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 suatu teknik yang penting bagi peruwiański 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. Przemieszczanie średnie i wyrównywanie wyrównawcze. 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 untuk data time series yang menunjukkan adanya pengaruh tendencja i musiman. Przeniesienie średniej średniej ruchowej średniej do średniej podwójnej. Wyrównanie 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 średnia ruchoma 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). Prognoza pogody w październiku 2017 r. Yaitu 127 juta rupiah dippera dari penjumlah omnit bulan Juli, Agustus, September 2017 dibagi dengan angka średnia ruchoma tiga bulanan (m3). Perhitungan serupa dilakukan hingga ditemukan hasil prognoza bulan Januari 2017 sebesar 150,667 juta rupiah. Dapat diinterpretasikan bahwa omzet bulan Januari 2017 diperkirakan senilai 150, 667 juta rupiah atau mengalami penurunan sebesar 1,333 juta rupiah dibanding dengan omzet 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.). Jednokrotne wygładzanie. 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 rupiah. Lakukan perhitungan tersebut hingga mendapatkan angka ramalan niedziela, 12 stycznia 2017. Hasil ramalan omzet niedziela, 12 stycznia 2017 r. 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 observasi 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. RMSE metoda jednokrotnego wygładzania wykładniczego 1 033. 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 moving average przeciętny lebih baik dalam melakukan peramalan, sehingga omzet pada bulan Januari 2017 diperkirakan sebesar 150,667 juta rupiah (meskipun memiliki nilai yang lebih rendah daripada bulan sebelumnya). (Untuk materi yang lebih jelas, silakan dicari di buku-buku referensi Seria czasu analitycznego, misalnya Enders, Walter 2004. Zastosowane serie czasów ekonometrycznych Wydanie drugie New Jersey: Willey Kalo contoh soal dalam tulisan ini, saya kutip dari buku modul kuliah. Forecasting Metode Weighted Moving Average Metode Wygładzanie merupakan salah satu jenis teknik yang digunakan dalam analisis szereg czasowy (runtun waktu) dla użytkownika perikalan jangka pendek Dalam melakukan wygładzanie (penghalusan) dane terhadap, nilai masa lalu digunakan dla mendapatkan nilai yang dihaluskan dla czasu Nilai yang telah dihaluskan ini kichudian diekstrapolasikan untuk meramal nilai masa depan Tehnik yang kita kenal dalam metoda smoothing yaitu Proste przemieszczanie średnie i potężne wygładzanie. mengandung ketidakteraturan yang akan menyebabkan prediksi yang beragam. ngkan efek yang tidak diinginkan dari ketidak-teraturan ini, metoda prosta średnia ruchoma 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 średnia ruchoma akan lebih baik. Meningkatkan jumlah observasi aka menghasilkan nilai peramalan yang lebih baik karena ia cenderung meminimalkan efek-efek pergerakan yang tidak biasa yang muncul pada data. Przekazywanie średnich danych juga mempunyai dua kelemahan yaitu memerlukan data masa lalu dalam jumlah besar prekursy i dubbingu observasi diberikan bobot yang sama, ina melanggar bukti empiris bahasa semakin observasi terbaru seharusnya lebih dekad dengan nilai masa depan maka kepentingan bobotnya akan meningkat pula. Aplikasi Metode Moving Średni z oprogramowaniem IBM SPSS 23 dapat dilihat pada contoh berikut ini: Dane techniczne dla pamięci masowej Bali dari Januari 2008 hingga Juni 2018 dalam format excel, dane diambil dari strona internetowa Dinas Pariwisata Provinsi Bali: 1. Langkah pertama adalah memasukkan data ke dalam works works SPSS 23 sebagai berikut: Data View. (Bagi yang belum jelas tentang cara impor dane dari excel ke SPSS 23 lihat di step bahasan ini ampgtampgtampgt) 2. Kemudian pada menubar SPSS 23 pilih Przekształć Utwórz serię czasową Seperti Gambar: 3. Setelah itu akan muncul kotak dialog berikut, pilih Visit dan klik panah sehingga variabel wizyta berpindah ke kolom variabel Nowej Variabel di sebelah kanan. 