Kursus Statistika Lanjut PDF
Kursus Statistika Lanjut PDF
Bagian 1
Analisis Regresi Sederhana
(Simple Regression Analysis)
Bambang Suryoatmono
Pendahuluan
y = b0 + b1 x
b0 = intercept sampel
b1 = slope sampel
Keduanya dicari dengan analisis kuadrat
terkecil (least square analysis): proses di
mana model regresi dicari yang menghasilkan
jumlah error kuadrat terkecil
Model-model Regresi
Model Deterministik
y = 0 + 1 x
Model Probabilistik
y = 0 + 1 x +
0 = intercept populasi
1 = kemiringan (slope) populasi
intercept
Analisis Residual
xy
n
(x ) 2
n
SS xy
SS xx
b0 = y b1 x =
adalah linear
error mempunyai varians yang konstan
Semua suku error: independen
Suku error terdistribusi normal
Suku
y
x
b1
n
n
Residual Plot
0
x
0
x
SSE = ( y y ) 2 = y 2 b0 y b1xy
mengestimasi
Koefisien Determinasi r2
r2
( y )
n
SS yy = SSR + SSE
regresi
error
SSR
SSE
= 1
atau lebih mudah dihitung dengan
r =
SS yy
SS yy
2
r2 =
b1 SS xx
SS yy
0 r2 1
r = -0.57
r = 0.005
y
r = 0.69
r = 0.034
Row
1
2
3
4
5
6
7
140
119
103
91
65
29
24
25
29
46
70
88
112
128
Residuals Versus x
(response is y)
Residual
-5
-10
40
90
140
Regression Analysis
p-value untuk
menguji slope
Coef
144.414
-0.89824
S = 7.377
StDev
6.220
0.06816
R-Sq = 97.2%
T
23.22
-13.18
P
0.000
0.000
R-Sq(adj) = 96.6%
Analysis of Variance
Source
Regression
Error
Total
se = MSE
DF
1
5
6
SS
9452.7
272.1
9724.9
MS
9452.7
54.4
F
173.69
P
0.000
p-value untuk
menguji overall
model
Statistik uji:
t=
b1 1, 0
sb
sb =
se
SS xx
se =
SSE
n2
dengan
SS xx = x 2
( x ) 2
n
Distribusi t dengan
derajat bebas = n-2
R:: t < -t
Source
DF
SS
MS
Regresi
SSR
MSR =
Residual Error
nk1
SSE
MSE =
Jumlah
n1
SSyy
1-
t
2
0
,n 2
t
2
SSR
k
F=
MSR
MSE
SSE
n - k -1
t
,n 2
Catatan: cara p-value juga dapat digunakan. Tolak H0 jika p-value <
Estimasi
,n 2
se
1 ( x0 x ) 2
+
n
SS xx
y t
2
,n 2
se
1 (x x)
1+ + 0
n
SS xx
150
100
y t
t ,n 2
Distribusi t dengan
derajat bebas = n-2
1-
1-
t ,n 2
50
Regression
95% CI
0
95% PI
40
90
140
Bagian 2
Analisis Regresi Berganda
Fit
77.05
SE Fit
2.82
95.0% CI
69.79,
84.31)
95.0% PI
56.74,
97.35)
x
75.0
Estimasi y
y = b0 + b1 x1 + b2 x2 + ......... + bk xk
y = 0 + 1 x1 + 2 x2 + 3 x3 + ...... k xk +
Row
Price
SqFt
Age
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
63.0
65.1
69.9
76.8
73.9
77.9
74.9
78.0
79.0
83.4
79.5
83.9
79.7
84.5
96.0
109.5
102.5
121.0
104.9
128.0
129.0
117.9
140.0
1605
2489
1553
2404
1884
1558
1748
3105
1682
2470
1820
2143
2121
2485
2300
2714
2463
3076
3048
3267
3069
4765
4540
35
45
20
32
25
14
8
10
28
30
2
6
14
9
19
4
5
7
3
6
10
11
8
y = nilai y prediksi
b0
bi
Coef
57.35
0.017718
-0.6663
S = 11.96
SE Coef
10.01
0.003146
0.2280
R-Sq = 74.1%
T
5.73
5.63
-2.92
P
0.000
0.000
0.008
R-Sq(adj) = 71.5%
Analysis of Variance
Source
Regression
Residual Error
Total
Source
SqFt
Age
DF
1
1
DF
2
20
22
SS
8189.7
2861.0
11050.7
MS
4094.9
143.1
F
28.63
P
0.000
Seq SS
6967.8
1221.9
Unusual Observations
Obs
SqFt
Price
8
3105
78.00
21
3069
129.00
Fit
105.70
105.06
SE Fit
3.08
3.03
Residual
-27.70
23.94
St Resid
-2.40R
2.07R
H0: 1 = 2 = .. = k = 0
Ha: sedikitnya satu koefisien regresi 0
Statistik uji: F (lihat tabel ANOVA)
F=
