Portail - Statistik Bertemu lagi dengan postingan kali ini, setelah sekian lama offline dari dunia blogger, tidak pernah lagi mengriusi blog, nah pada kesempatan kali ini saya mau berbagi kembali kepada semua sahabat yang membutuhkan tutoriel atau pengetahuan tentang prévision peramalan, mungkin beberapa hari kedepan saya Akan banyak memposting tulisan tentang prévisions. Semoga tulisan dans le panier berguna bagi kita semua. Pada postingan pertama tentang analyses runtun waktu kali ini, saya akan berbagi tentang analyse runtun waktu yang paling sederhana yaitu metode Moyenne mobile. Analyses runtun waktu merupakan suatu metode kuantitatif untuk menentukan pola données masa lalu yang telah dikumpulkan secara teratur. Analyse runtun waktu merupakan salah satu metode peramalan yang menjelaskan bahwa deretan observasi pada suatu variabel dipandang sebagai realisasi dari variabel aléatoire berdistribusi bersama. Gerakan musiman adalah gerakan rangkaian waktu yang sepanjang tahun pada bulan-bulan yang sama yang selalu menunjukkan pola yang identik. Contohnya: harga saham, inflasi. Gerakan aléatoire adalah gerakan naik turun waktu yang tidak dapat diduga sebelumnya dan terjadi secara acak contohnya: gempa bumi, kematian dan sebagainya. Asumsi yang penting yang harus dipenuhi dalam memodelkan runtun waktu adalah asumsi kestasioneran artinya sifat-sifat yang mendasari proses tidak dipengaruhi oleh waktu atau proses dalam keseimbangan. Apabila asumsi stasioner, belum, dipenuhi, maka, deret, belum, dapat, dimodelkan. Namun, deret yang nontateur dapat ditransformasikan menjadi deret yang stasioner. Pola Données Runtun Waktu Salah satu aspek yang paling penting dalam penyeleksian metode peramalan yang sesuai untuk données runtun waktu adalah untuk mempertimbangkan perbedaan tipe pola données. Ada empat tipe umum. Horizontal, tendance, saisonnier, dan cyclique. Ketika données observasi berubah-ubah di sekitar tingkatan atau rata-rata yang konstan mais aussi pola horizontal. Sebagai contoh penjualan tiap bulan suatu produk tidak meningkat atau menurun secara konsisten pada suatu waktu dapat dipertimbangkan untuk pola horizontal. Les données de Ketika observasi naik atau menurun pada perluasan période suatu waktu tendance dise pola. Pola cyclique ditandai dengan adanya fluktuasi bergelombang données yang terjadi di sekitar tendance garis. Ketika observasi dipengaruhi olé faktor musiman disebut pola saisonnier yang ditandai dengan adanya pola perubahan yang berulang secara otomatis dari tahun ke tahun. Untuk runtun tiap bulan, ukuran variabel komponen runtun saisonnier tiap Januari, tiap Februari, dan seterusnya. Untuk runtun tiap triwulan ada élémen empat musim, satu untuk masing-masing triwulan. Moyenne mobile simple Rata-rata bergerak tunggal (Moyenne mobile) untuk periode t adala nilai rata-rata untuk n jumlah data terbaru. Dengan munculnya données baru, maka nilai rata-rata yang baru dapat dihitung dengan menghilangkan données yang terlama dan menambahkan données yang terbaru. Déménagement moyen inu digunakan untuk memprediksi nilai pada periode berikutnya. Modèle ini sangat cocok digunakan pada données yang stasioner atau données yang konstant terhadap variansi. Tetapi tidak dapat bekerja dengan données yang mengandung unsur tendance atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan données terakhir (Ft), dan menggunakannya untuk memprediksi données pada periode selanjutnya. Metode ini sering digunakan pada données kuartalan atau bulanan untuk membantu mengamati komponen-komponen suatu runtun waktu. Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan (lissage). Dibanding dengan rata-rata sederhana (dari satu données masa lalu) rata-rata bergerak berorde T mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir données dari yang diketahui. Jumlah titik données dalam setiap rata-rata tidak berubah dengan berjalannya waktu. Kelemahan dari metode ini adalah. Metode ini memerlukan penyimpanan yang lebih banyak karena semu T pengamatan terakhir harus disimpan, tidak hanya nilai rata-rata. Metode ini tidak dapat menanggulangi dengan baik adanya tendance aku musiman, walaupun metode dans lebih baik dibanding rata-rata total. Diberikan N titik données de la liste des résultats de la recherche T pengamatan pada setiap rata-rata (yang disebut dengan rata-rata bergerak orde (A) atau MA (T), seadga keadaannya adalah sebagai berikut: Studi Kasus Suatu perusahaan pakaian sepakbola periode januari 2013 sampai dengan April 2014 menghasilkan data est un membre de la famille d'utilisateurs de la communauté: merci, meramalkan hasil penjualan, menggunakan metode, peramalan, yang cocok, dengan data tersebut, bandingkan, metode, MA, tunggal orde 3, 5, 7 dengan aplikasi Minitab dan MA 3x5 dengan aplikasi Excel, manakah metode yang paling tepat untuk Les données sont envoyées par l'intermédiaire de l'arborescence de la base de données, et sont affichées à l'intérieur de la base de données de l'arborescence de l'arborescence. ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, , Sehingga didapatkan sortie seperti gambar. Selanjutnya untuk melakukan prévisions dengan metode Moyenne mobile simple orde 3, klik menu Stat 8211 Série chronologique 8211 Moyenne mobile. . Sealingga muncul tampilan seperti gambar dibawag, pada kotak Variable: masukkan variabel Données, pada kotak MA longueur: masukkan angka 3, selanjutnya berikan centang pada Générer des prévisions par an istanbul Nombre de prévisions: dengan 1. Klik button Option dan berikan judul dengan MA3 dan klik D'ACCORD. Selanjutnya klik Plus d'options Storage dan berikan centang pada Moyennes mobiles, Fits (Prévisions à une période), Résidus, Dan Prévisions, klik OK. Kemudian klik Graphiques dan pilih Graphique prédit vs réel dan OK. Sehingga muncul sortie seperti gambar dibawah ini, Pada gambar diatas, terlihat dengan jelas hasil dari données prévisionnelles, pada periode ke-17 nilai ramalannya adalah 24, denngan MAPE, MAD, dan MSD seperti pada gambar diatas. Cara peramalan dengan metode Moyenne mobile double dapat dilihat DISINI. Ganti saja langsung angka-angkanya données dengan sanglot, hehhe. Maaf yaa, saya, tidak, jelaskan, lagi, laperr, soalnia: D demikian postingannya, semoga bermanfaat. Terimakasih atas kunjungannya. Modul Minitab Untuk Peramalan Dengan Méthode Arima Dan Double Exponential manuel manuel minitab untuk aplikasi analisis ARIMA MODUL MINITAB UNTUK PERAMALAN DENGAN METODE ARIMA DAN DOUBLE EXPONENTIEL Minitab adalah programme statistik yang setiap versinya terus dikembangkan. Gambar 1 memperlihatkan kepada et un aspek-aspek utama dari Minitab. Barre de menu adalah tempat anda memilih perintah-perintah. Barre d'outils menampilkan tombol-tombol untuk fungsi-fungsi yang sering dipakai. Perhatikan bahwa tombol-tombeau tersebut berubah tergantung dari fenêtre Minitab mana yang dibuka. Ada dua window berbeda pada layar Minitab: données de fenêtres données et un memasukkan, mengedit, dan melihat kolom données dari setiap kertas-kerja dan sesi fenêtre yang menayangkan sortie teks seperti misalnya tabel statistik. Pada beberapa bab berekut perintah-perintah khusus akan diberikan agar anda dapat memasukkan données 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 pola historis données. Pola historis data ini bisa dilihat dari parcelle deret beserta fungsi auto-korelasi sampel. 