Skripsi média móvel

Previsão Metodo Ponderada Metodologia Mover-se Metodo Suavização merupakan salah satu jenis teknik yang digunakan dalam analisis série de tempo (runtun waktu) untuk memberikan peramalan jangka pendek. Dalam melakukan suavização (penghalusan) terhadap dados, 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, média móvel simples. Simple Moving Average Data séries temporais 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 data 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 impor dados dari excel ke SPSS 23 lihat di step bahasan ini ampgtampgtampgt) 2. Kemudian pada menu SPSS 23 pilih Transformação Criar Time Series Seperti Gambar: 3. Setelah itu akan muncul kotak diálogo berikut, pilih Visite dan klik Panah sehingga variabel visita berpindah ke kolom variabel Novo Variabel di sebelah kanan. 4. Setelah itu pilih pada kotak function 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 agar variabel visit1 berubah menjadi visi3, kemudian ok. 6. Saída yang didapat dari metode Média móvel centrada Média móvel ponderada adalah sebagai berikut: Dari saída 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 média móvel anterior, keduanya merupakan metode simples média móvel 3, maka hasil peramalannya akan sama. (Yoz) Aplikasi Metode Exponential Suavização dengan SPSS akan dibahas pada bahasan selanjutnyaSuatu analisis ekonomi dan kegiatan usaha perusahaan yang menitikberatkan pada mengkaji situasi Dan kondisi yang berlaku sekarang maupun yang telah lalu, dan melihat pengaruhnya pada situaçao de kondisi di masa yang akan mendatang, membutuhkan suatu teknis dan metode analisis peramalan. Peramalan / previsão ialah kegiatan untuk memperkirakan apa yang akan terjadi di masa akan datang. Peramalan menjadi penting sebab situasi dan kondisi yang berkaitan dengan ekonomi dan kegiatan usaha dihadapkan pada, Meningkatnya kompleksitas organisasi Meningkatnya ukuran-ukuran keberhasilan organisasi Perubahan lingkungan yang sangat cepat Kegunaan dari peramalan ialah akan membantu dalam pengambilan keputusan. Keputusan yang baik ialah keputusan yang didasarkan atas pertimbangan apa yang terjadi pada waktu keputusan itu dilaksanakan. Apabila peramalan yang dibuat kurang tepat, maka keputusan yang kita buat kurang baik, sehingga diperlukan suatu kemampuan menguasai teknik dan metode secara benar. Ketepatan dalam melakukan peramalan akan menunjang perencanaan yang ditetapkan. A. JENIS-JENIS PERAMALAN Peramalan dilihat dari sifat penyusunannya terbagi atas dua macam, yaitu. Peramalan kualitatif bersifat subyektif dan didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau julgamento dari orang yang menyusunnya sangat menentukan baik tidaknya hasil ramalan tersebut. 2. Peramalan Kuantitatif Peramalan kuantitatif didasarkan atas dados historis yang relevan di masa lalu, mengikuti pendekatan estatística formal dan pendekatan yang sistematis yang meminimumkan kesalahan (erro) peramalan. Dalam peramalan kuantitatif, memerlukan tiga kondisi yaitu. uma. Adanya informasi masa lalu b. Informasi tersebut dapat dikuantifisir c. Dapat diasumsikan bahwa pola di masa lalu dapat berkelanjutan di masa yang akan datang. B. JENIS POLA DATA Jenis pola dados dapat dilihat dalam gambar sbb. (1) Dados de Pola horizontal menunjukan bahwa nilai dados berfluktuasi di sekitar nilai rata-rata (stasioner terhadap nilai rata-ratanya) (2) Pola dados musiman menunjukan bahwa nilai dados dipengaruhi oleh faktor musiman (harian, mingguan, bulanan, semesteran, tahunan) (3) Pola dados siklus menunjukan bahwa nilai dados dipengaruhi oleh flukstuasi dalam jangka panjang (4) Pola dados tendência menunjukan bahwa nilai dados terjadi kenaikan atau penurunan dalam jangka panjang. C. TAHAPAN PERAMALAN Tahapan peramalan yang baik meliputi 3 