleh serta waktu atau periode danych dari-danych tersebut dikumpulkan. Jika danych yang dikumpulkan tersebut semakin banyak maka semakin baik pula szacunek atau peramalan yang diperoleh. Sebaliknya, jika data yang dikumpulkan semakin sedikit maka hasil estimasi atau peramalannya akan semakin jelek. Metode Least Square. Metode yang digunakan for analisis szereg czasowy adalah Metode Garis Linier Secara Bebas (Metoda wolnej ręki), Metode Setengah Rata-Rata (metoda Semi Average), Metode Rata-Rata Bergerak (metoda średniej ruchomej) i Metode Kuadrat Terkecil (metoda najmniejszych kwadratów). Dalam hal ini akan lebih dikhususkan untuk membahas analisis szereg czasowy z metode kuadrat terkecil yang dibagi dalam dua kasus, yaitu kasus data genap dan kasus data ganjil. Secara umum persamaan garis linier dari analisis szereg czasowy adalah. Y a b X. Keterangan. Y adalah variabel yang dicari trendnya i X adalah variabel waktu (tahun). Sedangkan do mencari nilai konstanta (a) parametr dan (b) adalah. a Y N dan b XY X2 Contoh Kasus Data Ganjil: Tabel. Tom Penjualan Barang X (dalam 000 jednostka) Tahun 1995 sampai z 2003 r. Dla menchari nilai a dan b adalah sebagai berikut: a 2.460 9 273,33 dan b 775 60 12,92 Persamaan garis liniernya adalah. Y 273,33 12,92 X. Dengan menggunakan persamaan tersebut, dapat diramalkan penjualan pada tahun 2017 adalah. Y 273,33 12,92 (za tahun 2017 nilai X adalah 11), sehingga. Y 273,33 142,12 415,45 artinya penjualan barang X pada tahun 2017 diperkirakan sebesar 415,450 jednostka Contoh Kasus Data Genap: Tabel. Tom Penjualan Barang X (dalam 000 jednostka) Tahun 1995 sampai z 2002 r. Dla mencari nilai a dan b adalah sebagai berikut: a 2.150 8 268,75 dan b 1.220 168 7,26 Persamaan garis liniernya adalah. Y 268,75 7,26 X. Berdasarkan persamaan tersebut for meramalkan penjualan pada tahun 2008 adalah. Y 268,75 7,26 (untuk tahun 2008 nilai X adalah 19), sehingga. Y 268,75 137,94 406,69 artinya penjualan barang X pada tahun 2008 diperkirakan sebesar 406,69 atau 406,690 jednostka. W przypadku metadanych, które nie są zgodne z metodą, należy wskazać następujące parametry: Tabel. Wielkość Penjualan Barang X (dalam 000 jednostka) Tahun 1995 sampai z 2002 r. Dla mencari nilai a dan b adalah sebagai berikut: a 2.150 8 268,75 dan b 610 42 14,52 Persamaan garis liniernya adalah. Y 268,75 14,52 X. Berdasarkan persamaan tersebut for meramalkan penjualan pada tahun 2008 adalah. Y 268,75 14,52 (za tahun 2008 nilai X adalah 9), sehingga. Y 268,75 137,94 406,69 artinya penjualan barang X pada tahun 2008 diperkirakan sebesar 406.690 jednostka. Do Arin, do Y dan X itu adalah data mentah, misalnya mencari trend kunjungan maka Y nya adalah periode waktu (misal tiap bulan dalam 1 tahun) dan X nya jumlah pengunjung (misalnya per bulan). Setalah itu baru bisa dimasukkan dalam analisis trend Kalau dicermati rumus trend sama z rumus regresi sederhana (dla mencari nilai a dan b). karena jumlah X di tendencja sama z nol maka jika dimasukkan dalam rumus regresi maka jadi rumus trend. Artinya, do mencari nilai a dan b pada trend bisa menggunakan rumus regresi, tapi sebaliknya rumus trend tidak dapat diaplikasikan dalam regresi, karena dalam regresi jumlah X tidak sama z nol saya lg skripsi mas, cuma blom ngerti menjelaskan nilai x itu secara lengkap, cuma itung2annya saya ngerti, nah dosen saya minta menjelaskan nilai x itu denent sedetail2nya. dosennya nyuruh saya tiap x pl s dilaskan dari mana asalnya ,, gimana ya mas slamet menjelaskan x berasal darimana, malah dosen saya nyuruh tiap bulan x nya harus dijelasin. Do Iqbalbo, karena jumlah dane X-nya genap maka nilai 0 berada antara bulan Juni dan Juli, sehingga bulan Juni dinilai -1 dan bulan Juli dinilai 1. jarak antara bulan Juni dgn Juli atau jarak -1 dgn 1 adalah 2, maka seterusnya harus loncat 2. Maka bulan Mei dinilai -3, kwiecień -5 dst. Kalau bulan Agustus dinilai 3 dan September dinilai 5 dst. Jadi dla Nilai X disamping totalnya 0 juga harus konsisten loncat 2. mas slamet8230 itu cara mencari x (zmienna waktu) gimana jujur saya masih bingung kok tau2 dapet nilai -4, -3 mohon penjelasannya mas .. terimaksih To Iqbaldo, dla mencari nilai X pada analisis trend kata kuncinya adalah jika nilai X dijumlahkan maka hasilnya 0. Dla danych jumlah tahun ganjil maka tahun yang ditengah nilainya 0, tahun sebelumnya -1 trus -2 dst, sedang tahun sesudahnya 1 trus 2 dst. Dane kalaniczne są wyświetlane na różnych poziomach. Buku Statistika Deskriptif email: ssantoso0219yahoo. co. id Nawigacja po wpisie Komisi Gratis
No comments:
Post a Comment