Moving Media Dengan Minitab

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 esercitazione atau pengetahuan tentang previsione peramalan, mungkin beberapa hari kedepan saya previsione tulisan tentang akan banyak memposting. 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 palizzata Sederhana yaitu metode media mobile. Analisis Runtun waktu merupakan Suatu metode kuantitatif untuk menentukan pola dati Masa Lalu yang Telah dikumpulkan Secara teratur. Analisis Runtun waktu merupakan salah Satu metode peramalan yang menjelaskan bahwa deretan observasi pada Suatu variabel dipandang sebagai realisasi dari variabel bersama berdistribusi casuale. Gerakan musiman Adalah Gerakan rangkaian waktu yang sepanjang tahun pada bulan-bulan yang sama yang Selalu pola menunjukkan yang Identik. contohnya: di prezzo Saham, inflasi. Gerakan Adalah casuale Gerakan Naik Turun Waktu yang dapat Tidak diduga sebelumnya dan terjadi Secara acak contohnya: gempa Bumi, kematian sebagainya dan. Asumsi yang penting yang Harus dipenuhi Dalam memodelkan Runtun waktu Adalah asumsi kestasioneran artinya sifat-sifat yang mendasari prose Tidak dipengaruhi Oleh waktu atau prose Dalam keseimbangan. Apabila asumsi stasioner Belum dipenuhi maka Deret Belum dapat dimodelkan. Namun, Deret yang dapat nonstasioner ditransformasikan menjadi Deret yang stasioner. Pola dati Runtun Waktu Salah Satu Aspek yang palizzata penting Dalam penyeleksian metode peramalan yang sesuai untuk dati Runtun waktu Adalah untuk mempertimbangkan perbedaan tipe pola dati. Ada Empat tipe Umum. orizzontale, tendenza, stagionale, dan ciclico. Ketika dati observasi berubah-Ubah di sekitar tingkatan atau rata-rata yang konstan disebut pola orizzontale. Sebagai contoh penjualan TIAP bulan Suatu Produk Tidak meningkat atau menurun Secara konsisten pada Suatu waktu dapat dipertimbangkan untuk pola orizzontale. Ketika dati observasi Naik atau menurun pada perluasan periode Suatu waktu disebut tendenza pola. Pola ciclico ditandai dengan adanya fluktuasi bergelombang dati yang terjadi di sekitar Garis tendenza. Ketika observasi dipengaruhi Oleh Faktor musiman disebut pola stagionale yang ditandai dengan adanya pola perubahan yang berulang Secara otomatis dari tahun ke tahun. Untuk Runtun Bulan TIAP, Ukuran variabel komponen stagionale Runtun TIAP Januari, TIAP Februari, dan seterusnya. Untuk Runtun TIAP triwulan ada elemen Empat Musim, Satu untuk Masing-Masing triwulan. Singolo media mobile Rata-rata bergerak Tunggal (Media mobile) untuk periode t Adalah Nilai rata-rata untuk n dati jumlah terbaru. Dengan munculnya baru dati, Maka Nilai rata-rata yang dapat baru dihitung dengan menghilangkan dati yang terlama dan menambahkan dati yang terbaru. Media mobile ini untuk digunakan memprediksi nilai pada periode berikutnya. Modello ini dati sangat dati cocok digunakan pada yang stasioner atau yang konstant terhadap variansi. tetapi Tidak dati dapat bekerja dengan yang mengandung Unsur musiman tendenza atau. Rata-rata bergerak pada orde 1 akan menggunakan dati terakhir (Ft), Dan menggunakannya untuk memprediksi dati pada periode selanjutnya. Metode ini Sering dati pada digunakan kuartalan atau bulanan untuk membantu mengamati komponen-komponen Suatu Runtun waktu. Semakin