26 de novembro de 2009 Exponential Smoothing merupakan prosedur perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru. Ia menitik-beratkan pada penurunan prioritas secara eksponensial pada objek pengamatan yang lebih tua. Dengan kata lain, observasi terbaru akan diberikan prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama. 1. Suavização Exponencial Única Juga dikenal sebagai simplicidade simples suavização yang digunakan pada peramalan jangka pendek, biasanya hanya 1 bulan ke depan. Model mengasumsikan bahwa dados berfluktuasi di sekitar nilai significa yang tetap, tendência de tanpa atau pola pertumbuhan konsisten. Rumus untuk simples alisamento exponencial adalah sebagai berikut: dimana: S t peramalan untuk periode t. X t (1-) Nilai série de tempo aktual F t-1 peramalan pada waktu t-1 (waktu sebelumnya) konstanta perataan antara nol dan 1 2. Double Exponential Smoothing Metode ini digunakan ketika dados menunjukkan adanya tendência. Suavização exponencial dengan adanya tendência seperti pemulusan sederhana kecuali bahwa dua komponen harus diupdate setiap periode 8211 level dan trend nya. Nível adalah estimasi yang dimuluskan dari nilai data pada akhir masing-masing periode. Tendência adalah estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir masing-masing periode. Rumus double suavidade exponencial adalah: 3. Triple Exponential Smoothing Metode ini digunakan ketika dados menunjukan adanya tendência dan perilaku musiman. Untuk menangani musiman, telah dikembangkan parâmetro persamaan ketiga yang disebut metode 8220Holt-Winters8221 sesuai dengan nama penemuya. Terdapat dua modelo Holt-Winters tergantung pada tipe musimannya yaitu Modelo sazonal multiplicativo dan Aditivo modelo sazonal yang akan dibahas pada bagian lain dari blog ini. Kembali kita lihat data Bali visita 2015 yang diambil Dari Disbudpar Provinsi Bali berikut ini: Dados série berbentuk tempo eang diambil sejak Januari 2008 hingga setembro 2015, dados ini terdiri dari 92 pengamatan, untuk datanya dapat diambil disini gtgtgt Untuk bahasan metode pemulusan eksponensial berikut kita akan Gunakan perangkat lunak evies versi 8.1. 1.Tahap dados importantes: buka software eviews kamu, pilih abrir arquivos existentes, 2. Setelah keluar jendela eviews pilih arquivo gt importação gt importação de arquivo, 3. Kemudian ambil data kamu gt aberto, 4. Setelah terbuka tampilannya sebagai berikut: langsung klik Em seguida, final de lalu, 5. Nah sekarang workfile kita telah terbaca oleh eviews, 6. Klik 2x pada variabel visita maka akan ditampylkan datanya pada jendela eviews. 7. Untuk masuk ke pemulusan esponensial pilih di tab proc gt suavização exponencial gt único suavização exponencial, 8. Kemudian setelah muncul jendela suavização exponencial pilih tingkat pemulusannya, misalnya double, visitsm adalah hasil estimasi, parâmetro de alisamento kemudiano biarkan eviews yang menentukan, kemudian ok, 9. Kemudian outputnya akan ditampilkan sebagai berikut. Dari output dapat kita lihat nilai parâmetro Alpha sebesar 0,0240, dimana metode pemulusan eksponensial dinyatakan dengan fórmula: 2 (n1) atau n (2 -) semakin tinggi nilai yang diperoleh, maka nilai peramalan akan semakin mendekati nilai aktual. Dengan demikian nilai peramalan yang diperoleh dengan duplo exponencial alisado adalah sebagai berikut: Berikut ini adalah perbandingan nilai aktual dengan nilai peramalan dengan dupla exponencial suavização. Untuk Hasil estimasi dengan único alisamento exponencial adalah sebagai berikut, ulangi kembali proses dari langkah nomor 8 diatas, um único alisamento exponencial único. Diatas de saída de Dari, único elemento de sujidade exponencial, nilai yang lebih baik yaitu 0,64, artinya pengamatan lebih menitikberatkan pada pengamatan yang lebih baru daripada nilai duplo exponencial liso sebesar 0,024. Semakin besar nilai (mendekati 1) maka nilai peramalan yang diperoleh akan mendekati peramalan metode ingênuo (lihat bahasannya disini gtgtgt), dimana titik berat pengamatan akan mendekati nilai rata-rata dados aktual, pada kasus ekstrim dimana 1, Y T1T Y T. maka nilai Peramalan akan sama dengan peramalan metode ingênuo. Semakin besar nilai, maka akan semakin besar pula penyesuaian yang terjadi terhadap nilai peramalan, sebaliknya semakin kecil nilai, maka akan semakin kecil pula penyesuaian yang terjadi pada nilai peramalan yang akan datang. Nilai peramalan yang