PERAMALAN DATA TIME SERIES DENGAN METODE PENGHALUSAN EKSPONENSIAL HOLT - WINTER
|
|
- Ari Darmadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PERAMALAN DATA TIME SERIES DENGAN METODE PENGHALUSAN EKSPONENSIAL HOLT - WINTER Adi Suwadi 1, Aisa 2, Adi Kresa Jaya 3 JurusaMatematika FMIPA UiversitasHasauddi Makassar ABSTRAK Dalam time series dega pola data memuat tred, metode yag serig diguaka sebagai ramala utuk periode medatag adalah peghalusa ekspoesial gada. Namu metode ii tidak cocok utuk meramalka data yag megadug musima. Metode peghalusa ekspoesial Holt-Witers dapat diguaka utuk data time series yag megadug tred da musima. Metode ii mempuyai dua metode yaki metode perkalia musima (Multiplicative Seasoal Method) da metode peambaha musima (Additive Seasoal Method). Model multiplicative diguaka apabila terdapat kecederuga atau tada bahwa pola musima bergatug pada ukura data. Dega kata lai, pola musima membesar seirig meigkatya ukura data. Sedagka model additive diguaka jika kecederuga tersebut tidak terjadi. Pada tulisa ii aka diterapka metode peghalusa ekspoesial Holt-Witers utuk meramalka jumlah peumpag badara hasauddi bula jauari 2006 sampai bula desember Dari hasil yag diperoleh, metode Holt- Witer dega model additive memiliki ukura kesalaha yag lebih kecil dibadigka model multiplicative. Kata kuci : tred, musima, peghalusa ekspoesial, Holt-Witer Abstract I time series data patters icludes tred, the method is ofte used as a forecast for the comig period is double expoetial smoothig. But this method is ot suitable for forecastig seasoal data it cotais. The method of expoetial smoothig Holt-Witers ca be used for time series data cotaiig tred ad seasoal. This method has two methods amely seasoal multiplicatio method (Multiplicative Seasoal Method) ad the seasoal additio method (Additive Seasoal Method). Multiplicative model is used whe there is a tred or a sig that the seasoal patter depeds o the size of the data. I other words, the seasoal patter is elarged with icreasig data size. While the model of additive used if the tred does ot occur. I this paper the method will be applied to the Holt-Witers expoetial smoothig to forecast the umber of passegers Hasauddi airport i uary 2006 util December of From the results obtaied, Holt-Witer method with additive models have size error smaller tha multiplicative models. Keywords: tred, seasoality, expoetial smoothig, Holt-Witer
2 1. Pedahulua Peramala (forecastig) merupaka pedugaa masa depa yag dilakuka berdasarka ilai masa lalu dari satu variabel. Peramala serig diterapka dalam bidag pariwisata, ivestasi (saham), klimatologi, produksi pertaia, dsb. Peramala merupaka bagia petig bagi setiap orgaisasi bisis utuk pegambila keputusa maajeme yag sagat sigifika. Ada bayak jeis-jeis peramala, misalya Metode Peghalusa Ekspoesial (expoetial smoothig) da Metode Box Jekis. Cotoh pegguaa peramala yag telah dilakuka di Idoesia yaitu megguaka Autoregressive Itegrated Movig Average (ARIMA). Selai itu, ada juga metode peramala lai yag serig diguaka yaitu metode peghalusa ekspoesial. Hal ii disebabka keuggula metode ii dibadigka metode metode laiya. Pertama, metode peghalusa ekspoesial bersifat sederhaa, ituitif da mudah dipahami. Artiya, walaupu sederhaa amu sagat bergua bagi peramala pedek (shortterm forecastig) dari data time series yag pajag [4]. Kedua, model peghalusa ekspoesial memiliki tigkat kompleksitas yag redah dari ARIMA da membuatya sagat populer. Ketiga, [6] meemuka perbedaa yag cukup kecil secara akurasi dalam peramala atara tekik pemulusa ekspoesial dega model ARIMA. Secara umum, model pemulusa ekspoesial direkomedasika sebagai sebuah tekik yag tidak kompleks da ekoomis (iexpesive techique) dega hasil ramala yag cukup baik dalam variasi aplikasi yag luas [4]. Metode ii terdiri dari beberapa macam, diataraya peghalusa ekspoesial tuggal da peghalusa ekspoesial gada. Metode peghalusa ekspoesial tuggal diguaka jika data time series tidak megadug usur tred da musima sedagka metode peghalusa ekspoesial gada diguaka jika data time series megadug usur tred da tidak megadug usur musima [5]. Permasalaha yag mucul kemudia adalah bagaimaa jika suatu data tidak haya megadug faktor musima melaika megadug usur tred da faktor musima. Karea peghalusa ekspoesial gada haya dapat diguaka pada data yag megadug usur tred, maka diperkealkalah metode peghalusa ekspoesial Holt-Witer yag diguaka utuk peramala jika data memiliki usur tred da musima [8]. 