besar orde bergerak rata-rata, Semakin pula besar pengaruh pemulusan (smoothing). Dibanding dengan Sederhana rata-rata (Dari Satu dati masa Lalu) rata-rata bergerak berorde T mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir dari dati yang diketahui. Jumlah Titik dati 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 tendenza atau musiman, walaupun metode ini Lebih baik dibanding totale rata-rata. Diberikan N dati Titik dan 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 Gennaio 2013 sampai dengan Aprile 2014 menghasilkan dati penjualan sebagai berikut:. Manajemen ingin meramalkan Hasil penjualan menggunakan metode peramalan yang cocok dati dengan 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 dati di ATAS dan berikan alasannya Baiklah sekarang kita Mulai, kita Mulai dari singolo media mobile Adapun Langkah-Langkah melakukan di previsione dei terhadap dati penjualan Pakaian sepak bola Adalah:... Membuka aplikasi Minitab dengan melakukan doppio click pada icona sul desktop Setelah aplikasi Minitab TERBUKA dan SIAP digunakan, Buat nama variabel Bulan dan dati kemudian dati masukkan sesuai studi Kasus. Sebelum memulai untuk melakukan previsione, terlebih dahulu Yang Harus dilakukan Adalah Melihat bentuk sebaran dati Runtun waktunya, menù klik Grafico 8211 Time Series Plot 8211 semplice, variabel masukkan dati ke Kotak Series , sehingga didapatkan gambar uscita seperti. Selanjutnya untuk previsioni melakukan dengan metode media mobile singolo orde 3, menù klik Stat 8211 Time Series 8211 Moving Average. . sehingga Muncul tampilan seperti gambar dibawag, pada Kotak variabile: dati masukkan Variabel, pada lunghezza Kotak MA: Angka masukkan 3, selanjutnya berikan centang pada Generare previsioni dan ISI Kotak Numero delle previsioni: dengan 1. tasto Opzione Klik dan berikan judul dengan MA3 dan klik OK. Pulsante Selanjutnya klik bagagli dan berikan Pada Medie mobili centang, Fits (previsioni di un periodo-ahead), residui, Dan previsioni, klik OK. Kemudian klik Grafici dan Pilih Trama previsto a quelle effettive dan OK. Sehingga Muncul uscita seperti gambar dibawah ini, Pada diatas Gambar, terlihat dengan Jelas Hasil dari previsione dei dati tersebut, pada periode ke-17 nilai ramalannya Adalah 24, denngan MAPE, MAD, Dan MSD seperti diatas pada Gambar. Cara peramalan dengan metode doppio Moving dapat Visualizzati di recente media DISINI. Ganti Saja langsung Angka-angkanya dati dengan Sobat, hehhe. maaf yaa saya Tidak jelaskan, Lagi laperr soalnya: D postingannya demikian, semoga bermanfaat. Terimakasih ATAS kunjungannya. Portal-Statistik Malam ini Sedang berlangsung bigmatch Antara Chelsea VS MU, Sambil menunggu dare il via Babak kedua rammendo berbagi kepada Teman-Teman semua. Setelah kemarin saya berbagi postingan tentang Lankah-Langkah Peramalan dengan Metode ARIMA Box-Jenkins dengan Eviews. malam ini untuk waktunya melanjutkan postingan tentang dati Analisis runtung waktu metode yang lainnya. Ya sesuai dengan judul diatas, malam ini saya ingin memberikan sedikit pengetahuan tentang Peramalan dati Runtun Waktu Metode SARIMA (stagionale Autoregressive Integrated Moving Average) dengan Eviews. Metode Box-Jenkins Metode Peramalan Adalah cara memperkirakan Secara kuantitatif