Regresi Tren dan Musiman untuk Rata-Rata Nilai Ujian Semester Sekolah Selama Beberapa Tahun Ajaran

Info proyek

• Bidang studiPendidikan dan Pembelajaran
• JenjangTesis (S2)
• Jenis metodeDeret Waktu
• Perkiraan pengerjaan± 5 hari kerja
• Perangkatscikit-learn LinearRegression, numpy, metrics
• HargaRp 350.000 - Rp 2.100.000

Tujuan analisis

Memodelkan tren dan musiman deret rata-rata nilai ujian semester dengan regresi serta memasukkan tahun ajaran dan jumlah hari efektif belajar sebagai pendukung.

Variabel

Contoh hasil

• 0.935R2 (in-sample)
• 2.716RMSE (holdout)
• 2.222MAPE % (holdout)
• 0.357Trend slope / month
• 6.13Seasonal amplitude
• 2.804Residual SD

Model regresi tren + musiman meramalkan Rata-rata nilai ujian semester 12 periode ke depan dengan RMSE 2.716 dan MAPE 2.22%. Tren 0.357 per bulan dan amplitudo musiman 6.13.

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

Tentang Regresi Tren dan Musiman

Regresi tren dan musiman meregresikan deret waktu terhadap indeks waktu dan variabel dummy musiman. Cocok untuk data dengan tren dan pola musiman jelas ketika interpretasi komponen lebih penting daripada akurasi maksimal.

Langkah pengerjaan

1. 1Buat indeks waktu t dan dummy bulan (satu dikeluarkan)
2. 2Bagi data latih dan uji secara berurutan
3. 3Latih regresi linear pada t dan dummy
4. 4Ramalkan periode uji
5. 5Hitung MAE, RMSE, dan MAPE
6. 6Plot data, komponen tren, dan ramalan

Asumsi yang perlu diperiksa

• Tren dapat didekati linear (atau polinomial)
• Efek musiman konstan dari tahun ke tahun
• Residual tidak berautokorelasi kuat

Membaca dan melaporkan hasil

Tafsirkan koefisien tren sebagai kenaikan per periode dan koefisien dummy sebagai selisih musiman terhadap bulan acuan. Laporkan galat ramalan dan periksa autokorelasi residual.

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 matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

rng = np.random.default_rng(13)
n = 60
academic_year_index = np.arange(n)
month = academic_year_index % 12
mean_semester_exam_score = 200 + 2.5 * academic_year_index + 15 * np.sin(2 * np.pi * month / 12) + rng.normal(0, 4, n)

dummies = np.eye(12)[month][:, 1:]
X = np.column_stack([academic_year_index, dummies])
X_tr, X_te, y_tr, y_te = X[:48], X[48:], mean_semester_exam_score[:48], mean_semester_exam_score[48:]

model = LinearRegression().fit(X_tr, y_tr)
pred = model.predict(X_te)
mae = np.abs(y_te - pred).mean()
rmse = np.sqrt(((y_te - pred) ** 2).mean())
mape = (np.abs(y_te - pred) / np.abs(y_te)).mean() * 100
print("Trend per period:", round(model.coef_[0], 3))
print("MAE:", round(mae, 2), "RMSE:", round(rmse, 2), "MAPE %:", round(mape, 2))

plt.plot(academic_year_index, mean_semester_exam_score, label="Data")
plt.plot(academic_year_index[:48], model.predict(X_tr), label="Fitted")
plt.plot(academic_year_index[48:], pred, "r", label="Forecast")
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