Moving Average Moving Averages (rata-rata bergerak) adalah metode peramalan perataan nilai dengan mengambil sekelompok nilai pengamatan yang kemudian dicari rata-ratanya, lalu menggunakan rata-rata tersebut sebagai ramalan untuk periode berikutnya. Istilah rata-rata bergerak digunakan, karena setiap kali Daten observasi baru tersedia, maka angka rata-rata Yang baru dihitung dan dipergunakan sebagi ramalan. Single Moving Average Rata-rata Bergerak Tunggal (Single Moving Average) Adalah Suatu Metode Peramalan Yang Verdammung Kanadan Dengan Mengambil Sekelompok Nilai Pengamatan, Mencari Nilai Rata-Rata Tersebut Sebagai ramalan untuk Periode Yang Akan Datang. Metode Single Moving Durchschnittlich mempunyai karakteristik khusus yaitu untuk menentukan ramalan pada periode yang akan datang memerlukan Daten historis selama jangka waktu tertentu. Misalnya, dengan 3 bulan gleitender Durchschnitt, Maka ramalan bulan ke 5 baru dibuat setelah bulan ke 4 selesaiberakhir. Jika Bulan Moving im Durchschnitt bulan ke 7 baru bisa dibuat setelah bulan ke 6 berakhir. Semakin Panjang Jangka Waktu gleitenden Durchschnitt. Efek pelicinan semakin terlihat dalam ramalan atau menghasilakan gleitende durchschnittliche yang semakin halus. Persamaan matematis single moving im Durchschnitt adalah sebagai berikut Mt Moving Durchschnittlich untuk periode t F t1 Ramalan Untuk Periode t 1 Yt Nilai Riil periode ke tn Jumlah batas dalam gleitenden Durchschnitt Pengukuran Kesalahan Peramalan Dalam pemodelan deret berkala, sebagian Daten yang diketahui dapat digunakan untuk meramalkan sisa Daten Berikutnya sehingga dapat dilakukan perhitungan ketepatan peramalan secara lebih baik Ketepatan peramalan pada masa yang akan datang adalah yang sangat penting. Jika Yt merupakan Daten riil untuk periode t dan Ft merupakan ramalan untuk periode yang sama, maka kesalahannya dapat dituliskan sebagai berikut (Spyros, 1999). Et Kesalahan pada periode t Yt Daten aktualisieren pada periode t Ft peramalan periode t Jika terdapat nilai pengamatan dan peramalan untuk n periode waktu, maka akan terdapat n buah kesalahan dan ukuran statistik standar yang dapat didefinisikan sebagai berikut (Spyros, 1999): Mittlerer Absoluter Fehler (MAE) Mittlerer Absoluter Fehler 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 untuk mengevaluasi teknik peramalan masing-masing kesalahan (selisih Daten aktuell terhadap Daten peramalan) dikuadratkan, kemudian dijumlahkan dan dibagi dengan jumlah Daten. MSE dihitung dengan rumus: Hinterlasse eine Antwort Abbrechen Antwort Aktuelle BeiträgeMoving Durchschnittlich Moving Durchschnittlich merupakan Indikator Yang Paling Sering Digunakan Dan Paling Standar. Jika di Indonesiakan Artinya Kira-Kira Adalah Rata-Rata Bergerak. Umzugsdurchschnitt sendiri memiliki aplikasi yang sangat luas meskipun sederhana. Dikatakan sederhana karena pada dasarnya metode ini hanyalah pengembangan dari metode rata-rata yang kita kenal disekolah (nah, ada gunanya juga bukan kita bersekolah). Rata-rata bergerak tunggal (Bewegender Durchschnitt) untuk periode t adalah nilai rata-rata untuk n jumlah data terbaru. Dengan miaulnya Daten Baru, Maka Nilai Rata-Rata Yang Baru Dapat Dihitung Dengan Menghilangkan Daten Yang Terlama Dan Menambahkan Daten Yang Terbaru. Umzug durchschnittlich ini digunakan untuk memprediksi nilai pada periode berikutnya. Modell ini sangat cocok digunakan pada daten yang stasioner atau daten yang konstant terhadap variansi, tetapi tidak dapat bekerja dengan daten yang mengandung unsur trend atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan Daten terakhir (F t), dan menggunakannya untuk memprediksi Daten pada periode selanjutnya. Metode ini sering digunakan pada daten kuartalan atau bulanan untuk membantu mengamati komponen-komponen suatu runtun waktu. Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan (Glättung). Dibanding dengan rata-rata sederhana (dari satu daten masa lalu) rata-rata bergerak berorde T mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir dari Daten yang diketahui. Jumlah Titik Daten 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 trend atau musiman, walaupun metode ini lebih baik dibanding rata-rata insgesamt. Sukai ini: Tinggalkan Balasan Batalkan balasan Dah cukup informatif segh. Tapi kalau bisa dikasih contoh juga perhitungannya..mungkin bisa dalam bentuk excelnya aja (datei download-an) .. owh ya8230 harap maklum mas..masih dalam perancangan .. terimakasih untuk sarannya .. insya allah akan segera di laksanakanmetode metode peramalan dan aplikasi Metode Expnitiale Glättung Metode exponentielle Glättung merupakan metode peramalan yang cukup baik untuk peramalan jangka panjang dan jangka menengah, terutama pada tingkat operasional suatu perusahaan, dalam perkembangan dasar matematis dari metode glättung (forcasting von Makridakis, hal 79-115) dapat dilihat bahwa konsep exponential telah Berkembang dan menjadi metode praktis dengan penggunaan yang cukup luas, terutama dalam peramalan bagi persedian. Kelebihan utama dari metode exponentielle glättung adalah dilihat dari kemudahan dalam operasi yang relativer rendah, ada sedikit keraguan apakah ketepatan yang lebih baik selalu dapat dicapai dengan menggunakan (QS) Quantitatif sistem ataukah metode dekonposisi yang secara intuitif menarik, namun dalam hal ini jika diperlukan peramalan untuk Ratusan item Menurut Makridakis, Wheelwright amp Mcgee dalam bukunya forcasting (hal 104). Menyatakan Bahwa Apabila Daten Yang Dianalisa Bersifat Stationer, Maka Penggunaan Metode Rata-Rata Bergerak (gleitenden Durchschnitt) atau einzigen exponentiellen Glättung Cukup Tepat Akan Tetapi Apabila Datanya Menunjukan Suatu Trend linier. Maka modell yang baik untuk digunakan adalah exponentiell glättung linier dari braun atau modell exponentiell glättung linier dari holt. Permasalahan Umum Yang Dihadapi Apabila Menggunakan Modell Pemulusan Eksponensial Adalah Memilih Konstanta Pemulusan Yang Diperkirakan Tepat. Adapun panduan untuk memperkirkan nilai a yaitu antara lain: Apabila pola historis dari Daten aktuelles permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, kita memilih nilai a mendekati 1.Biasanya di pilih nilai a 0.9 namo pembaca dapat mencoba nilai ein yang lain yang mendekati 1 seperti 0,8 0,99 tergantung sejauh mana gejolak dari daten itu Apabila pola historis dari Daten akute permintaan tidak berfluktuasi atau relati stabil dari waktu ke waktu maka kita memilih nilai ein yang mendekati nol, katakanlah ein 0,2 0,05 0,01 tergantung sejauh mana kestabilan daten itu, semakin stabil nilai ein yang dipilih harus semakin kecil menuju ke nilai nol B.2 Metode Einzelne exponentielle Glättung Metode ini juga digunakan untuk meramalkan suatu periode ke depan. Untuk melihat persamaan metode ini dengan metode einzigen gleitenden Durchschnitt. Maka lihat kembali persamaan matematis yang digunakan pada peramalan einzigen gleitenden Durchschnitt. Peramalan untuk periode t, persamaan adalah: Sedangkan persamaan matematis untuk einzelne bewegliche exponentielle Glättung sebagai berikut: Demikian seterusnya untuk Jadi terlihat bahwa metode einzigen gleitenden Durchschnitt merupakan sejumlah Daten semua yang ditekankan pada baru. Harga ditetapkan oleh 0 X 1 Dan Harga Yang Terpilih Yang Memberikan Simpangan Terkecil Dari Perhitungan Yang Ada, Seperti Pada Metode einzigen gleitenden Durchschnitt. Peramalan dengan exponentielle Glättung juga dapat digunakan untuk meramalkan beberapa periode kedepan untuk pola daten dengan kecenderungan linier, teknik yang digunakan dikenal dengan nama Brown Parameter Exponential Glättung langkah-langkah perhitungan untuk mendapatkan peramalan dengan metode ini adalah: nilai peramalan dengan single gleitender Durchschnitt. Nilai gleitende durchschnittliche kedua Hasil peramalan dengan doppelte gleitende durchschnittliche pada periode kedepan. Periode kedepan yang diramalkan B.3 Metode doppelte exponentielle Glättung Metode ini dikembangkan oleh Browns untuk mengatasi adanya perbedaan yang muncul antara Daten aktualisieren dan nilai peramalan apabila ada trend pada plot datanya. Untuk itu Browns memanfaatkan nilai peramalan dari hasil single Eksponential Smothing dan Doppel Exponential Glättung. Perbedaan antara kedua ditambahkan pada harga dari SES dengan demikian harga peramalan telah disesuaikan terhadap trend pada plot datanya. B.3.1. Metode Double Expnontial Smoothing Satu Parameter Brown Dasar pemikiran dari pemulusan eksponensial linier dari Braun adalah serupa dengan rata-rata bergerak linier, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari daten yang sebenarnya bilamana terdapat unsur trend. Perbedaan antara nilai pemulusan tunggal dan ganda dapat ditambahkan kepada nilai pemulusan dan disesuaikan untuk trend Persamaan Yang dipakai dalam implementasi pemulusan linier satu Parameter Brown ditunjukan dibawah ini: a t S8217t (S8217t St) 2 S8217t St F t a t b t. m t 823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230 (2,21) S t nilai pemulusan eksponensial Tunggal S t adalah nilai pemulusan eksponensial ganda. M jumlah periode ke muka yang diramalkan Ramalan m periode ke muka Agar dapat menggunakan persamaan diatas, nilai S t-1 dan S t-1. Harus tersedia Tetapi pada saat t 1, nilai-nilai tersebut tidak tersedia Jadi, nilai-nilai ini harus ditentukan pada awal periode Hal ini dapat dilakukan dengan hanya menetapkan S t dan S t sama dengan X t atau dengan menggunakan suatu nilai rata-rata dari beberapa nilai pertama sebagai titik awal. Jenis masalah inisialisasi ini muncul dalam setiap metode pemulusan (Glättung) eksponensial. Jika Parameter pemulusan ein tidak mendekati nol, pengaruh dari proses inisialisasi ini dengan cepat menjadi kurang berarti dengan berlalunya waktu. Tetapi, jika a mendekati nol, proses inisialisasi tersebut dapat memainkan peran yang nyata selama periode waktu ke muka yang panjang. B.3.2. Metode Double Exponential Smothing Dua Parameter Holt Metode pemulusan eksponensial linier dari Holt dalam prinsipnya serupa dengan Braun kecuali bahwa Holt tidak menggunakan rumus pemulusan berganda secara langsung. Sebagai gantinya Holt memuluskan nilai Trend dengan Parameter yang berbeda dari Parameter yang digunakan pada deret yang asli. Ramalan Dari pemulusan eksponensial linier Holt didapat dengan menggunakan dua konstan pemulusan (dengan nialai antara 0 sampai 1) dan tiga persamaan. F t m S t b t m82308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230 (2,24) Dimana. Daten pemulusan pada periode t Trend pemulusan pada periode t peramalan pada periode t Persamaische diatas (1) menyesuaikan S t secara langsung untuk trend periode sebelumnya yaitu b t-1 dengan menambahkan nilai pemulusan yang terakhir, yaitu S t-1. Hal ini membantu untuk menghilangkan kelambatan dan menempatkan S t ke dasar perkiraan nilai data saat ini. Kemudian persamaan meremajakan trend (2), yang ditunjukan sebagai perbedaan antara dua nilai pemulusan yang terachhir. Hal ini tepat karena jika terdapat kecenderungan di dalam daten, nilai yang baru akan lebih