APA yang akan terjadi pada masa yang akan Datang, dati berdasarkan Yang relevan pada masa Lalu. Metode sangat ini berguna Dalam mengadakan pendekatan Analisis terhadap perilaku atau pola dari dati yang Lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan yang sistematis dan prakmatis Serta memberikan Tingkat keyakinan yang Lebih. Salah satu metode Dalam peramalan yaitu metode Box Jenkins. Beberapa modello Dalam Metode Box-Jenkins yaitu: Modello ARIMA (p, d, q) Rumus Umum modello ARIMA (p, d, q) Adalah sebagai berikut modello ARIMA dan Faktor Musim (SARIMA) Notasi ARIMA dapat diperluas untuk menangani Aspek musiman, notasi umumnya Adalah: ARIMA (p, d, q) (P, d, Q) S dengan. p, d, q. bagian yang modello Tidak musiman Dari (P, D, Q) S. bagian modello musiman dari S. jumlah periode per Musim Adapun rumus Umum dari ARIMA (p, d, q) (P, D, Q) S sebagai berikut: Stasioneritas dati Kestasioneran dati Bisa Visualizzati di recente dari serie momento della stampa. Untuk Melihat kestasioneran Dalam dati significa Bisa Visualizzati di recente dari perhitungan ACF dan PACF nya. ACF diperoleh dengan rumus sebagai berikut: dengan Zt dati in tempo serie pada waktu ke t dan Z 773 rata-rata Sampel. Sedangkan PACF diperoleh dengan rumus sebagai berikut: dengan k Adalah fungsi autokorelasi. Ketidakstasioneran dati Dalam significa dapat diatasi dengan prose pembedaan (differenziazione), sedangkan Dalam dati kestasioneran varians dapat Visualizzati di recente dengan Nilai. Adapun Nilai dihitung dengan rumus sebagai berikut: dengan, Yi dati aktual untuk I 1. n. G geometriche dati medi dari seluruh, Nilai lambda, n observasi dati jumlah. Studi Kasus Berikut ini dati Adalah penjualan Sepatu Sebuah Perusahaan A, seorang pemilik Perusahaan ingin mengetahui perkembangan penjualannya untuk 1 tahun kedepan guna menentukan sasaran pasar dan kebijakan yang akan diambilnya. Dati dapat diperoleh disini. Adapun Langkah-Langkah melakukan di previsione dei dati terhadap dengan menggunakan aplikasi Eviews metode SARIMA Adalah. Membuka aplikasi Eviews dengan melakukan doppio click sull'icona del desktop pada atau apalah terserah cara Masing-Masing. Setelah aplikasi Eviews TERBUKA dan SIAP digunakan, klik menu File 8211 Nuovo - file di lavoro. Selanjutnya menù Pilih Object 8211 Nuovo oggetto. kemudian Pilih Serie dan isikan nama dati pada Kotak Nome per oggetto. Selanjutnya doppia klik dati pada nama yang Telah dibuat, il pulsante Modifica klik. Dan incollare dati pada studi Kasus pada Kolom yang tersedia. Lihat tersebut dati bentuk, menù klik View 8211 Grafico 8211 OK. dati Karena tersebut mengandung pola musiman, Maka selanjutnya Adalah menghilangkan pola musiman tersebut dengan melakukan differenziazione Musima n, menù klik rapida 8211 Generare Series. pada Inserisci equazione isi dslogsepatudlog dengan Kode (Sepatu, 0,12). Selanjutnya Adalah melakukan differenziazione nonmusiman terhadap dati teresebut, menù klik rapida 8211 Generare Series. pada Inserisci equazione isi dslogsepatudlog dengan Kode (Sepatu). Selanjutnya untuk Melihat Grafik dari Hasil differenziazione musiman dan non musiman tersebut dapat dilakukan dengan selezionare dslogsepatu dan dlogsepatu kemudian klik Kanan aperto 8211 come gruppo, kemudian menù