Ruchoma średnia dengan minitab

Portal - Statistik Bertemu lagi z postingan kali ini, setelah sekian lama w trybie offline dari blogu blogu, tidak pernah lagi blog mengurusi, nah pada kesempatan kali ini mai berbagi kembali kepada semua sahabat yang membutuhkan tutorial na temat pengetahuan tentang prognozowanie peramalan, mungkin beberapa hari kedepan saya akan banyak opisujący prognozowanie tulisan tentang. 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 paling sederhana yaitu metode Średnia ruchoma. Analiza danych jest w stanie porównać dane z danymi na temat sieci danych, które można porównać do sieci telefonii komórkowej. Analisis runtun waktu merupakan salah satu metode peramalan yang menjelaskan bahwa deretan observasi pada suu reguland dipandang sebagai realisasi dari variabel losowy 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 losowy 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 nonstasioner dapat ditransformasikan menjadi deret yang stasioner. Pola Data Runtun Waktu Salah satu aspek yang paling penting dalem penyeleksian metode peramalan yang sesuai dla danych runtun waktu adalah dla mempertimbangkan perbedaan tipe pola data. Ada empat tipe umum. poziomy, trend, sezonowy, dan cykliczny. Ketika dane obserwaci berubah di sekitar tingkatan atau rata-rata Yang konstanci disebut pola horyzontalni. Sebagai contoh penjualan tiap bulan suuu tidak meningkat atau menurun secara konsysten pada suatu waktu dapat dipertimbangkan dla pól poziomych. Ketika data observasi naik atau menurun pada perluasan periode suatu waktu disebut pole trend. Pola cykliczny ditandai z adanya fluktuasi bergelombang dane yang terjadi di sekitar garis trend. Ketika observasi dipengaruhi oleh faktor musiman disebut pola sezonowy yang ditandai z adanya pola perubahan yang berulang secara otomatis dari tahun ke tahun. Dla runtun tiap bulan, ukuran zmienny komponen sezonowy runtun tiap Januari, tiap Februari, dan seterusnya. Do runtun tiap triwulan ada elemen empat musim, satu do masing-masing triwulan. Pojedyncza średnia ruchoma Rata-rata bergerak tunggal (średnia ruchoma) dla periode t adalah nilai rata-rata dla n jumlah data terbaru. Zaniżono dane w sieci, maka nata-rata-yang baru, dapat dihitung z menghilangkan danych yang terlama i menambahkan danych yang terbaru. Przenoszenie średniej ini digunakan do memprediksi nilai pada periode berikutnya. Model ini sangat cocok digunakan pada danych yang stasioner atau danych yang constant terhadap variansi. tetapi tidak dapat bekerja dengan dane yang mengandung unsur trend atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan data terakhir (Ft), dan menggunakannya dla memprediksi data pada periode selanjutnya. Metode ini sering digunakan dane padają kuartalan atau bulanan za członkostwo mengamati komponen-komponen suatu runtun waktu. Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan (wygładzanie). Dibanding z rata-rata sederhana (dari dane masa lata) rata-rata bergerak berord T mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir dari data yang diketahui. Jumlah titik data dalam setata rata-rata tidak berubah den 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 z baik adanya trend atau musiman, walaupun metode ini lebih baik dibanding rata-rata total. Diberikan N titik data dan diputuskan do menggunakan T pengamatan pada setiap rata-rata (yang disebut z rata-rata bergerak orde (T) atau MA (T), sehingga keadaannya adalah sebagai berikut: Studi Kasus Suatu perusahaan pakaian sepakbola periode januari 2017 sampai dengan Kwiecień 2017 r. Dane menadżerskie data i czas: Manajemen ingin meramalkan