Jumlah penjualan bulanan Produk X
|
|
- Hadian Yuwono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 4 HASIL DAN PEMBAHASAN 4.1 Eksraksi Hasil Pengumpulan Daa Hasil pengumpulan daa yang didapa pada periode Januari 006 sampai dengan Desember 009 disajikan dalam benuk abel seperi di bawah ini. Daa yang digunakan merupakan jumalah daa penjualan Produk X pada PT XYZ. Unuk meliha pola daa ersebu, maka dapa dibua plo daa dalam benuk grafik seperi dibawah ini. Jumlah penjualan bulanan Produk X 4.5E+09 4E E+09 3E+09.5E+09 E E+09 1E Gambar 4.1 Grafik Pola Daa Penjualan Produk X dari PT XYZ 80
2 81 Seelah mengeahui pola daa penjualan, maka dapa dienukan dengan eye-ball analysis bahwa dalam daa ersebu idak erdapa pola seasonal sama sekali selama empa ahun yang lalu. Selain iu kia juga dapa membaca bahwa rend daa di aas idak saionary karena bisa naik sekali pada dua ahun perama, api kemudian urun lagi di ahun selanjunya. 4. Analisis Daa Dan Pembahasan Meode yang digunakan unuk memperoleh peramalan ingka penjualan yang opimal adalah dengan meode peramalan UC Model. Meode peramalan yang dipilih didasarkan pada pola daa peramalan masa lalu, yang dievaluasi dengan ukuran-ukuran relaif, seperi RMSE (Roo Mean Squared Error) dan MAPE (Mean Absolue Percenage Error) Analisis Daa Langkah-langkah dalam menganalisis daa beriku ini merupakan langkah-langkah dasar unuk peramalan yang erdiri aas idenifikasi daa, esimasi parameers dalam model, dan pengecekan residual. 1. Seelah daa dikumpulkan maka perlu diperiksa pola apakah yang erdapa pada daa ersebu. Dari Gambar 4.1 di aas dapa erliha : a. Skala daa (sumbu y) sanga besar variasinya dan unuk membua daa menjadi lebih linear sekaligus unuk mengurangi heeroskedasiciy (variasi dalam residual), Penulis menggunakan Box-Cox ransformasi dengan mengambil logarima dari daa penjualan ini, liha Gambar 4..
3 8 b. Daa penjualan memiliki rend yang meningka di dua ahun perama, api menurun dan kurang lebih menjadi sabil di ahun-ahun berikunya. c. Dapa disimpulkan bahwa daa penjualan idak memiliki pola musiman (berulang seiap ahun), dan unuk menjelaskan hal iu maka dapa diperiksa dengan SACF dan SPACF..5 log penjualan Gambar 4. Grafik Pola Daa Log Penjualan Produk X dari PT XYZ. Unuk meliha pola rend yang lebih deail maka dicari sampel auokorelasi (SACF) dengan rumus: r k = n k =1 ( Y Y )Y +k Y n =1 ( ) ( Y Y ), dimana : Y = raa-raa log penjualan selama empa ahun erakhir karena daa yang dipakai adalah dalam benuk logarima penjualan.
4 83 Y = (0,5 + 0,10 + 0, ,74 +1,34 + 1,36) / 48 = 1,9 r 1 = (0,5-1,9)(0,10 1,9) +..+ (1,34-1,9)(1,36 1,9) (0,5-1,9) + (0,10-1,9) +..+ (1,34-1,9) + (1,36 1,9) = r = (0,5-1,9)(0,50 1,9) +..+ (0,74-1,9)(1,36 1,9) (0,5-1,9) + (0,10-1,9) +..+ (1,34-1,9) + (1,36 1,9) = dan seerusnya Dan gala sandarnya anara - / 48 r k + / r k Kemudian hasil dari SACF sampai dengan lag ke 48 dapa diliha dalam gambar 4.3 di bawah ini:
5 ACF-Lchoco_ Gambar 4.3 Plo Sampel ACF Daa Log Penjualan 3. Dari plo SACF diaas, dapa diliha korelasi menunjukkan bahwa daa idak saionary karena SACF urun dengan sanga lamba. Karena iu diperlukan urunan perama unuk membua daa menjadi sasioner. Δy = (1 B)y = y y 1.
6 DLchoco_ ACF-DLchoco_ PACF-DLchoco_ Gambar 4.4 Plo Time Series, Sample ACF dan Sample PACF dari (1-B)y() 4. Dari plo sampel ACF dan sampel PACF daa di aas, dapa erliha bahwa daa sudah menjadi sasioner karena idak ada lagi pola rend seperi di dalam Gambar 4.3. Jadi kia dapa menyimpulkan bahwa ada rend I(1) dalam daa penujualan (I(1) berari cukup 1 kali diperbedakan, dan hasilnya sudah sasioner) dan dalam eori UC Model, daa ini cukup di analisis dengan local level model. Seandainya seelah 1 kali diperbedakan masih ada rend-nya juga, maka daa boleh diperbedakan 1 kali lagi. Daa yang seperi ini jadinya ber-ype I() dan UC Model yang dapa diperimbangkan adalah linear rend model aau basic srucural model.