klik Visualizza 8211 Grafico 8211 OK. Sehingga didapatkan Hasil seperti gambar dibawah. Setelah Melihat Hasil kedua Grafik tersebut, Langkah selanjutnya Adalah melakukan menggabungkan differenziazione musiman dan nonmusiman tersebut, menù klik rapida 8211 Generare Series. pada Inserisci equazione isi ddslogsepatudlog dengan Kode (Sepatu, 1,12). Dati tersebut Telah diasumsikan stasioner terhadap variansi Karena Telah dilakukan transformasi kedalam bentuk logaritma dan dilakukan differenziazione musiman dan nonmusiman, selanjutnya Adalah menguji apakah dati tersebut stasioner terhadap dire. klik menu Visualizza 8211 Unità Root di prova. kemudian isi sesuai gambar. Selanjutnya Adalah identifikasi modello Awal, menù klik View 8211 Correlogramma. Pilih kemudian Ok. Sehingga Muncul grafik ACF dan PAC seperti gambar. Dari diatas modello Grafik, dati diduga dapat tersebut modello mengikuti ARIMA (2,1,1) (2,1,1) 12. Selanjutnya dilakukan overfitting untuk memilih modello yang signifikan dan terbaik. Pada Halaman Utama Eviews masukkan perintah seperti gambar. Lakukan overfitting terhadap modello-modello berikut ini, kemudian modello tentukan mana yang signifikan dan terbaik dengan Melihat Nilai AIC, SC, MSE Serta uji asumsi Autokorelasi, Heteroskedasisitas dan Normalitas résidu. untuk melakukan uji normalitas residu, menù klik View 8211 residuo di prova 8211 Hostogram normalità di prova. selanjutnya Adalah uji asumsi autokorelasi, menù klik View 8211 residuo di prova 8211 correlogramma Q statistiche. selanjutnya Adalah uji asumsi heteroskedastisitas, menù klik View 8211 residuo di prova 8211 correlogramma Squared Residui. Selanjutnya Adalah melakukan previsione atau peramalan, doubleklik pada dati r ange dan Ubah nilai Data di fine dengan 1982M12. Berdasarkan Hasil overfitting diatas recapitassero, Maka Yang dipilih modello Adalah ARIMA (2,1,1) (24,1,12). menu di Klik Previsioni dan isi sesuai dengan gambar. Sehingga didapatkanlah Hasil dati previsionali Dari tersebut. Selanjutnya Mari kita Bahas Satu persatu uscita Hasil dari permalan yang Sudah Kita lakukan Tadi. gambar Berdasarkan, dapat dati bahwa dikatakan tersebut mengandung pola musiman yang Terus berulang dari tahun ketahun, Oleh sebab ITU metode yang digunakan Dalam melakukan dati previsionali terhadap tersebut Adalah metode SARIMA (stagionale modello autoregressivo integrato a media mobile). dati Karena tersebut mengandung pola musiman, Oleh sebab ITU dilakukan differenziazione terhadap pola musiman dan nonmusimannya supaya dati statsioner terhadap significano dan variansi. Hipótesis Ho. Tidak dati stasioner H1. Dati stasioner Tingkat Signifikansi: 0.05 Daerah Kritis: ADF GTT Statistica. Tolak H0 Statistika Uji: ADF -13,477 t Statistica 5 -2,886 Keputusan Uji Karena nilai ADF gt t Statistica maka keputusannya Adalah Tolak H0 Kesimpulan: Jadi dengan Tingkat signifikansi 5 didapatkan kesimpulan bahwa dati tersebut stasioner terhadap dire. dati Setelah tersebut stasioner terhadap significa dan variansi Karena Telah dilakukan transformasi dan differenziazione terhadap pola musiman dan nonmusiman. Selanjutnya Adalah modello pemilihan terbaik dengan melakukan overfitting. Berdasarkan tabel diatas maka modello terbaik yang dapat Adalah digunakan