Peramalan moving average dengan minitab no Brasil

Portal - Statistik Bertemu lagi dengan postar em kali ini, setelah sekian lama offline dari dunia blogger, tidak pernah lagi menguisi blog, nah pada kesempatan kali ini saya mau berbagi kembali kepada semua sahabat yang membutuhkan tutorial atau pengetahuan tentang previsão peramalan, mungkin beberapa hari kedepan saya Akan banyak memposting tulisan tentang previsão Semoga tulisan ini dapat berguna bagi kita semua. Pada postingan pertama tentang analisis runtun waktu kali ini, saya akan berbagi tentando analisis runtun waktu yang paling sederhana yaitu metode Movendo Average. Analisis runtun waktu merupakan suatu metode kuantitatif untuk menentukan pola Dados massa lalu yang telah dikumpulkan secara teratur Análise runtun waktu merupakan salah metodo peramalan yang menjelaskan bahwa deretan observasi pada suatu variabel dipandang sebagai realisasi dari variabel aleatório berdistribusi bersama Gerakan musiman adalah gerakan rangkaian waktu yang sepanjang tahun pada bulan-bulan yang s AMA Yang selalu pola menunjukkan Yang identik contohnya harga Saham, inflasi Gerakan aleatório adalah Gerakan Naik turun waktu yang tidak dapat diduga sebelumnya dan terjadi secara Acak contohnya gempa bumi, kematian Dan Yang sebagainya. Asumsi penting Yang Harus dipenuhi dalam memodelkan Runtun waktu adalah asumsi kestasioneran artinya SIFAT-SIFAT Yang mendasari proses tidak dipengaruhi oleh waktu atau proses dalam keseimbangan Apabila asumsi stasioner Belum dipenuhi maka Deret Belum dapat dimodelkan Namun, Deret Yang nonstasioner dapat ditransformasikan menjadi Deret Yang stasioner. Pola dados Runtun Waktu. Salah satu ASPEK yang paling penting dalam penyeleksian metode Peramalan, yang, yang, sesuai, untuk, dados, runtun, waktu, adalah, unido, mempertimbangkan, perbedaan, tipe, pola, dados, Ada, empat, tipe, umum, horizontal, trend, seasonal, dan, cyclical. Ketika, dados, observa, berubah-ubah, sekitar, tingkatan, atau, rata-rata, yang, konstan, Suatu produk tidak m ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Yang, ditandai, dengan, adanya, pola, perubahan, yang, berulang, secta, otomatis, dari tahun ke tahun Untuk runtun tiap bulan, ukuran variabel komponen sazonal runtun tiap Januari, tiap Februar, dan seterusnya Untuk runtun tiap triwulan ada elemen empat musim, satu untuk masing-masing triwulan. Single Moving Average. Rata-rata bergerak tunggal Mudar de média para um período de tempo médio de um mês para um mês e outro para um mês dados de um dia em um dia e um dia em um dia, Untuk memprediksi nilai pada periode be Rikutnya Modelo ini sangata cocok digunakan pada dados yang stasioner atau dados yang konstant terhadap variantes tetapi tidak dapat bekerja dengan dados yang mengandung unsur tendência atau musiman. Rata-rata bergerak pada orde 1 akan menggunakan data terakhir Ft, dan menggunakannya untuk memprediksi data pada periode selanjutnya Metode ini sering digunakan pada dados kuartalan atau bulanan untuk membantu mengamati komponen-komponen suatu runtun waktu Semakin besar orde rata-rata bergerak, semakin besar pula pengaruh pemulusan smoothing. Dibanding dengan rata-rata sederhana dari satu dados massa lalu rata-rata bergerak berorde T mempunyai karakteristik sebagai berikut. Hanya menyangkut T periode tarakhir dari dados yang diketahui. Jumlah Titik dados dalam setiap rata-rata tidak berubah dengan berjalannya waktu. Kelemahan dari metode ini adalah. Metode ini memerlukan penyimpanan yang Lebih banyak disimpan Karena Semua T pengamatan terakhir