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 previsão peramalan, mungkin beberapa hari kedepan saya Akan banyak que contabiliza a previsão de tulans tentang. 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 metodo kuantitatif untuk menentukan pola dados masa lalu yang telah dikumpulkan secara teratur. Analisis runtun waktu merupakan salah satu metode peramalan yang menjelaskan bahwa deretan observa pada suatu variabel dipandang sebagai realisasi dari variabel aleatório berdistribusi bersama. Gerakan musiman adalah gerakan rangkaian waktu yang sepanjang tahun pada bulan-bulan yang sama yang selalu menunjukkan pola yang identik. Contohnya: harga saham, inflasi. Gerakan aleatório 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 Data Runtun Waktu Salah satu aspek yang paling penting dalam penyeleksian metode peramalan yang sesuai untuk dados runtun waktu adalah untuk mempertimbangkan perbedaan tipe pola dados. Ada empat tipe umum. Horizontal, tendência, sazonal e dan cíclica. Ketika data observasi berubah-ubah di sekitar tingkatan atau rata-rata yang konstan disebut pola horizontal. Sebagai contoh penjualan tiap bulan suatu produk tidak meningkat atau menurun secara konsisten pada suatu waktu dapat dipertimbangkan untuk pola horizontal. Dados de Ketika observa naik atau menurun pada perluasan periode suatu waktu disebut pola trend. Pola cíclico ditandai dengan adanya fluktuasi bergelombang dados yang terjadi di sekitar garis tendência. Ketika observasi dipengaruhi oleh faktor musiman disebut pola sazonal yang ditandai dengan adanya pola perubahan yang berulang secara otomatis dari tahun ke tahun. Untuk runtun tiap bulan, ukuran variabel komponen sazonal runtun tiap Januari, tiap Februari, dan seterusnya. Untuk runtun tiap triwulan ada elemen empat musim, satu untuk masing-masing triwulan. Média de Movimento Único Rata-rata bergerak tunggal (média móvel) untuk periode t adalah nilai rata-rata untuk n jumlah data terbaru. Dengan munculnya data baru, maka nilai rata-rata yang baru dapat dihitung dengan menghilangkan dados yang terlama dan menambahkan dados yang terbaru. Mover média ini digunakan untuk memprediksi nilai pada periode berikutnya. Modelo ini sangat cocok digunakan pada dados yang stasioner atau dados yang konstant terhadap variansi. Tetapi tidak dapat bekerja dengan dados yang mengandung unsur tendência atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan dados terakhir (Ft), dan menggunakannya untuk memprediksi dados pada periode selanjutnya. Metodo ini sering digunakan pada dados kuartalan atau bulanan untuk membantu mengamati komponen-komponen suatu runtun waktu. Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan (suavização). Dibanding dengan rata-rata sederhana (dari satu data masa lalu) rata-rata bergerak berorde T mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir dari data yang diketahui. Jumlah titik dados 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 menanggulangi dengan baik adanya tendência atau musiman, walaupun metode ini lebih baik dibanding rata-rata total. Diberikan N titik dados de diputuskan untuk menggunakan T pengamatan pada setiap rata-rata (yang disebut dengan rata-rata bergerak orde (T) atau MA (T), sehingga keadaannya adalah sebagai berikut: Studi Kasus Suatu perusahaan pakaian sepakbola periode januari 2017 sampai dengan Abril de 2017 dados de menghasilkan penjualan sebagai berikut: Manajemen ingin meramalkan hasil penjualan menggunakan metode peramalan yang cocok dengan data 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 Dados diferentes para berikan alasannya. Baiklah sekarang kita mulai, kita mulai dari Média móvel única. Adapun langkah-langkah melakukan forcasting dados terhadap penjualan pakaian sepak bola adalah: Membuka aplikasi Minitab dengan melakukan clique duas vezes em pada icon desktop. Setelah aplikasi Minitab terbuka dan siap Digunakan, buat nama variabel Bulan dan Data dados de mascate de kemudian sesuai studi