Moving Durchschnittlichen Menggunakan Spss

Größe und Tag: peramalan dengan SPSS Metode Glättung merupakan salah satu jenis teknik yang digunakan dalam analisis Zeitreihe (runtun waktu) untuk memberikan peramalan jangka pendek. Dalam melakukan Glättung (penghalusan) terhadap Daten, nilai masa lalu digunakan untuk mendapatkan nilai yang dihaluskan untuk Zeitreihen. Nilai yang telah dihaluskan ini kemudian diekstrapolasikan untuk meramal nilai masa depan. Tehnik yang kita kenal dalam metode smoothing yaitu Einfacher Bewegender Durchschnitt Dan Exponentielle Glättung. Pada halaman ini, sagena hanya akan membahas tentang Einfache Moving Average. Simple Moving Average Daten Zeitreihe seringkali mengandung ketidakteraturan yang akan menyebabkan prediksi yang beragam. Untuk menghilangkan efek yang tidak diinginkan dari ketidak-teraturan ini, metode einfache gleitende durchschnittliche mengambil beberapa nilai yang sedang diamati, memberikan rataan, dan menggunakannya untuk memprediksi nilai untuk periode waktu yang akan datang. Semakin tinggi Anzahl der Beiträge pengamatan Yang dilakukan, maka pengaruh metode gleitenden Durchschnitt Akan Lebih baik. Meningkatkan Anzahl der Beiträge observasi Akan menghasilkan nilai peramalan Yang Lebih baik karena ia cenderung meminimalkan efek-efek pergerakan Yang tidak biasa Yang Muncul Pada Daten. Gleitender Durchschnitt juga mempunyai dua kelemahan yaitu memerlukan Daten masa lalu dalam Anzahl der Beiträge besar untuk ketepatan prediksi, dan Masing-Masing observasi diberikan bobot Yang Sama, ini melanggar Bukti Empiris bahwa Semakin observasi terbaru seharusnya Lebih dekat dengan nilai masa depan maka kepentingan bobotnya Akan meningkat pula. Aplikasi Metode Moving Average dengan Software IBM SPSS 23 dapat dilihat Pada contoh berikut ini: Berikut kita memiliki Daten kunjungan ke Bali Dari Januari 2008 hingga Juni 2015 dalam Format Excel, Daten diambil Dari Website Dinas Pariwisata Provinsi Bali: 1. Langkah pertama adalah memasukkan Daten ke Dalam Arbeitsblatt SPSS 23 sebagai berikut: Datenansicht. (Bagi Yang belum jelas tentang cara Bedeu Daten Dari excel ke SPSS 23 lihat di Schritt bahasan ini ampgtampgtampgt) 2. Kemudian Pada menubar SPSS 23 pilih Trans Time Series Seperti Gambar erstellen: 3. Setelah itu Akan Muncul kotak Dialog berikut, pilih Besuchen Sie dan klik Panah sehingga variabel besuchen berpindah ke kolom variabel Neu Variabel di sebelah kanan. 4. Setelah itu pilih pada kotak Funktion pilih Zentriert Bewegender Durchschnitt, atau bisa juga Prior Moving Average. 5. Kemudian isikan Span dengan 3, dan klik Änderung. Span diisi dengan angka 3 artinya mengalami proses 3 kali glättung yang biasa kita kenal juga dengan Gewichteter gleitender Durchschnitt. Adapun proses 1 dan 2 kali glättung kita sebut Einzelner beweglicher Durchschnitt Dan Doppelter beweglicher Durchschnitt. Jangan lupa untuk klik ändern agar variabel besuchen1 berubah menjadi visi3, kemudian ok. 6. Ausgangs Yang didapat Dari metode Durchschnittliche gewichtete gleitende Durchschnitt adalah sebagai berikut zentrierten gleitenden: Dari Ausgang diatas, dapat diketahui bahwa Kunjungan Pada bulan-bulan berikutnya dapat kita lihat Dari Variabel Baru Yang Dari Zeitreihenanalyse metode dihasilkan durchschnittlich 8211 gewichtete gleitende Durchschnitt zentrierter gleitender . Demikian juga jika kita memilih vor gleitenden Durchschnitt, keduanya merupakan metode einfacher Durchschnitt dengan Spanne bewegen 3, maka hasil peramalannya Akan Sama (yoz) Aplikasi Metode exponentielle Glättung dengan SPSS Akan dibahas Pada bahasan selanjutnyaMetode Box -. Jenkins (ARIMA) Metode peramalan saat ini cukup Banyak dengan berbagai kelebihan masing-masing. Kelebihan ini bisa mencakup variabel yang digunakan dan jenis daten zeit serie. Nah, dalam penentuan peramalan terbaik ini cukup sulit. Tapi salah satu tehnik peramalan paling sering digunakan adalah ARIMA (autoregresif integreted gleitenden Durchschnitt). ARIMA ini sering juga disebut metode runtun waktu box-jenkins. Dalam pembahasan kali ini kita akan sedikit Membranen ARIMA. Modell ARIMA adalah Modell yang secara penuh mengabaikan unabhängig varibel dalam pembuatan peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari variabel abhängigen untuk menghasilkan peramalan jangka pendek yang akurat. Namun untuk peramalan jangka panjang ketepatan peramalannya kurnag baik. Tujuan ARIMA adalah untuk menentukan hubungan statistik yang baik antar variabel yang diramal dengan nilai historis variabel tersebut sehingga peramalan dapat dilakukan dengan modell tersebut. ARIMA digunakan untunk suatu variabel (univariate) deret waktu. Untuk mempermudah dalam menghitung vorbildliches ARIMA dapat digunakan berbagai aplikasi diantaranya EViews, Minitab, SPSS, dll. dalam pembahasan kali ini menggunakan aplikai EViews 6.0. Klasifikasi Modell ARIMA: Modell ARIMA dibagi dalam 3 unsur, yaitu: Modell autoregresif (AR), gleitender Durchschnitt (MA), dan Integreted (I). Ketiga unsur ini bisa dimodifikasi sehingga Membranmodell baru. Misalnya Modell autoregresif dan gleitenden Durchschnitt (ARMA). Namun, apabila mau dibuat dalam bentuk umumnya menjadi ARIMA (p, d, q). P menyatakan ordo AR, d menyatakan ordo Integreted als q menyatakan oder sich bewegende avirage. Apabila modelnya menjadi kaufen AR maka model umumnya menjadi ARIMA (1,0,0). Untuk lebih jelasnya berikut dijelaskan untuk masing-masing unsur. Autoregresif bentuk Umum Dari Modell autoregresif dengan ordo p (AR (p)) atau Modell ARIMA (P, 0,0) dinyatakan sebagai beikut: Maksud Dari autoregresif yaitu nilai X dipengaruhi oleh nilai x periode sebelumnya hingga periode ke-p. Jadi yang berpengaruh Disini adalah variabel itu sendiri. Gleitender Durchschnitt bentuk Umum Dari Modell gleitenden Durchschnitt dengan ordo q (MA (q)) atau Modell ARIMA (0,0, q) dinyatakan sebagai beriku: Maksud Dari gleitenden Durchschnitt yaitu nilai Variabel x dipengaruhi oleh Fehler Dari Varibel x tersebut. Integreted bentuk umum dari Modell integreted dengan ordo d (I (d)) atau Modell ARIMA (0, d, 0). Integreted disini adalah menyatakan Unterschied Dari Daten. Maksudnya bahwa dalam membuuat Modell ARIMA syarat keharusan yang harus dipenuhi adalah stasioneritas Daten. Apabila Daten stasioner pada Ebene maka ordonya sama dengan 0, namun apabila stasioner pada verschiedene pertama maka ordonya 1, dst. Modell ARIMA dibagi dalam 2 bentuk. Yaitu Modell ARIMA tanpa musiman dan vorbildliches ARIMA musiman. Modell ARIMA tanpa musiman merupakan vorbildliches ARIMA yang tidak dipengaruhi oleh faktor waktu musim. Bentuk umum dapat dinyatakan dalam persamaan berikut. Sedangkan ARIMA musiman merupakan