2. Tijaua Pustaka 2.1. Peramala (Forecastig) Peramala adalah perkiraa atau peggambara dari ilai atau kodisi di masa depa. Asumsi yag umum dipakai dalam peramala adalah pola masa lampau aka berlajut ke masa depa [1]. Hampir seluruh peramala didasarka pada asumsi bahwa masa lampau aka berulag. Peramala (forecastig) merupaka prediksi ilai-ilai sebuah peubah kepada ilai yag diketahui dari peubah tersebut atau peubah yag berhubuga. Meramal juga dapat didasarka pada keahlia peilaia, yag pada giliraya didasarka pada data historis da pegalama [5] Metode Peramala Metode Peramala adalah cara memperkiraka secara kuatitatif apa yag aka terjadi pada masa yag aka datag, berdasarka data yag releva pada masa lalu. Metode ii sagat bergua dalam megadaka pedekata aalisis terhadap perilaku atau pola dari data yag lalu, sehigga dapat memberika cara pemikira, pegerjaa da pemecaha yag sistematis da pragmatis serta memberika tigkat keyakia yag lebih. Cotoh metode dalam peramala yaitu metode Box Jekis da peghalusa ekspoesial [5]. Peghalusa Ekspoesial
3 Peghalusa ekspoesial merupaka suatu model peramala rata-rata bergerak yag melakuka pembobota terhadap data masa lalu dega cara ekspoesial sehigga data palig akhir mempuyai bobot atau timbaga lebih besar dalam rata-rata bergerak. Metode peghalusa ekspoesial telah diguaka selama beberapa tahu sebagai suatu metode yag sagat bergua pada begitu bayak situasi peramala. 1. Peghalusa Ekspoesial Tuggal Peghalusa ekspoesial tuggal dikeal juga sebagai peghalusa ekspoesial sederhaa yag diguaka pada peramala jagka pedek, biasaya haya 1 bula ke depa. Model megasumsika bahwa data berfluktuasi di sekitar ilai mea yag tetap, tapa tred atau pola pertumbuha kosiste [5]. Rumus utuk peghalusa ekspoesial sederhaa adalah sebagai berikut : dega S t α X t S t = αx t + 1 α S t 1, (1) : ilai peghalusa peramala utuk periode t : parameter peghalusa : ilai aktual pada periode t 2. Peghalusa Ekspoesial Gada Model peghalusa ekspoesial dari Holt s atau peghalusa ekspoesial gada memuluska ilai tred dega parameter yag berbeda dari parameter yag diguaka pada series yag asli. Peramala dega peghalusa ekspoesial model dari Holt s didapat dega megguaka dua parameter peghalusa α da γ dega ilai atara 0 da 1. Hal ii membatu utuk meghilagka da meempatka perkiraa dari Holt s ke awal perkiraa ilai data, dega membuat tred data baru, yag meujukka perbedaa atara dua ilai peghalusa terakhir. Adapu tiga persamaa yag diguaka dalam model Holt s, yaitu : Pertama, peghalusa data keseluruha, yaitu dega persamaa: dimaa : L t = αx t + 1 α L t 1 + T t 1 (2) L t α X t L t 1 T t 1 : perkiraa Holt s : parameter peghalusa : ilai dari aktual dari series pada periode t : perkiraa Holt s sebelumya : perkiraa tred sebelumya Kedua, peghalusa perkiraa tred, yaitu dega persamaa: dimaa : T t = β L t L t β T t 1 (3) T t β : perkiraa tred : parameter peghalusa utuk estimasi tred Ketiga, perkiraa periode p kedepa, yaitu dega persamaa: X t+p = L t + pt t (4) Peghalusa Ekspoesial Holt-Witers
4 Metode peramala Holt-Witers merupaka gabuga dari dari metode Holt da metode Witers, diguaka utuk peramala jika data memiliki kompoe tred da musima. Metode Holt-Witers didasarka pada tiga persamaa peghalusa, yaki persamaa peghalusa keseluruha, peghalusa tred, da persamaa peghalusa musima. Metode ii terbagi mejadi dua bagia yaki : a. Peghalusa ekspoesial Holt-Witers dega metode muliplicative : Peghalusa keseluruha S t = α X t I t L + 1 α S t 1 + b t 1 Peghalusa tred (5) b t = β S t S t β b t 1 (6) Peghalusa musima (seasoal) Ramala I t = γ X t S t + 1 γ I t L (7) F t+m = S t + b t m I t L+m (8) b. Peghalusa ekspoesial Holt-Witers dega metode additive : Peghalusa keseluruha S t = α X t I t L + 1 α S t 1 + b t 1 (9) Peghalusa tred b t = β S t S t β b t 1 (10) Peghalusa musima (seasoal) I t = γ X t S t + 1 γ I t L (11) Ramala F t+m = S t + b t m + I t L+m (12) X t dimaa : : ilai aktual pada periode akhir t α : parameter peghalusa utuk data (0 < α < 1) γ : parameter peghalusa utuk musima (0 < γ < 1) β : parameter peghalusa utuk tred (0 < β < 1) I : faktor peyesuaia musima L : pajag musim F t+m : ramala utuk m periode ke depa dari t Nilai Awal