7 86 Unuk daa penjualan Produk X dari PT XYZ yang kia bahas ini, model-model UC yang lebih kompleks idak diperlukan. 5. Rumus local level model dengan menggunakan signal o noise raio: y = α + ε, ε ~ N (0, σ ), = 1, L, n, ε α = α + η, η ~ N (0, qσ ), + 1 ε q = σ / σ. η ε Kemudian dari model ersebu dilakukan pengesimasian parameer (σ ε dan q) dengan menggunakan banuan persamaan Kalman filer, concenraed maximum likelihood funcion dan golden secion search mehode. 6. Melakukan inisialisasi awal nilai parameer q dengan menggunakan q(0) = 0; q( ) = 10000; q(1) = dan unuk inisalisasi persamaan filer digunakan a 1 P 1 = 0; = Melakukan perhiungan filering. Definisikan P * = P /σ ε dan F * = F /σ ε. Persamaan Kalman filer dengan menggunakan signal o noise raio adalah seperi beriku: v = y a ; F * = P * + 1; K = P * / F ; * a + 1 = a + K v ; P * + 1 = P * ( 1 K ) + q; =,..., n Kia ambil a = y 1 = 0.5 dan P * = 1+ q dimana kia pakai q = q(1) = sehingga P * = = Kemudian, dengan menggunakan persamaan rekursi diaas, unuk = kia dapa
8 87 v = y a = y y 1 = = ; F * = P * + 1 = = 60001; K = P * / F * = ; a 3 = a + K v = (0.9999) = ; P * 3 = P * (1 K ) + q = ( ) = Kia eruskan dengan =3,4, n dan akhirnya kia punya v dan F * dengan lengkap unuk menghiung: ˆ σ ε = 1 n 1 = 1 47 n v * F = = Inga bahwa nilai ˆ σ ε ini erganung dari harga parameer q = Hiung esimaed log-likelihood funcion dengan rumus: logl dc = 1 n nlog(π) + (n 1) + (n 1)log ˆ σ * ε + log F = Dengan mengisi ˆ σ ε = dan logf * = kia dapakan esimaed n log-likelihood unuk nilai q =60000 sebagai beriku: logl dc = 1 ( 48 log( ) log( ) ) = = 9. Hiung updae unuk parameer q dengan menggunakan golden secion search algorima (liha referensi dari Press, W. H.; Teukolsky, S. A.; Veerling, W. T.; Flannery, B. P. (1999), Numerical Recipes in C, The Ar of Scienific Compuing
9 88 (second ediion), Cambridge Universiy Press, Cambridge, ISBN , Chaper 10.1.) dan hiung kembali harga baru v dan F * sesuai langkah 1 dengan menggunakan q yang baru. Cara menggunakan golden secion algorime adalah sebagai beriku. a. Sebu harga awal q=60000 sebagai q(1). Ambil 0 < q() < dan < q(3) < b. Hiung v, F * dan esimaed log-likelihood unuk q() dan q(3) seperi yang kia lakukan di sep 1 dan. c. Ambil q(4) sebagai iik engah anara q(1) dan q(), kemudian hiung lagi v, F * dan esimaed log-likelihood unuk q(4). d. Bandingkan hasil esimaed log-likelihood anara q(1), q() dan q(4). Eliminasi nilai q yang menghasilkan esimaed log-likelihood yang paling rendah. e. Kaakan q() memproduksi nilai log-likelihood erendah. Dengan dihilangkannya q(), kia inggal punya q(1) dan q(4). f. Ambil q(5) sebagai iik engah anara q(1) dan q(3), kemudian hiung juga v, F * dan esimaed log-likelihood unuk q(5). g. Bandingkan hasil esimaed log-likelihood anara q(1), q(3) dan q(5). Eliminasi nilai q yang menghasilkan esimaed log-likelihood yang paling rendah. h. Kaakan q(3) memproduksi nilai log-likelihood erendah. Dengan dihilangkannya q(3), kia inggal punya q(1) dan q(5).
10 89 i. Sekarang ambil q(6) sebagai iik engah anara q(1) dan q(4), dan ambil q(7) sebagai iik engah anara q(1) dan q(5). Ulangi lagi perhiungan v, F * dan esimaed log-likelihood unuk q(6) dan q(7). j. Terus perbandingan nilai log-likelihood anara q(1), q(4) dan q(6), hilangkan nilai q yang memproduksi log-likelihood erendah. Sama juga dengan perbandingan log-likelihood anara q(1), q(5) dan q(7), ec. 10. Terus ulangi updae di langkah 9 sampai didapakan hasil log-likelihood eringgi yang nilainya hampir idak berubah lagi. Kia memberi sop-crieria kalau jarak anara q(k) dan q(k-1) sudah cukup kecil, aau dalam kaa lain q(k) q(k 1) < ϑ dengan nilai ϑ =10 4. Tabel 4.1 Updae parameer q dengan golden secion search algorima Ierasi (i) q(i) log-likelihood (sar)
11 (finish) Inilah yang akhirnya jadi parameer esimasi akhir unuk log daa penjualan Produk X seelah 44 ierasi: q = 0.794; ˆ σ ε = 0.083; ˆ σ η = q ˆ σ ε = dimana selising absolu aara q(43) dan q(44) adalah: = = < Seelah dapa parameer esimasi erakhir ini, kia masuk dalam persamaan smoohing (referensi Persamaan.15) unuk mendapa hasil final ramalan ( ˆ α ). Unuk langkah smoohing kia mulai dari belakang ke depan, arinya dari =n menuju =1.
12 91 Gambar 4.5 Daa log penjualan Produk X (y ) bersama dengan filered sae (a ) dan smoohed sae ( ˆ α ) dimana ˆ α adalah hasil ramalan final. 13. Langkah-langkah smoohing algorima yang kia ikui adalah sebagai beriku:,...,1. 0; 0; ; ; ; ; ˆ ; ˆ ; ˆ ; * * n N r N L F N N P P V L r v F r P r a F F P P K L n n = = = + = + = + = + = = = = α σ σ ε ε Inga bahwa a, v, P, F dan K adalah hasil dari persamaan Kalman filer. Hasil perhiungan dari persamaan smoohing pada daa log penjualan Produk X unuk PT XYZ dapa diliha pada abel dibawah ini y() a() alpha_ha()
13 9 Tabel 4. Daa dan Hasil Peramalan Log daa ramalan error error^ APE
14 Dari model diaas, perlu diperiksa kelayakan model (diagnosis) yang didapa dengan meliha sample ACF dari residuals. Jika idak ada nilai sample ACF yang signifikan, maka residuals idak berkorelasi sau dengan yang lain dan model yang didapa sudah cukup baik. Meliha Gambar 4.6 di bawah, kia dapa meliha bahwa residuals dari model UC ini sudah bersih (whie noise) karena idak ada hasil SACF dan SPACF yang signifikan dan ini berari model yang kia pakai sudah memadahi.
