BAB 5 HASIL DAN PEMBAHASAN. Berikut dibawah ini adalah data yang didapat dari GK AUTO. Tabel 5.1 Data Variabel
|
|
- Sugiarto Pranata
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 5 HASIL DAN PEMBAHASAN 5.1 Penyajian Data Berikut dibawah ini adalah data yang didapat dari GK AUTO. Tabel 5.1 Data Variabel Tanggal Laba (Y) Kurs Dollar (X1) Penjualan (X2) Advertise (X3) Jan ,002,000 8, ,125,000 Feb ,905,000 8, ,550,000 Mar ,259,000 8, ,470,000 Apr ,229,000 8, ,650,000 May ,178,000 8, ,500,000 Jun ,130,000 8, ,600,000 Jul ,636,000 8, ,425,000 Aug ,997,000 8, ,525,000 Sep ,989,000 8, ,500,000 Oct ,232,000 8, ,650,000 Nov ,732,000 8, ,500,000 Dec ,786,000 8, ,775,000 Jan ,326,000 8, ,350,000 Feb ,625,000 8, ,800,000 Mar ,632,000 8, ,250,000 Apr ,871,000 8, ,500,000 May ,523,000 8, ,525,000 Jun ,501,000 9, ,420,000 Jul ,169,000 8, ,850,000 Aug ,525,000 9, ,520,000 Sep ,262,000 9, ,250,000 Oct ,742,000 9, ,600,000 Nov ,652,000 9, ,950,000 Dec ,635,000 9, ,125,000 Jan ,842,000 9, ,625,000 Feb ,314,000 9, ,325,000 Mar ,321,000 9, ,520,000 Apr ,825,000 9, ,360,000 May ,952,000 9, ,050,000 Jun ,641,000 9, ,745,000 Jul ,847,000 9, ,250,000 Aug ,312,000 9, ,150,000 Sep ,625,000 10, ,250,000 Oct ,978,000 10, ,595,000 Nov ,342,000 10, ,545,000 Dec ,875,000 9, ,650,000 Jan ,412,000 9, ,523,000 Feb ,412,000 9, ,555,000 Mar ,523,000 9, ,125,000 Apr ,853,000 9, ,750,000
2 63 Dan data dibawah ini merupakan data dari GK AUTO yang akan dijadikan sebagai patokan dalam membandingkan dengan hasil peramalan. Tabel 5.2 Data untuk perbandingan Tanggal Laba (Y) Kurs Dollar (X1) Penjualan (X2) Advertise (X3) May ,634,000 8, ,540,000 Jun ,623,000 9, ,550,000 Jul ,412,000 9, ,152,000 Aug ,867,000 9, ,625,000 Sep ,523,000 9, ,625,000 Variabel-variabel yang digunakan adalah tiga variabel bebas yang mempengaruhi variabel tidak bebas (variabel keuntungan atau laba). Penjelasan variabel dari tabel di atas dijelaskan sebagai berikut : Kurs Dollar (Rp) : Variabel bebas ini dirasa cukup mempengaruhi karena jika dilihat Gambar2.1 yaitu proses sistem bisnis GK Auto, maka terlihat sering sekali terjadi pengimportan barang dari luar negeri. Penjualan (Kuantitas) : Variabel bebas ini sudah jelas pengaruhnya dalam mempengaruhi keuntungan, semakin banyak penjualan untung semakin besar, disini penjualan yang dimaksud adalah penjualan mobil saja dan spare part tidak, hal ini dilakukan karena besarnya penjualan spare part tidak dibarengi dengan besarnya jumlah keuntungan yang diterima jika dibandingkan dengan keuntungan dari penjualan mobil. Biaya Pemasaran (Advertise) (Rp) : Variabel bebas ini jika dilihat dari Gambar 2.1 maka cukup mempengaruhi hasil minat pelanggan untuk membeli barang mereka. Keuntungan (Rp) : Variabel tidak bebas ini merupakan keuntungan dari penjualan mobil dan spare part.
3 64 Hasil Korelasi dari data Tabel 5.1 dan Tabel 5.2 (Jan 2003 Sept 2006): Tabel 5.3 Korelasi antar variabel X1 X2 X3 Y X1 0 X X Y Pengolahan Data Analisis Multiple Regression Dalam peramalan menggunakan metode Regresi Berganda ini, menggunakan semua variabel yang terdapat di Tabel 5.1 yaitu 3 variabel bebas dan 1 variabel bebas data diambil sampai April 2006, dan sisa datanya digunakan untuk pengecekan galat menggunakan MSE atau MAPE. Dimana tiga variabel bebas yaitu Kurs Dollar (X 1 ), Penjualan (X 2 ) dan Biaya Advertise (X 3 ), dan variabel tidak bebasnya yaitu data laba atau keuntungan (Y) yang juga sebagai data yang akan diramal melalui metode Regresi Berganda ini Pengecekan Multikolinearitas Yang harus dilakukan pertama kali di dalam pengolahan data menggunakan metode Regeresi Berganda adalah harus dilakukannya pengecekan Multikolinearitas terlebih dahulu untuk tidak menghasilkan kekacauan model untuk data linear.
