Suavização exponencial 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 simples Juga dikenal sebagai simples suavização exponencial 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 nível 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 exponencial suavização 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: Dados série berbentuk tempo eang diambil sejak Januari 2008 hingga setembro de 2015, dados ini terdiri dari 92 pengamatan, untuk datanya dapat diambil disini gtgtgt Untuk bahasan metodo pemulusan eksponensial berikut kita akan Gunakan perangkat lunak evies versi 8.1. 1.Tahap impor dados: 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 por eves, 6. Klik 2x pada variabel visita maka akan ditampilkan datanya pada jendela eviews. 7. Untuk masuk ke pemulusan eksponensial 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 alisador exponencial 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 alívio exponencial memberikan 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 T1T Y 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) Metode Suavização exponencial Suavização adalah mengambil rata 8211 rata dari nilai pada beberapa periode untuk menaksir nilai pada suatu periode (Pangestu Subagyo, 1986: 3) Suavização exponencial adalah suatu metode peramalan rata-rata bergerak yang melakukan Pembobotan menurun secara exponencial terhadap nilai 8211 nilai observasi yang lebih tua (Makridakis, 1993: 79) Metode explonential smoothing merupakan pengembangan dari metode média móvel. Dalam metode ini peramalan dilakukan dengan mengulang perhitungan secara terus menerus dengan menggunakan data baru. 1. Metode Single Exponential Smoothing Metode único suavização exponencial merupakan perkembangan dari metodo média móvel sederhana, yang mula 8211 mula dengan rumus sebagai berikut: (1.1) (1.2) dan (1.3) (1.4) Perbedaan antara St1 dan 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 Prevenção de dentistas nilai pada tahun t (yaitu St) maka persamaan diubah menjadi: (1.5) bisa diubah menjadi: (1.6) Di dalam metode Exponential smasting nilai diganti dengan sehingga rumus forecast menjadi: St1 Xt (1 8211) St (1.7) ( Pangestu Subagyo, 1986: 19) Penerapan teknik peramalan ini menghasilkan table di bawah ini Tabela I Nilai St contoh penggunaan metode Saingle Suavização exponencial Não Xt St 1 20 2 21 20 3 19 20,10 4 17 19,19 5 22 19,69 6 24 19,92 Su Mber (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 Single Exponential Smoothing lebih cocok Digunakan untuk meramal hal 8211 hal yang fluktuasinya secara aleatório (tidak teratur). 2. Metode Doble Exponential Smoothing Metode ini merupakan modelo linear yang dikemukakan oleh Brown. Didalam merode Doble Exponencial Suavização dilakukan proses Suavização dua kali, sebagai berikut: St Xt (1 8211) St-1 (1.8) St S8217t (1 8211) (1.9) Rumusan ini agak berbeda dengan rumus Único Suporte Suplementar karena Xt dapat dipakai untuk mencari St Bukan St1 Forecast dilakukan dengan rumus: Stm at btm (1.10) m jangka waktu previsão kedepan (1.11) (1.12) Metode duplo exponencial alisamento ini biasanya lebih tepat untuk meramalkan dados yang mengalami tendência naik. Agar dapat menggunakan rumus (1.8) dan (1.9) maka nilai St-1 dan St-1 harus tersedia tetapi pada saat t 1, nilai 8211 nilai tersebut tidak dapat tersedia. Jadi nilai 8211 nilai ini harus ditentukan pada awal periode. Hal ini dilakukan dengan hanya menetapkan St dan St sama dengan Xt atau dengan menggunakan suatu nilai pertama sebagai nilai awal. Contoh penggunaan Metodo duplo esmagamento exponencial untuk penjualan barang X. Tabela 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 cukup data St dianggap sebesar 120 dan selanjutnya dengan rumus (1.8) secara berangkai didapatkan kemudian mencari nilai dengan rumus (1.9) yaitu dengan 0,2. 120 dan harga-harga secara berangkai didapatkan: Harga-harga a dan b diperoleh dengan menggunakan rumus (1.11) dan (1.12). Dari secara berangkai didapat harga: dari secara berangkai didapat harga-harga Harga ramalan tahun ke-6 diperoleh dengan rumus (1.10) yaitu Stm em 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 Exponential Smoothing Metode ini merupakan metode previsão yang dikemukakan oleh Brown, dengan menggunakan persamaan kwadrat. Metode ini lebih cocok kalau dipakai untuk membuat previsão yang berfluktuasi atau mengalami gelombang pasang surut. (Pangestu Subagyo, 1986: 26). Previsão de pembuatan de Prosedur dengan metode ini sebagai berikut: Carilah nilai dengan rumus sebagai berikut: (1.13) Untuk tahun pertama nilai belum bisa dicari dengan rumus di atas, maka boleh ditentukan dengan bebas. Biasanya ditentukan sama seperti nilai yang telah terjadi pada tahun pertama. Carilah nilai dengan rumus: (1.14) Pada tahun pertama biasanya nilai ditentukan seperti nilai yang terjadi pada tahun pertama: Carilah nilai (1.15) Untuk 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. Em, bt, ct adalah nilai yang telah dihitung sesuai dengan rumus di depan. Contoh penggunaan metode Triple Exponential Suavização untuk peramalan penjualan kita gunakan dados tabel 2. Akan tetapi ramalan tahun ke-6 menggunakan rumus (1.19) dengan 0,2. Dari contoh di atas kita sudah mendapatkan nilai dan maka kita harus mencari nilai. Em, bt, ct dengan. 