1 Langkah-langkah mendapatkan plot deret dengan Minitab 14 adalah sebagai berikut: 1. Les données de l'article peuvent être téléchargées ou non. Untuk membentuk plot deret, klik menu-menu Ajouter un commentaire 2 StatTime SeriesTime Series Plot Gambar 2 Menu Plot Deret pada Minitab 2. Dialogue de Kotak Série de temps Plot ditampilkan pada gambar 3, lalu pilih jenis plot yang diinginkan. Lalu klik OK. 2 Gambar 3 Dialogue de Kotak Série de temps Plot 3. Dialogue de Kotak Séries de temps Plot-Simple ditampilkan pada gambar 4 Klik dua kali pada variabel produksi dan hal ini akan muncul disebelah bawah Série. Lalu klik OK. Gambar 4 Séries de temps de la boîte de dialogue de Kotak-Simple 3 Sedangkan langkah-langkah untuk mendapatkan pola auto-korelasi adalah sebagai berikut: 1. Untuk membentuk korrelogram, klik menu-menu se connecter à la table 5 StatTime SeriesAutocorrelation Gambar 5 Menu Auto-korelasi pada Minitab 2 Dialogue Kotak Autocorrélation Fonction mucul pada gambar 6 a. Klik dua kali pada variabel produksi dan inik akan muncul disebelah kanan Série. B. Masukkan judul (Titre) pada ruang yang dikehendaki dan klik OK. (Avec 5 limites de signification pour les autocorrélations) 1,0 0,8 0,6 Autocorrélation 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1 2 3 4 Lag 5 6 7 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 0,173146 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 données séries temporelles tersebut perlu dilakukan proses différences untuk mendapatkan deret yang stasioner. Langkah-langkah proses différences entre les deux: 1. Untuk membuat données selisih (différences), klik pada menu-menu berikut StatTime SeriesDifferences Différences Pilihan berada diatas pilihan Autocorrélation yang ditampilkan gambar 2. 2. Kotak dialog Différences ditampilkan pada gambar 8. a. Klik dua kali pada variabel produksi pupuk dan inik akan muncul disebelah kanan Série. B. Tekan Tab untuk menyimpan selisih (différences) dan dimasukkan kedalam C2. Données selisih (différences) kini akan muncul dalam feuille de travail de kolom C2. Gambar 8 Différences de Dialogue Kotak 6 Dalam modul ini hanya digunakan dua metode peramalan yaitu ARIMA dan Double Exponential Smoothing. Double Exponential Smoothing Le Double Exponential Smoothing Le Double Exponential Pada Data, le langage de langkah et le berikut: 1. Le menu de Melalui, le menu de menu et la barre de menu 9: Le mode StatTime Le Double Exponential Smoothing Gambar 9 Menu Le Double Exponential pada Minitab 2. Le dialogue de Muncul kotak Double lissage exponentiel seperti pada gambar 10. a. Klik dua kali variebel produksi dan akan muncul sebagai variabel. B. Pada bobot yang akan digunakan sebagai lissage, pilih Optimal ARIMA, kemudian klik OK. Hasilnya diperlihatkan pada gambar 11. 7 Gambar 10 Kotak Dialog Double Exponentielle Gambar 11 Pemulusan Eksponensial Linier Hold Data Produksi Pupuk Double lissage exponentiel Plot for produksi 9000000 8000000 7000000 6000000 5000000 4000000 3000000 2000000 1000000 0 3 6 9 12 15 18 Index 21 24 27 30 Variable A ctual Fits Smoothing Constantes A lpha (niveau) 0.940976 Gamma (tendance) 0.049417 A ccuracy Mesures MA PE 1.93411E01 MA D 4.57345E05 MSD 3.26840E11 8 ARIMA Méthode ARIMA sangata bakim digunakan untuk mengkombinasikan pola tendance, faktor musim dan faktor siklus dengan lebih Komprehensif. Désamorçage itu model ini mampu meramalkan données historiens dengan kondisi yang sulit dimengerti pengaruhnya données terhadap secara teknis. Salah satu kunci merumuskan modèle ARIMA adalah nilai autokorelasi dan autokorelasi parsial, yang besarnya bervariasi antara -1 sampai 1. Désamorçage itu, données yang dapat dimodelkan dengan modèle ARIMA haruslah stasioner nilai tenanth dan stasioner ragam. Langkah yang dilakukan untuk identifikasi