modello ARIMA (2,1,1) (24,1,12). karenan memiliki Nilai AIC, SC, SSR yang paling sedikit Serta Hasil controllo diagnostico yang Baik: gambar Berdasarkan, terlihat bahwa Nilai Prob. lt alpha 0.000 lt 0,05 maka keputusannya Adalah Tolak H0 yang berarti dati bahwa residuo Tidak berdistribusi normale. Berdasarkan gambar diatas terlihat pada Nilai prob. semua Nilai signifikan (prob. alfa gt), Oleh Karena itu dapat disimpulkan bahwa Tidak terdapat gejala autokorelasi terhadap dati residui. Berdasarkan gambar diatas terlihat pada Nilai prob. semua Nilai signifikan (prob. alfa gt), Oleh Karena itu dapat disimpulkan bahwa Tidak terdapat gejala heteroskedastisitas terhadap dati residui. Gambar diatas merupakan dati Hasil previsione penjualan Sepatu 1 tahun (12 Bulan) ke Depan, pada gambar Pertama dan kedua dapat Visualizzati di recente Informasi RMSE dan MAE yaitu 176.10 dan 152.29, dan pada gambar ketiga dapat Visualizzati di recente Hasil previsione untuk periode 12 Bulan kedepan. Demikian, Selesai Juga ini postingan, panjang sungguh dan sedikit melelahkan. hehe. Jika ada yang kurang Jelas silahkan Bisa ditanyakan. Semoga Bermanfaat HAVE FUN. Modul Minitab Untuk Peramalan Dengan Metode Arima Dan doppio esponenziale Manuale di Minitab untuk aplikasi Analisis ARIMA MODUL MINITAB Untuk PERAMALAN dengan METODE ARIMA DAN DOPPIA ESPONENZIALE Minitab programma Adalah statistik yang setiap versinya Terus dikembangkan. Gambar 1 memperlihatkan kepada anda Aspek-Aspek Utama Dari Minitab. Barra dei menu Adalah Tempat anda memilih perintah-perintah. Barra degli strumenti menampilkan tombol-tombol untuk fungsi-fungsi yang Sering dipakai. Perhatikan bahwa tombol-tombol tersebut berubah dari tergantung finestra Minitab mana yang dibuka. Ada dua finestra Berbeda pada Layar Minitab: finestra dei dati Tempat anda memasukkan, mengedit, dan Melihat Kolom dati Dari setiap Kertas-Kerja dan finestra sesi yang menayangkan teks uscita seperti misalnya tabel Statistik. Pada beberapa bab berikut perintah-perintah khusus Akan diberikan agar dapat anda memasukkan dati kedalam Lembar Kerja Minitab dan mengaktifkan prosedur peramalan untuk menghasilkan peramalan yang diperlukan. Gambar 1 Layar Minitab Faktor Utama yang mempengaruhi pemilihan Teknik peramalan Adalah identifikasi dan pemahaman dati pola historis. dati historis Pola ini Bisa Visualizzati di recente dari trama Deret beserta fungsi Sampel auto-korelasi. 1 Langkah-Langkah mendapatkan trama Deret dengan Minitab 14 Adalah sebagai berikut: 1. Memasukkan dati produksi Pupuk ke Dalam Kolom C1. Untuk trama membentuk Deret, klik menu a menu berikut seperti pada gambar 2 StatTime SeriesTime Serie Plot Gambar 2 Menu Trama Deret pada Minitab 2. Kotak dialogo Time Series Plot ditampilkan pada gambar 3, Lalu Pilih Jenis trama yang diinginkan. Lalu klik OK. 2 Gambar 3 Kotak dialogo Time Series Plot 3. Kotak dialogo Time Series Case Semplice ditampilkan pada gambar 4 Klik dua kali pada variabel produksi dan hal ini akan Muncul disebelah bawah Series. Lalu klik OK. Gambar 4 Kotak dialogo Time Series Case Semplice 3 Sedangkan Langkah-Langkah untuk mendapatkan pola auto-korelasi Adalah sebagai berikut: 1. Untuk membentuk korrelogram, klik menu a menu berikut seperti pada gambar 5 StatTime SeriesAutocorrelation Gambar 5 Menu Auto-korelasi pada Minitab 2 . Kotak finestra di autocorrelazione Funzione mucul pada gambar 6 a. Klik dua kali pada variabel produksi dan hal ini akan disebelah Muncul Kanan Series. b. judul Masukkan (titolo) pada ruang Yang dikehendaki dan klik OK. Hasil korrelogram ditampilkan pada gambar 7. 