Iklan

Plot Residual-Fit dan Forecasting dengan SPSS (Seri 6b Peramalan)


Sebagaimana yang dikemukakan pada tulisan seri 6a Peramalan, selain membandingkan antara nilai fit dan nilai observednya, untuk pemeriksaan model secara visual lebih lanjut, kita dapat melihat plot dari residual dibandingkan dengan nilai fit. Nilai residual adalah selisih antara nilai observed dengan nilai fit.

Perhatikan kembali tampilan 2 pada seri 6a Peramalan sebelumnya. Pada waktu kita mengklik Save, kita menconteng Predicted values dan Residual. Kedua nilai ini akan muncul di worksheet SPSS dalam bentuk variabel baru, seperti pada tampilan berikut:

Tampilan 4. Fit dan Error

46b

Karena kita memilih dua model (Linear dan Kuadratik), maka akan muncul dua variabel FIT dan dua variabel ERR). FIT_1 dan ERR_1 adalah masing-masing nilai fit dan residual untuk model linear. FIT_2 dan ERR_2 adalah masing-masing nilai fit dan nilai residual untuk model kuadratik.

Untuk membuat plot residual terhadap fit, klik Graph > Chart Builder. Akan muncul tampilan berikut:

Tampilan 5. Chart Builder1

56b

Klik Scatter/Dot, kemudian pilih Simple Scatter (gambar sudut kiri atas). Akan muncul tampilan berikut:

Tampilan 6. Chart Builder2

66b

Untuk membentuk plot antara residual dan fit model linear, jadikan FIT model linear sebagai sumbu x, dengan cara menarik (drag) variabel tersebut ke sumbu x. Jadikan ERROR model linear sebagai sumbu y, dengan cara menarik variabel tersebut ke sumbu y.

Kemudian klik OK, akan muncul output grafik sebagai berikut:

76b

Dengan cara yang sama, buat juga plot residual dan fit untuk model kuadratik. Hasilnya diberikan sebagai berikut:

86b

Perhatikan sebaran titik-titik di kedua grafik tersebut. Patokannya adalah, jika terdapat pola dari sebaran titik-titik tersebut (garis lurus, cekung, cembung dan lainnya), maka berarti residual tidak bebas (not independent) terhadap nilai fit. Sebaliknya, jika tidak ada pola yang jelas, menunjukkan bahwa residul adalah bebas (independent) terhadap nilai fit. Namun demikian, untuk menilai ada atau tidaknya pola tersebut, tentunya membutuhkan kecermatan tersendiri.

Model yang memenuhi syarat untuk peramalan adalah model dimana residualnya bebas dari terhadap nilai fit.

Dari contoh kita, dalam model linear terlihat adanya pola titik-titik yang menyebar secara linear, tetapi pada model kuadratik, titik-titik relatif menyebar secara tidak beraturan. Karenanya, dapat disimpulkan bahwa selain nilai R square yang lebih baik, model kuadratik ternyata lebih memenuhi syarat dibandingkan model linear, sehingga model kuadratik lebih tepat digunakan untuk peramalan data kita (Catatan: disini kita hanya membandingkan dua model. Jika anda membandingkan dengan beberapa model lainnya, tentunya kesimpulannya bisa berbeda).

Setelah menetapkan model kuadratik sebagai model terbaik, tahap selanjutnya adalah melakukan forecasting dengan model tersebut.

Untuk melakukan forecasting dengan SPSS, perhatikan kembali tampilan 2 pada tulisan seri 6a Peramalan sebelumnya. Pada tampilan tersebut, klik pilihan Predict through, kemudian isikan angka pada kotak Observation. Jika kita ingin meramal 10 tahun kedepan, isikan angka 20 didalam kotak tersebut (10 periode data asli + 10 periode kedepan). Jika ingin meramal 15 tahun ke depan, isikan angka 25 ( 10 periode data asli + 15 periode data kedepan).

Misalnya kita meramal 10 tahun kedepan, maka hasilnya adalah sebagai berikut (akan muncul di worksheet SPSS):

Tampilan 7. Forecasting

96b

Perhatikan kolom FIT_1 (FIT_1 sekarang adalah nilai untuk model kuadratik, karena model linear sebelumnya sudah kita hapus). Urutan 1 – 10 dari kolom FIT_1 sama seperti hasil sebelumnya yang merupakan nilai fit untuk periode pengamatan. Urutan 11 – 20 merupakan fit atau forecasting untuk 10 periode kedepan. Dari hasil tersebut terlihat bahwa pada periode ke 20 (10 periode kedepan) penjualan diperkirakan akan mencapai 77,77.

