Keunggulan Metode Moving Average

Portal-Statistik Selamat pagi, selamat tahun baru 1 Muharram 1436 H. Ditahun baru Hijriah dan di pagi yang cerah ini, saya akan berbagi tutorial Penerapan Metode ARIMA (Média de Mudança Integrada Autoregressiva) Dalam Peramalan Dados Runtun Waktu. Seperti yang kita semua sudah tahu metode ARIMA ini memang cukup ampuh dalam meramalkan beberapa atau banyak dados dimasa yang akan datang, untuk itu silahkan teman-teman perhatikan dan pahami sendiri, saya buatkan cara semudah mungkin agar cepat untuk dipahami. Média de Mudança Integrada Autoregresif (ARIMA) ARIMA sering juga disebut metode runtun waktu Box-Jenkins. Modelo Autoregresif Média Mover Integrada (ARIMA) adalah modelo yang secara penuh mengabaikan independente variabel dalam membuat peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependente untuk menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika observasi dari deret waktu (séries temporais) secara statistik berhubungan satu sama lain (dependente). Klasifikasi modelo ARIMA Modelo Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaitu: modelo autorregressivo (AR), média móvel (MA), e modelo modelo campuran ARIMA (média móvel autorregressiva) yang mempunyai karakteristik dari dua modelo pertama. Modelo Autoregressivo (AR) Bentuk umum modelo autorregressivo dengan ordo p (AR (p)) atau modelo ARIMA (p, 0,0) dinyatakan sebagai berikut: modelo médio móvel (MA) Bentuk umum modelo média móvel ordo q (MA (q) ) Atau ARIMA (0,0, q) dinyatakan sebagai berikut: modelo campuran a) Proses ARMA Modelo umum untuk campuran proses AR (1) murni dan MA (1) murni, misal ARIMA (1,0,1) dinyatakan sebagai berikut: B) Proses ARIMA Apabila nonstasioneritas ditambahkan pada campuran proses ARMA, maka model umum ARIMA (p, d, q) terpenuhi. Persamaan untuk kasus sederhana ARIMA (1,1,1) adalah sebagai berikut: Studi Kasus. Studi kasus nilai tukar rupiah terhadap dolar US. Data yang diamati selama satu tahun, mulai tanggal 1 Mei 2011 sampai dengan 1 Mei 2012. Data diperoleh dari bi. go. id. Untuk datanya bisa anda download disini. Silahkan dicoba menggunakan dados diatas terlebih dahulu untuk memudahkan pemahaman:) Akan dilakukan forcasting terhadap dados yang tersedia di periode 1 sampai dengan 248. Adaptar a linguagem de língua alemã Melakukan forcasting terhadap dados tersebut dengan menggunakan aplikasi Eviews metode ARIMA adalah. Membuka aplikasi Eviews dengan melakukan clique duas vezes em pada icon desktop atau bagaimanalah caranya terserah. Setelah aplikasi Eviews terbuka dan siap digunakan, klik menu Arquivo 8211 Novo - Arquivo de trabalho. Selanjutnya pilih menu Objeto 8211 Novo objeto. Kemudian pilih Series dan isikan nama dados pada kotak Nome para o objeto. Selanjutnya double klik pada nama dados yang telah dibuat, klik botão Editar. Dados de pasta dan pads studi kasus pada kolom. Kemudian lihat model data dari studi kasus, pada data ulwan. Menu klik Exibir gráfico 8211 - OK. Kemudian akan muncul seperti diabwah ini. Agar dados tersebut stasioner terhadap variansi. Maka dilakukan transformasi kedalam bentuk Logaritma Natural (ln). Pada menu utama, klik menu Quick 8211 Generate Series. Pada Digite a equação isi dengan kode lnulwanlog (ulwan). Ini dimaksudkan untuk melakukan transformasi pada dados dengan nama ulwan. Selanjutnya adalah menguji apakah dados tersebut Stasioner terhadap significa, pada dados yang telah ditransformasi, klik menu Ver 8211 Unit Root Test. Kemudian isi sesuai gambar dibawah. Karena data tersebut belum stasioner, maka dilakukan differencing. Kemudian diuji lagi kestasionerannya, klik menu Ver 8211 Teste de Raiz da Unidade. Kemudian isi sesuai dengan gambar dibawah. Selanjutnya adalah identifikasi modelo awal, klik menu Ver 8211 Correlograma. Kemudian pilih 1ª diferença do Ok. Sehingga muncul grafik ACF dan PAC seperti gambar dibawah. Dari modelo grafik diatas, dapat diduga dados tersebut mengikuti modelo ARIMA (1,1,1) atau ARIMA (0,1,1) tanpa konstanta. Pada halaman utama Eviews masukkan perintah seperti gambar dibawah untuk melakukan overviting, lakukan sampai mendaatkan modelo yang significikan dan terbaik. Karen yang signikan adalah modelo ARIMA (0,1,1) tanpa konstanta. Maka yang digunakan adalah modelo tersebut, langkah selanjutnya adalah verificação diagnóstica. Yang pertama adalah uji normalitas residu. Menu klik Ver 8211 teste de normalidade do teste residual 8211. Selanjutnya adalah uji asumsi autokorelasi. Klik menu V iew 8211 