Harus, Tidak hanya nilai rata-rata. Metodo ini tidak dapat menanggu Langi dengan baik adanya tendência atau musiman, walaupun metode ini lebih baik dibanding rata-rata total. Diberikan N dados de titik dados para o grupo de meninos e meninas T pengamatan pada setiap rata-rata yang disebut dengan rata-rata bergerak orde Tatau MA T, sehingga keadaannya adalah Sebagai berikut. Studi Kasus Suatu perusahaan pakaian sepakbola periode januari 2017 sampai dengan abril 2017 menghasilkan data penjualan sebagai berikut. Manajemen ingin meramalkan hasil penjualan menggunakan metodo peramalan yang cocok dengan data tersebut Bandingkan metode MA tunggen orde 3, 5, 7 dengan aplikasi Minitab dan MA ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Clique duas vezes em ícone de pada desktop. Setelah aplikasi Minitab terbuka dan siap digu Nakan, buat nama variabel Bulan dan Dados kemudian masukkan dados dados de sessão kasus. Sebelum memulai untuk melakukan previsão, terlebih dahulu yang harus dilakukan adalah melihat bentuk sebaran dados runtun waktunya, klik menu Graph Time Series Plot Simples, masukkan variabel Dados ke kotak Series, sehingga ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Selangutan Gerar previsões de isenção de kokk Número de previsões de dias 1 Klik button Opções de berkan judon dengan MA3 dan klik OK Selanjutnya klik button Armazenamento em berikan centang pada Meios móveis, Previsões um-período-adiante, Residuals, dan Previsões, klik OK Kemudian klik Gráficos Dan pilih Lote previsto vs real dan OK. Sehingga muncul saída seperti gambar dibawah i Ni. Pada gambar diatas, terlihat dengan jelas hasil dari previsão de dados, pada periode ke-17 nilai ramalannya adalah 24, denngan MAPE, MAD, dan MSD seperti pada gambar diatas. Cara peramalan dengan metode Média de Movimento Duplo dapat dilihat DISINI ganti saja langsung Angka-angkanya dengan dados sobat, hehhe maaf yaa saya tidak jelaskan, lagi laperr soalnya D. demikian postingannya, semoga bermanfaat. Terimakasih atas kunjungannya. Portal-Estatística Malam ini sedang berlangsung bigmatch antara Chelsea VS MU, sambil menunggu pontapé inicial babak kedua remendar berbagi Kepada teman-teman semua Seteah kemarin saya berbagi postingan tentando Lankah-langkah Peramalan Dengan Metodo ARIMA Box-Jenkins denegação Eames malam ini waktunya untuk melanjutkan postingan tentang analisis data runtung waktu metode yang lainnya Ya sessuai dengan judy diatas, malam ini saya ingin memberikan sedikit pengetahuan Tentang Peramalan Dados Runtun Waktu Metode SARIMA Temporária Autoregressive Integrado Moving Average denga N Eviews. Metode Caixa-Jenkins Metodo Peramalan cara cara memperkirakan secura kuantitatif apa yang akan terjadi pada massa yang akan datang, dados berksarkan yang relevan pada massa lalu Metode ini sanging berguna dalam mengadakan pendekatan analisis terhadap perilaku atau pola dari data yang lalu, sehingga dapat Memberikan cara pemikiran, pengerjaan dan pemecahan yang sistematis dan prakmatis serta memberikan tingkat keyakinan yang lebih Salah satu metodo dalam peramalan yaitu metode Caixa Jenkins Beberapa modelo dalam Metode Box-Jenkins yaitu. Modelo ARIMA p, d, q Rumum umum modelo ARIMA p, d, Q adalah sebagai berikut. Model ARIMA dan Faktor Musim SARIMA Notasi ARIMA dapat diperluas untuk menangani aspek musiman, notasi umumnya adalah ARIMA p, d, q p, d, qs dengan p, d, q bagian yang tidak musiman dari modelo P, D, QS bagian modelo musculoso dari modelo S jumlah periode por musim Adapta-se para um número de série ARIMA p, d, q, P, D, QS