Moving average pada minitab

Analisis time series yang disertakan dalam Minitab Minitab menawarkan beberapa metode peramalan dan perataan sederhana, metode analisis korelasi, dan teknik pemodelan ARIMA untuk menganalisis data deret waktu Anda. Plot seri waktu Untuk merencanakan data dalam waktu tunda untuk menentukan apakah ada tren atau pola musiman, buatlah rangkaian time series. Di Minitab, pilihlah Stat gt Time Series gt Time Series Plot. Analisis tren Agar sesuai dengan garis tren menggunakan model tren linier, kuadrat, pertumbuhan, atau kurva S, lakukan analisis kecenderungan. Dalam Minitab, pilih Stat gt Time Series gt Trend Analysis. Dekomposisi Agar sesuai dengan model yang mengukur semua pengamatan secara seimbang untuk menentukan kesesuaian regresi terbaik, lakukan analisis dekomposisi. Gunakan saat seri Anda menunjukkan pola musiman, dengan atau tanpa tren. Di Minitab, pilih Stat gt Time Series gt Decomposition. Bergerak rata-rata Untuk memperlancar seri Anda menggunakan metode yang rata-rata mengamati pengamatan terakhir dan tidak termasuk pengamatan yang lebih tua, gunakan metode rata-rata bergerak. Jangan gunakan saat seri Anda menunjukkan tren. Di Minitab, pilih Stat gt Time Series gt Moving Average. Pemulusan eksponensial tunggal Untuk memperlancar rangkaian Anda dengan menggunakan metode yang mengurangi bobot pengamatan lebih tua saat rangkaian waktu Anda tidak menunjukkan tren atau pola musiman, gunakan metode pemulusan eksponensial tunggal. Di Minitab, pilih Stat gt Time Series gt Single Exp Smoothing. Pemulusan eksponensial ganda Untuk memperlancar rangkaian Anda dengan menggunakan metode yang mengurangi bobot pengamatan lebih tua saat rangkaian waktu Anda menunjukkan tren namun bukan pola musiman, gunakan metode pemulusan eksponensial ganda. Di Minitab, pilih Stat gt Time Series gt Double Exp Smoothing. Metode Winters Untuk memperlancar rangkaian Anda dengan menggunakan metode yang mengurangi bobot pengamatan lebih tua saat rangkaian waktu Anda menunjukkan pola musiman, dengan atau tanpa tren, gunakan metode pemulusan Winters. Di Minitab, pilih Metode Gt Time gt Winters. Perbedaan Buat kolom data baru untuk analisis dan plot ubahsuaian dan simpan perbedaan antara pengamatan dalam rangkaian. Di Minitab, pilihlah Gt Time Gt Time. Lag Buat kolom data baru untuk analisis dan plot ubahsuaian dan geser seri ke bawah dengan jumlah baris tertentu di lembar kerja. Di Minitab, pilih Stat gt Time Series gt Lag. Autokorelasi Untuk mengukur seberapa baik pengamatan pada waktu yang berbeda saling berkorelasi satu sama lain dan mencari pola musiman, lakukan analisis autokorelasi. Gunakan analisis ini bersamaan dengan fungsi autokorelasi parsial untuk mengidentifikasi komponen model ARIMA. Di Minitab, pilih Stat Gt Time Series gt Autokorelasi. Autokorelasi parsial Untuk mengukur seberapa baik pengamatan masa lalu dalam rangkaian waktu berkorelasi dengan pengamatan di masa depan, sementara akuntansi untuk pengamatan yang berada di antara pasangan korelasi, melakukan analisis autokorelasi parsial. Gunakan analisis ini bersamaan dengan fungsi Autokorelasi untuk mengidentifikasi komponen model ARIMA. Di Minitab, pilih Stat gt Time Series gt Autocorrelation parital. Korelasi silang Untuk menentukan apakah satu seri memprediksi yang lain dengan merencanakan korelasi antara dua seri pada titik waktu yang berbeda, lakukan analisis korelasi silang. Di Minitab, pilih Stat gt Time Series gt Cross