SSR
SSE
n k 1
Residual =
y y
R2 adjusted
SSE = ( y y ) 2
se =
SSE
n k 1
SSE
SS yy
2
Radj
= 1
SSE
n k 1
SS yy
n 1
Bagian 3
Membangun Model Regresi
Berganda
y = 0 + 1 x1 + 2 x12 +
Sales
N_of_Rep
N_sqr
1
2
3
4
5
6
7
8
9
10
11
12
13
2.1
3.6
6.2
10.4
22.8
35.6
57.1
83.5
109.4
128.6
196.8
280.0
462.3
2
1
2
3
4
4
5
5
6
7
8
10
11
4
1
4
9
16
16
25
25
36
49
64
100
121
500
400
Sales
Row
300
200
100
0
0
10
N_of_Rep
dikuadratkan
Model Kuadratik
Regression Analysis: Sales versus N_of_Rep, N_sqr
The regression equation is
Sales = 18.1 - 15.7 N_of_Rep + 4.75 N_sqr
Predictor
Constant
N_of_Rep
N_sqr
S = 24.59
Coef
18.07
-15.723
4.7504
SE Coef
24.67
9.550
0.7759
R-Sq = 97.3%
T
0.73
-1.65
6.12
P
0.481
0.131
0.000
R-Sq(adj) = 96.7%
Analysis of Variance
Source
Regression
Residual Error
Total
Model Linear
DF
2
10
12
SS
215069
6048
221117
MS
107534
605
F
177.79
P
0.000
Transformasi Tukey
Coef
-107.03
41.026
SE Coef
28.74
4.779
R-Sq = 87.0%
T
-3.72
8.58
P
0.003
0.000
R-Sq(adj) = 85.8%
Analysis of Variance
Source
Regression
Residual Error
Total
DF
1
11
12
SS
192395
28721
221117
MS
192395
2611
F
73.69
P
0.000
log y, -1/y, .atau
log x, -1/x, .
suku interaksi
Transformasi Model
y = 0 x 1
Contoh:
y = 0 + 1 x1 + 2 x2 + 3 x3 +
x' = log x
Plot x versus y
Contoh Data
14
Row
log_y
log_x
1
2
3
4
5
6
7
8
1.2
9.0
4.5
3.2
13.0
0.6
1.8
2.7
450
20200
9060
3500
75600
175
800
2100
0.07918
0.95424
0.65321
0.50515
1.11394
-0.22185
0.25527
0.43136
2.65321
4.30535
3.95713
3.54407
4.87852
2.24304
2.90309
3.32222
12
10
8
6
4
2
0
0
bo = 10 1.25306 = 0.0558393
Output MINITAB
y = 0.0558393 x 0.49611
Regression Plot
The regression equation is
log_y = - 1.25 + 0.496 log_x
Coef
-1.25306
0.49611
S = 0.06328
SE Coef
0.09693
0.02713
R-Sq = 98.2%
T
-12.93
18.28
P
0.000
0.000
R-Sq = 98.2 %
R-Sq(adj) = 97.9 %
1.0
log_y
Predictor
Constant
log_x
R-Sq(adj) = 97.9%
0.5
Analysis of Variance
0.0
Source
Regression
Residual Error
Total
DF
1
6
7
SS
1.3389
0.0240
1.3629
MS
1.3389
0.0040
F
334.32
P
0.000
2
log_x
Contoh
Row
Salary
Age
Gender
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
1.548
1.629
1.011
1.229
1.746
1.528
1.018
1.190
1.551
0.985
1.610
1.432
1.215
0.990
1.585
3.2
3.8
2.7
3.4
3.6
4.1
3.8
3.4
3.3
3.2
3.5
2.9
3.3
2.8
3.5
1
1
0
0
1
1
0
0
1
0
1
1
0
0
1
Variabel Dummy
Tempat
tinggal
di
Jkt
Bdg
Sby
Jkt
Bdg
Sby
Mdn
Coef
0.7321
0.11122
0.45868
S = 0.09679
SE Coef
0.2356
0.07208
0.05346
R-Sq = 89.0%
T
3.11
1.54
8.58
P
0.009
0.149
0.000
R-Sq(adj) = 87.2%
Analysis of Variance
Source
Regression
Residual Error
Total
DF
2
12
14
SS
0.90949
0.11242
1.02191
MS
0.45474
0.00937
F
48.54
P
0.000
Possible Regression
Stepwise Regression
Forward Selection
Backward
Selection
10
Row
X1
X2
X3
X4
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
101
127
98
79
118
114
110
94
96
73
108
124
82
89
76
109
123
125
2
4
9
5
3
1
3
2
8
6
2
5
6
9
1
3
2
6
77
72
69
53
88
53
82
61
60
64
76
74
50
57
72
74
99
81
1.2
1.7
2.4
2.6
2.9
2.7
2.8
2.6
2.4
2.1
1.8
2.2
1.5
1.6
2.0
2.8
2.6
2.5
42
26
47
65
37
28
29
22
48
42
34
11
61
53
72
36
17
48
Contoh Data
Untuk memilih
Stepwise,
Forward, atau
Backward
Alpha-to-Remove: 0.15
Forward selection.