4 65 Disajikan pada Tabel 5.3 jika melihat dari data dari tabel tersebut maka akan terlihat korelasi-korelasi antar variabel, baik antara variabel bebas dengan variabel tidak bebas, ataupun dengan sesama variabel bebas. Kolinearitas jelas akan terjadi jika salah satu kolerasi antara variabel bebas tidak lebih dari jika kolerasi antar variabel bebas ada yang melebihi 0.75 maka akan terjadi kesalahan model seperti yang dijelaskan di Bab Tetapi untuk meyakinkan bahwa tidak adanya multikolineritas yang terjadi maka akan digunakan garis batas Z untuk perbandingan. Dan jika melihat dari tabel 5.2 maka akan terlihat seperti berikut : Kolerasi X1 & X2 = Kolerasi X1 & X3 = Kolerasi X1 & X3 = Dan dengan menggunakan persamaan maka menghasilkan garis batas Z sebagai berikut dengan tingkat kepercayaan 95% dan n = < r(n) < Jika membandingkan korelasi antar variabel dengan garis batas Z, maka akan terlihat korelasi antar X1 dan X3 melebihi garis batas Z, dan hal ini dapat menyebabkan multikolinearitas. Namun jika melihat lebih lanjut maka korelasi antar variabel bebas tersebut tidak ada yang melebihi Dalam hal ini multikolinearitas mungkin terjadi karena melebih garis batas Z, tetapi tidak pasti terjadi karena masih belom melebihi Naum metode Regresi Berganda tetap menggunakan data Tabel 5.1 untuk digunakan dengan alasan, yaitu : nilai korelasi X1 dan X3 = yang ternyata tidak terlalu jauh dari garis batas Z dan nilai korelasinya cukup jauh dari terjadinya
5 66 multikolinearitas yaitu 0.75, sehingga kecil kemungkinannya untuk terjadi multikolinearitas Pengecekan Significant menggunakan F-test Setelah melakukan pengecekan multikolinearitas, maka diperlukan pengecekan significance test, yaitu dengan menggunakan F-test untuk mengecek apakah tepat jika digunakan garis regresi. Dengan menggunakan persamaan maka nilai F-test didapat sebagai berikut : F-test = Dan dengan menggunakan tabel F dengan tingkat kepercayaan 95% dan v1 = 3 dan v2 = 40 maka menghasilkan nilai F tabel = Dan karena F-test lebih besar dari F tabel maka statistik koefesien variabel bebas adalah tidak significance berbeda dengan 0, Oleh karena itu adalah benar dan tepat untuk menggunakan persamaan regresi model linier atau regresi model Y = a + b 1 X 1 + b 2 X 2 + b 3 X Mengolah Data Di dalam pengolahan data dengan menggunakan metode Regresi Berganda, perlu adanya pembagian matrix untuk variabel bebas dan variabel tidak bebas. Dimana variabel matrix variabel bebas ditulis dalam X, dan matrix variabel tidak bebas ditulis dalam Y. Hal pertama yang harus dilakukan adalah melakukan standarisasi dari setiap nilai variabel bebas menggunakan persamaan , dan
6 67 Tabel 5.4 Tabel nilai υ dan σ x 1 x 2 x 3 υ σ Yang kemudian menggunakan persamaan untuk membakukan nilai, yang kemudian dijadikan matrix X seperti yang terlihat dibawah ini X=
7 68 Dibentuk pula matrix Y tanpa standarisasi nilai, seperti yang terlihat dibawah ini 184,002, ,905, ,259, ,229, ,178, ,130, ,636, ,997, ,989, ,232, ,732, ,786, ,326, ,625, ,632, ,871, ,523,000 Y= 154,501, ,169, ,525, ,262, ,742, ,652, ,635, ,842, ,314, ,321, ,825, ,952, ,641, ,847, ,312, ,625, ,978, ,342, ,875, ,412, ,412, ,523, ,853,000
8 69 Setelah Terbentuk Matrix X dan Y kemudian dilanjutkan perhitungan dengan mencari X X dan X Y E E-14 0 X'X= E E ,899,612, X'Y= -201,294, ,946,732, ,403, Kemudian dilanjutkan dengan mencari (X X) -1, sampai disini diperlukan invers. disini digunakanlah metode Gauss Jordan untuk pencarian Matrix Invers dengan rumus [ A I ] -> [ I A -1 ] (W.Johnsonn, 2002, p92-102). Berikut di bawah ini adalah langkah pengubahan Matrix (X X) menjadi (X X) E E E E E E /40-3.6E E E E E R E-15R E R E-14R E E E / E
9 E E E R E-17R E E R R E R R E E E E E / E E E E-20 0 R E-16R E R R E E R R E E E E E E / E E E-18 R E-17R E R R E R R E E E E E-18 (X X) -1 = E E E E E E-01 Langkah selanjutnya yaitu dengan mencari (X X) -1 X Y yaitu dengan cara mengkalikan (X X) -1 dengan X Y 172,490, (X X) -1 X Y = -4,196, , ,826,951.63
10 71 Setelah Mendapatkan (X X) -1 X Y maka dapat diketahui nilai a, b 1, b 2,b 3 dalam model Y = a + b 1 X 1 + b 2 X 2 + b 3 X 3. Dari Matrix (X X) -1 X Y maka didapat model Regresi Berganda sebagai berikut. Y = 172,490, ,196, X ,498.05X 2 + 2,826,951.63X 3 Yang Kemudian Model ini digunakan untuk mendapatkan data Bulan Mei sampai Sept 2006 melalui data variabel bebas yang telah dibakukan. Hasil peramalan disajikan di Tabel 5.5 di bawah ini. Tabel 5.5 Hasil Peramalan Regresi Berganda 2006 May 170,912, June 162,487, July 167,369, Aug 173,589, Sept 163,526, Transfer Function / MARIMA Peramalan menggunakan metode Fungsi Transfer atau MARIMA menggunakan dua variabel atau bivariate data, satu sebagai variabel tidak bebas, dan yang satunya lagi variabel bebas yang mempengaruhi variabel tidak bebas tersebut. Dimana variabel bebas (Y dan juga sebagai data Deret Output) yaitu data biaya advertise (X dan juga sebagai data Deret Input) dan variabel tidak bebasnya yaitu biaya keuntungan dan juga sekaligus sebagai data yang akan diramalkan oleh metode MARIMA. Seperti halnya Regresi Berganda, data yang digunakan hanya sampai April 2006, dan sisa data digunakan untuk pengecekan galat menggunakan MSE atau MAPE.
11 Identifikasi Bentuk Model Langkah yang harus dilakukan pertama kali dalam tahap pertama ini adalah dengan melakukan pengecekan data mentah nilai Y, dengan cara melakukan perhitungan autokorelasi untuk mengecek apakah data mentah Y tersebut stationer atau tidak dengan melihat apakah ada data dari tabel 5.4 mulai dari time lag ke 3 di bawah ini terdapat nilai yang di luar garis Z. Tabel 5.6 Autokorelasi nilai Yt r YY (1) r YY (2) r YY (3) r YY (4) r YY (5) r YY (6) r YY (7) r YY (8) r YY (9) r YY (10) Dan dengan menggunakan persamaan maka menghasilkan garis batas Z sebagai berikut dengan tingkat kepercayaan 95% dan k = < r YY (k) < 0.31 Jika dilihat maka mulai time lag ke 3 sampai ke 10 tidak terdapat nilai korelasi yang diluar garis batas Z, maka kestationeran atau kestatisan terjadi di data ini. Yang kemudian dilanjutkan dengan membuat pembedaan data terhadap X dan Y melalui persamaan 3-4-1A dan 3-4-1B, maka akan menghasilkan data sebagai berikut :
12 73 Tabel 5.7 Pembeda Pertama Deret Input (Biaya Advertise) dan Deret Output (Laba) t xt yt t xt yt ,730,000 20,737, ,575,000 4,903, ,650,000-18,520, ,080,000-19,646, ,350,000-6,090, ,180,000 4,970, ,175,000 7,983, ,000-6,051, ,500,000 16,207, ,100,000 20,952, ,700,000 2,472, ,175,000-14,494, ,805,000-4,993, ,100,000-4,639, ,160,000-11,496, ,025,000-6,008, ,310,000-6,873, ,150,000 13,243, ,695,000 3,689, ,150,000-2,500, ,495,000 5,206, ,275,000-3,946, ,900,000-1,535, ,425,000 10,540, ,900,000-6,687, ,450,000 10,299, ,655,000-3,647, ,550,000-11,993, , , ,750,000 3,239, ,105,000 4,533, ,025,000-10,348, ,873,000 18,537, ,895,000-18,022, ,032,000-2,000, ,570,000 13,668, ,430, , ,000-6,644, ,375,000-2,670,000 Setelah mendapatkan nilai pembeda x t dan y t, maka diperlukan perhitungan autokorelasi dari nilai x t untuk menentukan model ARIMA dari data x t tersebut. Tabel 5.8 Autokorelasi nilai x t r xx (1) r xx (2) r xx (3) r xx (4) Dan dengan menggunakan persamaan maka menghasilkan garis batas Z sebagai berikut dengan tingkat kepercayaan 95% dan k = < r xx (k) < 0.31
13 74 Dengan melihat Tabel 5.6 time lag ke 1 dan ke 2 ternyata tidak terdapat nilai yang melebihi garis batas nilai Z, sehingga menghasilkan q = 0 atau MA(0). Untuk Pencarian nilai AR maka diperlukan perhitungan Partial Autokorelasi menggunakan persamaan dan A. Berikut adalah hasil Partial Autokorelasi untuk timelag 1 dan 2. θ1 = partial rxx(1) = θ2 = partial rxx(2) = Jika melihat dari data partial Autokorelasi maka terlihat pula AR yang dihasilkan adalah p = 0 atau AR(0) karena nilai θ 1 lebih kecil dari garis batas Z Pencarian differential (d) tidak diperlukan di dalam pencarian model ini, sehingga d = 0. Sehingga akhirnya model ARIMA (p, d, q) yang dicari menghasilkan model ARIMA (0, 0, 0) atau ARMA (0, 0). Karena model yang didapat adalah ARIMA (0,0) maka persamaan untuk mencari pemutihan dapat diuraikan sebagai berikut : φ x ( B) x θ ( B) x t = α t karena AR(0) dan MA(0) maka persamaan berubah menjadi 1 x 1 t = α t Yang kemudian jika dikalikan silang maka akan menjadi persamaan xt = α t atau α t = x t Tetapkanlah α t = 0 dan lanjutkan, maka akan diperoleh : α 2 = x 2 = -5,080,000
14 75 perhitungan α 3 sampai α 39 dilanjutkan untuk melengkap deret pemutihan untuk deret input. Setelah pemutihan deret Input dilakukan, maka dilakukan juga pemutihan deret output dari y t menjadi β t, dapat digunakan mempergunakan persamaan : 1 x 1 t = β t yang kemudian jika dikalikan maka menghasilkan persamaan : β t = y t Tetapkanlah β t = 0 dan lanjutkan, maka akan diperoleh : β 2 = y 2 = -19,646,000 perhitungan β 3 sampai β 39 dilanjutkan untuk melengkap deret pemutihan untuk deret output. Hasil keseluruhan deret input dan deret output disajikan di tabel 5.9.