5 Meurut [7] rumus metode peghalusa ekspoesial dari Holt-Witers dapat diguaka dega megambil secara sembarag beberapa ilai awal yag telah ditetapka yaki: Utuk model additive : S L = 1 L X 1 + X X L (X L+1 X 1 ) L b L = 1 K I k = X k S L, + (X L+2 X 2 ) + + (X L+k X k ) L L dimaa k = 1, 2,, L da L adalah pajag musima. Utuk model multiplicative, ilai awal yag diguaka sama dega additive kecuali utuk peghalusa musima dimaa ia megguaka I k = X k S L Pemiliha Model Ketepata dari suatu metode peramala merupaka kesesuaia dari suatu metode yag meujukka seberapa jauh model peramala tersebut mampu meramalka data aktual. Tidak mugki suatu peramala bear-bear akurat. Nilai hasil peramala aka selalu berbeda dega data aktual. Perbedaa atara ilai peramala dega data aktual disebut kesalaha peramala. Meskipu suatu jumlah kesalaha peramala tidak dapat dihidari, amu tujua peramala adalah agar kesalaha dimiimalisir. Dalam pemodela time series, sebagia data yag diketahui dapat diguaka utuk meramalka sisa data berikutya sehigga memugkika orag utuk mempelajari ketepata peramala [5]. Model yag memiliki ilai kesalaha hasil peramala terkecil yag aka diaggap sebagai model yag cocok, dimaa ilai kesalaha itu adalah : a. Rata-rata kuadrat peyimpaga (Mea squared error) Cara yag serig diguaka utuk megevaluasi hasil peramala yaitu dega metode Mea Squared Error (MSE). Dega megguaka MSE, error yag ada meujukka seberapa besar perbedaa hasil estimasi dega hasil yag aka diestimasi. Dalam fase peramala, megguaka MSE sebagai suatu ukura ketepata juga dapat meimbulka masalah [5]. Ukura ii tidak memudahka perbadiga atar time series yag berbeda da utuk selag waktu yag berlaia, karea MSE merupaka ukura absolut. Lagi pula, iterpertasiya tidak bersifat ituitif bahka utuk para spesialis sekalipu, karea ukura ii meyagkut peguadrata sedereta ilai. Adapu diberika persamaa utuk meghitug MSE yaitu : dimaa : MSE = t=1 e t 2, e t : kesalaha periode t = X t F t : jumlah data
6 b. Rata-rata peyimpaga absolut (Mea absolute deviatio) Metode utuk megevaluasi metode peramala megguaka jumlah dari kesalahakesalaha yag absolut Mea Absolute Deviatio (MAD) megukur ketepata ramala dega merata-rata kesalaha dugaa (ilai absolut masig-masig kesalaha). MAD bergua ketika megukur kesalaha ramala dalam uit yag sama sebagai deret asli. dapu diberika persamaa utuk meghitug MAD yaitu : MAD = c. Rata-rata peyimpaga persetase absolut (Mea absolute percetage error) Metode ii melakuka perhituga perbedaa atara data asli da data hasil peramala. Perbedaa tersebut diabsolutka, kemudia dihitug ke dalam betuk persetase terhadap data asli. Hasil persetase tersebut kemudia didapatka ilai mea-ya. Suatu model mempuyai kierja sagat bagus jika ilai MAPE berada di bawah 10%, da mempuyai kierja bagus jika ilai MAPE berada di atara 10% da 20% [9]. Adapu diberika persamaa utuk meghitug MAPE yaitu : t=1 e t. dimaa : MAPE = t=1 PE t, PE t X t : kesalaha persetase = e t X t 100 : data aktual periode t : jumlah data
7 3. Metodologi Gambar 1. Diagram Alir 4. Hasil da Pembahasa Dega memplot data terlihat bahwa jumlah peumpag tahu cederug megalami keaika setiap tahu. Dari plot data juga terlihat bahwa secara umum jumlah peumpag yag lebih bayak terjadi pada pertegaha tahu yaitu bula juli da agustus, bula oktober serta pada akhir tahu yaitu bula desember sedagka jumlah peumpag teredah terjadi pada bula februari.
8 Autocorrelatio Autocorrelatio Fuctio for Hasaudi (with 5% sigificace limits for the autocorrelatios) Lag Gambar 3. Plot ACF data peumpag 12 Dari plot ACF di atas terlihat bahwa ilai Autocorrelatio Fuctio (ACF) yag sigifika pada lag-lag awal kemudia megecil secara bertahap kemudia beragsur-agsur turu medekati ol. Berdasarka retag seperti ii dapat dilihat pada plot ACF bahwa ilai autokorelasi dari data berada di luar batas sigifikasiya. Dega demikia, dapat disimpulka bahwa data tidak stasioer. a. Peghalusa ekspoesial Holt-Witers dega metode additive
9 Jumlah Peumpag Jumlah Peumpag Time Series Plot of Xt, Ft Xt Ft Moth Year Gambar 3. Plot hasil peghalusa ekspoesial dega metode additive b. Peghalusa ekspoesial Holt-Witers dega metode multiplicative Time Series Plot of Xt, Ft Xt Ft Moth Year Gambar 4. Plot hasil peghalusa ekspoesial dega metode multiplicative Pemiliha model Mea Squared Error (MSE) MSE dihitug dari rata-rata peguadrata error hasil peramala, maka diperoleh : 96 (x 13 F 13 ) 2 +(x 14 F 14 ) 2 + +(x 96 F 96 ) 2 MSE = t= Dari persamaa di atas maka diperoleh MSE utuk metode additive yaitu sedagka utuk metode multiplicative yaitu ,3. Mea Absolute Deviatio (MAD) MAD dihitug dari rata-rata ilai mutlak error hasil peramala, maka diperoleh 96 x 13 F 13 + x 14 F x MAD = t= Dari persamaa di atas maka diperoleh MAD utuk metode additive yaitu 10600,28 sedagka utuk metode multiplicative yaitu 18277,62. Mea Absolute Percetage Error Metode ii melakuka perhituga perbedaa atara data asli da data hasil peramala. Perbedaa tersebut diabsolutka, kemudia dihitug ke dalam betuk persetase terhadap data asli lalu dihitug ilai rata-rataya, maka diperoleh 97 X 13 F X 14 F X 96 F X 13 X 14 X 96 MAPE = t= Dari persamaa di atas maka diperoleh MAPE utuk metode additive yaitu 5,849 sedagka utuk metode multiplicative yaitu 9,829.