15 94 Sandardised Residuals ACF-Sandardised Residuals PACF-Sandardised Residuals Gambar 4.6 Residual Model bersama Sample ACF dan Sample PACF 14. Menganalisis kesalahan ramalan (forecas error) dengan rumus: RMSE = 1 n e dan MAPE = 100 n =1 n e =1 Y dimana e = Y F dengan e = kesalahan unuk periode ; Y = daa akual unuk period ; F = ramalan unuk periode ; n = number of esimaed residuals. RMSE = Roo Mean Squared Error dan MAPE = Mean Absolue Percenage error.
16 95 Hasil dari perhiungan kesalahan peramalan meode UC model adalah sebagai beriku: MSE = ( error )/n = / 48 = dan RMSE = = Unuk nilai MAPE kia mendapa hasil Kesalahan peramalan dengan meode Moving Average Window (MAW) akan dihiung sebagai beriku (panjang window yang dipakai adalah h = karena hasilnya yang paling opimal dianara panjang windows yang lain): Tabel 4.3 Kesalahan Peramalan Dengan Meode Moving Averages Ldaa MAW h = error error^ APE
17
18 MSE = ( error )/n = / 46 = RMSE = = MAPE = Unuk hasil peramalan dengan meode Exponenial Smoohing (EWMA), kia laporkan abel beriku: Tabel 4.4 Kesalahan Peramalan Dengan Meode EWMA Ldaa EWMA error error^ APE
19 MSE = ( error )/n = / 48 = RMSE = = MAPE =
20 Unuk hasil peramalan dengan mehode Hol-Winers (HW), kia laporkan abel beriku: Tabel 4.5 Kesalahan Peramalan Dengan Meode HW Ldaa HW error error^ APE
21 MSE = ( error )/n = / 48 = RMSE = = MAPE =
22 Dari hasil di aas, didapa kesalahan peramalan dengan menggunakan RMSE dan MAPE. Jika nilai ukuran RMSE dan MAPE semakin besar, maka berari kesalahan yang dihasilkan semakin besar. Sebagai perbandingan, jika nilai ukuran ini nol, berari meode yang digunakan menghasilkan nilai ramalan yang sama dengan daa akual aau jika nilai ukuran ini semakin kecil berari semakin mendekai nilai akual. 19. Dari perbandingan hasil di aas dapa diliha bahwa meode UC model memiliki kesalahan peramalan yang jauh lebih kecil daripada meode MAW dengan h= dimana unuk meode MAW yang dipakai unuk meramal adalah dengan mengambil raa-raa daa berdasarkan pada daa bulan yang lalu. 0. Perbedaan anara meode UC dengan EWMA juga cukup jauh dalam krieria RMSE dan MAPE. Menuru dua krieria ini, mehode UC model akan menghasilkan ramalan yang lebih baik daripada EWMA. Ramalan EWMA dilakukan dengan rumus beriku:, 1,,3, Dimana bernilai konsan anara 0 dan Perbedaan anara UC dan HW idak erlalu jauh menuru RMSE dan MAPE sehingga kedua mehode ini sama kuanya. Cara meramal menggunakan HW adalah sebagai beriku: 1,
23 10 1, Dimana merupakan esimasi dari level dere waku saa n, dan merupakan esimasi dari slop (aau perumbuhan, aau pergeseran) dari dere waku saa n. 4.. Pembahasan Beriku akan dibahas mengenai hasil analisis dan peramalan dengan menggunakan meode yang diusulkan, yaiu UC Model. Hasil dievaluasi dari perbedaan anara hasil ramalan UC dengan daa sebenarnya yang kemudian dibandingkan dengan meode non-parameric. Dari perhiungan pada sub bab sebelumnya, dapa diliha bahwa kesalahan peramalan erendah ada pada meode UC yaiu sebesar dan MAPE = Unuk hasil peramalan dengan meode yang berjalan (meode non-parameric) didapa nilai erendah RMSE = dan erendah MAPE = unuk mehode Hol- Winers. Unuk mehode MAW dan EWMA, jelas mehode UC model lebih superior karena beda RMSE dan MAPE yang sanga jauh. Hasil ini dapa diliha bahwa keakuraan meode UC lebih baik unuk digunakan daripada meode non-parameric meskipun perbedaan error anara UC dan HW idak erlalu jauh. Keunungan menggunakan UC model dibandingkan dengan HW adalah pada UC model kia idak perlu menebak harga alpha dan bea seperi pada mehode HW unuk
24 103 menenukan RMSE dan MAPE erkecil. Dengan banuan Kalman filer dan maximum likelihood mehode, kia langsung dapa parameer yang opimal dengan harga likelihood seinggi mungkin. 4.3 Implemenasi Seperi yang elah elah dibahas pada bagian-bagian sebelumnya, aplikasi yang dibua diharapkan dapa menjadi solusi aaupun sebagai ala banu dalam peramalan pada PT XYZ. Aplikasi yang dibua berbasiskan deksop sehingga dalam pengoperasiannya membuuhkan perangka lunak, perangka keras, sera jaringan agar dapa berjalan dengan baik. Dan beriku dijabarkan mengenai peunjuk penggunaan aplikasi. User langsung dapa menggunakan aplikasi ini dengan mengcopy file. jar dari JAVA, di kompuer mana saja. Selama file.csv yang berisi daa penjualan ada, maka aplikasi peramalan ini pun dapa digunakan. 1. Halaman Login Gambar 4.7 Tampilan Halaman Login
25 104 Halaman login merupakan halaman yang digunakan unuk memeriksa username dan password, dikarenakan daa bersifa rahasia.. Halaman Home Gambar 4.8 Tampilan Halaman Home Halaman home merupakan halaman yang akan diakses perama kali oleh User keika elah berhasil login. Dimana ampilan pada halaman ini erdapa beberapa fasilias seperi Open File, Save File, Show Graphs, dan Logou. Beriku ini penjelasan mengenai fasilias-fasilias yang erdapa pada halaman ini adalah sebagai beriku ini. a. Open File dan View Daa, Analysis, & Forecas Unuk membuka daa penjualan dari file. csv & menampilkannya di aplikasi langsung besera hasil analisis dan peramalan daa (liha Gambar 4.9 dan 4.10).