Response is
Step
Constant
on
4 predictors, with N =
1
133.53
2
91.01
-0.78
-4.20
0.001
-0.60
-3.22
0.006
X4
T-Value
P-Value
X2
T-Value
P-Value
S
R-Sq
R-Sq(adj)
C-p
Response is
Step
Constant
0.51
2.15
0.048
12.6
52.46
49.49
3.4
18
x4
T-Value
P-Value
on
4 predictors, with N =
1
133.53
2
91.01
-0.78
-4.20
0.001
-0.60
-3.22
0.006
x2
T-Value
P-Value
S
R-Sq
R-Sq(adj)
C-p
11.4
63.69
58.85
1.3
Alpha-to-Enter: 0.1
0.51
2.15
0.048
12.6
52.46
49.49
3.4
18
11.4
63.69
58.85
1.3
Alpha-to-Remove: 0.1
on
4 predictors, with N =
Step
Constant
1
83.96
2
86.93
x1
T-Value
P-Value
0.6
0.50
0.623
0.6
0.51
0.617
x2
T-Value
P-Value
0.53
2.04
0.062
0.54
2.16
0.049
0.51
2.15
0.048
x3
T-Value
P-Value
1.4
0.23
0.824
x4
T-Value
P-Value
-0.61
-2.98
0.011
-0.62
-3.18
0.007
-0.60
-3.22
0.006
S
R-Sq
R-Sq(adj)
C-p
12.1
64.49
53.57
5.0
11.7
64.35
56.71
3.1
11.4
63.69
58.85
1.3
18
3
91.01
Bagian 4
Kesimpulan: hanya x2 dan x4
yang sebaiknya digunakan
dalam model. Variabel x1 dan
x3 tidak signifikan terhadap
perubahan y.
11
Data Kategori
60
50
Sum of Frek
40
30
Kelas bawah
Kelas menengah
Kelas atas
20
Nilai
Contoh
Frekuensi O
Uji Hipotesa
Frekuensi E
53
30
57
26
21
21
Bwh
Menengah
Atas
Kelas
Ekonomi
Bwh
Menengah
Atas
Kelas
Ekonomi
dibandingkan
Rejection Region R
( )
R : 2 > 2,k 1c
1-
2,k 1c
fe
df = k 1 c
f0 = frekuensi hasil pengamatan
fe = frekuensi yang diduga
k= banyaknya kategori
c = banyaknya parameter yang diestimasi dari data
sampel, miaslnya 0 (uniform), 1 (Poisson), 2 (Normal)
Contoh Soal
f 2
2 dengan derajat
bebas k-1-c
12
Data
Jawab
Banyaknya kedatangan
0
1
2
3
4
>5
Estimasi parameter
Banyaknya
kedatangan
Frekuensi yang
diamati
fo
Kedatangan *
Frekuensi yang
diamati
0
1
2
3
4
>5
7
18
25
17
12
5
0
18
50
51
48
25
Jumlah
84
Probabilitas yang
diduga (Poisson
dengan = 2.3)
Frekuensi yang
diduga
fe
0
1
2
3
4
>5
0.1003
0.2306
0.2652
0.2033
0.1169
0.0837
8.42
19.37
22.28
17.08
9.82
7.03
192
192
= 2. 3
=
84
Jumlah
Statistik uji 2
Banyaknya
kedatangan
Frekuensi yang
diamati
fo
Frekuensi yang
diduga
fe
( fo fe )2
fe
0
1
2
3
4
>5
7
118
25
17
12
5
8.42
19.37
22.28
17.08
9.82
7.03
0.24
0.10
0.33
0.00
0.48
0.59
Jumlah
2 = 1.74
84
< 20 juta
20 juta sampai dengan 30 juta
c. > 30 juta
b.
solar
premium
c. premix
b.