hasil penjualan menggunakan metode peramalan yang cocok z danymi tersebut Bandingkan metode MA tunggal orde 3, 5, 7 z aplikaliami Minitab dan MA ganda ordo 3x5 z zastosowaniami Excel, manakah metode yang paling tepat Dane techniczne są dostępne tylko w języku angielskim. Kliknij, aby przejść do pojedynczej średniej kroczącej Adapun langkah-langkah melakukan forcasting Dane techniczne: kliknij prawym przyciskiem myszy na ikonie pulpitu, wybierz program Minitab dengan melakukan kliknij dwukrotnie ikonę pulpitu. digunakan, buat nama variabel Bulan dan Data kemudian masukkan data sesuai studi kasus. m memulai dla prognozy melodyki, terlebih dahulu yang harus dilakukan adalah melihat bentuk sebaran dane runtun waktunya, klik menu Wykres 8211 Time Series Plot 8211 Prosty, masukkan variabel Data ke kotak Series, sehingga didapatkan output seperti gambar. Selanjutnya dla prognoz melakukan z metodą Ruchoma Średnia pojedyncza orde 3, klik menu Stat 8211 Time Series 8211 Średnia ruchoma. . sehingga muncul tampilan seperti gambar dibawag, pada kotak Zmienna: masukkan variabel Data, pada kotak MA Długość: masukkan angka 3, selanjutnya berikan centang pada Generuj prognozy dan isi kotak Liczba prognoz: dengan 1. Przycisk Klik Opcja dan berikan judul z oznaczeniem MA3 dan klik OK. Selanjutnya klik przycisk Storage dan berikan centang pada Średnie kroczące, Pasuje (prognozy jednokresowe do przodu), Pozostałe, dan Prognozy, klik OK. Kemudian klik Graphs dan pilih Fabuła przewidywana kontra aktualna dan OK. Wyjście muncul output seperti gambar dibawah ini, Pada gambar diatas, terlihat z hasłem hasil dari forecast data tersebut, pada periode ke-17 nilai ramalannya adalah 24, denngan MAPE, MAD, dan MSD seperti pada gambar diatas. Cara peramalan z metode Double Moving Średnia dapat dilihat DISINI. ganti saja langsung angka-angkanya dengan danych snu, hehhe. maaf yaa saya tidak jelaskan, lagi laperr soalnya: D demikian postingannya, semoga bermanfaat. Terimakasih atas kunjungannya. Portal-Statistik Malam ini sedang berlangsung bigmatch antara Chelsea VS MU, sambil menunggu kick off babak kedua reperowanie berbagi kepada teman-teman semua. Setelah kemarin saya berbagi postingan tentang Lankah-langkah Peramalan Dengan Metode ARIMA Box-Jenkins z Eviews. malam ini waktunya do melanjutkan postingan tentang analiza danych runtung waktu metode yang lainnya. Ya sesuai dengan diatas, malam ini saya ingin memberikan sedikit pengetahuan tentang Peramalan Data Runtun Waktu Metode SARIMA (Sezonowa autoregresja zintegrowana średnia ruchoma) z Eviews. Metode Box-Jenkins Metode Peramalan adalah cara memperkirakan secara kuantitatif apa Yang akan teriadi pada masa yang akan datang, berdasarkan dane yang relevan pada masa lalu. Metode ini sangat berguna dalam mengadakan pendekatan analisis terhadap perilaku atau pola dari dane yang lalu, sehingga dapat członek cara pemikiran, pengerjaan dan pemecahan yang sistematis dan prakmatis serta memberikan tingkat keyakinan yang lebih. Pokonaj metode dalama peramalan yaitu metode Box Jenkins. Beberapa model dalam Metode Box-Jenkins yaitu: Model ARIMA (p, d, q) Rumus umum model ARIMA (p, d, q) adalah sebagai berikut Model ARIMA dan Faktor Musim (SARIMA) Notasi ARIMA dapat diperluas dla menangani aspek musiman, notasi umumnya adalah: ARIMA (p, d, q) (P, D, Q) S dengan. p, d, q. bagian yang tidak musiman dari model (P, D, Q) S. bagian musiman dari model S. jumlah periode per musim Adapun rumus umum dari ARIMA (p, d, q) (P, D, Q) S sebagai berikut: Dane stasioneritas Dane kestazyeran bisa dilihat dari plot time series. Aby uzyskać więcej informacji