26 105 b. Save File Unuk menyimpan daa, hasil analisis, dan hasil peramalan pada file.csv, yang kemudian langsung di-expor menggunakan Microsof Excel (liha Gambar 4.11 dan 4.1). c. Show Graphs Unuk menampilkan grafik-grafik yang berkaian dengan analisis dan peramalan daa (liha Gambar 4.13 dan 4.14). d. Logou Unuk keluar dari aplikasi dan kembali menampilkan halaman Home (liha Gambar 4.15). 3. Halaman Open File Gambar 4.9 Tampilan Halaman Open File Halaman ini diujukan unuk membuka file.csv yang digunakan unuk menyimpan daa.
27 106 Gambar 4.10 Tampilan Halaman View Daa, Analysis Daa, & Forecas Daa Pada ahap ini, daa penjualan dari file.csv sudah dibuka dan langsung diampilkan bersama dengan hasil analisis daa dan peramalan daa. Hasil yang diampilkan merupakan hasil eropimal yang ada. Unuk meliha hasil logarima dan diferensial daa, dapa menekan check-box yang erdapa di bawah judul Transformaions. Dan jika ingin membandingkan hasil esimasi parameer anara menggunakan Maximum Likelihood, Minimum RSE, aau secara inuisi manual, dapa menekan ombol radio buon di bawah judul Signal/Noice Parameer.
28 Halaman Save File Gambar 4.11 Tampilan Halaman Save File Pada ahap ini, hasil ampilan daa besera hasil analisis dan peramalan daa, dapa disimpan ke dalam file.csv. File.csv ini kemudian dapa langsung dibuka dengan menggunakan Microsof Excel (liha Gambar 4.11 di bawah). Gambar 4.1 Tampilan Ekspor File.CSV pada Microsof Excel
29 Halaman Show Graphs Gambar 4.13 Tampilan Halaman Show Graphs mengenai Daa dan Trend Pada halaman ini diampilkan grafik daa penjualan dan rend Produk X selama 4 ahun (Januari Desember 009), lengkap dengan garis hasil dari perhiungan analisis Kalman Filer dan Kalman Smooher, besera hasil peramalan daa unuk bulan perama di Januari 010.
30 109 Gambar 4.14 Tampilan Halaman Show Graphs mengenai Diagnosis Daa Pada halaman ini juga diampilkan grafik daa penjualan Produk X selama 4 ahun (Januari Desember 009), grafik hasil dari perhiungan Sandard Innovaion, besera grafil hasil perhiungan SACF dan SPACF (yang digunakan unuk idenifikasi daa). Fasilias yang erdapa pada Halaman Show Graphs melipui: a. Properies Unuk mengaur ampilan pada grafik. Mulai dari range axis, warna background, warna border, fon dan ukuran ulisan.
31 110 b. Copy Unuk menyalin (meng-copy) gambar grafik unuk diempel (di-pase) di dokumen lain, misalnya Microsof Word. c. Save As Unuk menyimpan gambar grafik ke dalam file image beripe.png. d. Prin Unuk menceak gambar grafik, langsung erhubung dengan priner yang erdeeksi pada kompuer. e. Zoom In dan Zoom Ou Unuk memperbesar aau memperkecil gambar grafik. Fasilias Zoom In dan Zoom Ou ini dapa dilakukan berdasarkan: kedua axis sebagai paokan, salah sau axis sebagai paokan, aau range axis sebagai paokan. Tujuan uamanya kembali unuk memenuhi kebuuhan User dalam meliha dan menggunakan grafik. f. Auo Range Fungsinya serupa dengan Zoom In dan Zoom Ou, namun User secara manual dapa langsung menarik mouse pada gambar grafik unuk meliha perubahan besar kecilnya.
32 Menu Logou Gambar 4.15 Menu Logou Unuk keluar dari aplikasi dan kembali menampilkan halaman Home. Disediakan dua buah ombol Logou, seperi erliha pada Gambar 4.14 di aas (diberi lingkaran warna merah). 4.4 Evaluasi Karena belum ada daa yang baru di ahun 010, Penulis idak memungkinkan unuk membua perbandingan peramalan anara mehode UC dengan mehode nonparameric di ahun yang mendaang. Kalau di masa depan daa sudah ersedia, maka dengan senang hai Penulis akan melakukan analisi peramalan dan perbandingan anara meode ini. Unuk memberi gambaran singka mengenai keakuraan peramalan semua mehode diaas, Penulis merangkum hasil perhiungan di dalam abel 4.6 dibawah ini. Kia dapa
33 11 meliha sekali lagi bahwa mehode peramalan UC local level model lebih baik daripada peramalan dengan non-parameric mehods (MAW, EWMA dan HW) meskipun bedanya dengan HW idak banyak. Inga bahwa unuk RMSE dan MAPE, makin kecil berari kesalahan perbedaan anara daa asli dan yang diramal juga makin kecil, aau dalam kaa lain makin kecil RMSE dan MAPE, ramalan semakin akura. Tabel 4.6 Rangkuman RMSE dan MAPE Dari Semua Model Yang Dibahas RMSE MAPE UC LLM MAW EWMA HW
BAB II TINJAUAN TEORITIS
BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinciBAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
20 BAB 2 LADASA TEORI 2.1. Pengerian Peramalan Meode Peramalan merupakan bagian dari ilmu Saisika. Salah sau meode peramalan adalah dere waku. Meode ini disebu sebagai meode peramalan dere waku karena
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang
Lebih terperinciPerbandingan Metode Winter Eksponensial Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X
JURAL SAIS DA SEI ITS Vol. 6, o.1, (2017) 2337-3520 (2301-928X Prin) A 1 Perbandingan Meode Winer Eksponensial Smoohing dan Meode Even Based unuk Menenukan Penjualan Produk Terbaik di Perusahaan X Elisa
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian yang dilakukan mengenai analisis perencanaan pengadaan una berdasarkan ramalan ime series volume ekspor una loin beku di PT Tridaya Eramina
Lebih terperinciBAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,
Lebih terperinciJurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember ABSTRAK
PERBANDINGAN METODE DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN TES (TRIPLE EXPONENTIAL SMOOTHING) PADA PERAMALAN PENJUALAN ROKOK (STUDI KASUS TOKO UTAMA LUMAJANG) 1 Fajar Riska Perdana (1110651142) 2 Daryano,
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciAPLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengerian Supply Chain Managemen Supply chain managemen merupakan pendekaan aau meode dalam memanajemen hubungan perusahaan dengan supplier dan konsumen yang erjadi pada pengendalian
Lebih terperinci*Corresponding Author:
Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion
Lebih terperinciBAB 2 TINJAUAN TEORI
7 BAB 2 TINJAUAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciBAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun
BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan
Lebih terperinciAnalisis Model dan Contoh Numerik
Bab V Analisis Model dan Conoh Numerik Bab V ini membahas analisis model dan conoh numerik. Sub bab V.1 menyajikan analisis model yang erdiri dari analisis model kerusakan produk dan model ongkos garansi.
