Manfaat Metode Gleitender Durchschnitt

Moving Average Moving Averages (rata-rata bergerak) adalah metode peramalan perataan nilai dengan mengambil sekelompok nilai pengamatan yang kemudian dicari rata-ratanya, lalu menggunakan rata-rata tersebut sebagai ramalan untuk periode berikutnya. Istilah rata-rata bergerak digunakan, karena setiap kali Daten observasi baru tersedia, maka angka rata-rata Yang baru dihitung dan dipergunakan sebagi ramalan. Single Moving Average Rata-rata Bergerak Tunggal (Single Moving Average) Adalah Suatu Metode Peramalan Yang Verdammung Kanadan Dengan Mengambil Sekelompok Nilai Pengamatan, Mencari Nilai Rata-Rata Tersebut Sebagai ramalan untuk Periode Yang Akan Datang. Metode Single Moving Durchschnittlich mempunyai karakteristik khusus yaitu untuk menentukan ramalan pada periode yang akan datang memerlukan Daten historis selama jangka waktu tertentu. Misalnya, dengan 3 bulan gleitender Durchschnitt, Maka ramalan bulan ke 5 baru dibuat setelah bulan ke 4 selesaiberakhir. Jika Bulan Moving im Durchschnitt bulan ke 7 baru bisa dibuat setelah bulan ke 6 berakhir. Semakin Panjang Jangka Waktu gleitenden Durchschnitt. Efek pelicinan semakin terlihat dalam ramalan atau menghasilakan gleitende durchschnittliche yang semakin halus. Persamaan matematis single moving im Durchschnitt adalah sebagai berikut Mt Moving Durchschnittlich untuk periode t F t1 Ramalan Untuk Periode t 1 Yt Nilai Riil periode ke tn Jumlah batas dalam gleitenden Durchschnitt Pengukuran Kesalahan Peramalan Dalam pemodelan deret berkala, sebagian Daten yang diketahui dapat digunakan untuk meramalkan sisa Daten Berikutnya sehingga dapat dilakukan perhitungan ketepatan peramalan secara lebih baik Ketepatan peramalan pada masa yang akan datang adalah yang sangat penting. Jika Yt merupakan Daten riil untuk periode t dan Ft merupakan ramalan untuk periode yang sama, maka kesalahannya dapat dituliskan sebagai berikut (Spyros, 1999). Et Kesalahan pada periode t Yt Daten aktualisieren pada periode t Ft peramalan periode t Jika terdapat nilai pengamatan dan peramalan untuk n periode waktu, maka akan terdapat n buah kesalahan dan ukuran statistik standar yang dapat didefinisikan sebagai berikut (Spyros, 1999): Mittlerer Absoluter Fehler (MAE) Mittlerer Absoluter Fehler atau nilai tengah kesalahan obsolut adalah rata-rata mutlak dari kesalahan meramal, tanpa menghiraukan tanda positif maupun negatif. Rata-rata kuadrat kesalahan (Mean Squared Error MSE) MSE merupakan metode alterntif untuk mengevaluasi teknik peramalan masing-masing kesalahan (selisih Daten aktuell terhadap Daten peramalan) dikuadratkan, kemudian dijumlahkan dan dibagi dengan jumlah Daten. MSE dihitung dengan rumus: Hinterlasse eine Antwort Antworten abbrechen Neue Beiträge2.1 Pengertian Penjualan Menurut EC. Widjayono Moestadjab (1991), Penjualan adalah memberikan sesuatu dengan mendapatkan sebuah ganti yang berupa uang atau dengan kata lain hanya meliputi kegiatan pemindahan hak atas sesuatu produk dari penjualan kepada pembeli. Menurut Basu Swastha DH dalam buku manajemen penjualan (1999: hal 8), Penjualan adalah ilmu dan seni mempengaruhi pribadi yang dilakukan oleh penjual untuk mengajak orang lain untuk membeli barang atau jasa yang ditawarkannya. 