kasus. Sebelu M memulai untuk melakukan previsão, terlebih dahulu yang harus dilakukan adalah melihat bentuk sebaran dados runtun waktunya, menu klik Gráfico 8211 Série de tempo Plot 8211 Simples, masukkan variabel Dados ke kotak Series, sehingga didapatkan output seperti gambar. Selanjutnya untuk melakukan previsões dengan metode Moving Average single orde 3, klik menu Stat 8211 Série de tempo 8211 Moving Average. . Sehingga muncul tampilan seperti gambar dibawag, pada kotak Variável: masukkan variabel Dados, pada kotak MA comprimento: masukkan angka 3, selanjutnya berikan centang pada Gerar previsões dan isi kotak Número de previsões: dengan 1. Klik button Opção dan berikan judul dengan MA3 dan klik ESTÁ BEM. Selanjutnya klik button Storage dan berikan centang pada Médias móveis, ajustes (previsões de um período antecipadamente), Residuais, dan Previsões, klik OK. Kemudian klik Gráficos de pilih Plot predito vs. real dan OK. Sehingga muncul output seperti gambar dibawah ini, Pada gambar diatas, terlihat dengan jelas hasil dari dados de previsão tersebut, pada periode ke-17 nilai ramalannya adalah 24, denngan MAPE, MAD, e MSD seperti pada gambar diatas. Cara peramalan dengan metode Média dobrável duplo dapat dilihat DISINI. Ganti saja langsung angka-angkanya dengan dados 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 Duplo Livro manual exponencial minitab untuk aplikasi analisis ARIMA MODUL MINITAB UNTUK PERAMALAN DENGAN METODE ARIMA DAN DOUBLE EXPONENCIAL Minitab adalah programa statistik yang setiap versinya terus dikembangkan. Gambar 1 memperlihatkan kepada anda aspek-aspek utama dari Minitab. Barra de menu adalah tempat anda memilih perintah-perintah. Barra de ferramentas do menu do tombol-tombol untuk fungsi-fungsi yang sering dipakai. Perhatikan bahwa tombol-tombol tersebut berubah tergantung janela Dari Minitab mana yang dibuka. Ada dua janela berbeda pada layar Minitab: dados da janela tempat anda memasukkan, mengedit, dan melihat kolom dados dari setiap kertas-kerja dan sesi janela yang menayangkan saída teks seperti misalnya tabel statistik. Pada beberapa bab berikut perintah-perintah khusus akan diberikan agar anda dapat memasukkan dados 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 dados. Pola historis dados ini bisa dilihat dari plot deret beserta fungsi auto-korelasi sampel. 1 Langkah-langkah mendapatkan trama minúscula minitab 14 adalah sebagai berikut: 1. Memasukkan data produksi pupuk ke dalam kolom C1. Untuk membentuk plot deret, klik menu-menu berikut seperti pada gambar 2 StatTime SeriesTime Series Plot Gambar 2 Menu Plot Deret pada Minitab 2. Kotak diálogo Time Series Plot ditampilkan pada gambar 3, lalu pilih jenis plot yang diinginkan. Lalu klik OK. 2 Gambar 3 Diálogo de Kotak Série de séries de tempo 3. Diálogo de Kotak Série de tempo Plot-Simple ditampilkan 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 Sedangkan langkah-langkah untuk mendapatkan pola auto-korelasi adalah sebagai berikut: 1. Untuk membentuk korrelogram, klik menu-menu berikut seperti pada gambar 5 StatTime SeriesAutocorrelation Gambar 5 Menu Auto-korelasi 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 (Título) pada ruang yang dikehendaki dan klik OK. Hasil korrelogram ditampilkan pada gambar 7. 4 Gambar 6 Kotak Dialog Autocorrelation Function Gambar 7 Fungsi Auto-korelasi dari variabel Produksi Pupuk Autocorrelation Function para produksi (com 5 limites de significância para as autocorrelações) 1.0 0.8 0.6 Autocorrelação 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 0,1773246 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 (não-stasioner) maka dados série temporal tersebut perlu dilakukan proses diferenças untuk mendapatkan deret yang stasioner. Langkah-langkah proses diferenças sebagai berikut: 1. Untuk membuat data selisih (diferenças), klik pada menu-menu berikut StatTime SeriesDiferenças Pilihan Diferenças berada diatas pilihan Autocorrelação yang ditampilkan gambar 2. 