Moving average pada minitab




Moving average pada minitabModul Minitab Untuk Peramalan Dengan Metode Arima Dan Doppel Exponential manuelles Buch minitab untuk aplikasi analisis ARIMA MODUL MINITAB Untuk PERAMALAN dengan METODE ARIMA DAN DOUBLE EXPONENTIAL Minitab adalah Programm statistik Yang setiap versinya Terus dikembangkan. Gambar 1 memperlihatkan kepada und ein aspek-aspek utama dari Minitab. Menuleiste adalah tempat und ein memilih perintah-perintah. Symbolleiste menampilkan tombol-tombol untuk fungsi-fungsi yang sering dipakai. Perhatikan bahwa tombol-tombol tersebut berubah tergantung dari fenster Minitab mana yang dibuka. Ada dua Fenster berbeda Pada layar Minitab: Fensterdaten Tempat undeinem memasukkan, mengedit, dan Melihat kolom Daten Dari setiap Kertas-kerja dan sesi Fenster Yang menayangkan Ausgabe teks seperti misalnya Tabel statistik. Pada beberapa bab berikut perintah-perintah khusus Akan diberikan Agar undeinem dapat memasukkan Daten 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 Daten. Pola historis Daten ini bisa dilihat dari plot deret beserta fungsi auto-korelasi sampel. 1 Langkah-Langkah mendapatkan Grundstuck Deret dengan Minitab 14 adalah sebagai berikut: 1. Memasukkan Daten produksi Pupuk ke dalam kolom C1. Untuk membentuk Grundstuck Deret, klik Menu-Menu berikut seperti Pada gambar 2 StatTime SeriesTime Serie Plot Gambar 2 Menu Plot Deret Pada Minitab 2. Kotak Dialog Zeitreihen Plot ditampilkan Pada gambar 3, lalu pilih jenis Grundstuck Yang diinginkan. Lalu klik OK. 2 Gambar 3 Kotak Dialog Zeitreihen Plot 3. Kotak Dialog Zeitreihen Handlung Einfache ditampilkan Pada gambar 4 Klik dua kali Pada Variabel produksi dan hal ini Akan Muncul disebelah bawah Series. Lalu klik OK. Gambar 4 Kotak Dialog Time Series Plot-Einfache 3 Sedangkan Langkah-Langkah untuk mendapatkan pola Auto korelasi adalah sebagai berikut: 1. Untuk membentuk korrelogram, klik Menu-Menu berikut seperti Pada gambar 5 StatTime SeriesAutocorrelation Gambar 5 Menu Auto-korelasi Pada Minitab 2 Kotak-Dialog Autokorrelation Funktion mucul pada gambar 6 a. Sie konnen das IMDb - Team auf Fehler und Lucken auf dieser Seite hinweisen. B. Masukkan Judul (Titel) Pada Ruang Yang Dikehendaki Dan Klik OK. Hasil korrelogram ditampilkan Pada gambar 7. 4 Gambar 6 Kotak Dialog Autokorrelationsfunktion Gambar 7 Fungsi Auto-korelasi Dari Variabel Produksi Pupuk Autokorrelationsfunktion fur produksi (mit 5 Bedeutung Grenzen fur die Autokorrelationen) 1,0 0,8 0,6 Autocorrelation 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 0,173246 T 2,73 1,96 1,50 4,97 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 Datenzeitreihen tersebut Perlu dilakukan proses Unterschiede untuk mendapatkan Deret yang stasioner. Langkah-Langkah proses Unterschiede sebagai berikut: 1. Untuk membuat Daten Selisih (Unterschiede), klik Pada Menu-Menu berikut StatTime SeriesDifferences Pilihan Unterschiede berada diatas Pilihan Autocorrelation Yang ditampilkan gambar 2. 