vorbildliches ARIMA yang dipengaruhi oleh faktor waktu musim. Modell ini biasa disebut Jahreszeit ARIMA (SARIMA). Bentuk umum dinyatakan sebagai berikut. Adapun tahap-tahapan Pembuatan-Modell ARIMA: 1. identifikasi Modell tentatif (sementara) 2. Pendugaan Parameter 3. cek Diagnostik 1. Identifikasi Pada tahap ini kita akan mencari atau menetukan p, d, dan q. Penentuan p dan q dengan bantuan korelogramm autokorelasi (ACF) dan korelogram autokorelasi parsial (PACF). Sedangkan 8216d8217 ditentukan dari tingkat stasioneritasnya. ACF disini mengukur korelasi antara pengamatan dengan Verzögerung ke-k sedangkan PACF merupakan pengukuran korelasi antara pengamatan dengan Verzögerung ke-k dan dengan mengontrol korelasi anttara dua pengamatan dengan Verzögerung Kurang Dari k. Atau dengan kata lain, pacf adalah korelasi antara yt und yt-k setelah menghilangkan efek yt yang terletak diatara kedua pengamatan tersebut. 2. Pendugaan-Parameter Pada tahap ini tidak akan dijelaskan secara teori bagaimana langkah-langkah menduga-Parameter. Mungkin teman-teman bisa mencari di referensi. Dalam menduga Parameter ini sangatlah susah kalau dikerjakan secara Handbuch. Sehingga diperlukanlah bantuan Software-Software. Sekarang ini banyak Sekali-Software Yang Digunakan untuk melakukan analisis ARIMA Seperti SPSS, EViews Dan Minitab. 3. Cek Diagnostik Setelah menduga Parameter, langkah selajutnya adalah menguji Modell apakah modelnya sudah baik untuk digunakan. Untuk melihat vorbildlicher yang baik bisa dilihat dari residualnya. Jika residualnya weißes Rauschen, maka modelnya dapat dikatakan baik dan sebaliknya. Salah satu cara untuk melihat weißes Rauschen dapat diuji melalui korelogramm ACF dan PACF dari residual. Bila ACF als PACF tidak signifikan, ini mengindikasikan verbleibenden weißen Rauschen artinya modelnya sudah cocok. Selain itu dapat dilakukan dengan testen Ljung-Box untuk mengetahui weiß noisenya. Apabila hipotesis awalnya diterima maka restlichen memenuhi syarat weißes Rauschen. Sebaliknya jika hipotesis awalnya ditolak maka restlichen tidak weißes Rauschen. Statistiken uji Ljung-Kiste sebagai berikut: Dari hati tersebut mungkin saja ada beberapa Modell yang baik digunakan. Seumega langkah selanjutnya dengan memilih Modell terbaik dengan melihat beberapa Anzeige lain, seperti AIC, SIC, R2adjusted 4. Vorhersage Setelah ketiga tahap itu dilewati maka dapat dilakukan peramalan. Peramlan ini sesungguhnya merupakan penjabaran dari persamaan berdasarkan koefisien-koefisien yang didapat, sehingga kita dapat menetukan kondisi di masa yang akan datang. Refrensi: Nachrowi Djalal Nachschub Dan Hardius Usman. Ekonometrika untuk analisis ekonomi dan keuangan. 2006. Lembaga Penelitian als Pemberdayaan Masyarakat. IPB. Model Box jenkins ARIMA 2006. Geschrieben von: Nasrul Setiawan Terima kasih sudah membaca artikel Zeitreihe dengan judul Metode Box - Jenkins (ARIMA). Anda bisa Lesezeichen halaman ini dengan URL statistikceria. blogspot. co. id201212metode-box-jenkins-arima. html. Apabila ada yang kurang jelas silahkan tinggalkan komentar atau pesan. Nov 27, 2009 Modell kausal mengasumsikan bahwa variabel yang diramalkan (variabel dependen) terkait dengan variabel lain (variabel independen) dalam modell. Pendekatan ini mencoba untuk melakukan proyeksi berdasarkan hubungan tersebut. Dalam bentuknya yang paling sederhana, regresi linearen digunakan untuk mencocokkan baris ke Daten. Baris itu kemudian digunakan untuk meramalkan variabel Abhängigkeit yang dipilih untuk beberapa nilai dari variabel independen. Modell Yang digunakan sama dengan Modell Pada regresi linier berganda, yaitu: Yb0 b1X1 b2X2 b3X3 8230 bnXn bnd En Y nilai observasi Dari Variabel Yang diukur b0 konstanta X Variabel pengukur (independen) d Variabel Surrogate (Dummy) Fehler Pabrik Susu 8220Maju-Mundur8221 ingin Melihat penjualan Perusahaan pada bulan-bulan berikutnya, yang dimulai pada bulan ke-13, variabel-variabel yang Mereka sertakan dalam peramalan adalah Anzahl der Beiträge biaya iklan dan biaya Distribusi dalam jutaan Rupiah. Daten Yang diberikanisch adalah sebagai Berikut: Dengan SPSS 17.0. Langkah-langkahnya adalah sebagai berikut: 1. Eingabedaten ke dalam Arbeitsblatt SPSS seperti berikut: 2. Kemudian pilih Analyse 8211 Regression 8211 Linear. Seperti berikut: 3. Setelah muncul Kotak-Dialog Lineare Regression. Maka pindahkan variabel dependen 8220 Verkäufe 8221 ke kotak abhängig, serta variabel iklan dan distribusi ke kotak unabhängig, seperti berikut: 4. Setelah itu di sisi kanan, pilih statistic. Centang-Schätzungen. Modell passen. Dan Durbin Watson. Klik weiter: 5. Pada Plot, masu kkan ZRESID ke kotak Streuung X. Dan ZPRED ke Streuung Y. Lalu pada bagian Residuals centang Normalwahrscheinlichkeit. Lalu klik weiter 8211 OK. Seperti berikut: 6. Berikutnya akan ditunjukkan Ausgang sebagai berikut: Ausgang Diagramm menunjukkan vorbildliches yang dihasilkan terhadap garis linier. Dari Ausgabe ANOVA dapat kita lihat Modell adalah signifikan yang diindikasikan dengan nilai sig. 0,000. Dari Ausgang Koeffizienten kita dapati nilai koefisien korelasi yang akan dimasukkan ke dalam persamaan regresi Modell peramalan 8220 Verkäufe 8221 dengan variabel independen iklan dan distribusi. Kedua variabel independen memiliki nilai p-Wert berturut-turut adalah 0,000 dan 0,030 ybi lebih kecil dari nilai kritik 0,05. Dengan demikian masing-masing variabel signifikan berpengaruh terhadap verkauf, dan baik untuk digunakan dalam peramalan. Maka dengan demikian Modell Yang didapatkan adalah: Y -103,3 9,59 (Iklan) 4,44 (Distribusi) Hasil peramalan Yang didapat dalam bulan berikutnya dapat diilustrasikan sebagai berikut: Jika Perusahaan memutuskan alokasi biaya iklan adalah 20 juta. Dan biaya distribusi 30 juta pada bulan ke 13. maka Anzahl der Beiträge Gesamtumsatz Pada bulan ke-13 adalah: Y -103,3 9,59 (20) 4,44 (30) Y 221,67 (dalam jutaan Rupiah Menjadi Rp.221.670.000, -) Maka nilai penjualan Pada bulan Ke-13 adalah Rp. 221.670.000, - Demikian seterusnya untuk bulan-bulan berikutnya, dengan menentukan alokasi 8220biaya iklan8221 dan 8220biaya distribusi8221, maka manajemen dapat menentukan nilai penjualan (Verkauf) Dari Modell Yang dihasilkan melalui metode kausal (regresi linier). (Yoz) Eingestellt von ariyoso Teori amp Konsep Statistik Konsep Variabel Kualitatif dan Kuantitatif Tipe Daten Statistik Deskriptif Konsep Parametrik dan Non Parametrik Statistika Inferensia Penyusunan hipótesis Teknik Pengukuran Statistik Teknik Sampling Sebaran probabilitas Diskret Sebaran Normale Sebaran Binomiale Sebaran Poisson Transformasi Daten Korelasi bivariat Pemaparan Daten Kualitatif dengan Tabulasi Silang neuer IBM SPSS Ver.23