diperoleh dari único alisador exponencial adalah sebagai berikut: Berikut ini adalah perbandingan nilai aktual dengan nilai peramalan menggunakan metode único alisamento exponencial. Garis yang berwarna merah adalah dados setelah proses pemulusan tingkat 1, kita dapat melihat tidak banyak penyesuaian yang terjadi terhadap data aktual. Berikut ini adalah grafik perbandingan nilai peramalan dengan metode pemulusan eksponensial terhadap dados aktual, dapat kita lihat bahwa nilai peramalan dengan duplo eksponential smoothing tidak mengikuti pola dari grafik dados aktual dan único exponencial smoothing yang lebih dekat terhadap nilai rata-rata, perbedaan mendasar ini terjadi ketika Duplo eksponential smoothing telah memasukkan komponen trend dalam estimasinya. Untuk data aktual, nilai single dan double exponencial beserta dan grafiknya dapat kamu unduh disini gtgtgt sumber data. Disbudpar provinsi Bali (diolah por categoria Statistik 4 Life) Publicado por ariyoso Teori amp Konsep Statistik Konsep Variabel Kualitatif dan Kuantitatif Dados de pesquisa 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 Data Korelasi Bivariat Pemaparan Data Kualitatif dengan Tabulasi Silang novo IBM SPSS Ver.23metode metode peramalan dan aplikasi Metode Expnontial Smoothing Metodo suavização exponencial merupakan metode peramalan yang cukup baik untuk peramalan jangka panjang dan jangka menengah, terutama pada tingkat operatural suatu perusahaan, dalam perkembangan dasar matematis Dari metode suavização (forcasting por Makridakis, hal 79-115) dapat dilihat bahwa konsep exponencial telah berkembang dan menjadi metode praktis dengan penggunaan yang cukup luas, terutama dalam peramalan bagi persedian. Kelebihan utama dari metodo exponencial suavização adalah dilihat dari kemudahan dalam operasi yang relativo relativamente, ada sedikit keraguan apakah ketepatan yang lebih baik selalu dapat dicapai dengan menggunakan (QS) Quantitatif sistem ataukah metode dekonposisi yang secara intuitif menarik, namun dalam hal ini jika diperlukan peramalan untuk Item ratusan. Menurut Makridakis, ampère do Wheelwright Mcgee dalam bukunya forcasting (hal 104). Menyatakan bahwa apabila dados yang dianalisa bersifat papelaria, maka penggunaan metode rata-rata bergerak (média móvel) atau único exponencial llopping cukup tepat akan tetapi apabila datanya menunjukan suatu tendência linier. Modelo maka yang baik untuk digunakan adalah exponencial smoothing linier dari brown atau modelo exponencial smoothing linier dari holt. Permasalahan umum yang dihadapi apabila menggunakan modelo pemulusan eksponensial adalah memilih konstanta pemulusan yang diperkirakan tepat. Adaptando-se a um número de memperkirkan nilai a yaitu antara lain: Apabila pola historis dados de dados aktual permintaan 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 lain yang mendekati 1 seperti 0,8 0,99 tergantung sejauh mana gejolak dari data itu. Apabila pola historis dari dados akual permintaan tidak berfluktuasi atau relati estabil Dari waktu ke waktu maka kita memilih nilai a yang mendekati nol, katakanlah a 0.2 0.05 0.01 tergantung sejauh mana kestabilan dados itu, semakin stabil nilai a yang dipilih harus semakin kecil menuju ke nilai nol B.2. Metode Single Exponential Smoothing Metode ini juga digunakan untuk meramalkan suatu periode ke depan. Untuk melihat persuaan metode ini dengan metode single moving average. Maka lihat kembali persamaan matematis yang digunakan pada peramalan única média móvel. Peramalan untuk periode t, persa adalah: Sedangkan persamaan matematis untuk single moving exponencial lmoble sebagai berikut: Demikian seterusnya untuk Jadi terlihat bahwa metode único móvel médio merupakan sejumlah dados semua yang ditekankan pada baru. Harga ditetapkan por 0 x 1 dan harga yang terpilih yang memberikan simpangan terkecil dari perhitungan yang ada, seperti pada metode única média móvel. Peramalan dengan exponencial smoothing juga dapat digunakan untuk meramalkan beberapa periode kedepan untuk pola dados dengan kecenderungan linier, teknik yang digunakan dikenal dengan nama Brown Parâmetro Exponencial Smoothing langkah-langkah perhitungan untuk mendapatkan peramalan dengan metode ini adalah: nilai peramalan dengan única média móvel. Nilai média móvel média kedua. Hasil peramalan dengan, dobro, em média, pada periode kedepan. Periode kedepan yang diramalkan. B.3. Metode Double