10 4. Peutup 1. Dari ilai MSE, MAD da MAPE yag diperoleh terlihat bahwa metode additive memiliki error yag lebih kecil dibadigka metode multiplicative utuk data peumpag Badara Hasauddi. 2. Dega megguaka metode Holt-Witer diperoleh ramala jumlah peumpag badara terbayak utuk tahu 2014 yaitu pada bula agustus kemudia bula jauari da juli. Daftar Pustaka [1] Brow. Robert G Expoetial Smoothig for Predictig Demad. Arthur D Little Ic. Cambridge 42, Massachusetts [2] Hydma, R., A. B. Koehler, J. Keith Ord & R. D. Syder Forecastig with expoetial smoothig: The state space approach. Spriger Series i Statistics. Spriger-Verlag Berli Heidelberg. Berli [3] Kalekar, P. S. (2004). Time series forecastig usig holt-witers expoetial smoothig. Kawal Rekhi School of Iformatio Techologys [4] Lai, K.K., L. Yu, S. Y. Wag & W. Huag Hybridizig expoetial smoothig ad eural etwork for fiacial time series predictio : V. Alexadro (Ed.) Lecture Notes I Computer Sciece (LNCS) Series. Spriger-Verlag [5] Makridakis, Spyros da Wheelwright, Steve C. 1999, Metode da Aplikasi Peramala. Jakarta : Biarupa Aksara [6]Mills, T.C Time series techiques for ecoomists. Cambridge Uiversity Press. Cambridge [7] Motgomery Itroductio to Time Series Aalysis ad Forecastig. Caada. Wiley_Itersciece. [8] Mulyaa, 2004, Aalisis Data Time series. Uiversitas Padjadjara: Badug. [9] Zaiu, N. Y., da Majid, M. Z. A., Low Cost House Demad Predictor. Uiversitas Tekologi Malaysia
PERAMALAN DATA TIME SERIES DENGAN METODE PENGHALUSAN EKSPONENSIAL HOLT - WINTER
PERAMALAN DATA TIME SERIES DENGAN METODE PENGHALUSAN EKSPONENSIAL HOLT - WINTER PERAMALAN DATA TIME SERIES DENGAN METODE PENGHALUSAN EKSPONENSIAL HOLT WINTER Adi Suwandi 1, Annisa 2, Andi Kresna Jaya
Lebih terperinciPERAMALAN KURSIDRTERHADAP USDMENGGUNAKAN DOUBLE MOVING AVERAGES DAN DOUBLEEXPONENTIAL SMOOTHING.
PERAMALAN KURSIDRERHADAP USDMENGGUNAKAN DOUBLE MOVING AVERAGES DAN DOUBLEEXPONENIAL SMOOHING. Padrul Jaa 1), Rokhimi 2), Ismi Ratri Prihatiigsih 3) 1,2,3 PedidikaMatematika, Uiversitas PGRI Yogyakarta
Lebih terperinciFORECASTING (Peramalan)
FORECASTING (Peramala) PENDAHULUAN Forecastig adalah ramala tetag apa yag aka terjadi dimasa yag aka datag. Forecast Demad atau peramala permitaa mejadi dasar yag sagat petig dalam perecaaa suatu keputusa
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciPeramalan Jumlah Stok Alat Tulis Kantor Di UD ACHMAD JAYA Menggunakan Metode Double Exponential Smoothing
Jural Ilmiah Tekologi da Iformasia ASIA (JITIKA) Vol.10, No.1, Februari 2016 ISSN: 0852-730X Peramala Jumlah Stok Alat Tulis Kator Di UD ACHMAD JAYA Megguaka Metode Double Expoetial Smoothig Titaia Dwi
Lebih terperincikesimpulan yang didapat.
Bab ii merupaka bab peutup yag merupaka hasil da kesimpula dari pembahasa serta sara peulis berdasarka kesimpula yag didapat. BAB LANDASAN TEORI. Kosep Dasar Peramala Peramala adalah kegiata utuk memperkiraka
Lebih terperinciBAB II TINJAUAN LITERATUR. Pengendalian persediaan dapat dilakukan dalam berbagai cara, antara lain dengan
BAB II TINJAUAN LITERATUR 2.1. Klasifikasi ABC Dalam Persediaa Pegedalia persediaa dapat dilakuka dalam berbagai cara, atara lai dega megguaka aalisis ilai persediaa. Dalam aalisis ii, persediaa dibedajka
Lebih terperinciBAB IV PEMECAHAN MASALAH
BAB IV PEMECAHAN MASALAH 4.1 Metodologi Pemecaha Masalah Dalam ragka peigkata keakurata rekomedasi yag aka diberika kepada ivestor, maka dicoba diguaka Movig Average Mometum Oscillator (MAMO). MAMO ii
Lebih terperinciLAPORAN RESMI MODUL VII TIME SERIES FORECASTING
LAPORAN RESMI MODUL VII TIME SERIES FORECASTING I. Pedahulua A. Latar Belakag (Mi. 4 Paragraf) B. Rumusa Masalah C. Tujua Praktikum (Mi. 3) D. Mafaat Praktikum (Mi. 3) E. Batasa Masalah II. Tijaua Pustaka
Lebih terperinciBAB 3 METODE PENELITIAN. Disini penerapan kriteria optimasi yang digunakan untuk menganalisis
BAB 3 METODE PENELITIAN 3.1 Peetapa Kriteria Optimasi Disii peerapa kriteria optimasi yag diguaka utuk megaalisis kebutuha pokok pada PT. Kusuma Kecaa Khatulistiwa yaitu : 1. Aalisis forecastig (peramala
Lebih terperinciKata Kunci : Forecasting, Program Perhitungan, Simple Moving Averages, Weighted Moving Averages, Mean Absolute Deviation, Mean Square Error
PREDIKSI PEMINATAN PROGRAM KEAHLIAN CALON SISWA BARU DENGAN METODE SIMPLE MOVING AVERAGES DAN WEIGHTED MOVING AVERAGES (Studi Kasus : SMK TEXMACO SEMARANG) Isa Raa Machilikha Putera Sistem Iformasi, Fakultas
Lebih terperinciPEMILIHAN TEKNIK PERAMALAN DAN PENENTUAN KESALAHAN PERAMALAN
PEMILIHAN TEKNIK PERAMALAN DAN PENENTUAN KESALAHAN PERAMALAN A. Tekik-tekik Peramala Faktor utama yag mempegaruhi pemiliha tekik peramala adalah idetifikasi da megetahui pola dari data. Beberapa tekik
Lebih terperinciBAB 2 LANDASAN TEORI. mendapatkan perhatian dan dipelajari oleh ilmuan dari hampir semua ilmu bidang