2. Kotak Dialog Unterschiede ditampilkan Pada gambar 8. a. Sie konnen das IMDb - Team auf Fehler und Lucken auf dieser Seite hinweisen. B. Tekan Tab Untuk menyimpan selisih (Unterschiede) dan dimasukkan kedalam C2. Daten selisih (Unterschiede) kini akan muncul dalam Arbeitsblatt di kolom C2. Gambar 8 Kotak Dialog Unterschiede 6 Dalam modul ini hanya digunakan dua metode peramalan yaitu ARIMA Dan Double Exponential Glattung. Doppel exponentielle Glattung Untuk melakukan pemulusan mengunakan metode Doppel Exponential Pada Daten, lakukan Langkah-Langkah berikut: 1. Melalui Menu klik Menu-Menu berikut seperti Pada gambar 9: StatTime SeriesDouble exponentielle Glattung Gambar 9 Menu Doppel Exponential Pada Minitab 2. Muncul kotak Dialog Doppelte Exponentialglattung seperti pada gambar 10. a. Sie haben soeben einen Artikel in den Warenkorb gelegt. B. Pada Bobot Yang Akan Digunakan sebagai Glattung, pilih Optimal ARIMA, kemudian klik OK. Hasilnya diperlihatkan Pada gambar 11. 7 Gambar 10 Kotak Dialog Doppel Exponential Gambar 11 Pemulusan Eksponensial Linier Halten Daten Produksi Pupuk Doppel exponentielle Glattung Parzelle zum produksi 9000000 8000000 7000000 6000000 produksi 4000000 3000000 2000000 5000000 1000000 0 3 6 9 12 15 18 Index 21 24 27 30 Variable A ctual Passt Glattung Konstanten A lpha (Pegel) 0,940976 Gamma (Trend) 0,049417 G enauigkeit Ma?nahmen MA PE 1.93411E01 MA D 4.57345E05 MSD 3.26840E11 8 ARIMA Metode ARIMA sangat baik digunakan untuk mengkombinasikan pola Trend, faktor musim dan faktor siklus dengan Lebih Komprehensiv Disamping itu Modell ini Mampu meramalkan Daten Historis dengan kondisi Yang Sulit dimengerti pengaruhnya terhadap Daten Secara teknis. Salah satu kunci merumuskan Modell ARIMA adalah nilai autokorelasi dan autokorelasi parsial, yang besarnya bervariasi antara -1 sampai 1. Disamping itu, Daten Yang dapat dimodelkan dengan Modell ARIMA haruslah stasioner nilai tengah dan stasioner Ragam. Langkah yang dilakukan untuk identifikasi modellieren awal dari ARIMA tanpa musiman adalah: ein. Buat Plot Daten berdasarkan Periode Pengamatan (Serie). Jama Daten berfluktuasi pada garis lurus dengan tingkat fluktuasi yang relatif sama maka Daten tersebut sudah stasioner. Jika tidak stasioner lakukan diferensiasi. B. Jika Serie telah stasioner, buat grafik autokorelasi parsial dari Datenreihe. Lihat pola untuk menentukan vorbildliches ARIMA awal. C. Lakukan permodelan ARIMA (p, d, q) sesuai dengan modellieren awal yang ditetapkan pada bagian b. Kemudian verifikasi kelayakan vorbildliches yang dihasilkan. D. Lakukan Uberbearbeitung, yaitu duga Modell dengan nilai p, d, q lebih besar dari yang ditentukan pada Modell awal. D. h. Tetapkan Modell Yang Paling baik dengan Melihat MSE. Peramalan dilakukan dengan menggunakan Modell Yang terbaik. Untuk Datenreihe musiman, langkah-langkahnya mirip dengan tanpa musiman, dengan menambahkan model untuk musiman. Langkah untuk melakukan pemodelan ARIMA dalam Minitab 14 adalah sebagai berikut: 1. Apabila Daten tersimpan dalam Datei, bukalah dengan Menu berikut: Fileopen Arbeitsblatt 2. Untuk menghitung Auto korelasi Variabel produksi, klik Menu sebagai berikut seperti Pada gambar 5: StatTime SeriesAutocorrelation 3. Kotak-Dialog Autokorrelationsfunktion (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 Pada Daten, klik Menu berikut seperti Pada gambar 8: StatTime SeriesDifferences 5. Kotak Dialog Unterschiede seperti Pada gambar 9 Muncul ein. Klik dua kali variabel produksi kanan Reihe b. Tab untuk Store Unterschiede in: dan enter C2 9 c. Tab untuk Lag: dan Geben Sie 1. Klik OK dan selisih pertama akan muncul di kolom 2 mulai baris 2. 