na temat danych, należy użyć programu ACF dan PACF nya. ACF diperoleh z rumem sebagai berikut: dengan Zt dane czasowe seria pada waktu ke t dan Z 773 rata-rata sampel. Sedangkan PACF diperoleh z rumem sebagai berikut: dengan k adalah fungsi autokorelasi. Ketidakstasioneran data dalam oznacza dapat diatasi z prozami pembedaan (differncing), sedangkan kestasioneran data dalam varians dapat dilihat denim nilai. Adapun nilai dihitung z rumus sebagai berikut: dengan, Yi aktualny stan na i 1. n. G geometryczne średnie dane dari seluruh, nilai lambda, n jumlah dane obserwowane. Studi Kasus Berikut ini adalah data penjualan sepatu sebuah perushaan A, seorang pemilik perushaan ingin mengetahui perkembangan penjualannya dla 1 tahun kedepan guna menentukan sasaran pasar dan kebijakan yang akan diambilnya. Data dipat diperoleh disini. Adapun langkah-langkah melakukan forcasting dane terhadap z aplikacją menggunakan Eviews metode SARIMA adalah. Membuka aplikasi Eviews dla melakukan Kliknij dwukrotnie ikonę pulpitu na apalah terserah cara masing-masing. Setelah aplikasi Eviews kliknij prawym przyciskiem myszy, klik menu Plik 8211 Nowy - Workfile. Selanjutnya menu pilih Obiekt 8211 Nowy obiekt. kemudian pilih Seria dan isikan nama data pada kotak Nazwa obiektu. Selanjutnya podwójny klik pada nama dane yang telah dibuat, klik przycisk Edytuj. dan wklej dane pada studi kasus pada kolom yang tersedia. Lihat bentuk data tersebut, klik menu Wyświetl 8211 Wykres 8211 OK. Karena data tersebut mengandung pola musiman, maka selanjutnya adalah menghilangkan pola musiman tersebut dengan melakukan differncing musima n, klik menu Quick 8211 Generate Series. pada Wpisz równanie z kodem dslogsepatudlog (sepatu, 0,12). Selanjutnya adalah melakukan różnicowanie niemuzycznych danych terhadap teresebut, klik menu Szybkie 8211 Generowanie serii. pada Wprowadź równanie isi kode dslogsepatudlog (sepatu). Selanjutnya do melihat grafik dari hasil różnicowanie musiman dan non musiman tersebut dapat dilakukan z wybierz dslogsepatu dan dlogsepatu kemudian klik kanan otwórz 8211 jako grupa, kemudian klik menu Wyświetl 8211 Wykres 8211 OK. Sehingga didapatkan hasil seperti gambar dibawah. Setelah melihat hasil kedua grafik tersebut, langkah selanjutnya adalah melakukan menggabung różnicujące musiman dan nonmusiman tersebut, klik menu Szybkie 8211 Generuj serię. pada Wprowadź równanie isi kode ddslogsepatudlog (sepatu, 1,12). Data tersebut telah diasumsikan stasioner terhadap variansi karena telah dilakukan transformasi kedalam bentuk logaritma dan dilakukan differncing musiman dan nonmusiman, selanjutnya adalah menguji apakah data tersebut stasioner terhadap mean. Kliknij menu Wyświetl 8211 Unit Root Test. kemudian isi sesuai gambar. Selanjutnya adalah identifikasi model awal, klik menu Wyświetl 8211 Korelogram. kemudian pilih Ok. Sehingga muncul grafik ACF dan PAC seperti gambar. Dari model grafik diatas, dapat diduga data tersebut mengikuti model ARIMA (2,1,1) (2,1,1) 12. Selanjutnya dilakukan overfitting do memilih model yang signifikan dan terbaik. Pada halaman utama Eviews masukkan perintah seperti gambar. Lakukan overfitting terhadap model-model berikut ini, kemudian tentukan model mana yang signifikan i terbaik z melihat nilai AIC, SC, MSE serta uji asumsi Autokorelasi, Heteroskedasisitas dan Normalitas Residu. dla wyników wyszukiwania normalnego, klik menu Widok 8211 Test resztkowy 8211 Test normalności hostogramu. selanjutnya adalah uji asumsi autokorelasi, klik menu Wyświetl 8211 Pozostały test 8211 Korelogram Q Statystyka. selanjutnya adalah uji asumsi heteroskedastisitas, klik