Sekian dulu tulisan ini. Tulisan ini juga mengakhiri seri tulisan peramalan sederhana. Pada kesempatan berikutnya, mudah-mudahan akan disusun seri untuk peramalan yang lebih kompleks (lebih lanjut).

Iklan

6 Tanggapan

  1. Assalamu alaikum. sangat membantu pak. sy mau tanya, sy sudah masukkan periode peramalan di observation tapi hasilnya tdk muncul?

  2. pak junaidi.saya sdg malakukan penelitian tentang perbankan..total untuk sampel perbankan yang list di bei selama tahun 2009 cm sekitar 25 an.saya mengambil sampel untuk penelitian sebesar 19 perusahaan sesuai kriteria masalah yang akan diteliti.tetapi syarat untuk melakukan penelitian spss per tahun di butuhkan 30 perusahaan..saya diberitahu untuk melakukan transformsi untuk melogkan data.saya ngak ngerti cara melog nya..pertanyaannya pak bagaimana cara mentransformasi data dan melog nya agar sesuai syarat untuk penelitian tsb?..thanks

    Cara me log kan data dengan SPSs, coba lihat tulisan saya ini. Transformasi data dengan SPSS

    • selamat sore pak junaidi..terima kasih ya petunjuknya.sukses slalu bwt bapak..

  3. Bapak sy sedang mengerjakan skrips, dengan n=75 n menggunakan analisis regresi linier berganda dan uji asumsi klasik..namun saya mengalami beberapa permasalahan..
    1. Beberapa VI terdapat multikolineritas dan saya mengeluarkan VI yang memiliki VIF terbesar.. Apakah cara saya sudah tepat???
    2. Ketika saya ingin menguji normalitasnya, ternyata hampir semua VI yang lolos uji asumsi klasik tidak berdistribusi normal…

    Apakah hasil hipotesis dan model regresi yang baru akan masih tetap valid???
    Mohon bantuannya..
    Thx..

    Cara mengatasi multikolinearitasnya menurut saya sudah tepat. Hanya perlu diperhatikan ketika mengeluarkan variabel tersebut, apakah tidak bertentangan dengan teori ?

    Dalam regresi, uji asumsi klasik uji normalitas adalah uji normalitas residual atau error dari regresi tersebut.
    Cara mendeteksi dengan SPSS:
    1. Cara pertama: Gunakan grafik/plot residual (Normal P-Plot). Caranya adalah pilih plot lalu pada standardized residual plots dan centang histogram dan normalitas probability. Jika data menyebar di sekitar garis diagonal & mengikuti arah garis diagonal, model regresi memenuhi asumsi normalitas. Jika data menyebar jauh dari garis diagonal dan/atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi normalitas
    2. Cara kedua dengan uji Kolmogorov-Smirnov. Caranya adalah pilih Save lalu centang pada
    residual unstandardized. Akan terdapat variabel baru yaitu nilai residual. Selanjutnya lakukan pengujian nilai residual dengan uji kolmogorov-smirnov apakah terdistribusi secara normal atau tidak.
    3. Jika hasil yang diperoleh ternyata residualnya tidak normal, maka lakukan transformasi terhadap data.

  4. OK Pak, terima kasih, kami mahasiswa fakultas pertanian, saya dan teman2 mengucapkan terima kasih banyk, semoga amal ibadah bapak diterima Allah SWT, website bapak menarik, langsung to the point, mudah dimengerti, dan banyak bantuin kita mahasiswa yang sedang pusing dengan maslah statistik, Terima Kasih banyak 😉

    Ya, sama-sama. Sukses selalu

  5. pak misalkan pada sumbu X adalah perlakuan 25,5, 25,6, 24,7, 28,9 , 29.3 , 30,4 , 31,3, sedangkan sumbu Y. 36,5 , 36,9 , 37,3 , 29, 4, 35,7 , 37,8 32,1. gimana cara forecasting, terbaik sdangkann forecasting, bermcm macam model
    ada
    Constant
    Linier trend
    Quadratic
    Exponential
    Moving Average
    Exponential smoothing
    Seasonal

    saya bingung harus pake yang mana, mhon solusinya pak , seblmnya terima kasih , wass wr wb

    Ada beberapa cara untuk memilih model terbaik dalam forecasting, diantaranya dengan melihat ukuran MAD dan MAPE. Coba lihat beberapa tulisan di blog ini yang terkait dengan hal tersebut. Diantaranya ini, ini, dan ini

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s

%d blogger menyukai ini: