Contoh Soal Metode Double Moving Average

Média de Movimento Único (Metode Rata-rata Bergerak Tunggal) Média de Movimento Único (Metode Rata-rata Bergerak Tunggal) Média de Movimento Único (Metode Rata-rata Bergerak Tunggal) Metodo de média móvel única de merupakan metode yang mudah penghitungannya. Tujuan utama dari penggunaan metode ini adalah untuk menghilangkan atau mengurangi acakan (aleatoriedade) dalam deret waktu. Metode única móvel média mula-mula memisahkan unsur tren siklus dados dados dengan menghitung rata-rata bergerak yang jumlah unsurnya sama dengan panjang musiman. Nilai rata-rata baru dapat dihitung dengan membuang nilai observasi yang paling lama dan memasukkan nilai observasi baru. Rata-rata berggerak inilah yang kemudian dijadikan ramalan untuk periode yang akan datang. Adapun pendekatan yang dapat digunakan adalah: Dimana: Ft1 Peramalan pada periode t1 X1 nilai aktual t jumlah observasi rata-rata bergerak Contoh: Selaku manajer garmen, Anda ingin melakukan peramalan tingkat permintaan jaket Anda pada 2013 2013. Adaptar dados massa lampau untuk tingkat permintaan jaket Adalah (dalam ribuan pcs): Tahun (1) 2001 386 pcs Tahun (2) 2002 340 pcs Tahun (3) 2003 390 pcs Tahun (4) 2004 368 pcs Tahun (5) 2005 425 pcs Tahun (6) 2006 440 pcs Tahun (7) 2007 410 pcs Tahun (8) 2008 466 pcs Tahun (9) 2009 330 pcs Tahun (10) 2010 350 pcs Tahun (11) 2011 375 pcs Tahun (12) 2012 380 peças Jika menggunakan rata-rata bergerak tiga bulanan maka Cara penghitungan untuk periode 13 (tahun 2013) adalah Jika ingin melakukan peramalan pada periode 14 (ano 2014 maka dados yang digunakan untuk melakukan rata-rata bergerak di periode kedua sampai keempat, yaitu: dan demikian seterusnya jika melakukan peramalan permintaan untuk periode berikutnya. Apabila Menggunakan Rata-rata bergerak lima bulanian maka cara penghitungan untuk periode 13 dan 14 (2013, 2014) adalah dengan cara merata-rata lima dados, yaitu: dan demikian seterusnya jika melakukan peramalan permintaan untuk periode berikutnya. C. Suavização exponencial simples (Pemulusan Eksponensial Tunggal) Metodo ini menunjukkan adanya karakteristik dari pemulusan dados dengan menambahkan suatu faktor yang sering disebut dengan konstanta pemulusan (constante de suavização) dengan simbol alpha (). Pemulusan eksponensial salam bentuk sederhana tidak memperhitungkan pengaruh tren sehingga nilai sangat kecil dan dapat dihilangkan. Nilai rendah cocok pada permintaan produk yang stabil (tanpa tren atau variasi siklikal). Sedangkan nilai tinggi untuk perubahan-perubahan yang sesungguhnya cenderung terjadi karena lebih tanggap terhadap permintaan yang fluktuatif. Nilai tinggi ini digunakan pada analisis dados pada pengenalan produk baru, kampanye promosi, antisipasi terhadap resesi, dan juga sesuai bagi industri pakaian jadi yang memerlukan tanggapan yang cepat. Metode único alisamento exponencial ini dapat didekati dengan rumus: dimana: Xt nilai aktual terbaru Ft peramalan terakhir Ft1 peramalan untuk periode yang akan datang konstanta pemulusan Contoh. Selaku manajer garmen, Anda ingin melakukan peramalan tingkat permintaan jaket Anda pada bulan Januari dan Februari 2013. Adaptar dados massa lampau untuk tingkat permintaan jaket adalah (dalam ribuan pcs): Bulan (1) 386 pcs Bulan (7) 410 pcs Bulan (2) 340 pcs Bulan (8) 466 pcs Bulan (3) 