hal. uma. Menganalisis Data Masa Lalu. Tahap ini berguna untuk mengetahui pola dados yang tepat di masa lalu. Analisis dilakukan dengan cara membuat tabulasi kemudian mem-plot-kan dados untuk mengetahui pola dados b. Menentukan Metode Tahap ini ialah menetapkan metode peramalan yang baik. Metode yang baik ialah metode yang menghasilkan penyimpangan terkecil. C. Memproyeksikan Data. Tahap ini ialah memproyeksikan dados masa lalu dengan menggunakan metode terpilih dan mempertimbangkan adanya faktor-faktor perubahan. D. MODELO DAN DASAR-DASAR PERAMALAN Dalam Peramalan Kuantitatif, dikenal dua modelo de dados yaitu. 1. Modelo deret berkala / séries temporais 2. Modelo kausal / eksplanantoris / regresi (1) Modelo Deret Berkala Modelo deret berkala bertujuan menemukan pola dalam dados dados, historias históricas de dados de dados de dados em tempo real. Peramalan dengan modelo deret berkala memperlakukan sistem sebagai suatu kotak hitam (caixa preta) dan tidak ada upaya untuk menemukan faktor yang berpengaruh pada perilaku sistem tersebut. Sistem dianggap sebagai suatu proses bangkitan (processo gerador) yang tidak diketahui mekanismenya. Coba hitung dengan nilai taksiran 8, 9, 10, 11, 12 kemudian hitung MAPE yang paling kecil diantara ke enam nilai taksiran yang dibuat. Nilai taksiran dengan MAPE yang terkecil ialah nilai ramalan yang paling tepat. F. METODE PEMULUSAN (LISO) Apabila suatu modelo deret berkala (séries temporais) ditunjukan suatu proses konstan yang mengandung kesalahan aleatório, maka nilai tengah akan sangat bermanfaat sebagai nilai ramalan di masa yang akan datang. Akan tetapi apabila deret berkala mengandung kecenderungan tendência (naik atau turun) atau pengaruh musiman atau kecenderungan dan musiman sekaligus, maka nilai tenagh tidak dapat menggambarkan pola sata tersebut. Untuk hal seperti ini, maka metode pemulusan / alisamento akan lebih baik dibandingkan dengan nilai tengah. Klasifikasi metode pemulusan ialah sebagai berikut: Metode pemulusan Metodologia Eksponensial Rata-rata Bergerak Tunggal Metodo Rata-rata Bergerak Ganda Metode Rata-rata Bergerak Lainnya 1) Metode Rata-rata Bergerak Tunggal (Média Mova Única / SMA) SMA merupakan suatu cara untuk mengubah pengaruh Dados masa lalu terhadap nilai tengah sebagai ramalan, dengan cara menentukan sejak awal berapa nilai observasi masa lalu yang akan digunakan untuk menghitung nilai tengah. Pengertian rata-rata bergerak digunakan untuk nilai ramalan di masa mendatang, hal yang harus diperhatikan ialah jumlah titik dalam setiap rata-rata ialah konstan dan observasi yang digunakan ialah yang paling akhir. 2) Metode Rata-rata Bergerak Ganda (Média Moagem Dupla / DMA) DMA merupakan variasi dari prosedur rata-rata bergerak yang diinginkan untuk dapat mengatasi adanya tendência yang lebih baik, DMA selanjutnya disebut Metode rata-rata bergerak linier. Dasar metode ini ialah menghitung rata-rata bergerak yang kedua, sehingga disebut juga rata-rata bergerak dari rata-rata bergerak. 3) M etode Pemulusan Eksponensial Metode pemulusan eksponensial menjelaskan sekelompok metode yang menunjukan pembobotan menurun secara eksponensial terhadap nilai observasi yang terdahulu. Metode pemulusan eksponensial terdiri atas metode pemulusan tunggal, metodo pemulusan ganda dan metode pemulusan lainnya, mempunyai sifat yang sama yaitu bahwa nilai yang lebih baru diberikan bobot yang relativo lebih besar dibanding dengan nilai observasi yang terdahulu. G. METODE REGRESI Metode regresi merupakan modelo sebab dan akibat / eksplanatoris, yaitu pendekatan yang mencoba mengajukan variabel lain yang berkaitan dengan rangkaian dados de mengembangkan suatu modelo yang menyatakan adanya saling ketergantungan fungsional diantara semua variabel tersebut. Model-modelo regi ialah sebagai berikut.