sebagai berikut. Stasioneritas dados dados de bisa dilihat dari plot série de tempo Untu K melihat kestasioneran dados dalam significa bisa dilihat dari perhitungan ACF dan PACF nya ACF diperoleh dengan rumus sebagai berikut. dengan Zt dados série de tempo pada waktu ke t dan Z rata-rata sampel Sedangkan PACF diperoleh dengan rumus sebagai berikut. dengan k adalah fungsi autokorelasi Ketidakstasioneran Dados dalam significa dapat diatasi dengan proses pembedaan diferenciando, sedangkan kestasioneran dados dalam varians dapat dilihat dengan nilai Adapta-se de um banco de dados de dados de banco de dados, dados de dados Yi dados geométricos dari seluruh dados, nilai lambda, dados jumlah observasi. Studi Kasus Dados de banco de dados de dados de banco de dados de banco de dados de banco de dados de banco de dados de banco de dados de banco de dados de banco de dados de banco de dados de banco de dados de banco de dados e de dados de banco de dados. Metode SARIMA adalah. Membuka aplikasi E Views dengan melakukan clique duas vezes pada ícone desktop atau apalah terserah cara masing-masing. Setelah aplikasi Eviews terbuka dan siap digunakan, menu klik Arquivo Novo - Workfile. Selanjutnya pilih menu Objeto Novo Objeto kemudian pilih Série dan isikan dados nama pada kotak Nome para o objeto. Clique no botão direito do rato para editar os dados do álbum, clique no botão Editar e colar os dados no mapa do ecrã. Clique no botão direito do rato para editar os dados do mapa. Clique no botão direito do rato para editar o mapa. Ver Gráfico OK. Karena data, mengandung pola musiman, maka selanjutnya adalah menghilangkan pola musiman tersebut dengan Melakukan differencing musima n, menu klik Quick Generate Series pada Introduzir equação isi dengan kode dslogsepatu dlog sepatu, 0,12.Selanjutnya adalah melakukan diferenciando nonmusiman terhadap dados teresebut, klik menu Rápido Gerar Series pada Enter equação isi dengan kode dslogsepatu dlog sepatu. Selanjutnya untuk Melihat grafik dari hasil diferenciação musiman dan não musiman tersebut dapat dilakukan dengan sel Ect dslogsepatu dan dlogsepatu kemudian klik kanan aberto como grupo, kemudian klik menu Ver Gráfico OK. Sehingga didapatkan hasil seperti gambar dibawah. Setelah melihat hasil kedua grafik tersebut, langkah selanjutnya adalah melakukan menggabungkan diferenciação musiman dan nonmusiman tersebut, menu klik Quick Generate Series pada Enter equação ISI dengan kode ddslogsepatu dlog sepatu, 1,12.Data tersebut telah diasumsikan stasioner terhadap variansi Karena telah dilakukan transformasi kedalam bentuk logaritma dan dilakukan musiman diferenciação dan nonmusiman, selanjutnya adalah menguji apakah dados tersebut stasioner terhadap significa menu de klik View Test Unit Root kemudian isi Sesuai gambar. Selanjutnya adalah identifikasi model awal, klik menu Ver Correlograma kemudian pilih Ok Sehingga muncul grafik ACF dan PAC seperti gambar. Dari modelo grafik diatas, dapat diduga dados tersebut mengikuti modelo ARIMA 2,1,1 2,1,1 12 Selanjutnya dilakukan Overfitting uniquemy memilih modelo yang signifikan dan terbaik Pada halaman utama Edições masukkan perintah seperti gambar. Lakukan overfitting modelo-modelo berikut ini, kemudian tentukan modelo mana yang significativo e terbaik dengan melihat nilai AIC, SC, MSE serta uji asumsi Autokorelasi, Heteroskedasisitas dan Normalitas Residu untuk melakukan uji normalitas residu, klik Menu Ver Teste Residual Testar a normalidade selanjutnya adalah uji asumsi autokorelasi, menu klik Ver Correlograma de Teste Residual