OPTIMASI PRODUKSI UNTUK PRODUK PESANAN PADA PERUSAHAAN PESTISIDA MENGGUNAKAN METODE GOAL PROGRAMMING. Oleh: Rossy Susanti ( )
|
|
- Yohanes Indradjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 OPTIMASI PRODUKSI UNTUK PRODUK PESANAN PADA PERUSAHAAN PESTISIDA MENGGUNAKAN METODE GOAL PROGRAMMING Oleh: Rossy Susanti ( ) Dosen Pembimbing: Drs. Suharmadi S., DiplSc.,MPhil JURUSAN MATEMATIKA Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2011
2 PENDAHULUAN
3 Latar Belakang Permintaan / Pesanan Produk Kendala Sumber Daya (Bahan, Mesin, Transportasi, Gudang Produksi) Perencanaan Produksi dengan Model Goal Programming Penundaan Produksi & Kekurangan Persediaan Produk Penyelesaian Model dengan LINDO Optimasi Produksi
4 Rumusan Masalah 1 Bagaimana memodelkan perencanaan produksi dengan menggunakan metode goal programming. 2 Bagaimana penyelesaian model perencanaan produksi untuk produk pesanan sehingga diperoleh hasil produksi yang optimal.
5 Batasan Masalah 1. Faktor pada fungsi kendala: Keterbatasan bahan baku, kapasitas jam kerja mesin produksi, dan kapasitas gudang hasil produksi. 2. Fungsi tujuan: Terpenuhinya pesanan produk, meminimumkan biaya transportasi dari pabrik ke gudang, meminimumkan biaya penyimpanan produk di gudang, dan memaksimumkan pemanfaatan kapasitas mesin. 3. Data yang dianalisis adalah data penjualan pestisida untuk dua produk dari Perusahaan Pestisida selama periode Januari 2006 Maret Asumsi bahwa tidak ada masalah dalam pengadaan bahan baku (pembelian, penyimpanan, transportasi, dsb), pabrik berproduksi menggunakan sistem mesin tunggal, dan proses produksi dianggap berjalan normal, sehingga tidak ada hambatan dalam proses produksi. 5. Peramalan jumlah permintaan dianalisis menggunakan metode time series model ARIMA. 6. Perencanaan produksi dilakukan untuk dua periode.
6 Tujuan Penelitian 1 Mengembangkan model matematik untuk mendapatkan model perencanaan produksi. 2 Mendapatkan hasil optimal dalam produksi untuk produk pesanan yang sesuai dengan sasaran yang telah ditetapkan. Manfaat Mengetahui model goal programming untuk perencanaan produksi dan penyelesaian optimal dari perencanaan produksi sehingga diperoleh hasil produksi yang maksimum untuk memenuhi produk pesanan.
7 TINJAUAN PUSTAKA
8 Pestisida Pestisida adalah semua zat kimia atau bahan lain serta jasad renik dan virus yang digunakan untuk mengendalikan atau mencegah hama dan penyakit tanaman, mengatur dan atau menstimulir pertumbuhan tanaman atau bagian-bagian tanaman. Bahan Kimia Aktif Formulasi Bahan Kimia Tambahan Pestisida
9 Manajemen Produksi & Perencanaan Produksi Pesanan Dalam pengorganisasian kegiatan pabrik dikendalikan oleh manajemen pabrik. Salah satu kinerja manajemen pabrik yaitu melakukan fungsi perencanaan. Pandangan modern dalam operasional pabrik adalah menetapkan hasil dari setiap elemen sebagai upaya mencapai tujuan global yang optimum. Optimasi produksi: mendayagunakan keterbatasan sumber daya untuk mendapatkan hasil yang maksimum pada proses produksi. Sehingga dalam proses optimasi produksi diperlukan adanya perencanaan produksi agar kebutuhan produksi terpenuhi meskipun adanya keterbatasan sumber daya Perencanaan produksi: aktivitas untuk menetapkan produk yang diproduksi, jumlah yang dibutuhkan, kapan produk tersebut harus selesai dan sumber-sumber yang dibutuhkan. Proses produksi pesanan: perusahaan akan melakukan produksi apabila terdapat pesanan. Tujuan produksi pesanan bagi perusahaan adalah barang dengan spesifikasi tertentu memenuhi permintaan pelanggan dan dalam kurun waktu yang telah disepakati.
