Double Moving Average Adalah

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 peramalan, mungkin beberapa hari kedepan saya Akan banyak memposting tulisan tentang peramalan Semoga tulisan ini bisa 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 metode kuantitatif untuk pola pikir Data masa lalu yang telah penuh secara teratur Analisis runtun waktu merupakan salah satu metode peramalan yang menjelaskannya deretan observasi pada suatu variabel behubungan dari variabel acak berdistribusi bersama Gerakan musiman adalah gerakan arus yang pada tahun-bulan yang s Ama yang selalu menunjukkan pola yang identik contohnya harga saham, inflasi Gerakan acak adalah gerakan naik turun waktu yang tidak dapat terjaga sebelumnya dan seterusnya secara acak contohnya gempa bumi, kematian dan sebagainya. Asumsi yang penting yang harus di dalam memodelkan runtun waktu adalah kontributor kestasioneran Sifat-sifat yang mendasari proses tidak diketahui oleh waktu atau proses dalam keseimbangan. Tidak dapat dimodelkan Namun, deret yang nonstasioner dapat ditransformasikan menjadi deret yang stasioner. Pola Data Runtun Waktu. Salah satu aspek yang paling penting dalam metode penyeleksian Peramalan yang sesuai untuk data runtun waktu adalah untuk unggul perbedaan tipe pola data Ada empat tipe umum horisontal, trend, musiman, dan siklis. Ketika data observasi berubah-ubah di sekitar atau horisontal yang pola horisontal seperti contoh penjualan per bulan Suatu produk tidak m Eningkat atau menurun secara konsisten pada suatu waktu dapat diandalkan untuk pola horisontal Bila data observasi naik atau menurun pada periode periode pola tren pola pola siklus hidup dengan fluktuasi bergelombang data yang terjadi di seputar garis tren Bila diamati oleh faktor musiman disebut pola musiman Yang rawan tiap bulan, ramping tiap bulan, ragam tiap bulan, ragam tiap bulan, ramping tiap bulan triwulan. Single Moving Average. Rata-rata bergerak tunggal Moving average untuk periode t adalah rata-rata untuk n jumlah data terbaru Dengan data baru, maka rata-rata yang baru dapat dihitung dengan data yang terlama dan menambahkan data yang terbaru Moving average his used Untuk memprediksi nilai pada Rikutnya Model ini sangat cocok digunakan pada data yang stasioner atau data yang konstant terhadap variansi tidak dapat bekerja dengan data yang mengandung unsur tren atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan data terakhir Ft, dan penggunaan untuk memprediksi data pada kelas selanjutnya Metode ini sering digunakan pada data kuartalan atau bulanan untuk membantu komponen-komponen suatu runtun waktu Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan smoothing. Dibanding dengan rata-rata sederhana dari satu data masa lalu rata-rata bergerak berorde T Memiliki karakteristik sebagai berikut. Hanya terkait T periode tarakhir dari data yang diketahui. Jumlah titik data dalam setiap rata-rata tidak berubah dengan berjalannya waktu. Kelemahan dari metode ini. Metode ini membutuhkan penyimpanan yang lebih banyak karena semua T hati terakhir harus disimpan, Tidak hanya rata-rata. Metode ini tidak dapat menanggu Langi dengan baik adanya tren atau musiman, metode ini lebih baik daripada rata-rata total. Diberikan N titik data dan diputuskan untuk menggunakan Tayang pada setiap rata-rata yang disebut dengan rata-rata bergerak orde T atau MA T, jadi keadaannya adalah Sebagai berikut. Studi Kasus Suatu perusahaan pakaian sepakbola periode januari 2013 sampai dengan April 2014 menghasilkan data penjualan sebagai berikut. Manajemen ingin meramalkan hasil penjualan menggunakan metode peramalan yang cocok dengan data tersebut dengan metode MA tunggal orde 3, 5, 7 dengan aplikasi Minitab dan MA Ganda ordo 3x5 dengan