click to get the pdf version
Untuk lebih jelasnya mengenai teori dan konsep serta pembahasan mengenai metode exponential smoothing dengan software Eviews 9, kamu bisa baca kembali disini.
1. tahap analisis
pilih di menubar analyze; create traditional model,
2. Setelah muncul jendela time series modeller, masukkan variabel "visit" ke kotak dependent variables, method pilih exponential smoothing, lalu klik criteria,
3. Dalam jendela criteria - variables, kita akan menentukan model yang akan kita bangun, dalam contoh kali ini kita memilih simple (1,1,1)
- simple artinya tidak memasukkan komponen trend dan musiman, sama dengan zero order autoregression pada ARIMA, dan diferensiasi tingkat pertama, dan juga moving average tingkat pertama (1,1,1).
- Holt's linear trend cocok untuk data dengan komponen trend linier tanpa komponen musiman. Model Holt's dapat dikatakan sama dengan zero order autoregression, dengan diferensiasi tingkat kedua dan moving average tingkat kedua (1,2,2).
- Browns Linear trend memasukkan komponen trend linier dan musiman, sama halnya dengan metode Holt's, dengan perbedaan pada zero order autoregression, diferensiasi tingkat dua, dan moving average tingkat kedua (1,2,2), dengan koefisien moving average tingkat kedua sama dengan kuadrat dari satu setengah kali koefisien moving average tingkat pertama.
- Damped trend adalah untuk data dengan trend linier tetapi tidak mengandung komponen musiman, parameter pemulusannya adalah level, trend, dan damping trend. Ia sama dengan zero order autocorrelation, dengan diferensiasi tingkat pertama, dan moving average tingkat kedua (1,1,2).
4. Kemudian pilih statistic, seperti di bawah ini,
5. Lalu setting plot,
6. kemudian menubar save ; ok ; ok,
7. Outputnya ditampilkan sebagai berikut:
Stationary R-squared dan R-squared menunjukkan nilai positif masing-masing 0,106 dan 0,834, ini menunjukkan bahwa belum dapat dijelaskan apakah model yang digunakan dalam prediksi lebih baik daripada model dasar.
RMSE dan MAE menunjukkan kualitas kecocokan antara model yang dibangun dengan data aktual, nilai ini menunjukkan selisih atau residual dari model dasar dengan model yang diprediksi, semakin kecil selisihnya maka model akan semakin baik. Dengan kata lain RMSE dan MAE merupakan standar deviasi dari data.
Normalize BIC (bayesian information criterion) dapat bernilai negatif dan positif, semakin kecil nilainya, maka model akan semakin baik, tergantung dari struktur datanya.
8. Plot untuk hasil forecast ditampilkan sebagai berikut, data :
9. Berikut grafik perbandingan variabel visit dengan visit_1 :
Stationary R-squared dan R-squared menunjukkan nilai positif masing-masing 0,106 dan 0,834, ini menunjukkan bahwa belum dapat dijelaskan apakah model yang digunakan dalam prediksi lebih baik daripada model dasar.
RMSE dan MAE menunjukkan kualitas kecocokan antara model yang dibangun dengan data aktual, nilai ini menunjukkan selisih atau residual dari model dasar dengan model yang diprediksi, semakin kecil selisihnya maka model akan semakin baik. Dengan kata lain RMSE dan MAE merupakan standar deviasi dari data.
Normalize BIC (bayesian information criterion) dapat bernilai negatif dan positif, semakin kecil nilainya, maka model akan semakin baik, tergantung dari struktur datanya.
8. Plot untuk hasil forecast ditampilkan sebagai berikut, data :
9. Berikut grafik perbandingan variabel visit dengan visit_1 :
