This method can give us an approxim

This method can give us an approximation of the signal for future months. It should be remembered though that each forecast month is based on the previous prediction, and so this trend could go awry if hitherto unconsidered factors become involved. More advanced analysis could produce a 95% confidence interval for each forecast, and would typically use exponential smoothing or another method more powerful than time series decomposition.To sum up…Sometimes time series data can display what appear to be obvious trends, as in the final graph above. While a pattern of growth and a fairly regular seasonal pattern are visible, it may be hard to explain this data as an overall trend. Breaking down the series into different components may allow easy modelling of each part; in this example we have arrived at the overall growth rate and seasonal coefficients for each months impact on this. Going further, we may attempt to uncover any cyclical trends such as the longer- term economic cycle, or use more sophisticated methods to allow more accurate forecasting to be carried out.

Results (Indonesian) 1:

Metode ini dapat memberikan kita perkiraan sinyal untuk bulan depan. Harus diingat bahwa meskipun setiap bulan perkiraan didasarkan pada prediksi sebelumnya, dan tren ini bisa serba salah jika faktor-faktor yang sampai sekarang unconsidered menjadi terlibat. Analisis lebih lanjut bisa menghasilkan interval kepercayaan 95% untuk setiap perkiraan, dan biasanya akan menggunakan pemulusan eksponensial atau metode lain yang lebih kuat daripada time series dekomposisi.
Untuk menyimpulkan…
Kadang-kadang data time series dapat menampilkan apa yang muncul menjadi tren yang jelas, seperti dalam grafik akhir atas. Sementara pola pertumbuhan dan pola musiman yang cukup teratur terlihat, mungkin sulit untuk menjelaskan data ini sebagai tren secara keseluruhan. Meruntuhkan seri menjadi komponen-komponen yang berbeda memungkinkan mudah pemodelan setiap bagian; dalam contoh ini kami telah tiba di tingkat pertumbuhan secara keseluruhan dan koefisien musiman untuk setiap dampak bulan ini. Pergi lebih jauh, kami mungkin akan berusaha untuk mengungkap setiap tren siklis seperti siklus ekonomi jangka yang lebih panjang, atau penggunaan metode yang lebih canggih untuk memungkinkan peramalan yang lebih akurat harus dilakukan.

Results (Indonesian) 2:

Metode ini dapat memberi kita perkiraan sinyal untuk bulan mendatang. Itu harus diingat meskipun bahwa setiap bulan ramalan didasarkan pada prediksi sebelumnya, dan tren ini bisa pergi jika faktor yang sampai sekarang tidak dipertimbangkan menjadi terlibat. Lebih lanjut analisis dapat menghasilkan 95% confidence interval untuk setiap ramalan, dan biasanya akan menggunakan eksponensial smoothing atau metode lain yang lebih kuat daripada waktu dekomposisi seri.
Untuk meringkas...
Terkadang data time series dapat menampilkan apa yang tampak sebagai tren yang jelas, seperti pada grafik akhir di atas. Sementara pola pertumbuhan dan pola musiman yang cukup teratur terlihat, mungkin sulit untuk menjelaskan data ini sebagai tren keseluruhan. Memecah seri menjadi komponen yang berbeda mungkin memungkinkan pemodelan mudah dari setiap bagian; dalam contoh ini kita telah tiba di tingkat pertumbuhan secara keseluruhan dan koefisien musiman untuk setiap bulan dampak ini. Melangkah lebih jauh, kita dapat mencoba mengungkap tren siklis seperti siklus ekonomi jangka panjang, atau menggunakan metode yang lebih canggih untuk memungkinkan peramalan yang lebih akurat untuk dilaksanakan.