Correlation. ARIMA Agar sesuai model dengan komponen rata-rata autoregressive, difference, dan moving average, lakukan ARIMA. Agar sesuai dengan model ARIMA, Anda harus memahami struktur autokorelasi dan autokorelasi parsial rangkaian Anda. Di Minitab, pilih Stat gt Time Series gt ARIMA. Hak Cipta 2016 Minitab Inc. Semua hak dilindungi. Dengan menggunakan situs ini, Anda menyetujui penggunaan cookies untuk analisis dan konten hasil personalisasi. Baca kebijakan kitaPortal - 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 peramalan, mungkin beberapa hari Kedepan saya akan banyak memposting tulisan tentang peramalan. Semoga tulisan ini bisa 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 data masa lalu yang telah secara teratur. Analisis runtun waktu merupakan salah satu metode peramalan yang menjelaskannya deretan observasi pada suatu variabel bebas dari variabel acak berdistribusi bersama. Gerakan musiman adalah gerakan yang waktu yang sama pada bulan-bulan yang sama menunjukkan pola yang identik. Contohnya: harga saham, inflasi Gerakan acak adalah gerakan naik turun waktu yang tidak dapat terjadi sebelumnya dan terjadi secara acak contohnya: gempa bumi, kematian dan sebagainya. Asumsi yang penting yang sedang dalam proses memodelkan runtun waktu adalah istilah kestasioneran. Jika belum stasioner stasioner maka belum dimodelkan. Namun, deret yang nonstasioner dapat ditransformasikan menjadi deret yang stasioner. Pola Data Runtun Waktu Salah satu aspek yang paling penting dalam penyeleksian metode peramalan yang sesuai untuk data runtun waktu adalah untuk unggul perbedaan tipe pola data. Ada empat jenis umum. Horizontal, trend, musiman, dan siklis. Bila data observasi berubah-ubah di sekitar atau horisontal yang pola horisontal. Seperti contoh penjualan setiap bulan suatu produk tidak dapat naik atau menurun secara konsisten pada suatu waktu dapat menimbang untuk pola horisontal. Bila data observasi naik atau menurun pada periode tertentu. Pola cyclical dengan adanya fluktuasi bergelombang data yang terjadi di seputar garis tren. Bila diamati oleh faktor musiman disebut pola musiman yang mengandung dengan adanya pola perubahan yang berulang secara otomatis dari tahun ke tahun. Untuk runtun tiap bulan, ukuran variabel komponen musiman runtun tiap Januari, tiap Februari, dan seterusnya. Untuk runtun tiap triwulan ada elemen empat musim, satu untuk masing-masing triwulan. Single Moving Average Rata-rata bergerak tunggal (Moving average) untuk periode t adalah rata-rata untuk n jumlah data terbaru. Dengan menggunakan data baru, maka rata-rata yang baru dapat dihitung dengan data yang terlama dan menambahkan data yang terbaru. Moving average ini digunakan untuk memprediksi nilai pada periode berikutnya. Model ini sangat cocok digunakan pada data yang stasioner atau data yang konstant terhadap variansi. Tidak bisa bekerja dengan data yang mengandung unsur tren atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan data terakhir (lag), dan digunakan untuk memprediksi data pada periode selanjutnya. Metode ini sering digunakan pada data kuartalan atau bulanan untuk membantu komponen - komponen suatu runtun waktu. Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan (smoothing). Dibanding dengan rata-rata sederhana (dari satu data masa lalu) rata-rata bergerak berorde T memiliki karakteristik sebagai berikut. Hanya data dari data yang diketahui. Jumlah titik data dalam setiap rata-rata tidak berubah dengan berjalannya waktu. Kelemahan dari metode ini adalah. Metode ini membutuhkan penyimpanan yang lebih banyak karena semua Tuasi terakhir harus disimpan, tidak hanya rata-rata. Metode ini tidak dapat menanggulangi dengan baik adanya tren atau musiman, metode ini lebih baik daripada rata-rata total. Diberikan N titik data dan diputuskan untuk menggunakan Tayang pada setiap rata-rata (yang disebut dengan rata-rata bergerak orde (T) atau MA (T), jadi keadaannya adalah sebagai berikut: Studi Kasus Suatu perusahaan pakaian sepakbola periode januari 2013 sampai dengan April 2014 menghasilkan data penjualan sebagai berikut: Manajemen ingin meramalkan hasil penjualan menggunakan metode peramalan yang cocok dengan data tersebut. Metode MA tunggal orde 3, 5, 7 dengan aplikasi Minitab dan MA ganda ordo 3x5 dengan aplikasi Excel, metode yang paling tepat untuk Data di atas dan kumpulan alasannya. Apa yang sedang kita lakukan, tentu saja kita mulai, kita mulai dari Single Moving Average. Seperti aplikasi Minitab terbuka dan siap. Digunakan, buat nama variabel Bulan dan Data kemudian masukkan data sesuai studi kasus M memulai untuk melakukan prakiraan, terlebih dahulu yang harus dilakukan adalah melihat bentuk sebaran data runtun waktunya, klik menu Grafik 8211 Time Series Plot 8211 Sederhana, masukkan variabel Data ke kotak Series, jadi hasil keluaran seperti gambar. Selanjutnya untuk melakukan prakiraan dengan metode Moving Average single orde 3, klik menu Stat 8211 Time Series 8211 Moving Average. . Sehingga muncul tampilan seperti gambar dibawag, pada kotak Variabel: masukkan variabel Data, pada kotak MA panjang: masukkan angka 3, selanjutnya majukan pada Menghasilkan perkiraan dan isi kotak Jumlah perkiraan: dengan 1. Klik tombol Option dan Valais judul dengan MA3 dan klik BAIK. Selanjutnya klik tombol Storage dan suster pada Moving averages, Fits (satu per satu periode prakiraan), Residu, dan Prakiraan, klik OK. Kemudian klik Grafik dan pilih Plot yang diprediksi vs aktual dan OK. Begitu muncul keluaran seperti gambar dibawah ini, Pada gambar diatas, terlihat dengan jelas hasil dari ramalan data tersebut, pada periode ke-17 ramalannya adalah 24, denngan MAPE, MAD, dan MSD seperti pada gambar diatas. Cara peramalan dengan metode Double Moving Average dapat dilihat DISINI. Ganti saja langsung angka-angkanya dengan data sobat, hehhe. Maaf yaa saya tidak jelaskan, lagi laperr soalnya: D demikian postingannya, semoga bermanfaat. Terimakasih atas kunjungannya. Modul Minitab Untuk Peramalan Dengan Metode Arima Dan Double Exponential buku manual minitab untuk aplikasi analisis ARIMA MODUL MINITAB UNTUK PERAMALAN DENGAN METODE ARIMA DAN DOUBLE EXPONENTIAL Minitab adalah program statistik yang setiap versinya terus dikembangkan. Gambar 1 untuk Anda aspek-aspek utama dari Minitab. Menu bar adalah tempat anda memilih perintah-perintah. Toolbar menampilkan tombol-tombol untuk fungsi-fungsi yang sering dipakai. Tampilan tombol ini berubah tergantung dari jendela Minitab mana yang terbuka. Ada dua window berbeda pada layar Minitab: jendela data tempat anda memasukkan, edit, dan melihat kolom data dari setiap kertas-kerja dan sesi jendela yang menayangkan keluaran seperti. Pada beberapa bab berikut perintah - perintah khusus akan diberikan agar anda dapat memasukkan data ke dalam lembar kerja. Untuk keperluan peramalan yang dibutuhkan. Gambar 1 Layar Minitab Faktor utama yang sedang berkembang pemilihan teknik peramalan adalah identifikasi dan pengertian pola historis data. Pola historis data ini bisa dilihat dari plot deret bisa dicoba. 