Portail - Statistik Bertemu lagi dengan postingan kali ini, setelah sekian lama offline dari dunia blogger, tidak pernah lagi mengriusi blog, nah pada kesempatan kali ini saya mau berbagi kembali kepada semua sahabat yang membutuhkan tutoriel atau pengetahuan tentang prévision peramalan, mungkin beberapa hari kedepan saya Akan banyak memposting tulisan tentang prévisions. Semoga tulisan dans le panier berguna bagi kita semua. Pada postingan pertama tentang analyses runtun waktu kali ini, saya akan berbagi tentang analyse runtun waktu yang paling sederhana yaitu metode Moyenne mobile. Analyses runtun waktu merupakan suatu metode kuantitatif untuk menentukan pola données masa lalu yang telah dikumpulkan secara teratur. Analyse runtun waktu merupakan salah satu metode peramalan yang menjelaskan bahwa deretan observasi pada suatu variabel dipandang sebagai realisasi dari variabel aléatoire 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 aléatoire 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 nontateur dapat ditransformasikan menjadi deret yang stasioner. Pola Données Runtun Waktu Salah satu aspek yang paling penting dalam penyeleksian metode peramalan yang sesuai untuk données runtun waktu adalah untuk mempertimbangkan perbedaan tipe pola données. Ada empat tipe umum. Horizontal, tendance, saisonnier, dan cyclique. Ketika données observasi berubah-ubah di sekitar tingkatan atau rata-rata etang 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. Les données de Ketika observasi naik atau menurun pada perluasan période suatu waktu tendance dise pola. Pola cyclique ditandai dengan adanya fluktuasi bergelombang données yang terjadi di sekitar tendance garis. Ketika observasi dipengaruhi olé faktor musiman disebut pola saisonnier yang ditandai dengan adanya pola perubahan yang berulang secara otomatis dari tahun ke tahun. Untuk runtun tiap bulan, ukuran variabel komponen runtun saisonnier tiap Januari, tiap Februari, dan seterusnya. Untuk runtun tiap triwulan ada élémen empat musim, satu untuk masing-masing triwulan. Moyenne mobile simple Rata-rata bergerak tunggal (Moyenne mobile) untuk periode t adala nilai rata-rata untuk n jumlah data terbaru. Dengan munculnya données baru, maka nilai rata-rata yang baru dapat dihitung dengan menghilangkan données yang terlama dan menambahkan données yang terbaru. Déménagement moyen inu digunakan untuk memprediksi nilai pada periode berikutnya. Modèle ini sangat cocok digunakan pada données yang stasioner atau données yang konstant terhadap variansi. Tetapi tidak dapat bekerja dengan données yang mengandung unsur tendance atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan données terakhir (Ft), dan menggunakannya untuk memprediksi données pada periode selanjutnya. Metode ini sering digunakan pada données kuartalan atau bulanan untuk membantu mengamati komponen-komponen suatu runtun waktu. Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan (lissage). Dibanding dengan rata-rata sederhana (dari satu données masa lalu) rata-rata bergerak berorde T mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir données dari yang diketahui. Jumlah titik données dalam setiap rata-rata tidak berubah dengan berjalannya waktu. Kelemahan dari metode ini adalah. Metode ini memerlukan penyimpanan yang lebih banyak karena semu T pengamatan terakhir harus disimpan, tidak hanya nilai rata-rata. Metode ini tidak dapat menanggulangi dengan baik adanya tendance aku musiman, walaupun metode dans lebih baik dibanding rata-rata total. Diberikan N titik données de la liste des résultats de la recherche T pengamatan pada setiap rata-rata (yang disebut dengan rata-rata bergerak orde (A) atau MA (T), seadga keadaannya adalah sebagai berikut: Studi Kasus Suatu perusahaan pakaian sepakbola periode januari 2013 sampai dengan April 2014 menghasilkan data est un membre de la famille d'utilisateurs de la communauté: merci, meramalkan hasil penjualan, menggunakan metode, peramalan, yang cocok, dengan data tersebut, bandingkan, metode, MA, tunggal orde 3, 5, 7 dengan aplikasi Minitab dan MA 3x5 dengan aplikasi Excel, manakah metode yang paling tepat untuk Les données sont envoyées par l'intermédiaire de l'arborescence de la base de données, et sont affichées à l'intérieur de la base de données de l'arborescence de l'arborescence. ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, , Sehingga didapatkan sortie seperti gambar. Selanjutnya untuk melakukan prévisions dengan metode Moyenne mobile simple orde 3, klik menu Stat 8211 Série chronologique 8211 Moyenne mobile. . Sealingga muncul tampilan seperti gambar dibawag, pada kotak Variable: masukkan variabel Données, pada kotak MA longueur: masukkan angka 3, selanjutnya berikan centang pada Générer des prévisions par an istanbul Nombre de prévisions: dengan 1. Klik button Option dan berikan judul dengan MA3 dan klik D'ACCORD. Selanjutnya klik Plus d'options Storage dan berikan centang pada Moyennes mobiles, Fits (Prévisions à une période), Résidus, Dan Prévisions, klik OK. Kemudian klik Graphiques dan pilih Graphique prédit vs réel dan OK. Sehingga muncul sortie seperti gambar dibawah ini, Pada gambar diatas, terlihat dengan jelas hasil dari données prévisionnelles, pada periode ke-17 nilai ramalannya adalah 24, denngan MAPE, MAD, dan MSD seperti pada gambar diatas. Cara peramalan dengan metode Moyenne mobile double dapat dilihat DISINI. Ganti saja langsung angka-angkanya données dengan sanglot, hehhe. Maaf yaa, saya, tidak, jelaskan, lagi, laperr, soalnia: D demikian postingannya, semoga bermanfaat. Terimakasih atas kunjungannya. Metode Lissage exponentiel Lissage adalah mengambil rata 8211 rata dari nilai pada beberapa periode untuk menaksir nilai pada suatu periode (Pangestu Subagyo, 1986: 3) Lissage exponentiel adalah suatu metode peramalan rata-rata bergerak yang melakukan pembobotan menurun secara exponentielle terhadap nilai 8211 nilai observasi yang lebih tua (Makridakis, 1993: 79) Metode lissage explonentiel merupakan pengembangan dari metode moyenne mobile. Dalam metode dans peramalan dilakukan dengan mengulang perhitungan secara terus menerus dengan menggunakan données baru. 1. Métodicité Lissage exponentiel simple Metode lissage exponentiel simple merupakan perkembangan dari metode moyenne mobile sederhana, yang mula 8211 mula dengan rumeau sebagai berikut: (1.1) (1.2) dan (1.3) (1.4) Perbedaan antara St1 à St adalah sebgai berkut: A) Pada St1 terdapat sedangkan pada St tidak terdapat b) Pada St terdapat sedangkan pada St1 tidak terdapat (Pangestu Subagyo, 1986: 18) Dengan melihat hubungan di atas maka kalau nilai St sudah diketahui maka nilai St1 dapat dicari berdasarkan nilai St itu Kalau (1.5) bisa diubah menjadi: (1.6) (0) (0) (0) (0) (0) (0) Soyez le premier à donner votre avis sur ce jeu. Soyez le premier à commenter cette vidéo! Pangestu Subagyo, 1986: 19) Penerapan teknik peramalan ini menghasilkan tableau de bawah ini Tableau I Nilai St contoh penggunaan metode Saingle Lissage exponentiel No Xt St 1 20 2 21 20 3 19 20,10 4 17 19,19 5 22 19,69 6 24 19,92 Sumber (Pangestu subagyo, 1986: 21) Nilai ramalan untuk periode ke 7 dapat dihitung sebagai berikut: S7 X6 (1 8211) S6 0,1 (24) (0,9) 19,92 20,33 Metode Simple Lissage exponentiel lebih cocok digunakan untuk meramal hal 8211 hal yang fluktuasinya secara aléatoire (tidak teratur). 