Kelebihan Dari 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 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 2013 sampai dengan Abril de 2014 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. Forecasting Metode ponderado Moving Average Metode Smoothing merupakan salah satu jenis teknik yang digunakan dalam analisis série de tempo (runtun waktu) untuk memberikan peramalan jangka pendek. Dalam melakukan suavizando (penghalusan) terhadap data, nilai masa lalu digunakan untuk mendapatkan nilai yang dihaluskan untuk série de tempo. Nilai yang telah dihaluskan ini kemudian diekstrapolasikan untuk meramal nilai masa depan. Tehnik yang kita kenal dalam metode smoothing yaitu Média móvel simples do alisamento exponencial. Pada halaman ini, saya hanya akan membahas tentang Average Moving Simple. Simples dados médios em movimento série temporária seringkali mengandung ketidakteraturan yang akan menyebabkan prediksi yang beragam. Untuk menghilangkan efek yang tidak diinginkan dari ketidak-teraturan ini, metodo simples, móvel, médio, mengambil, beberapa, nilai, yang, sedang, diamati, memberikan, rataan, dan menggunakannya untuk memprediksi nilai untuk periode waktu yang akan datang. Semakin tinggi jumlah pengamatan yang dilakukan, maka pengaruh metode média móvel akan lebih baik. Meningkatkan jumlah observasi akan menghasilkan nilai peramalan yang lebih baik karena ia cenderung meminimalkan efek-efek pergerakan yang tidak biasa yang muncul pada dados. Moving average juga mempunyai dua kelemahan yaitu memerlukan dados masa lalu dalam jumlah besar untuk ketepatan prediksi, dan masing-masing observasi diberikan bobot yang sama, ini melanggar bukti empiris bahwa semakin observa terbaru seharusnya lebih dekat dengan nilai masa depan maka kepentingan bobotnya akan meningkat pula. Aplikasi Metode Moving Average software Dengan IBM SPSS 23 dapat dilihat pada contoh berikut ini: Berikut kita memiliki dados kunjungan ke Bali para Januari 2008 hingga Juni 2015 dalam format excel, dados diambil dari website Dinas Pariwisata Provinsi Bali: 1. Langkah pertama adalah memasukkan dados ke Folha de cálculo do DALAM SPSS 23 sebagai berikut: Data View. (Bagi yang belum jelas tentang cara import data dari excel ke SPSS 23 lihat di step bahasan ini ampgtampgtampgt) 2. Kemudian pada menu SPSS 23 pilih Transformar Criar Série Temporal Seperti Gambar: 3. Setelah itu akan muncul kotak diálogo berikut, pilih Visita dan klik Panah sehingga variabel visita berpindah ke kolom variabel Novo Variabel di sebelah kanan. 4. Setelah itu pilih pada kotak função pilih Cented Moving Average, atau bisa juga Prior Moving Average. 5. Kemudian isikan span dengan 3, dan klik change. Span diisi dengan angka 3 artinya mengalami proses 3 kali suavizando yang biasa kita kenal juga dengan Média móvel ponderada. Adapun proses 1 dan 2 kali suavizando kita sebut Single Moving Average do Double Moving Average. Jangan lupa untuk klik change ágar variabel visit1 berubah menjadi visi3, kemudian ok. 6. Saída yang didapat dari metode Centrada na média móvel Média média ponderada adalah sebagai berikut: Dari output diatas, dapat diketahui bahwa Kunjungan pada bulan-bulan berikutnya dapat kita lihat dari variabel baru yang dihasilkan dari análise de séries de tempo metodo centrado média móvel 8211 média móvel ponderada . Demikian juga jika kita memilih anterior média móvel, keduanya merupakan metode simples média móvel 3, maka hasil peramalannya akan sama. (Yoz) Aplikasi Metode Exponencial Suavização dengan SPSS akan dibahas pada bahasan selanjutnyametode metodo peramalan dan aplikasi Metode Expnontial Smoothing Metode exponencial smoothing merupakan Metode peramalan yang cukup baik untuk peramalan jangka panjang dan jangka menengah, terutama pada tingkat operasional suatu perusahaan, dalam perkembangan dasar matematis dari metodo smoothing (forcasting por Makridakis, hal 79-115) dapat dilihat bahwa konsep exponencial telah berkembang dan menjadi metode praktis dengan penggunaan Yang cukup luas, terutama dalam peramalan bagi persedian. Kelebihan utama dari metodo exponencial suavização adalah dilihat dari kemudahan dalam operasi yang relativo relativo, 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 Item ratusan. Menurut Makridakis, ampère Wheelwright Mcgee dalam bukunya forcasting (hal 104). Menyatakan bahwa apabila dados yang dianalisa bersifat papelaria, maka penggunaan metode rata-rata bergerak (média móvel) atau único exponencial llopping cukup tepat akan tetapi apabila datanya menunjukan suatu tendência linier. Modelo maka yang baik untuk digunakan adalah exponencial smoothing