menu Wyświetl 8211 Test resztkowy 8211 Korelogram Kwadratowe reszty. Selanjutnya adalah melakukan forecast atau peramalan, doubleklik pada r ange data dan ubah nilai Data zakończenia z 1982M12. Berdasarkan hasil overfitting tabele diatas, maka yang dipilih adalah model ARIMA (2,1,1) (21,1,12). Menu Klik Prognozuj dan isi sesuai z gambar. Sehingga didapatkanlah hasil forecast dari data tersebut. Selanjutnya mari kita bahas satu persatu wyjście hasil dari permalan yang sudah kita lakukan tadi. Berdasarkan gambar, dapat dikatakan bahwa dane tersebut mengandung pola musiman yang terus berulang dari tahun ketahun, oleh sebab itu metode yang digunakan dalam melakukan prognoza terhadap data tersebut adalah metode SARIMA (Sezonowa autoregresja zintegrowana średnia ruchoma). Karena data tersebut mengandung pola musiman, oleh sebab itu dilakukan differncing terhadap pola musiman dan nonmusimannya supaya data statsioner terhadap mean dan variansi. Hipotesis Ho. Data tidak stasioner H1. Data stasioner Tingkat Signifikansi: 0.05 Daerah Kritis: ADF gtt-Statistic. Tolak H0 Statistika Uji: ADF -13.477 t-statystyka 5 -2.886 Keputusan Uji Karena nilai ADF gt t-statystyka maka keputusannya adalah tolak H0 Kesimpulan: Jadi dening tingkat signifikansi 5 didapatkan kesimpulan bahwa dane tersebut stasioner terhadap mean. Setelah data tersebut stasioner terhadap znaczy dan variansi karena telah dilakukan transformasi dan differncing terhadap pola musiman dan nonmusiman. Selanjutnya adalah pemilihan model terbaik denim melakukan overfitting. Berdasarkan tabel diatas maka model terbaik yang dapat digunakan adalah model ARIMA (2,1,1) (21,1,12). karenan memiliki nilai AIC, SC, SSR yang palenie sedikit serta hasil diagnostyczne sprawdzanie yang baik: Berdasarkan gambar, terlihat bahwa nilai Prob. lt alfa 0,000 lt 0,05 maka keputusannya adalah tolak H0 yang berarti bahwa dane resztkowe tidak berdistribusi normalne. Berdasarkan gambar diatas terlihat pada nilai prob. semua nilai signifikan (prawdopodobnie gt alpha), oleh karena itu dapat disimpulkan bahwa tidak terdapat gejala autokorelasi terhadap dane szczątkowe. Berdasarkan gambar diatas terlihat pada nilai prob. semua nilai signifikan (prawdopodobnie gt alpha), oleh karena itu dapat disimpulkan bahwa tidak terdapat gejala heteroskedastisitas terhadap data szczątkowy. Gambar diatas merupakan hasil forecast data penjualan sepatu 1 tahun (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 forecast dla periode 12 bulan kedepan. Demikian, Selesai juga ini postingan, sungguh panjang dan sedikit melelahkan. hehe. Jika ada yang kurang jelas silahkan bisa ditanyakan. Semoga Bermanfaat HAVE FUN. Modul Minitab Dla Peramalan Dengan Metode Arima Dan Double Exponential podręcznik minitab dla aplikacji analisis ARIMA MODUL MINITAB UNTUK PERAMALAN DENGAN METODE ARIMA DAN PODWÓJNA EXPONENTIAL Minitab adalah program statistik yang setiap versinya terus dikembangkan. Gambar 1 memperlihatkan kepada anda aspek-aspek utama dari Minitab. Pasek menu adalah tempat anda memilih perintah-perintah. Toolbar menampilkan tombol-tombol do fungsi-fungsi yang sering dipakai. Perhatikan bahwa tombol-tombol tersebut berubah tergantung dari window Minitab mana yang dibuka. Ada dua window berbeda pada layar Minitab: window data tempat i memasukkan, mengedit, dan melihat kolom data dari setiap kertas-kerja dan sesi window yang menayangkan output teks seperti misalnya tabela statystistik. Pada beberapa bab berikut perintah-perintah khusus akan diberikan agar ia dapat memasukkan data kedalam lembar kerja Minitab dan mengaktifkan prosedur peramalan dla menghasilkan peramalan yang diperlukan. Gambar 1 Layar Minitab Faktor utama yang mempengaruhi pemilihan teknik peramalan adalah identifikasi dan pemahaman pola historis data. Pola historis dane ini bisa dilihat dari fabuła deret beserta fungsi auto-korelasi sampel. 