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 saya Akan banyak memposting tulisan tentang vorhersage Semoga tulisan ini dapat berguna bagi kita semua. Pada postingan pertama tentang analisis runtun waktu kali ini, saya akan berbagi tentang analisis runtun waktu yang paling sederhana yaitu metode Moving Average. 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 s Ama yang selalu menunjukkan pola yang identik contohnya harga saham, inflasi gerakan zufällige 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 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 Tipe Umum horizontal, Trend, saisonale, dan cyclical. Ketika Daten Beobachtungen Beratungs-Sekitar Tingkatan atau Rata-Rata Yang Konstan Krankheit Pola horizontal Sebagai contoh penjualan tiap bulan Suatu produk tidak m Entekat atau menurun secara konsisten pada suatu waktu dapat dipertimbangkan untuk pola horizontal Ketika Daten Beobachtungen naik atau menurun pada perluasan periode suatu waktu krankheit pola trend Pola zyklisch ditandai dengan adanya fluktuasi bergelombang daten yang terjadi di sekitar garis trend Ketika observasi dipengaruhi oleh faktor musiman krankheit pola saisonal Yang ditandai dengan adanya pola perubahan yang berulang secara otomatis dari tahun ke tahun Untuk runtun tiap bulan, ukuran variabel komponen saisonale runtun tiap Januari, tiap Februari, dan seterusnya Untuk runtun tiap triwulan ada elemen empat musim, satu untuk masing-masing triwulan. Single Umzug Durchschnitt. Rata-rata bergerak tunggal Verschieben von durchschnittlichen untuk periode t adalah nilai rata-rata untuk n jumlah Daten terbaru Dengan munculnya Daten baru, Maka nilai rata-rata Yang baru dapat dihitung dengan menghilangkan Daten yang terlama dan menambahkan Daten yang terbaru Verschieben Durchschnitt ini digunakan Untuk memprediksi nilai pada periode sein Rikutnya Modell ini sangat cocok digunakan pada Daten yang stasioner atau 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 berorde T Mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir dari daten yang diketahui. Jumlah titik 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 terakhir harus disimpan, Tidak hanya nilai rata-rata. Metode ini tidak dapat menanggu Langi dengan baik adanya trend atau musiman, walaupun metode ini lebih baik dibanding rata-rata total. Diberikan N titik daten diputuskan untuk menggunakan t pengamatan pada setiap rata-rata yang krankheit 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 mulai, kita mulai dari Single Moving Durchschnitt Adapun langkah-langkah melakukan forcasting terhadap Daten penjualan pakaian sepak bola adalah. Membuka aplikasi Minitab dengan melakukan Doppelklick pada icon desktop. Setelah aplikasi Minitab terbuka dan siap digu Nakan, buat nama variabel Bulan dan Daten kemudian masukkan Daten sesuai studi kasus. Sebelum memulai untuk melakukan prognose, terlebih dahulu yang harus dilakukan adalah melihat bentuk sebaran Daten runtun waktunya, klik Menü Graph Zeitreihe Plot Simple, masukkan variabel Daten ke kotak Serie, sehingga Didapatkan output seperti gambar. Selanjutnya untuk melakukan prognostiziert dengan metode Moving Average single orde 3, klik menu Stat Zeitreihe Moving Durchschnittlich sehingga muncul tampilan seperti gambar dibawag, pada kotak Variable masukkan variabel Daten, pada kotak MA Länge masukkan angka 3, selanjutnya berikan centang pada Generieren Sie Prognosen Dan isi kotak Anzahl der Prognosen dengan 1 Klik Button Option dan berikan judul dengan MA3 dan klik OK Selanjutnya klik button Speicherung als berikan centang pada Gleitende Durchschnitte, passt für eine Periode voran Prognosen, Residuals, Dan Prognosen, klik OK Kemudian klik Graphs