Pertemuan moving average teknik Pemulusan
Download 0.67 Mb.
|
MATERI 2 (SMADMA) (1)
- Bu sahifa navigatsiya:
- Tahun Bulan Ekspor Kayu (USD)
- Langkah-Langkah dalam Minitab
- SMA(2) SMA(3) SMA(4) SMA(5)
- CARA 2 input data
- Peramalan dengan menggunakan MA(3)
- CARA 2 3.3.2 Double Moving Average
- Tahun Pendapatan Asli Daerah (Rp)
- Peramalan SMA(2) Peramalan SMA(4)
|
3.3 Contoh Kasus
3.3.1 Single Moving Average Adapun data yang digunakan dalam contoh kasus ini adalah data ekspor kayu di Kalimantan Timur dari bulan Januari tahun 2013 sampai bulan November tahun 2018. Sehingga banyak data yang digunakan dalam tugas ini adalah sebanyak 71 data. Nilai ekspor adalah nilai berupa uang, termasuk semua biaya yang diminta oleh eksportir. Data yang ada menggunakan satuan Juta USD. Tabel 1 Data Ekspor Kayu di Kalimantan Timur dari Tahun 2013 sampai Tahun 2018
Sumber : BPS Provinsi Kalimantan Timur Langkah-Langkah dalam Minitab Aplikasi yang akan digunakan untuk membantu meramalkan data dengan metode Single Moving Average adalah Minitab dan R. Adapun langkah-langkah pada Minitab adalah sebagai berikut: Input data ekspor kayu di Kalimantan Timur dari bulan Januari tahun 2013 sampai bulan November tahun 2018 secara berurutan di kolom C1 (atau kolom C1 dapat diberi nama dengan Zt) Klik Stat – Time Series – Moving Average Pada kolom Series input C1, lalu pada length input banyaknya periode yang akan digunakan (Contoh untuk SMA(2) maka input nilai 2, begitupun untuk SMA(3) maka input nilai 3, begitu seterusnya) Klik centang pada Generate Forecast, untuk peramalan 1 langkah ke depan pada Number of forecast input 1 lalu pada starting from origin input banyaknya data yang ada, karena jumlah data yang ada pada contoh ada 71 data maka input nilai 71 Pilih storage lalu pilih Fits dan Forecast Klik OK Output yang dihasilkan adalah sebagai berikut. Gambar 1 Grafik Runtun Waktu Data Variabel Ekspor Kayu di Kalimantan Timur pada Tahun 2013 sampai 2018 Berdasarkan Gambar 1 diperoleh bahwa secara visual data cenderung stasioner. Hal ini dapat terlihat dari grafik yang cenderung berfluktuasi secara stabil. Gambar 2 Output Metode Single Moving Average Periode 2 dari Minitab Berdasarkan Gambar 2 dapat dilihat bahwa nilai peramalan yang dihasilkan adalah dengan tingkat akurasi pada nilai MAPE adalah sebesar . Lakukan langkah-langkah di atas untuk periode 3, 4, 5, dan 6. Setelah itu akan diperoleh hasil peramalan dan nilai MAPE seperti yang terlihat pada Tabel 2 di bawah ini: Tabel 2 Perbandingan Nilai MAPE dan Forecast untuk SMA Periode 2 sampai dengan 6
Berdasarkan Tabel 2 dapat diketahui bahwa nilai MAPE terkecil dihasilkan oleh metode Single Moving Average periode ke-6 yaitu sebesar . Adapun nilai peramalan yang dihasilkan dari SMA(6) adalah 22,087. Jadi, dapat disimpulkan bahwa nilai ekspor kayu pada bulan desember tahun 2018 adalah sebesar 22,087 USD. Adapun sintaks untuk software R adalah sebagai berikut. CARA 1 install.packages("smooth") install.packages("Mcomp") require(smooth) require(Mcomp) X=read.table(file.choose(),header=T) X=ts(X, start=1, end=71, freq=1) X sma(X) a=sma(X) forecast(a) CARA 2 #input data X=scan() n=length(X) k=3 #Peramalan dengan menggunakan MA(3) MA=array(NA,dim=c(n)) for(i in 1:n){ MA[i+k]=mean(X[i:(i+(k-1))])} MA View(MA) ##MAPE## PE=array(NA, dim=c(n)) for(i in 1:n){ PE[i]=abs((X[i]-MA[i])/X[i])} PE MAPE=mean(PE,na.rm=TRUE) MAPE ##data time series## X=ts(X, start=1, end=31, freq=1) X MA5=ts(MA, start=1, end=31, freq=1) MA5 pred=ts(MA[32], start=32, freq=1) pred ##plot tipe