Kelebihan-dari-metode-moving-average

Kelebihan-dari-metode-moving-average

Option-trading-formula
Pialang-pilihan-broker-2015
Karvy-online-trading-brokerage


Online-money-trading-india Pilihan-trade-picks Stocks-memukul-50-hari-bergerak-rata-rata Harus-i-take-stock-options-and-rsus Pilihan non-karyawan-opsi-mark-to-market Contoh kode pemindah-rata-filter-matlab-code

Berbagi Kelemahan dan Kelebihan LWMA Berbanding SMA Hallo. Bagaimana kabarnya trading anda Mudah mudahan tetap profit kosisten. Kali ini saya akan memcoba berbagi tentang kelemahan dan kelebihan LWMA (Linear Weighted Moving Average) berbanding SMA (Simple Moving Average). Dalam perdagangan sehari - hari. Bukan saya merasa sudah jago dalam forek dan saya juga sedang berusaha memahami tentang teknikal analisis forex. Karena merupakan analisa forex fundamental dalam cara bermain forex. Forex adalah seni untuk mengolah data dari forex indikator yang segera di padukan dengan informasi dari grafik yang terus berubah secara dinamis. Forex indikator yang selama ini saya baca dalam cara bermain forex adalah salah satunya MA (Moving averge) dan di bawah saya sajikan rumus perhitungan MA dai ini sudah tersedia dalam platform Metatrader. Rumus perhitungan MA yang saya kutip dari forum forexindo. Simple Moving Average (SMA) Moving Average memiliki beberapa metode atau jenis perhitungan Perhitungannya dengan menjumlahkan harga yang akan dihitung dibagi dengan periode. Contoh: kita akan mencari nilai SMA dari 5 harga dekat tiap candle, yang mana yang dekat masing-masing candle adalah 5,7,2,9,3 Exponential Moving Average (EMA) yang EMA bisa dihitung dengan menggunakan rumus seperti dibawah dari rumus di atas sangat Mudah untuk menghitung EMA karena hanya membutuhkan harga sekarang dan nilai EMA sebelumnya. Tapi kalau diteliti lagi, darimana kita akan mendapatkan EMA. Yah kalo ada lagi data sebelumnya tinggal jawab aja dari EMA sebelumnya lagi.sebenarnya EMA previouse itu adalah nilai SMA contoh perhitungan: nah data previouse EMA yang ke 6 itu diambil dari perhitungan: (252428242627) 6 25,666667 (sama dengan menghitung nilai SMA) Nah dari pernyataan diatas kita bisa mengambil kesimpulan bahwa EMA akan memberi sinyal lebih dini dibanding SMA. Smoothed Moving Average (SMMA) SMMA memiliki perhitungan bertahap. - untuk menghitung nilai SMMA awal sama dengan menghitung SMA yaitu (total data dibagi periode) - untuk mendapatkan SMMA ke dua dan seterusnya menggunakan rumus contoh: kita akan menghitung SMMA menggunakan periode 3, dari data 1,2,3,4,5, 6,7 dst bertahap dari 3 bar pertama SMMA (PRICE 1 PRICE 2 PRICE 3) PERIODE SMMA (123) 3 2 lalu SMMA pada bar ke 4 dihitung dengan menggunakan rumus: SMMA (PREVIOUS SUM - PREVIOUS AVG data ke 4) PERIODE SMMA (6 - 2 4) 3 8 3 2,67 SMMA pada bar ke 5 SMMA (8 - 2,67 5) 3 10,333 3,44 SMMA pada bar ke 6 SMMA (10.33 - 3.44 6) 3 12.89 3 4.30 dst. Rear Weighted Moving Average (LWMAWMA) Pembobotan pada WMA tergantung dari periode yang kita tentukan. Semakin besar periode maka semakin pesar pembobotan nilai perhitungannya.Menurut pengalaman saya LWMA respon terhadap harga lebih cepat. Jadi kita kalau melihat trend lebih cepat. Kelemahannya karena kecepatnya itu. Kadang kita salah menafsirkan arah harga bila dilihat dari kacamata SMA. Trader kan tidak semua pakai LWMA jadi kadang kita keliru. Contoh Pasangan EUUSD - SMA Periode. Harga bermain di daerah Sd1 dan Sd2 (warna biru) jadi menurut prinsip BBMA harga sedang sedang sedang tren. Spoiler (Gerakkan mouse anda ke area spoiler untuk mengungkap isinya) Contoh Pasangan EUUSD - LWMA Periode. Harga sedang bermain di daerah Sd1 dan Midle bulanan (warna biru) berarti menurut prinsip BBMA harga sedang normal. Spoiler (Pindahkan mouse anda ke area spoiler untuk mengungkap isinya) Jadi mana yang lebih baik ternyata semuanya baik dan akurat dan kita juga harus responsip pada saat batas LWMA tembus, kita