2.2 Peramalan Penjualan Peramalan Penjualan Adalah Bagian Yang Penting Bagi Suatu Perusahaan. Berikut ini adalah berbagai macam pengertian peramalan dikemukakan oleh: Menurut Gunawan Adi Saputro dan Marwan Asri (1996: 148). 8220Peramalan adalah suatu cara untuk mengukur dan menaksir kondisi bisnis dimasa mendatang8221. Menurut Suad Husnan dan Suwarsono (1994: 40). 8220Peramalan adalah usaha untuk mengetahui permintaan jumlah produk8221. Dengan uraian di atas dapat diperoleh kesimpulan bahwa Peramalan merupakan suatu usaha untuk melihat situasi dan kondisi dengan memperkirakan kondisi yang berlaku terhadap perkembangan dimasa yang akan datang. 2.3 Tujuan Peramalan Tujuan dari peramalan adalah: a. Untuk menetukan kebijaksanaan dalam persoalan penyusunan anggaran. B. Untuk pengawasan dalam persediaan C. Untuk membantu kegiatan perencanaan dan pengawasan produksi D. Untuk pengawasan pembelanjaan E. Untuk penyusunan kebijaksanaan yang efektif dan efisien. 2.4 Jenis Peramalan Pada umumnya peramalan dapat dibedakan dari beberapa segi, tergantung dari cara melihatnya. Apabila dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan atas dua macam, yaitu: 1. Peramalan yang bersifat subjektif Peramalan yang berdasarkan atas perasaan atau intuisi dari orang yang menyusunnya. Dalam hal ini pandangan dari orang yang menyusunnya sangat menentukan baik tidaknya hasil peramalan tersebut. 2. Peramalan Yang Bersifat Objektif Yaitu Peramalan Yang Didasarkan Atas Daten Yang Relevanz Pada Masa Yang Lalu, Dengan Menggunakan Tehnik-Tehnik Dan Modell Dalam Menganalisa Daten tersebut. Dämmerung, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, Dämon, 2. Peramalan jangka Pendek Yaitu peramalan yang dilakukan untuk menyusun hasil ramalan dalam jangka waktu kurang dari setengah tahun. Berdasarkan sifat peramalan yang telah disusun, maka peramalan dapat dibedakan atas dua macam: 1. Peramalan kualitatif Yaitu peramalan yang disusun atas daten kualitatif paada masa lalu hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi. 2. Peramalan Kuantitatif Yaitu peramalan yang didasarkan atas Daten kuantitatif pada masa lalu. Hasil peramalan dimuat tergantung pada metode yang dipergunakan dalam peramalan tersebut. Dengan Metay Yang Bebeda Akan Diperoleh Hase Peramalan Yang Berbeda, Adaptun Yang Perlu Diperhatikan Dari Penggunaan Metode-Metode Tersebut Adalah Baik Tidaknya Metode Yang Digunakan, Sangat Ditentukan Oleh Perbedaan Penyimpangan Antara Hase Peramalan Dari Kenyataan Yang Terjadi. Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan atau penyimpangan sekecil mungkin Peramalan Kuantitatif dapat digunakan apabila terjadi tiga kondisi sebagai berikut: a. Adanya informasi tentang keadaan gelegen. B. Informasi tersebut dapat dikuantitatifkan dalam bentuk Daten. C. Dapat diasumsikan bahwa pola yang lalu akan berkelanjuatan pada masa yang akan datang. 