modèle awal dari ARIMA tanpa musiman adalah: a. Données sur les parcelles Buks berdasarkan periode pengamatan (séries). Les données de Jika sont fournies par le porteur de données de taïs. Jika tidak stasioner lakukan différensiasi. B. Jika série de stasioner toileh, de grafik autokorelasi parsial dari série de données. Lihat pola untuk menentukan modèle ARIMA awal. C. Lakukan permodelan ARIMA (p, d, q) sesuai dengan modèle awal yang ditetapkan pada bagian b. Kemudian verifikasi kelayakan modèle yang dihasilkan. ré. Lakukan overfitting, yaitu duga modèle dengan nilai p, d, q lebih besar dari yang ditentukan pada modèle awal. E. Tetapkan modèle yang paling baik dengan melihat MSE. Peramalan dilakukan dengan menggunakan modèle yang terbaik. Untuk données série musiman, langkah-langkahnya mirip dengan silhouette muslim, dengan menambahkan modèle untuk musiman. Fichier de données d'Apatible: Fichier de données d'Apatia, Fichier de menu de denier: Fichier de FileOpen, Fichier de document de travail de FileOpen, Fichier de sélection de document, Fichier de commande de menu, Dialogue Kotak Fonction Autocorrélation (gambar 6) muncul: a. Klik dua kali variabel produksi dan akan muncul de sebelah kanan série b. Klik OK dan muncul gambar 7. 4. Sebagai upaya melakukan des données de pseudo, des informations sur le menu et les informations sur le thème 8: StatTime SeriesDifferences 5. Kotak dialog Différences seperti pada gambar 9 muncul a. Klik dua kali variabel produksi dan akan muncul disebelah kanan série b. Tab untuk Différences de magasin dans: dan entrer C2 9 c. Tab untuk Lag: dan entrer 1. Klik OK dan selisih pertama akan muncul de kolom 2 mulai baris 2. 6. Etiquette variabel C2 dengan Diff1prod. Untuk menghitung auto-korelasi variabel ini, ulangi langkah 2 dengan menggunakan Diff1prod sebagai variable disebelah kanan deret. 7. Untitk menghitung auto-korelasi parsial dari variabel Diff1prod klik seperti pada gambar 12: StatTime SeriesPertial Autocorrelation Gambar 12 Menu auto-korelasi parsial pada Minitab 8. Dialogue Kotak Fonction d'autocorrélation partielle muncul seperti pada gambar 13. a. Klik dua kali variabel Diff1prod akan muncul disebelah kanan Série. B. Klik OK dan muncul gambar 14. 10 Gambar 13 Kotak Dialog Autocorrélation partielle 9. Modèle ARIMA (5,1,5) dijalankan dengan klik menu berikut: StatTime SérieArima 10. Dialogue de Kotak ARIMA muncul seperti gambar 14 a. Klik dua kali variebel produksi akan muncul disebelah kanan série. B. Di bawah Non-saisonnier di kanan Autoregressive masukkan 5 di kanan Différence masukkan 1 dan 5 di kanan Moyenne mobile. C. Les données de Karena comprennent le terme constant, le klik de kotak Inclut le terme constant dans le modèle. ré. Prévision de Klik kotak dialogue ARIMA-Forecast muncul. Un peu de meramalkan dua période ke depan tempatkan 2 di kanan Plomb: Klik OK. E. Klik Storage dan kotak dialog ARIMA-Stockage muncul. Klik kotak di kanan Résiduel de klik OK pada kotak dialog ARIMA de danse bagian bawah gambar muncul. H. Untuk menghitung auto-korelasi résiduel, langue étrangère 2 dengan menggunakan Res1 sebagai variabel di kanan deret. 11 Gambar 14 Kotak Dialogue ARIMA 12Portal-Statistiques Malam inl sedang berlangsung bigmatch antara Chelsea VS MU, sambil menunggu coup de pied de babak kedua remédier berbagi kepada teman-teman semua. Setah kemarin saya berbagi postingan tentang Lankah-langkah Peramalan Dengan Métré ARIMA Box-Jenkins dengan Eviews. Malam ini waktunya untuk melanjutkan postingan tentang analyse données runtung waktu metode yang lainnya. Les données de Peramalan Runtun Waktu Metode SARIMA (Moyenne mobile intégrée saisonnière autorégressive) dengan Eviews. Metode Box-Jenkins Métro Peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada yang akan datang, données berdasarkan yang relevan pada masa lalu. Metode ini sangat berguna dalam mengadakan pendekatan analisis terhadap perilaku atau pola données dari yang lalu, seingga 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 modèle dalam Metode Box-Jenkins yaitu: Modèle ARIMA (p, d, q) Rumus umum modèle ARIMA (p, d, q) adalah sebagai berikut Modèle 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 tidak musiman dari modèle (P, D, Q) S. Bagian modèle musiman dari S. jumlah Période par musim Adapun rumus umum dari ARIMA (p, d, q) (P, D, Q) S sebagai berikut: Stasioneritas données Kestasioneran bisa de données dilihat dari séries chronologiques de la parcelle. Untuk melihat kestasioneran données dalam signifie bisa dilihat dari perhitungan ACF dan PACF nya. ACF diperoleh dengan rumeau sebagai berikut: dengan Zt données séries temporelles pada waktu ke t dan Z 773 rata-rata sampel. Sedangkan PACF diperoleh se présente comme suit:. Ketidakstasioneran données dalam signifie dapat diatasi dengan proses pembedaan (différenciation), sedangkan kestasioneran données dalam varians dapat dilihat dengan nilai. Adaptateur de chargeur de batterie et de chargeur de batterie: dengan, Yi data aktual untuk i 1. n. G moyenne géométrique dari seluruh données, nilai lambda, n jumlah données observasi. Les données de adalah de Studi Kasus Berikut penjualan Sepatu Sebuah Perusahaan A, seorang pemilik Perusahaan Ingin mengetahui perkembangan penjualannya untuk 1 tahun kedepan guna menentukan sasaran pasar dan kebijakan yang diambilnya akan. Données dapat diperoleh disini. Adapune langkah-langkah melakukan forcasting données terhadap dengan menggunakan aplikasi Eviews metode SARIMA adalah. Membuka aplikasi Eviews dengan melakukan double clic pada icône de bureau atau apalah terserah cara masing-masing. Setelah aplikasi Eviews terbuka dan siap digunakan, menu klik Fichier 8211 Nouveau - Fichier de travail. Selanjutnya pilih menu Objet 8211 Nouvel objet. Kemudian pilih Série dan isikan nama données pada kotak Nom de l'objet. Selanjutnya double klik pada nama données yang telah dessin, klik button Modifier. Dan collez des données pada studi kasus pada kolom yang tersedia. Lihat bentuk data tersebut, klik menu Voir 8211 Graphique 8211 OK. Les données de Karena tersebut mengandung pola musiman, maka selanjutnya adalah menghilangkan pola musiman tersebut dengan melakukan musiques de différenciation, menu klik Rapide 8211 Générer la série. Pada Entrer l'équation isi dengan kode dslogsepatudlog (sepatu, 0,12). Selanjutnya adalah melakukan différenciation nonmusiman terhadap données teresebut, klik menu Rapide 8211 Generate Series. Pada Entrer l'équation isi dengan kode dslogsepatudlog (sepatu). Selanjutnya untuk Melihat grafik dari hasil differentiation musiman dan non musiman tersebut dapat dilakukan dengan sélectionnez dslogsepatu dan dlogsepatu kemudian klik kanan ouvert 8211 comme groupe, kemudian menu klik Voir 8211 Graph 8211 OK. Sehingga didapatkan hasil seperti gambar dibawah. Setelah melihat hasil kedua grafik tersebut, langkah selanjutnya adalah melakukan menggabungkan différenciation musiman dan nonmusiman tersebut, klik menu Rapide 8211 Générer la série. Pada Entrer l'équation isi dengan kode ddslogsepatudlog (sepatu, 1,12). Données tersebut Telah diasumsikan stasioner terhadap variansi karena Telah dilakukan Transformasi kedalam bentuk logaritma dan dilakukan differentiation musiman dan nonmusiman, selanjutnya Adalah menguji Apakah données tersebut stasioner terhadap signifie. Klik menu Voir 8211 Unit Root Test. Kemudian isi sesuai gambar. Selanjutnya adalah identifikasi modèle awal, klik