4. Setelah itu pilih pada kotak function pilih Środkowa średnia ruchoma, atau bisa juga Priorytet przenoszenia ruchu. 5. Kemudian isikan span dengan 3, dan klik zmienić. Span diisi z angka 3 artinya mengalami proses 3 kali wygładzanie yang biasa kena jung z ważoną średnią ruchomą. Adapun proses 1 dan 2 kali smoothing kita sebut Single Moving Średnia niż Double Moving Average. Jangan lupa na klik zmianę agar variabel visit1 berubah menjadi visi3, kemudian ok. 6. Wyjście yang didapat dari metode Wyśrodkowany ruchomy Średni ważony ruchomy Średni ruchomy sebagai berikut: Dari wyjście diatas, dapat diketahui bahwa Kunjungan pada bulan-bulan berikutnya dapat kita lihat dari variabel baru yang dihasilkan dari analiza szeregów czasowych metode wyśrodkowany średnia ruchoma 8211 ważona średnia ruchoma . Demikian juga jika kita memilih poprzednia średnia ruchoma, keduanya merupakan metode prosta średnia ruchów dengan 3, maka hasil peramalannya akan sama (yoz) Aplikasi Metode Exponential Wygładzanie denne SPSS akan dibahas pada bahasan selanjutnyaMoving Średnia średnie kroczące (rata-rata bergerak) adalah metode peramalan perataan nilai dengan mengambil sekelompok nilai pengamatan yang kumudian dicari rata-ratanya, lalu menggunakan rata-rata tersebut sebagai ramalan untuk periode berikutnya. Istnia rata-rata bergerak digunakan, karena setiap kali data obserwuje baru tersedia, maka angka rata-rata yang baru dihitung i dipergunakan sebagi ramalan. Pojedyncze Moving Average Rata rata Tunggal Komórka (Single średnia ruchoma) adalah suatu Metode peramalan yang dilakukan dengan mengambil sekelompok nilai pengamatan, mencari nilai rata rata tersebut sebagai ramalan untuk periode yang AKAN Datang. Metode Pojedynczy Przeprowadzka Średni miesięczny okres przejściowy nie różni się od przewidywanego terminu ważności dla każdego miesiąca data historis selama jangka waktu tertentu. Misalnya, dengan 3 bulan moving average, maka ramalan bulan ke 5 baru dibuat setelah bulan ke 4 selesaiberakhir. Jika bulan porusza średnio bulan ke 7 baru bisa dibuat setelah bulan ke 6 berakhir. Semakin panjang jangka waktu średnia ruchoma. efek pelicinan semakin terlihat dalam ramalan atau menghasilakan średnia ruchoma yang semakin halus. Persamaan matematis Pojedyncza średnia ruchoma Adalah sebagai berikut Mewa Przeprowadzka Średnia tajwań F t1 Ramalan Untuk Periode t 1 Yt Nilai Riil periode ke tn Jumlah batas dalam średnia ruchoma Pengukuran Kesalahan Peramalan Dalam pemodelan deret berkala, sebagian data yang diketahui dapat digunakan untuk meramalkan sisa data berikutnya sehingga dapat dilakukan perhitungan ketepatan peramalan sekara lebih baik. Ketepatan peramalan pada masa yang akan datang adalah yang sangat penting. Jika Yt merupakan data dane nie mogą być wyświetlane i nie mogą być wyświetlane tylko przez użytkownika, maka kesalahannya dapat dituliskan sebagai berikut (Spyros, 1999). i Kesalahan pada periode t Yt data aktualności pada periody t Ft peramalan periode t Jika terdapat nilai pengamatan i peramalan nokauta, maka akademii i bułgarskich i statycznych statystykach yang dapat didefinisikan sebagai berikut (Spyros, 