2.5 Tehnik Dan Metode Peramalan Dalam pemilihan tehnik dan metode peramalan, pertama kita perlu mengetahui ciri-ciri penting yang perlu diperhatikan bagi pengambil keputusan dan analisa keadaan, dalam mempersiapkan peramalan. Ada enam ciri utama yang perlu diperhatikan Yaitu: 1. Horizon Waktu (Time Horizon) Periode waktu selama suatu keputusan atau analisa akan mempunyai pengaruh, dan waktu itu manajer harus merencanakan dan memperhitungkan pengaruh-pengaruh pemilihan tehnik dan metode yang tepat. Horizon waktu umumnya dapat dibagi dalam jangka pendek, jangka menengah dan jangka panjang. 2. Tingkat perincian (Detailebene). Tugas-tugas dalam pengambilan keputusan pada umumnya dibagi-bagi (untuk memudahkan penanganannya menurut tingkat perincian yang dibutuhkan) 3. Jumlah Produk. Dalam keadaan dimana keputusan atau analisa yang dibuat mengenai berbagai produk perusahaan, hendaklah ada usaha pengembangan. Secara efektif atas aturan-aturan pengambilan keputusan yang sederhana, yang dapat diaplikasikan secara mekanisme untuk masing-masing produk. Umkeya ada empat unsur biaya yang mencakup suatu prosedur peramalan, yaitu biaya-biaya pengembangan, penyimpangan daten, operasi pelaksanaan dan kesempatan dalam penggunaan tehnik dan metode lain. Tingkat Ketepatan Yang Dibutuhkan Sangat Erat Hubungannya Dengan Tingkat Perinciaan Yang Dibutuhkan Oleh Suatu Peramalan. Untuk beberapa pengambilan keputusan mengharapkan variasi-variasi atau penyimpangan atas ramalan yang dilakukan antara 10 sampai dengan 15 bagi maksud-maksud yang mereka harapkan. 2.6 Tehnik Perkiraan Dengan Mengunakan Metode Deret Waktu Metode Deret Waktu Biasanya dipakai untuk menganalisis pola permintaan masa lalu dan memproyeksikannya untuk masa depan. Dasar perhitungan prakiraan dieet waktu ini ialah menghitung besar setiap komponen berdasarkan data massa lalu. Asieni dasar yang dipakai dalam metode ini ialah bahwa pola permintaan dapat dibagi menjadi beberapa komponen yaitu tingkat rata-rata (durchschnittliches Niveau), kecenderungan (Trend), musiman (Saisonalität), siklus (Zyklus) dan kesalahan (Fehler). 2.7 Metode Rata-Rata Bergerak Metode ini merupakan metode yang termudah dalam teknik peramalan dieet waktu kita mengasumsikan bahwa komponen acak tidak terdapat pola musiman, trend, atau komponen siklus pada daten permintaan pada saat ini. Umzug durchschnittlich ialah suatu titik peramalan dengan mengkonsumsikan Daten dari beberapa periode terbaru atau terakhir dari Daten tersebut dijadikan Daten peramalan untuk periode yang akan datang. ein. Rumus rata-rata bergerak (Gleitender Durchschnitt) Jumlah Permintaan Pada N Periode Terakhir 1Tempmsohtmlclip101clipimage001.gif MA Diketahui nilai peramalan 210 nilai nyata 195 N 1 MAD 210 8211 195 15 b. Rata-rata Bergerak Tertimbang Terbobot (Gewicht verschiebender Durchschnitt) Dämmerung metode rata-rata bergerak sederhana kita mengenal metode rata-rata tertimbang (Gewicht verschieben Durchschnitt) dimana pada setiap elemen daten kita dapat memberikan bobot. Dengan cara ini nilai-nilai yang akhir dapat diberikan bobot lebih keras. Rumus Rata-rata Bergerak TertimbangTerbobot (Gewicht verschiebender Durchschnitt) WMA (data penjualan terakhir x bobot ke 82111) (Data x sampai bobot terachhir). Diketahui WI 40, W2 30, W3 20, W4 10 Datenfaktor Nyata untuk bulan ke-1 100, ke-2 90, ke-3 105, dan F5 0,40 (95) 0,30 (105) 0,20 ( 90) 