1 Langkah-langkah tengkorak dengan Minitab 14 adalah sebagai berikut: 1. Memasukkan data produksi pupuk ke dalam kolom C1. Untuk membuat plot deret, klik menu-menu berikut seperti pada gambar 2 StatTime SeriesTime Series Plot Gambar 2 Menu Plot Deret pada Minitab 2. Kotak dialog Time Series Plot pada gambar 3, lalu pilih jenis plot yang diinginkan. Lalu klik OK. 2 Gambar 3 Kotak dialog Time Series Plot 3. Kotak dialog Time Series Plot-Simple pada gambar 4 Klik dua kali pada variabel produksi dan hal ini akan muncul disebelah bawah Series. Lalu klik OK. Gambar 4 Kotak Dialog Time Series Plot-Simple 3 Langkah-langkah untuk mendapatkan pola auto-visual adalah sebagai berikut: 1. Untuk membuat korrelogram, klik menu-menu berikut seperti pada gambar 5 StatTime SeriesAutocorrelation Gambar 5 Menu Auto-rew pada Minitab 2 Kotak dialog Autocorrelation Function mucul pada gambar 6 a. Klik dua kali pada variabel produksi dan hal ini akan muncul disebelah kanan Series. B. Masukkan judul (Judul) pada ruang yang dikehendaki dan klik OK. Hasil korrelogram pada gambar 7. 4 Gambar 6 Fungsi Otomasi Kotak Dialog Gambar 7 Fungsi Autokorelasi Fungsi untuk produksi (dengan 5 batas signifikan untuk autokorelasi) 1.0 0.8 0.6 Autokorelasi 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 96.41 100.48 101.81 Jika dalam gambar 7 masih menunjukkan adanya autokorelasi (non-stasioner) maka data time series tersebut perlu dilakukan proses perbedaan untuk deret yang stasioner. Langkah-langkah proses perbedaan sebagai berikut: 1. Untuk membuat data selisih (perbedaan), klik pada menu-menu berikut StatTime SeriesDifferences Pilihan Perbedaan yang berada di atas pilihan Autokorelasi yang sedang berkembang gambar 2. 2. Kotak dialog Perbedaan pada gambar 8. a. Klik dua kali pada variabel produksi pupuk dan hal ini akan muncul disebelah kanan Series. B. Tekan Tab untuk menyimpan selisih (perbedaan) dan masuk ke dalam C2. Data selisih (perbedaan) kini akan muncul dalam worksheet di kolom C2. Gambar 8 Kotak Dialog Perbedaan 6 Dalam modul ini hanya menggunakan dua metode peramalan yaitu ARIMA dan Double Exponential Smoothing. Double Exponential Smoothing Untuk melakukan pemulusan mengunakan metode Double Exponential pada data, lakukan langkah-langkah berikut: 1. Melalui menu, klik menu-menu berikut seperti pada gambar 9: StatTime SeriesDouble Exponential Smoothing Gambar 9 Menu Double Exponential pada Minitab 2. Muncul kotak dialog Double Exponential Smoothing seperti pada gambar 10. a. Klik dua kali variabel produksi dan akan muncul sebagai variabel. B. Pada bobot yang akan digunakan sebagai smoothing, pilih Optimal ARIMA, lalu klik OK. Gambar diperlihatkan pada gambar 11. 7 Gambar 10 Kotak Dialog Double Exponential Gambar 11 Pemulusan Eksponensial Linier Tahan Data Produksi Pupuk Double Exponential Smoothing Plot untuk produksi 9000000 8000000 7000000 6000000 5000000 4000000 3000000 2000000 1000000 0 3 6 9 12 15 18 Indeks 21 24 27 30 Variabel A ctual Fits Smoothing Constants A lpha (level) 0.940976 Gamma (trend) 0.049417 A ccuracy Measures MA PE 1.93411E01 MA D 4.57345E05 MSD 3.26840E11 8 ARIMA Metode ARIMA sangat baik digunakan untuk mengkombinasi tren pola, faktor musim dan faktor siklus dengan lebih . Disamping itu model ini bisa meramalkan data historis dengan kondisi yang sulit dimengerti pengaruhnya terhadap