juga harus melihat SMA begitu pula sebaliknya, pada saat batas sudah SMA Tidak valid kita juga lihat LWMA. Karena setiap trader tidak sama dan itu tercermin pada pergerakan harga, begitulah antara harga beli. Karena forex adalah seni dalam mengolah informasi dari Forex Indikator maka kita harus bisa menikmatinya dalam cara kita bermain forek sehai - hari. Semoga bermanfaat. Selamat trading.Metode peramalan (peramalan) terdiri dari metode kualitatif dan kuantitatif. Metode kualitatif adalah metode yang bersifat obyektif dengan apa adanya atau peramalan yang dibangun atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yangusunnya. Peramalan kualitatif memanfaatkan faktor - faktor penting seperti intuisi, pendapat, pengalaman pribadi, dan sistem. Metode dan metode analisis historis dan siklus hidup. Metode kuantitatif adalah peramalan yang dibangun atas data kuantitatif atau model matematis yang beragam dengan data masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang digunakan dalam peramalan tersebut. Baik tidaknya metode yang digunakan tergantung dengan perbedaan atau penyimpangan antara hasil ramalan dengan apa yang terjadi. Semakin kecil penyimpangan antara hasil ramalan dengan yang akan terjadi maka semakin baik pula metode yang digunakan. Metode kuantitatif dapat diterapkan. Sebuah. Data dan informasi masa lalu b. Data dan Informasi tersebut dapat dikuantitatifkan dalam bentuk numerik c. Diasumsikan beberapa aspek masa lalu akan terus berlanjut di masa datang. Metode ini. Metode. (Deret waktu) dibangun atas penggunaan. Pola waktu antar waktu. Cara menghitung jumlah uang. Metode perhitungan, metode eksponensial smoothing dan metode proyeksi tren. Cara sederhana untuk peramalan ini mengasumsikan ada dalam periode berikutnya sama dengan peramalan dalam periode sebelumnya. Pendekatan naif ini merupakan model peramalan obyektif yang paling efektif dan efisien. Paling tidak pena-dekatan naif memberikan titik awal untuk perbandingan dengan model lain yang lebih canggih. Contoh Jika penjualan sebuah produk (mis: telepon genggam Motorolla) adalah 68 unit pada bulan Januari, kita bisa meramalkan penjualan pada bulan Februari sama, yaitu sebanyak 68 unit juga. Metode Rata-rata Bergerak (Moving Average) Rata-rata bergerak adalah suatu metode peramalan yang menggunakan rata-rata periode terakhir data untuk meramalkan periode berikutnya. Metode eksponensial smoothing merupakan pengembangan dari metode moving averages. Dalam metode ini peramalan dilakukan dengan mengulang perhitungan secara terus menerus dengan menggunakan data terbaru. Setiap data diberi bobot, data yang lebih baru diberi bobot yang lebih besar. Rumus metode eksponensial smoothing. Dimana. F t Peramalan baru F t-1 Peramalan sebelumnya Konstanta penghalusan (08804 88051) A t-1 Permintaan aktual periode lalu Menghitung kesalahan peramalan Ada beberapa perhitungan yang biasa digunakan untuk menghitung kesalahan dalam peramalan. Tiga dari perhitungan yang paling terkenal adalah Deviasiolut rata-rata (mean deviasi absolut MAD) MAD adalah nilai yang dihitung dengan jumlah jumlah absolut dari setiap kesalahan peramalan dibagi dengan jumlah data periode (n). B. Metode Kausal Metode peramalan kausal membangun suatu model sebab-akibat antara permintaan yang diramalkan dengan variabel-variabel lain yang dianggap merugikan. Sebagai contoh, permintaan akan baju baru bisa berhubungan dengan banyaknya populasi, pendapat masyarakat, jenis kelamin, budaya daerah, dan bulan-bulan khusus (hari raya, natal, tahun baru). Data dari variabel-variabel ini diklasifikasi dan dianalisa untuk menentukan kevaliditasan dari model peramalan yang zo. Metode ini dipakai untuk kondisi dimana variabel penyebab rose item yang akan diramalkan sudah diketahui. Dengan adanya hubungan tersebut, output dapat diketahui jika input. Metoda regresi dan pengukuran pada parameter dengan menggunakan teknik 