10 Program Linier Program linier adalah cara untuk menyelesaikan persoalan pengalokasian sumber-sumber yang terbatas di antara beberapa aktivitas yang bersaing dengan menggunakan model matematis yang berkarakteristik linier untuk menemukan suatu penyelesaian optimal, yaitu dengan memaksimumkan atau meminimumkan fungsi tujuan terhadap suatu susunan kendala. Model program linier mempunyai tiga unsur utama yaitu: 1. Variabel Keputusan 2. Fungsi Tujuan 3. Fungsi Kendala Bentuk umum model matematis program linier: (Siswanto, 2007) Fungsi tujuan: Optimumkan Fungsi kendala: atau
11 Goal Programming Model goal programming merupakan perluasan dari model program linier. Perbedaan terletak pada variabel deviasi yang bertindak bukan sebagai pengambil keputusan tetapi hanya sebagai fasilitator untuk merumuskan model. Selain itu, goal programming dapat menyelesaikan kasus program linier yang mempunyai banyak sasaran dan simultan. Variabel deviasi dibedakan menjadi dua yaitu: 1. Variabel deviasi untuk menampung deviasi yang berada di bawah sasaran. Notasi: Persamaan: 2. Variabel deviasi untuk menampung deviasi yang berada di atas sasaran. Notasi: Persamaan: dengan:
12 Bentuk Umum Model Goal Programming Minimumkan dengan kendala sasaran: Goal Programming 4 penggunaan variabel deviasional untuk mewujudkan sasaran, antara lain: 1. Untuk mewujudkan suatu sasaran dengan nilai tertentu 2. Untuk mewujudkan suatu sasaran dibawah nilai tertentu 3. Untuk mewujudkan suatu sasaran diatas nilai tertentu 4. Untuk mewujudkan suatu sasaran pada interval nilai tertentu
13 Peramalan Peramalan dalam perencanaan produksi yaitu memperkirakan jumlah permintaan di masa datang. Permintaan menjadi perhatian karena akan menentukan jenis dan jumlah produk yang harus diproduksi. Dalam metode time series perlu diperhatikan kestasioneran data, fungsi autokorelasi, dan fungsi autokorelasi parsial. Penyelesaian untuk model time series nonstasioner homogen yaitu dengan metode time series Box-Jenkins yang biasa disebut ARIMA. Notasi Model: Persamaan Model ARIMA: dengan: orde p sebagai operator dari AR, orde d merupakan differencing, orde q sebagai operator dari MA.
14 Kestasioneran 1. Stasioner dalam varian Peramalan Deret dikatakan stasioner dalam varian jika rounded value =1. Jika deret tidak stasioner dalam varian, maka dilakukan Transformasi Box-Cox. 2. Stasioner dalam mean Kestasioneran deret dalam mean dapat dilihat dari plot ACF dan PACF. Apabila kenaikan atau penurunan data tiap lag pada plot ACF dan PACF berjalan cepat, maka deret dikatakan stasioner dalam mean. Apabila kenaikan atau penurunan data tiap lag pada plot ACF dan PACF berjalan lambat (seperti gelomb. sinus), maka deret dikatakan tidak stasioner dalam means. Jika deret tidak stasioner dalam mean, maka dilakukan pembedaan atau differencing, yaitu menghitung perubahan atau selisih nilai observasi. Differencing orde ke-d
15 Identifikasi Model ARIMA Peramalan Plot ACF dan PACF digunakan untuk mengidentifikasi model awal ARIMA(p,d,q) dengan memperhatikan lag yang keluar. Lag yang keluar pada plot ACF menjadi acuan dalam menentukan orde q sebagai operator MA, sedangkan lag yang keluar pada plot PACF menjadi acuan dalam menentukan orde p sebagai operator AR. Pengujian Parameter Pengujian parameter bertujuan untuk menentukan apakah parameter model sudah layak masuk kedalam model. Hipotesis: H 0 : (parameter tidak signifikan) H 1 : (parameter signifikan) Kriteria Pengujian: Jika atau, maka H 0 ditolak. Parameter model dikatakan signifikan Statistik Uji:
16 Pengujian White Noise Peramalan 1. Pengujian residual independen Uji yang digunakan untuk asumsi white noise adalah uji Ljung-Box. Uji white noise adalah sebagai berikut: Hipotesis: H 0 : H 1 : Statistik Uji: Ljung-Box statistik (Box-Pierce modified) (residual memenuhi asumsi white noise) minimum ada satu untuk (residual tidak white noise) dengan adalah taksiran autokorelasi residual lag k Kriteria Pengujian: Jika atau dengan nilai p dan q adalah order dari ARIMA (p,d,q) maka H 0 ditolak & residual tidak white noise.
17 Peramalan 2. Pengujian residual berdistribusi normal Untuk mengetahui bahwa residual memenuhi asumsi distribusi normal, maka dilakukan uji Kolmogorov Smirnov sebagai berikut: Hipotesis: H 0 : H 1 : (residual berdistibusi normal) (residual tidak berdistibusi normal) Statistik Uji: D=sup S(x)-F 0 (x) dengan, S(x) : fungsi peluang kumulatif yang dihitung dari data sampel F 0 (x): fungsi peluang kumulatif distribusi yang dihipotesiskan F(x) : fungsi distribusi yang belum diketahui Sup : nilai supremum semua x dari S(x)-F 0 (x) Kriteria Pengujian: Jika atau maka H 0 ditolak & residual tidak berdistribusi normal.