2. Kotak diálogo Diferenças ditampilkan 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 (diferenças) dan dimasukkan kedalam C2. Data selisih (diferenças) kini akan muncul dalam worksheet di kolom C2. Gambar 8 Kotak Dialog Differences 6 Dalam modul ini hanya digunakan dua metode peramalan yaitu ARIMA dan Double Exponential Suavização. Double Exponential Smoothing Untuk melakukan pemulusan mengunakan metode Duplo dados exponenciais de pada, lakukan langkah-langkah berikut: 1. Menu Melalui, menu de menu klik berikut seperti pada gambar 9: Série StatTimeDouble Exponencial Smoothing Gambar 9 Menu Duplo Exponencial pada Minitab 2. Muncul kotak diálogo 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 suavização, pilih Optimal ARIMA, kemudian klik OK. Hasilnya diperlihatkan pada gambar 11. 7 Gambar 10 Kotak Dialog Double Exponential Gambar 11 Pemulusan Eksponensial Linier Hold Data Produksi Pupuk Double Exponential Suavização Lote para produksi 9000000 8000000 7000000 6000000 produksi 5000000 4000000 3000000 2000000 1000000 0 3 6 9 12 15 18 Índice 21 24 27 30 Variável A ctual Fits Smoothing Constantes A lpha (nível) 0.940976 Gamma (tendência) 0.049417 A Precisão Medidas MA PE 1.93411E01 MA D 4.57345E05 MSD 3.26840E11 8 ARIMA Metode ARIMA sangat baik digunakan untuk mengkombinasikan pola tendência, faktor musim dan faktor siklus dengan lebih Komprehensif. Disamping itu model ini mampu meramalkan dados historis dengan kondisi yang sulit dimengerti pengaruhnya terhadap dados secara teknis. Salah satu kunci merumuskan modelo ARIMA adalah nilai autokorelasi dan autokorelasi parsial, yang besarnya bervariasi antara -1 sampai 1. Disamping itu, dados yang dapat dimodelkan dengan modelo ARIMA haruslah stasioner nilai tengah dan stasioner ragam. Langkah yang dilakukan untuk identifikasi modelo awal dari ARIMA tanpa musiman adalah: a. Buat plot data berdasarkan periode pengamatan (série). Jika data berfluktuasi pada garis lurus dengan tingkat fluktuasi yang relativo sama maka dados tersebut sudah stasioner. Jika tidak stasioner lakukan diferensiasi. B. Jika série telah stasioner, buat grafik autokorelasi parsial série de dados de dados. Lihat pola untuk menentukan modelo ARIMA awal. C. Lakukan permodelan ARIMA (p, d, q) sesuai dengan modelo awal yang ditetapkan pada bagian b. Kemudian verifikasi kelayakan modelo yang dihasilkan. D. Lakukan overfitting, yaitu duga modelo dengan nilai p, d, q lebih besar dari yang ditentukan pada modelo awal. E. Tetapkan modelo yang paling baik dengan melihat MSE. Peramalan dilakukan dengan menggunakan modelo yang terbaik. Untuk série de dados musiman, langkah-langkahnya mirim dengan tanpa musiman, dengan menambahkan modelo untuk musiman. Langkah untuk melakukan pemodelan ARIMA dalam Minitab 14 adalah sebagai berikut: 1. Apabila dados tersimpan dalam arquivo, bukalah dengan menu berikut: FileOpen Ficha de Trabalho 2. Untuk menghitung auto-korelasi variabel produksi, klik menu sebagai 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 série b. Klik OK dan muncul gambar 7. 4. Sebagai upaya melakukan selisih pada dados, klik menu berikut seperti pada gambar 8: StatTime SeriesDifferências 5. diálogo Kotak Diferenças seperti pada gambar 9 muncul a. Klik dua kali variabel produksi dan akan muncul disebelah série kanan b. Tab untuk Armazenar diferenças em: dan enter 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 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: StatTime SeriesParcial Autocorrelation Gambar 12 Menu auto-korelasi parsial pada Minitab 8. Kotak diálogo Auto-correlação parcial Função 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 Autocorrelação parcial 9. Modelo ARIMA (5,1,5) dijalankan dengan klik menu berikut: StatTime SeriesArima 10. diálogo Kotak ARIMA muncul seperti gambar 14 a. Klik dua kali variabel produksi dan akan muncul disebelah kanan series. B. Di bawah Nonseasonal di kanan Masukkan Autoregressivo 5 di kanan Diferença masukkan 1 dan 5 di kanan Moving