Exponential Smoothing Metode ini dikembangkan oleh Browns untuk mengatasi adanya perbedaan yang muncul antara dados aktual dan nilai peramalan apabila ada tendência pada plot datanya. Untuk itu Browns memanfaatkan nilai peramalan dari hasil single Eksponential Smothing dan Double Suavização exponencial. Perbedaan antara kedua ditambahkan pada harga Dari SES dengan demikian harga peramalan telah disesuaikan terhadap tendência pada plot datanya. B.3.1. Metode Double Expnontial Smoothing Satu Parâmetro Brown Dasar pemikiran dari pemulusan eksponensial linier dari Brown adalah serupa dengan rata-rata bergerak linier, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dados dados yang sebenarnya bilamana terdapat unsur tendência. Perbedaan antara nilai pemulusan tunggal dan ganda dapat ditambahkan kepada nilai pemulusan dan disesuaikan untuk tendência. Persamaan Yang dipakai dalam implementasi pemulusan linier satu parâmetro castanho ditunjukan dibawah ini: um t S8217t (S8217t St) 2 S8217t St F t um t b t. m t 823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230 (2,21) S t Nilai pemulusan eksponensial Tunggal S t adalah Nilai pemulusan eksponensial Ganda. M jumlah periode ke muka yang diramalkan. Ramalan m periode ke muka Agar dapat menggunakan persaan 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 dengan hanya menetapkan S t dan S t sama dengan X t atau dengan menggunakan suatu nilai rata-rata de beberapa nilai pertama sebagai titik awal. Jenis masalah inisialisasi ini muncul dalam setiap metode pemulusan (suavização) eksponensial. Parámetro de 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 Dua Parâmetro Holt Metode pemulusan eksponensial linier dari Holt dalam prinsipnya serupa dengan Brown kecuali bahwa Holt tidak menggunakan rumus pemulusan berganda secara langsung. Sebagai gantinya Holt memuluskan nilai trend dengan parâmetro yang berbeda dari parâmetro yang digunakan pada deret yang asli. Ramalan dari pemulusan eksponensial linier Holt didapat dengan menggunakan dua konstan pemulusan (dengan nialai antara 0 sampai 1) dan tiga persamaan: F t m S t b t m8230823082308230823082308230823082308230823082308230823082308230823082308230823082308230. (2.24) Dimana. Dados pemulusan pada periode t tendência pemulusan pada periode t peramalan pada periode t Diárias persas (1) menyesuaikan S t secara langsung untuk tendência periode sebelumnya yaitu b t-1 dengan menambahkan nilai pemulusan yang terakhir, yaitu S t-1. Hal ini membantu untuk 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 rentah dari pada nilai yang sebelumnya. Karena mungkin masih terdapat sedikit kerandoman. Maka hal ini dihilangkan oleh pemulusan g (gama) tendência pada periode akhir (S t S t-1), dan menambahkannya dengan taksiran tendência sebelumnya dikalikan (1- g). Jadi persamaan diatas dipakai untuk meremajakan tendência. Akhirnya persamaan (3) digunakan untuk peramalan ke muka. Tendência. B t, dikalikan dengan jumlah periode kedepan yang diramalkan, m dan ditambahkan pada nilai dasar S t. B.4. Metode Triple Exponential Smoothing Metode ini dapat digunakan untuk dados yang bersifat atau mengandung musiman. Metode ini adalah metode yang digunakan dalam pemulusan tendência dan musiman. Metode inverno didasarkan atas tiga persamaan pemulusan yaitu satu untuk papelaria, tendência, dan musiman. Hal ini serupa dengan metode holt dengan satu persamaan tambahan untuk mengatasi musiman. Persamaan dasar untuk metode inverno adalah sebagai berikut: L Panjang musiman. B Komponen tendência I Faktor penyesuaian musiman Ramalan untuk n período eke depan. 2.1.1. Aspek Umum dari Metode Pemulusan Kelebihan utama dari penggunaan metode pemulusan (Suavização) yang luas adalah kemudahan dan ongkos yang rentah. Ada sedikit keraguan apakah ketetapan yang lebih baik selalu dapat di capai dengan menggunakan metode autororegresi atau pola rata-rata bergerak yang lebih canggih. Namun demikian, jika diperlukan ramalan untuk item, 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 untuk setiap item dapat menjadi sangat berarti bagi keseluruhan item sebulan. Desarmando itu, waktu komputer yang diperlukan untuk melakukan perhitungan yang penting harus disediakan pada tingkat yang layak, dan alasan ini, metodo pemulusan eksponensial lebih disukai dari pada metode rata-rata bergerak dan metode dengan jumlah parâmetro yang sedikit lebih disukai dari pada