18 Peramalan Model ARIMA Pengumpulan data permintaan Identifikasi deret berkala Plot Box-Cox Transformasi Differencing Tidak Stasioner dalam varian Ya Plot ACF & PACF Stasioner dalam mean Tidak Ya Model ARIMA Uji parameter & white noise Signifikan Hasil ramalan Overfitting Tidak signifikan
19 MetodePenelitian Identifikasi faktor perencanaan produksi Pengumpulan data & pendefinisian variabel keputusan Perumusan fungsi kendala & fungsi tujuan Hasil ramalan jumlah permintaan Perumusan koefisien fungsi kendala & fungsi tujuan Pengolahan data pada proses produksi Pembentukan model goal programming Penyelesaian model dengan LINDO Analisis optimasi perencanaan produksi
20 ANALISIS DAN PEMBAHASAN
21 Analisis & Pembahasan Dipilih dua produk pestisida yang produksinya bersifat kontinu. Periode setiap perencanaan produksi adalah selama satu bulan karena penyelesaian setiap pesanan adalah satu bulan. Produk pestisida memiliki batas waktu kadaluarsa selama dua tahun. Karena perencanaan produksi ini dilakukan untuk dua periode atau dua bulan, maka masa kadaluarsa produk diabaikan. Data yang digunakan dalam perencanaan produksi ini antara lain: 1. Persediaan dan penggunaan bahan baku Bahan baku Bahan A Bahan B Bahan C Persediaan bahan baku selama 1 bulan/liter Penggunaan bahan baku/botol (liter) Produk I 0,450 0,187 0,015 Produk II 0,227 0,369 0, Kapasitas jam kerja mesin Mesin Jumlah Mesin Pengadukan Mesin Pengemasan 1 1 Kapasitas Jam Kerja Mesin (menit) Jam Kerja Mesin/bulan (menit) Produk I Produk II
22 3. Biaya Transportasi dari Pabrik ke Gudang Gudang produk terletak diluar atau terpisah dengan komplek pabrik sehingga diperlukan anggaran dana untuk transportasi. Produk Produk I Produk II Biaya transportasi per produk (Rp) Biaya penyimpanan produk di gudang Perusahaan menyewa gudang di luar area perusahaan untuk menyimpan hasil produksi. Kapasitas gudang dapat menampung sebanyak botol produk. Produk Produk I Produk II Biaya penyimpanan per produk (Rp) Anggaran dan target perusahaan Anggaran: ketetapan biaya yang disediakan perusahaan untuk memenuhi kebutuhan selama satu periode perencanaan. Target: sasaran hasil kerja yang direncanakan dan ditetapkan perusahaan untuk dicapai selama satu periode perencanaan. Tujuan Penggunaan mesin Biaya transportasi gudang Biaya sewa gudang Ketetapan Perusahaan menit Rp Rp
23 Peramalan permintaan 1. Permintaan Produk I Transformasi Z t Stasioner dalam varians Rounded value = 0.5 Rounded value = 1 Plot PACF dan plot ACF yang sudah di-differencing dan stasioner dalam mean Model ARIMA ARIMA (1,1,[5][17])
24 Pengujian Parameter Parameter Estimasi Standart Error t -hitung P-value 1-0, , ,044 0, , ,11 0, , ,12 0,0035 Karena Ketiga parameter model signifikan dan p-value < 0.05, maka H 0 ditolak. Pengujian White Noise Pada tahap identifikasi sudah stasioner dalam means dan varians, maka model dapat dikatakan sudah identik. Pengujian independensi dari residual dengan menggunakan uji Ljung-Box. Lag (K) Q P-value 6 7,37 7,815 0, ,55 16,919 0, ,40 24,996 0, ,95 32,671 0,4619 Karena maka H 0 diterima. Residual white noise. dan p-value > 0.05
25 Uji normal dengan menggunakan uji Kolmogorov Smirnov pada SAS Tests for Normality Test --Statistic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D > Cramer-von Mises W-Sq Pr > W-Sq > Anderson-Darling A-Sq Pr > A-Sq > diperoleh nilai D = Karena Residual berdistribusi normal. dan (p-value>0.15) > 0.05, maka H 0 diterima. 2. Permintaan Produk II Rounded value = 0 Transformasi Ln(Zt) Rounded value = 1.33 Transformasi Rounded value = 1
26 Plot PACF dan plot ACF yang sudah di-differencing dan stasioner dalam mean Model ARIMA ARIMA (2,1,0) Pengujian Parameter Parameter Estimasi Standart Error t-hitung P-value 1-0, , ,33 <0, , , ,51 0,0009 Karena dan p-value < 0.05, maka H 0 ditolak. Ketiga parameter model signifikan Pengujian White Noise Pada tahap identifikasi sudah stasioner dalam means dan varians, maka model dapat dikatakan sudah identik. Pengujian independensi dari residual dengan menggunakan uji Ljung-Box. Lag (K) Q P-value 6 4,83 9,488 0, ,19 18,307 0, ,54 26,296 0, ,70 33,924 0,2219 Karena maka H 0 diterima. Residual white noise. dan p-value > 0.05
27 Uji normal dengan menggunakan uji Kolmogorov Smirnov pada SAS Tests for Normality Test --Statistic p Value Shapiro-Wilk W Pr < W Kolmogorov-Smirnov D Pr > D > Cramer-von Mises W-Sq Pr > W-Sq > Anderson-Darling A-Sq Pr > A-Sq > diperoleh nilai D = Karena Residual berdistribusi normal. dan (p-value>0.15) > 0.05, maka H 0 diterima. Hasil Peramalan Permintaan Hasil ramalan untuk produk I dan produk II yang sesuai dengan model ARIMA terbaik dan diolah menggunakan SAS Bulan Produk I (liter) Produk II (liter) April Mei
28 Perumusan Model Goal Programming Pendefinisian variabel keputusan yang digunakan dalam model goal programming ini adalah sebagai berikut: : jumlah produk i yang diproduksi pada periode - t i : jenis produk yang dihasilkan, i = 1 dan 2 t : periode produksi, t = 1 dan 2 bulan n : jenis bahan baku yang tersedia, n = 1,2,3,4 Notasi dan variabel yang digunakan dalam permasalahan perencanaan produksi adalah sebagai berikut: P1: prioritas pertama, terpenuhinya target jumlah produk pesanan yang akan diproduksi. P2: prioritas kedua, terpenuhinya anggaran biaya yang tersedia untuk transportasi. P3: prioritas ketiga, terpenuhinya anggaran biaya yang tersedia untuk sewa gudang produksi. P4: prioritas keempat, terpenuhinya target memaksimumkan penggunaan. dn1,dn2,dn3,dn4: deviasi negatif menunjukkan tingkat pencapaian produksi kurang dari target jumlah permintaan yang ditetapkan. dp1,dp2,dp3,dp4: deviasi positif menunjukkan tingkat pencapaian produksi lebih dari target jumlah permintaan yang ditetapkan.