1 Langkah-langkah mendapatkan plot deret z Minitab 14 adalah sebagai berikut: 1. Memasukkan data produksi pupuk ke dalam kolom C1. Na stronie wyświetla się deret, klik menu menu, a następnie wybierz opcję 2 StatTime SeriesTime Series Plot Gambar 2 Menu, wykresy Deret pada Minitab 2. Okno dialogowe Kotak Time Series Wykreśl ditampilkan pada gambar 3, lalu pilih jenis plotuj yang diinginkan. Lalu klik OK. 2 Gambar 3 Okno dialogowe Kotak Seria czasowa Wykres 3. Okno dialogowe Kotak Seria czasowa Wykres prosty Ditampilkan pada gambar 4 Klik dua kali pada variabel produksi dan hal ini akan muncul disebelah bawah Seria. Lalu klik OK. Gambar 4 Kotak Dialog Time Series Fabuła-Prostota 3 Sedangkan langkah-langkah dla mendapatkan pola auto-korelasi adalah sebagai berikut: 1. Dla wielu użytkowników, klik menu menu dla wyboru gamepada 5 StatTime SeriesAutocorrelation Gambar 5 Menu Auto-korelasi pada Minitab 2 Okno dialogowe Kotak Funkcja autokorelacji mucul pada gambar 6 a. Klik dua kali pada variabel produksi dan hal ini akan muncul disebelah kanan Series. b. Masukkan judul (Tytuł) pada ruang yang dikehendaki dan klik OK. Hasil korrelogram ditampilkan pada gambar 7. 4 Gambar 6 Funkcja autokorelacji kotakowej Gambar 7 Fungsi Auto-korelasi dari variabel Produksi Pupuk Autokorelacja Funkcja dla produkcji (z 5 limitami istotności dla autokorelacji) 1.0 0.8 0.6 Autokorelacja 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 4,97 2,73 1,96 1,50 0,94 0,94 0,68 0,38 LBQ 27,12 49,49 66,49 79,41 89,39 96,41 100,48 101,81 Jika dalam gambar 7 masih menunjukkan adanya autokorelasi (non-stasioner) maka data szereg czasowy perse dilakukan proses różnice dla mendapatkan deret yang stasioner. Langkah-langkah analizuje różnice sebagai berikut: 1. Dowolne dane danych selisih (różnice), klik pada menu-menu berikut StatTime SeriesDifferences Pilihan Differences berada diatas pilihan Autocorrelation yang ditampilkan gambar 2. 2. Okno dialogowe Kotak Różnice ditampilkan pada gambar 8. a. Klik dua kali pada variabel produksi pupuk dan hal ini akan muncul disebelah kanan Series. b. Tekan Tab dla menyimpan selisih (differences) dan dimasukkan kedalam C2. Dane selisih (różnice) kini akan muncul dalam worksheet di kolom C2. Gambar 8 Różnice Dialogowe 6 Dalam modul ini hania digunakan dua metode peramalan yaitu ARIMA dan Double Exponential Smoothing. Double Exponential Smoothing Dla melakukan pemulusan mengunakan metode Double Exponential dane pada, lakukan langkah-langkah berikut: 1. Menu Melalui, klik menu menu, menu seperti pada gambar 9: StatTime SeriesDouble Exponential Smoothing Gambar 9 Menu Double Exponential pada Minitab 2. Okno dialogowe Muncul kotak Double Exponential Smoothing seperti pada gambar 10. a. Klik dua kali variabel produksi dan akan muncul sebagai variabel. b. Pada bobot yang akan digunakan sebagai smoothing, pilih Optimal ARIMA, kemudian klik OK. Hasilnya diperlihatkan pada gambar 11. 