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa
BAB 2 TINJAUAN TEORITI 2.1. Pengerian-pengerian Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. edangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Disini tujuan akhir yang ingin dicapai penulis adalah pembuatan suatu aplikasi
BAB 5 HASIL DAN PEMBAHASAN Disini ujuan akhir yang ingin dicapai penulis adalah pembuaan suau aplikasi program yang digunakan unuk membanu perusahaan dalam menenukan jumlah produksi demand. Disini ada
Lebih terperinciLANDASAN TEORI. Untuk membantu tercapainya suatu keputusan yang efisien, diperlukan adanya
BAB 3 LANDASAN TEORI 3.1 Pengerian Peramalan Unuk membanu ercapainya suau kepuusan yang efisien, diperlukan adanya suau cara yang epa, sisemais dan dapa diperanggungjawabkan. Salah sau ala yang diperlukan
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperincix 4 x 3 x 2 x 5 O x 1 1 Posisi, perpindahan, jarak x 1 t 5 t 4 t 3 t 2 t 1 FI1101 Fisika Dasar IA Pekan #1: Kinematika Satu Dimensi Dr.
Pekan #1: Kinemaika Sau Dimensi 1 Posisi, perpindahan, jarak Tinjau suau benda yang bergerak lurus pada suau arah erenu. Misalnya, ada sebuah mobil yang dapa bergerak maju aau mundur pada suau jalan lurus.
Lebih terperinciMinggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING. Peramalan Data Time Series
Minggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING Bab ini memperkenalkan model berlaku unuk daa ime series dengan musiman, ren, aau keduana komponen musiman dan ren dan daa sasioner. Meode peramalan
Lebih terperinciPENENTUAN KONSTANTA PEMULUSAN YANG MEMINIMALKAN MAPE DAN MAD MENGGUNAKAN DATA SEKUNDER BEA DAN CUKAI KPPBC TMP C CILACAP
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PENENTUAN KONSTANTA PEMULUSAN YANG MEMINIMALKAN MAPE DAN MAD MENGGUNAKAN DATA SEKUNDER BEA DAN CUKAI KPPBC
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinci1999 sampai bulan September Data ini diperoleh dari yahoo!finance.
7 999 sampai bulan Sepember 8. Daa ini diperoleh dari yahoo!finance. Meode Langkah-langkah pemodelan nilai harian IHSG secara garis besar dapa diliha pada Lampiran dengan penjelasan sebagai beriku:. Melakukan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiaan memperkirakan apa yang akan erjadi pada masa yang akan daang. Ramalan adalah sesuau kegiaan siuasi aau kondisi yang diperkirakan akan erjadi
Lebih terperinciANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 009 XV-1 ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI Muhammad Sjahid Akbar, Jerry Dwi Trijoyo
Lebih terperinciFORECASTING & ARIMA. Dwi Martani. 1/26/2010 Statistik untuk Bisnis 9 1
FORECASTING & ARIMA Dwi Marani /26/200 Saisik unuk Bisnis 9 DERET BERKALA (TIME SERIES) Suau dere berkala merupakan suau himpunan observasi dimana variabel yang digunakan diukur dalam uruan periode waku,
Lebih terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Peramalan Dengan Meode Smoohing dan Verifikasi Meode Peramalan Dengan Grafik Pengendali Moving Range () (Sudi Kasus: Produksi Air Bersih di PDAM Tira Kencana Samarinda) Forecasing wih Smoohing and Verificaion
Lebih terperinciProsiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : ; e-issn :
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PERAMALAN VOLUME PENGGUNAAN AIR BERSIH DENGAN METODE WINTERS EPONENTIAL SMOOTHING UNTUK MENENTUKAN VOLUME
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu
BAB 2 TINJAUAN PUSTAKA 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan apa yang erjadi pada waku yang akan daang sedangkan rencana merupakan penenuan apa yang akan dilakukan pada waku yang
Lebih terperinciPENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN
IndoMS Journal on Saisics Vol., No. (04), Page 7-37 PENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN Dinda Ariska Wulandari,
Lebih terperinciPENERAPAN METODE TRIPLE EXPONENTIAL SMOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUSAHAAN MEBEL SINAR JEPARA TANJUNGANOM NGANJUK.
