Peramalan moving average dengan minitab

Modulo Minitab Untuk Peramalan Dengan Metodo Arima Dan Duplo Manual Exponencial minitab para aplicação analítica ARIMA MODUL MINITAB UNTUK PERAMALAN DENGAN METODO ARIMA DAN DUPLO EXPONENCIAL Minitab adalah program statistik yang setiap versinya terus dikembangkan. Gambar 1 memperlihatkan kepada e um aspek-aspek utama dari Minitab. Barra de menu adalah tempat anda memilih perintah-perintah. Barra de ferramentas Menombolo tombol-tombol untuk fungsi-fungsi yang sering dipakai. Perhatikan bahwa tombol-tombol tersebut berubah tergantung dari janela Minitab mana yang dibuka. Ada dua window berbeda pada layar Minitab: janela data tempat anda memasukkan, mengedit, dan melihat kolom dados dados setiap kertas-kerja dan sesi janela yang menayangkan saída teks seperti misalnya tabel statistik. Pada beberapa berikut perinja-perintah khusus akan diberikan agar anda dapat memasukkan dados 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 identificador dan pemahaman pola historis dados. Pola historis data ini bisa dilihat dari traçar um mapa do site auto-korelasi sampel. 1 Langkah-langkah mendapatkan plotter derit dengan Minitab 14 adalah sebagai berikut: 1. Memorando de dados de produtos de qualidade inferior C1. Untuk membentuk plot plotter, klik menu-menu mostrar detalhes do jogo 2 StatTime SeriesTime Series Plot Gambar 2 Menu Plot Deret pada Minitab 2. Diálogo Kotak Diagrama de Série de Tempo Diagrama de Linha Gaming 3, lalu pilih jenis plot yang diinginkan. Lalu klik OK. 2 Gambar 3 Diálogo de Kotak Diagrama de séries de tempo 3. Diálogo de Kotak Série de tempo Plot-Simple ditampilkan pada gambar 4 Ciclo de tempo de Kotak. Lalu klik OK. Gambar 4 Séries de tempo da caixa de diálogo de Kotak Plot-Simples 3 Série de tempo de diálogo de Kotak Série-Temporal 3 Série de tempo de diálogo de Kotak Série de tempo de série de série de Auto-korelasi pada Minitab 2 Diálogo Kotak Autocorrelação Função mucul pada gambar 6 a. Klik dua kali pada variavel produksi dan ini akan muncul disebelah kanan Series. B. Masukkan judul (Título) pada ruang yang dikehendaki dan klik OK. (5 limites de significância para as autocorrelações) 1,0 0,8 0,6 Autocorrelação 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 0,133246 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 (não-stasioner) maka dados séries temporais tersebut perlu dilakukan proses diferenças untuk mendapatkan deret yang stasioner. Langkah-langkah proses diferenças sebagai berikut: 1. Untuk membuat dados selisih (diferenças), klik pada menu-menu berikut StatTime SeriesDifferences Pilihan Diferenças berada diatas pilihan Autocorrelação yang ditampilkan gambar 2. 2. Kotak diálogo Diferenças ditampilkan pada gambar 8. a. Klik dua kali pada variabel produksi pupuk dan hal ini akan muncul disebelah kanan Series. B. Tekan Tab untuk menyimpan selisih (diferenças) dan dimasukkan kedalam C2. Dados selisih (diferenças) kini akan muncul dalam folha de trabalho kolom C2. Gambar 8 Diferenças de diálogo Kotak 6 Dalam modul ini hanya digunakan dua metodo peramalan yaitu ARIMA dan Double Exponential Smoothing. Double Exponential Smoothing Tipos de Dados Exponenciais duplos Exemplos de Dados de Pada Exponencialmente: 1. Menu de Melalui, menu de menu de seleção de menu e seção de menu 9: Série de StatTime Exponencial Suavização de Gambar 9 Menu Duplo Exponencial pada Minitab 2. Diálogo de Muncul kotak Dupla Exponencial Suavização seperti pada gambar 10. a. Clique aqui para ver o gráfico abaixo. B. Pada bobot yang akan digunakan sebagai suavização, pilih Optimal ARIMA, kemudian klik OK. Hasilnya diperlihatkan pada gambar 11. 