15 76 Tabel 5.9 Deret Input dan Deret Output Setelah diputihkan t αt βt t αt βt ,650,000-18,520, ,080,000-19,646, ,350,000-6,090, ,180,000 4,970, ,175,000 7,983, ,000-6,051, ,500,000 16,207, ,100,000 20,952, ,700,000 2,472, ,175,000-14,494, ,805,000-4,993, ,100,000-4,639, ,160,000-11,496, ,025,000-6,008, ,310,000-6,873, ,150,000 13,243, ,695,000 3,689, ,150,000-2,500, ,495,000 5,206, ,275,000-3,946, ,900,000-1,535, ,425,000 10,540, ,900,000-6,687, ,450,000 10,299, ,655,000-3,647, ,550,000-11,993, , , ,750,000 3,239, ,105,000 4,533, ,025,000-10,348, ,873,000 18,537, ,895,000-18,022, ,032,000-2,000, ,570,000 13,668, ,430, , ,000-6,644, ,375,000-2,670, ,730,000 20,737,000 Tahap selanjutnya yaitu dengan mengecek deret α t terjadi stationer atau tidak, dengan cara perhitungan autokorelasi. Tabel 5.10 Autokorelasi nilai α t r αα (1) r αα (2) r αα (3) r αα (4) r αα (5) r αα (6) r αα (7) r αα (8) r αα (9) r αα (10) Dan dengan menggunakan persamaan maka menghasilkan garis batas Z sebagai berikut dengan tingkat kepercayaan 95% dan k = < r αα (k) < 0.314
16 77 Korelasi dari α dari time lag ke 1 sampai ke 10 hampir tidak ada yang melebihi batas garis Z, hanya di timelag ke 3 dan 10 tetapi hanya melebihi sedikit dari garis batas Z, sehingga deret α dapat dikategorikan sebagai stationer atau statis, sehingga metode fungsi transfer dapat dilanjutkan ke tahap berikutnya. Dalam tahap penaksiran bobot impuls perhitungan untuk menghitung nilai dari bobot impuls dapat menggunakan persamaan dan dengan bantuan Tabel 5.11 dan tabel Tabel 5.11 Rata-rata dan ragam dari α t dan β t αt βt Rata2 56, , Ragam 68,078,722,447, ,829,284,017, Tabel 5.12 Korelasi nilai α t dan β t r αβ (0) r αβ (1) r αβ (2) r αβ (3) r αβ (4) r αβ (5) r αβ (6) r αβ (7) r αβ (8) r αβ (9) r αβ (10) υ 0 = (0.423) 68,078,722,447, ,829,284,017, = dan penaksiran bobot dilanjutkan sampai ke υ 6. Hasil keseluruhan nilai bobot dapat dilihat di tabel Tabel 5.13 Taksiran bobot impuls υ υ υ υ υ υ υ
17 78 Pengidentifikasian (r, s, b) untuk model fungsi transfer merupakan hal yang susah untuk ditentukan, nilai r dan s tidak dapat dilihat secara pasti oleh model fungsi transfer ini. tetapi hal ini dapat diargumenkan sebagai 4 (r + s = 4) karena pada tabel 5.11 terlihat untuk k = 0, 1, 2 dan 9 (terdapat 4 korelasi) secara signifikan lebih besar dari 0. karena itu dapat dikatan bahwa r = 2 dan s = 2. Untuk nilai b dapat ditentukan dengan melihat mulai time lag atau k keberapakah deret input yang telah diputihkan (advertise) mulai mempengaruhi deret output yang telah diputihkan (keuntungan). Hal ini terlihat di tabel 5.11 bahwa di dalam bulan itu juga (timelag = 0) deret input mulai mempengaruhi deret output. karena itu nilai parameter b langsung dapat ditentukan sebagai 0. Setelah mendapatkan 3 nilai r, s dan b maka dapat ditentukan bahwa model fungsi transfer dengan (r, s,b) = (2, 2, 0). Pembentukan data deret noise (n t ) dapat digunakan dengan menggunakan persamaan dan menggunakan data bobot impuls dari tabel Jika melihat tabel bobot impuls maka akan terlihat adanya 6 time lag (disini menggunakan 6 karena di timelag ke 7 deret input sudah hampir tidak mempengaruhi deret output sama sekali) karena itu bobot impuls dicari sampai pada υ 6. Perhitungan menggunakan persamaan dan nilai n akan dimulai dari n 7 (karena terdapat 6 bobot yang dipakai), Tetapi pada akhirnya nilai n 7 akan diubah menjadi nilai yang pertama atau n 1. n 7 = y 7 ( )x 7 ( )x ( )x 1 = -4,639,000 ( )3,100,000 ( )-5,175, ( )-3,575,000 = -7,795,461.95
18 79 Hasil keseluruhan disajikan di tabel 5.14 berikut ini : Tabel 5.14 Deret noise (n t ) t nt t nt 1-7,795, ,999, ,564, ,539, ,963, , ,064, ,035, ,062, ,446, ,607, ,717, , ,523, ,554, ,345, ,132, ,798, ,836, ,537, ,347, ,697, ,837, ,566, ,737, ,214, ,488, ,318, ,311, ,338, ,065, ,245, ,584, autokorelasi. Penentuan model ARMA untuk deret noise dapat diperiksa dengan perhitungan Tabel 5.15 Autokorelasi n t r nn (1) r nn (2) r nn (3) r nn (4) r nn (5) r nn (6) r nn (7) r nn (8) r nn (9) r nn (10) Dan dengan menggunakan persamaan maka menghasilkan garis batas Z sebagai berikut dengan tingkat kepercayaan 95% dan k = < r nn (k) < 0.341