8 BAB 2 LANDASAN TEORI 2.1 Pegertia Peramala Statistik merupaka salah satu cabag ilmu pegetahua yag palig bayak medapatka perhatia da dipelajari oleh ilmua dari hampir semua ilmu bidag pegetahua, terutama
Lebih terperinciJURNAL GAUSSIAN, Volume 2, Nomor 2, April 2013, Halaman Online di:
JURNAL GAUSSIAN, Volume 2, Nomor 2, April 203, Halama 37-46 Olie di: http://ejoural-s.udip.ac.id/idex.php/gaussia PERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI
Lebih terperinciProsiding Manajemen ISSN:
Prosidig Maajeme ISSN: 2460-7187 Aalisis Peramala Pejuala dega Megguaka Metode Sigle Movig Average, Weighted Movig Average da Expoetial Smoothig Sebagai Dasar Perecaaa Produksi Polo Shirt Pria (Studi Kasus
Lebih terperinciModel Trend untuk Peramalan Jumlah Penduduk Studi kasus pada Pertumbuhan Penduduk Kabupaten Gowa
JTRISTE, Vol., No., Oktober 015, pp. 46~5 ISSN: 355-3677 Model Tred utuk Peramala Jumlah Peduduk Studi kasus pada Pertumbuha Peduduk Kabupate Gowa Sistem Iformasi, STMIK Kharisma Makassar rahmawati@kharisma.ac.id
Lebih terperinciPROSIDING ISBN:
S-6 Perlukah Cross Validatio dilakuka? Perbadiga atara Mea Square Predictio Error da Mea Square Error sebagai Peaksir Harapa Kuadrat Kekelirua Model Yusep Suparma (yusep.suparma@ upad.ac.id) Uiversitas
Lebih terperinciREGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan
REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k
Lebih terperinciAPLIKASI PERAMALAN PENJUALAN OBAT MENGGUNAKAN METODE PEMULUSAN (STUDI KASUS: INSTALASI FARMASI RSUD DR MURJANI)
APLIKASI PERAMALAN PENJUALAN OBAT MENGGUNAKAN METODE PEMULUSAN (STUDI KASUS: INSTALASI FARMASI RSUD DR MURJANI) Slamet Riyadi Fakultas Ilmu Komputer Uiversitas Darwa Ali Jl Batu Berlia No. 0 Sampit, Kalimata
Lebih terperinciMATERI 13 ANALISIS TEKNIKAL ANALISIS TEKNIKAL
MATERI 13 ANALISIS TEKNIKAL ASUMSI-ASUMSI DASAR ANALISIS TEKNIKAL KEUNTUNGAN DAN KRITIK TERHADAP ANALISIS TEKNIKAL TEKNIK-TEKNIK DALAM ANALISIS TEKNIKAL - The Dow Theory - Chart Pola Pergeraka Harga Saham
Lebih terperinciPERAMALAN PERENCANAAN PRODUKSI SEMEN DENGAN METODE EXPONENTIAL SMOOTHING PADA PT. SEMEN INDONESIA
PERAMALAN PERENCANAAN PRODUKSI SEMEN DENGAN METODE EXPONENTIAL SMOOTHING PADA PT. SEMEN INDONESIA Agil Saputro, Bambag Purwaggoo *) Program Studi Tekik Idustri, Fakultas Tekik, Uiversitas Dipoegoro, Jl.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pegertia Peramala Statistik merupaka salah satu cabag ilmu pegetahua yag palig bayak medapatka perhatia da dipelajari oleh ilmua dari hampir semua ilmu bidag pegetahua, terutama
Lebih terperinciPenggunaan Metode Deseasonalized untuk Meramalkan Jumlah Pengunjung Objek Wisata Danau Ranau, Sumatera Selatan
Jural Peelitia Sais Volume 16 Nomor 3 Oktober 013 Pegguaa Metode Deseasoalized utuk Meramalka Jumlah Pegujug Objek Wisata Daau Raau, Sumatera Selata Robiso Sitepu, Putra B.J. Bagu, da M. Haris Suryasah
Lebih terperinciPERANCANGAN APLIKASI PREDIKSI JUMLAH SISWA BARU PADA YAYASAN CERDAS MURNI MENGGUNAKAN EXPONENTIAL SMOOTHING
PERANCANGAN APLIKASI PREDIKSI JUMLAH SISWA BARU PADA YAYASAN CERDAS MURNI MENGGUNAKAN EXPONENTIAL SMOOTHING Khairu Nisa Ulfa 1, Muhammad Syahrizal 2 Mahasiswa Tekik Iformatika STMIK Budi Darma Meda 1 Dose
Lebih terperinciBAB 1 PENDAHULUAN. Bagi Negara yang mempunyai wilayah terdiri dari pulau-pulau yang dikelilingi lautan,
BAB 1 PENDAHULUAN 1.1 Latar Belakag Bagi Negara yag mempuyai wilayah terdiri dari pulau-pulau yag dikeliligi lauta, laut merupaka saraa trasportasi yag dimia, sehigga laut memiliki peraa yag petig bagi
Lebih terperinciPENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA
PENAKSIRAN DAN PERAMALAN BIAYA Ari Darmawa, Dr. S.AB, M.AB Email: aridarmawa_fia@ub.ac.id A. PENDAHULUAN B. PENAKSIRAN DAN PRAKIRAAN FUNGSI BIAYA C. PENAKSIRAN JANGKA PENDEK - Ekstrapolasi sederhaa - Aalisis
Lebih terperinciMODUL 3 PERAMALAN. Halaman 3
MODUL 3 PERAMALAN 1. Deskripsi Peramala merupaka tahapa awal dari keseluruha perecaaa produksi. Adaya ketidak pastia dari permitaa kosume di masa yag aka datag meyebabka aktivitas peramala ii sagat dibutuhka
Lebih terperinciSTATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP
STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,
Lebih terperinciANALISIS RUNTUT WAKTU DAN PERAMALAN (Time Series and Forecasting) Analisis Tren
ANALISIS RUNTUT WAKTU DAN PERAMALAN (Time Series ad Forecastig) Aalisis Tre P.E.N.D.A.H.U.L.U.A.N Rutut waktu merupaka kumpula data yag tercatat sepajag periode waktu tertetu (cotohya: miggua, bulaa, atau
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI PT.Bak Permata merupaka salah satu bak asioal terbesar di Idoesia da dikeal sebagai bak pelayaa terbaik. Bak Permata dibetuk sebagai hasil merger dari 5 bak di bawah Bada Peyehata
Lebih terperinciBab III Metoda Taguchi
Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.