13
Uji Hipotesa
AB
Rejection Region R
2,(r 1)(c1)
2 dengan derajat
ni n j
N
bebas (r-1)(c-1)
Data
Jawab
Usia
Contoh Soal
f ( 2 )
1-
df = (r 1)(c 1)
r= banyaknya baris
c = banyaknya kolom
f0 = frekuensi hasil pengamatan
fe = frekuensi yang diduga = eij
ni = total baris i
nj = total kolom j
N = total semua frekuensi
21-34
26
95
18
35-55
41
40
20
>55
24
13
32
2 =
r=3
c=3
df = (3-1)(3-1) = 4
= 5%
R: 2 > 2 0.05,4 = 9.4877
( fo fe )
fe
14
21-34
Usia
35-55
>55
139 *148
e12 =
= 66.58
309
(48.38)
40
(33.05)
13
148
(22.88)
20
(15.63)
32
70
69 * 91
e31 =
= 20.32
309
Statistik uji
2 =
= 59.41
139
101
69
309
Row
C1
C2
C3
1
2
3
26
41
24
95
40
13
18
20
32
C2
95
66.58
C3
18
31.49
Total
139
41
29.74
40
48.38
20
22.88
101
24
20.32
13
33.05
32
15.63
69
Total
91
148
70
309
Chi-Sq =
5.449
4.259
0.666
DF = 4, P-Value
sama dengan
yang
telah dihitung
+ 12.135 + 5.778 +
+ 1.450 + 0.363 +
+ 12.162 + 17.142 = 59.405
= 0.000
< tolak H0.
Bagian 5
Statistika Nonparametrik
Statistika Parametrik:
Teknik-teknik
15
Statistika Nonparametrik:
Keuntungan Statistika
Nonparametrik
Cocok
Kekurangan Statistika
Nonparametrik
Runs Test
tidak acak
(banyaknya runs = 18)
PPPPPPPPPWWWWWWWWW tidak acak
(banyaknya runs = 2)
Jadi: jika runs terlalu banyak atau terlalu sedikit
tidak acak
Contoh
Apakah sequence ini terjadi secara acak? = 0.05.
DCCCCCDCCDCCCCDCDCCCDDDCCC
JAWAB
H0: pengamatan pada sampel terjadi secara acak
Ha: pengamatan pada sampel terjadi secara tidak acak
n1 = 18 (banyaknya C)
n2 = 8 (banyaknya D)
R = 12
Dengan n1 = 18 dan n2 = 8:
Daerah penolakan
Daerah penolakan
16
Data Display
C1
1
0
0
0
0
0
0
1
0
0
0
1
0
0
1
0
0
0
0
1
1
1
0
1
0
0
sama dengan
yang telah
diperoleh, R
Runs Test: C1
C1
K =
0.5000
Statistik uji z =
R R
Daerah penolakan
1-
Z
2
R =
R =
Ekivalen
dengan p-value
(nilai p)
Z
2
2n1n2
+1
n1 + n2
2n1n2 (2n1n2 n1 n2 )
(n1 + n2 ) 2 (n1 + n2 1)
17
R =
2n1n2
+ 1 = 17
n1 + n2
2n1n2 ( 2n1n2 n1 n2 )
R =
= 2.213
(n1 + n2 ) 2 (n1 + n2 1)
z=
13 17
= 1.81
2.213
Runs Test: C1
C1
K =
Hitung U1 dan U2
n1 (n1 + 1)
W1 dan
2
n (n + 1)
U 2 = n1n2 + 2 2
W2