linier dari brown atau modelo exponencial smoothing linier dari holt. Permasalahan umum yang dihadapi apabila menggunakan modelo pemulusan eksponensial adalah memilih konstanta pemulusan yang diperkirakan tepat. Adaptando-se a um anuário: uma história de Apabila pola historis dados de dados aktual permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, kita memilih nilai a mendekati 1.Biasanya di pilih nilai a 0.9 namun pembaca dapat mencoba nilai a yang lain yang mendekati 1 seperti 0,8 0,99 tergantung sejauh mana gejolak dari data itu. Apabila pola historis dados de dados akual permintaan tidak berfluktuasi atau relati stabil dari waktu ke waktu maka kita memilih nilai a yang mendekati nol, katakanlah a 0.2 0.05 0.01 tergantung sejauh mana kestabilan dados itu, semakin stabil nilai a yang dipilih harus semakin kecil menuju ke nilai nol B.2. Metode Single Exponential Smoothing Metode ini juga digunakan untuk meramalkan suatu periode ke depan. Untuk melihat persuaan metode ini dengan metode single moving average. Maka lihat kembali persamaan matematis yang digunakan pada peramalan única média móvel. Peramalan untuk periode t, persa adalah: Sedangkan persamaan matematis untuk single moving exponencial smoothing sebagai berikut: Demikian seterusnya untuk Jadi terlihat bahwa metode único móvel médio merupakan sejumlah dados semua yang ditekankan pada baru. Harga ditetapkan por favor 0 X 1 dan harga yang terpilih yang memberikan simpangan terkecil dari perhitungan yang ada, seperti pada metode única média móvel. Peramalan dengan exponencial smoothing juga dapat digunakan untuk meramalkan beberapa periode kedepan untuk pola dados dengan kecenderungan linier, teknik yang digunakan dikenal dengan nama Brown Parâmetro Exponencial Smoothing langkah-langkah perhitungan untuk mendapatkan peramalan dengan metode ini adalah: nilai peramalan dengan single media móvel. Nilai media média móvel kedua. Hasil peramalan dengan duplo meio móvel pada periode kedepan. Periode kedepan yang diramalkan. B.3. Metode Double Exponential Smoothing Metode ini dikembangkan oleh Browns untuk mengatasi adanya perbedaan yang muncul antara dados aktual dan nilai peramalan apabila ada tendência pada parcela datanya. Untuk itu Browns memanfaatkan nilai peramalan dari hasil single Eksponential Smothing dan Double Suavização exponencial. Perbedaan antara kedua ditambahkan pada harga dari SES dengan demikian harga peramalan telah disesuaikan terhadap tendência pada plot datanya. B.3.1. Metode Double Expnontial Smoothing Satu Parâmetro Brown Dasar pemikiran dari pemulusan eksponensial linier dari Brown adalah serupa dengan rata-rata bergerak linier, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dados dados yang sebenarnya bilamana terdapat unsur tendência. Perbedaan antara nilai pemulusan tunggal dan ganda dapat ditambahkan kepada nilai pemulusan dan disesuaikan untuk tendência. Persamaan Yang dipakai dalam implementasi pemulusan linier satu parâmetro castanho ditunjukan dibawah ini: um t S8217t (S8217t St) 2 S8217t St F t um 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 persaan 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 de beberapa nilai pertama sebagai titik awal. Jenis masalah inisialisasi ini muncul dalam setiap metode pemulusan (suavização) eksponensial. Jika parâmetro pemulusan a 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 Sming Dua Parâmetro Holt Metode pemulusan eksponensial linier dari Holt dalam prinsipnya serupa dengan Brown kecuali bahwa Holt tidak menggunakan rumus pemulusan berganda secara langsung. Sebagai gantinya Holt memuluskan nilai trend dengan parâmetro yang berbeda dari parâmetro 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 m8230823082308230823082308230823082308230823082308230823082308230823082308230823082308230. (2.24) Dimana. Dados pemulusan pada periode t tendência pemulusan pada periode t peramalan pada periode t Diárias persas (1) menyesuaikan S t secara langsung untuk tendência 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 terakhir. Hal ini tepat karena jika terdapat kecenderungan di dalam dados, 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 (gama) tendência pada periode akhir (S t S t-1), dan menambahkannya dengan taksiran tendência sebelumnya dikalikan (1- g). Jadi persamaan diatas dipakai untuk meremajakan tendência. Akhirnya persamaan (3) digunakan untuk peramalan ke muka. Tendência. B t, dikalikan dengan jumlah periode kedepan yang diramalkan, m dan ditambahkan pada nilai dasar S t. B.4. Metode Triple Exponential Smoothing Metode ini dapat digunakan untuk dados yang bersifat atau mengandung musiman. Metode ini adalah metode yang digunakan dalam pemulusan tendência dan musiman. Metode inverno didasarkan atas tiga persamaan pemulusan yaitu satu untuk papelaria, tendência, dan musiman. Hal ini serupa dengan metode holt dengan satu persamaan tambahan untuk mengatasi musiman. Persamaan dasar untuk metode inverno adalah sebagai berikut: L Panjang musiman. B Komponen tendência I Faktor penyesuaian musiman Ramalan untuk n período eke depan. 2.1.1. Aspek Umum de Metode Pemulusan Kelebihan utama dari penggunaan metode pemulusan (Suavização) 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 elemento de distribuição, 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. Sebagai contoh, menyimpan empat nilai sebagai ganti dari tiga nilai untuk setiap item dapat menjadi sangat berarti bagi keseluruhan item sebulan. Desarmando itu, waktu komputer yang diperlukan untuk melakukan perhitungan yang penting harus disediakan pada tingkat yang layak, dan alasan ini, metodo pemulusan eksponensial lebih disukai dari pada metode rata-rata bergerak dan metode dengan jumlah parâmetro yang sedikit lebih disukai dari pada yang lebih banyak. Metode último Square Pengertian. Análise tendência 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 (dados) yang cukup banyak dan diamati dalam periode waktu yang relativo 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 séries temporais yang paling menentukan adalah kualitas atau keakuratan dari informasi atau data-data yang diperoleh serta waktu atau periode dari data-data tersebut dikumpulkan. Jika dados yang dikumpulkan tersebut semakin banyak maka semakin baik pula estimasi atau peramalan yang diperoleh. Sebaliknya, jika dados yang dikumpulkan semakin sedikit maka hasil estimasi atau peramalannya akan semakin jelek. Metode Least Square. Metode yang digunakan untuk analisis série temporal adalah Metode Garis Linier Secara Bebas (Metodo de mão livre), Metode Setengah Rata-Rata (método semi-médio), Metode Rata-Rata Bergerak (método médio móvel) de Metode Kuadrat Terkecil (método mínimo). Dalam hal ini akan lebih dikhususkan untuk membahas analisis séries temporais dengan metode kuadrat terkecil yang dibagi dalam dua kasus, yaitu kasus data genap dan kasus data ganjil. Secara umum persamaan garis linier dari analisis série temporal adalah. Y a b X. Keterangan. Y adalah variabel yang dicari trendnya dan X adalah variabel waktu (tahun). Sedangkan untuk mencari nilai konstanta (a) parâmetro dan (b) adalah. Um Y N dan b XY X2 Contoh Kasus Data Ganjil: Tabel. Volume Penjualan Barang X (unidade de dalam 000) 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 unidade Contoh Kasus Data Genap: Tabel. Volume Penjualan Barang X (unidade de dalam 000) 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 unidade. Elain dengan menggunakan metode tersebut di atas, juga dapat dipakai dengan metode sebagai berikut: Tabel. Volume Penjualan Barang X (dalam 000 unit) Tahun 1995 sampai dengan 2002 Untuk mencari nilai a dan b adalah sebagai berikut: a 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 (a partir de 2008 nilai X adalah 9), sehingga. Y 268,75 137,94 406,69 artinya penjualan barang X pada tahun 2008 diperkirakan sebesar 406.690 unidade. Para Arin, Untuk Y dan X itu adalah dados mentah, misalnya mencari tendência kunjungan maka Y nya adalah periode waktu (misal tiap bulan dalam 1 tahun) dan X nya jumlah pengunjung (misalnya per bulan). Setelah itu baru bisa dimasukkan dalam analisis tendência Kalau dicermati rumus tendência 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 tendência. Artinya, untuk mencari nilai a dan b pada tendência bisa menggunakan rumus regresi, tapi sebaliknya rumus tendência 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 itu 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. Para Iqbalbo, karena jumlah dados 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, abril -5 dst. Kalau bulan Agustus dinilai 3 de setembro dinilai 5 dst. Jadi untuk nilai X desinfecção totalnya 0 juga harus konsisten loncat 2. mas slamet8230 itu cara mencari x (variável waktu) gimana jujur ​​saya masih bingung kok tau2 dapet nilai -4, -3 mohon penjelasannya mas .. terimaksih Para Iqbaldo, untuk mencari nilai X Pada analisis tendência kata kuncinya adalah jika nilai X dijumlahkan maka hasilnya 0. Dados do relatório jumlah tahun ganjil maka tahun yang ditengah nilainya 0, tahun sebelumnya -1 trus -2 dst, sedang tahun sesudahnya 1 trus 2 dst. Kalau dados jumlah tahun genap lihat contoh diatas. Buku Statistika Deskriptif email: ssantoso0219yahoo. co. id Post navigation Komisi Gratis