data secara teknis. Salah satu kunci merumuskan model ARIMA adalah nilai autokorelasi dan autokorelasi parsial, yang besarnya bervariasi antara -1 sampai 1. Disamping itu, data yang dapat dimodelkan dengan model ARIMA penuh stasioner nilai tengah dan stasioner ragam. Langkah yang dilakukan untuk identifikasi model awal dari ARIMA tanpa musiman adalah: a. Buat data plot berdasarkan pengamatan (seri). Jika data berfluktuasi pada garis lurus dengan tingkat fluktuasi yang relatif sama maka data tersebut sudah stasioner. Jika tidak stasioner melakukan diferensiasi. B. Jika seri telah stasioner, buat grafik autokorelasi parsial dari data series. Lihat pola untuk menentukan model ARIMA awal. C. Lakukan permodelan ARIMA (p, d, q) sesuai dengan model awal yang ditetapkan pada bagian b. Kemudian verifikasi kelayakan model yang dihasilkan. D. Lakukan overfitting, yaitu duga model dengan nilai p, d, q lebih besar dari yang ditentukan pada model awal. E. Tetapkan model yang paling baik dengan melihat MSE. Peramalan dilakukan dengan menggunakan model yang terbaik. Untuk data seri musiman, langkah-langkahnya mirip dengan tanpa musiman, dengan menambahkan model untuk musiman. Langkah untuk melakukan pemodelan ARIMA dalam Minitab 14 adalah sebagai berikut: 1.Dengan data tersimpan dalam file, bukalah dengan menu berikut: FileOpen Worksheet 2. Untuk menghitung auto-menerima variabel produksi, klik menu seperti berikut seperti pada gambar 5: StatTime SeriesAutocorrelation 3. Kotak dialog Autocorrelation Function (gambar 6) muncul: a. Klik dua kali variabel produksi dan akan muncul di sebelah kanan seri b. Klik OK dan muncul gambar 7. 4. Seiring upaya melakukan selisih pada data, klik menu berikut seperti pada gambar 8: StatTime SeriesDifferences 5. Kotak dialog Perbedaan seperti pada gambar 9 muncul a. Klik dua kali variabel produksi dan akan muncul disebelah kanan seri b. Tab untuk Menyimpan perbedaan dalam: dan masukkan C2 9 c. Tab untuk Lag: dan enter 1. Klik OK dan selisih pertama akan muncul di kolom 2 mulai baris 2. 6. Label variabel C2 dengan Diff1prod. Untuk menghitung variabel auto - penerimaan ini, ulangi langkah 2 dengan menggunakan Diff1prod sebagai variabel disebelah kanan deret. 7. Untuk menghitung auto-visual parsial dari variabel Diff1prod klik seperti pada gambar 12: StatTime SeriesPertial Autocorrelation Gambar 12 Menu auto-visual parsial pada Minitab 8. Kotak dialog Partial Autocorrelation Function muncul seperti pada gambar 13. a. Klik dua kali variabel Diff1prod dan akan muncul disebelah kanan Series. B. Klik OK dan muncul gambar 14. 10 Gambar 13 Kotak Dialog Partial Autocorrelation 9. Model ARIMA (5,1,5) dijalankan dengan klik menu berikut: StatTime SeriesArima 10. Kotak dialog ARIMA muncul seperti gambar 14 a. Klik dua kali variabel produksi dan akan muncul disebelah kanan seri. B. Di bawah Nonseasonal di kanan Autoregressive masukkan 5 di kanan Selisih masuk 1 dan 5 di kanan Moving Average. C. Karena data telah diselisihkan, klik off kotak Sertakan istilah konstan dalam model. D. Klik prakiraan dan kotak dialog ARIMA-Forecast muncul. Untuk meramalkan dua periode ke depan tempatkan 2 di kanan Lead: Klik OK. E. Klik Storage dan kotak dialog ARIMA-Storage muncul. Klik kotak di kanan Sisa dan klik OK pada kotak dialog ARIMA dan bagian bawah gambar muncul. H. Untuk menghitung auto - rek sisa, ulangi langkah 2 dengan menggunakan Res1 sebagai variabel di kanan deret. 11 Gambar 14 Kotak Dialog ARIMA 12