1999): Mean Absolute Error (MAE) Średnia bezwzględny błąd atau nilai tengah kesalahan obsolut adalah rata-rata mutlak dari kesalahan meramal, tanpa menghiraukan tanda positif maupun negatif. Rata-rata kuadrat kesalahan (Mean Squared Error MSE) MSE merupakan metode alterntif for mengevaluasi teknik peramalan masing-masing kesalahan (dane selisih dane bieżące dane peramalan) dikuadratkan, kemudian dijumlahkan i dibagi z danymi jumlah. MSE dihitung z rumem: Pozostaw odpowiedź Anuluj odpowiedź Najnowsze wpisy Podwójna średnia ruchoma vs Podwójna wykładnicza wygładzanie Sebelumnya telah dibahas tentang teknik permalan prognoza sederhana pojedyncza średnia ruchoma dan pojedyncza wykładnicza wygładzanie. Akan tetapi pada kenyataannya banyak ditemui dane szereg czasowy yang memiliki trend liniowy, oleh karena itu perlu suatu teknik dla mengatasinya. Średnica podwójnej średniej średnicy jest mniejsza niż dwukrotnie wykładnicza. Błędy informacyjne, prognozy pogody, prognozy pogody, prognozy pogody, trendy, trendy, trendy, trendy, trendy, trendy, trendy, dane, agar staguer, kichudy, diterapkan, prognoza tertentu, seperti ARIMA, ARCHGARCH, dll. Grafik w bawah ini menunjukan kecenderungan omzet restoran 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 Przekazywanie średniej wielkości 3t bari 1 dan 2 kosong, sedangkan baris ketiga ialah nilai rata-rata dari nilai fakt 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 ruchomy średnio 3t dibagi dengan perioda średnia 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 data terakhir (sebelum periodeyang akan diramalkan). Pada kolom at, lakukan penghitungan z rumus di atas. Misalkan, angka 125,88889 pada baris bulan 2017 Październik 2017 kolom na diperoleh z dubli 2 x 126,6667 8211 127,4444. Lakukan juga pada baris-baris berikutnya. Untuk kolom bt, lakukan penghitungan juga berdasarkan rumus di atas. Ingat bahwa nilai n ialah jumlah perioda yang dunamak dalam średnia ruchoma. pada kasus ini nilai n yaitu 3. Selanjutnya hitung nilai ramalanforecast menggunakan formuła di atas dengan nilai p1, artinya kita hanya akam meramal sebanyak satu periody 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. Seighga, nilai ramalan omzet bulan Styczeń 2017 sebesar 157,11 jutrznia rupiah dippera ndar z dubbingu grudnia 2017 (153.889.32222 (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-formuła yang digunakan antara lain: Perhatikan pada baris pertama kolom wyrównywanie wyrównania (at) hingga at memiliki nilai yang sama dengan nilai omzet faktual bulan Juni 2017, nilai ini merupakan default. Selanjutnya nilai baris kedua kolom Opublikowano w dnia następnym, w dniu omzet bulan July 2017 130 600 juta diperoleh dari (w0,4) dikali nilai omzet faktual bulan Juli 2017 (130) ditambah (1-w0,6) dikali nilai Na 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 dengan wyrównywanie wykładnicze (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). Początek dengan penghitungan pada baris berikutnya sama. Mencari nilai at dan bt sama seperti teknik podwójna średnia ruchoma. hanya saja pada bt, dikalikan dengan 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 at dan bt (p1) periode t. Nilai p1 pena kasus ini hanya ingin dicari nilai ramalan satu periode kedepan. Ramalan omzet bulan Januari 2017 yaitu (atdes.2017152,260) (btdes 2017 (p1) 2024 (1)) 154,2833 (juta rupia). 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 r. Dasar-dasar Operation Research nie dotyczy Pengambilan Keputusan: Edisi Kedua. Dżakarta: Sekolah Tinggi Ilmu Statistik.
No comments:
Post a Comment