0,10 (100) F5 38 31,5 18 10 c. Pemulusan Eksponensial (Eksponensial Glättung). Pemulusan eksponensial adalah suatu tehnik peramalan rata-rata bergerak yang melakukan pertimbangan terhadap daten masa lalu dengan cara eksponensial sehingga Daten paling akhir mempunyai bobot atau timbangan lebih besar dalam rata-rata bergerak. Dengan pemulusan eksponensial sederhana Vorhersage dilakukan dengan cara ramalan periode terakhir ditambah porsi perbedaan (disebut Alpha) antara permintaan periode terakhir dengan peramalan periode terachhir. Rumus Pemulusan Eksponensial (Eksponensial Glättung) Ft Ramalan untuk Periode Sekarang (t) Ft 1 Ramalan Yang Dibuat Untuk Periode Terakhir (t-1) a Glättung Konstante Bei 1 Permintaan Nyata Peeriode Teakhir 1Tempmsohtmlclip101clipimage005.gif ein Nilai ein Yang Terendah Terutama Cocok Bila Permintaan Produk Perubahan yang stabil tetapi variasi acak adalah tinggi, sedangkan yang tinggi berguna dimana sesungguhnya cenderung terjadi karena lebih respontif terhadap fluktuasi permintaan. Diketahui Ft 1 1.050 Einheit Bei 1 1000 Einheit a 0,50Forecasting Metode gewichtet Moving Average Metode Glättung merupakan salah satu jenis teknik yang digunakan dalam analisis Zeitreihe (runtun waktu) untuk memberikan peramalan jangka pendek. Dalam melakukan Glättung (penghalusan) terhadap Daten, nilai masa lalu digunakan untuk mendapatkan nilai yang dihaluskan untuk Zeitreihe. Nilai Yang telah dihaluskan ini kemudian diekstrapolasikan untuk meramal nilai masa depan. Tehnik Yang Kita Kenal Dalam Metode Glättung yaitu Einfache Verschiebung Durchschnittlich Exponential Glättung. Pada Halaman Ini, Saya Hanya Akan Membranen Tentang Einfache Moving Average. Simple Moving Durchschnittliche Daten Zeitreihe seringkali mengandung ketidakteraturan Yang akan menyebabkan prediksi Yang beragam. Untuk menghilangkan efek yang tidak diinginkan dari ketidak-teraturan ini, metode einfaches gleitendes durchschnittliches mengambil beberapa nilai yang sedang diamati, memberikan rataan, dan menggunakannya untuk memprediksi nilai untuk periode waktu yang akan datang. Semakin tinggi jumlah pengamatan yang dilakukan, maka pengaruh metode gleitenden Durchschnitt akan lebih baik. Meningkatkan jumlah observasi akan menghasilkan nilai peramalan yang lebih baik karena ia cenderung meminimalkan efek-efek pergerakan yang tidak biasa yang muncul pada Daten. Umzug durchschnittlich juga mempunyai dua kelemahan yaitu memerlukan Daten masa lalu dalam jumlah besar untuk ketepatan prediksi, dan masing-masing observasi diberikan bobot yang sama, ini melanggar bukti empiris bahwa semakin observasi terbaru seharusnya lebih dekat dengan nilai masa depan maka kepentingan bobotnya akan meningkat pula. Aplikasi Metode Moving Durchschnittliche Dengan Software IBM SPSS 23 Dapat Doughnat Pada Contoh Berikut Ini: Berikut Kita Memiliki Daten Kunjungan Ke Bali Dari Januar 2008 Hingga Juni 2015 Dalam Format Excel, Daten Diambil Dari Website Dinas Pariwisata Provinsi Bali: 1. Langkah Pertama Adalah Memasukkan Daten ke Dalam Arbeitsblatt SPSS 23 sebagai berikut: Datenansicht. (Kiudian pada menubar SPSS 23 pilih Verwandeln Schaffen Sie Zeitreihe Seperti Gambar: 3. Setela itu akan muncul kotak dialog berikut, pilih Besuch dan klik Panah sehingga variabel besuchen berpindah ke kolom variabel Neu Variabel di sebelah kanan. 