PENERAPAN METODE TRIPLE EXPONENTIAL MOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUAHAAN MEBEL INAR JEPARA TANJUNGANOM NGANJUK. ii Rukayah*), Achmad yaichu**) ABTRAK Peneliian ini berujuan unuk
Lebih terperinciIDENTIFIKASI POLA DATA TIME SERIES
IDENTIFIKASI POLA DATA TIME SERIES Daa merupakan bagian pening dalam peramalan. Beriku adalah empa krieria yang dapa digunakan sebagai acuan agar daa dapa digunakan dalam peramalan.. Daa harus dapa dipercaya
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
BAB 3 METODOLOGI PEMECAHAN MASALAH 3.1 Tahapan Pemecahan Masalah Tahapan pemecahan masalah berfungsi unuk memudahkan dalam mencari jawaban dalam proses peneliian yang dilakukan agar sesuai dengan arah
Lebih terperinciBAB 3 LANDASAN TEORI. peramalan, jenis-jenis peramalan, langkah-langkah peramalan, pemilihan teknik dan
BAB 3 LANDASAN TEORI 3. Peramalan Pada sub bab ini akan dibahas mengenai pengerian peramalan, kegunaan meode peramalan, jenis-jenis peramalan, langkah-langkah peramalan, pemilihan eknik dan meode peramalan,
Lebih terperinciAbstrak Hampir seluruh aktivitas manusia di berbagai belahan bumi sangat bergantung terhadap ketersediaan air bersih.
1 Peramalan Volume Produksi Air Bersih di PDAM Kabupaen Bojonegoro berdasarkan Jumlah Pelanggan dan Volume Konsumsi Air Fasha Aulia Pradhani dan Adaul Mukarromah Jurusan Saisika, FMIPA, ITS Jl. Arief Rahman
Lebih terperinciOleh: TANTI MEGASARI Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes
PERAMALAN INDEKS HARGA SAHAM YANG DIPENGARUHI KURS, PERUBAHAN INFLASI, POSISI JUMLAH DEPOSITO BERJANGKA, SUKU BUNGA SBI DAN DEPOSITO MENGGUNAKAN FUNGSI TRANSFER DAN ARCH-GARCH Oleh: TANTI MEGASARI 6 00
Lebih terperinci(T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF
Seminar Nasional Saisika 12 November 2011 Vol 2, November 2011 (T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF Gumgum Darmawan, Sri Mulyani S Saf Pengajar Jurusan Saisika FMIPA UNPAD
Lebih terperinciBAB II TINJAUAN PUSTAKA. mempunyai efek menekan atau menghentikan suatu proses biokimia di dalam
BAB II TINJAUAN PUSTAKA 2.1 Anibioik 2.1.1 Defenisi Anibioik adalah segolongan senyawa, baik alami maupun sineik, yang mempunyai efek menekan aau menghenikan suau proses biokimia di dalam organisme, khususnya
Lebih terperinciBAB 1 PENDAHULUAN. Dalam pelaksanaan pembangunan saat ini, ilmu statistik memegang peranan penting
BAB 1 PENDAHULUAN 1.1. Laar Belakang Dalam pelaksanaan pembangunan saa ini, ilmu saisik memegang peranan pening baik iu di dalam pekerjaan maupun pada kehidupan sehari-hari. Ilmu saisik sekarang elah melaju
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Air merupakan kebuuhan pokok bagi seiap makhluk hidup di dunia ini ermasuk manusia. Air juga merupakan komponen lingkungan hidup yang pening bagi kelangsungan hidup
Lebih terperinciIII. METODE PENELITIAN
26 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penilaian perkembangan kinerja keuangan PT. Goodyear Indonesia Tbk dilakukan dengan maksud unuk mengeahui sejauh mana perkembangan usaha perusahan yang
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1. Deskripsi Teori 3.1.1. Pengerian Peramalan Unuk membanu ercapainya suau kepuusan yang efisien unuk penjualan produknya, perusahaan memerlukan suau cara yang epa, sisemais dan
Lebih terperinciBAB 4 METODOLOGI PENELITIAN
BAB 4 METODOLOGI PENELITIAN 4.1. Model Rumusan Masalah dan Pengambilan Kepuusan Model rumusan masalah dan pengambilan kepuusan yang digunakan dalam menyelesaikan skripsi ini dimulai dari observasi lapangan
Lebih terperinciSISTEM PREDIKSI PENJUALAN GAMIS TOKO QITAZ MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING. Oleh: Salman Alfarisi
S. Alfarisi / Journal of Applied Business and Economics Vol. 4 No. 1 (Sep 2017) 80-95 SISTEM PREDIKSI PENJUALAN GAMIS TOKO QITAZ MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING Oleh: Salman Alfarisi Program
Lebih terperinciPemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Metode Intervensi dan Regresi Spline ABSTRAK
Pemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Meode Inervensi dan Regresi Spline Rina Andriani, Dr. Suharono, M.Sc 2 Mahasiswa Jurusan Saisika FMIPA-ITS, 2 Dosen Jurusan Saisika FMIPA-ITS
Lebih terperinciBAB I PENDAHULUAN. tepat rencana pembangunan itu dibuat. Untuk dapat memahami keadaan
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam perencanaan pembangunan, daa kependudukan memegang peran yang pening. Makin lengkap dan akura daa kependudukan yang esedia makin mudah dan epa rencana pembangunan
Lebih terperinciBab 2 Landasan Teori
Bab 2 Landasan Teori 2.1 Keseimbangan Lini 2.1.1 Definisi Keseimbangan Lini Penjadwalan dari pekerjaan lini produksi yang menyeimbangkan kerja yang dilakukan pada seiap sasiun kerja. Keseimbangan lini
Lebih terperinciBAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel
BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah
Lebih terperinciPemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network
D-378 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) 2337-3520 (23-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi pada Plaform MK di PT X Menggunakan Meode ARIMA, Neural Nework, dan Hibrida ARIMA-Neural
Lebih terperinciPerancangan Sistem Peramalan Penjualan Barang Pada UD Achmad Jaya Dengan Metode Triple Exponential Smoothing
Jurnal Ilmiah Teknologi dan Informaika ASIA (JITIKA) Vol.10, No.2, Agusus 2016 ISSN: 0852-730X Perancangan Sisem Peramalan Penjualan Barang Pada UD Achmad Jaya Dengan Meode Triple Exponenial Smoohing Tria
Lebih terperinciBAB 1 PENDAHULUAN. Propinsi Sumatera Utara merupakan salah satu propinsi yang mempunyai
BAB 1 PENDAHULUAN 1.1 Laar Belakang Propinsi Sumaera Uara merupakan salah sau propinsi yang mempunyai perkembangan yang pesa di bidang ransporasi, khususnya perkembangan kendaraan bermoor. Hal ini dapa
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
Lebih terperinciPeramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk
Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Oleh : Dwi Hapsari K (1306 100 015) Dosen Pembimbing : Dra. Karika Firiasari, M.Si 1 Pendahuluan Laar Belakang, Perumusan Masalah, Tujuan
Lebih terperinciPERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR.
PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,,)(0,,) 2 TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains
Lebih terperinciBAB 1 PENDAHULUAN. Sumber Daya Alam (SDA) yang tersedia merupakan salah satu pelengkap alat
BAB 1 PENDAHULUAN 1.1 Laar Belakang Sumber Daya Alam (SDA) yang ersedia merupakan salah sau pelengkap ala kebuuhan manusia, misalnya anah, air, energi lisrik, energi panas. Energi Lisrik merupakan Sumber
Lebih terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
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 Aiqoh 05 00 0 Dosen Pembimbing: Dra. Nuri Wahyuningsih, MKes Drs. Sulisiyo, MT Jurusan Maemaika
Lebih terperinciDAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII
Bulein Ilmiah Mah. Sa. dan Terapannya (Bimaser) Volume 6, No. 3 (27), hal 83 2. MODEL SPACE-TIME DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII Ella Kurniawai, Naomi Nessyana
Lebih terperinciBAB I PENDAHULUAN. Dalam pembicaraan sehari-hari, bank dikenal sebagai lembaga keuangan yang
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam pembicaraan sehari-hari, bank dikenal sebagai lembaga keuangan yang kegiaan uamanya menerima simpanan giro, abungan dan deposio. Kemudian bank juga dikenal sebagai
Lebih terperinciPERAMALAN CURAH HUJAN DENGAN WAVELET
PERAMALAN CURAH HUJAN DENGAN WAVELET Garini Widosari 1 T-7 1 Polieknik Negeri Samarinda 1 garini_72@yahoo.com Absrak Peramalan adalah salah sau unsur yang sanga pening dalam pengambilan kepuusan. Peranan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu
BAB 2 TINJAUAN PUSTAKA 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan apa yang erjadi pada waku yang akan daang sedangkan rencana merupakan penenuan apa yang akan dilakukan pada waku yang
Lebih terperinciBAB 2 LANDASAN TEORI
35 BAB LANDASAN TEORI Meode Dekomposisi biasanya mencoba memisahkan iga komponen erpisah dari pola dasar yang cenderung mencirikan dere daa ekonomi dan bisnis. Komponen ersebu adalah fakor rend (kecendrungan),
Lebih terperinciPENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Studi Kasus: PT Tembaga Mulia Semanan)
Prosiding Seminar Nasional Manajemen Teknologi Program Sudi MMT-ITS, Surabaya 1 Agusus 2009 PENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Sudi Kasus: PT
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Definisi Peramalan Peramalan adalah suau kegiaan dalam memperkirakan aau kegiaan ang melipui pembuaan perencanaan di masa ang akan daang dengan menggunakan daa masa lalu dan daa masa
Lebih terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY DAN DIMAS HARI SANOSO Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus
Lebih terperinciJURNAL TEKNIK POMITS Vol. 3, No. 2, (2014) ISSN: ( Print) A-169
JURNAL TEKNIK POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) A-169 Pembuaan Aplikasi Pendukung Kepuusan Unuk Peramalan Persediaan Bahan Baku Produksi Plasik Blowing dan Injec Menggunakan
Lebih terperinciIMPLEMENTASI METODE TRIPLE EXPONENTIAL SMOOTHING ADDITIVE UNTUK PREDIKSI PENJUALAN ALAT TULIS KANTOR (ATK) PADA X STATIONERY
IMPLEMENTASI METODE TRIPLE EXPONENTIAL SMOOTHING ADDITIVE UNTUK PREDIKSI PENJUALAN ALAT TULIS KANTOR (ATK) PADA X STATIONERY Ruli Uami 1, Suryo Amojo 2 1, Universias Wijaya Pura 2 e-mail: ruli.uami@ias.ac.id,
Lebih terperinciBAB 1 PENDAHULUAN. tahun 1990-an, jumlah produksi pangan terutama beras, cenderung mengalami
11 BAB 1 PENDAHULUAN 1.1. Laar Belakang Keahanan pangan (food securiy) di negara kia ampaknya cukup rapuh. Sejak awal ahun 1990-an, jumlah produksi pangan eruama beras, cenderung mengalami penurunan sehingga
Lebih terperinciSISTEM INFORMASI PERAMALAN STOK BARANG DI CV. ANNORA ASIA MENGGUNAKAN METODE DOUBLE EXPONENTIAL SMOOTHING
Jurnal Informaika Polinema ISSN: 2407-070X SISTEM INFORMASI PERAMALAN STOK BARANG DI CV. ANNORA ASIA MENGGUNAKAN METODE DOUBLE EXPONENTIAL SMOOTHING Mansyur, Erfan Rohadi Program Sudi Teknik Informaika,
Lebih terperinciBAB 2 LANDASAN TEORI. Pengangguran atau tuna karya merupakan istilah untuk orang yang tidak mau bekerja
BAB 2 LANDASAN TEORI 2.1 Pengerian Pengangguran Pengangguran aau una karya merupakan isilah unuk orang yang idak mau bekerja sama sekali, sedang mencari kerja, bekerja kurang dari dua hari selama seminggu,
Lebih terperinciBAB II LANDASAN TEORI. bahasa Yunani Sustema yang berarti satu kesatuan yang atas komponen atau
BAB II LANDASAN TEORI 2.1 Sisem Aplikasi Menuru Jogiano (2004), sisem berasal dari bahasa lain Sysema dan bahasa Yunani Susema yang berari sau kesauan yang aas komponen aau elemen-elemen yang dihubungkan