390 pcs Bulan (9) 330 pcs Bulan (4) 368 pcs Bulan (10) 350 pcs Bulan (5) 425 pcs Bulan (11) 375 pcs Bulan (6) 440 pcs Bulan (12) 380 pcs Tabel 8. Rekapitulasi permintaan jaket dan perhitungan dengan metode único suavização exponencial Periode (bulan) Dados permintaan Nilai ramalan dengan konstanta pemulusan 0,2 Januari 2012 386 Februari 340 F13 0,2 (386) (1-0, 2) (386) 386 Maret 390 F14 0,2 (340) (1-0,2) (386) 376,8 Abril 368 F15 0,2 (390) (1-0,2) (376,8) 379 44 Mei 425 F16 0,2 (368) (1-0,2) (379,44) 377,152 Juni 440 F17 386,722 Juli 410 F18 397,377 Agustus 466 F19 3,99,901 Setembro 330 F20 413,121 Oktober 350 F21 396,497 novembro 375 F22 387,197 Desendem 380 F23 384.758 Jadi dari peramalan dengan mengg Unakan metode único alisamento exponencial dapat diketahui bahwa tingkat permintaan jaket pada Januari 2013 adalah sebanyak 386.000 pcs dan pada Fevereiro 2013 sebesar 376.800 pcs. Nov 26, 2009 Exponential Smoothing merupakan prosedur perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru. Ia menitik-beratkan pada penurunan prioritas secara eksponensial pada objek pengamatan yang lebih tua. Dengan kata lain, observasi terbaru akan diberikan prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama. 1. Suavização Exponencial Única Juga dikenal sebagai simplicidade simples suavização yang digunakan pada peramalan jangka pendek, biasanya hanya 1 bulan ke depan. Model mengasumsikan bahwa dados berfluktuasi di sekitar nilai significa yang tetap, tendência de tanpa atau pola pertumbuhan konsisten. Rumus untuk simples alisamento exponencial adalah sebagai berikut: dimana: S t peramalan untuk periode t. X t (1-) Nilai série de tempo aktual F t-1 peramalan pada waktu t-1 (waktu sebelumnya) konstanta perataan antara nol dan 1 2. Double Exponential Smoothing Metode ini digunakan ketika dados menunjukkan adanya tendência. Suavização exponencial dengan adanya tendência seperti pemulusan sederhana kecuali bahwa dua komponen harus diupdate setiap periode 8211 level dan trend nya. Nível adalah estimasi yang dimuluskan dari nilai data pada akhir masing-masing periode. Tendência adalah estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir masing-masing periode. Rumus double suavidade exponencial adalah: 3. Triple Exponential Smoothing Metode ini digunakan ketika dados menunjukan adanya tendência dan perilaku musiman. Untuk menangani musiman, telah dikembangkan parâmetro persamaan ketiga yang disebut metode 8220Holt-Winters8221 sesuai dengan nama penemuya. Terdapat dua modelo Holt-Winters tergantung pada tipe musimannya yaitu Modelo sazonal multiplicativo dan Aditivo modelo sazonal yang akan dibahas pada bagian lain dari blog ini. Kembali kita lihat data Bali visita 2015 yang diambil Dari Disbudpar Provinsi Bali berikut ini: Data série Berbentuk tempo Yang Diambil Sejak Januari 2008 hingga setembro 2015, dados ini terdiri dari 92 pengamatan, untuk datanya dapat diambil disini gtgtgt Untuk bahasan metode pemulusan eksponensial berikut kita akan Gunakan perangkat lunak evies versi 8.1. 1.Tahap dados importantes: buka software eviews kamu, pilih abrir arquivos existentes, 2. Setelah keluar jendela eviews pilih arquivo gt importação gt importação de arquivo, 3. Kemudian ambil data kamu gt aberto, 4. Setelah terbuka tampilannya sebagai berikut: langsung klik Em seguida, final de lalu, 5. Nah sekarang workfile kita telah terbaca oleh eviews, 6. Klik 2x pada variabel visita maka akan ditampylkan datanya pada jendela eviews. 