4 Gambar 6 Kotak Dialog autocorrelazione Funzione Gambar 7 Fungsi Auto-korelasi dari variabel Produksi Pupuk autocorrelazione funzione per produksi (con 5 limiti di significatività per le autocorrelazioni) 1.0 0.8 0.6 autocorrelazione 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0.8 -1.0 1 2 3 4 5 6 7 Lag 8 5 Lag 1 2 3 4 5 6 7 8 ACF 0,891749 0,788301 0,688238 0,587191 0,503758 0,414150 0,308888 0,173246 T 4,97 2,73 1,96 1,50 1,20 0,94 0,68 0,38 LBQ 27,12 49,04 66,34 79,41 89,39 96,41 100,48 101,81 Jika Dalam gambar 7 Masih menunjukkan adanya autokorelasi (non stasioner) Maka serie temporali di dati tersebut Perlu dilakukan Proses differenze untuk mendapatkan Deret yang stasioner. Proses Langkah-Langkah differenze berikut sebagai: 1. Untuk dati membuat selisih (differenze), klik pada menu di menu berikut differenze StatTime SeriesDifferences pilihan berada diatas pilihan autocorrelazione yang gambar ditampilkan 2. Differenze di dialogo 2. Kotak ditampilkan pada gambar 8. a. Klik dua kali pada variabel produksi Pupuk dan hal ini akan disebelah Muncul Kanan Series. b. Tekan Tab untuk menyimpan selisih (differenze) dan dimasukkan kedalam C2. selisih dati (differenze) Kini Akan Muncul Dalam foglio di Kolom C2. Gambar 8 Differenze Kotak dialogo 6 Dalam Modul ini Hanya digunakan dua metode peramalan yaitu ARIMA dan doppio esponenziale. Doppia esponenziale dei dati pada, lakukan Langkah-Langkah berikut doppio esponenziale Untuk melakukan pemulusan mengunakan metode: 1. Menu Melalui, klik menu a menu berikut seperti pada gambar 9: finestra StatTime SeriesDouble esponenziale Gambar 9 Menu doppio pada esponenziale Minitab 2. Muncul Kotak Doppia esponenziale seperti pada gambar 10. a. Klik dua kali variabel produksi dan akan Muncul sebagai variabel. b. Pada Bobot yang akan digunakan sebagai levigante, Pilih ottimale ARIMA, kemudian klik OK. Hasilnya diperlihatkan pada gambar 11. 7 Gambar 10 Kotak Dialog doppio esponenziale Gambar 11 Pemulusan Eksponensial Linier contenere i dati Produksi Pupuk doppio esponenziale Parcella in produksi Indice 9000000 8000000 7000000 6000000 produksi 4000000 3000000 2000000 5000000 1000000 0 3 6 9 12 15 18 21 24 27 30 variabile Una ctual Adatto Smoothing costanti A lpha (livello) 0,940,976 mila Gamma (trend) 0.049417 P recisione Misure MA PE 1.93411E01 MA D 4.57345E05 MSD 3.26840E11 8 ARIMA Metode ARIMA sangat baik digunakan untuk mengkombinasikan tendenza pola, Faktor Musim dan Faktor siklus dengan Lebih komprehensif. Disamping modello ITU ini mampu meramalkan dati historis dengan kondisi yang Sulit dimengerti pengaruhnya terhadap dati Secara teknis. Salah satu kunci merumuskan modello ARIMA Adalah nilai autokorelasi dan autokorelasi parsial, Yang besarnya bervariasi Antara -1 sampai 1. Disamping ITU, dati yang dapat dimodelkan modello dengan ARIMA haruslah stasioner nilai tengah dan stasioner Ragam. Langkah yang dilakukan Untuk