29 X11: jumlah produk I yang diproduksi pada periode 1. X12: jumlah produk I yang diproduksi pada periode 2. X21: jumlah produk II yang diproduksi pada periode 1. X22: jumlah produk II yang diproduksi pada periode 2. Model lengkap dalam permasalahan perencanaan produksi berdasarkan bentuk umum model goal programming: Fungsi Tujuan: Minimumkan Z, dengan Fungsi Kendala: 1. Kendala bahan baku Bahan A 2. Kendala kapasitas jam kerja mesin Mesin pengadukan Bahan B Mesin pengemasan Bahan C
30 3. Kendala kapasitas gudang Kendala Sasaran atau Tujuan: 1. Target pemenuhan jumlah pesanan 2. Target meminimumkan biaya transportasi 3. Target meminimumkan biaya penyimpanan produk 4. Target memaksimumkan penggunaan mesin Tujuan ini adalah pemaksimuman penggunaan mesin untuk produksi produk I. Fungsi Kendala Setiap Variabel:
31 Hasil Pemrograman LINDO Hasil LINDO untuk periode pertama Prioritas Sasaran Target Hasil LINDO Ket I Memenuhi jumlah pesanan T II Meminimumkan biaya transportasi Rp Rp T III Meminimumkan biaya gudang Rp Rp T IV Memaksimumkan , penggunaan menit menit mesin T Keterangan: T : Tercapai TT : Tidak Tercapai
32 Hasil LINDO untuk periode kedua Prioritas Sasaran Target Hasil LINDO Ket I Memenuhi jumlah pesanan T II Meminimumkan biaya transportasi Rp Rp T III Meminimumkan biaya gudang Rp Rp T IV Memaksimumkan , menit penggunaan mesin menit T Keterangan: T : Tercapai TT : Tidak Tercapai
33 Pemanfaatan sumber daya untuk dua periode Sumber Daya Periode Kapasitas Pemanfaatan Ket Bahan A ,393 T ,756 T Bahan B ,591 T ,943 T Bahan C ,785 T ,215 T Muatan Gudang T T Jam Kerja ,851 T Mesin ,801 T Pengadukan Jam Kerja Mesin Pengemasan Keterangan: T : Tercapai TT : Tidak Tercapai , ,462 T T
34 Analisis Hasil Model Goal Programming pada LINDO dengan Kenaikan Permintaan Kenaikan maksimal untuk permintaan kedua produk pada periode pertama yang masih dapat dipenuhi sebesar 25%. Hasil LINDO untuk periode pertama dengan kenaikan permintaan 25% adalah sebagai berikut: Prioritas Sasaran Target Hasil LINDO Ket I Memenuhi jumlah pesanan T II Meminimumkan biaya transportasi Rp Rp T III Meminimumkan biaya gudang Rp Rp T IV Memaksimumkan , menit penggunaan mesin menit T Keterangan: T : Tercapai TT : Tidak Tercapai
35 Kenaikan maksimal untuk permintaan kedua produk pada periode kedua yang masih dapat dipenuhi sebesar 3%. Hasil LINDO untuk periode kedua dengan kenaikan permintaan 3% adalah sebagai berikut: Prioritas Sasaran Target Hasil LINDO Ket I Memenuhi jumlah pesanan T II Meminimumkan biaya transportasi Rp Rp T III Meminimumkan biaya gudang Rp Rp T IV Memaksimumkan , menit penggunaan mesin menit T Keterangan: T : Tercapai TT : Tidak Tercapai
36 Kesimpulan Kesimpulan dan Saran 1. Analisis hasil untuk sasaran yang telah ditetapkan adalah sebagai berikut: a. Jumlah pesanan dari kedua produk untuk dua periode dapat terpenuhi. Pesanan produk I bulan pertama sebesar liter dan bulan kedua sebesar liter. Pesanan produk II bulan pertama sebesar liter dan bulan kedua sebesar liter. b. Biaya transportasi dari pabrik ke gudang yang perlu dikeluarkan perusahaan sebesar Rp pada periode pertama dan Rp pada periode kedua, sehingga perusahaan dapat mengurangi biaya transportasi sebesar Rp pada periode pertama dan Rp pada periode kedua dari anggaran yang disediakan sebesar Rp setiap periode. c. Biaya penyimpanan produk di gudang yang perlu dikeluarkan perusahaan sebesar Rp pada periode pertama dan Rp pada periode kedua, sehingga perusahaan dapat mengurangi biaya penyimpanan produk sebesar Rp pada periode pertama dan Rp pada periode kedua dari anggaran yang disediakan sebesar Rp setiap periode.