Dan pilih Plot vorhergesagt vs tatsächlichen dan OK. Sehingga muncul Ausgabe seperti gambar dibawah i Ni. Pada gambar diatas, terlihat dengan jelas hasil dari prognosendaten tersebut, pada periode ke-17 nilai ramalannya adalah 24, denngan MAPE, MAD, dan MSD seperti pada gambar diatas. Cara peramalan dengan metode Double Moving 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. Portal-Statistik Malam ini sedang berlangsung bigmatch antara Chelsea VS MU, sambil menunggu kick off babak kedua mending berbagi Kepada teman-teman semua Setelah kemarin saya berbagi postingan tentang Lankah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins dengan E-Mail-Anblick-Malerin-Tanz-Tango-Tango-Tango-Tango-Tango-Tango-Tango-Tanga Tentang Peramalan Daten Runtun Waktu Metode SARIMA Saisonale Autoregressive Integrierte Moving Durchschnittliche Denga N Eviews. Metode Box-Jenkins Metode Peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang, berdasarkan Daten yang relevan pada masa lalu Metode ini sangat berguna dalam mengadakan pendekatan analisis terhadap perilaku atau pola dari Daten yang lalu, sehingga dapat Memberikan cara pemikiran, pengerjaan dan pemecahan yang sistematis dan prakmatis serta memberikan tingkat keyakinan yang lebih Salah satu metode dalam peramalan yaitu metode Box Jenkins Beberapa Modell dalam Metode Box-Jenkins yaitu. Model ARIMA p, d, q Rumus umum Modell ARIMA p, d, Q adalah sebagai berikut. Model ARIMA dan Faktor Musim SARIMA Notasi ARIMA dapat diperluas untuk menangani aspek musiman, notasi umumnya adalah ARIMA p, d, q P, D, QS dengan p, d, q bagian yang tidak musiman dari Modell P, D, QS bagian musiman dari model S jumlah periode pro musim Adapun rumus umum dari ARIMA p, d, q P, D, QS sebagai berikut. Stasioneritas Daten Kestasioneran Daten bisa dilihat dari plot Zeitreihe Untu K melihat kestasioneran dalam bedeutet bisa dilihat dari perhitungan ACF dan PACF nya ACF diperoleh dengan rumus sebagai berikut. dengan Zt Daten Zeitreihe pada waktu ke t dan Z rata-rata sampel Sedangkan PACF diperoleh dengan rumus sebagai berikut. dengan k adalah fungsi autokorelasi Ketidakstasioneran Daten dalam bedeutet dapat diatasi dengan proses pembedaan differencing, sedangkan kestasioneran dalam varians dapat dilihat dengan nilai Adapun nilai dihitung dengan rumus sebagai berikut. dengan, Yi Daten aktualisieren untuk i 1 n G geometrische mittlere dari seluruh Daten, nilai lambda, n jumlah Daten observasi. Studi Kasus Berikut ini adalah Daten penjualan sepatu sebuah perusahaan A, seorang pemilik perusahaan ingin mengetahui perkembangan penjualannya untuk 1 tahun kedepan guna menentukan sasaran pasar dan kebijakan yang akan diambilnya Daten dapat diperoleh disini. Adapun langkah-langkah melakukan forcasting terhadap Daten dengan menggunakan aplikasi Eviews Metode SARIMA adalah. Membuka aplikasi E Views dengan melakukan doppelklick pada icon desktop atau apalah terserah cara masing-masing. Setelah aplikasi Eviews terbuka dan siap digunakan, klik menu Datei Neu - Workfile. Selanjutnya pilih menu Objekt Neues Objekt kemudian pilih Serie dan isikan nama data pada kotak Name für Objekt. Selanjutnya doppelte klik pada nama daten yang telah dibuat, klik knopf Bearbeiten Sie die Einfügen von Daten pada studi kasus pada kolom yang tersedia. Lihat bentuk Daten tersebut, klik Menü Ansicht Grafik OK. Karena Daten tersebut mengandung pola musiman, maka selanjutnya adalah menghilangkan pola musiman tersebut dengan Melakukan differenzierende musima n, klik menu Schnelle Generate Serie pada Geben Sie Gleichung isi dengan kode dslogsepatu dlog sepatu, 0,12.Selanjutnya adalah melakukan differencing nonmusiman terhadap Daten teresebut, klik Menü Quick