19 80 Jika membandingkan nilai autokorelasi di atas dengan garis batas Z, maka terlihat di time lag ke 1 dan ke 2 tidak terdapat nilai yang melebihi nilai batas Z, sehingga nilai MA dapat diketahui sebagai 0 atau MA(0). Untuk Pencarian nilai AR maka diperlukan perhitungan Partial Autokorelasi menggunakan persamaan dan A. Berikut adalah hasil Partial Autokorelasi untuk timelag 1 dan 2. θ1= partial r nn (1) = θ2= partial r nn (2) = Jika melihat dari data partial Autokorelasi maka terlihat pula AR yang dihasilkan adalah p = 0 atau AR(0) karena nilai θ 1 lebih kecil dari garis batas Z Pencarian differential (d) tidak diperlukan di dalam pencarian model ini, sehingga ditetapkan d = 0. Dan akhirnya deret noise yang dimodelkan menghasilkan model ARIMA (0, 0, 0) atau ARMA (0, 0) Penaksiran Parameter-Parameter Model Setelah mendapatkan model fungsi transfer atau MARIMA (r, s, b) dan model ARIMA pada deret noise (p, d, q) maka akhirnya model keseluruhan fungsi transfer dapat dibentuk yaitu, fungsi transfer (2, 2, 0) + deret noise (0, 0) yang akhirnya model fungsi transfer dapat dibentuk sebagai berikut : 2 ( ω 0 ω 1B + ω 2B ) y t = xt + a 2 (1 δ B δ B ) 1 2 t Tahap selanjutnya yaitu dengan melakukan taksiran parameter-parameter penduga yang akan digunakan oleh model fungsi transfer di atas. Penaksiran parameter-parameter dapat dilakukan dengan substitusi melalui persamaan yang akhirnya melalui model fungsi transfer(2, 2, 0)(0, 0) membentuk persamaan υ 0 = δ 1 υ -1 + δ 2 υ -2 + ω 0 (1)
20 81 υ 1 = δ 1 υ 0 + δ 2 υ- 1 ω 1 (2) υ 2 = δ 1 υ 1 + δ 2 υ 0 ω 2 (3) υ 3 = δ 1 υ 2 + δ 2 υ 1 (4) (4-1-1) υ 4 = δ 1 υ 3 + δ 2 υ 2 (5) υ 5 = δ 1 υ 4 + δ 2 υ 3 (6) untuk keterangan nilai υ dengan subskrip negatif contoh υ -1, maka nilai υ = 0. Pada akhirnya melalui persamaan di atas maka nilai-nilai parameter dapat dicari dan disajikan di Tabel 5.16 sebagai berikut : Tabel 5.16 Taksiran paramater untuk model fungsi transfer δ1 = δ2 = ω0 = ω1 = ω2 = Pemeriksaan Diagnostik pada Model Model fungsi transfer atau MARIMA di bagian dapat lebih dipersingkat prosedurnya seperti : y t ω( B) x δ ( B) = t b θ ( B) + a φ( B) t bila dikalikan dengan δ ( B) φ( B) kita peroleh δ ( B ) φ( B) y ( B) ( B) x + δ ( B) φ( B) a t = δ φ t b t Dengan model MARIMA (2, 2, 0) (0, 0) maka diperoleh persamaan : 2 ( ω0 ω1b ω2b ) y t = xt + a 2 (1 δ B δ B ) 1 2 t
21 82 yang lanjutkan dengan mengkalikan tiap parameternya menjadi (1 δ 1 B δ 2 B 2 ) y t = (ω 0 ω 1 B - ω 2 B 2 ) x t + (1 δ 1 B δ 2 B 2 ) a t kemudian dengan melakukan pengaturan perkalian maka menjadi y t = (δ 1 )y t-1 + (δ 2 )y t-2 + (ω 0 )x t (ω 1 )x t-1 (ω 2 )x t-2 (4-1-2) + a t (δ 1 )a t-1 (δ 2 )a t-2 Persamaan juga dapat diubah untuk mendapatkan nilai a t a t = y t (δ 1 )y t-1 (δ 2 )y t-2 (ω 0 )x t + (ω 1 )x t-1 + (ω 2 )x t-2 (4-1-3) + (δ 1 )a t-1 + (δ 2 )a t-2 Dan dengan menggunakan bantuan Tabel 5.16 maka perhitungan nilai a t menjadi dapat dilakukan. a 7 = y 7 (δ 1 )y 6 (δ 2 )y 5 (ω 0 )x 5 + (ω 1 )x 4 + (ω 2 )x 3 + (δ 1 )a 6 + (δ 2 )a 5 = (-4,639,000) ( )(-14,494,000) ( )(20,952,000) ( )( 3,100,000) + ( )(850,000) + ( )( 1,180,000) + ( )( 0) + ( )(0) = -6,283, perhitungan a t dilanjutkan terus sampai a 40, yang kemudian a 7 dianggap sebagai t ke 1 dan hal ini berlangsung trus sampai ke t33. berikut adalah hasil lengkap perhitungan a t yang disajikan di dalam tabel 5.17.
22 83 Tabel 5.17 Nilai akhir pelengkap (a t ) t a t t a t 1-6,283, a ,709, a ,270, a ,617, a ,032, a , a ,955, a ,642, a ,150, a ,506, a ,143, a ,491, a ,638, a ,683, a ,372, a ,301, a ,926, a ,639, a ,278, a , a ,192, a ,262, a ,520, a , a ,006, a ,024, a ,047, a ,688, a ,666, a ,655, a ,682, a ,618, a ,456, a 23 Pengecekan kestationeran atau korelasi yang pada dasarnya telah nol dapat dilakukan dengan 2 cara yaitu dengan cara yang dijelaskan di bagian atau dengan cara X 2 dalam persamaan tetapi karena akan lebih sulit menggunakan cara X 2, karena diperlukan pengetahuan tentang seberapa maksimum lag yang akan dijadikan acuan, maka digunakanlah cara di bagian dengan hanya mengambil 10 time lag untuk dibandingkan dengan garis batas Z.