2. Méthode Double Lissage Exponentiel Méthode inu merupakan modèle linéaire yang dikemukakan oleh Brun. (1 8211) (1.8) St S8217t (1 8211) (1.9) Lissage doux Exponentiel Lissage doux dilatukan proses lissage dua kali, Sebagai berikut: St Xt (1 8211) St bukan St1 Prévision dilakukan dengan rumus: Stm à btm (1.10) m jangka waktu prévision kedepan (1.11) (1.12) Metode double exponentiel lissage ini biasanya lebih tepat untuk meramalkan données yang mengalami tendance naik. Agar dapat menggunakan rumus (1.8) dan (1.9) maka nilai St-1 par St-1 harus tersedia tetapi pada saat t 1, nilai 8211 nilai tersebut tidak dapat tersedia. Jadi nilai 8211 nilai dans le harus ditentukan pada awal periode. Hal ini dilakukan dengan hanya menetapkan St dan sama dengan Xt atau deng menggunakan suatu nilai pertama sebagai nilai awal. Contoh penggunaan Méthode double exponentielle lissage untuk penjualan barang X. Tableau 2 Volume penjualan barang X NO PERMINTAAN BARANG 1 120 2 125 3 129 4 124 5 130 Sumber (pangestu Subagyo, 1986: 26) Akan dicari ramalan minggu ke-6 dengan menggunakan rumus 1,10) dengan 0,2. Perhitungan di mulai dengan menghitung st172 dengan rumus (1.8) yaitu St Xt (1-) St-1. X1 120, karena belum données de cukup St danggap sebesar 120 dan selanjutnya dengan rumus (1.8) secara berangkai didapatkan kemudien mencari nilai dengan rumus (1.9) yaitu dengan 0,2. 120 dan harga-harga secara berangkai didapatkan: Harga-harga dan diperoleh dengan menggunakan rumus (1.11) dan (1.12). Dari secara berangkai n'a pas encore téléchargé: Dari secara berangkai didapat hargue-harga ramalan tahun ke-6 diperoleh dengan rumus (1.10) yaitu Stm à btm172 dengan m 1 dan 0,2 S6 a5 b5 126,84 0,64 127,48. Jadi ramalan penjualan tunai ke-6 adalah 127,48 3. Metode Triple Lissage Exponentiel Metode inupéritable merupakan metode prévision yang dikemukakan oleh Brown, dengan menggunakan persamaan kwadrat. Metode ini lebih cocok kalau dipakai untuk membuat prevision yang berluktuasi atau mengalami gelombang pasang surut. (Pangestu Subagyo, 1986: 26). Prosedur pembuatan pronostic dengan metode in a sebagai berikut: (1.13) Il n'y a pas de commentaire pour cet article. Biasanya ditentukan sama seperti nilai et yang telah terjadi pada tahun pertama. Carilah nilai dengan rumus: (1.14) Pada tahun pertama biasanya nilai ditantukan seperti nilai yang terjadi pada tahun pertama: 1. Carilah nilai (1.15) Untitled nilai tahun pertama biasanya dianggap sama dengan data tahun pertama. Carilah nilai (1.16) Carilah nilai (1.17) Carilah nilai (1.18) Buat persamaan forecastnya (1.19) m adalah jangka waktu maju ke depan, yaitu berapa tahun yang akan datang forecast dilakukan. À, bt, ct, adalah, nilai, yang, telah, dihitung, sesuai, dengan, rumus, depan. Contoh penggunaan metode Triple Exponentielle Lissage untuk peramalan penjualan kita gunakan données tabel 2. Akan tetapi ramalan tahun ke-6 menggunakan rumus (1.19) dengan 0,2. Dari contoh di atas kita sudah mendapatkan nilai et maka kita harus mencari