Lebih terperinciMANAJEMEN RISIKO INVESTASI
MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciBAB 2 LANDASAN TEORI. Statistika merupakan salah satu cabang penegtahuan yang paling banyak mendapatkan
BAB LANDASAN TEORI. Pegertia Regresi Statistika merupaka salah satu cabag peegtahua yag palig bayak medapatka perhatia da dipelajari oleh ilmua dari hamper semua bidag ilmu peegtahua, terutama para peeliti
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciPengendalian Proses Menggunakan Diagram Kendali Median Absolute Deviation (MAD)
Prosidig Statistika ISSN: 2460-6456 Pegedalia Proses Megguaka Diagram Kedali Media Absolute Deviatio () 1 Haida Lestari, 2 Suliadi, 3 Lisur Wachidah 1,2,3 Prodi Statistika, Fakultas Matematika da Ilmu
Lebih terperinciANALISIS PERAMALAN PENJUALAN USAHA ARDYLA BAKERY DI MUARA BULIAN Muryati 1
Jural Ilmiah Uiversitas Bataghari Jambi Vol.17 No.2 Tahu 2017 ANALISIS PERAMALAN PENJUALAN USAHA ARDYLA BAKERY DI MUARA BULIAN Muryati 1 Abstract The role of forecastig was very importat for a compay to
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,
Lebih terperinciBAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai
BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala (orecasig) Peramala (orecasig) adalah suau kegiaa yag memperkiraka apa yag aka erjadi pada masa medaag. Peramala pejuala adalah peramala yag megkaika berbagai
Lebih terperinciUniversitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas
Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga REGRESI DAN KORELASI Statistika da Probabilitas Kurva Regresi Mecari garis/kurva yag mewakili seragkaia titik data Ada dua cara utuk
Lebih terperinciBAB IV PENGUMPULAN DAN PENGOLAHAN DATA
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Data permitaa Dalam meramalka permitaa produk lever cable utuk kebutuha PT. Kyoda Mas Mulia sediri. data yag diambil utuk perhituga peramala permitaa yaitu dega
Lebih terperinciTINJAUAN PUSTAKA Pengertian
TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakag Maajeme risiko merupaka salah satu eleme petig dalam mejalaka bisis perusahaa karea semaki berkembagya duia perusahaa serta meigkatya kompleksitas aktivitas perusahaa
Lebih terperinciPETA KONSEP RETURN dan RISIKO PORTOFOLIO
PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI
Lebih terperinciUkuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus
-Mar- Ukura Pemusata Pertemua STATISTIKA DESKRIPTIF Statistik deskripti adalah pegolaha data utuk tujua medeskripsika atau memberika gambara terhadap obyek yag diteliti dega megguaka sampel atau populasi.
Lebih terperinciIV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data
IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.
Lebih terperinciREGRESI DAN KORELASI
REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas
Lebih terperinciPerbandingan Beberapa Metode Pendugaan Parameter AR(1)
Jural Vokasi 0, Vol.7. No. 5-3 Perbadiga Beberapa Metode Pedugaa Parameter AR() MUHLASAH NOVITASARI M, NANI SETIANINGSIH & DADAN K Program Studi Matematika Fakultas MIPA Uiversitas Tajugpura Jl. Ahmad
Lebih terperinciPERBANDINGAN METODE SETENGAH RATA-RATA DAN METODE KUADRAT TERKECIL UNTUK PERAMALAN PENDAPATAN PERUSAHAAN DI BLU UPTD TERMINAL MANGKANG SEMARANG
PERBANDINGAN METODE SETENGAH RATA-RATA DAN METODE KUADRAT TERKECIL UNTUK PERAMALAN PENDAPATAN PERUSAHAAN DI BLU UPTD TERMINAL MANGKANG SEMARANG Rachmad Budi Septiawa 1, Era Zui A. 2 Tekik Iformatika, Fakultas
Lebih terperinciBAB III METODE PENELITIAN Penelitian ini dilakukan di kelas X SMA Muhammadiyah 1 Pekanbaru. semester ganjil tahun ajaran 2013/2014.
BAB III METODE PENELITIAN A. Waktu da Tempat Peelitia Peelitia dilaksaaka dari bula Agustus-September 03.Peelitia ii dilakuka di kelas X SMA Muhammadiyah Pekabaru semester gajil tahu ajara 03/04. B. Subjek
Lebih terperinciBAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)
BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) Setiap peelitia selalu berkeaa dega sekelompok data. Yag dimaksud kelompok disii adalah: Satu orag mempuyai sekelompok data, atau sekelompok orag mempuyai satu
Lebih terperinciPENENTUAN JUMLAH PERENCANAAN PERMINTAAN PELUMAS UNTUK MEMINIMASI TINGKAT KESALAHAN PERAMALAN BERDASARKAN PERAMALAN PERMINTAAN PELUMAS PADA PT.