4. Setelah itu Pilih Pada Kotak Funktion Pilih Zentriert Moving Average, Atau Bisa Juga Prior Moving Average. 5. Kemudian isikan span dengan 3, dan klik ändern. Span diisi dengan angka 3 artinya mengalami proses 3 kali glättung yang biasa kita kenal juga dengan Gewichteter beweglicher Durchschnitt. Adapun Proses 1 Dan 2 Kali Glättung Kita Sebut Single Moving Durchschnittlich Dan Double Moving Average. Jangan lupa untuk klik ändern agar variabel visit1 berubah menjadi visi3, kemudian ok. 6. Ausgang Yang Didapat Dari Metode Zentriert Moving Durchschnittlich Gewichtet Moving Durchschnittlich Adalah Sebagai Berikut: Dari Ausgang Diatas, Dapat Diketahui Bahwa Kunjungan Pada Bulan-Bulan Berikutnya Dapat Kita Lihat Dari Variabel Baru Yang Dihasilkan Dari Zeitreihe Analyse Metode zentriert gleitenden Durchschnitt 8211 gewichteten gleitenden Durchschnitt . Demikian juga jika kita memilih vorwärts gleitend Durchschnitt, keduanya merupakan metode einfach gleitende durchschnittliche dengan span 3, maka hasil peramalannya akan sama. (Yoz) Aplikasi Metode Exponential Glättung dengan SPSS akan dibahas pada bahasan selanjutnyaI.1 Latar Belakang Zeitreihe pada dasarnya digunakan untuk melakukan Analisis daten yang mempertimbangkan pengaruh waktu. Daten-Daten yang dikumpulkan secara periodik berdasarkan urutan waktu, bisa dalam Marmelade, hari, minggu, bulan, kuartal dan tahun. Selain itu analisis Zeitreihe bisa digunakan untuk peramalan Daten Beberapa Periode Ke Depan Yang Sangat Membran Dalam Menyusun Perencanaan Ke Depan. Daten Zeitreihe terdapat dalam berbagai bidang, misalnya bidang ekonomi misalnya Daten penjualan setiap hari, keuntungan perusahaan dalam setiap tahun dan total nilai ekspor dalam setiap bulan. Daten Zeitreihe pada bidang fisika misalnya Daten curah hujan bulanan, temperatur udara harian, gerak partikel, sedangkan pada bidang demografi misalnya Daten pertumbuhan penduduk, mortalitas dan natalitas. Di Bidang Pengontrolan Kualitas, Daten Zeitreihe misalnya Daten proses pengontrolan kualitas produk, pengontrolan proses produksi, dan untuk bidang biomedis misalnya Daten denyut nadi, proses penyembuhan, pertumbuhan mikroba. Metode yang sering digunakan dalam analisis runtun waktu adalah Semi Durchschnitt, Moving Average, Dan Least Square. Di makalah ini penulis akan menghitung trend jumlah penduduk selama waktu periode tertentu dengan metode halb durchschnittlich, bewegende durchschnittlich, am wenigsten Platz. I.2 Perumusan Masalah 1. Apa definisi Zeitreihe 2. Apa ciri-ciri Zeitreihe 3. Metode 8211 metode apa saja yang digunakan dalam Zeitreihe 4. Bagaimana cara menghitung trend jumlah angka penduduk di kota Depok dengan Zeitreihe Adapun tujuan dari penyusunan Makalah ini adalah untuk mengetahui 1. Definisi Zeitreihen, ciri-ciri Zeitreihen 2. Metode 8211 metode yang digunakan dalam Zeitreihe 3. Menghitung Trend jumlah angka penduduk di kota Depok Saya mengharapkan agar makalah ini dapat dimengerti dan para pembaca dapat memahami definisi, ciri-ciri serta