nilai. À, bt, ct dengan. (1.16) (1.16) (1.17) (1.18) harga at, bt, ct bisa didapat Harga ramalan tahun ke-6 diperoleh dengan menggunakan rumus (1.19) Salah satu keputusan penting dalam perusahaan yang Dilakukan oleh manajemen adalah menentukan tingkat produksi dari barang atau jasa yang perlu disiapkan untuk masa datang. Penentuan tingkat produksi, yang merupakan tingkat penawaran yang dipengaruhi oleh jumlah permintaan passer yang dapat dipenuhi oleh perusahaan. Tingkat penawaran yang lebih tinggi dari permintaan passer dapat mengakibatkan terjadinya pemborosan biaya, seperti biaya pényimpanan, modal biaya, dan biaya kerusakan barang. Tingkat penawaran yang lebih rumeur dibandingkan dengan kemampuan pangsa passer yang dapat diraih mengakibatkan hilangnya kesempatan untuk memperoleh keuntungan, bahkan mengakibatkan hilangnya pelanggan karena beralih ke pesaing. Untuk membantu tercapainya suatu keputusan yang optimal diperlukan adanya suatu cara etang tepat, sistematis dan dapat dipertanggungjawabkan. Salah satu alat yang diperlukan oleh manajemen dan merupakan bagian dari proses pengambilan keputusan adalah metode Peramalan (Prévision). Méthode peramalan digunakan untuk mengukur atau menaksir keadaan de masa datang. Peramalan tidak saja dilakukan untuk menentukan jumlah produk yang perlu dibuat atau kapasitas jasa yang perlu disediakan, tetapi juga diperlukan untuk berbagai bidang lain (seperti dalam pengadaan, penjualan, personnages, termasuk peramalan teknologi, ekonomi ataupun perubahan sosial-budaya). Dalam setiap perusahaan, bagian yang satu selalu mempunyai keterkaitan dengan bagian lain sehingga suatu peramalan yang baik atau burouk akan mempengaruhi perusahaan secara keseluruhan. Kebutuhan akan peramalan semakin bertambah sejalan dengan keinginan manajemen untuk memberikan répondre yang cepat dan tepat terhadap kesempatan de masa datang, serta menjadi lebih ilmiah dalam menghadapi lingkungan. Oleh karena itu, pluriel de la zone métropolitaine peramalan menjadi signifikan bagi seorang manajer operasi. 1.1 Pénombre Umum Peramalan dapat dilakukan secara kuantitatif ataupun kualitatif. Pengukuran kuantitatif menggunakan metode statistik, sedangkan pengukuran kualitatif berdasarkan pendapat (jugement) dari yang melakukan peramalan. Berkaitan dengan itu, dalam peramalan dikenal istilah prakiraan dan prediksi. Peramalan didefinisikan sebagai proses peramalan suatu variabel (kejadien) di masa datang dengan berdasarkan données variabel yang bersangkutan pada masa sebelumnya. Data masa lampau itu secara sistematik digabungkan dengan menggunakan suatu metode tertanu dan diolah untuk memperoleh prakiraan keadaan pada masa datang. Prediksi adalah proses peramalan suatu variation de la masse datang dengan lebih mendasarkan pada pertimbangan subjecktifintuisi daripada données kejadian pada masa lampau. Meskipun lebih menekankan pada intuition, dalam prediksi juga sering terdapat données kuantitatif yang dipakai sebagai masukan dalam melakukan peramalan. Dalam prediksi, peramalan yang baiktepat sangat tergantung dari kemampuan, pénalaman dan kepekaan dari orang yang bersangkutan. Perbédan antara prakiraan dan prediksi dapat digambarkan sebagai berikut. Suatu perusahaan ingin meramalkan berapa permintaan passer atas producknya pada periode yang akan datang, maka perusahaan itu dapat melakukan prakiraan dengan menggunakan données penjualan période sebelumnya untuk mengetahui taksiran permintaan pasar. Namun, jika akan mengeluarkan produit baru, perusahaan yang bersangkutan melakukan prediksi untuk mengetahui berapa jumlah yang dapat diserap passer karena belum mempunyai données penjualan masa lampau. Dalam hal ini, perusahaan menggunakan données kuantitatif8211seperti données penjualan produk sejenis dari perusahaan lain8211sebagai masukan dalam melakukan prediksi. Berdasarkan horizon waktu, Jenis-jenis peramalan dapat dibagi dalam tiga bagian, yaitu peramalan jangka panjang, menengah, dan jangka pendek. 