37 d. Target penggunaan mesin pengadukan dan mesin pengemasan untuk produksi produk I sebesar menit setiap periode dapat dicapai dengan model yang ada yaitu sebesar , pada periode pertama dan , menit pada periode kedua. 3. Jumlah produk yang dihasilkan telah memenuhi jumlah pesanan. Namun produksi tersebut kurang maksimal karena pemakaian bahan baku, jam kerja mesin, dan kapasitas gudang masih lebih sedikit dari ketersediaannya. Saran 1. Untuk memperoleh hasil optimasi yang mendekati kondisi nyata perusahaan maka sebaiknya pada penelitian selanjutnya menambah fungsi tujuan dan memperbanyak fungsi kendala. Diperlukan informasi yang lebih mengenai tujuan dan kendala perusahaan dalam produksi sehingga hasil perencanaan produksi lebih optimal. 2. Bagi perusahaan, dengan adanya perencanaan produksi maka perusahaan bisa lebih mempersiapkan kebutuhan produksi tiap periode, terlebih dalam menyediakan bahan dan memperhitungkan kapasitas gudang. Bila jumlah pesanan dalam suatu periode lebih besar dari kapasitas gudang, maka perusahaan harus melakukan pendistribusian secara cepat tanpa harus menunggu masa pesanan agar produk tidak menumpuk di gudang yang dapat mengakibatkan overload.
38 Daftar Pustaka Blog Pendidikan Aplikasi Pestisida di Bidang Pertanian. <URL: diakses pada 11 Maret 2011 pukul WIB. Dimyati, Tjutju T. & Dimyati, Ahmad Operation Research: Model-Model Pengambilan Keputusan. Sinar Baru Algesindo. Bandung. Hadiguna, Rika A Manajemen Pabrik. Bumi Aksara. Jakarta. Kementerian Pertanian Indonesia Apa Itu Pestisida?. <URL: diakses pada 25 Februari 2011 pukul WIB. Kliping Nurmala Perencanaan dan Pengendalian Produksi. <URL: diakses pada 13 Maret 2011 pukul WIB. Leung, Stephen C.H. & Chan, Shirley S.W A Goal Programming Model for Aggregate Production Planning with Resource Utilization Constraint. Computers & Industrial Engineering 56 (2009) Makridakis, S., Steven C. Wheelwright, and Victor E. McGee Metode dan Aplikasi Peramalan, edisi kedua. Binarupa Aksara. Jakarta. Megasari, Kartika Goal Programming untuk Perencanaan Produksi Agregat dengan Kendala Sumber Daya. Jurusan Matematika ITS. Surabaya Siswanto Operation Research Jilid Satu. Erlangga. Bogor. Wei, William W.S Time Series Analysis: Univariate and Multivariate Methods. Pearson Education, Inc. USA. Wikipedia. Perencanaan. <URL: diakses pada 13 Maret 2011 pukul WIB.
PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)
PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciGoal Programming untuk PeRencanaan Produksi Agregat dengan kendala sumber daya
Goal Programming untuk PeRencanaan Produksi Agregat dengan kendala sumber daya Oleh : Kartika Megasari 1206 100 044 Dosen Pembimbing: Drs.Sulistiyo,MT Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial
BAB II TINJAUAN PUSTAKA Berikut teori-teori yang mendukung penelitian ini, yaitu konsep dasar peramalan, konsep dasar deret waktu, proses stokastik, proses stasioner, fungsi autokovarians (ACVF) dan fungsi
Lebih terperinciModel Penjualan Plywood PT. Linggarjati Mahardika Mulia
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol., No., Juli 7, Hal. 52-57 p-issn: 25-4596; e-issn: 25-4X Halaman 52 Model Penjualan Plywood PT. Linggarjati Mahardika Mulia
Lebih terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciLULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI
LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat
Lebih terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciKAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciMeytaliana F Dosen Pembimbing: Prof. Dr. Basuki Widodo, M.Sc. Dra. Nuri Wahyuningsih, M.Kes.
ESTIMASI PARAMETER AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) (STUDI KASUS PERAMALAN CURAH HUJAN DAS BRANGKAL MOJOKERTO) Meytaliana F. 1210100014
Lebih terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
Lebih terperinciPERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Lebih terperinciBAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER
21 BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 3.1 Model Variasi Kalender Liu (Kamil 2010: 10) menjelaskan bahwa untuk data runtun waktu yang mengandung efek variasi kalender, dituliskan pada persamaan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-300
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (203) 233-20 (230-9X Print) D-300 Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R- dengan Metode Fungsi Transfer
Lebih terperinciSBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n
SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi
Lebih terperinciPeramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer
Peramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer 1 Faridah Yuliani dan 2 Dr. rer pol Heri Kuswanto 1,2 Jurusan Statistika
Lebih terperinciGOAL PROGRAMMING UNTUK PERENCANAAN PRODUKSI AGREGAT DENGAN KENDALA SUMBER DAYA Nama Mahasiswa : Kartika Megasari NRP :
GOAL PROGRAMMING UNUK PERENCANAAN PRODUKSI AGREGA DENGAN KENDALA SUMBER DAYA Nama Mahasiswa : Kartika Megasari NRP : 06 00 044 Jurusan : Matematika Dosen Pembimbing : Drs. Sulistiyo, M Abstrak Perencanaan
Lebih terperinciKAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q)
UJIAN TUGAS AKHIR KAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q) Disusun oleh : Novan Eko Sudarsono NRP 1206.100.052 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pajak merupakan sumber kas negara yang digunakan untuk pembangunan. Undang- Undang Republik Indonesia Nomor 16 Tahun 2000 tentang Ketentuan Umum Dan Tata Cara Perpajakan
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-249
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) 2337-3520 (2301-928X Print) D-249 Analisis Fungsi Transfer pada Harga Cabai Merah yang Dipengaruhi oleh Curah Hujan Di Surabaya Putri Rintan Aryasita,
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih terperinciPENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK)
PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) FITROH AMALIA (1306100073) Dosen Pembimbing: Drs. Haryono, MSIE PENGENDALIAN KUALITAS
Lebih terperinciPERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL. Oleh: Niswatul Maghfiroh NRP.
PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL Oleh: Niswatul Maghfiroh NRP. 1208100065 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciOleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si
Oleh : Dwi Listya Nurina 1311105022 Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si Air Bersih BUMN Penyediaan air bersih untuk masyarakat mempunyai peranan yang sangat penting dalam meningkatkan kesehatan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciOPTIMALISASI PERENCANAAN PRODUKSI DENGAN PREEMPTIVE GOAL PROGRAMMING (STUDI KASUS: UD. DODOL MADE MERTA TEJAKULA, SINGARAJA)
OPTIMALISASI PERENCANAAN PRODUKSI DENGAN PREEMPTIVE GOAL PROGRAMMING (STUDI KASUS: UD. DODOL MADE MERTA TEJAKULA, SINGARAJA) Ni Putu Deviyanti 1, Ni Ketut Tari Tastrawati 2, I Wayan Sumarjaya 3 1 Jurusan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat
Lebih terperinciANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA
ANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA FATHIN FAHIMAH 226133 DOSEN PEMBIMBING Prof. Ir. Gamantyo Hendrantoro, M.Eng.
Lebih terperinciOUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran
OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat
Lebih terperinciABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan
Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra A 1, Suyono 2, Ria Arafiyah 3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING
ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING Nama : Zahroh Atiqoh NRP : 1205 100 021 Dosen Pembimbing : 1. Dra. Nuri Wahyuningsih, MKes 2. Drs. Sulistiyo,
Lebih terperinciAnalisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung
Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung Desy Yuliana Dalimunthe Jurusan Ilmu Ekonomi, Fakultas Ekonomi,
Lebih terperinciPeramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2012 Dengan Metode ARIMA BOX-JENKINS
Jurnal EKSPONENSIAL Volume 3, Nomor, Mei 2 ISSN 8-7829 Peramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2 Dengan Metode ARIMA BOX-JENKINS Forecasting The Number
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS Oleh : Agustini Tripena ABSTRACT In this paper, forecasting the consumer price index data and inflation. The method
Lebih terperinciPeramalan merupakan alat bantu yang penting dalam penyusunan rencana yang efektif dan efisien. Pada
Estimasi Parameter Autoregressive Integrated Moving Average (ARIMA) Menggunakan Algoritma Particle Swarm Optimization (PSO) (Studi Kasus: Peramalan Curah Hujan DAS Brangkal, Mojokerto) Meytaliana Factmawati,
Lebih terperinciPEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER
PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK
Lebih terperinciPERAMALAN TRAFIK SMS AREA JABOTABEK DENGAN METODE ARIMA
JURNAL TEKNIK POMITS Vol. 1, No. 1, (212) 1-6 1 PERAMALAN TRAFIK SMS AREA JABOTABEK DENGAN METODE ARIMA Lusi Alvina Tofani, Achmad Mauludiyanto Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciPeramalan Penjualan Pipa di PT X
Elviani, et al. / Peramalan Penjualan Pipa di PT X / Jurnal Titra, Vol.. 2, No. 2, Juni 2014, pp. 55-60 Peramalan Penjualan Pipa di PT X Cicely Elviani 1, Siana Halim 1 Abstract: In this thesis we modeled
Lebih terperinciEFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN
EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN Puji Rahayu 1), Rohmah Nur Istiqomah 2), Eminugroho Ratna Sari 3) 1)2)3) Matematika
Lebih terperinciLAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins
LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan
Lebih terperinciJurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN
Perencanaan Produksi Menggunakan Model dan Pengendalian Persediaan Menggunakan Program Dinamik untuk Meminimumkan Total Biaya (Studi Kasus: Produksi Amplang UD. Usaha Devi) Production Planning using Model
Lebih terperinciPemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input
Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input Oleh : Defi Rachmawati 1311 105 007 Dosen Pembimbing :
Lebih terperinciPERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA
Saintia Matematika ISSN: 2337-9197 Vol. 2, No. 1 (2014), pp. 55 69. PERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA John Putra S Tampubolon, Normalina Napitupulu, Asima Manurung Abstrak.
Lebih terperinciPerencanaan Pengendalian Persediaan Bahan Baku Pupuk NPK dengan Menggunakan Model Economic Order Quantity (Studi kasus: PT. Petrokimia Gresik)
JURNAL SAINS DAN SENI POMITS Vol. 3, No. 2, (4) ISSN: 2337-39 (230-927 Print) A-3 Perencanaan Pengendalian Persediaan Bahan Baku Pupuk NPK dengan Menggunakan Model Economic Order Quantity (Studi kasus:
Lebih terperinciHASIL DAN PEMBAHASAN Kondisi Produksi Proses Produksi
HASIL DAN PEMBAHASAN Kondisi Produksi Proses Produksi Proses produksi adalah suatu rangkaian operasi yang dilalui bahan baku baik secara fisik maupun kimia untuk meningkatkan nilai tambah dan nilai jualnya.
Lebih terperinciAnalisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus
Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia Oleh : Pomi Kartin Yunus 1306030040 Latar Belakang Industri manufaktur yang berkembang pesat
Lebih terperinciAnalisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode
Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode ARIMA Box Jenkins Oleh : Winda Eka Febriana 1307 030 002 Pembimbing : Dra. Wiwiek Setya Winahju, MS Latar Belakang PMI Merupakan
Lebih terperinciBAB III METODE PENELITIAN. merupakan suatu proses, mencari kebenaran dan menghasilkan kebenaran.