teknik Menganalisis data dengan menggunakan Analisis Deret Berkala atau Zeitreihe dengan berbagai metode. II.1. Analisis Zeitreihe dalam Statistika Deskriptif Croxton dan Cowden memperkenalkan metode statistik tahun 1955 yaitu dengan metode Statistik Deskriptif dengan memberi definisi statistik sebagai metode guna mengumpulkan, mengolah, menyajikan, menganalisa dan menginterpretasi Daten yang berwujud angka-angka. Dalam metode Statistik Deskriptif terdapat berbagi jenis metode statistik salah satunya adalah Analisisi Deret Berkala. II.2. Pengertian Analisis Zeitreihe (Deret Berkala) Deret berkala atau runtut waktu adalah serangkaian pengamatan terhadap peristiwa, kejadian atau variabel yang diambil dari waktu ke waktu, dicatat secara teliti menurut urut-urutan waktu terjadinya, kemudian disusun sebagai data statistik. Dari suatu runtut waktu akan dapat diketahui pola perkembangan suatu peristiwa, kejadian atau variabel. Jika perkembangan suatu peristiwa mengikuti suatu pola yang teratur, maka berdasarkan pola perkembangan tersebut akan dapat diramalkan peristiwa yang bakal terjadi dimasa yang akan datang. Jika nilai variabel atau besarnya gejala (peristiwa) dalam runtut waktu (serangkaian waktu) diberi simbol Y1, Y2. Yn dan waktu-waktu pencatatan nilai variabel (peristiwa) diberi simbol X1, X2. Xn maka rutut waktu dari nilai variabel Y dapat ditunjukan oleh persamaan Y f (X) yaitu besarnya nilai variabel Y tergantung pada waktu terjadinya peristiwa itu. II.3. Komponen Zeitreihe (Deret Berkala) Pola gerakan runtut waktu atau deret berkala dapat dikelompokan kedalam 4 (empat) pola pokok. Pola ini bisanya krankheit sebagai komponen dari deret berkala (runtut waktu). Empat komponen deret berkala itu adalah: 1. Trend, yaitu gerakan yang berjangka panjang yang menunjukkan adanya kecenderungan menuju ke satu arah kenaikan dan penurunan secara keseluruhan dan bertahan dalam jangka waktu yang digunakan sebagai ukuran adalah 10 tahun keatas. 2. Variasi Musim, yaitu ayunan sekitar trend yang bersifat musiman serta kurang lebih teratur. 3. Variasi Siklus, yaitu ayunan Trend Yang berjangka lebih panjang dan agak lebih teratur. 4. Variasi Yang Tidak Tetap (Irreguler), yaitu Gerakan Yang Tidak Teratur Sama Sekali. Gerakan atau variasi dari Daten berkala juga terdiri dari empat komponen, yaitu: a. Gerakanvariasi trend jangka panjang atau langfristige bewegungen oder seculer trend yaitu suatu gerakan yang menunjukan arah perkembangan secara umum (kecenderungan menaik atau menurun) dan bertahan dalam jangka waktu yang digunakan sebagai ukuran adalah 10 tahun ke atas. B. Gerakanvariasi siklis atau zyklische Bewegungen oder Variation adalah gerakanvariasi jangka panjang disekitar garis trend. C. Gerakanvariasi musim atau saisonale bewegungen oder variation adalah gerakan yang berayun naik dan turun, secara periodik disekitar garis trend dan memiliki waktu gerak yang kurang dari 1 (satu) tahun, dapat dalam kwartal, minggu atau hari. D. Gerakan variasi yang tidak teratur (unregelmäßige oder zufällige Bewegungen) yaitu gerakan atau variasi yang sporadis sifatnya. Faktor yang dominan dalam gerakan ini adalah faktor-faktor yang bersifat