2
U1 = n1n2 +
Ekivalen
dengan p-value
(nilai p)
Prosedur Uji U
0.5000
Contoh
18
Data (sampel)
Jawab
20.10
19.80
22.36
18.75
21.90
22.96
20.75
26.19
23.88
25.50
21.64
24.85
25.30
24.12
23.45
Peringkat
Kelompok
18.75
19.80
20.10
20.75
21.64
21.90
22.36
22.96
23.45
23.88
24.12
24.85
25.30
25.50
26.19
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
H
H
H
H
E
H
H
H
E
E
E
E
E
E
E
W1 = 1 + 2 + 3 + 4 + 6 + 7 + 8 = 31
W2 = 5 + 9 + 10 + 11 + 12 + 13 + 14 + 15 = 89
7 *8
31 = 53
2
8*9
U 2 = 7 *8 +
89 = 3
2
U = min(U1 ,U 2 ) = 3
U1 = 7 * 8 +
atau dihitung
dengan
7*8 53 = 3
1
2
3
4
5
6
7
8
20.10
19.80
22.36
18.75
21.90
22.96
20.75
26.19
23.88
25.50
21.64
24.85
25.30
24.12
23.45
19
n1n2
2
n n (n + n + 1)
U = 1 2 1 2
12
U =
z=
Contoh
U U
Daerah penolakan
1-
Warung ($)
Restoran ($)
2.75
3.29
4.53
3.61
3.10
4.29
2.25
2.97
4.01
3.68
3.15
2.97
4.05
3.60
4.10
4.75
3.95
3.50
4.25
4.98
5.75
4.10
2.70
3.65
5.11
4.80
6.25
3.89
4.80
5.50
n1 = 14
n2 = 16
Jawab
20
Nilai
Peringkat
Kelompok
Nilai
Peringkat
Kelompok
2.25
2.70
2.75
2.97
2.97
3.10
3.15
3.29
3.50
3.60
3.61
3.65
3.68
3.89
3.95
1
2
3
4.5
4.5
6
7
8
9
10
11
12
13
14
15
W
R
W
W
W
W
W
W
R
W
W
R
W
R
R
4.01
4.05
4.10
4.10
4.25
4.29
4.53
4.75
4.80
4.80
4.98
5.11
5.50
5.75
6.25
16
17
18.5
18.5
20
21
22
23
24.5
24.5
26
27
28
29
30
W
W
R
R
R
W
W
R
R
R
R
R
R
R
R
uji 2 sisi
U = min(39,185) = 39
14 *16
= 112
U =
2
14 *16 * 31
= 24.1
U =
12
39 112
= -3.03
z=
24.1
p-value
Md
21
Contoh
Jawab
Karena populasi tidak dapat diasumsikan
normal, maka digunakan Uji Wilcoxon
(bukan uji t), meskipun datanya berlevel
rasio
H0: Md = 0 versus Ha: Md 0
= 0.05.
n = 6 (< 15) sampel kecil
n( n + 1)
4
n (n + 1)( 2n + 1)
T =
24
T =
Statistik uji:
z=
T T
Pasangan
keluarga
1
2
3
4
5
6
1950
1840
2015
1580
1790
1925
1760
1870
1810
1660
1340
1765
Kel
Perbedaan d
Peringkat
1
2
3
4
5
6
1950
1840
2015
1580
1790
1925
1760
1870
1810
1660
1340
1765
+190
-30
+205
-80
+450
+160
+4
-1
+5
-2
+6
+3
T+ = 4+5+6+3 = 18
T- = 1+2 = 3
T = min (T- dan T+) = min (18 dan 3) = 3
n = 6, = 0.05 (Tabel A14, two-tailed test) Tkritis = 1.