PENENTUAN JUMLAH PERENCANAAN PERMINTAAN PELUMAS UNTUK MEMINIMASI TINGKAT KESALAHAN PERAMALAN BERDASARKAN PERAMALAN PERMINTAAN PELUMAS PADA PT. NYZ DETERMINATION OF THE AMOUNT OF LUBRICANT DEMAND PLANNING
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakag Salah satu pera da fugsi statistik dalam ilmu pegetahua adalah sebagai. alat aalisis da iterpretasi data kuatitatif ilmu pegetahua, sehigga didapatka suatu kesimpula
Lebih terperinciBAB II LANDASAN TEORI. dalam membahas analis resiko investasi saham menggunakan model Holt-Winter. adapun teori-teori tersebut adalah sebagai berikut.
BAB II LANDASAN TEORI Pada bab ii peeliti aka membahas teori-teori peujag yag diguaka dalam membahas aalis resiko ivestasi saham megguaka model Holt-Witer adapu teori-teori tersebut adalah sebagai berikut..1.
Lebih terperinciMasih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.
Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Saham Saham adalah surat berharga yag dapat dibeli atau dijual oleh peroraga atau lembaga di pasar tempat surat tersebut diperjualbelika. Sebagai istrumet ivestasi, saham memiliki
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Lokasi da objek peelitia Lokasi peelitia dalam skripsi ii adalah area Kecamata Pademaga, alasa dalam pemiliha lokasi ii karea peulis bertempat tiggal di lokasi tersebut sehigga
Lebih terperinciESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL. Nurul Muthiah, Raupong, Anisa Program Studi Statistika, FMIPA, Universitas Hasanuddin ABSTRAK
ESTIMASI PARAMETER REGRESI SPATIAL AUTOREGRESSIVE MODEL Nurul Muthiah, Raupog, Aisa Program Studi Statistika, FMIPA, Uiversitas Hasauddi ABSTRAK Regresi spasial merupaka pegembaga dari regresi liier klasik.
Lebih terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Perecaaa Produksi 2.1.1 Pegertia Perecaaa Produksi Perecaaa produksi dapat diartika sebagai proses peetua sumber-sumber yag diperluka utuk melaksaaka operasi maufaktur da megalokasikaya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciDistribusi Sampling (Distribusi Penarikan Sampel)
Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciBAB II LANDASAN TEORI. kesalahan ramalan (forecast error) yang berbeda pula. Salah satu seni dalam
BAB II LANDASAN TEORI 2.1 Tekik Peramala Peramala (forecastig) merupaka alat batu yag petig dalam perecaaa yag efektif da efisie. Dalam sistem peramala, pegguaa berbagai model peramala aka memberika ilai
Lebih terperinciBAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan
BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu
Lebih terperinciBAB 2 TINJAUAN TEORI
BAB 2 TINJAUAN TEORI 2.1 ISTILAH KEENDUDUKAN 2.1.1 eduduk eduduk ialah orag atatu idividu yag tiggal atau meetap pada suatu daerah tertetu dalam jagka waktu yag lama. 2.1.2 ertumbuha eduduk ertumbuha peduduk
Lebih terperinciModul Kuliah statistika
Modul Kuliah statistika Dose: Abdul Jamil, S.Kom., MM SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER MUHAMMADIYAH JAKARTA Bab 2 Populasi da Sampel 2.1 Populasi Populasi merupaka keseluruha pegamata
Lebih terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinciPENDUGA RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KUARTIL VARIABEL BANTU PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DAN PENGATURAN PERINGKAT MEDIAN
PEDUGA RASIO UTUK RATA-RATA POPULASI MEGGUAKA KUARTIL VARIABEL BATU PADA PEGAMBILA SAMPEL ACAK SEDERHAA DA PEGATURA PERIGKAT MEDIA ur Khasaah, Etik Zukhroah, da Dewi Reto Sari S. Prodi Matematika Fakultas
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur
III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam
Lebih terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1 Pegertia proyeksi Proyeksi secara umum adalah utuk megetahui perkembaga dimasa yag aka datag berdasarka data yag telah ada. Proyeksi pada dasarya merupaka suatu kejadia ( ilai
Lebih terperinciBab 3 Metode Interpolasi
Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciBAB III METODOLOGI PENELITIAN
22 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di tiga kator PT Djarum, yaitu di Kator HQ (Head Quarter) PT Djarum yag bertempat di Jala KS Tubu 2C/57 Jakarta Barat,
Lebih terperinciESTIMASI. (PENDUGAAN STATISTIK) Ir. Tito Adi Dewanto. Statistika
Wed 6/0/3 ETIMAI (PENDUGAAN TATITIK) Ir. Tito Adi Dewato tatistika Deskriptif Iferesi Estimasi Uji Hipotesis Titik Retag Estimasi da Uji Hipotesis Dilakuka setelah peelitia dalam tahap pegambila suatu
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture
Lebih terperinciBAB 6: ESTIMASI PARAMETER (2)
Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara
Lebih terperinciBAB III METODOLOGI 3.1 Tempat dan Waktu Penelitian 3.2 Bahan dan Alat 3.3 Metode Pengumpulan Data Pembuatan plot contoh
BAB III METODOLOGI 3.1 Tempat da Waktu Peelitia Pegambila data peelitia dilakuka di areal revegetasi laha pasca tambag Blok Q 3 East elevasi 60 Site Lati PT Berau Coal Kalimata Timur. Kegiata ii dilakuka