kebetulan misalnya perang, pemogokan, bencana alam dll. Jika dikaitkan dengan kegiatan bisnis dan ekonomi, analisis deret berkala atau analisis Zeitreihe seringkali digunakan untuk memprediksi nilai dimasa yang akan datang. Dengan diketahuinya nilai dimasa mendatang, maka pihak manajemen perusahaan akan dapat mengambil keputusan dengan lebih efektif. Nilai dimasa mendatang itu pada dasarnya merupakan nilai Zeitreihe dimasa mendatang, yaitu nilai-nilai yang diharapkan dapat terjadi dimasa mendatang, dengan dasar faktor-faktor (nilai-nilai) yang telah diterjadi dimasa lalu. II.4 Ciri-ciri Trend Sekuler Trend (T) atau Trend Sekuler ialah gerakan dalam deret berkala yang berjangka panjang, lamban dan berkecenderungan menuju ke satu arah, arah menaik atau menurun. Umkeya meliputi gerakan yang lamanya 10 tahun atau lebih. Trend sekuler dapat disajikan dalam bentuk 1. Persamaan Trend, baik persamaan lineare maupun persamaan nicht linear 2. Gambargrafik Yang dikenal dengan gariskurva Trend, baik garis lurus maupun garis melengkung. Trend juga sangat berguna untuk membuat ramalan yang sangat diperlukan bagi perencanaan, misalnya. 1. Menggambarkan hasil penjualan 2. Jumlah peserta KB 3. Perkembangan produksi harga 4. Volumen penjualan dari waktu ke waktu 5. Jumlah Penduduk, dll Trend digunakan dalam melakukan peramalan (Vorhersage). Metode Yang Biasanya Dipakai, Antara Lain Adalah Metode Semi Durchschnitt, Moving Average Dan Least Square. III.2 Metode Moving Average Dengan Menghitung Beberapa Angka Rata-Rata Dari Suatu Zeitreihe. Dimana dengan metode ini Daten asi yang naik turun dapat kita buat lebih rata. Menghitung trend dengan metode angka rata-rata bergerak dapat dilaksanakan bila jumlah daten ganjil minimal 3 periode. Langkah - langkah menggunakan metode gleitender Durchschnitt yaitu sebagai berikut. ein. Angka-angka dari periode daten dijumlahkan dan dihitung angka rata-ratanya, hasilnya diletakkan pada periode daten yang terakhir b. Untuk menghitung trend tahun berikutnya, prosesnya sama dengan cara menghilangkan periode tahun yang berakhir dan menambahkan Daten angka periode selanjutnya. Selajutnya diletakkan pada periode yang terakhir Dari pembahasan di atas, bisa dilihat dari definisi, ciri-ciri serta metode-metode Zeitreihe Bahwa Zeitreihe sangat berguna dalam menghitung perkembangan trend dari suatu Daten yang ada yang di makalah ini saya mengambil Daten jumlah penduduk di kota Depok Dari pembahasan di atas, kita mempunyai Daten jumlah penduduk sampai tahun 2011. Dengan perhitungan Zeitreihe ini kita bisa menghitung perkembangan jumlah penduduk di tahun selanjutnya dimana di Daten ini yang kita cari adalah tahun 2012 dengan berbagai metode yang ada di Zeitreihe. Untuk menghitung trend suatu daten, saya sarankan agar berhati-hati dan juga teliti dalam menentukan patokan trend atau tahun dasar agar tidak terjadi kesalahan dalam menghitung Y atau nilai trend waktu yang dihitung. Listiawati Rodiana, Aminah, Murtiningsih. Statistik Bisnis, Lembaga Penerbit Jurusan Akuntansi Politeknik Negeri Jakarta, Jakarta. Kommentar schreiben Tentang Gua Beliebte Post Total Seitenaufrufe Ahmad Nurharish. Angetrieben durch Blogger.