8220least squares8221. Hubungan yang ada pertama-tama dianalisis secara statistik. Ketepatan peramalan dengan menggunakan metoda ini sangat baik untuk peramalan jangka pendek, sementara untuk peramalan jangka panjang ternyata ketepatannya kurang begitu baik. Metoda ini banyak digunakan untuk peramalan penjualan, perencanaan keuntungan, peramalan permintaan dan permalan keadaan ekonomi. Data yang dibutuhkan untuk penggunaan metoda ini adalah data kuartalan dari beberapa tahun lalu. Contoh: Data berikut berhubungan dengan penjualan pada bar pada beberapa kemiri di penginapan Marthy and Polly Starr di Marathon, Florida. Jika peramalan menunjukkan akan dating 20 tamu pecan depan, berapakah penjualan yang diharapkan. Metoda ini dibangun atas peramalan sistem persamaan regresi yang diestimasikan secara simultan. Baik untuk peramalan jangka pendek maupun peramalan jangka panjang, ketepatan peramalan dengan metoda ini sangat baik. Metoda peramalan ini selalu digunakan untuk peramalan penjualan menurut kelas produk, atau peramalan keadaan ekonomi masyarakat, seperti permintaan, harga dan penawaran. Data yang dibutuhkan untuk penggunaan metoda peramalan ini adalah data kuartalan beberapa tahun. Yang sedang dalam proses memformulasi model ekonometrika ini antara lain membangun suatu model teori, mengumpulkan data, memilih bentuk persamaan fungsi yang diestimasi, dan mengestimasi dan menginterpretasi hasil. Contoh S ebagai contoh disini misalnya kita menginginkan untuk memprakirakan permintaan, maka hubungan antar harga dan kuantitas dapat menjadi dasar teori yang logis untuk suatu model. Faktor harga yang mempengaruhi volume permintaan tersebut sebenarnya merupakan satu kesatuan faktor yang sedang berkembang permintaan, sehingga banyak faktor yang turut ikut dimenangkan permintaan. Maka secara spesifik hubungan kausalistik permintaan itu diputuskan oleh selain harga, tapi juga terkait misalnya oleh pendapatan per kapita (I), harga barang lain (Po), dan Advertensi (A), dan lain-lain. Karena itu model fungsi yang dikembangkan dalam suatu persamaan yang terkait dengan yang merupakan faktor penentu antara lain: Qd f (P, I, Po, dan A) Yang secara material terbukti secara empirik Fakta P, I, Po, dan A itu dirumuskan sebagai fungsi: Qd a 8211 bP cI dPo eA Dimana Qd adalah volume permintaan, adalah koefisiensi konstanta, b, c, d, dan e adalah koefisiensi faktor Harga, Penghasilan, Harga Barang Lain , Dan Advertensi. Metoda ini digunakan untuk menyusun tren tren ekonomi jangka panjang. Model ini kurang baik ketepatannya untuk peramalana jangka panjang. Model ini banyak digunakan untuk peramalan penjualan perusahaan, penjualan sektor industri dan sub sektor industri, produksi dari sektor dan sub sektor industri. Data yang dibutuhkan untuk penggunaan metoda atau model ini adalah data tahunan selama sekitar sepuluh sampai lima belas tahun. Perkenalkan, saya dari tim kumpulbagi. Saya ingin tau, apakah kiranya anda berencana untuk mengoleksi file menggunakan hosting yang baru Jika ya, silahkan kunjungi website ini kbagi untuk info selengkapnya. Di sana anda bisa dengan share dan mendowload foto-foto keluarga dan perjalanan, musik, video, filem dll dalam jumlah dan waktu yang tidak terbatas, setelah registrasi terlebih dahulu. Gratis:) metode metode peramalan dan aplikasi Metode Expnontial Smoothing Metode eksponensial smoothing merupakan metode peramalan yang cukup baik untuk peramalan jangka panjang dan siang, pada tingkat operasional suatu perusahaan, dalam perkembangan dasar matematis dari metode smoothing (forcasting oleh Makridakis, hal 79- 115) dapat dilihat dengan konsep eksponensial yang telah berkembang dan menjadi metode praktis dengan penggunaan yang cukup luas, terutama dalam peramalan bagi persedian. Eksponensial smoothing adalah dilihat dari sifat yang relatif rendah, ada sedikit keraguan apakah ketepatan yang lebih baik selalu