tinggi atau lebih rendah dari pada nilai yang sebelumnya. Karena mungkin masih terdapat sedikit kerandoman Maka hal ini dihilangkan oleh pemulusan g (gamma) trend pada periode akhir (s t s t-1), dan menambahkannya dengan taksiran trend sebelumnya dikalikan (1 g). Jadi persamaan diatas dipakai untuk meremajakan Trend. Akhirnya persamaan (3) digunakan untuk peramalan ke muka Trend B t, dikalikan dengan jumlah periode kedepan yang diramalkan, m dan ditambahkan pada nilai dasar S t. B.4 Metode Triple Exponential Glättung Metode Ini Dapat Digunakan Untuk Daten Yang Bersifat Atau Mengandung Musiman. Metode Ini Adalah Metode Yang Digunakan Dalam Pemulusan Trend Dan Musiman. Metode Winter didasarkan atas tiga persamaan pemulusan yaitu satu untuk stationer, trend, dan musiman. Hal ini serupa dengan metode holt dengan satu persamaan tambahan untuk mengatasi musiman. Persamaan dasar untuk metode Winter adalah sebagai berikut: L Panjang musiman. B Komponen Trend I Faktor penyesuaian musiman Ramalan untuk n Periode eke depan. 2.1.1. Aspek Umum dari Metode Pemulusan Kelebihan utama dari penggunaan metode pemulusan (Glättung) yang luas adalah kemudahan dan ongkos yang rendah. Ada sedikit keraguan apakah ketetapan yang lebih baik selalu dapat di capai dengan menggunakan metode autoregresi atau pola rata-rata bergerak yang lebih canggih. Namun demikian, jika diperlukan ramalan untuk ribuan item, seperti dalam banyak kasus sistem persedian (inventori), maka metode pemulusan seringkali merupakan satu-satunya metode yang dapat dipakai. Dalam hal keperluan peramalan yang besar, maka suatu yang kecil dan mantap itu lebih berarti. Seutelai contoh, menyimpan empat nilai sebagai ganti dari tiga nilai untuk setiap Einzelteil dapat menjadi sangat berarti bagi keseluruhan Einzelteil sebulan. Entschuldigung itu, waktu komputer yang diperlukan untuk melakukan perhitungan yang penting harus disediakan pada tingkat yang layak, dan alasan ini, metode pemulusan eksponensial lebih disukai dari pada metode rata-rata bergerak dan metode dengan jumlah parameter yang sedikit lebih disukai dari pada yang lebih banyak. Metode letzten Platz Pengertian. Analisis tendenz merupakan suatu metode analisis yang ditujukan untuk melakukan suatu estimasi atau peramalan pada masa yang akan datang. Untuk melakukan peramalan dengan baik maka dibutuhkan berbagai macam informasi (daten) yang cukup banyak dan diamati dalam periode waktu yang relatif cukup panjang, sehingga dari hasil analisis tersebut dapat diketahui sampai berapa besar fluktuasi yang terjadi dan faktor-faktor apa saja yang mempengaruhi terhadap perubahan tersebut . Secara teoristis, dalam analisis Zeitreihe yang paling menentukan adalah kualitas atau keakuratan dari informasi atau daten datums yang diperoleh serta waktu atau periode dari daten datums tersebut dikumpulkan. Jika Daten yang dikumpulkan tersebut semakin banyak maka semakin baik pula estimasi atau peramalan yang diperoleh. Sebaliknya, jika Daten yang dikumpulkan semakin sedikit maka hasil estimasi atau peramalannya akan semakin jelek. Metode Least Square. Metode Yang digunakan untuk analisis Zeitreihe adalah Metode Garis Linier Secara Bebas (freie Handmethode), Metode Setengah Rata-Rata (Halbmittelmethode), Metode Rata-Rata Bergerak (Moving Average Method) als Metode Kuadrat Terkecil (Least Square Method). Dalam hal ini akan lebih dikhususkan untuk membahas analisis Zeitreihe dengan metode kuadrat terkecil yang dibagi dalam dua kasus, yaitu kasus Daten genap dan kasus Daten ganjil. Secara umum persamaan garis linier dari analisis Zeitreihe adalah. Y a b X. Keterangan. Y adalah variabel yang dicari trendnya dan X adalah variabel waktu (tahun). Sedangkan untuk mencari nilai konstanta (a) dan Parameter (b) adalah. Ein Y n dan b XY X2 Contoh Kasus Daten Ganjil: Tabel. Volume Penjualan Barang X (dalam 000 Einheit) Tahun 1995 sampai dengan 2003 Untuk mencari nilai a dan b adalah sebagai berikut: a 2.460 9 273,33 dan b 775 60 12,92 persamaan garis liniernya adalah. Y 273,33 12,92 X. Dengan menggunakan persamaan tersebut, dapat diramalkan penjualan pada tahun 2010 adalah. Y 273,33 12,92 (untuk tahun 2010 nilai X adalah 11), sehingga. Y 273,33 142,12 415,45 artinya penjualan barang X pada tahun 2010 diperkirakan sebesar 415.450 Einheit Contoh Kasus Daten Genap: Tabel. Volume Penjualan Barang X (dalam 000 Einheit) Tahun 1995 sampai dengan 2002 Untuk mencari nilai a dan b adalah sebagai berikut: a 2.150 8 268,75 dan b 1.220 168 7,26 Persamaan garis liniernya adalah. Y 268,75 7,26 X. Berdasarkan persamaan tersebut untuk meramalkan penjualan pada tahun 2008 adalah. Y 268,75 7,26 (untuk tahun 2008 nilai X adalah 19), sehingga. Y 268,75 137,94 406,69 artinya penjualan barang X pada tahun 2008 diperkirakan sebesar 406,69 atau 406.690 Einheit. Elain dengan menggunakan metode tersebut di atas, juga dapat dipakai dengan metode sebagai berikut: Tabel. Volume Penjualan Barang X (dalam 000 Einheit) Tahun 1995 sampai dengan 2002 Untuk mencari nilai a dan b adalah sebagai berikut: ein 2.150 8 268,75 dan b 610 42 14,52 persamaan garis liniernya adalah. Y 268,75 14,52 X. Berdasarkan persamaan tersebut untuk meramalkan penjualan pada tahun 2008 adalah. Y 268,75 14,52 (untuk tahun 2008 nilai X adalah 9), sehingga. Y 268,75 137,94 406,69 artinya penjualan barang X pada tahun 2008 diperkirakan sebesar 406.690 Einheit. Zu Arin, Untuk Y dan X itu Adalah Daten mentah, misalnya mencari Trend Kunjungan Maka Y nya Adalah Periode Waktu (misal tiap bulan dalam 1 tahun) dan X nya jumlah pengunjung (misalnya pro bulan). Setelah itu baru bisa dimasukkan dalam analisis trend Kalau dicermati rumus trend sama dengan rumus regresi sederhana (untuk mencari nilai a dan b). Karena jumlah X di trend sama dengan nol maka jika dimasukkan dalam rumus regresi maka jadi rumus trend Artinya, untuk mencari nilai a dan b pada tendenz bisa menggunakan rumus regresi, tapi sebaliknya rumus trend tidak dapat diaplikasikan dalam regresi, karena dalam regresi jumlah X tidak sama dengan nol saya lg skripsi mas, cuma blom ngerti menjelaskan nilai x itu secara lengkap, cuma Itung2annya saya ngerti, nah dosen saya minta menjelaskan nilai x esu dengan sedetail2nya. Dosennya nyuruh saya tiap x harus dijelaskan dari mana asalnya ,, gimana ya mas slamet menjelaskan x berasal darimana, malah dosen saya nyuruh tiap bulan x nya harus dijelasin. Zu Iqbalbo, Karena Jumlah Daten X-Nya Genap Maka Nilai 0 Berada Antara Bulan Juni Dan Juli, Sehingga Bulan Juni Dinilai -1 Dan Bulan Juli Dinilai 1. Jarak Antara Bulan Juni Dgn Juli Atau Jarak -1 Dgn 1 Adalah 2, Maka Seterusnya Harus Loncat 2. Maka bulan Mei dinilai -3, April -5 dst. Kalau bulan Agustus dinilai 3 dan September dinilai 5 dst. Jadi untuk nilai X disamping totalnya 0 juga harus konsisten loncat 2. mas slamet8230 itu cara mencari x (variable waktu) gimana jujur saya masih bingung kok tau2 dapet nilai -4, -3 mohon penjelasannya mas .. terimaksih Zu Iqbaldo, untuk mencari nilai X Pada analisis trend kata kuncinya adalah jika nilai X dijumlahkan maka hasilnya 0. Untuk Daten jumlah tahun ganjil maka tahun yang ditengah nilainya 0, tahun sebelumnya -1 trus -2 dst, sedang tahun sesudahnya 1 trus 2 dst. Kalau Daten jumlah tahun genap lihat contoh diatas. Buku Statistika Deskriptif E-Mail: ssantoso0219yahoo. co. id Post Navigation Komisi Kostenlos
No comments:
Post a Comment