7 Gambar 10 Kotak Dialog Exponencial Duplo Gambar 11 Pemulusan Eksponensial Linier Hold Dados Produzidos Pupuk Double Exponential Smoothing Plot para produksi 9000000 8000000 7000000 6000000 5000000 4000000 3000000 2000000 1000000 0 3 6 9 12 15 18 Índice 21 24 27 30 Variável A ctual Fits Smoothing Constantes A lpha (nível) 0.940976 Gamma (tendência) 0.049417 A ccuracy Medidas MA PE 1.93411E01 MA D 4.57345E05 MSD 3.26840E11 8 ARIMA Metodo ARIMA codinome digunakan untuk mengkombinasikan pola tendência, faktor musim dan faktor siklus dengan lebih Komprehensif. Desabilitando o modelo do itu em um mapa de dados de meramalkan e um mapa de dados de dados de secarização. Salah satu kunci merumuskan modelo ARIMA adalah nilai autokorelasi dan autokorelasi parsial, yang besarnya bervariasi antara -1 sampai 1. Desativando itu, dados yang dapat dimodelkan dengan modelo ARIMA haruslah stasioner nilai temh dan stasioner ragam. Langkah yang dilakukan untuk identifikasi modelo awal dari ARIMA tanpa musiman adalah: a. Buat trama dados berdasarkan periode pengamatan (série). Os dados de Jika estão relacionados com os dados do maka e os dados do maka. Jika tidak stasioner lakukan diferensiasi. B. Jika série telah stasioner, grafik autocaravana parsial dari série de dados. Lihat pola untuk menentukan modelo ARIMA awal. C. Lakukan permodelan ARIMA (p, d, q) sesuai dengan modelo awal yang ditetapkan pada bagian b. Kemudian verifikasi kelayakan modelo yang dihasilkan. D. Lakukan overfitting, yaitu duga modelo dengan nilai p, d, q lebih besar dari yang ditentukan pada modelo awal. E. Tetapkan modelo yang paling baik dengan melihat MSE. Peramalan dilakukan dengan menggunakan modelo yang terbaik. Untuk dados série musiman, langkah-langkahnya mirip dengan tanpa muslim, dengan menambahkan modelo untuk musiman. 1. Arquivos de dados de Apabila, lista de verificação de menu de bukalah: Folha de trabalho de FileOpen 2. Seleção de item de menu, menu de menu, seletor de menu, seta de menu 5: StatTime SeriesAutocorrelation 3. Diálogo Kotak Função de Autocorrelação (gambar 6) muncul: a. Klik dua kali variavel produksi dan akan muncul de sebelah kanan série b. Klik OK dan muncul gambar 7. 4. Sebagai upaya melakukan selisih dados pada, klik menu seta panda gambar 8: StatTime SeriesDifferences 5. Kotak diálogo Diferenças seperti pada gambar 9 muncul a. Klik dua kali variavel produzido por akan muncul disebelah kanan série b. Separar as diferenças em: dan enter C2 9 c. Guia de Introdução 1: Klik OK dan selisih pertama akan muncul de kolom 2 mulai baris 2. 6. Etiqueta variabel C2 dengan Diff1prod. Untuk menghitung auto-korelasi variavel ini, ulangi langkah 2 dengan menggunakan Diff1prod sebagai variável doente kanan deret. 7. Untuk menghitung auto-korelasi parsial dari variabel Diff1prod klik seperti pada gambar 12: StatTime SeriesPertial Autocorrelação Gambar 12 Menu auto-korelasi parsial pada Minitab 8. Kotak diálogo Parcial Autocorrelação Função muncul seperti pada gambar 13. a. Klik dua kali variabel Diff1prod akan muncul disebelah kanan Series. B. Klik OK dan muncul gambar 14. 