aplikasi Excel, metode yang paling tepat untuk data di atas dan kumpulan alasannya. Baiklah sekarang kita mulai, kita mulai dari Single Moving Average Seperti langkah-langkah melakukan forcasting terhadap data penjualan pakaian sepak bola adalah. Membuka aplikasi Minitab dengan melakukan Klik dua kali pada icon desktop. Setelah aplikasi Minitab terbuka dan siap digu Nakan, buat nama variabel Bulan dan data kemudian masukkan data sesuai studi kasus. Sebelum start untuk melakukan forecast, terlebih dahulu yang harus dilakukan adalah melihat bentuk sebaran data runtun waktunya, klik menu Graph Time Series Plot Simple, masukkan variabel Data ke kotak Series, sehingga Hasil keluaran seperti gambar. Selanjutnya untuk melakukan prakiraan dengan metode Moving Average single orde 3, klik menu Stat Time Series Moving Average sehingga muncul tampilan seperti gambar dibawag, pada kotak Variabel bawaan variabel Data, pada kotak MA panjang masukkan angka 3, selanjutnya tekan centang pada pada Buat perkiraan harga dan isi kotak Jumlah perkiraan dengan 1 Klik tombol Option dan asumsikan judul dengan MA3 dan klik OK Selanjutnya klik tombol Storage dan tergantung pada Moving averages, Cocokkan prakiraan satu periode, Residu, dan Prakiraan, klik OK Kemudian klik Grafik Dan pilih Plot prediksi vs aktual dan OK. Seudah muncul keluaran seperti gambar dibawah i Ni. Pada gambar diatas, terlihat dengan jelas hasil dari ramalan data tersebut, pada periode ke-17 ramalannya adalah 24, denngan MAPE, MAD, dan MSD seperti pada gambar diatas. Cara peramalan dengan metode Double Moving Average dapat dilihat DISINI ganti saja langsung. Angka-angkanya dengan data sobat, hehhe maaf yaa saya tidak jelaskan, lagi laperr soalnya D. demikian postingannya, semoga bermanfaat. Terimakasih atas kunjungannya. Peramalan Sederhana Single Moving Average vs Single Exponential Smoothing. Mungkin sebagian besar antara kita pernah mendengar tentang teknik peramalan Tentunya Bukan dukun peramal, pelantikan tekni untuk meramalkan meramalkan meramalkan meramalkan data deret waktu waktu series. Peramalan merupakan suatu teknik yang penting bagi perusahaan atau pemerintah dalam mengambil keputusan Dalam meramal suatu nilai pada masa yang akan datang bukan berarti hasil yang menghasilkan sama persis, Pendekatan alternatif yang lumrah dalam ilmu statistik. Pada tulisa N ini akan membahas contoh kasus peramalan menggunakan teknik Moving Average dan Exponential Smoothing Kedua teknik ini merupakan ramalan tekni yang sangat sederhana karena tidak terkait dengan yang serupa dengan teknologi ARIMA, ARCH GARCH, ECM, VECM, VAR, dsb. Stasionerivers terpenuhi untuk meramal. Moving rata-rata adalah teknik peramalan berdasarkan rata-rata bergerak dari nilai-masa lalu, misalkan rata-rata bergerak 3 tahunan, 4 bulanan, 5 minggu, dll Akankah teknik ini tidak disarankan untuk data time series yang menunjukkan Adanya pengaruh trend dan musiman Moving average terbagi menjadi single moving average dan double moving average. Eksekusi smoothing sama dengan moving average yaitu teknik peramalan yang sederhana, tapi telah menggunakan suatu penimbang dengan besaran antara 0 sampai 1 jika nilai wakan 1 maka hasil Peramalan Nilai tukar rupiah, maka hasil peramalan ke arah ramalan sebelumnya Eksponensial smoothing terbagi menjadi single exponential smoothing dan double exponential smoothing. Kali ini, akan membahas metode perbandingan single moving average dengan single exponential smoothing. Pemimpin Safira Beach Resto ingin mengetahui omzet restoran pada Januari 2013 Ia meminta sang manajer untuk mengestimasi hal tersebut dengan data omzet dari bulan Juni 2011 sampai Desember 2012 Berbekal pengetahuan di bidang statistik, sang manajer melakukan forcast dengan