identifikasi modello Awal dari ARIMA Tanpa musiman Adalah: a. Buat dati plot berdasarkan periode pengamatan (serie). Jika dati berfluktuasi pada Garis Lurus dengan Tingkat fluktuasi yang relatif sama maka dati tersebut Sudah stasioner. Jika Tidak stasioner lakukan diferensiasi. b. serie Jika Telah stasioner, Buat Grafik autokorelasi parsial dari serie di dati. Lihat pola untuk menentukan modello ARIMA Awal. c. Lakukan permodelan ARIMA (p, d, q) sesuai modello dengan Awal yang ditetapkan pada bagian b. Kemudian verifikasi kelayakan modello yang dihasilkan. d. overfitting Lakukan, yaitu modello Duga dengan Nilai p, d, q Lebih besar dari yang ditentukan modello pada Awal. e. modello Tetapkan yang palizzata baik dengan Melihat MSE. Peramalan dilakukan dengan menggunakan modello yang terbaik. dati untuk serie musiman, Langkah-langkahnya mirip dengan Tanpa musiman, dengan modello menambahkan untuk musiman. Langkah berikut untuk melakukan pemodelan ARIMA Dalam Minitab 14 Adalah sebagai: 1. file di dati Apabila tersimpan Dalam, bukalah menù dengan berikut: FileOpen foglio 2. Untuk menghitung auto-korelasi produksi variabel, klik menù sebagai berikut seperti pada gambar 5: StatTime SeriesAutocorrelation 3. Kotak finestra di autocorrelazione Function (gambar 6) Muncul: a. Klik dua kali variabel produksi dan akan Muncul di sebelah Kanan serie b. Klik OK Dan Muncul gambar 7. 4. Sebagai upaya melakukan selisih dati pada, klik menù berikut seperti pada gambar 8: StatTime SeriesDifferences 5. dialogo Differenze Kotak seperti pada gambar 9 Muncul a. Klik dua kali variabel produksi dan akan Muncul disebelah Kanan serie b. Tab differenze untuk Conservare in: dan entrano C2 9 c. Tab untuk Lag: dan entrare 1. Klik OK dan selisih Pertama akan Muncul di Kolom 2 Mulai Baris 2. 6. Etichetta variabel C2 dengan Diff1prod. Untuk menghitung auto-korelasi variabel ini, ulangi Langkah 2 dengan menggunakan Diff1prod sebagai variabel disebelah Kanan Deret. 7. Untuk menghitung auto-korelasi parsial dari variabel Diff1prod klik seperti pada gambar 12: StatTime SeriesPertial autocorrelazione Gambar dialogo Minitab 8. Kotak auto-korelasi pada parsial 12 Menu parziale di autocorrelazione Funzione Muncul seperti pada gambar 13. a. Klik dua kali variabel Diff1prod dan akan Muncul disebelah Kanan Series. b. Klik OK Dan Muncul gambar 14. 10 Gambar 13 Kotak Dialog parziale autocorrelazione 9. Modello ARIMA (5,1,5) Menu dijalankan dengan klik berikut: StatTime SeriesArima 10. Kotak dialogo ARIMA Muncul seperti gambar 14 a. Klik dua kali variabel produksi dan akan Muncul disebelah serie Kanan. b. Di bawah non stagionale di Kanan Autoregressive masukkan 5 di Kanan Differenza masukkan 1 dan 5 di Kanan media mobile. c. Karena dati Telah diselisihkan, Klik off Kotak Includi termine costante a modello. d. Klik prevede Dan Kotak dialogo ARIMA Previsioni Muncul. Untuk meramalkan dua periode ke Depan tempatkan 2 di Kanan d'esecuzione: Klik OK. e. Muncul Klik bagagli dan Kotak dialogo ARIMA-Storage. Klik Kotak di Kanan residua dan klik OK pada Kotak dialogo ARIMA dan bagian bawah gambar Muncul. h. Untuk menghitung residuo di auto-korelasi, ulangi Langkah 2 dengan menggunakan Res1 sebagai variabel di Kanan Deret. 11 Gambar 14 Dialog Kotak ARIMA 12