10 Gambar 13 Kotak Dialog Autocorrelação parcial 9. Modelo ARIMA (5,1,5) dijalankan dengan klik menu berikut: StatTime SérieArima 10. Kotak diálogo ARIMA muncul seperti gambar 14 a. Composição do kali do kal do kikan do akan do muncil do munk do kanan da série. B. Di bawah Nonseasonal di kanan Autoregressivo masukkan 5 di kanan Diferença masukkan 1 dan 5 di kanan Média Móvel. C. Karena data telah diselisihkan, klik off kotak Incluir termo constante no modelo. D. Previsão do tempo para kotak dialog ARIMA-Forecast muncul. Untuk meramalkan dua periode ke depan tempatkan 2 de kanan Líder: Klik OK. E. Klik Armazenamento dan kotak diálogo ARIMA-Armazenamento muncul. Clique aqui para assinar o nome de usuário. Cancelar Salvar Cancelar OK pata kotak diálogo ARIMA dan bagian bawah gambar muncul. H. Untuk menghitung auto-korelasi residual, ulangi langkah 2 dengan menggunakan Res1 sebagai variabel di kanan deret. 11 Gambar 14 Kotak Diálogo ARIMA 12Portal-Estatísticas Malam ini sedang berlangsung bigmatch antara Chelsea VS MU, sambil menunggu kick off babak kedua remendar berbagi tempestuoso semua. Seteah kemarin saya berbagi postingan tentando Lankah-langkah Peramalan Dengan Metode ARIMA Caixa-Jenkins dengan Eviews. Malam ini waktunya untuk melanjutkan postingan tentang análises dados runtung waktu metode yang lainnya. (Sazonal Autoregressive Integrado Média Móvel) dengan Einstein. Metode Caixa-Jenkins Metodo Peramalan cara cara memperkirakan secara kuantitatif apa yang akan terjadi pada massa yang akan datang, dados berksarkan yang relevan pada masa lalu. Metode inangurisma, dalam, menada, pendekatan, analisis, terhadap, perilaku, atau, pola, dari data, yang lalu, seingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan yang sistematis dan prakmatis serta memberikan tingkat keyakinan yang lebih. Salah satu metodo dalam peramalan yaitu metode Box Jenkins. Modelo de Beberapa dalam Metode Caixa-Jenkins yaitu: Modelo ARIMA (p, d, q) Modelo de Rumus umum Modelo ARIMA (p, d, q) Modelo de Armazenamento Armazenamento de Armas (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 modelo (P, D, Q) S. Bagian musiman dari modelo S. jumlah perode por musim Adapta-se para o uso de ARIMA (p, d, q) S sebagai berikut: Stasioneritas data Dados de banco de dados bisa dilihat dari plot série de tempo. Untuk melihat kestasioneran dados dalam significa bisa dilihat dari perhitungan ACF dan PACF nya. ACF diperoleh dengan rumus sebagai berikut: dengan Zt dados série de tempo pada waktu ke t dan Z 773 rata-rata sampel. Sedangkan PACF diperoleh dengan rumus sebagai berikut: nome da empresa adalah fungsi autokorelasi. Os dados de Ketidakstasioneran dalam significam dapat diatasi dengan proses pembedaan (diferenciando), sedangkan kestasioneran dados dalam varians dapat dilihat dengan nilai. Adapt nilai dihitung dengan strudel sebagai berikut: dengan, Yi data aktual untuk i 1. n. G dados geométricos dari seluruh, nilai lambda, n jumlah dados observasi. Studi Kasus Berikut ini adalah data penjualan sepatu sebuah perusahaan A, seanang pemilik perusahaan ingin mengetahui perkembangan penjualannya untuk 1 tahun kedepan guna menentukan sasaran passar dan kebijakan yang akan diambilnya. Dados dapat diperoleh disini. Adapun langkah-langkah melakukan forcasting dados de terhadap dengan menggunakan aplikasi Eviews metode SARIMA adalah. Membula aplikasi Eviews dengan melakukan clique duas vezes pada ícone desktop atau apalah terserah cara masing-masing. Setelah aplikasi Eviews terbuka dan siap digunakan, menu klik Arquivo 8211 Novo - Arquivo de trabalho. Seleção de objeto Menu Objeto 8211 New Object. Kemudian pilih Série dan isikan Dados do naipe Nome do objeto. Selanjutnya double klik pada nama dados yang telah dibuat, botão klik Editar. Dan colar