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.. Ruang Lingkup Peneliian Peneliian ini diujukan unuk menenukan meode erbaik yang dapa digunakan dalam meramalkan harga ayam pada enam koa besar di Jawa-Bali. Meode peramalan yang
Lebih terperinciPERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN (STUDI KASUS KOTA SALATIGA, BULAN JANUARI 2014 JULI 2016)
Prosiding Seminar Maemaika dan Pendidikan Maemaika ISBN: 978-602-622-20-9 hal 935-950 November 206 hp://jurnal.fkip.uns.ac.id PERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN
Lebih terperinciRANCANG BANGUN APLIKASI SISTEM PERAMALAN HARGA EMAS DENGAN METODE PEMULUSAN EKSPONENSIAL WINTER
RANCANG BANGUN APLIKASI SISTEM PERAMALAN HARGA EMAS DENGAN METODE PEMULUSAN EKSPONENSIAL WINTER Moh Afwan 1) S1 / Jurusan Sisem Informasi, Sekolah Tinggi Manajemen Kompuer & Teknik Kompuer Surabaya, email
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN EMBAHASAN 4.1 Karakerisik dan Obyek eneliian Secara garis besar profil daa merupakan daa sekunder di peroleh dari pusa daa saisik bursa efek Indonesia yang elah di publikasi, daa di
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Persediaan Persediaan adalah barang yang disimpan unuk pemakaian lebih lanju aau dijual. Persediaan dapa berupa bahan baku, barang seengah jadi aau barang jadi maupun
Lebih terperinciPENGGUNAAN METODE AUTO REGRESI, AUTO KORELASI SERTA METODE EXPONENTIAL SMOOTHING DENGAN APLIKASI MICROSOFT VISUAL BASIC 6.0 DALAM
PENGGUNAAN METODE AUTO REGRESI, AUTO KORELASI SERTA METODE EXPONENTIAL SMOOTHING DENGAN APLIKASI MICROSOFT VISUAL BASIC 6.0 DALAM MERAMALKAN PRODUKSI ROKOK DI KABUPATEN KUDUS TAHUN 2009 TUGAS AKHIR Diajukan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju-laju
Lebih terperinciIII. KERANGKA PEMIKIRAN
III. KERANGKA PEMIKIRAN 3.1. Kerangka Teoriis 3.1.1 Daya Dukung Lingkungan Carrying capaciy aau daya dukung lingkungan mengandung pengerian kemampuan suau empa dalam menunjang kehidupan mahluk hidup secara
Lebih terperinciPeramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Multi Input. : Nesia Brilliana I.P NRP :
Peramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Muli Inpu Nama : Nesia Brilliana I.P NRP : 20800023 Jurusan : Maemaika Dosen Pembimbing : Dra. Nuri Wahyuningsih, M. Kes Pemberian pupuk
Lebih terperinciMAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS
1. Pendahuluan MAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS CAMPURAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh : Febriana Dwi P. (1306 100 011) Dosen Pembimbing I : Dr. Irhamah, S.Si,
Lebih terperinciARIMA (Autoregressive Integrated Moving Average)
ARIMA (Auoregressive Inegraed Moving Average) I. Prinsip Dasar dan Tujuan Analisis. Prinsip Dasar ARIMA sering juga disebu meode runun waku Box-Jenkins. ARIMA sanga baik keepaannya unuk peramalan jangka
Lebih terperinciPERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH
Vol.. No., 03 PERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH Ari Pani Desvina, Sari Marlinda, Jurusan Maemaika Fakulas Sains dan Teknologi
Lebih terperinciPERANCANGAN PROGRAM SIMULASI PERAMALAN TINGKAT PENJUALAN PRODUK SUSU BERKALSIUM TINGGI MENGGUNAKAN MODEL KOMPONEN TIDAK TEROBSERVASI SKRIPSI.
PERANCANGAN PROGRAM SIMULASI PERAMALAN TINGKAT PENJUALAN PRODUK SUSU BERKALSIUM TINGGI MENGGUNAKAN MODEL KOMPONEN TIDAK TEROBSERVASI SKRIPSI oleh STEFANI WIDYASTUTI 0600652912 PROGRAM GANDA TEKNIK INFORMATIKA
Lebih terperinciPengaruh variabel makroekonomi..., 24 Serbio Harerio, Universitas FE UI, 2009Indonesia
BAB 3 DATA DAN METODOLOGI 3.1 Variabel-Variabel Peneliian 3.1.1 Variabel dependen Variabel dependen yang digunakan adalah reurn Indeks Harga Saham Gabungan yang dihiung dari perubahan logarima naural IHSG
Lebih terperinciAnalisis Peramalan Jumlah Penumpang Kereta Api Penataran Tujuan Surabaya-Malang
Analisis Peramalan Jumlah Penumpang Kerea Api Penaaran Tujuan Surabaya-Malang Oleh. Andria Prima Diago 08.00.0 Dosen Pembimbing. r. Dwiamono Agus, M.komp Andria Prima Diago 08.00.0 nsiu Teknologi Sepuluh
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Kerangka Pemikiran Poensi sumberdaya perikanan, salah saunya dapa dimanfaakan melalui usaha budidaya ikan mas. Budidaya ikan mas yang erus berkembang di masyaraka, kegiaan budidaya
Lebih terperinciPERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT
Saisika, Vol. 2, No. 2, November 24 PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Sri Wahyuni, 2 Farikhin, Iswahyudi Joko Suprayino Program Sudi Saisika
Lebih terperinciPERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi (308 030 060) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si Laar Belakang 2 Laar
Lebih terperinci