dapat dicapai dengan menggunakan (QS) Quantitatif sistem ataukah metode dekonposisi yang secara intuitif menarik, namun dalam hal ini jika diperlukan peramalan untuk Item ratus Menurut Makridakis, Wheelwright amp Mcgee dalam bukunya forcasting (hal 104). Menyatakan data luasan yang dianalisa sarana stationer, maka metode peminjaman rata - rata bergerak (moving average) atau single exponential smoothing cukup tepat akan menambah datanya suatu trend linier. Maka model yang baik untuk digunakan adalah. Eksponensial smoothing linier dari holt. Permasalahan umum yang maju menggunakan model pemulusan eksponensial adalah pilihan konstanta pemulusan yang tepat. Seperti panduan untuk memperkirkan nilai antara lain: Bila skor dari data aktual permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, kita memilih yang dekat 1.Biasanya di pilih nilai 0,9 namun pembaca dapat mencoba yang ada yang dekat 1 seperti 0,8 0,99 tergantung sejauh mana gejolak dari data itu. Kalau pola historis dari data akual permintaan tidak berfluktuasi atau relati stabil dari waktu ke waktu maka kita memilih yang yang nol, katakanlah a 0.2 0.05 0.01 tergantung mana mana kestabilan data itu, semakin stabil sebuah yang dipilih harus semakin kecil menuju ke nol B.2. Metode Pelepasan Eksponensial Ini juga digunakan untuk meramalkan suatu periode ke depan. Untuk melihat metode. Maka lihat kembali persamaan matematis yang digunakan pada peramalan single moving average. Peramalan untuk periode t, persamaan adalah: Apa persamaan matematis untuk single moving exponential smoothing sebagai berikut: Jadi untuk yang terlihat adalah metode single moving average adalah jumlah data semua yang dituju pada baru. Harga ditetapkan oleh 0 X 1 dan harga yang terpilih simpanan dari perhitungan yang ada, seperti pada metode single moving average. Peramalan dengan eksponensial smoothing juga bisa digunakan untuk meramalkan beberapa periode kedepan untuk pola data dengan kecenderungan linier, teknik yang digunakan dikenal dengan nama Brown Parameter Exponential Smoothing langkah-langkah perhitungan untuk peramalan dengan metode ini adalah: nilai peramalan dengan rata-rata bergerak tunggal. Rata rata bergerak kedua. Hasil peramalan dengan double moving average pada periode kedepan. Periode kedepan yang diramalkan B.3. Metode Eksponensial Eksponensial Metode ini dikembangkan oleh Browns untuk mengatasi adanya perbedaan yang muncul antara data aktual dan nilai peramalan ada tren pada plot datanya. Untuk itu Browns memanfaatkan peramalan dari hasil tunggal Eksponensial Smooth dan Double Exponential smoothing. Perbedaan antara kedua ditambahkan pada harga dari SES dengan demikian harga peramalan telah disesuaikan terhadap tren pada plot datanya. B.3.1. Metode Double Expnontial Smoothing Satu Parameter Brown adalah dengan rata - rata bergerak linier, karena keduanya merupakan data yang sebenarnya bilamana ada unsur tren. Perbedaan antara pematangan tunggal dan ganda dapat ditambahkan untuk pemulusan dan disesuaikan untuk tren. Persamaan yang dipakai dalam implementasi pemulusan linier satu parameter Brown ditunjukan dibawah ini: a t S8217t (S8217t St) 2 S8217t St F t a t b t. T 823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230 (2.21) S t pemayah eksponensial tunggal S t adalah pemulusan eksponensial ganda. M jumlah periode ke muka yang diramalkan. Ramalan m periode ke muka Agar bisa menggunakan persamaan diatas, nilai S t-1 dan S t-1. Harus tersedia Bila pada saat t 1, nilai ini tidak tersedia. Jadi, nilai ini harus ditentukan pada. Hal ini dapat dilakukan dengan hanya menetapkan S t dan S t sama dengan X t atau dengan menggunakan suatu nilai rata-rata dari beberapa hal pertama sebagai titik awal. Jenis masalah inisialisasi ini muncul dalam setiap metode pemulusan (smoothing) eksponensial. Jika parameter pemulusan tidak mendekati nol, tentu saja prosesnya dengan cepat menjadi