Kelemahan Metode Moving Average

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 tulisan 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 dados 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. Ketika data observasi naik atau menurun pada perluasan periode suatu waktu disebut pola tendência. 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 em movimento) 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. Mudança 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. Metode 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 2013 sampai dengan Abril de 2014, dados de menghasilkan dados de penguimais: dados de mão-de-obra meramalkan hasil penjualan menggunakan metode peramalan yang cocok dados de dengano 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 Datação de dados para berikan alasannya. Baiklah sekarang kita mulai, kita mulai dari Média de Movimento Único. Adaptar a linguagem de langkah-Langkah Melakukan forcasting dados de terhadap Penjualan Pakaian Sequota de bola de 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 maskkan kemudian sesuai studi kasus. Sebelu M memulai untuk melakukan previsão, terlebih dahulu yang harus dilakukan adalah melihat bentuk sebaran dados runtun waktunya, klik menu Gráfico 8211 Série de tempo Plot 8211 Simples, masukkan variabel Dados ke kotak Series, sehingga didapatkan output seperti gambar. Selanjutnya untuk melakukan pronostica dengan metode Moving Average single orde 3, klik menu Stat 8211 Série temporal 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 Armazenamento dan berikan centang pada Médias móveis, Ajustes (previsões de um período antecipadamente), Residuals, dan Previsões, klik OK. Kemudian klik Gráficos de pilih Plot predito vs. real dan OK. Sehingga muncul saída seperti gambar dibawah ini, Pada gambar diatas, terlihat dengan jelas hasil dari dados da previsão tersebut, pada periode ke-17 nilai ramalannya adalah 24, denngan MAPE, MAD, e MSD seperti pada gambar diatas. Cara peramalan dengan metode Média de Movimento 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. ARIMA (p, d, q) atau dikenal juga dengan modelo Box-Jenkins merupakan sebuah teknik untuk meraalkan dados deret waktu. Data deret waktu merupakan sekumpulan dados pada suatu objek yang sama yang diamati secara periodik. Dados de Contoh deret waktu adalah data saham, dados harga bahan pokok yg diamati tiap minggu dan lain-lain. Pada tahun 1970 dua orang statistikawan bernama George Box dan Gwilym Jenkins membuat metode ARIMA ini untuk memodelkan dados perekonomian pada saat itu. Namun seiring perkembangan zaman yang semakin kompleks, beberapa puluh tahun terakhir kondisi perekonomian disemua negara mengalami goncangan ekonomi serta semakin sensitifnya kondisi perekonomian akan adanya isu maka modelo ARIMA sudah mulai tidak cocok tidak mampu untuk memodelkan dados perekonomian dunia. Metode peramalan ARIMA (p, d, q) merupakan metode peramalan yang menggunakan sifat dados dados tersebut untuk meramal series selanjutnya. Metode peramalan menggunakan ARIMA dibagi atas 2 jenis yaitu ARIMA non-musiman dan arima musiman, yang membedakan antara ARIMA musiman dan tidak musiman adalah bahwa pada dados tersebut terdapat pola yang jelas. Pola tersebut dapat berupa pola siklus bulanan, 3 bulanan, tahunan dan lain sebagainya. Secara umum kekurangan ARIMA adalah Modelo arima sudah tidak dapat menampung terjadinya lonjakan atau penurunan harga yang tajam. Secara teori dan keadaan lapang jarang ada dados yang dapat mermalkan dirinya sendiri. Data deret waktu yang ada saat ini biasanya dipengaruhi oleh faktor-faktor laindan isu-isu yang beredar. Misalnya harga minyak dunia dipengaruhi por permintaan dan penawaran akan minyak itu sendiri. Jika digunakan untuk waktu yang lama maka hasil dari peramalannya akan bersifat konstan Penjelasan lebih dalam tentang ARIMA aan diberikan pada postando berikutnya.