7. Untuk masuk ke pemulusan esponensial pilih di tab proc gt suavização exponencial gt único suavização exponencial, 8. Kemudian setelah muncul jendela suavização exponencial pilih tingkat pemulusannya, misalnya double, visitsm adalah hasil estimasi, parâmetro de alisamento kemudiano biarkan eviews yang menentukan, kemudian ok, 9. Kemudian outputnya akan ditampilkan sebagai berikut. Dari output dapat kita lihat nilai parâmetro Alpha sebesar 0,0240, dimana metode pemulusan eksponensial dinyatakan dengan fórmula: 2 (n1) atau n (2 -) semakin tinggi nilai yang diperoleh, maka nilai peramalan akan semakin mendekati nilai aktual. Dengan demikian nilai peramalan yang diperoleh dengan duplo exponencial alisado adalah sebagai berikut: Berikut ini adalah perbandingan nilai aktual dengan nilai peramalan dengan dupla exponencial suavização. Untuk Hasil estimasi dengan único alisamento exponencial adalah sebagai berikut, ulangi kembali proses dari langkah nomor 8 diatas, um único alisamento exponencial único. Diatas de saída de Dari, único elemento de sujidade exponencial, nilai yang lebih baik yaitu 0,64, artinya pengamatan lebih menitikberatkan pada pengamatan yang lebih baru daripada nilai duplo exponencial liso sebesar 0,024. Semakin besar nilai (mendekati 1) maka nilai peramalan yang diperoleh akan mendekati peramalan metode ingênuo (lihat bahasannya disini gtgtgt), dimana titik berat pengamatan akan mendekati nilai rata-rata dados aktual, pada kasus ekstrim dimana 1, Y T1 TY T. maka nilai Peramalan akan sama dengan peramalan metode ingênuo. Semakin besar nilai, maka akan semakin besar pula penyesuaian yang terjadi terhadap nilai peramalan, sebaliknya semakin kecil nilai, maka akan semakin kecil pula penyesuaian yang terjadi pada nilai peramalan yang akan datang. Nilai peramalan yang diperoleh dari único alisador exponencial adalah sebagai berikut: Berikut ini adalah perbandingan nilai aktual dengan nilai peramalan menggunakan metode único alisamento exponencial. Garis yang berwarna merah adalah dados setelah proses pemulusan tingkat 1, kita dapat melihat tidak banyak penyesuaian yang terjadi terhadap data aktual. Berikut ini adalah grafik perbandingan nilai peramalan dengan metode pemulusan eksponensial terhadap dados aktual, dapat kita lihat bahwa nilai peramalan dengan duplo eksponential smoothing tidak mengikuti pola dari grafik dados aktual dan único exponencial smoothing yang lebih dekat terhadap nilai rata-rata, perbedaan mendasar ini terjadi ketika Duplo eksponential smoothing telah memasukkan komponen trend dalam estimasinya. Untuk data aktual, nilai single dan double exponencial beserta dan grafiknya dapat kamu unduh disini gtgtgt sumber data. Disbudpar provinsi Bali (diolah por categoria Statistik 4 Life) Publicado por ariyoso Teori amp Konsep Statistik Konsep Variabel Kualitatif dan Kuantitatif Dados de pesquisa Statistik Deskriptif Konsep Parametrik dan Non Parametrik Statistika Inferensia Penyusunan Hipotesis Teknik Pengukuran Statistik Teknik Amostragem Sebaran Probabilitas Diskret Sebaran Normal Sebaran Binomial Sebaran Poisson Transformasi Data Korelasi Bivariat Pemaparan Data Kualitatif dengan Tabulasi Silang novo IBM SPSS Ver.23