BAB III METODE PENELITIAN 3.1 Jenis / Pendekatan Penelitian Penelitian dan ilmu pengetahuan mempunyai kaitan yang erat keduanya merupakan suatu proses, mencari kebenaran dan menghasilkan kebenaran. Penelitian
Lebih terperinciHALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL...
HALAMAN PERSETUJUAN PEMBIMBING...iii HALAMAN PENGESAHAN...iv MOTTO... v HALAMAN PERSEMBAHAN... vi KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR TABEL... xi DAFTAR GAMBAR... xii DAFTAR LAMPIRAN... xiv PERNYATAAN...
Lebih terperinciBAB 2 LANDASAN TEORI Pengertian Data Deret Berkala
BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian
Lebih terperinciPEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA. Nur Hukim
TE 091399 TUGAS AKHIR- 4 SKS PEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA Oleh Nur Hukim Dosen Pembimbing Prof. Ir. Gamantyo Hendrantoro, M.Eng. Ph.D Ir. Achmad
Lebih terperinciOptimasi Jumlah Pelanggan Perusahaan Daerah Air Minum Surya Sembada Kota Surabaya Berdasarkan Jenis Pelanggan dengan Metode Fuzzy Goal Programming
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2013) 1-6 1 Optimasi Jumlah Pelanggan Perusahaan Daerah Air Minum Surya Sembada Kota Surabaya Berdasarkan Jenis Pelanggan Metode Fuzzy Goal Programming Rofiqoh
Lebih terperinciPeramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun
Peramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun NAMA : RITA RAHMADHANI NRP : 1306 030 008 PEMBIMBING: DR. BRODJOL SUTIJO
Lebih terperinciModel Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer
Model Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer OLEH : DWI LISTYA NURINI 1311 105 021 DOSEN PEMBIMBING : DR. BRODJOL SUTIJO SU, M.SI Bursa saham atau Pasar
Lebih terperinciPEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER
1 PEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER Muhammad Zainuddin Fanani, Achmad Mauludiyanto Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciPENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA
KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.
Lebih terperinciPERAMALAN PEMAKAIAN AIR BERSIH DI PDAM SUMBER POCONG KABUPATEN BANGKALAN
TUGAS AKHIR SS 145561 PERAMALAN PEMAKAIAN AIR BERSIH DI PDAM SUMBER POCONG KABUPATEN BANGKALAN MOH. ZAINUR ROFIK NRP 1314 030 050 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si Iis Dewi Ratih, S.Si., M.Si
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 1 a. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal. b. Lakukan pendugaan parameter pada
Lebih terperinciPrediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins
Statistika, Vol. 16 No. 2, 95 102 November 2016 Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins FERRY KONDO LEMBANG Jurusan Matematika Fakultas MIPA Universitas Pattimura Ambon
Lebih terperinciPERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA
Jurnal UJMC, Volume 2, Nomor 1, Hal. 28-35 pissn : 2460-3333 eissn: 2579-907X PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA Novita Eka Chandra 1 dan Sarinem 2 1 Universitas
Lebih terperinciModel Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan
METODE BOX JENKINS Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan utk semua tipe pola data. Dapat
Lebih terperinciPENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)
PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Liana Kusuma Ningrum dan Winita Sulandari, M.Si. Jurusan Matematika,
Lebih terperinciPemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD
Pemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD Charisma Arianti, Arief Wibowo Departemen Biostatistika dan Kependudukan Fakultas Kesehatan Masyarakat Universitas Airlangga Surabaya Alamat Korespondensi:
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciPEMODELAN ARIMA UNTUK PREDIKSI KENAIKAN MUKA AIR LAUT DAN DAMPAKNYA TERHADAP LUAS SEBARAN ROB DI KOTA AMBON
PEMODELAN ARIMA UNTUK PREDIKSI KENAIKAN MUKA AIR LAUT DAN DAMPAKNYA TERHADAP LUAS SEBARAN ROB DI KOTA AMBON (MODELS OF ARIMA TO PREDICT RISING SEA AND ITS IMPACT FOR THE WIDESPREAD DISTRIBUTION OF ROB
Lebih terperinciDAFTAR ISI. Halaman Konsep Ketersediaan Air dan Model Prakiraan Kesesuaian Model ARIMA untuk Prakiraan Ketersediaan Air 10
DAFTAR ISI Halaman HALAMAN JUDUL HALAMAN PENGESAHAN HALAMAN PERNYATAAN PRAKATA DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN INTISARI ABSTRACT i ii iii iv vi ix xii xiv xv xvi BAB I. PENDAHULUAN
Lebih terperinciPERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA
Saintia Matematika Vol. 1, No. 1 (2013), pp. 1 10. PERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA Lukas Panjaitan, Gim Tarigan, Pengarapen Bangun Abstrak. Dalama makalah
Lebih terperinciPERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT
PERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT Novian Endi Gunawan 1, I Wayan Sumarjaya 2, I G.A.M. Srinadi 3 1 Program Studi Matematika,
Lebih terperinciBAB I PENDAHULUAN. Dalam hal ini, perusahaan sering dihadapkan pada masalah masalah yang
BAB I PENDAHULUAN 1.1. Latar Belakang Suatu perusahaan selalu berusaha untuk mendapatkan laba yang maksimal. Dalam hal ini, perusahaan sering dihadapkan pada masalah masalah yang kompleks dalam mengambil
Lebih terperinciMetode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api
Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Efek Variasi Kalender dengan Pendekatan Regresi Time Series Nur Ajizah 1, Resa Septiani Pontoh 2, Toni Toharudin 3 Mahasiswa Program
Lebih terperinciSEMINAR TUGAS AKHIR. Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik. Rina Wijayanti
SEMINAR TUGAS AKHIR Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik Rina Wijayanti 1306100044 Pembimbing Drs. Haryono, MSIE Dedi Dwi Prastyo, S.Si., M.Si.