metode single moving average 3 bulanan dan single eksponensial smoothing w 0,4.Single Moving Average. pada tabel di atas ramalan bulan September 2011 yaitu 128,667 juta rupiah dari penjumlahan omzet bulan Juni, Juli, Agustus 2011 dibagi dengan angka moving average m 3 Angka ramalan di bulan Oktober 2011 yaitu 127 juta rupiah dari penjumlah omzet bulan Juli, Agustus , September 2011 dibagi dengan Angka bergerak rata-rata tiga bulanan m 3 Perhitungan serupa dilakukan hingga ditemukan hasil ramalan bulan Januari 2013 sebesar 150,667 juta rupiah Bisa diinterpretasikan pada omzet bulan Januari 2013 dikurangi Rp 1.333 juta dibandingkan dengan omzet Desember 2012 sebesar 152 juta Rupiah bulan terbit bulan Juni-Agustus 2011 kolom Forecast hingga error tidak memiliki nilai, karena peramalan pada bulan-bulan ini tidak tersedia data moving average 3 bulanan, bulan sebelumnya. Selanjutnya untuk melihat kebaikan hasil ramalan digunaka RMSE root mean square error. Untuk perhitungan RMSE, mula-mula yang dicari dari kesalahan atau selisih antara ramalan aktual dan ramalan omzet, maka kuadrat nilai untuk masing-masing data bulanan Lalu, jumlahkan semua kesalahan yang telah dikuadratkan Terakhir hitung nilai RMSE dengan rumus di atas atau lebih gambangnya , Untuk penjumlahan kesalahan yang telah Dikuadratkan dengan banyaknya observasi dan hasilnya lalu di akarkan Pada tabel di atas, banyaknya observasi yaitu 16 mulai dari September 2011-Desember 2012.Single Exponential Smoothing. Selanjutnya kita akan melakukan peramalan dengan metode Single Exponential Smoothing Metode ini menggunak penimbang yang dapat diperoleh dari operasi Statistik tertentu bisa sesuai, bisa juga ditentukan oleh para peneliti Kali ini akan digunakan untuk w 4.Forecast W 0,4 Ycap t 1 juta rp. Nilai ramalan pada bulan Juni 2011 yaitu 137.368 juta rupiah dari rata-rata omzet dari bulan Juni 2011 sampai bulan Desember 2012 Nilai ramalan pada bulan Juli 2011 yaitu 134,821 juta rupiah dari perhitungan dengan rumus di atas, dengan kata lain nilai ramalan bulan Juli 2011 hasil dari hasil kali w 0,4 dan nilai aktual omzet bulan Juli 2011 dijumlahkan dengan hasil kali 1-0,4 dan nila ramalan bulan Juni 2011 sebesar 134,821 juta rupiah Lakukan perhitungan ini sampai saya Ndapatkan angka ramalan untuk bulan Januari 2013.Hasil ramalan omzet untuk bulan Januari 2013 yaitu 149.224 juta rupiah atau turun 2,776 juta rupiah Kemudian hitung nilai RMSE dengan rumus seperti pada perhitungan RMSE moving average hanya saja jumlah observasi berbeda Pada tabel di atas jumlah obervasi m ie 19 lebih banyak dibandingkan dengan metode simple moving average 3 bulanan 16 karena pada metode eksponensial perhitungan ramalan dapat mulai dari data pada periode awal RMSE metode single eksponensial smoothing sebesar 1.073.Selanjutnya dari metode pertama di atas akan membandingkan mana hasil yang terbaik Untuk hal tersebut maka, Bandingkan nilai RMSE dari metode yang dulu Metode dengan RMSE dapat dapat diandalkan sebagai metode terbaik untuk meramal. RMSE 0,946, RMSE 1,073 RMSE RMSE Kesimpulanya dengan metode moving average lebih baik dalam melakukan peramalan, jadi omzet pada bulan Januari 2013 diperkirakan sebesar 150,667 juta rupiah dengan nilai Yang lebih r Akhiri bulan sebelumnya Untuk materi yang lebih jelas, silakan dicari di buku-buku referensi Analisis Time Series, misalnya Enders, Walter 2004 Applied Econometric Time Series Edisi Kedua New Jersey Willey Kalo contoh soal dalam tulisan ini, saya kutipan dari buku modul kuliah. metode metode peramalan dan aplikasi. Metode Expnontial Smoothing. Metode eksponensial smoothing merupakan metode peramalan yang cukup baik untuk peramalan jangka panjang dan siang, pada perkembangan dasar matematis dari