Q Estatísticas selanjutnya adalah uji asumsi heteroskedastisitas, klik menu Ver Correlograma de Teste Residual Squared Residuals. Tabel Overfitting Modelo SARIMA. Selanjutnya adalah melakukan previsão atau peramalan, doubleklik pada R ange data dan ubah nilai Data de fim dengan 1982M12.Berdasarkan hasil overfitting tabel diatas, maka yang dipilih adalah modelo ARIMA 2,1,1 24,1,12 Menu de discussão Previsão de dias de neve para sexta-feira, terça-feira. Selanjutnya mari kita bahas satu persatu saída hasil dari permalan yan g sudah Kita tadi. Berdasarkan lakukan gambar, Dapat dados bahwa dikatakan tersebut mengandung pola musiman Yang terus berulang dari tahun ketahun, oleh sebab itu metode Yang digunakan previsão dalam melakukan dados terhadap tersebut adalah metode SARIMA Sazonal Autoregressive integrado Movendo dados médio Karena tersebut mengandung pola musiman , Sebab itu dilakukan diferenciando terhadap pola musiman dan nonmusimannya supaya dados statsioner terhadap significa variansi. Hipotesis Ho Dados tidak stasioner H1 Dados stasioner. Tingkat Signifikansi 0 05.Daerah Kritis ADF t-Estatística Tolak H0.Statistika Uji ADF -13 477 t - Estatística 5 -2 886.Keputusan Uji Karena nilai ADF t-Estatística maka keputusannya adalah tolak H0.Kesimpulan Jadi dengan tingkat signifikansi 5 didapatkan kesimpulan bahwa dados tersebut stasioner terhadap mean. Setelah dados tersebut stasioner terhadap significa que variansi karena telah dilakukan transformasi dan differencing terhadap Pola musiman dan nãomusiman Selanjutnya adalah p Emilihan modelo terbaik dengan melakukan overfitting. Berdasarkan tabel diatas maka modelo terbaik yang dapat digunakan adalah modelo ARIMA 2,1,1 24,1,12 karenan memiliki nilai AIC, SC, SSR yang paling sedikit serta hasil diagnóstico check yang baik. Berdasarkan gambar, Terlihat bahwa nilai Prob alfa 0 000 0 05 maka keputusannya adalah tolak H0 yang berarti bahwa dados residual tidak berdistribusi normal. Berdasarkan gambar diatas terlihat pada nilai prob semua nilai significado probar alfa, ole karena itu dapat disimpulkan bahwa tidak terdapat gejala autokorelasi terhadap dados residual. Berdasarkan gambar Diatas terlihat pada Nilai prov Semua Nilai signifikan prov alfa, oleh Karena itu dapat disimpulkan bahwa tidak terdapat gejala heteroskedastisitas terhadap Diatas residual. Gambar dados Hasil merupakan dados de previsão penjualan sepatu 1 tahun 12 bulan ke depan, pada gambar Pertama dan kedua dapat dilihat Informasi RMSE dan MAE yaitu 176 10 de 152 29, dan pada gambar ketiga dapat dilihat hasi Previsão de tempo 12 bulan kedepan. Demikian, Selesai juga ini postingan, sungguh panjang dan sedikit melelahkan hehe Jika ada yang kurang jelas silahkan bisa ditanyakan Semoga Bermanfaat HAVE FUN. Modul Minitab Untuk Peramalan Dengan Metode Arima Dan Duplo Exponential. manual book minitab untuk aplikasi Analisis ARIMA. MODUL MINITAB UNTUK PERAMALANO DENGAN METODE ARIMA DAN DOUBLE EXPONENTIAL Minitab programa de adalam estatística yang setiap versinya terus dikembangkan Gambar 1 memperlihatkan kepada anda aspek-aspek utama dari Minitab Menu bar adalah tempat anda membilh perintah-perintah Barra de ferramentas menampilkan tombol-tombol untuk fungsi - ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,, Misalnya tabel estatísticas Pá beber beber bab berik Ut perintah-perintah khusus akan diberikan agar anda dapat memasukkan dados kedalam lembar kerja Minitab dan mengaktifkan prosedur peramalan untuk menghasilkan peramalan yang diperlukan Gambar 1 Layar Minitab Faktor utama yang