Metode Pemulusan Eksponensial *IBM SPSS 23

Oct 30, 2015

Sebelumnya telah kita bahas metode peramalan pemulusan exponensial baik dengan SPSS 17 maupun dengan eviews 8.1. Kali ini akan kita lakukan metode pemulusan exponensial menggunakan software IBM SPSS 23, tentunya software terbaru dari IBM ini telah mengalami update yang cukup signifikan. Tetapi secara garis besar cara penggunaannya sama saja dengan versi yang lama. Kita kembali lagi ke data visit Bali yang dirilis oleh DISBUDPAR Bali, yang belum punya bisa download datanya disini;, data mengandung 92 pengamatan.


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 :



untuk data hasil forecast dengan data aktual dapat kamu unduh dalam format excel disini 
untuk data output dengan format spss dapat kamu unduh disini 
download materi versi pdf dibawah >>>

download link

1 comment

  1. Anda Kebingungan Dan Kesulitan Menyelesaikan Skripsi, Tesis, Disertasi
    Karena Pusing Mikirin Olah Data Analisis Statistika Dengan SPSS, AMOS
    LISREL, EVIEWS, SMARTPLS, DEA
    Serahkan Dan Percaya Kepada Kami.
    Kami Siap Bantu Anda.
    Olah Data Semarang (Timbul Widodo)
    WA : +62 852-2774-6673
    IG : olahdatasemarang

    ReplyDelete

 

Stats

read in english