Peramalan massa hilang mingguan pada pelapis antikorosi baja dengan Moving Average dan Smoothing

Info proyek

• Bidang studiKimia dan Material
• JenjangSkripsi (S1)
• Jenis metodeDeret Waktu
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatpandas Series.rolling, Series.ewm, numpy; matplotlib
• HargaRp 300.000 - Rp 1.750.000

Tujuan analisis

Meramalkan massa hilang mingguan pada pelapis antikorosi baja dengan moving average dan smoothing serta membandingkan galat pada data uji.

Variabel

Contoh hasil

• 5Window k
• 10.147RMSE vs smoothed
• 8.288MAE vs smoothed
• 0.089Residual lag-1 corr.
• 49.07Variance removed %
• 118Observations

Moving average jendela 5 menghaluskan deret massa hilang mingguan dengan RMSE 10.147 terhadap data asli dan menghilangkan 49.1% variasi jangka pendek.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Moving Average dan Smoothing

Moving average merata-ratakan nilai pada jendela waktu tertentu untuk meredam fluktuasi acak dan memperlihatkan tren. Dipakai pada tahap eksplorasi deret waktu atau sebagai peramalan sederhana pembanding.

Langkah pengerjaan

1. 1Urutkan data berdasarkan waktu dan periksa data hilang
2. 2Hitung rata-rata bergerak sederhana dengan beberapa lebar jendela
3. 3Hitung exponential moving average sebagai pembanding
4. 4Bandingkan kehalusan dan keterlambatan tiap jendela
5. 5Hitung galat peramalan satu langkah (MAE)
6. 6Plot data asli dan hasil penghalusan

Asumsi yang perlu diperiksa

• Interval waktu data teratur
• Pola tren tidak berubah drastis di dalam jendela
• Lebar jendela dipilih sesuai periode musiman atau tujuan analisis

Membaca dan melaporkan hasil

Jelaskan pengaruh lebar jendela terhadap kehalusan dan keterlambatan, lalu laporkan MAE peramalan sederhana. Tekankan bahwa metode ini tidak menangkap musiman secara eksplisit.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

rng = np.random.default_rng(10)
n = 120
coating_thickness = np.arange(n)
weekly_mass_loss = pd.Series(50 + 0.3 * coating_thickness + 5 * np.sin(2 * np.pi * coating_thickness / 12) + rng.normal(0, 3, n))

ma3 = weekly_mass_loss.rolling(3).mean()
ma12 = weekly_mass_loss.rolling(12).mean()
ema = weekly_mass_loss.ewm(span=12, adjust=False).mean()

# One-step forecast: the MA of the previous window predicts the next value
for w in (3, 6, 12):
    fc = weekly_mass_loss.rolling(w).mean().shift(1)
    mae = (weekly_mass_loss - fc).abs().mean()
    print("Window", w, "MAE:", round(mae, 3))

plt.figure(figsize=(9, 4))
plt.plot(coating_thickness, weekly_mass_loss, alpha=0.4, label="Raw")
plt.plot(coating_thickness, ma3, label="SMA 3")
plt.plot(coating_thickness, ma12, label="SMA 12")
plt.plot(coating_thickness, ema, "--", label="EMA 12")
plt.xlabel("Time"); plt.legend()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum