Nama : Tangkas Pangestu

NIM : 4112321021

TUGAS KELOMPOK 11

1. Kapan metode dekomposisi digunakan?

Jawab:
Metode dekomposisi digunakan apabila data memiliki 4 pola yaitu trend, siklis,
musiman, dan irregular, setelah pola-pola tersebut didapatkan, maka data-data
tersebut dipisah-pisahkan dan dilakukan peramalan sehingga mendapatkan hasil
yang lebih akurat. Metode dekomposisi digunakan untuk meramalkan data deret
berkala yang menunjukkan adanya pola trend dan pengaruh musiman.
2. Perpustakaan Universitas Pattimura sudah berdiri selama hampir 57 tahun, sudah
banyak mahasiswa yang memanfaatkan ruang perpuspustakaan sebagai ruang baca.
Dari aktifitas kunjungan ini, maka sangat penting untuk meramalkan jumlah
pengunjung perpustakaan. Tentukan jumlah pengunjung 5 bulan kedepan
menggunakan metode dekomposisi (Menggunakan spss)!
Jumlah Pengunjung Perpustakaan
Bulan
2018 2019 2020 2021
Januari 1305 620 660 2100
Februari 1190 1220 1400 2500
Maret 2500 1750 1800 4000
April 2710 2300 2100 2500
Mei 2550 2420 2370 3800
Juni 2100 1200 1180 1950
Juli 930 380 400 1500
Agustus 500 590 500 1800
September 555 1345 465 1230

Oktober 2020 2100 1000 2000

November 3175 2030 2740 4125

Desember 1560 1450 2600 3350

Jawab:
Output
Time Series Modeler

Model Description

Model Type

Model ID Data Model_1 Simple Seasonal

Model Summary

Model Fit

Percentile

Fit Statistic Mean SE Minimum Maximum 5 10

Stationary R-squared .534 . .534 .534 .534 .534

R-squared .768 . .768 .768 .768 .768
RMSE 467.567 . 467.567 467.567 467.567 467.567
MAPE 22.068 . 22.068 22.068 22.068 22.068
MaxAPE 99.760 . 99.760 99.760 99.760 99.760
MAE 358.784 . 358.784 358.784 358.784 358.784
MaxAE 1100.126 . 1100.126 1100.126 1100.126 1100.126
Normalized BIC 12.456 . 12.456 12.456 12.456 12.456

Model Fit

Percentile

Fit Statistic 25 50 75 90 95

Stationary R-squared .534 .534 .534 .534 .534

R-squared .768 .768 .768 .768 .768
RMSE 467.567 467.567 467.567 467.567 467.567
MAPE 22.068 22.068 22.068 22.068 22.068
MaxAPE 99.760 99.760 99.760 99.760 99.760
MAE 358.784 358.784 358.784 358.784 358.784
MaxAE 1100.126 1100.126 1100.126 1100.126 1100.126
Normalized BIC 12.456 12.456 12.456 12.456 12.456

Model Statistics

Model Fit statistics Ljung-Box Q(18)

Number of Stationary R-
Model Predictors squared R-squared RMSE Statistics DF

Data-Model_1 0 .534 .768 467.567 17.213 16

Model Statistics

Ljung-Box Q(18)

Model Sig. Number of Outliers

Data-Model_1 .372 0
 Forecast

Model Jan 2022 Feb 2022 Mar 2022 Apr 2022 May 2022

Data-Model_1 Forecast 2040 2446 3381 3271 3654

UCL 2981 3460 4463 4417 4859

LCL 1099 1433 2300 2126 2449

For each model, forecasts start after the last non-missing in the range of the requested estimation
period, and end at the last period for which non-missing values of all the predictors are available
or at the end date of the requested forecast period, whichever is earlier.