Average. C. Karena data telah diselisihkan, klik off kotak Incluir termo constante no modelo. D. Klik previsão dan kotak diálogo ARIMA-Forecast muncul. Untuk meramalkan dua periode ke depan tempatkan 2 di kanan Chumbo: Klik OK. E. Klik Storage dan kotak diálogo ARIMA-Storage muncul. Klik kotak di kanan Residual dan klik OK diálogo pada kotak 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 12Portal-Statistik Malam ini sedang berlangsung bigmatch antara Chelsea VS MU, sambil menunggu chutar babak kedua remendar berbagi kepada teman-teman semua. Setelah kemarin saya berbagi postingan tentang Lankah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins dengan Eviews. Malam ini waktunya untuk melanjutkan postingan tentang analisis dados runtung waktu metode yang lainnya. Ya sesuai dengan judul diatas, malam ini saya ingin memberikan sedikit pengetahuan tentang Dados de Peramalan Runtun Waktu Metode SARIMA (Média de Mudança Integrada Autoregressiva Sazonal) dengan Eviews. Metode Box-Jenkins Metode Peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang, berdasarkan dados yang relevan pada masa lalu. Metode ini sangat berguna dalam mengadakan pendekatan analisis terhadap perilaku atau pola dari dados yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan yang sistematis e prakmatis serta memberikan tingkat keyakinan yang lebih. Salah satu metode dalam peramalan yaitu metode Box Jenkins. Beberapa modelo dalam Metode Box-Jenkins yaitu: Modelo ARIMA (p, d, q) Rumus umum modelo ARIMA (p, d, q) adalah sebagai berikut Modelo ARIMA dan Faktor Musim (SARIMA) Notasi ARIMA dapat diperluas untuk menangani aspek musiman, notasi Umumnya adalah: ARIMA (p, d, q) (P, D, Q) S dengan. P, d, q. Modelo bagian yang tidak musiman dari (P, D, Q) S. Bagian musiman dari modelo S. jumlah periode per musim Adapun rumus umum dari ARIMA (p, d, q) (P, D, Q) S sebagai berikut: Stasioneritas dados Dados de Kestasioneran bisa dilihat série temporária de traços. Untuk melihat kestasioneran data dalam significa bisa dilihat dari perhitungan ACF para PACF nya. ACF diperoleh dengan rumus sebagai berikut: dengan Zt dados séries temporais pada waktu ke t dan Z 773 rata-rata sampel. Sedangkan PACF diperoleh dengan rumus sebagai berikut: dengan k adalah fungsi autokorelasi. Ketidakstasioneran data dalam significa dapat diatasi dengan proses pembedaan (diferenciação), sedangkan kestasioneran dados dalam varians dapat dilihat dengan nilai. Adapun nilai dihitung dengan rumus sebagai berikut: dengan, Yi data aktual untuk i 1. n. G geométrico significa dados dari seluruh, nilai lambda, n jumlah data observasi. Studi Kasus Berikut ini adalah dados 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. Data dapat diperoleh disini. Adapun langkah-langkah melakukan forcasting dados do terhadap dengan menggunakan aplikasi Eviews metode SARIMA adalah. Membuka aplikasi Eviews dengan melakukan clique duplo pada icon desktop atau apalah terserah cara masing-masing. 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 yang tersedia. Lihat bentuk dados tersebut, klik menu Exibir 8211 Gráfico 8211 OK. Karena data tersebut mengandung pola musiman, maka selanjutnya adalah menghilangkan pola musiman tersebut dengan melakukan differencing musima n, klik menu Quick 8211 Generate Series. Pada Digite a equação isi dengan kode dslogsepatudlog (sepatu, 0,12). Selanjutnya adalah melakukan diferenciando dados não termais de mídia não-melim, menu klik Quick 8211 Generate Series. Pada Digite equação isi dengan kode dslogsepatudlog (sepatu). Selanjutnya untuk melihat grafik dari hasil differencing musiman dan non musiman tersebut dapat dilakukan dengan select dslogsepatu dan dlogsepatu kemudian klik kanan aberto 8211 como grupo, kemudian klik menu Ver 8211 Gráfico 8211 OK. Sehingga didapatkan hasil seperti gambar dibawah. Setelah melihat hasil kedua grafik tersebut, langkah selanjutnya adalah melakukan menggabungkan diferenciação musiman dan nonmusiman tersebut, klik menu