Generate Serie pada Geben Sie Gleichung isi dengan kode dslogsepatu dlog sepatu. Selanjutnya untuk Melihat grafik dari hasil differencing musiman dan nicht musiman tersebut dapat dilakukan dengan sel Ect dslogsepatu dan dlogsepatu kemudian klik kanan offen als gruppe, kemudian klik menu View graph OK. Sehingga didapatkan hasil seperti gambar dibawah. Setelah melihat hasil kedua grafik tersebut, langkah selanjutnya adalah melakukan menggabungkan differencing musiman dan nonmusiman tersebut, klik menu Schnell Generate Series pada Enter Gleichung isi dengan kode ddslogsepatu dlog sepatu, 1,12.Data tersebut telah diasumsikan staterer terhadap variansi karena telah dilakukan transformasi kedalam bentuk logaritma dan dilakukan differenzierende musiman dan nonmusiman, selanjutnya adalah menguji apakah daten tersebut stasioner terhadap mittlere klik menu Ansicht Einheit Wurzeltest kemudian isi Sesuai gambar. Selanjutnya adalah identifikasi modell awal, klik menu Ansicht Correlogram kemudian pilih Ok Sehingga muncul grafik ACF dan PAC seperti gambar. Dari Modell grafik diatas, dapat diduga Daten tersebut mengikuti Modell ARIMA 2,1,1 2,1,1 12 Selanjutnya dilakukan Überfüllung untuk memilih Modell Yang signifikan dan terbaik Pada Halaman Utama Eviews masukkan perintah seperti gambar. Lakukan Überfüllung terhadap Modell-Modell berikut ini, kemudian tentukan Modell Mana Yang signifikan dan terbaik dengan melihat nilai AIC, SC, MSE serta uji asumsi Autokorelasi, Heteroskedasisitas dan Normalitas Residu untuk melakukan uji normalitas residu, klik Menu View Residual Test Hostogramm Normalität Test selanjutnya adalah uji asumsi autokorelasi, klik menu View Residual Test Correlogram Q Statistiken selanjutnya adalah uji asumsi heteroskedastisitas, klik menu Ansicht Residual Test Correlogram Squared Residuals. Tabel Overfitting Model SARIMA. Selanjutnya adalah melakukan prognose atau peramalan, doubleklik pada R ange Daten dan ubah nilai Enddatum dengan 1982M12.Berdasarkan hasil overfitting tabel diatas, maka yang dipilih adalah Modell ARIMA 2,1,1 24,1,12 Klik Menü Vorhersage dan isi sesuai dengan gambar. Sehingga didapatkanlah hasil prognose dari Daten tersebut. Selanjutnya mari kita bahas satu persatu Ausgabe hasil dari permalan yan G sudah kita lakukan tadi. Berdasarkan gambar, dapat dikatakan bahwa Daten tersebut mengandung pola musiman yang terus berulang dari tahun ketahun, oleh sebab itu metode yang digunakan dalam melakukan prognose terhadap Daten tersebut adalah metode SARIMA saisonale Autoregressive integrierte bewegliche durchschnittliche Karena Daten tersebut mengandung pola musiman , Oleh sebab itu dilakukan differencing terhadap pola musiman dan nonmusimannya supaya Daten statsioner terhadap gemein dan variansi. Hipotesis Ho Daten tidak stasioner H1 Daten stasioner. Tingkat Signifikansi 0 05.Daerah Kritis ADF t-Statistic Tolak H0.Statistika Uji ADF -13 477 t - Statistik 5 -2 886.Keputusan Uji Karena nilai ADF t-Statistic maka keputusannya adalah tolak H0.Kesimpulan Jadi dengan tingkat signifikansi 5 didapatkan kesimpulan bahwa Daten tersebut stasioner terhadap mean. Setelah Daten tersebut stasioner terhadap gemein dan variansi karena telah dilakukan transformasi dan differencing terhadap Pola musiman dan nonmusiman Selanjutnya adalah p Emilihan model terbaik dengan melakukan overfitting. Berdasarkan tabel diatas maka modell terbaik yang dapat digunakan adalah modell ARIMA 2,1,1 24,1,12 karenan memiliki nilai AIC, SC, SSR yang paling sedikit serta hasil diagnostische Kontrolle yang baik. Berdasarkan gambar, Terlihat bahwa nilai Prob alpha 0 000 0 05 maka keputusannya adalah tolak H0 yang berarti bahwa daten residual tidak berdistribusi