Escolar Documentos
Profissional Documentos
Cultura Documentos
n = total data
x = variable x
y = variable y
sedangkan apabila dengan menggunakan fungsi excel maka formula yang digunakan adalah
intercept(variable x, variable y) dan slope(variable x, variable y).
log 1/x
intercept 2.158643 0.37776
-
slope -0.8139 10.7845
Forecasting
Dalam melakukan forecasting yang dilakukan adalah merubah hasil forecasting transformasi dengan
mengembalikannya dengan fungsi yang berlainan. Untuk transformasi Log maka forecasting adalah
exponensial dari hasil forecasting transformasi. Sedangkan untuk transformasi 1/x fungsi yang
digunakan untuk mengembalikan nilai adalah 1/x
Weight MPG Tweight(log) tweigh(1/x) tY(log) tY(1/x) f0(1/x) forecast2 error abs PE MSE
(x) (y)
60 5.3 1.778151 0.016667 0.724276 0.188679 0.198018 5.050036 0.249964 0.249964 5% 0.062482
55 5 1.740363 0.018182 0.69897 0.2 0.181678 5.504237 -0.50424 0.504237 10% 0.254254
80 4 1.90309 0.0125 0.60206 0.25 0.242954 4.116008 -0.11601 0.116008 3% 0.013458
72 4.2 1.857332 0.013889 0.623249 0.238095 0.227975 4.386439 -0.18644 0.186439 4% 0.034759
75 4.5 1.875061 0.013333 0.653213 0.222222 0.233967 4.274112 0.225888 0.225888 5% 0.051026
63 5.1 1.799341 0.015873 0.70757 0.196078 0.206578 4.840797 0.259203 0.259203 5% 0.067186
48 7.2 1.681241 0.020833 0.857332 0.138889 0.153083 6.532406 0.667594 0.667594 9% 0.445682
79 3.9 1.897627 0.012658 0.591065 0.25641 0.241247 4.145122 -0.24512 0.245122 6% 0.060085
82 3.8 1.913814 0.012195 0.579784 0.263158 0.246242 4.061049 -0.26105 0.261049 7% 0.068147
72 4.4 1.857332 0.013889 0.643453 0.227273 0.227975 4.386439 0.013561 0.013561 0% 0.000184
58 4.9 1.763428 0.017241 0.690196 0.204082 0.19182 5.21321 -0.31321 0.31321 6% 0.0981
60 5.1 1.778151 0.016667 0.70757 0.196078 0.198018 5.050036 0.049964 0.049964 1% 0.002496
74 4.5 1.869232 0.013514 0.653213 0.222222 0.232024 4.309906 0.190094 0.190094 4% 0.036136
80 4.3 1.90309 0.0125 0.633468 0.232558 0.242954 4.116008 0.183992 0.183992 4% 0.033853
53 5.9 1.724276 0.018868 0.770852 0.169492 0.174279 5.737929 0.162071 0.162071 3% 0.026267
61 5.5 1.78533 0.016393 0.740363 0.181818 0.200965 4.975991 0.524009 0.524009 10% 0.274585
80 3.5 1.90309 0.0125 0.544068 0.285714 0.242954 4.116008 -0.61601 0.616008 18% 0.379466
68 4.1 1.832509 0.014706 0.612784 0.243902 0.219164 4.562783 -0.46278 0.462783 11% 0.214168
76 4.5 1.880814 0.013158 0.653213 0.222222 0.235859 4.239825 0.260175 0.260175 6% 0.067691
75 4.4 1.875061 0.013333 0.643453 0.227273 0.233967 4.274112 0.125888 0.125888 3% 0.015848
63 5 1.799341 0.015873 0.69897 0.2 0.206578 4.840797 0.159203 0.159203 3% 0.025345
65 4.9 1.812913 0.015385 0.690196 0.204082 0.211845 4.720439 0.179561 0.179561 4% 0.032242
72 4.6 1.857332 0.013889 0.662758 0.217391 0.227975 4.386439 0.213561 0.213561 5% 0.045608
81 4 1.908485 0.012346 0.60206 0.25 0.244618 4.088005 -0.088 0.088005 2% 0.007745
64 5.3 1.80618 0.015625 0.724276 0.188679 0.209252 4.778921 0.521079 0.521079 10% 0.271523
78 4.4 1.892095 0.012821 0.643453 0.227273 0.239497 4.175413 0.224587 0.224587 5% 0.050439
62 4.9 1.792392 0.016129 0.690196 0.204082 0.203817 4.906374 -0.00637 0.006374 0% 4.06E-05
83 3.8 1.919078 0.012048 0.579784 0.263158 0.247826 4.035083 -0.23508 0.235083 6% 0.055264
79 4.1 1.897627 0.012658 0.612784 0.243902 0.241247 4.145122 -0.04512 0.045122 1% 0.002036
61 4.8 1.78533 0.016393 0.681241 0.208333 0.200965 4.975991 -0.17599 0.175991 4% 0.030973
63 5 1.799341 0.015873 0.69897 0.2 0.206578 4.840797 0.159203 0.159203 3% 0.025345
62 4.9 1.792392 0.016129 0.690196 0.204082 0.203817 4.906374 -0.00637 0.006374 0% 4.06E-05
77 4.6 1.886491 0.012987 0.662758 0.217391 0.237702 4.206954 0.393046 0.393046 9% 0.154485
76 4.5 1.880814 0.013158 0.653213 0.222222 0.235859 4.239825 0.260175 0.260175 6% 0.067691
51 5.7 1.70757 0.019608 0.755875 0.175439 0.166299 6.013256 -0.31326 0.313256 5% 0.098129
74 4.2 1.869232 0.013514 0.623249 0.238095 0.232024 4.309906 -0.10991 0.109906 3% 0.012079
78 4.3 1.892095 0.012821 0.633468 0.232558 0.239497 4.175413 0.124587 0.124587 3% 0.015522
50 6.1 1.69897 0.02 0.78533 0.163934 0.16207 6.170172 -0.07017 0.070172 1% 0.004924
79 4.3 1.897627 0.012658 0.633468 0.232558 0.241247 4.145122 0.154878 0.154878 4% 0.023987
55 4.7 1.740363 0.018182 0.672098 0.212766 0.181678 5.504237 -0.80424 0.804237 17% 0.646796
5% 0.094402
MAPE MSE
7.0
6.0
5.0
4.0 actual
forecast
3.0
2.0
1.0
0.0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Regression 1 (1/x)
8.0
7.0
6.0
5.0
4.0 actual
forecast
3.0
2.0
1.0
0.0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
Kesimpulan
Fungsi transformasi sangat berpengaruh terhadap hasil forecasting
Pada kasus ini fungsi transformasi yang kami gunakan adalah log dan 1/x
Hasil perbandingan data forecast dan actual menunjukan fungsi transformasi 1/x (MAPE 5%)
lebih baik dari pada fungsi transformasi log (MAPE 58%)