23 84 Tabel 5.18 Aukokorelasi a t r aa (1) r aa (2) r aa (3) r aa (4) r aa (5) r aa (6) r aa (7) r aa (8) r aa (9) r aa (10) Dan dengan menggunakan persamaan maka menghasilkan garis batas Z sebagai berikut dengan tingkat kepercayaan 95% dan n = < r nn (k) < Jika melihat dimulai time lag ke 3 sampe ke 10, maka terlihat di timelag ke 6 dan ke 7 berada di luar garis batas Z, namun karena berhenti hanya sampai ke timelag 7 dan tidak berlanjut ke timelag 8 maka, nilai a t dapat dikatakan statis atau stationer. Hal ini berlaku juga untuk pengecekan kestatisan antara α dan a, penggunaan cara X 2 akan menyulitkan, karena itu digunakan cara yang dijelaskan di bagian dengan hanya mengambil 10 time lag untuk dibandingkan dengan garis batas Z. Tabel 5.19 Korelasi α t dan a t r αa (1) r αa (2) r αa (3) r αa (4) r αa (5) r αa (6) r αa (7) r αa (8) r αa (9) r αa (10) Dan dengan menggunakan persamaan maka menghasilkan garis batas Z sebagai berikut dengan tingkat kepercayaan 95% dan n = < r nn (k) < Kembali terlihat bahwa di timelag ke 5 menyebabkan ketidakstatisan, tetapi karena tidak berlanjut ke timelag berikutnya, maka hal korelasi α t dan a t masih dapat dianggap stationer atau statis.
24 Penggunaan Model Fungsi Transfer / MARIMA untuk peramalan Setelah semua pengecekan telah memenuhi, maka akan masuk ke tahap peramalan menggunakan model MARIMA yang telah dibuat dan parameter-parameter yang telah didapat. Dengan menggunakan persamaan yang telah maka peramalan dihitung. Peramalan data Y yang ingin diramal adalah data bulan Mei 2006 atau data ke 40, (karena data Yt dan y t dimulai dari indeks ke 0 bukan ke 1) sehingga perhitungan dimulai dari index ke y 40 dapat dilihat sebagai berikut, dengan bantuan Tabel 5.6, Tabel 5.15 dan Tabel 5.16: Y 40 = (δ 1 )y 39 + (δ 2 )y 38 + (ω 0 )x 40 (ω 1 )x 39 (ω 2 )x 38 + a 40 (δ 1 )a 39 (δ 2 )a 38 = ( )(-2,670,000) ( )(-889,000) + ( ) (5,790,000) ( ) (-2,375,000) ( ) (-5,430,000) + (0) ( ) (-4,372,435.51) ( ) (-421,070.44) = 793,347 Dan peramalan Y40 (Mei 2006) menghasilkan nilai sebagai berikut : Y 40 = Y 39 + y 40 = 175,853,000 + (793,347) = 176,646, Begitu juga untuk peramalan Y 41 dan yang seterusnya. Perhatikan bahwa bila kita ingin meramal Y 40, maka akan terlihat persamaan (ω 0 )x 40, dimana x 40 tidak tersedia, karena itu diperkuakn suatu penanganan nilai xt secara terpisah untuk melengkapi pada periode Y 41, Y 42 dan seterusnya. Namun karena
25 86 data Xt yang diberikan oleh perusahaan tidak sampai berhenti di April 2006, maka dapat dengan mudah mengambil data May 2006 dan seterusnya untuk digunakan dalam pencarian x t lebih lanjut, tanpa harus menggunakan penangan lebih lanjut seperti peramalan untuk x t dan lain sebagainya. Berikut adalah hasil lengkap hasil peramalan yang disajikan di tabel berikut ini : Tabel 5.20 Hasil peramalan MARIMA 2006 May 181,659, June 171,186, July 173,948, Aug 179,385, Sept 172,286, Analisis Data Hasil dan Error Peramalan tetaplah peramalan, hal yang tidak dapat dilepaskan dari galat. Melalui penghitungan galat menggunakan MSE (persamaan 3-5-1) dan MAPE (persamaan 3-5-2) maka akan terlihat peramalan yang lebih baik antara metode Regresi Berganda dan MARIMA. Tabel 5.21 Data Laba Pengamatan dan Peramalan Tanggal Pengamatan Regresi Berganda MARIMA 2006 May 172,634, ,912, ,659, June 165,623, ,487, ,186, July 169,412, ,369, ,948, Aug 171,867, ,589, ,385, Sept 167,523, ,526, ,286,376
26 87 Gambar 5.1 Grafik Hasil Pengamatan dan Peramalan Grafik Hasil Pengamatan dan Peramalan Rupiah 185,000, ,000, ,000, ,000, ,000, ,000, ,000, ,000, May 2006 June 2006 July 2006 Aug 2006 Sept Pengamatan Regresi Berganda Fungsi Transfer Tanggal Tabel 5.22 Hasil galat MAPE dan MSE MAPE MSE MARIMA 3.69% 42,441,320,161, Regresi Berganda 1.49% 7,181,476,807,624 Melalui Hasil Perhitungan galat dapet terlihat bahwa melalui perhitungan galat baik melalui MSE dan MAPE metode Regresi Berganda menghasilkan peramalan yang lebih baik dari peramalan MARIMA, bahkan jika melihat melalui grafik peramalan Regresi Berganda bahkan sangat mendekati data pengamatan. Hal ini terjadi karena variabel Regresi Berganda yang mempengaruhi variabel tidak bebas (data laba) lebih banyak dari MARIMA, dengan perbandingan tiga variabel bebas untuk Regresi Berganda dan satu variabel bebas untuk MARIMA. Tetapi peramalan multivariate melalui Metode Regresi dan MARIMA memperlihatkan peramalan yang sangat baik, hal ini bisa dilihat melalui galat MAPE yang hanya 3,69% untuk Fungsi Transfer dan 1.49% untuk Regresi Berganda. Dan jika
27 88 melihat kembali melalui grafik tampak pola Regresi Berganda dan MARIMA mengikuti pola pengamatan. Melalui Data yang disajikan Tabel 5.21 dan Tabel 5.22, maka Hipotesis dapat dijawab sebagai berikut : Metode Regresi Berganda menghasilkan peramalan yang lebih baik dari metode Fungsi Transfer atau MARIMA dengan menggunakan ukuran MSE. Metode Regresi Berganda menghasilkan peramalan yang lebih baik dari metode Fungsi Transfer atau MARIMA dengan menggunakan ukuran MAPE. Peramalan menggunakan data multivariate menggunakan metode Regresi Berganda dan MARIMA mempunyai kelemahan yang mendasar di dalam peramalan. Kedua metode ini memerlukan data variabel bebas di waktu yang sama untuk meramalkan variabel tidak bebasnya. Karena itu memerlukan penanganan secara terpisah seperti peramalan untuk melengkapi variabel bebas tersebut. 5.4 Implementasi Spesifikasi Kebutuhan Sarana Untuk dapat menjalankan program aplikasi peramalan ini dibutuhkan perangkat keras dan lunak yang spesifikasinya sebagai berikut : Spesifikasi Perangkat Keras yang Dibutuhkan Spesifikasi dari perangkat keras yang digunakan dalam pengembangan dan pengujian program aplikasi peramalan ini adalah sebagai berikut :
28 89 CPU AMD Athlon XP Memory 512 MB DDRAM Hard Disk 80 GB Resolusi monitor 1024 x 768 pixels Spesifikasi Perangkat Lunak yang Dibutuhkan Selain spesifikasi kebutuhan perangkat keras seperti yang telah disebutkan diatas, dibutuhkan pula spesifikasi piranti lunak sebagai berikut: Operating System: Microsoft Windows XP/2000/NT Java 2 SDK, SE v1.4.0 Class JfreeChart Microsoft Access Persiapan Data Pada awal proses pengoperasian program aplikasi peramalan ini, data yang harus disisapkan adalah data peramalan yang akan diramal, serta variabel-variabel bebasnya. Yang data tersebut dapat dimasukan ke dalam database melalui dua cara yaitu pengisian database secara manual, atau import menggunakan Excel. Penggunaan software ini harus memiliki kriteria-kriteria sebagai berikut : User Harus mengetahui secara umum variabel yang mempengaruhi di dalam peramalan dan dapat mengisi variabel bebas dan variabel tidak bebas tersebut secara benar ke dalam database. Di dalam pengimportan melalui Excel, tidak diperbolehkan ada data-data lain yang tidak berhubungan dengan data peramalan, karena jika user melakukan
29 90 proses pengimportan ke dalam database, maka database akan berisi data lain yang tidak ada hubungannya dengan data peramalan Pengujian Aplikasi Pada saat aplikasi dijalankan, akan tampil menu utama. Pada saat ini user dapat memilih antara load data (dapat dilihat di Gambar5.4) yang dilanjutkan dengan mengklik process atau masuk ke halaman view/search dengan memilih menu File>Search Data. Pengujian Program secara lengkap dapat dilihat di LAMPIRAN I. Gambar 5.2 Tampilan Menu Home
30 91 Di halaman process ini, seluruh perhitungan peramalan melalui metode Regresi Berganda dan Fungsi Transfer atau MARIMA dapat dilihat hasilnya baik dalam tabel maupun dalam bentuk grafik. Untuk perhitungan galat hanya ditampilkan dalam tampilan seperti tabel. Gambar 5.3 Tampilan Menu Process
31 92 Di halaman view atau search data, dapat dilakukan dengan mencari data yang sudah di save ke dalam database dan dapat ditampilkan kembali. Gambar 5.4 Tampilan Menu Search Hasil Peramalan pada Aplikasi dan Feedback GK AUTO Hasil Peramalan pada program atau aplikasi software memberikan hasil yang sedikit berbeda dengan perhitungan secara manual. Hal ini disebabkan adanya perbedaan perhitungan angka di belakang koma yang lebih detail dilakukan oleh aplikasi program.