normal. Berdasarkan gambar diatas terlihat pada nilai prob semua nilai signifikan prob alpha, oleh karena itu dapat disimpulkan bahwa tidak terdapat gejala autokorelasi terhadap Daten verbleibend. Berdasarkan gambar diatas terlihat pada nilai prob semua nilai signifikan prob alpha, oleh karena itu dapat disimpulkan bahwa tidak terdapat gejala heteroskedastisitas terhadap daten residual. Gambar diatas merupakan hasil prognose daten penjualan sepatu 1 tahun 12 bulan ke depan, pada gambar pertama dan kedua dapat dilihat informasi RMSE dan MAE yaitu 176 10 dan 152 29, dan pada gambar ketiga dapat dilihat hasi L prognose untuk periode 12 bulan kedepan. Demikian, Selesai juga ini postingan, sungguh panjang dan sedikit melelahkan hehe Jika ada yang kurang jelas silahkan bisa ditanyakan Semoga Bermanfaat HAVE FUN. Modul Minitab Untuk Peramalan Dengan Metode Arima Dan Doppel Exponential. manual Buch Minitab untuk aplikasi Analisis ARIMA. MODUL MINITAB UNTUK PERAMALAN DENGAN METODE ARIMA DAN DOPPEL EXPONENTIAL Minitab Adalah Programm statistik Yang Setiap versinya terus dikembangkan Gambar 1 memperlihatkan kepada anda aspek-aspek utama dari Minitab Menu bar adalah tempat anda memilih perintah-perintah toolbar 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 fenster daten tempat anda memasukkan, mengedit, dan melihat kolom daten dari setiap kertas-kerja dan sesi fenster yang menayangkan ausgabe teks seperti Misalnya tabel statistik Pada beberapa bab berik Ut perintah-perintah khusus akan diberikan agar und a dapat memasukkan daten kedalam lembar kerja Minitab dan mengaktifkan prosedur 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 plot deret dengan Minitab 14 adalah sebagai berikut 1 Memasukkan Daten produksi pupuk ke dalam kolom C1 Untuk membentuk plot deret, klik menu-menu berikut seperti pada gambar 2 Stat Zeit Serie Zeitreihe Plot Gambar 2 Menu Plot Deret pada Minitab 2 Kotak Dialog Zeitreihe Plot ditampilkan pada gambar 3, lalu pilih jenis plot yang diinginkan Lalu klik OK 2 Gambar 3 Kotak Dialog Zeitreihe Plot 3 Kotak Dialog Zeitreihe Plot-Simple ditampilkan pada gambar 4 Klik dua kali Pada variabel produksi dan hal ini akan muncul disebelah bawah Serie Lalu klik OK Ga Mbar 4 Kotak Dialog Zeitreihe Plot-Simple 3 Sedangkan langkah-langkah untuk mendapatkan pola auto-korelasi adalah sebagai berikut 1 Untuk membentuk korrelogram, klik menu-menu berikut seperti pada gambar 5 Stat Zeitreihe Autokorrelation Gambar 5 Menü Auto-korelasi pada Minitab 2 Kotak-Dialog Autokorrelation Funktion mucul pada gambar 6 a Klik dua kali pada variabel produksi dan hal ini akan muncul disebelah kanan Serie b Masukkan judul Titel pada ruang yang dikehendaki dan klik OK Hasil korrelogram ditampilkan pada gambar 7 4 Gambar 6 Kotak Dialog Autokorrelation Funktion Gambar 7 Fungsi Auto-korelasi dari variabel Produksi Pupuk Autokorrelation Funktion für produksi mit 5 signifikanzgrenzen für die autokorrelationen 1 0 0 8 0 6 Autokorrelation 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 10 0 48 101 81 Jika dalam gambar 7 masih menunjukkan adanya autokorelasi non-stasioner maka Daten Zeitreihe tersebut perlu dilakukan proses Unterschiede untuk mendapatkan deret yang stasioner Langkah-langkah proses Unterschiede sebagai berikut 1 Untuk membuat Daten selisih Unterschiede, klik pada menu-menu berikut Stat Zeitreihe Unterschiede Pilihan Unterschiede berada diatas pilihan Autokorrelation yang ditampilkan gambar 2 2 Kotak dialog Unterschiede ditampilkan pada gambar 8 a Klik dua kali pada variabel produksi pupuk dan hal ini akan muncul disebelah kanan Serie 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 Doppel Exponential Glättung Doppel Exponential Glättung