Teste residual 8211 Correlograma Q Statistics. Selanjutnya adalah uji asumsi heteroskedastisitas. Menu klik Vista 8211 Resíduo residual 8211 Correlograma Squared Residuals. Previsão de Selanjutnya adalah melakukan atau peramalan. Dados do intervalo doubleklik pada dan ubah nilai Data final dengan 249. menu Klik Previsão dan isi sesuai dengan gambar dibawah ini Selanjutnya adalah, mengembalikan hasil previsão kedalam bentuk atau dados asil dengan mengeksponensialkan dados yang berbentuk ln. Oke, sudah selesai semua langkah-langkah peramalan dengan metode ARIMA, Mari kita bahas saída dari aplikasi Eviews ini satu persatu. Hipotesis Ho. Data tidak stasioner H1. Data Stasioner Tingkat Signifikansi: 0.05 Daerah Kritis: ADF gtt-Statistic. Tolak H0 Statistika Uji: ADF -0,93 t-Statistic -2,87 Keputusan Uji Karena nilai ADF lt t-Statistic maka keputusannya adalah gagal tolak H0 Kesimpulan: Jadi dengan tingkat signifikansi 5 didapatkan kesimpulan bahwa data tersebut tidak stasioner. Berdasarkan gambar diatas, karena nilai ADF gt t-Statistic maka keputusannya adalah tolak H0 yang berarti dados sudah stasioner. Setelah dilakukan overfitting terhadap 2 modelo yaitu ARIMA (1,1,1) dan ARIMA (0,1,1) tanpa konstanta maka didapatkan hasil yaitu: Berdasarkan gambar diatas, dapat dilakukan pemilihan modelo terbaik, dilihat dikkkat nilai probabilitasnya atau melihat nilai Akaike Critério de Informação (AIC) atau Schwarz Criterion (SC) dengan melihat nilai terkecil. Berdasarkan tabel diatas maka modelo terbaik yang dapat digunakan adalah modelo ARIMA (0,1,1). Cheque de diagnóstico de hasil dapat dilihat pada gambar dibawah ini: Berdasarkan gambar, terlihat bahwa nilai Prob. Lt alfa 0.000 lt 0.05 maka tolak H0 yang berarti dados residuais tidak berdistribusi normal. Berdasarkan gambar terlihat pada nilai prob. Terdapat beberapa nilai yang tidak signifikan, por karena itu dapat disimpulkan bahwa terdapat gejala autokorelasi terhadap data residual. Berdasarkan gambar terlihat pada nilai prob. Semua nilai tidak signifikan, por karena itu dapat disimpulkan bahwa terdapat gejala heteroskedastisitas terhadap data residual. Pada kasus ini, semua asumsi yang kita harapkan tidak memenuhi, por exemplo, karena itu dados tersebut bise didekati dengan metode lain seperti menghilangkan efek heteroskedastisitasnya terlebih dahulu dengan metode ARCH-GARCH atau yang lainnya. Karena yang saya bahas disini adalah metode ARIMA, saya akan melanjutkan contoh ini sampai selesai previsão atau peramalan. Gambar diatas merupakan hasil previsão de dados kurs Rupiah terhadap Dolar satu periode kedepan, pada gambar pertama dapat dilihat informasi MSE dan MAE yang masih dalam bentuk Ln yaitu 0.0045 dan 0.0029, dan pada gambar kedua dapat dilihat hasil forecast untuk periode 249 adalah Rp 9145.952. Demikian, tutorial tentang langkah-langkah peramalan dengan metode ARIMA dengan Eviews. Tambahan sedikit, sebelum melakukan analisis runtun waktu silahkan perhatikan dados da trama terlebih dahulu, jika terdapat faktor musiman silahkan bisa di analisis dengan metode SARIMA (Média de Mudança Integrada Autoregressiva Sazonal) untuk menganalisis data musiman. Terimakasih atas kunjungan anda. Jika ada yang kurang jelas, silahkan ditanyakan, dan mudah-mudahan saya bisa membantu: Forecasting Metode Ponderada em Movimento Média Metode Smoothing merupakan salah satu jenis teknik yang digunakan dalam analisis série de tempo (runtun waktu) untuk memberikan peramalan jangka pendek. Dalam melakukan suavização (penghalusan) terhadap dados, 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, média móvel simples. Simple Moving Average Data séries temporais 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 data 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 impor dados dari excel ke SPSS 23 lihat di step bahasan ini ampgtampgtampgt) 2. Kemudian pada menu SPSS 23 pilih Transformação Criar Time Series Seperti Gambar: 3. Setelah itu akan muncul kotak diálogo berikut, pilih Visite dan klik Panah sehingga variabel visita berpindah ke kolom variabel Novo Variabel di sebelah kanan. 4. Setelah itu pilih pada kotak function 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 agar variabel visit1 berubah menjadi visi3, kemudian ok. 6. Saída yang didapat dari metode Média móvel centrada Média móvel ponderada adalah sebagai berikut: Dari saída 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 Exponencial Suavização dengan SPSS akan dibahas pada bahasan selanjutnya