1. Perangalan jangka panjang. Yaitu yang mencakup, waktu, lebih, besar, dari, 24, bulan, misalnya, peramalan, yang, diperlukan, dalam, kaitannya, dengan, penanaman, modal, perencanaan, fasilitas, dan perencanaan, untuk, kegiatan, litbang. 2. Peramalan jangka menengah. Yaitu antara 3-24 bulan, misalnya peramalan untuk perencanaan penjualan, perencanaan dan anggaran produksi. 3. Peramalan jangka pendek. Yaitu untuk jangka waktu kurang dari 3 bulan, misalnya peramalan dalam hubungannya dengan perencanaan matériel pembélien, penjadwalan kerja, dan penugasan. Peramalan jangka panjang, banyak, menggunakan, pendekatan, kualitatif, sedangkan, peramalan, jangka menengah, dan, pendek, menggunakan, pendekatan, kuantitatif. 1.2 Métro Peramalan Kuantitatif Pada dasarnya, metode kuantitatif yang digunakan dalam prakiraan dapat dikelompokkan dalam dua jenis, yaitu metode serial waktu dan metode kausal. Metode série waktu (deret berkala, série temporelle) adalah metode yang digunakan untuk menganalisis données serangkaian yang merupakan fungsi dari waktu. Metode ini mengasumsikan bahwa beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan pola dasar dapat diidentifikasi sémata-mata atas dasar données historis dari serial itu. Tujuan analisis ini untuk menemukan pola deret variabel yang bersangkutan berdasarkan nilai-nilai variable pada masa sebelumnya, dan mengekstrapolasikan pola itu untuk membuat peramalan nilai variable tersebut pada masa datang. Metode kausal (modèle explicatif causale) mengasumsikan bahwa faktor yang diprakirakan menunjukkan adanya hubungan sebab akibat dengan satu atau beberapa variabel bebas (independen). Misalnya, l'imprimeur permintaan dengan jumlah penjualan komputer, l'atau jumlah pendapatan berhubungan dengan faktor-faktor, seperti jumlah penjualan, harga jual, dan tingkat promosi. Kegunaan metode kausal untuk menemukan bentuk hubungan antara variabel-variabel dan menggunakannya untuk meramalkan nilai dari variable tidak bebas (dependen). 1.2.1 Metode Serial Waktu Analyse série waktu dimulai dengan memplot données pada suatu skala waktu, mempelajari plot tersebut, dan akhirnya mencari suatu bentuk atau pola yang konsisten atas données. Pola dari serangkaian données dalam série waktu dapat dikelompokkan dalam pola dasar sebagai berikut (lihat gambar 4.1). 1. Konstan, les données relatives à la validité des données doivent être transmises au moyen de données rata-rata secara stabil. Polanya berupa garis lurus horizontal. Pola seperti ini terdapat dalam jangka, pending, atau, menengah, jarang, sekali, suatu, variabel, memiliki, pola, konstan, dalam, jangka, panjang. 2. Kecenderungan (tendance), les données apabila dalam jangka panjang mempunyai kecenderungan, baik yang arahnya meningkat dari waktu ke waktu maupun menurun. Pola ini disebabkan antara lain oleh bertambahnya populasi, pérubahan pendapatan, dan pengaruh budaya. 