kurang berarti dengan berlalunya waktu. Bagaimana, jika suatu proses nol, proses inisialisasi tersebut dapat memainkan peran yang nyata selama periode waktu ke muka yang panjang. B.3.2. Metode Double Exponential Smothing Dua Parameter Holt tidak menggunakan rumus pemulusan berganda secara langsung. Gantinya Holt memuluskan trend dengan parameter yang berbeda dari parameter yang digunakan pada deret yang asli. Ramalan dari pemulusan eksponensial linier Holt didapat dengan menggunakan dua konstan pemulusan (dengan nialai antara 0 sampai 1) dan tiga persamaan: F t m S t b t m823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230823082308230. (2.24) Dimana. Data per semester pada periode t peramalan pada periode t Persamaan diatas (1) menyesuaikan secara langsung untuk tren periode sebelumnya yaitu b t-1 dengan penambahan pematangan yang terakhir, yaitu S t-1. Hal ini membantu untuk menghilangkan kelambatan dan penempatan. Kemudian persamaan meremajakan tren (2), yang ditunjukan sebagai perbedaan antara dua pematangan yang terakhir. Hal ini tepat karena jika ada kecenderungan dalam data, yang baru akan lebih tinggi atau lebih rendah dari pada yang sebelumnya. Karena mungkin masih ada sedikit kerandoman. Maka hal ini dihilangkan oleh pemulusan g (gamma) trend pada periode akhir (S t S t-1), dan tambahnya dengan taksiran trend sebelumnya dikalikan (1- g). Jadi rumus diatas dipakai untuk meremajakan trend. Akhirnya persamaan (3) digunakan untuk peramalan ke muka. Trend. B t, dikalikan dengan jumlah periode kedepan yang diramalkan, m dan ditambahkan pada nilai dasar S t. B.4. Metode Triple Exponential Smoothing Metode ini dapat digunakan untuk data yang mengandung atau mengandung musiman. Metode ini adalah metode yang digunakan dalam pemulusan tren dan musiman. Metode musim dingin dibangun atas tiga persamaan pemulusan yaitu satu untuk stasioner, trend, dan musiman. Hal ini mirip dengan metode persamaan untuk mengatasi musiman. Persamaan dasar untuk metode winter adalah sebagai berikut: L Panjang musiman. B komponen tren I Faktor penyesuaian musiman Ramalan untuk n periode eke depan. 2.1.1. Aspek Umum dari Metode Pemulusan Kelebihan utama dari penggunaan metode pemulusan (Smoothing) yang luas adalah kemudahan dan ongkos yang rendah. Ada sedikit keraguan apakah ketetapan yang lebih baik selalu bisa di capai dengan menggunakan metode autoregresi atau pola rata-rata yang lebih canggih. Namun demikian, jika diperlukan ramalan untuk barang, seperti dalam banyak kasus sistem persedian (inventori), maka metode pemulusan adalah salah satu metode yang bisa dipakai. Dalam hal keperluan peramalan yang besar, maka sesuatu yang kecil dan mantap itu lebih berarti. Sebagai contoh, aturlah setiap barang bisa menjadi sangat berarti bagi keseluruhan item sebulan. Disamping itu, waktu komputer yang diperlukan untuk melakukan perhitungan yang penting harus tersedia pada tingkat yang layak, dan alasannya, metode ini lebih baik daripada metode yang jumlahnya lebih sedikit daripada yang lebih banyak. Metode terakhir Square Pengertian. Analisis trend merupakan suatu metode analisis yang ditujukan untuk melakukan suatu perkiraan atau peramalan pada masa yang akan datang. Untuk melakukan peramalan dengan baik maka dibutuhkan berbagai macam informasi (data) yang cukup banyak dan untuk jangka waktu yang relatif cukup panjang, sehingga dari hasil analisis tersebut dapat diketahui sampai jumlah besar fluktuasi yang terjadi dan faktor-faktor apa saja yang mengalami perubahan tersebut . Secara teoristis, dalam analisis deret waktu yang paling menentukan adalah kualitas atau keakuratan dari data atau data data yang dihasilkan sekaligus data data yang bersangkutan. Jika data yang dikalikan ini semakin banyak maka semakin baik pula perkiraan atau peramalan yang dihasilkan. Memenuhi, jika data yang mana bisa lebih cepat maka hasilnya akan jelek. Metode Least