Karena T>Tkritis maka pertahankan H0. Artinya tidak
cukup bukti bahwa pengeluaran biaya kesehatan di
kedua kota berbeda
Contoh
22
Pekerja
Before
After
d =
Before
After
Peringkat
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
5
4
9
6
3
8
7
10
3
7
2
5
4
5
8
7
9
5
4
3
11
9
9
8
5
7
9
9
7
9
6
10
9
7
9
6
10
8
5
6
-6
-5
0
-2
-2
1
-2
1
-4
-2
-4
-5
-5
-2
-1
1
-1
-3
-1
-3
-19
-17
Hapus
-9
-9
+3.5
-9
+3.5
-14.5
-9
-14.5
-17
-17
-9
-3.5
+3.5
-3.5
-12.5
-3.5
-12.5
R: z < -2.33
= 0.01
0.99
-3.41
z0.01 = 2.33
Row
Before
After
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
5
4
9
6
3
8
7
10
3
7
2
5
4
5
8
7
9
5
4
3
11
9
9
8
5
7
9
9
7
9
6
10
9
7
9
6
10
8
5
6
-6
-5
0
-2
-2
1
-2
1
-4
-2
-4
-5
-5
-2
-1
1
-1
-3
-1
-3
Uji Kruskal-Wallis
<
0.000000
N
20
N for
Test
19
Wilcoxon
Statistic
10.5
P
0.000
Estimated
Median
-2.000
Statistik Uji: T
23
2
12 c T j
3( n + 1)
n( n + 1) j =1 n j
= banyaknya kelompok
= total banyaknya items
Tj = total peringkat pada satu kelompok j
nj = banyaknya items pada satu kelompok j
K terdistribusi 2 dengan df = c-1
( )
f 2
R : K > 2 , c 1
Contoh
Kelompok 2:
ditambah air
Kelompok 3:
ditambah
vertilizer
Kelompok 4:
ditambah air
& vertilizer
8
5
7
11
9
6
10
12
11
9
13
12
11
14
10
16
17
12
18
20
16
15
14
22
Data
pengamatan
Peringkat
Dengan
MINITAB
12
( 4588.6) 3( 24 + 1) = 16.77
24 * 25
bebas c-1
Kelompok 1:
alami
6
6
6
6
j =1 n j
2 dengan derajat
2 ,c 1
K=
1-
Stat Nonparametric
Kruskal-Wallis
K1
K2
K3
K4
4
1
3
10
5.5
2
7.5
13
10
5.5
15
13
10
16.5
7.5
19.5
21
13
22
23
19.5
18
16.5
24
Row
Respons
Faktor
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
8
5
7
11
9
6
10
12
11
9
13
12
11
14
10
16
17
12
18
20
16
15
14
22
1
1
1
1
1
1
2
2
2
2
2
2
3
3
3
3
3
3
4
4
4
4
4
4
24
N
6
6
6
6
24
H = 16.77
H = 16.86
DF = 3
DF = 3
Median
7.500
11.500
13.000
17.000
blok independen
ada interaksi antara blok dan treatment
Pengamatan di dalam setiap blok dapat dijadikan
peringkat
Tidak
c
12
R 2j 3b(c + 1)
bc(c + 1) j =1
df = c - 1
c = banyaknya kolom (treatment levels)
b = banyaknya baris (blok)
Rj = total peringkat pada kolom j; j = 1, 2, c
Z
-3.30
-0.73
0.83
3.20
P = 0.001
P = 0.001 (adjusted for ties)
statistik uji: K
Uji Friedman
Ave Rank
4.3
10.7
14.6
20.5
12.5
Contoh
25
Orang
Merk
1
Merk
2
Merk
3
Merk
4
Merk
5
1
2
3
4
5
6
7
8
9
10
3
1
3
2
5
1
4
2
2
3
5
3
4
3
4
5
1
3
4
5
2
2
5
1
2
3
3
4
5
4
4
4
2
4
1
4
2
5
3
2
1
5
1
5
3
2
5
1
1
1
Rj
26
37
31
31
25
Rj2
676
1369
961
961
625
Jawab
R
j =1
2
j
= 4592
2 =
c
12
12
R 2j 3b(c + 1) = 10 * 5 * 6 4592 3 *10 * 6 = 3.68
bc (c + 1) j =1
DF = 4
Merk
1
2
3
4
5
Grand median
rs = 1
6 d 2
n(n 2 1)
P = 0.451
N
10
10
10
10
10
Est
Median
2.300
4.000
3.000
3.000
1.700
2.800
Sum of
Ranks
26.0
37.0
31.0
31.0
25.0
p-value.
Karena p-value >,
maka pertahankan H0.