Quick 8211 Generate Series. Pada Entre a equação isi dengan kode ddslogsepatudlog (sepatu, 1,12). Dados tersebut telah diasumsikan stasioner terhadap variansi karena telah dilakukan transformasi kedalam bentuk logaritma dan dilakukan differencing musiman dan nonmusiman, selanjutnya adalah menguji apakah dados tersebut stasioner terhadap significa. Menu klik Ver 8211 Teste de Raiz da Unidade. Kemudian isi sesuai gambar. Selanjutnya adalah identifikasi modelo awal, klik menu Ver 8211 Correlograma. Kemudian pilih Ok. Sehingga muncul grafik ACF dan PAC seperti gambar. Dari modelo grafik diatas, dapat diduga dados tersebut mengikuti modelo ARIMA (2,1,1) (2,1,1) 12. Selanjutnya dilakukan overfitting untuk memilih modelo yang significikan dan terbaik. Pada halaman utama Eviews masukkan perintah seperti gambar. Lakukan overfitting modelo terhadap modelo berikut ini, modelo de tentukan kemudiano mana yang significikan dan terbaik dengan melihat nilai AIC, SC, MSE serta uji asumsi Autokorelasi, Heteroskedasisitas dan Normalitas Residu. Untuk melakukan uji normalitas residu, klik menu Ver 8211 teste de normalidade de teste residual 8211. Selanjutnya adalah uji asumsi autokorelasi, klik menu Ver 8211 Teste residual 8211 Correlograma Q Estatísticas. Selanjutnya adalah uji asumsi heteroskedastisitas, klik menu Vista 8211 Residual Test 8211 Correlogram Squared Residuals. Selanjutnya adalah melakukan previsão atau peramalan, doubleklik pada r ange dados dan ubah nilai Data final dengan 1982M12. Berdasarkan hasil overfitting tabel diatas, maka yang dipilih adalah modelo ARIMA (2,1,1) (24,1,12). Klik menu Previsão dan isi sesuai dengan gambar. Sehingga didapatkanlah hasil previu dados dari tersebut. Selanjutnya mari kita bahas satu persatu saída hasil dari permalan yang sudah kita lakukan tadi. Berdasarkan gambar, dapat dikatakan bahwa dados tersebut mengandung pola musiman yang terus berulang dari tahun ketahun, oleh sebab itu metode yang digunakan dalam melakukan previsão terhadap dados tersebut adalah metode SARIMA (Média de Movimento Integrado Autoregressivo Sazonal). Karena data tersebut mengandung pola musiman, oleh sebab itu dilakukan differencing terhadap pola musiman dan nonmusimannya supaya data statsioner terhadap mean dan variansi. Hipotesis Ho. Data tidak stasioner H1. Data Stasioner Tingkat Signifikansi: 0.05 Daerah Kritis: ADF gtt-Statistic. Tolak H0 Statistika Uji: ADF -13.477 t-Statistic 5 -2.886 Keputusan Uji Karena nilai ADF gt t-Statistic maka keputusannya adalah tolak H0 Kesimpulan: Jadi dengan tingkat signifikansi 5 didapatkan kesimpulan bahwa dados tersebut stasioner terhadap significa. Setelah data tersebut stasioner terhadap significa dan variansi karena telah dilakukan transformasi dan differencing terhadap pola musiman dan nonmusiman. Selanjutnya adalah pemilihan modelo terbaik dengan melakukan overfitting. Berdasarkan tabel diatas maka modelo terbaik yang dapat digunakan adalah modelo ARIMA (2,1,1) (24,1,12). Karenan memiliki nilai AIC, SC, SSR yang paling sedikit serta hasil verificação diagnóstica yang baik: Berdasarkan gambar, terlihat bahwa nilai Prob. Lt alfa 0.000 lt 0.05 maka keputusannya adalah tolak H0 yang berarti bahwa dados residual tidak berdistribusi normal. Berdasarkan gambar diatas terlihat pada nilai prob. Semua nilai signifikan (prob. Gt alfa), oleh karena itu dapat disimpulkan bahwa tidak terdapat gejala autokorelasi terhadap data residual. Berdasarkan gambar diatas terlihat pada nilai prob. Semua nilai signifikan (prob. Gt alpha), oleh karena itu dapat disimpulkan bahwa tidak terdapat gejala heteroskedastisitas terhadap data residual. Gambar diatas merupakan hasil previsão de dados 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 hasil forecast untuk periode 12 bulan kedepan. Demikian, Selesai juga ini postingan, sungguh panjang dan sedikit melelahkan. ele Ele. Jika ada yang kurang jelas silahkan bisa ditanyakan. Semoga Bermanfaat TENHA DIVERTIMENTO.
No comments:
Post a Comment