32 93 Tabel 5.23 Hasil Perbandingan Peramalan Regresi Berganda dengan Aplikasi Regresi Berganda Manual Regresi Berganda Software 170,912, ,912, ,487, ,487, ,369, ,369, ,589, ,589, ,526, ,526,959 Tabel 5.24 Hasil Perbandingan Peramalan MARIMA dengan Aplikasi MARIMA Manual MARIMA Software 181,659, ,657, ,186, ,186, ,948, ,947, ,385, ,383, ,286, ,287,275 Melalui Tabel 5.23 dan 5.24 maka terlihat bahwa perbedaan peramalan yang dihasilkan sangatlah kecil, sehingga kesalahan ini hampir dapat disebut tidak ada. GK AUTO memberikan evaluasi yang baik untuk aplikasi ini, hal ini dikarenakan aplikasi yang dibuat memberikan peramalan yang cukup baik, sehingga memudahkan GK AUTO untuk mengatur keuangan yang terdapat didalam sistem mereka Open Problem Tujuan aplikasi ini sudah berhasil dicapai, tetapi masih beberapa aspek yang tidak dapat dipenuhi atau tidak terdapat di dalam aplikasi ini. Beberapa aspek tersebut adalah: Variabel data jumlah variabel bebas yang bisa diterima oleh aplikasi ini hanya terbatas sampai tiga variabel bebas.
33 94 Pengimportan data langsung dari Excel tidak dapat dilakukan, karena ketidaksediaannya open server untuk menjalankan aplikasi pengimportan dari Excel. Mencari cara mengurangi ketergantungan program aplikasi penggunaan java terhadapat spesifikasi RAM yang tinggi.
UNIVERSITAS BINA NUSANTARA. Program Ganda Teknik Informatika Statistika Skripsi Sarjana Program Ganda Semester Ganjil 2006/2007
UNIVERSITAS BINA NUSANTARA Program Ganda Teknik Informatika Statistika Skripsi Sarjana Program Ganda Semester Ganjil 2006/2007 ANALISIS PERBANDINGAN METODE MULTIPLE REGRESSION DAN TRANSFER FUNCTION DALAM
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Tabel 5.1 Total Hasil Penjualan
BAB 5 HASIL DAN PEMBAHASAN 5. Penyajian Data Tabel 5. Total Hasil Penjualan Total Hasil Penjualan Bulan (dalam jutaan rupiah) Jan-04 59.2 Feb-04 49.2 Mar-04 57.7 Apr-04 53.2 May-04 56.3 Jun-04 60.2 Jul-04
Lebih terperinciBAB 3 LANDASAN TEORI. Peramalan(forecasting) adalah perkiraan tentang sesuatu yang akan terjadi pada
BAB 3 LANDASAN TEORI 3. Pengertian dan Kegunaan Peramalan Peramalan(forecasting) adalah perkiraan tentang sesuatu yang akan terjadi pada waktu yang akan datang yang didasarkan pada data yang ada pada waktu
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 terperinciBAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT
BAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT Model fungsi transfer multivariat merupakan gabungan dari model ARIMA univariat dan analisis regresi berganda, sehingga menjadi suatu model yang mencampurkan pendekatan
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. PT.Aneka Tambang, Tbk adalah perusahaan tambang dan logam Indonesia milik negara
BAB 3 METODOLOGI PENELITIAN 3.1 Gambaran Umum Objek Harga emas di Indonesia berpatokan pada harga di PT.Aneka Tambang, Tbk. PT.Aneka Tambang, Tbk adalah perusahaan tambang dan logam Indonesia milik negara
Lebih terperinciBAB 1 PENDAHULUAN. kemajuan yang sangat pesat. Hal ini dapat dibuktikan dengan banyak munculnya
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan berkembangnya jaman, perekonomian semakin mengalami kemajuan yang sangat pesat. Hal ini dapat dibuktikan dengan banyak munculnya perusahaan-perusahaan
Lebih terperinciHASIL DAN PEMBAHASAN. Eksplorasi Data
5 korelasi diri, dan plot korelasi diri parsial serta uji Augmented Dickey- Fuller b. Identifikasi Model dengan metode Box-Jenkins c. Pemutihan deret input d. Pemutihan deret output berdasarkan hasil pemutihan
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 terperinciSedangkan model fungsi transfer bentuk kedua adalah sebagai berikut :
1 Metode Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 255 dengan Pendekatan Fungsi Transfer Dwi Listya Nurini, Brodjol Sutijo SU Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciBAB 1 PENDAHULUAN Pendahuluan
BAB 1 PENDAHULUAN 1.1. Pendahuluan Dewasa ini fungsi komputer sangat diperlukan baik pada perusahaan menengah ke atas maupun pada perusahaan kecil. Adapun fungsi komputer itu adalah mengolah data-data
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 terperinci2. Adanya resiko pemumpukan barang pada gudang.