Lebih terperinciPENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH Tri Mulyaningsih ), Budi Nurani R ), Soemartini 3) ) Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),
BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), prosedur pembentukan model Vector Error Correction (VEC), dan aplikasi model Vector Error Correction (VEC) pada penutupan
Lebih terperinciAritonang, Lebrin Peramalan Bisnis. Jakarta: Ghalia Indonesia. Assauri, Sofjan Teknik dan Metode Peramalan. Jakarta: Penerbit Fakultas
DAFTAR PUSTAKA Aritonang, Lebrin. 2009. Peramalan Bisnis. Jakarta: Ghalia Indonesia Assauri, Sofjan. 1984. Teknik dan Metode Peramalan. Jakarta: Penerbit Fakultas Ekonomi Universitas Indonesia Ginting,
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA
PEMODELAN NILAI EKSPOR DI INDONESIA DENGAN PENDEKATAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH) SKRIPSI BAGUS HADI PRASTYA PROGRAM STUDI S-1 STATISTIKA DEPARTEMEN MATEMATIKA FAKULTAS
Lebih terperinci4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :
4 BAB IV HASIL PEMBAHASAN DAN EVALUASI Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtut waktu. Data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data harga
Lebih terperinciBab IV. Pembahasan dan Hasil Penelitian
Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP
PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP SKRIPSI Disusun oleh : DITA RULIANA SARI NIM. 24010211140084 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciPERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI ABSTRAK
PERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI Trio Yonathan Teja Kusuma 1, Sandra Praharani Nur Asmoro 2 1,2)
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciAPLIKASI PROGRAM DINAMIK UNTUK MENGOPTIMALKAN BIAYA TOTAL PADA PENGENDALIAN PRODUKSI MINYAK SAWIT DAN INTI SAWIT
Saintia Matematika Vol. 1, No. 5 (2013), pp. 419 433. APLIKASI PROGRAM DINAMIK UNTUK MENGOPTIMALKAN BIAYA TOTAL PADA PENGENDALIAN PRODUKSI MINYAK SAWIT DAN INTI SAWIT (STUDI KASUS: PTPN IV (PERSERO) PKS
Lebih terperinci99.9. Percent maka H 0 diterima, berarti residual normal
Uji residual white noise 2 Lag Q P value 6 3.5 9.49 0.5330 2 6.6 8.3 0.803 8 9.8 26.30 0.9059 24 9.3 33.92 0.6374 K p q Uji residual berdistribusi normal Percent 99.9 99 95 90 80 70 60 50 40 30 20 0 5
Lebih terperinciPERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinciPeramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA
JEKT 8 [2] : 136-141 ISSN : 2301-8968 Peramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA Rukini *) Putu Simpen Arini Esthisatari Nawangsih Badan Pusat Statistik
Lebih terperinciPERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT
PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG LOGO DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT Oleh : Ary Miftakhul Huda (1309 100 061) Dosen Pembimbing : Dr.rer.pol.
Lebih terperinciJURNAL TEKNIK POMITS Vol.1, No. 1, (2013) 1-6 II. URAIAN PENELITIAN
JURNAL TEKNIK POMITS Vol.1, No. 1, (013) 1-6 PENERAPAN METODE GOAL PROGRAMMING UNTUK PERENCANAAN PRODUKSI PADA PRODUK OLAHAN TEBU (STUDI KASUS: PG. XXX, JAWA TIMUR) Pupy Ajiningtyas, Suhud Wahyudi, dan
Lebih terperinciPeramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins
Peramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins Ari Pani Desvina 1, Melina Anggriani 2,2 Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau Jl. HR.
Lebih terperinciPemodelan ARIMA Non- Musim Musi am
Pemodelan ARIMA Non- Musimam ARIMA ARIMA(Auto Regresif Integrated Moving Average) merupakan suatu metode analisis runtun waktu(time series) ARIMA(p,d,q) Dengan AR : p =orde dari proses autoreggresif I
Lebih terperinciBAB 2 LANDASAN TEORI. Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan datang. Peramalan adalah proses untuk memperkirakan kebutuhan di masa datang
Lebih terperinciPERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL
E-Jurnal Matematika Vol. 5 (4), November 2016, pp. 183-193 ISSN: 2303-1751 PERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL Ni Putu Mirah Sri Wahyuni 1, I Wayan Sumarjaya 2, I Gusti Ayu Made
Lebih terperinciPEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION
PEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION Oleh NYOMAN PANDU WIRADARMA (1308 100 052) Dosen Pembimbing 1
Lebih terperinciPENGGUNAAN METODE VaR(Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT.TELKOM DENGAN PENDEKATAN MODEL GARCH-M
PENGGUNAAN METODE VaR(Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT.TELKOM DENGAN PENDEKATAN MODEL GARCH-M Oleh: NURKHOIRIYAH 1205100050 Dosen Pembimbing: Dra. Nuri Wahyuningsih, M.Kes. 1 Latar
Lebih terperinci