3. Musiman (saisonnier), yaitu apabila polanya merupakan gerakan yang berulang-ulang secara teratour dalam setiap periode tertentu, misalnya tahunan, semesteran, kuartalan, bulanan atau mingguan. Pola ini berhubungan dengan faktor iklimcuaca et atau faktor yang dessins animés, seperti liburan dan hari besar. 4. Siklus (cyclical), yaitu apabila data dipengaruhi oleh fluktuasi ekonomi jangka panjang, seperti daur hidup bisnis. Perbedaan utama antara pola musiman dan siklus adalah pola musiman mempunyai panjang gelombang yang tetap dan terjadi pada jarak waktu yang tetap, sedangkan pola siklus memiliki durasi yang lebih panjang dan bervariasi dari satik siklus ke siklus yang lain. 5. Résultat de l'arrêt de recherche, les données sont susceptibles d'être modifiées sans préavis. Données yang bersifat residu tidak dapat digambarkan. Pengolahan données données périodiques dari waktu dapat dilakukan dengan metode dasar, sebagai berikut: a. Rata-rata bergerak b. Pemulusan eksponensial Metode dasar itu tache dikembangkan lagi menjadi berbagai derivasi turunannya. Dalam buku ini hanya akan dibahas sebagien dari derivasi metode dasar tersebut. 1.2.2 Métro Rata-Rata Bergerak 1. Méthode Rata-Rata Bergerak Sederhana (moyenne mobile simple) Prakiraan didasarkan pada proyeksi données en série yang dimuluskan dengan rata-rata bergerak. Données de données de Satu (N periode terakhir) dicari rata-ratanya, selanjutnya dipakai sebagai prakiraan untuk periode berikutnya. Istilah rata-rata bergerak digunakan karena setiap diperoleh observasi (données aktual) baru maka rata-rata yang baru dapat dihitung dengan mengeluarkanmeninggalkan données période yang terlama dan memasukkan données periode yang terbaruterakhir. Rata-rata yang baru ini kemudien dipakai sebagai prakiraan untuk periode yang akan datang, dan seterusnya. Données en série yang digunakan jumlahnya selalu tetap termasuk données période terakhir. Secara matematika, rumus prakiraan dengan metode rata-rata bergerak sederhana sebagai berikut. Prakiraan permintaan pada periode ke-11 dapat dihitung, sebagai berikut. Untuk N 3 F 11 (40 43 42) 3 41,7 N 5 F 11 (42 41 40 43 42) 5 41,6 Semakin panjangbanyak série waktu yang digunakan, grafik prakiraannya akan semakin halus (pengisolasien faktor aléatoire makin halus) tetapi semakin Kurang responsif terhadap données aktualnya (lilhat gambar 4.2). Serial waktu yang digunakan dipilih secara essai et erreur sampai diperoleh kesalahan prakiraan yang terkecil. Pengukuran ketelitian prakiraan diterangkan pada bagian akhir bab ini. 2. Métro Rata-Rata Bergerak Tertimbang Métro rata-rata bergerak sederhana menggunakan bobot yang sama pada setiap periode. Hal ini menunjukkan bentuk prakiraannya linier. Dalam banyak hal, periode yang diramalkan (periode t 1) banyak memiliki keadaan yang sama dengan période t dibandingkan période yang lain, misalnya t-1 atau t-2. Oleh karena itu, periode terakhir seyogianya, mendapat, bobot, yang, lebih, besar, dibandingkan, dengan, période, sebelumnya (di sini menyiratkan, adanya bentuk prakiraan yang non linier). Métro rata-rata tertimbang dikembangkan untuk dapat memenuhi keinginan itu. Metode rata-rata bergerak tertimbang (moyenne mobile pondérée) juga menggunakan données N periode terakhir sebagai données historis untuk melakukan prakiraan, tetapi setiap periode mendapat bobot yang berbeda. Les mots-clés suivants ont été demandés dans cet article: Rumble metode rata-rata bergerak tertimbang sebagai berikut.
No comments:
Post a Comment