yang lebih banyak. Metode último Square Pengertian. Análise tendência merupakan suatu metodo analisis yang ditujukan untuk melakukan suatu estimasi atau peramalan pada masa yang akan datang. Untuk melakukan peramalan dengan baik maka dibutuhkan berbagai macam informasi (dados) yang cukup banyak dan diamati dalam periode waktu yang relativo cukup panjang, sehingga dari hasil analisis tersebut dapat diketahui sampai berapa besar fluktuasi yang terjadi dan faktor-faktor apa saja yang mempengaruhi terhadap perubahan tersebut . Secara teoristis, dalam analisis séries temporais yang paling menentukan adalah kualitas atau keakuratan dari informasi atau data-data yang diperoleh serta waktu atau periode dari data-data tersebut dikumpulkan. Jika dados yang dikumpulkan tersebut semakin banyak maka semakin baik pula estimasi atau peramalan yang diperoleh. Sebaliknya, jika dados yang dikumpulkan semakin sedikit maka hasil estimasi atau peramalannya akan semakin jelek. Metode Least Square. Metode yang digunakan untuk analisis séries temporais adalah Metode Garis Linier Secara Bebas (Método da mão livre), Metode Setengah Rata-Rata (método semi-médio), Metode Rata-Rata Bergerak (método médio móvel) de Metode Kuadrat Terkecil (método mínimo). Dalam hal ini akan lebih dikhususkan untuk membahas analisis séries temporais dengan metode kuadrat terkecil yang dibagi dalam dua kasus, yaitu kasus data genap dan kasus data ganjil. Secara umum persamaan garis linier dari analisis série temporal adalah. Y a b X. Keterangan. Y adalah variabel yang dicari trendnya dan X adalah variabel waktu (tahun). Sedangkan untuk mencari nilai konstanta (a) parâmetro dan (b) adalah. A Y N dan b XY X2 Contoh Kasus Data Ganjil: Tabel. Volume Penjualan Barang X (dalam 000 unit) Tahun 1995 sampai dengan 2003 Untuk mencari 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 2010 adalah. Y 273,33 12,92 (untuk tahun 2010 nilai X adalah 11), sehingga. Y 273,33 142,12 415,45 artinya penjualan barang X pada tahun 2010 diperkirakan sebesar 415.450 unidade Contoh Kasus Data Genap: Tabel. Volume Penjualan Barang X (dalam 000 unit) Tahun 1995 sampai dengan 2002 Untuk 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 untuk 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 unidade. Elain dengan menggunakan metode tersebut di atas, juga dapat dipakai dengan metode sebagai berikut: Tabel. Volume Penjualan Barang X (dalam 000 unit) Tahun 1995 sampai dengan 2002 Untuk 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 untuk meramalkan penjualan pada tahun 2008 adalah. Y 268,75 14,52 (untuk 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 unidade. Para Arin, Untuk Y dan X itu adalah dados mentah, misalnya mencari tendência kunjungan maka Y nya adalah periode waktu (misal tiap bulan dalam 1 tahun) dan X nya jumlah pengunjung (misalnya per bulan). Setelah itu baru bisa dimasukkan dalam analisis tendência Kalau dicermati rumus tendência sama dengan rumus regresi sederhana (untuk mencari nilai a dan b). Karena jumlah X di trend sama dengan nol maka jika dimasukkan dalam rumus regresi maka jadi rumus tendência. Artinya, untuk mencari nilai a dan b pada tendência bisa menggunakan rumus regresi, tapi sebaliknya rumus tendência tidak dapat diaplikasikan dalam regresi, karena dalam regresi jumlah X tidak sama dengan 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 dengan sedetail2nya. Dosennya nyuruh saya tiap x harus dijelaskan dari mana asalnya ,, gimana ya mas slamet menjelaskan x berasal darimana, malah dosen saya nyuruh tiap bulan x nya harus dijelasin. Para Iqbalbo, karena jumlah dados 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, abril -5 dst. Kalau bulan Agustus dinilai 3 de setembro dinilai 5 dst. Jadi untuk nilai X desinstalando totalnya 0 juga harus konsisten loncat 2. mas slamet8230 itu cara mencari x (variável waktu) gimana jujur saya masih bingung kok tau2 dapet nilai -4, -3 mohon penjelasannya mas .. terimaksih Para Iqbaldo, untuk mencari nilai X Pada analisis tendência kata kuncinya adalah jika nilai X dijumlahkan maka hasilnya 0. Dados do relatório jumlah tahun ganjil maka tahun yang ditengah nilainya 0, tahun sebelumnya -1 trus -2 dst, sedang tahun sesudahnya 1 trus 2 dst. Kalau dados jumlah tahun genap lihat contoh diatas. Buku Statistika Deskriptif email: ssantoso0219yahoo. co. id Post navigation Komisi Gratis
No comments:
Post a Comment