Contoh
26
Row
Mentah
1
2
3
4
5
6
7
8
9
14.60
10.58
12.30
15.10
18.35
22.60
28.90
31.40
26.75
BBM
Mentah_P
1.05
1.06
1.08
1.06
1.12
1.24
1.36
1.40
1.34
BBM_P
3
1
2
4
5
6
8
9
7
hasil pengamatan
1.0
2.5
4.0
2.5
5.0
6.0
8.0
9.0
7.0
peringkat
d
2.0
-1.5
-2.0
1.5
0.0
0.0
0.0
0.0
0.0
d2
4.00
2.25
4.00
2.25
0.00
0.00
0.00
0.00
0.00
perbedaan peringkat
= 12.5
6 d
6 *12.5
= 1
= 0.89583
n(n 2 1)
9(92 1)
2
rs = 1
Peramalan (Forecasting)
Bagian 6
27
et = xt Ft
et = galat pada peramalam
xt = nilai aktual
Ft = nilai peramalan
Deviasi Mutlak Rata-rata (Mean Absolute Deviation =
MAD):
MAD =
Aktual
peramalan naif
Model Perataan
Penghalusan eksponensial
Peramalan
ei
abs(e)
e2
19.4
16.6
2.8
2.8
7.8
23.6
19.1
4.5
4.5
20.3
24.0
22.0
2.0
2.0
4.0
26.8
24.8
2.0
2.0
4.0
29.2
25.9
3.3
3.3
10.9
35.5
28.6
6.9
6.9
47.6
21.5
94.6
Jumlah
MAD =
Cara-cara Penghalusan
(Smoothing Techniques)
banyaknya peramalan
21.5
= 3.6
6
MSE =
94.6
= 15.8
6
Ft = xt 1
Ft = nilai peramalan untuk periode waktu t
xt-1 = nilai untuk periode waktu t-1
28
Model Perataan
Dihitung dengan menggunakan rata-rata
dari beberapa periode waktu dan
menggunakan rata-rata sebagai
peramalan untuk periode waktu berikutnya
Contoh:
Rata-rata
Sederhana
Rata-rata Bergerak
Rata-rata Bergerak Berbobot
Peramalan untuk periode waktu t adalah ratarata dari nilai sejumlah tertentu periode waktu
di masa lalu:
Ft =
Month
X t 1 + X t 2 + X t 3 + ..... + X t n
n
Shipment
Jan
1056
Feb
1345
Mar
1381
Average
Error
output
Apr
1191
May
1259
1243.25
Jun
1361
1294.00
67.00
Jul
1110
1298.00
-188.00
15.75
Aug
1334
1230.25
103.75
Sep
1416
1266.00
150.00
-23.25
Oct
1282
1305.25
Nov
1341
1285.50
55.50
Dec
1382
1343.25
38.75
29
Variable
A ctual
Fits
1400
Shipment
1350
A ccuracy Measures
MAPE
6.28
MAD
80.25
MSD
9808.44
1300
1250
1200
1150
1100
1050
Oct Nov Dec Jan Feb Mar Apr May Jun
Month
Jul
Aug Sep
Ft +1 = X t + (1 ) Ft
3M t 1 + 2M t 2 + M t 3
6
4 M t 1 + 2 M t 2 + M t 3 + M t 4
8
Penghalusan Eksponensial
x berbobot =
x berbobot =
Shipment
Average
Error
Jan
1056
Feb
1345
Mar
1381
Apr
1191
May
1259
1240.88
Jun
1361
1268.00
93.00
Jul
1110
1316.75
-206.75
Aug
1334
1201.50
132.50
Sep
1416
1272.00
144.00
Oct
1282
1350.38
-68.38
Nov
1341
1300.50
40.50
Dec
1382
1334.75
47.25
18.13
30
Year
= 0.2
= 0.5
= 0.8
1984
1750
1985
1742
1750.0
-8.0
1750.0
-8.0
1750.0
-8.0
1986
1805
1748.4
56.6
1746.0
59.0
1743.6
61.4
1987
1620
1759.7
-139.7
1775.5
-155.5
1792.7
-172.7
1988
1488
1731.8
-243.8
1697.8
-209.8
1654.5
-166.5
1989
1376
1683.0
-307.0
1592.9
-216.9
1521.3
-145.3
1990
1193
1621.6
-428.6
1484.4
-291.4
1405.1
-212.1
1991
1014
1535.9
-521.9
1338.7
-324.7
1235.4
-221.4
1992
1200
1431.5
-231.5
1176.4
23.6
1058.3
141.7
1993
1288
1385.2
-97.2
1188.2
99.8
1171.7
116.3
1994
1457
1365.8
91.2
1238.1
218.9
1264.7
192.3
1995
1354
1384.0
-30.0
1347.5
6.5
1418.5
-64.5
1996
1477
1378.0
99.0
1350.8
126.2
1366.9
110.1
1997
1474
1397.8
76.2
1413.9
60.1
1455.0
19.0
1998
1617
1413.0
204.0
1443.9
173.1
1470.2
146.8
1999
1666
1453.8
212.2
1530.5
135.5
1587.6
78.4
Variable
A ctual
Fits
1800
1700
Smoothing C onstant
A lpha 0.2
1600
A ccuracy Measures
MA PE
13.2
MA D
171.7
MSD
50440.5
1500
X
1400
1300
1200
1100
1000
2
8
10
Index
12
14
16
31
Variable
A ctual
Fits
1800
1700
Smoothing C onstant
A lpha 0.5
1700
Smoothing C onstant
A lpha 0.8
1600
A ccuracy Measures
MA PE
9.8
MA D
131.8
MSD
27217.7
1600
A ccuracy Measures
MA PE
8.6
MA D
116.0
MSD
18214.9
1400
1500
X
1500
X
Variable
A ctual
Fits
1400
1300
1300
1200
1200
1100
1100
1000
1000
2
8
10
Index
12
14
16
Analisis Trend
Langkah dekomposisi
8
10
Index
12
14
16
= trend
= cyclicality
S = seasonality
I = irregularity
C
dibagi 8
T *C * S * I
= S *I
T *C
S=
S *I
I
TCSI/ TC *100
32
Indeks Musim
Quarter
Thn 1
Thn 2
Thn 3
Thn 4
Thn 5
1
2
3
4
102.05
94.40
96.85
104.63
106.35
90.34
100.22
106.16
99.00
97.33
100.09
105.57
98.71
95.86
94.84
108.14
-
Quarter
Index
1
2
3
4
98.47
105.87
100.53
95.13
96.85 + 100.09
2
1
2
3
4
1
2
3
4
1
2
3
4
4009
4321
4224
3944
4123
4522
4657
4030
4493
4806
4551
4485
Indeks
Musim
98.47
105.87
100.53
95.13
98.47
105.87
100.53
95.13
98.47
105.87
100.53
95.13
4071
4081
4202
4146
4187
4271
4632
4236
4563
4540
4327
4715
bersambung
1
2
3
4
1
2
3
4
4595
4799
4417
4258
4245
4900
4585
4533
Indeks
Musim
98.47
105.87
100.53
95.13
98.47
105.87
100.53
95.13
4666
4533
4394
4476
4311
4628
4561
4765
33
Time
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
TCSI
4009
4321
4224
3944
4123
4522
4657
4030
4493
4806
4551
4485
4595
4799
4417
4258
4245
4900
4585
4533
Trend
4167.74
4194.85
4221.96
4249.07
4276.18
4303.29
4330.40
4357.51
4384.62
4411.73
4438.84
4465.95
4493.06
4520.17
4547.28
4574.38
4601.49
4628.60
4655.71
4682.82
Seasonal
0.98469
1.05871
1.00536
0.95124
0.98469
1.05871
1.00536
0.95124
0.98469
1.05871
1.00536
0.95124
0.98469
1.05871
1.00536
0.95124
0.98469
1.05871
1.00536
0.95124
TCSI
Detr. Data
4500
4250
4000
4
4400
4
Quarter
4200
4000
4
2
4
Quarter
Daftar Pustaka
Black, K. 2003. Business Statistics for
Contemporary Decision Making. 4th Ed.
West Publishing Co.
MINITAB, Inc. 2003. Meet MINITAB
Release 14 for Windows
Lind, D.A. 2002. Basic Statistics for
Business and Economics . 4nd Ed.
McGraw-Hill Companies
4750
4500
4250
4000
4
4
Quarter
200
0
-200
Error
-94.938
-120.132
-20.588
-97.884
-87.716
-33.937
303.393
-115.034
175.506
135.259
88.373
236.815
170.728
13.454
-154.646
-93.335
-286.050
-0.350
-95.665
78.514
Detrended Data
4750
A ccuracy Measures
MA PE
2.7
MA D
120.1
MSD
20983.1
Original Data
Data
Variable
A ctual
Fits
Trend
4600
Predict
4103.94
4441.13
4244.59
4041.88
4210.72
4555.94
4353.61
4145.03
4317.49
4670.74
4462.63
4248.18
4424.27
4785.55
4571.65
4351.34
4531.05
4900.35
4680.66
4454.49
Multiplicative Model
Multiplicative Model
4800
Deseason
4071.33
4081.38
4201.48
4146.17
4187.10
4271.23
4632.17
4236.58
4562.85
4539.49
4526.74
4714.90
4666.44
4532.87
4393.45
4476.27
4311.00
4628.27
4560.56
4765.36
Detrend
0.96191
1.03007
1.00048
0.92820
0.96418
1.05082
1.07542
0.92484
1.02472
1.08937
1.02527
1.00427
1.02269
1.06169
0.97135
0.93084
0.92253
1.05863
0.98481
0.96801
4
Quarter
4
Quarter
Terima kasih
34