menu Voir 8211 Correlogramme. Kemudian pilih Ok. Sealingga muncul grafik ACF dan PAC seperti gambar. Dari modèle grafik diatas, dapat diduga données tersebut mengikuti modèle ARIMA (2,1,1) (2,1,1) 12. Selanjutnya dilakukan overfitting untuk memilih modèle yang signifikan dan terbaik. Pada halaman utama Evisage masukkan perintah seperti gambar. Lakukan overfitting terhadap modèle modèle berikut ini, kemudian modèle tentukan mana yang signifikan dan terbaik dengan Melihat nilai AIC, SC, MSE serta uji asumsi Autokorelasi, Heteroskedasisitas dan Normalitas Résidu. Untuk melakukan uji normalitas résidu, menu klik Voir 8211 Test résiduel 8211 Test de normalité de l'hostogramme. Selanjutnya adalah uji asumsi autokorelasi, menu klik Voir 8211 Test résiduel 8211 Correlogramme Q Statistiques. Selanjutnya adalah uji asumsi heteroskedastisitas, menu klik Voir 8211 Test résiduel 8211 Corrélogramme carré résiduels. Selanjutnya adalah melakukan prévisions à l'avance peramalan, doublekik pada r ange données dan ubah nilai Date de fin dengan 1982M12. Berdasarkan hasil surplombant tabel diatas, maka yang dipilih adala modèle ARIMA (2,1,1) (24,1,12). Menu perso Prévisions météo détaillées istanbul. Sehingga didapatkanlah hasil prévisions données dari tersebut. Selanjutnya mari kita bahas satu persatu sortie hasil dari permalan yang sudah kita lakukan tadi. Berdasarkan gambar, dapat dikatakan bahwa données tersebut mengandung pola musiman yang terus berulang dari tahun ketahun, oleh sebab itu metode yang digunakan dalam melakukan prévisions terhadap données tersebut adalah metode SARIMA (Temporaire Autoregressive Integrated Moving Average). Données de Karena tersebut mengandung pola musiman, oleh sebab itu dilakukan différenciation terhadap pola musiman dan nonmusimannya supaya données statsioner terhadap mean dan variansi. Hipotesis Ho. Données tidak stasioner H1. Données stasioner Tingkat Signifikansi: 0.05 Daerah Kritis: ADF gtt-Statistic. Tolak H0 Statistiques Uji: ADF -13.477 t-Statistique 5 -2.886 Keputusan Uji Karena nilai ADF gt t-Statistique maka keputusannya adalah tolak H0 Kesimpulan: Jadi dengan tingkat significatifansi 5 didapatkan kesimpulan bahwa données tersebut stasioner terhadap moyen. Setelah données tersebut stasioner terhadap signifiant variansi karena tissuh dilakukan transformasi dan différenciation terhadap pola musiman dan nonmusiman. Selanjutnya adalah pemilihan modèle terbaik dengan melakukan overfitting. Berdasarkan tabel diatas maka modèle terbaik yang dapat digunakan adala modèle ARIMA (2,1,1) (24,1,12). Karenan memiliki nilai AIC, SC, SSR yang paling sedikit serta hasil diagnostic check yang baik: Berdasarkan gambar, terlihat bahwa nilai Prob. Lt alpha 0,000 lt 0,05 maka keputusannya adalah tolak H0 yang berarti bahwa données résiduelles tidak berdistribusi normales. Berdasarkan gambar diata terlihat pada nilai prob. Semua nilai signifikan (probabilité gt alpha), ole karena itu dapat disimpulkan bahwa tidak terdapat gejala autokorelasi terhadap données résiduelles. Berdasarkan gambar diata terlihat pada nilai prob. Semua nilai signifikan (probabilité gt alpha), ole karena itu dapat disimpulkan bahwa tidak terdapat gejala hétéroskedastisitas terhadap données résiduelles. Gambar diatas merupakan hasil Prévision des données pour le jour de la semaine (12 bulan) ke depan, pada gambar pertama dan kedua dapat dilihat informasi RMSE dan MAE yaitu 176.10 dan 152.29, dan pada gambar ketiga dapat dilihat hasil prevision untuk periode 12 bulan kedepan. Demikian, Selesai juga dans postingan, sungguh panjang dan sedikit melelahkan. Hehe. Jika ada yang kurang jela silahkan bisa ditanyakan. Semoga Bermanfaat Avoir du plaisir.
No comments:
Post a Comment