Untuk melakukan pemulusan mengunakan metode Doppel Exponential pada Daten, lakukan langkah-langkah berikut 1 Melalui Menü , K Lik menu-menu berikut seperti pada gambar 9 Stat Zeitreihe Double Exponential Glättung Gambar 9 Menu Double Exponential pada Minitab 2 Muncul kotak dialog Double Exponential Glättung seperti pada gambar 10 a Klik dua kali variabel produksi dan akan muncul sebagai variabel b Pada bobot yang akan digunakan Seetai Glättung, Pilih Optimal ARIMA, Kemudian Klik OK Hasilnya Diperlihatkan Pada Gambar 11 7 Gambar 10 Kotak Dialog Doppel Exponential Gambar 11 Pemulusan Eksponensial Linier Hold Data Produksi Pupuk Doppel Exponential Glättung Plot für produksi 9000000 8000000 7000000 6000000 produksi 5000000 4000000 3000000 2000000 1000000 0 3 6 9 12 15 18 Index 21 24 27 30 Variable A ctual passt Glättung Konstanten A lpha level 0 940976 Gamma trend 0 049417 A ccuracy Maße MA PE 1 93411E 01 MA D 4 57345E 05 MSD 3 26840E 11 8 ARIMA Metode ARIMA sangat baik digunakan untuk mengkombinasikan Pola trend, faktor musim dan faktor siklus dengan lebih kompgreif Disamping itu Modell ini mampu mer Amalkan 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 Dämmerung itu, Daten yang dapat dimodelkan dengan Modell ARIMA haruslah stasioner nilai tengah dan stasioner Ragam Langkah yang dilakukan untuk identifikasi Modell awal dari ARIMA tanpa musiman adalah a Buat plot Daten berdasarkan periode pengamatan Serie Jika 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 daten serie Lihat pola untuk menentukan Modell ARIMA awal c Lakukan Permodelan ARIMA p, d, q sesuai dengan Modell awal yang ditetapkan pada bagian b Kemudian verifikasi kelayakan Modell yang dihasilkan d Lakukan Überfüllung, yaitu duga Modell dengan nilai p, d, Q lebih besar dari yang dit Entukan pada Modell awal e 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 Modell untuk musiman Langkah untuk melakukan pemodelan ARIMA dalam Minitab 14 adalah sebagai berikut 1 Apabila Daten tersimpan dalam Datei, bukalah dengan menu berikut Datei öffnen Arbeitsblatt 2 Untuk menghitung auto-korelasi variabel produksi, klik menu sebagai berikut seperti pada gambar 5 Stat Zeitreihe Autokorrelation 3 Kotak Dialog Autokorrelation Funktion gambar 6 muncul a Klik dua kali variabel produksi dan akan Mannul 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 Stat Zeit Serie Unterschiede 5 Kotak Dialog Unterschiede seperti pada gambar 9 muncul a Klik dua kali variabel produksi dan akan muncul disebelah Kanan serie b Tab untuk Unterschiede in Dan geben C2 9 c T Ab untuk Lag dan enter 1 Klik OK als 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 Stat Zeitreihe Pertial Autokorrelation Gambar 12 Menü auto-korelasi parsial pada Minitab 8 Kotak dialog Teilweise Autokorrelation Funktion muncul seperti pada gambar 13 a Klik dua kali variabel Diff1prod dan akan muncul disebelah kanan Serie b Klik OK dan Muncul gambar 14 10 Gambar 13 Kotak Dialog Teilweise Autokorrelation 9 Modell ARIMA 5,1,5 dijalankan dengan klik Menü berikut Stat Zeit Serie Arima 10 Kotak Dialog ARIMA muncul seperti gambar 14 a Klik dua kali variabel produksi dan akan muncul disebelah kanan Serie b Di bawah Nonseasonal di kanan Autoregressive masukkan 5 di kanan Unterschied masukkan 1 dan 5 di kanan Bewegen Durchschnitt c Karena Daten telah diselisihkan, klik off kotak Inklusive konstanter Begriff im Modell d Klik Prognose dan kotak Dialog ARIMA-Prognose muncul Untuk meramalkan dua periode ke depan tempatkan 2 di kanan Lead Klik OK e Klik Speicher dan kotak Dialog ARIMA-Speicher muncul Klik kotak di kanan Rest - Dan klik OK pada kotak dialog 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 12.
No comments:
Post a Comment