dados pada studi kasus pada kolom yang tersedia. Lihat bentuk data tersebut, klik menu Ver 8211 Gráfico 8211 OK. Os dados de Karena tersebut mengandung pola musiman, maka selanjutnya adalah menghilangkan pola musiman tersebut dengan melakukan diferenciando musima n, klik menu Rápido 8211 Gerar Série. Pada Enter equação isi dengan kode dslogsepatudlog (sepatu, 0,12). Selanjutnya adalah melakukan diferenciação nonmusiman terhadap dados teresebut, klik menu Rápido 8211 Gerar Series. Pada Digite a equação isi dengan kode dslogsepatudlog (sepatu). Selanjutnya untuk melihat grafik dari hasil diferenciando musiman dan não musiman tersebut dapat dilakukan dengan selecionar dslogsepatu dan dlogsepatu kemik klik kanan abrir 8211 como grupo, klik menu kemudian Ver 8211 Gráfico 8211 OK. Sehingga didapatkan hasil seperti gambar dibawah. Setelah melihat hasil kedua grafik tersebut, langkah selanjutnya adala melakukan menggabungkan diferenciando musiman dan nonmusiman tersebut, menu klik Rápido 8211 Gerar Série. Pada Enter equação isi dengan kode ddslogsepatudlog (sepatu, 1,12). Dados tersebut telah diasumsikan stasioner terhadap variansi karena telah dilakukan transformasi kedalam bentuk logaritma dan dilakukan diferenciação musiman dan nonmusiman, selanjutnya adalah menguji apakah dados tersebut stasioner terhadap significa. Klik menu Ver 8211 Unidade de teste de raiz. Kemudian isi sesuai gambar. Seleção de modelo de logotipo, modelo de menu Ver 8211 Correlograma. Kemudian pilih Ok. Sehingga muncul grafik ACF dan PAC seperti gambar. Dari modelo grafik diatas, dapat diduga dados tersebut mengikuti modelo ARIMA (2,1,1) (2,1,1) 12. Selanjutnya dilakukan overfitting untuk memilih modelo yang signifikan dan terbaik. Pada halaman utama Eviews masukkan perintah seperti gambar. Lakukan overfitting modelo de modelo de modelo de berikut ini, kemudian tentukan modelo de mana yang signifikan dan terbaik dengan melihat nilai AIC, SC, MSE serta uji asumsi Autokorelasi, Heteroskedasisitas dan Normalitas Residu. Untuk melakukan uji normalitas residu, menu klik Visualizar 8211 Teste Residual 8211 Teste de Normalidade do Hostograma. Selanjutnya adalah uji asumsi autokorelasi, menu klik Ver 8211 Teste Residual 8211 Correlograma Q Estatísticas. Selanjutnya adalah uji asumsi heteroskedastisitas, menu klik Ver 8211 Residual Test 8211 Correlogram Squared Residuals. Selanjutnya adalah melakukan previsão de tempo, data de fim de semana data de fim de ano 1982M12. Berdasarkan hasil sobrecarregando tabel diatas, maka yang dipilih adala modelo ARIMA (2,1,1) (24,1,12). Menu de navegação Previsão do tempo disponível. Sehingga didapatkanlah hasil previsão dari data tersebut. Selanjutnya mari kita bahas satu persatu saída hasil dari permalan yang sudah kita lakukan tadi. Berdasarkan gambar, dapat dikatakan bahwa dados tersebut mengandung pola musiman yang terus berulang dari tahun ketahun, oleh sebab itu metode yang digunakan dalam melakukan previsão de dados terhadap tersebut adalah metode SARIMA (Seasonal Autoregressive Integrated Moving Average). Dados de Karena, masgand pola musiman, oleh sebab itu dilakukan diferenciação terhadap pola musiman dan nonmusimannya supaya dados statsioner terhadap significa que variansi. Hipotesis Ho. Dados tidak stasioner H1. Data stasioner Tingkat Signifikansi: 0.05 Daerah Kritis: ADF gtt-Statistic. Tolak H0 Estatísticas Uji: ADF -13.477 t-Estatística 5 -2.886 Keputusan Uji Karena nilai ADF gt t-Estatística maka keputusannya adalah tolak H0 Kesimpulan: Jadi dengan tingkat signifikansi 5 didapatkan kesimpulan bahwa dados tersebut stasioner terhadap mean. Os dados de Setelah tersebut stasioner terhadap significa que variansi karena telah dilakukan transformasi dan diferenciação terhadap pola musiman dan nonmusiman. Selanjutnya adalah pemilihan modelo terbaik dengan melakukan overfitting. Berdasarkan tabel diatas maka modelo terbaik yang dapat digunakan adala modelo ARIMA (2,1,1) (24,1,12). Karenan memiliki nilai AIC, SC, SSR yang paling sedikit serta hasil diagnóstico check yang baik: Berdasarkan gambar, terlihat bahwa nilai Prob. Lt alfa 0.000 lt 0.05 maka keputusannya adalá tolak H0 yang berarti bahwa dados residual tidak berdistribusi normal. Berdasarkan gambar diatas terlihat pada nilai prob. Semua nilai signifikan (probabilidade gt alfa), ole karena itu dapat disimpulkan bahwa tidak terdapat gejala autokorelasi terhadap dados residual. Berdasarkan gambar diatas terlihat pada nilai prob. Semua nilai signifikan (probabilidade gt alfa), ole karena itu dapat disimpulkan bahwa tidak terdapat gejala heteroskedastisitas terhadap dados residual. Gambar diatas merupakan hasil Previsão de dados de 1 ano (12 meses) 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 previsão para o dia 12 bulan kedepan. Demikian, Selesai juga ini postando, sungguh panjang dan sedikit melelahkan. ele Ele. Jika ada yang kurang jelas silahkan bisa ditanyakan. Semoga Bermanfaat TENHA FUN. Portal - Statistik Bertemu lagi dengan postingan kali ini, setelah sekian lama offline dari dunia blogger, tidak pernah lagi menguisi blog, nah pada kesempatan kali ini saya mau berbagi kembali kepada semua sahabat yang membutuhkan tutorial atau pengetahuan tentang previsão peramalan, Mungkin beberapa hari kedepan dizer akan banyak memposting tulisan tentang previsão. Semoga tulisan ini dapat berguna bagi semita de kita. Pada postingan pertama tentang análises runtun waktu kali ini, saya akan berbagi tentang análise runtun waktu yang paling sederhana yaitu metode Moving Average. Análise de resultados de pesquisa de dados de massa de dados de dados de massa de dados e dados de dados de secções de dados. Análise runtun waktu merupakan salah satu metodo peramalan yang menjelaskan bahwa deretan observasi pada suatu variabel dipandang sebagai realisasi dari variabel aleatória berdistribusi bersama. Gerakan musiman adala gerakan rangkaian waktu yang sepanjang tahun pada bulan-bulan yang sama yang selalu menunjukkan pola yang identik. Contohnya: harga saham, inflasi. Gerakan aleatória 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 imagens de belum dipenuhi maka deret belum dapat dimodelkan. Namun, deret yang nontasioner dapat ditransformações menjadi deret yang stasioner. Pola Dados Runtun Waktu Salah satu aspek yang paling penting dalam penyeleksian metodo peramalan yang sesuai untuk dados runtun waktu adalah untuk mempertimbangkan perbedaan dados tipe pola. Ada empat tipe umum. Horizontal, tendência, sazonal, dan cíclico. Os dados são obtidos por meio de uma seqüência de dados e de um mapa. Sebagai contoh penjualan tiap bulan suatu produk tidak meningkat atau menurun secara konsisten pada suatu waktu dapat dipertimbangkan untuk pola horizontal. Os dados de Ketika observam o naipe atau menurun pada perluasan o periode suatu waktu disebut pola tendência. Pola cíclica ditandai dengan adanya fluktuasi bergelombang dados yang terjadi di sekitar garis tendência. Palavras-chave para este projeto: polinésia, sazonal, yang, ditandai, dengan, adanya, pola, perubahan, yang, berulang, secta, otomatis, dari, tahun, ke tahun. Untuk runtun tiap bulan, ukuran variabel komponen sazonal runtun tiap Januari, tiap Februari, dan seterusnya. Untuk runtun tiap triwulan ada elemen empat musim, satu untuk masing-masing triwulan. Única Média Móvel Rata-rata bergerak tunggal (Média Móvel) untuk periode t adalá nilai rata-rata untuk n jumlah data terbaru. Dengan munculnya dados baru, maka nilai rata-rata yang baru dapat dihitung dengan menghilangkan dados yang terlama dan menambahkan dados yang terbaru. Movendo a média em um digunakan untuk memprediksi nilai pada periode berikutnya. Model ini sangat cocok digunakan pada dados yang stasioner atau dados yang konstant terhadap variansi. Tetapi tidak dapat bekerja dengan dados yang mengandung unsur tendência atau musiman. Rato-rata bergerak pada orde 1 akan menggunakan dados terakhir (Ft), dan menggunakannya untuk memprediksi dados pada periode selanjutnya. Metode ini sering digunakan pada dados kuartalan atau bulanan untuk membantu mengamati komponen-komponen suatu runtun waktu. Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan (alisamento). Dibanding dengan rata-rata sederhana (dados saturados de massa de dados) rata-rata bergerak berorde T mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir dari dados yang diketahui. Jumlah titik dados dalam setiap rata-rata tidak berubah dengan berjalannya waktu. Kelemahan dari metode ini adalah. Metodo 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 tendência atau musiman, walaupun metodo ini lebih baik dibanding rata-rata total. Diberikan N Número de telefone N / D Número de telefone N / D N / D N / D N / D N / D N / D N / D N / D N / D N / D N / D N / D N / D N / Abril de 2014 dados de menghasilkan dados de banco de dados: Manjemen ingin meramalkan hasil penjualan menggunakan metodo peramalan yang cocok dengan data tersebut. Bandingkan metode MA tunggen orde 3, 5, 7 dengan aplikasi Minitab dan MA 3x5 dengan aplikasi Excel, manakah metode yang paling tepat untuk Dados de áudio e de áudio, clique no botão direito do rato e clique em 'Enviar' para mostrar o código de acesso à barra de menu. Digunakan, buat, nama, variabel, Bulan, dan, kemudian, masukkan, dados, sesuai, studi, kasus, Sebelu M, m, m, m, m, m, m, m, m, m, m, m, m, m, m, m, m, m, m, m, m, m, m, Selanjutnya untuk melakukan previsões de metodo Moving Average orde simples 3, klik menu Stat 8211 Time Series 8211 Moving Average. . Seadge muncul tampilan seperti gambar dibawag, pada kotak Variable: masukkan variabel Dados, pada kotak MA comprimento: masukkan angka 3, selanjutnya berikan centang pada Gerar previsões de tempo para kotak Número de previsões: dengan 1. Klik button Opções de berkan judul dengan MA3 dan klik ESTÁ BEM. Selanjutnya klik button Armazenamento dan berikan centang pada Meios móveis, Fits (previsões de um período antecipado), Residuals, dan Previsões, klik OK. Kemudian klik Gráficos dan pilih Lote predicho versus real dan OK. Sehingga muncul output Seperti gambar dibawah ini, Pada gambar diatas, terlihat dengan jelas hasil dari previsão de dados tersebut, pada periode ke-17 nilai ramalannya adala 24, denngan MAPE, MAD, dan MSD seperti pada gambar diatas. Cara peramalan dengan metode Média de Movimento Duplo dapat dilihat DISINI. Ganti saja langsung angka-angkanya dengan dados sobat, hehhe. Maaf, yaa, saya, tidak, jelaskan, lagi, laperr soalnya: D demikian postingannya, semoga bermanfaat. Terimakasih atas kunjungannya.