mempengaruhi pemilihan teknik peramalan adalah identifikasi dan pemahaman pola dados historis dados da Pola historis ini bisa dilihat dari Diagrama de fundo de um fundo de cor de fundo 1 Langkah-langkah mendapatkan trama de destruição Minitab 14 adalah sebagai berikut 1 Memasukkan dados coletores de dados dalam kolom C1 Untuk membentuk parcela de desdobramento, Gambar 2 Menu Plot Deret pada Minitab 2 Diálogo Kotak Série de tempo Plot ditampilkan pada gambar 3, lalu pilih jenis trama yang diinginkan Lalu klik OK 2 Gambar 3 Kotak Diálogo Time Series Plot 3 Diálogo de Kotak Série de Tempo Plote-Simples ditampilkan pada gambar 4 Klik dua kali Pada variabel produksi dan ini akan muncul disebelah bawah Série Lalu klik OK Ga Mbar 4 Séries de Tempo de Diálogo de Kotak Sinal-Simples 3 Série de Tempo Autocorrelação Gambar 5 Menu Auto-korelasi pada Minitab 2 Diálogo de Kotak Função de Autocorrelação mucul pada gambar 6 a Klik dua kali pada variabel produksi dan hal ini akan muncul disebelah kanan Série b Masukkan judul Título pada ruang yang dikehendaki dan klik OK Hasil korrelogram dizampilkan pada gambar 7 4 Gambar 6 Kotak Dialog Autocorrelação Função Gambar 7 Fungsi Auto-korelasi dari variabel Produksi Pupuk Função de autocorrelação para produksi com 5 limites de significância para as autocorrelações 1 0 0 8 0 6 Autocorrelação 0 4 0 2 0 0 -0 2 -0 4 -0 6 -0 8 -1 0 1 2 3 4 Lag 5 6 7 8 5 Lag 1 2 3 4 5 6 7 8 ACF 0 891749 0 788301 0 688238 0 587191 0 503758 0 414150 0 308888 0 173246 T 4 97 2 73 1 96 1 50 1 20 0 94 0 68 0 38 LBQ 27 12 49 04 66 34 79 41 89 39 96 41 10 0 48 101 81 Jika dalam gambar 7 masih menunjukkan adanya autokorelasi não-stasioner maka dados tempo série tersebut peru dilakukan proses diferenças untuk mendapatkan deret yang stasioner Langkah-langkah proses diferenças sebagai berikut 1 Untuk membuat dados selisih diferenças, klik pada menu-menu berikut Diferenças de séries de tempo Diferenças de Pilihan berada diatas pilihan Autocorrelação yang ditampilkan gambar 2 2 Kotak dialog Diferenças ditampilkan pada gambar 8 a Klik dua kali pada variavel produksi pupuk dan hal ini akan muncul disebelah kanan Série b Tekan Tab untuk menyimpan selisih diferenças dan dimasukkan kedalam C2 Dados selisih Diferenças kini akan muncul dalam folha de trabalho de kolom C2 Gambar 8 Kotak Dialog Diferenças 6 Dalam modul ini hanya digunakan dua metodo peramalan yaitu ARIMA dan Duplo Exponencial Alisamento Duplo Exponencial Alisamento Untuk melakukan pemulusan mengunakan metode Duplo Exponencial pada data, langkah-langkah berikut 1 Melalui menu K Lik menu-menu mostrar detalhes do ficheiro 9 Stat Time Series Double Exponencial Suavização Gambar 9 Menu Exponencial duplo pada Minitab 2 Muncular caixa de diálogo Duplo Exponencial Suavização seperti pada gambar 10 a Klik dua kali variavel produzido por akan muncul sebagai variabel b Pada bobot yang akan digunakan sebagai alisamento, Escolha Optimal ARIMA, kemudian klik OK Hasilnya diperlihatkan pada gambar 11 7 Gambar 10 Kotak diálogo Duplo exponencial Gambar 11 Pemulusan Eksponensial linier Hold dados produksi Pupuk Duplo exponencial Terreno para produksi 9000000 8000000 7000000 6000000 produksi 5000000 4000000 3000000 2000000 1000000 0 3 6 9 12 15 18 Índice 21 24 27 30 Variável A ctual Ajusta as constantes de alisamento A nível de lpha 0 940976 Gama de tendência 0 049417 A citude Medidas MA PE 1 93411E 01 MA D 4 57345E 05 MSD 3 26840E 11 8 ARIMA Metode ARIMA Pola tendência, faktor musim dan faktor siklus dengan lebih komprehensif Desativar itu model ini mampu mer amalkan Historis dados dengan kondisi Yang Sulit dimengerti pengaruhnya terhadap dados secara teknis Salah satu Kunci merumuskan modelo ARIMA adalah Nilai autokorelasi dan autokorelasi parsial, Yang besarnya bervariasi antara -1 sampai 1 Disamping itu, dados Yang dapat dimodelkan modelo dengan ARIMA haruslah stasioner Nilai tengah dan stasioner Ragam Langkah yang dilakukan untuk identifikasi modelo awal dari ARIMA tanate musiman adalah a Buat dados de dados berksarkan periode pengamatan série Jika dados berço de pata garis lurus dengan tingkat fluktuasi yang relativo sama maka dados tersebut sudah stasioner Jika tidak stasioner lakukan diferensiasi b Jika série telah stasioner, buat Grafik autokorelasi parsial dari series de dados Lihat pola untuk menentukan modelo ARIMA awal c Lakukan permodelan ARIMA p, d, q sesuai dengan modelo awal yang ditetapkan pada bagian b Kemudian verifikasi kelayakan modelo yang dihasilkan d Lakukan overfitting, yaitu duga modelo dengan nilai p, d, Q lebih besar dari yang dit entukan modelo pada awal e modelo Tetapkan yang paling baik dengan melihat MSE Peramalan dilakukan dengan menggunakan modelo Yang terbaik Untuk série de dados musiman, Langkah-langkahnya mirip dengan tanpa musiman, modelo dengan menambahkan untuk musiman Langkah untuk melakukan pemodelan ARIMA dalam Minitab 14 adalah sebagai berikut 1 Dados de Apabila arquivo de dalam de tersimpan, bukalah menu de denúncia menu Arquivo Abrir a folha de trabalho 2 Untuk menghitung auto-korelasi variabel produktu, klik menu sebagai seta pokemon 5 Stat Time Series Autocorrelação 3 Kotak dialog Autocorrelation Função gambar 6 muncul a Klik dua kali variabel produksi dan akan Muncul di sebelah kanan série b Klik OK dan muncul gambar 7 4 Sebagai upaya melakukan selisih pada dados, klik menu seta panda gambar 8 Stat Time Series Diferenças 5 Kotak dialog Diferenças seperti pada gambar 9 muncul a Klik dua kali variavel produksi dan akan muncul disebelah Kanan series b Tab untuk Diferenças de loja in dan enter C2 9 c T Ab untuk Atraso dan in 1 Klik OK dan selisih pertama akan muncul di kolom 2 mulai baris 2 6 Rótulo variabel C2 dengan Diff1prod Untuk menghitung auto-korelasi variavel ini, ulangi langkah 2 dengan menggunakan Diff1prod sebagai variabel da doença kanan deret 7 Untuk menghitung auto-korelasi Parsial dari variabel Diff1prod klik seperti pada gambar 12 Estatística Séries Pertial Autocorrelação Gambar 12 Menu auto-korelasi parsial pada Minitab 8 Diálogo Kotak Função de autocorrelação parcial muncul seperti pada gambar 13 a Klik dua kali variabel Diff1prod dan akan muncul disebelah kanan Série b Klik OK dan Muncul gambar 14 10 Gambar 13 Kotak Dialog Parcial Autocorrelação 9 Modelo ARIMA 5,1,5 dijalankan dengan klik menu berikut Stat Série de Tempo Arima 10 Diálogo de Kotak ARIMA muncul seperti gambar 14 a Klik dua kali variavel produksi dan akan muncul disebelah kanan série b Di bawah Nonseasonal di kanan Autoregressivo masukkan 5 di kanan Diferença masukkan 1 dan 5 di kanan Média Móvel c Karena Dados telah diselisihkan, klik off kotak Incluir termo constante no modelo d Previsão de intervalo de tempo para katak diálogo ARIMA-Forecast muncul Untuk meramalkan dua periode ke depan tempatkan 2 di kanan Lead Klik OK e Klik Armazenamento dan kotak diálogo ARIMA-Storage muncul Klik kotak di kanan Residual Dan klik OK pada kotak diálogo ARIMA dan bagian bawah gambar muncul h Untuk menghitung auto-korelasi residual, ulangi langkah 2 dengan menggunakan Res1 sebagai variabel di kanan deret 11 Gambar 14 Kotak Dialog ARIMA 12.