Square. Metode Rata - rata Metode Bergerak (Metode Rata - rata Bergerak) dan Metode Kuadrat Terkecil (Metode Persamaan Least). Metode Metode Linier Secara Bebas. Metode Kuadrat Terkecil. Dalam hal ini akan lebih dikhususkan untuk membahas analisis time series dengan metode kuadrat yang dibagi dalam dua kasus, yaitu kasus data genap dan kasus data ganjil. Secara umum persamaan garis linier dari analisis time series adalah. Y a b X. Keterangan. Y adalah variabel yang dicari trendnya dan X adalah variabel waktu (tahun). Sedangkan untuk mencari konstanta (a) dan parameter (b) adalah. A Y N dan b XY X2 Contoh Kasus Data Ganjil: Tabel. Volume Penjualan Barang X (dalam 000 unit) Tahun 1995 sampai dengan 2003 Untuk mencari a dan b adalah sebagai berikut: a 2.460 9 273,33 dan b 775 60 12,92 Persamaan garis liniernya adalah. Y 273,33 12,92 X. Dengan menggunakan persamaan tersebut, dapat diramalkan penjualan pada tahun 2010 adalah. Y 273,33 12,92 (untuk tahun 2010 adalah X adalah 11), jadi. Y 273,33 142,12 415,45 hal penjualan barang X pada tahun 2010 diperkirakan 415.450 unit Contoh Kasus Data Genap: Tabel. Volume Penjualan Barang X (dalam 000 unit) Tahun 1995 sampai dengan 2002 Untuk mencari a dan b adalah sebagai berikut: a 2.150 8 268,75 dan b 1.220 168 7,26 Persamaan garis liniernya adalah. Y 268,75 7,26 X. Dengan persamaan tersebut untuk meramalkan penjualan pada tahun 2008 adalah. Y 268,75 7,26 (untuk tahun 2008 adalah X adalah 19), jadi. Y 268,75 137,94 406,69 barang penjualan barang X pada tahun 2008 diperkirakan 406,69 atau 406,690 unit. Dengan menggunakan metode di atas, juga bisa dipakai dengan metode sebagai berikut:. Volume Penjualan Barang X (dalam 000 unit) Tahun 1995 sampai dengan 2002 Untuk mencari a dan b adalah sebagai berikut: a 2.150 8 268,75 dan b 610 42 14,52 Persamaan garis liniernya adalah. Y 268,75 14,52 X. Dengan persamaan tersebut untuk meramalkan penjualan pada tahun 2008 adalah. Y 268,75 14,52 (untuk tahun 2008 adalah X adalah 9), jadi. Y 268,75 137,94 406,69 barang penjualan barang X pada tahun 2008 diperkirakan sebesar 406.690 unit. Untuk Arin, Untuk Y dan X itu adalah data mentah, misalnya mencari trend kunjungan maka Y nya adalah periode waktu (misal tiap bulan dalam 1 tahun) dan X nya jumlah pengunjung (misalnya per bulan). Setelah itu baru bisa di analisa trennya sama dengan rumus regresi sederhana (untuk mencari a dan b). Karena jumlah X di trend sama dengan nol maka jika di dalam rumus regresi maka jadilah tren rumus. Artinya, untuk mencari nilai a dan b pada trend bisa menggunakan rumus regresi, tapi disini tren rumus tidak dapat diaplikasikan dalam regresi, karena dalam regresi jumlah X tidak sama dengan nol saya lg skripsi mas, cuma blom ngerti menjelaskan hal x itu secara lengkap, cuma Itung2annya saya ngerti, nah dosen saya minta jelaskan x itu dengan sedetail2nya. Dosennya nyuruh saya tiap x harus jelas dari mana asalnya ,, gimana ya mas slamet menjelaskan x berasal darimana, malah dosen saya nyuruh tiap bulan x nya harus dijelasin. Untuk Iqbalbo, karena jumlah data X-nya genap maka 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Loncat 2. Maka bulan Mei berharga -3, April -5 dst. Jika bulan Agustus harga 3 dan September harga 5 dst. Jadi untuk harga X disamping totalnya 0 juga harus konsisten loncat 2. mas slamet8230 itu cara mencari x (variabel waktu) gimana jujur ​​saya masih bingung kok tau2 dapet nilai -4, -3 mohon penjelasannya mas .. terimaksih ke yqbaldo, untuk mencari nilai X Pada analisis tren kata kuncinya adalah jika nilai x dijumlahkan maka hasilnya 0. Untuk data jumlah tahun ganjil maka tahun yang ditengah nilai 0, tahun sebelumnya -1 trus -2 dst, sudah tahun ini 1 trus 2 dst. Kalau data jumlah tahun genap lihat contoh diatas. Buku Statistika Deskriptif email: ssantoso0219yahoo.co.id Post navigation Komisi Gratis
Online-forex-rates-in-uganda
Lotus-forex-jayanagar-bangalore