metode smoothing forcasting oleh Makridakis, hal 79-115 dapat dilihat secara konsep eksponensial yang telah Berkembang dan menjadi metode praktis dengan penggunaan yang cukup luas, di dalam peramalan untuk persedian. Kelebihan utama dari metode eksponensial smoothing adalah dilihat dari kemudahan dalam operasi yang relatif rendah, ada sedikit keraguan apakah ketepatan yang lebih baik selalu dapat dicapai dengan menggunakan QS Quantitatif sistem ataukah Metode dekon Posisi yang secara intuitif menarik, namun dalam hal ini jika diperlukan peramalan untuk ratusan item. Menurut Makridakis, Wheelwright Mcgee dalam bukunya forcasting hal 104 Menyatakan data luasan yang dianalisa perangko, maka penggunaan metode rata-rata moving average atau single eksponensial smoothing cukup Pasti akan semakin banyak model datanya yang menunjukkan model trend linier maka model yang baik untuk digunakan adalah model eksponensial smoothing linier dari coklat atau model eksponensial smoothing linier dari holt. Permasalahan umum yang menggunakan model pemulusan eksponensial adalah pilihan konstanta pemikir yang tepat tepat untuk panduan memperkirkan nilai A ie antara lain. Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, kita memilih satu di dekat di 0 0 namun tidak dapat mencoba yang lain yang mendekat 1 seperti 0,8 0, 99 tergantung sejauh mana gejol Ak dari data itu. Apabila pola historis dari data akual permintaan tidak berfluktuasi atau relati stabil dari waktu ke waktu maka kita memilih yang sedang nol, katakanlah a 0 2 0 05 0 01 tergantung sejauh mana kestabilan data itu, semakin stabil nilai a yang Dipilih juga harus cepat kecil menuju ke nol. b 2 Metode Single Exponential Smoothing. Metode ini juga digunakan untuk meramalkan suatu periode ke depan Untuk melihat metode perhitungan ini dengan metode single moving average maka lihat persamaan matematis yang digunakan pada peramalan moving average tunggal. Untuk periode t, persamaan adalah. Sedangkan persamaan matematis untuk single moving exponential smoothing sebagai berikut. Demikian seterusnya untuk. Jadi terlihat dari metode single moving average adalah jumlah data semua yang dituju pada baru Harga ditetapkan oleh 0 X 1 dan harga yang terpilih yang memberikan simpangan Dari perhitungan yang ada, seperti pada metode single moving aver Peramalan dengan eksponensial smoothing juga bisa digunakan untuk meramalkan beberapa periode kedepan untuk pola data dengan kecenderungan linier, teknik yang digunakan dikenal dengan nama Brown Parameter Exponential Smoothing langkah-langkah perhitungan untuk peramalan dengan metode ini. Nilai peramalan dengan rata - rata bergerak tunggal. Rata rata bergerak kedua. Hasil peramalan dengan double moving average pada periode kedepan. Periode kedepan yang diramalkan. b 3 Metode Double Exponential Smoothing. Metode ini dikembangkan oleh Brown s untuk mengatasi adanya perbedaan yang muncul antara data aktual dan nilai peramalan ada kecenderungan pada plot datanya Untuk itu Brown sfaatkan peramalan hasil single Eksponensial Smooth dan Double Eksponensial smoothing Perbedaan antara kedua ditambahkan pada harga dari SES dengan harga peramalan telah disesuaikan terhadap tren pada plot datanya. b 3 1 Metode Double Expnontial Smoothing Satu Parameter Brown. Dasar pemikiran dari pemulusan eksponensial linier dari Brown adalah sama dengan rata-rata bergerak linier, Karena kedua hal pemulusan tunggal dan ganda ketinggalan dari data yang sebenarnya bilamana ada unsur tren perbedaan antara pematangan tunggal dan ganda dapat ditambahkan kepada pematangan dan disesuaikan untuk tren Persamaan yang dipakai dalam implementasi pemulusan linier satu parameter Brown ditunjukan dibawah ini. at S t S t S t t S