BAB 3 PROSEDUR DAN METODOLOGI 3.1. Analisis Masalah 3.1.1. Deskripsi Masalah Pemenuhan keinginan atau permintaan pasar merupakan hal yang krusial bagi setiap perusahaan. Perusahaan yang siap berkompetisi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Berdasarkan sifatnya peramalan terbagi atas dua yaitu peramalan kualitatif dan peramalan kuantitatif. Metode kuantitatif terbagi atas dua yaitu analisis deret berkala
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Sejarah Umum Perusahaan Saputra Plastik adalah perusahaan yang bergerak dalam bidang pemasaran berbagai jenis plastik seperti PP, PE, HD, dan Tali Plastik ; didirikan pada
Lebih terperinciBAB SIMULASI PERHITUNGAN HARGA BARANG. Bab 4 Simulasi Perhitungan Harga barang berisikan :
BAB SIMULASI PERHITUNGAN HARGA BARANG Bab Simulasi Perhitungan Harga barang berisikan :.. Simulasi peramalan nilai Indeks Harga Konsumen (IHK) melalui metode ARIMA.. Prediksi nilai inflasi tahun 0.3. Prediksi
Lebih terperinciBAB 3 METODOLOGI. 3.1 Metodologi Penelitian Pengumpulan Bahan Penelitian. Dalam penelitian ini bahan atau materi dikumpulkan melalui :
BAB 3 METODOLOGI 3.1 Metodologi Penelitian 3.1.1 Pengumpulan Bahan Penelitian Dalam penelitian ini bahan atau materi dikumpulkan melalui : 1) Data primer, yaitu memperoleh sumber data penelitian langsung
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Analisis Permasalahan Pada saat ini, para pialang saham di Bursa Efek Indonesia dihadapkan pada suatu problem untuk mengetahui faktor-faktor apakah yang berpengaruh pada
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 terperinciL "variable yang mempengaruhi ","About Forecasting",JOptionPane.INFORMATION_MESSAGE); }
L.2-22 "variable yang mempengaruhi ","About Forecasting",JOptionPane.INFORMATION_MESSAGE); if(e.getsource()==mi[0] e.getsource()==b2){ //ketika menekan tombol process RegresiBerganda RB = new RegresiBerganda(RB_Tgl,RB_TdkBebas,RB_Bebas1,RB_Bebas2,RB_Bebas3,jmlData
Lebih terperinciPERAMALAN CURAH HUJAN BULANAN DI MEDAN PADA TAHUN 2011 BERDASARKAN DATA KELEMBABAN UDARA DARI TAHUN DENGAN FUNGSI TRANSFER TUGAS AKHIR
PERAMALAN CURAH HUJAN BULANAN DI MEDAN PADA TAHUN 2011 BERDASARKAN DATA KELEMBABAN UDARA DARI TAHUN 2006 2010 DENGAN FUNGSI TRANSFER TUGAS AKHIR NUR SURI PRADIPTA 082407061 PROGRAM STUDI DIPLOMA III STATISTIKA
Lebih terperinciSTATISTIKA. Tabel dan Grafik
STATISTIKA Organisasi Data Koleksi data statistik perlu disusun (diorganisir) sedemikian hingga dapat dibaca dengan jelas. Salah satu pengorganisasian data statistik adalah dengan: tabel grafik Organisasi
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI SISTEM. menggunakan metode Single Exponential Smoothing. Hasil perancangan tersebut
BAB IV IMPLEMENTASI DAN EVALUASI SISTEM Pada bab empat ini menjelaskan mengenai hasil analisis dan perancangan aplikasi peramalan persediaan bahan baku pada CV Lintas Nusa Surabaya dengan menggunakan metode
Lebih terperinciBAB 4 IMPLEMENTASI DAN HASIL EVALUASI. digunakan dalam pengujian program optimasi biaya persediaan bahan baku dengan
BAB 4 IMPLEMENTASI DAN HASIL EVALUASI Pada bab ini disajikan hasil pengujian program beserta spesifikasi sistem yang digunakan dalam pengujian program optimasi biaya persediaan bahan baku dengan metode
Lebih terperinciBAB 1 PENDAHULUAN. Di Indonesia meteorologi diasuh dalam Badan Meteorologi dan Geofisika di Jakarta
BAB 1 PENDAHULUAN 1.1. Latar Belakang Di Indonesia meteorologi diasuh dalam Badan Meteorologi dan Geofisika di Jakarta yang sejak tahun enam puluhan telah diterapkan menjadi suatu direktorat perhubungan
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 terperinciMagister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada. 18-Aug-17. Statistika Teknik.
Magister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada Statistika Teknik Tabel dan Grafik Organisasi Data Koleksi data statistik perlu disusun (diorganisir) sedemikian hingga dapat dibaca dengan
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 terperinciBAB 3 METODOLOGI PENELITIAN
25 BAB 3 METODOLOGI PENELITIAN 3.1. Analisis Permasalahan Pada regresi berganda terdapat beberapa masalah yang dapat terjadi sehingga dapat menyebabkan estimasi koefisien regresi menjadi tidak stabil.
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 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 terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
54 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Program 4.1.1 Spesifikasi Kebutuhan Program Spesifikasi Perangkat Keras Perangkat keras yang digunakan untuk merancang sistem ini adalah : Processor
Lebih terperinciAnalisa Performansi Dan Peramalan Call Center PT.INDOSAT, Tbk dengan Menggunakan Formula Erlang C
Analisa Performansi Dan Peramalan Call Center PT.INDOSAT, Tbk dengan Menggunakan Formula Erlang C Oleh: Rara Karismawati NRP.7207040019 1 Pembimbing: Mike Yuliana, ST, MT NIP. 197811232002122009 Reni Soelistijorini,
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Pendahuluan 1.2 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Pendahuluan Komputer saat ini seringkali digunakan sebagai sarana pengolah data diberbagai instansi, perusahaan, sekolah dan sebagainya. Fungsi komputer yang mampu mengolah data-data
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 terperinciBAB 4 HASIL DAN BAHASAN
BAB 4 HASIL DAN BAHASAN 4.1 Hasil dan Bahasan 4.1.1 Penentuan Suku Cadang Prioritas Untuk menentukan suku cadang prioritas pada penulisan tugas akhir ini diperlukan data aktual permintaan filter fleetguard
Lebih terperinciVI. HASIL DAN PEMBAHASAN
VI. HASIL DAN PEMBAHASAN 6.1. IMPLEMENTASI SISTEM Implementasi merupakan tahap mempersiapkan sistem untuk dapat dioperasikan dan merupakan tahap pembuatan perangkat lunak. SCHATZIE 1.0 merupakan paket
Lebih terperinciBAB 4 METODOLOGI. Dalam penelitian ini bahan / materi dikumpulkan melalui : selama 4 tahun penjualan besi Wiremesh untuk diramalkan
BAB 4 METODOLOGI 4.1 Metodologi Penelitian 4.1.1 Pengumpulan Bahan Penelitian Dalam penelitian ini bahan / materi dikumpulkan melalui : 1) Data sekunder, yaitu dengan mengumpulkan data penjualan perusahaan
Lebih terperinciBAB IV PEMBAHASAN. Gambar 4.1 nilai tukar kurs euro terhadap rupiah
BAB IV PEMBAHASAN 4.1 Deskripsi Data Gambar 4.1 memperlihatkan bahwa data berfluktuasi dari waktu ke waktu. Hal ini mengindikasikan bahwa data tidak stasioner baik dalam rata-rata maupun variansi. Gambar
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) I. PENDAHULUAN II. METODOLOGI
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1 Implementasi Metode Time Series Arima Berbasis Java Desktop Application untuk Memperkirakan Jumlah Permintaan Busana Muslim Anak di Perusahaan Habibah Busana