titik## plot=plot(X, type="o", col="red",lwd=2, xlim=c(1,35), ylim=c(10,50), xlab="Periode", ylab="Rupiah", main="Plot Data Asli dan Ramalan Produk Susu") lines(MA5, col="blue", lwd=2, type="o") limitDate=end(X)[1]+(end(X)[2]-1)/frequency(X) abline(v=limitDate,lty=4) lines(pred,col="green", lwd=2, type="o") legend("bottomleft", c("Asli", "Prediksi", "Ramalan"), pch=21, bty="n", lwd=2, col=c("red", "blue","green")) Berdasarkan sintaks di atas diperoleh output sebagai berikut. CARA 1 Berdasarkan output di atas dapat diketahui bahwa nilai MAPE paling kecil akan diperoleh pada SMA periode ke-6 dan nilai peramalan untuk 1 langkah ke depan adalah 22.08667. CARA 2 3.3.2 Double Moving Average Adapun data yang digunakan dalam contoh kasus ini adalah data pendapatan asli daerah Provinsi Kalimantan Timur dari tahun 1994 sampai tahun 2019. Sehingga banyak data yang digunakan dalam tugas ini adalah sebanyak 26 data. Tabel 2 Pendapatan Asli Daerah Provinsi Kalimantan Timur tahun 1994-2019
Sumber : BPS Provinsi Kalimantan Timur Time Series Plot Sintaks software R untuk time series plot
Interpretasi : Berdasarkan pengujian data pendapatan asli daerah Provinsi Kalimantan Timur tahun 1994-2019 dengan menggunakan time series plot, secara visual dapat dilihat bahwa data pendapatan asli daerah mengalami pola trend, hal ini dikarenakan pergerakan data tersebut dari waktu ke waktu mengalami kenaikan dalam jangka panjang. Adapun sintaks untuk software R adalah sebagai berikut. #Peramalan DMA Orde 2 #input data, run X=scan() kemudian copy data pada R console X=scan() n=length(X) k=2 #Peramalan dengan MA(2) MA=array(NA,dim=c(n)) for(i in 1:n){ MA[i+(k-1)]=mean(X[i:(i+(k-1))])} MA View(MA) m=2 DMA=array(NA,dim=c(n)) for(i in 1:n){DMA[i+(m-1)+(k-1)]=mean(MA[(i+(k-1)):(i+(m-1)+(k-1))])} DMA View(DMA) #Mencari nilai a a=array(NA,dim=c(n)) for(i in 1:n) {a[i+(m-1)+(k-1)]=2*MA[i+(m-1)+(k-1)]-DMA[i+(m-1)+(k-1)]} a View(a) #mencari nilai b b=array(NA,dim=c(n)) for(i in 1:n){b[i+(m-1)+(k-1)]=(2/(m-1))*(MA[i+(m-1)+(k-1)]-DMA[i+(m-1)+(k-1)])} b View(b) #Prediksi Prediksi=array(NA,dim=c(n)) for(i in 1:n){ Prediksi[i+(m-1)+(k-1)+1]=a[i+(m-1)+(k-1)]+b[i+(m-1)+(k-1)]} Prediksi #MAPE PE=array(NA,dim=c(n)) for(i in 1:n){PE[i]=abs((X[i]-Prediksi[i])/X[i])} PE View(PE) MAPE=mean(PE,na.rm=TRUE) MAPE #Peramalan DMA Orde 4 #input data, run X=scan() kemudian copy data pada R console X=scan() n=length(X) k=4 #Peramalan dengan MA(4) MA=array(NA,dim=c(n)) for(i in 1:n){MA[i+(k-1)]=mean(X[i:(i+(k-1))])} MA View(MA) m=4 DMA=array(NA,dim=c(n)) for(i in 1:n){DMA[i+(m-1)+(k-1)]=mean(MA[(i+(k-1)):(i+(m-1)+(k-1))])} DMA View(DMA) #Mencari nilai a a=array(NA,dim=c(n)) for(i in 1:n){a[i+(m-1)+(k-1)]=2*MA[i+(m-1)+(k-1)]-DMA[i+(m-1)+(k-1)]} a View(a) #mencari nilai b b=array(NA,dim=c(n)) for(i in 1:n){b[i+(m-1)+(k-1)]=(2/(m-1))*(MA[i+(m-1)+(k-1)]-DMA[i+(m-1)+(k-1)])} b View(b) #Prediksi Prediksi=array(NA,dim=c(n)) for(i in 1:n){Prediksi[i+(m-1)+(k-1)+ 1]=a[i+(m-1)+(k-1)]+b[i+(m-1)+(k-1)]} Prediksi View(Prediksi) #MAPE PE=array(NA, dim=c(n)) for(i in 1:n){PE[i]=abs((X[i]-Prediksi[i])/X[i])} PE View(PE) MAPE=mean(PE,na.rm=TRUE) MAPE Diperoleh nilai prediksi dan mape sebagai berikut: Peramalan SMA(2) Peramalan SMA(4) Berdasarkan output di atas dapat diketahui bahwa nilai MAPE paling kecil diperoleh dari DMA orde 2 dan nilai peramalan PAD Kaltim untuk 1 periode ke depan adalah 6.270.000.000.000 atau 6,27 triliun. TUGAS MASUK Kerjakan dengan menggunakan DMA Orde 3 dan 5 untuk data Pendapatan Asli Daerah Provinsi Kalimantan Timur di atas kemudian interpretasikan hasil analisis kalian! Download 0.67 Mb. Do'stlaringiz bilan baham: 
|