120 dengan rumus (1.16) diperoleh harga-harga Dengan mengggunakan rumus (1.16) (1.17) (1.18) harga at, bt, ct bisa didapat Harga ramalan tahun ke-6 diperoleh dengan menggunakan rumus (1.19) Tag: suavização exponencial peramalana Suavização exponencial 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 simples Juga dikenal sebagai simples suavização exponencial 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 Suavização exponencial simples adalah sebagai berikut: St peramalan untuk periode t. Xt (1-) Nilai série de tempo aktual Ft-1 peramalan pada waktu t-1 (waktu sebelumnya) konstanta perataan antara nol dan 1 2. Double Exponential Smoothing Metode ini digunakan ketika data menunjukkan adanya tendência. Suavização exponencial dengan adanya tendência seperti pemulusan sederhana kecuali bahwa dua komponen harus diupdate setiap periode level dan trendnya. 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 exponencial suavização 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 Holt-Winters 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. Kita kembali lagi ke data visita Bali yang dirilis por Disparda Bali, yang belum punya bisa download datanya disini. Dados terdiri atas 92 pengamatan. 1. analise de tahap análise de menubar gt criar modelo tradicional, 2. modelo de série de tempo de Setelah muncul jendela, variável de masukkan 8220visit8221 variáveis dependentes de ke kotak, alisamento exponencial de método pilih, critérios de lalu klik, 3. critérios de Dalam jendela 8211 variáveis, kita akan menentukan Modelo yang akan kita bangun, dalam contoh kali ini kita memilih simples (1,1,1) simples artinya tidak memasukkan komponen tendência dan musiman, sama dengan zero ordem autoregression pada ARIMA, dan diferensiasi tingkat pertama, dan juga média móvel tingkat pertama (1 , 1,1). Holt8217s tendência linear cocok untuk dados dengan komponen tendência linier tanpa komponen musiman. Modelo Holt8217s dapat dikatakan sama dengan Autoregression de ordem zero, dengan diferensiasi tingkat kedua da média móvel tingkat kedua (1,2,2). Browns Tendência linear tendasukkan komponen tendência linier dan musiman, sama halnya dengan metode Holt8217s, dengan perbedaan pada zero order autoregression, diferensiasi tingkat dua, dan média móvel tingkat kedua (1,2,2), dengan koefisien média móvel tingkat kedua sama dengan kuadrat dari Satu setengah kali koefisien em média móvel tingkat pertama. Tendência amortecida adalah untuk dados tendência dinamarquês tetapi tidak mengandung komponen musiman, parâmetro pemulusannya adalah nível, tendência, dan amortecedor tendência. Ia sama dengan zero order autocorrelation, dengan diferensiasi tingkat pertama, e a média móvel tingkat kedua (1,1,2). 4. Estatística de Kemudian pilih, seperti di bawah ini, 5. Lalu setting plot, 6. kemudian menubar save gt ok gt ok, 7. Outputnya ditampilkan sebagai berikut: Estacionário R-quadrado dan R-squared menunjukkan nilai positif masing-masing 0,106 dan 0,834, ini menunjukkan bahwa belum dapat dijelaskan apakah modelo yang digunakan dalam prediksi lebih baik daripada modelo dasar. RMSE dan MAE menunjukkan kualitas kecocokan antara modelo yang dibangun dengan dados aktual, nilai ini menunjukkan selisih atau residual dari modelo dasar dengan modelo yang diprediksi, semakin kecil selisihnya maka modelo akan semakin baik. Dengan kata lain RMSE e MAE merupakan standar deviasi dados dari. Normalize BIC (critério de informação bayesiana) dapat bernilai negatif dan positif, semakin kecil nilainya, modelo maka akan semakin baik, tergantung dari struktur datanya. 8. Plot untuk hasil previsão ditampilkan sebagai berikut, dados: dados untuk hasil previsão dengan dados aktual dapat kamu unduh formato dalam excel disini untuk dados saída formato dengan spss dapat kamu unduh disini beli buku referensi dan passo a passo bekerja dengan dados série temporal jika anda Software de menggunakan eviews sudah dilengkapi dengan contoh kasus dan penyelesaiannya: Ekonometrika Pengantar dan Aplikasinya Disertai Panduan Eviews, por exemplo Agus Widarjono Ph. D lihat buku gtgtgt Analisis Ekonometrikan dan Statistika Dengan Aplikasi Eves, por exemplo Wing Wahyu Winarno, lihat buku gtgtgt Visitante S4L
Комментариев нет:
Отправить комментарий