t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t r t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t t Ramalan m periode ke muka. Agar dapat menggunakan persamaan diatas, nilai S t-1 dan S t-1 harus tersedia pada saat t 1, nilai-nilai ini tidak tersedia, nilai-nilai ini harus ditentukan pada awal periode Hal ini dapat Dilakukan dengan hanya ukuran S t dan S t sama dengan X t atau dengan menggunakan suatu nilai rata-rata dari beberapa hal pertama sebagai titik awal. Jenis masalah inisialisasi ini muncul dalam setiap metode pemulusan smoothing eksponensial Jika parameter pemulusan tidak tidak nol, pengaruh dari Proses inisialisasi ini dengan cepat menjadi kurang berarti dengan berlalunya waktu biasa, jika sebuah proses nol, proses inisialisasi hal tersebut dapat memainkan peran yang nyata selama periode waktu ke permukaan yang panjang. b 3 2 Metode Double Exponential Smothing Dua Parameter Holt. Metode pemulusan eksponensial linier dari Holt dalam prinsipnya mirip dengan Brown kecuali itu Holt tidak menggunakan rumus pemulusan berganda secara langsung Lt memuluskan tren 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 tm S tbtm 2 24.Dimana data pemulusan pada periode T. Tren pemulusan pada periode t. Peramalan pada periode t. Persamaan diatas 1 menyesuaikan S t secara langsung untuk tren periode sebelumnya yaitu b t-1 dengan penambahan pemayoran yang terakhir, yaitu S t-1 hal ini membantu untuk menghilangkan kelambatan dan penempatan S t ke dasar data Ini. Kemudian persamaan meremajakan tren 2, yang ditunjukan sebagai perbedaan antara dua hal yang terakhir ini tepat karena jika ada kecenderungan dalam data, yang baru akan lebih tinggi atau lebih rendah dari pada yang sebelumnya Karena mungkin masih ada sedikit kerandoman maka Hal ini dihilangkan oleh pemulusan g gamma tren pada periode akhir S t S t-1, dan tambahnya dengan taksiran tren sebelumnya dikalikan 1- g Jadi rumus diatas dipakai untuk meremajakan tren. Akhirnya persamaan 3 digunakan untuk peramalan ke muka Trend bt, dikalikan dengan jumlah Periode kedepan yang diramalkan, m dan ditambahkan pada dasar S tb 4 Metode Triple Exponential Smoothing. Metode ini dapat digunakan untuk data yang mengandung atau mengandung musiman Metode ini adalah metode yang digunakan dalam pemulusan trend dan musiman Metode ini berlaku untuk metode stasioner, trend, dan musiman Hal ini mirip dengan metode tambahan. Untuk mengatasi musiman Persamaan dasar untuk metode musim dingin adalah sebagai berikut. L Panjang musiman. B komponen tren. I faktor penyesuaian musiman. Ramalan untuk n periode eke depan.2 1 1 Aspek Umum dari Metode Pemulusan. Kelebihan utama dari penggunaan metode pemulusan Smoothing 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 led yang lebih canggih Namun demikian, jika diperlukan ramalan untuk barang, seperti dalam banyak kasus sistem persedian inventori, maka metode pemulusan adalah satu metode yang bisa dipakai. Dalam hal keperluan peramalan yang besar, maka suatu yang kecil dan mantap Itu lebih berarti contohnya, empati ganti dari tiga hal untuk setiap item bisa menjadi sangat tepat untuk selamanya item bulan Disamping itu, waktu komputer yang diperlukan untuk melakukan perhitungan yang penting harus tersedia pada tingkat yang layak, dan alasan ini, metode pemulusan Eksponensial lebih disukai dari pada metode rata - rata berger Ak dan metode dengan jumlah parameter yang sedikit lebih disukai dari yang lebih banyak. Metode last Square. Pengertian Analisis trend suatu metode analisis yang ditujukan untuk melakukan suatu prestasi atau peramalan pada masa yang akan datang Untuk melakukan peramalan dengan baik maka dibutuhkan berbagai informasi Data yang cukup banyak, sebab dari hasil analisis ini dapat diketahui sampai