Hipotesis pengujiannya adalah sebagai berikut:<\/span><\/p>\n H 0<\/sub> (hipotesis nol):<\/strong> tidak ada tren dalam data.<\/span><\/p>\n H A<\/sub> (hipotesis alternatif):<\/strong> Ada tren dalam data. (Ini bisa menjadi tren positif atau negatif)<\/span><\/p>\n Jika nilai p pengujian berada di bawah tingkat signifikansi tertentu (pilihan umum adalah 0,10, 0,05, dan 0,01), maka terdapat bukti signifikan secara statistik bahwa terdapat tren dalam data dari rangkaian waktu.<\/span><\/p>\n Tutorial ini menjelaskan cara melakukan tes tren Mann-Kendall dengan Python.<\/span><\/p>\n Untuk melakukan uji tren Mann-Kendall dengan Python, pertama-tama kita akan menginstal paket pymannkendall<\/a> :<\/span><\/p>\n Setelah kita menginstal paket ini, kita dapat melakukan uji tren Mann-Kendall pada kumpulan data deret waktu:<\/span><\/p>\n Berikut cara menafsirkan hasil tes:<\/span><\/p>\n Nilai utama yang kami minati adalah nilai p, yang menunjukkan apakah terdapat tren signifikan secara statistik dalam data.<\/span><\/p>\n Dalam contoh ini, nilai p adalah 0,4226<\/strong> , yang tidak kurang dari 0,05. Oleh karena itu, tidak ada tren yang signifikan pada data deret waktu.<\/span><\/p>\n Selain melakukan uji tren Mann-Kendall, kita dapat membuat plot garis cepat menggunakan Matplotlib untuk memvisualisasikan data deret waktu aktual:<\/span><\/p>\n waktu Dari grafik tersebut terlihat bahwa datanya agak tersebar, yang menegaskan bahwa tidak ada tren yang jelas pada data tersebut.<\/span><\/p>\n Cara memplot deret waktu di Matplotlib<\/a> Uji tren Mann-Kendall digunakan untuk mengetahui ada atau tidaknya tren pada data deret waktu. Ini adalah uji non-parametrik, artinya tidak ada asumsi mendasar yang dibuat mengenai normalitas data. Hipotesis pengujiannya adalah sebagai berikut: H 0 (hipotesis nol): tidak ada tren dalam data. H A (hipotesis alternatif): Ada tren dalam data. (Ini bisa menjadi tren positif […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Contoh: Uji tren Mann-Kendall dengan Python<\/strong><\/span><\/h3>\n
pip install<\/span> pymannkendall<\/strong><\/pre>\n #create dataset\n<\/span>data = [31, 29, 28, 28, 27, 26, 26, 27, 27, 27, 28, 29, 30, 29, 30, 29, 28]\n\n#perform Mann-Kendall Trend Test\n<\/span>import<\/span> pymannkendall as<\/span> mk\n\nmk. original_test<\/span> (data)\n\nMann_Kendall_Test(trend='no trend', h=False, p=0.422586268671707,\n z=0.80194241623, Tau=0.147058823529, s=20.0,\n var_s=561.33333333, slope=0.0384615384615, intercept=27.692307692)<\/strong><\/pre>\n\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\nplt. plot<\/span> (data)\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannkendallpython1.png\")
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan tes Dickey-Fuller augmented dengan Python<\/a>
Cara memplot beberapa seri dari Pandas DataFrame<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"