In the example, I produce an averag

In the example, I produce an average sales value for each month by averaging over the six months either side of it, to produce a centred moving average of order 12. For July, January is included twice, so we halve those values, then divide by 12 to obtain a monthly figure. Necessarily we lose some data from the start of the sample, where there are not six preceding months.Step twoThe next step requires us to choose whether a multiplicative or additive model is suitable. In a multiplicative decomposition, the seasonal element varies according to the underlying growth, whereas in an additive model it remains consistent in size. This can normally be gauged from the graph.In the chart above, it can be observed that the seasonal differences in later years, when traffic is higher are greater – this suggests a multiplicative model is required. Further discussion may be found here.We can now calculate the ratio between the moving average, and the raw figures. This is simply the raw figure divided by the corresponding MA figure (in an additive model, we would find the difference rather than the ratio). As shown below, this gives a series of numbers either side of one – in August, just 0.816 of the long term traffic was observed, while in January 1.341 times the long-term average was recorded – as we would expect having seen on the initial graph how the seasonal fluctuation affects this data.

Results (Indonesian) 1:

Dalam contoh, saya menghasilkan nilai penjualan rata-rata untuk setiap bulan dengan rata-rata selama enam bulan kedua sisi itu, untuk menghasilkan berpusat rata-rata bergerak dari urutan 12. Untuk Juli, Januari disertakan dua kali, jadi kami membagi nilai-nilai tersebut, maka membagi dengan 12 untuk mendapatkan angka bulanan. Tentu kita kehilangan beberapa data dari awal sampel, di mana tidak ada enam bulan sebelumnya.
Langkah kedua
Langkah berikutnya mengharuskan kita untuk memilih apakah model perkalian atau aditif cocok. Dalam dekomposisi perkalian, unsur musiman bervariasi sesuai dengan pertumbuhan yang mendasari, sedangkan pada model aditif tetap konsisten dalam ukuran. Ini biasanya dapat diukur dari grafik.
Dalam grafik di atas, dapat diamati bahwa perbedaan musiman pada tahun kemudian, ketika lalu lintas lebih tinggi lebih besar - ini menunjukkan model perkalian diperlukan. Pembahasan lebih lanjut dapat ditemukan di sini.
Kita sekarang dapat menghitung rasio antara rata-rata bergerak, dan tokoh-tokoh baku. Ini hanyalah sosok baku dibagi dengan angka MA yang sesuai (dalam model aditif, kita akan menemukan perbedaan daripada rasio). Seperti ditunjukkan di bawah, ini memberikan serangkaian angka kedua sisi satu - pada bulan Agustus, hanya 0,816 dari lalu lintas jangka panjang diamati, sedangkan pada bulan Januari 1,341 kali rata-rata jangka panjang tercatat - seperti yang kita harapkan setelah melihat pada awal grafik bagaimana fluktuasi musiman mempengaruhi data ini.

Results (Indonesian) 2:

Dalam contoh, saya menghasilkan nilai penjualan rata untuk setiap bulan dengan rata-rata selama enam bulan baik sisi itu, untuk menghasilkan Moving Average berpusat pada urutan 12. Untuk bulan Juli, Januari termasuk dua kali, jadi kita membagi nilai tersebut, lalu Bagilah dengan 12 untuk mendapatkan angka bulanan. Tentu kita kehilangan beberapa data dari awal sampel, di mana tidak ada enam bulan sebelumnya.
Langkah kedua
Langkah berikutnya mengharuskan kita untuk memilih apakah model multiplicatif atau aditif cocok. Dalam dekomposisi multiplikatif, elemen musiman bervariasi sesuai dengan pertumbuhan yang mendasari, sedangkan dalam model aditif tetap konsisten dalam ukuran. Hal ini biasanya dapat diukur dari grafik.
Pada grafik di atas, dapat diamati bahwa perbedaan musiman di tahun-tahun berikutnya, ketika lalu lintas lebih tinggi lebih besar-ini menunjukkan model multiplikatif diperlukan. Diskusi lebih lanjut dapat ditemukan di sini.
Kita sekarang dapat menghitung rasio antara Moving Average, dan angka mentah. Ini hanyalah angka mentah dibagi dengan sosok MA yang sesuai (dalam model aditif, kita akan menemukan perbedaan daripada rasio). Seperti yang ditunjukkan di bawah ini, ini memberikan serangkaian angka kedua sisi satu-pada bulan Agustus, hanya 0,816 dari lalu lintas jangka panjang diamati, sementara pada bulan Januari 1,341 kali jangka panjang rata tercatat-seperti yang kita harapkan setelah melihat pada grafik awal bagaimana fluktuasi musiman n mempengaruhi data ini.