6. Label 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 Autocorrelation Gambar 12 Menuauto korelasi parsial Pada Minitab 8. Kotak Dialog partielle Autokorrelationsfunktion Muncul seperti Pada gambar 13. a. Klik dua kali variabel Artikel weiterempfehlen. B. StatTime SeriesArima 10. Kotak Dialog ARIMA Muncul seperti gambar 14 a: Klik OK dan Muncul 14. 10 Gambar 13 Kotak Dialog partielle Autokorrelations 9. Modell ARIMA (5,1,5) dijalankan dengan klik Menu berikut gambar. Klik dua kali variabel produksi als akan muncul disebelah kanan Reihe. B. Di bawah Nonseasonal di kanan Autoregressive masukkan 5 di kanan Verschiedene masukkan 1 dan 5 di kanan Moving Average. C. Karena Daten telah diselisihkan, klik off kotak Fugen Sie konstanten Begriff in Modell. D. Klik-Vorhersage dan kotak dialog ARIMA-Vorhersage muncul. Untuk meramalkan dua periode ke depan tempatkan 2 di kanan Blei: Klik OK. D. h. Klik Speicherung als Kotakdialog ARIMA-Speicher muncul. Klik kotak di kanan Zuruck Weiter dan klik OK pada kotak dialog ARIMA dan bagian bawah gambar muncul. H. Untuk menghitung auto-korelasi restliche, ulangi langkah 2 dengan menggunakan Res1 sebagai variabel di kanan deret. 11 Gambar 14 Kotak Dialog ARIMA 12Was ist ein gleitendes Durchschnittsdiagramm Eine Art von zeitgewichteten Kontrolltafeln, die den ungewichteten gleitenden Durchschnitt uber die Zeit fur einzelne Beobachtungen darstellt. Dieses Diagramm verwendet Steuergrenzen (UCL und LCL), um zu bestimmen, wann eine Au?er-Steuer-Situation aufgetreten ist. Moving Average (MA) - Diagramme sind effektiver als Xbar-Diagramme bei der Erkennung kleiner Prozessverschiebungen und sind besonders nutzlich, wenn es nur 1 Beobachtung pro Untergruppe gibt. Jedoch werden EWMA-Diagramme allgemein gegenuber MA-Diagrammen bevorzugt, da sie die Beobachtungen gewichten. Die Beobachtungen konnen entweder Einzelmessungen oder Untergruppen sein. Bewegungsdurchschnitte werden aus kunstlichen Untergruppen berechnet, die aus aufeinanderfolgenden Beobachtungen erstellt werden. Beispiel eines gleitenden Durchschnittsdiagramms Ein Hersteller von Zentrifugenrotoren mochte den Durchmesser aller in einer Woche produzierten Rotoren verfolgen. Die Durchmesser mussen nahe am Ziel liegen, da auch kleine Verschiebungen zu Problemen fuhren. Die Punkte scheinen zufallig um die Mittellinie zu variieren und liegen innerhalb der Kontrollgrenzen aber es gibt einen Punkt, der nahe an die Kontrollgrenze kommt, die Sie untersuchen mochten. Was ist ein gleitender Durchschnitt Der erste gleitende Durchschnitt ist 4310, das ist Der Wert der ersten Beobachtung. (In der Zeitreihenanalyse wird die erste Zahl in der gleitenden Mittelreihe nicht als fehlender Wert berechnet.) Der nachste gleitende Durchschnitt ist der Durchschnitt der ersten beiden Beobachtungen (4310 4400) 2 4355. Der dritte gleitende Durchschnitt ist der Durchschnitt der Beobachtungen 2 und 3, (4400 4000) 2 4200 und so weiter. Wenn Sie einen gleitenden Durchschnitt der Lange 3 verwenden wollen, werden drei Werte anstelle von zwei gemittelt. Copyright 2016 Minitab Inc. Alle Rechte vorbehalten. Durch die Nutzung dieser Website erklaren Sie sich mit der Verwendung von Cookies fur Analytics und personalisiertem Content einverstanden. Lesen Sie unsere Richtlinien