7 Gambar 10 Dialog podwójny wykładniczy Gambar 11 Pemulusan Ekspresyjny liner Hold Dane Produksi Pupuk Double Exponential Smoothing Plot dla produksi 9000000 8000000 7000000 6000000 produksi 5000000 4000000 3000000 2000000 1000000 0 3 6 9 12 15 18 Indeks 21 24 27 30 Zmienna A ctual Pasuje do stałych wygładzania A lpha (poziom) 0.940976 Gamma (trend) 0.049417 Dokładność Pomiar MA PE 1.93411E01 MA D 4.57345E05 MSD 3.26840E11 8 ARIMA Metode ARIMA sangat baik digunakan dla mengkombinasikan pola trend, faktor musim dan faktor siklus dengan lebih komprehensif. Disamping itu model ini mampu meramalkan data historis z kondisi yang sulit dimengerti pengaruhnya terhadap data secara teknis. Salah satu kunci merumuskan model ARIMA adalah nilai autokorelasi dan autokorelasi parsial, yang besarnya bervariasi antara -1 sampai 1. Disamping itu, dane yang dapat dimodelkan z modelem ARIMA haruslah stasioner nilai tengah dan stasioner ragam. Langkah yang dilakukan dla identifikasi model awal dari ARIMA tanpa musiman adalah: a. Dane wykresu Buat berdasarkan periode pengamatan (seria). Jika danych berfluktuasi pada garis lurus dengan tingkat fluktuasi yang relatif sama maka danych tersebut sudah stasioner. Jika tidak stasioner lakukan diferensiasi. b. Jika seria telah stasioner, buat grafik autokorelasi parsial dari seria danych. Lihat pola do menentukan model ARIMA awal. do. Lakukan permodelan ARIMA (p, d, q) sesuai od modelu awal yang ditetapkan pada bagian b. Kemudian verifikasi kelayakan model yang dihasilkan. re. Lakukan overfitting, yaitu duga model z nilai p, d, q lebih besar dari yang ditentukan pada model awal. mi. Tkańka modelu yang paląca się z melihat MSE. Peramalan dilakukan z menggunakan model yang terbaik. Do serii danych musiman, langkah-langkahnya mirip z tanpa musiman, dengan menambahkan model do musiman. Langkah dla melakukan pemodelan ARIMA dalam Minitab 14 adalah sebagai berikut: 1. Apabila data tersimpan dalam file, bukalah z menu berikut: FileOpen Worksheet 2. Dla mężczyzn auto-korelassy variabel produksi, klik menu sebagai berikut seperti pada gambar 5: StatTime SeriesAutocorrelation 3. Okno dialogowe Kotak Funkcja autokorelacji (gambar 6) muncul: a. Klik dua kali variabel produksi dan akan muncul di sebelah kanan series b. Klik OK dan muncul gambar 7. 4. Sebagai upaya melakukan selisih pada dane, klik menu menu seperti pada gambar 8: StatTime SeriesDifferences 5. Okno dialogowe Kotak Różnice seperti pada gambar 9 muncul a. Klik dua kali variabel produksi dan akan muncul disebelah kanan series b. Tab dla sklepu Różnice w: dan wpisz C2 9 c. Tab dla Lagu: dan wpisz 1. Klik OK dan selisih pertama akan muncul di kolom 2 mulai baris 2. 6. Znacznik zmienny C2 dla Diff1prod. Dla menadżerów auto-korelasi variabel ini, ulangi langkah 2 dengan menggunakan Diff1prod sebagai variabel disebelah kanan deret. 7. Dla menażerów auto-korelari parsial dari variabel Diff1prod kliknij polecenie seperti pada gambar 12: StatTime SeriesPertial Autocorrelation Gambar 12 Menu auto-korelasi parsial pada Minitab 8. Okno dialogowe Kotak Partial Autocorrelation Function 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 Dialog częściowy Kotak Częściowa autokorelacja 9. Model ARIMA (5,1,5) z menu podręcznego: StatTime SeriesArima 10. Okno dialogowe Kotak ARIMA muncul seperti gambar 14 a. Klik dua kali variabel produksi dan akan muncul disebelah kanan series. b. Di bawah Nonseasonal di kanan Autoregressive masukkan 5 di kanan Różnica masukkan 1 dan 5 di kanan Średnia ruchoma. do. Karena data telah diselisihkan, klik off kotak Uwzględnij stały termin w modelu. re. Klik prognozy dan kotak dialog ARIMA-Forecast muncul. Do meramalkan dua periode ke depan tempatkan 2 di kanan Prowadzenie: Klik OK. mi. Klik Storage dan kotak dialog ARIMA-Storage muncul. Klik kotak di kanan Pozostało dan kliknij OK OK okno dialogowe ARIMA dan bagian bawah gambar muncul. h. Dla menażka auto-korelasi rezydualny, ulangi langkah 2 z menggunakan Res1 sebagai variabel di kanan deret. 11 Gambar 14 Okno dialogowe Kotak ARIMA 12