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB ENDAHULUAN. Latar Belakag Masalah Dalam kehidupa yata, hampir seluruh feomea alam megadug ketidak pastia atau bersifat probabilistik, misalya pergeraka lempega bumi yag meyebabka gempa, aik turuya
Lebih terperinciBab 7 Penyelesaian Persamaan Differensial
Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1.Tempat da Waktu Peelitia ii dilakuka di ligkuga Kampus Aggrek da Kampus Syahda Uiversitas Bia Nusatara Program Strata Satu Reguler. Da peelitia dilaksaaka pada semester
Lebih terperinciBAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI
BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas
Lebih terperinciDISTRIBUSI SAMPLING (Distribusi Penarikan Sampel)
DISTRIBUSI SAMPLING (Distribusi Pearika Sampel) I. PENDAHULUAN Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinci9 Departemen Statistika FMIPA IPB
Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara
Lebih terperinciPENAKSIR RASIO UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN VARIASI DAN KOEFISIEN KURTOSIS PADA SAMPLING GANDA
PEAKSIR RASIO UTUK RATA-RATA POPULASI MEGGUAKA KOEFISIE VARIASI DA KOEFISIE KURTOSIS PADA SAMPLIG GADA Heru Agriato *, Arisma Ada, Firdaus Mahasiswa Program S Matematika Dose Jurusa Matematika Fakultas
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciMATERI 14 EVALUASI KINERJA PORTOFOLIO
MATERI 14 EVALUASI KINERJA PORTOFOLIO KERANGKA PIKIR EVALUASI KINERjA PORTOFOLIO (EKP) MENGUKUR TINGKAT RETURN PORTOFOLIO RISK-ADJUSTED PERFORMANCE - INDEKS SHARPE - INDEKS TREYNOR - INDEKS JENSEN dede08m.com
Lebih terperinciImplementasi Linear Programming Untuk Memaksimalkan Keuntungan
Serag, 25 November 2017 Implemetasi Liear Programmig Utuk Memaksimalka Keutuga Supriyadi 1, Ade Muslimat 2, Realdy Pratama 2, Gia Ramayati 3 1,34) Jurusa Tekik Idustri, Fakultas Tekik,Uiversitas Serag
Lebih terperinciSISTEM INFORMASI PERAMALAN PENJUALAN KRIPIK PISANG MENGGUNAKAN METODE DOUBLE EXPONENTIAL SMOOTHING BERBASIS WEB PADA TOKO TIGA PUTRA DI LUMAJANG
Semiar Nasioal Sistem Iformasi 2017, 14 September 2017 Fakultas Tekologi Iformasi UNMER Malag SISTEM INFORMASI PERAMALAN PENJUALAN KRIPIK PISANG MENGGUNAKAN METODE DOUBLE EXPONENTIAL SMOOTHING BERBASIS
Lebih terperincii adalah indeks penjumlahan, 1 adalah batas bawah, dan n adalah batas atas.
4 D E R E T Kosep deret merupaka kosep matematika yag cukup populer da aplikatif khusuya dalam kasus-kasus yag meyagkut perkembaga da pertumbuha suatu gejala tertetu. Apabila perkembaga atau pertumbuha
Lebih terperinciMasih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi
Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,
Lebih terperinciAPLIKASI MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PERAMALAN PASANG SURUT DI AIR LAUT (study kasus Pelabuhan Tanjung Buton Siak)
APLIKASI MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK PERAMALAN PASANG SURUT DI AIR LAUT (study kasus Pelabuha Tajug Buto Siak) Fitria Sari Mahasiswa Jurusa Tekik Sipil S1 Fakultas Tekik Uiversitas
Lebih terperinciUji apakah ada perbedaan signifikan antara mean masing-masing laboratorium. Gunakan α=0.05.
MA 8 STATISTIKA DASAR SEMESTER I /3 KK STATISTIKA, FMIPA ITB UJIAN AKHIR SEMESTER (UAS) Sei, Desember, 9.3.3 WIB ( MENIT) Kelas. Pegajar: Utriwei Mukhaiyar, Kelas. Pegajar: Sumato Wiotoharjo Jawablah pertayaa
Lebih terperinciMetode Bootstrap Persentil Pada Sensor Tipe II Berdistribusi Eksponensial
Statistika, Vol. 7 No. 1, 1 6 Mei 007 Metode Bootstrap Persetil Pada Sesor Tipe II Berdistribusi Ekspoesial Jurusa Statistika FMIPA Uiversitas Islam Idoesia Yogyakarta Abstrak Metode bootstrap adalah suatu
Lebih terperinciBAB III METODOLOGI PENELITIAN. data dalam penelitian ini termasuk ke dalam data yang diambil dari Survei Pendapat
BAB III METODOLOGI PENELITIAN 3.1. Jeis da Sumber Data Jeis peelitia yag aka diguaka oleh peeliti adalah jeis peelitia Deskriptif. Dimaa jeis peelitia deskriptif adalah metode yag diguaka utuk memperoleh
Lebih terperinciElemen Dasar Model Antrian. Aktor utama customer dan server. Elemen dasar : 1.distribusi kedatangan customer. 2.distribusi waktu pelayanan. 3.
Eleme Dasar Model Atria. Aktor utama customer da server. Eleme dasar :.distribusi kedataga customer. 2.distribusi waktu pelayaa. 3.disai fasilitas pelayaa (seri, paralel atau jariga). 4.disipli atria (pertama
Lebih terperinci6. Pencacahan Lanjut. Relasi Rekurensi. Pemodelan dengan Relasi Rekurensi
6. Pecacaha Lajut Relasi Rekuresi Relasi rekuresi utuk dereta {a } adalah persamaa yag meyataka a kedalam satu atau lebih suku sebelumya, yaitu a 0, a,, a -, utuk seluruh bilaga bulat, dega 0, dimaa 0
Lebih terperinciI. DERET TAKHINGGA, DERET PANGKAT
I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da
Lebih terperinci