jumlah besar fluktuasi yang terjadi dan faktor-faktor apa saja yang mempengaruhi perubahan itu. Secara teoritis, dalam analisis time series yang paling menentukan adalah kualitas Atau keakuratan dari data atau data-data yang dihasilkan sekaligus data data-data tersebut ..Jika data yang dikalikan ini semakin banyak maka semakin baik pula perkiraan atau peramalan yang dihasilkan sebaliknya, jika data yang cepat lebih sedikit maka hasil pertimbangan atau peramalanny Metode yang Lebih Baik Metode Metode Rata-rata Metode Rata-rata Metode Rata-rata Bergerak Metode Rata-rata Metode Kuantitatif Terkecil Metode Metoda Ini akan lebih dikhususkan untuk membahas analisis time series dengan metode kuadrat yang dibagi dalam dua kasus, yaitu kasus data genap dan kasus data ganjil Secara umum persamaan garis linier dari analisis time series adalah Y ab X Keterangan Y adalah variabel yang dicari trendnya dan X adalah Variabel waktu tahun untuk mencari konstanta a dan parameter b adalah YN dan b XY X2.Contoh Kasus Data Ganjil Tabel Volume Penjualan Barang X dalam 000 unit Tahun 1995 sampai dengan 2003.Untuk mencari 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 di Ramalkan penjualan pada tahun 2010 adalah Y 273,33 12,92 untuk tahun 2010 untuk X adalah 11, jadi Y 273,33 142,12 415,45 barang penjualan barang X pada tahun 2010 diperkirakan sebesar 415 450 unit Contoh Kasus Data Genap Tabel Volume Penjualan Barang X dalam 000 unit Tahun 1995 sampai dengan 2002.Untuk mencari 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 dengan persamaan Untuk meramalkan penjualan pada tahun 2008 adalah Y 268,75 7,26 untuk tahun 2008 nilai X adalah 19, jadi Y 268,75 137,94 406,69 barang penjualan barang X pada tahun 2008 diperkirakan sebesar 406,69 atau 406 690 unit Elain dengan menggunakan metode di atas, juga bisa dipakai dengan metode sebagai berikut Tabel Volume Penjualan Barang X dalam 000 unit Tahun 1995 sampai dengan 2002.Untuk mencari 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 untuk tahun 2008 nilai X adalah 9, jadi Y 268,75 137,94 406,69 barang penjualan barang X pada tahun 2008 diperkirakan sebesar 406 690 unit. To Arin, Untuk Y dan X itu adalah data mentah, misalnya mencari trend 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 di dalam analisis trend. Kalau dicermati Rumus tren sama dengan rumus regresi sederhana untuk mencari nilai a dan b karena jumlah di tren sama dengan nol maka jika rumus dalam rumus regresi maka jadilah tren rumusnya, untuk mencari nilai a dan b pada trend bisa menggunakan rumus regresi, tapi lihat tren rumus Tidak dapat diaplikasikan dalam regresi, karena dalam regresi jumlah X tidak sama dengan nol. saya lg skripsi mas, cuma blom ngerti menjelaskan hal x itu secara lengkap, cuma itung2annya saya ngerti, na H dosen saya minta jelaskan x itu dengan sedetail2nya dosennya nyuruh saya tiap x harus jelas dari mana asalnya. gimana ya mas slamet menjelaskan x berasal darimana, malah dosen saya nyuruh tiap bulan x nya harus dijelasin. To Iqbalbo, karena jumlah data X-nya Genap maka 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 -5 dst Kalau bulan Agustus harga 3 dan September harga 5 dst Jadi untuk nilai X disamping totalnya 0 juga harus konsisten loncat 2.mas slamet itu cara mencari x variable waktu gimana jujur ​​saya masih bingung kok tau2 dapet nilai -4, -3 mohon penjelasannya Mas terimaksih. To Iqbaldo, untuk mencari nilai X pada analisis trend kata kuncinya adalah jika nilai x dijumlahkan maka hasilnya 0 Untuk data jumlah tahun ganjil maka tahun yang ditengah nilai 0, tahun sebelumnya -1 trus -2 dst, Sedang tahun ini 1 trus 2 dst kalo data jumlah tahun genap lihat contoh diatas. Buku Statistika Deskriptif email. Post navigation. Komisi Gratis.