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Kemajuan ilmu pengetahuan telah meningkatkan pengertian mengenai berbagai aspek lingkungan dan akibatnya banyak peristiwa yang dapat diramalkan. Peramalan
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 4 IMPLEMENTASI DAN EVALUASI. Untuk menjalankan alat bantu normalisasi ini dibutuhkan sarana perangkat keras
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi 4.1.1 Spesifikasi Sistem Untuk menjalankan alat bantu normalisasi ini dibutuhkan sarana perangkat keras dan piranti lunak sebagai berikut : Spesifikasi
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 016 1 Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu: 1. Penentuan model tentatif (spesifikasi model)
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perusahaan Sumber Tirta merupakan perusahaan distributor yang bergerak dalam penjualan air minum kemasan merk aqua. Barang yang dijual pada distributor ini
Lebih terperinciANALISIS DERET BERKALA MULTIVARIAT DENGAN MENGGUNAKAN MODEL FUNGSI TRANSFER: STUDI KASUS CURAH HUJAN DI KOTA MALANG
ANALISIS DERET BERKALA MULTIVARIAT DENGAN MENGGUNAKAN MODEL FUNGSI TRANSFER: STUDI KASUS CURAH HUJAN DI KOTA MALANG Fachrul Ulum Febriansyah dan Abadyo Universitas Negeri Malang E-mail: fachrul.febrian@gmail.com
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Spesifikasi Rancangan Pada sub bab spesifikasi rancangan ini akan dibahas mengenai spesifikasi perangkat lunak dan spesifikasi perangkat keras. 4.1.1 Spesifikasi Perangkat
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Berikut ini adalah tampilan hasil perancangan Sistem Informasi Akutansi Penjualan Konsinyasi pada PT. Metro Makmur Nusantara adalah sebagai berikut:. 1. Tampilan
Lebih terperinciBAB I PENDAHULUAN. berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Time Series atau runtun waktu adalah serangkaian data pengamatan yang berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara berurutan
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. adanya implementasi ini dapat membantu Paramuda Tour & Transport dalam
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Kebutuhan Sistem Implementasi program merupakan penyesuaian perangkat lunak dengan rancangan dan desain sistem yang telah dibuat sebelumnya. Diharapkan dengan adanya
Lebih terperinciBAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciHASIL DAN PEMBAHASAN. Analisis data dilakukan dengan menggunakan Software Eviews Versi 4.1 dan Microsoft Office Excel Gambar 2 Plot IHSG.
kointegrasi lebih besar dari nol maka model yang digunakan adalah VECM (Enders, 1995). 4. Analisis model VAR, VARD atau VECM. 5. Interpretasi terhadap model. 6. Uji kelayakan model. 7. Pengkajian fungsi
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Dewasa ini, persaingan antar perusahaan menjadi semakin ketat. Dimana perusahaan dituntut untuk meningkatkan efisiensi dan inovasi agar dapat bertahan ditengah
Lebih terperinciPemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer
TUGAS AKHIR Pemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer Oleh : Fani Felani Farid (1306 100 047) Pembimbing : Drs. Kresnayana Yahya M.Sc Latar Belakang
Lebih terperinciTeknik Proyeksi Bisnis (Forecasting)
Halaman Judul MODUL PERKULIAHAN Teknik Proyeksi Bisnis (Forecasting) Oleh: Andi Ratna Sari Dewi Ratna_fe@unhas.ac.id a.ratnasaridewi@gmail.com DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN BISNIS UNIVERSITAS
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Kebutuhan Sistem Dalam merancang dan membangun sistem informasi ini ada beberapa spesifikasi perangkat lunak dan perangkat keras yang dibutuhkan sebagai berikut 4.1.1
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi yang berarti peramalan, penaksiran, atau pendugaan pertama kali diperkenalkan pada tahun 1877 oleh Sir Francis Galton (1822-1911) sehubungan dengan penelitiannya
Lebih terperinciREGRESI KUADRAT TERKECIL PARSIAL UNTUK STATISTICAL DOWNSCALING
REGRESI KUADRAT TERKECIL PARSIAL UNTUK STATISTICAL DOWNSCALING Aji Hamim Wigena Departemen Statistika, FMIPA Institut Pertanian Bogor Jakarta, 23 Juni 2011 Pendahuluan GCM (General Circulation Model) model
Lebih terperinciBAB V ANALISA DAN PEMBAHASAN
BAB V ANALISA DAN PEMBAHASAN 5.1 Peramalan Kebutuhan Bahan Baku Pada bab ini berisikan tentang analisa hasil dari pengolahan data dalam perhitungan Forecasting dan MRP tepung terigu untuk 12 bulan yang
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. dari perangkat keras (Tabel 4.1) dan perangkat lunak (Tabel 4.2). Berikut adalah
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Spesifikasi sistem yang digunakan dalam pembuatan program aplikasi ini terdiri dari perangkat keras (Tabel 4.1) dan perangkat lunak (Tabel 4.2). Berikut
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 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 terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang
Lebih terperinciUKDW BAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Distributor Seragam Aneka Jaya merupakan satu distributor seragam merk Teladan yang berada di kota sidoarjo. Distributor Seragam Aneka Jaya sendiri berdiri
Lebih terperinciPEMODELAN TINGKAT INFLASI NASIONAL DENGAN MODEL FUNGSI TRANSFER INPUT GANDA SUCI UTAMI FIBRIANI
PEMODELAN TINGKAT INFLASI NASIONAL DENGAN MODEL FUNGSI TRANSFER INPUT GANDA SUCI UTAMI FIBRIANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ii
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. proyek digitalisasi dokumen pada CV. Smart Solusi Indonesia. Sebelum memasuki
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Implementasi adalah tahap penerapan dan sekaligus pengujian bagi system berdasarkan hasil analisis dan perancangan yang telah dilakukan pada bab III. Pada
Lebih terperinciMETODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU ABSTRACT
METODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU Encik Rosalina 1, Sigit Sugiarto 2, M.D.H. Gamal 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan
Lebih terperinciPEMODELAN FUNGSI TRANSFER UNTUK MERAMALKAN CURAH HUJAN DI KOTA SEMARANG
PEMODELAN FUNGSI TRANSFER UNTUK MERAMALKAN CURAH HUJAN DI KOTA SEMARANG 1 Andayani Nurfaizah, 2 Rochdi Wasono, 3 Siti Hajar Rahmawati 1,2,3 Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB I PENDAHULUAN. menyebabkan persaingan dalam dunia bisnis semakin berkembang, karena
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan industri di Indonesia yang sekarang ini sedang berlangsung, menyebabkan persaingan dalam dunia bisnis semakin berkembang, karena banyaknya perusahaan baru
Lebih terperinciBAB III METODOLOGI PENELITIAN. 3.1 Objek Penelitian Obyek penelitian ini adalah laporan keuangan perusahaan perusahaan
23 BAB III METODOLOGI PENELITIAN 3.1 Objek Penelitian Obyek penelitian ini adalah laporan keuangan perusahaan perusahaan Manufaktur yang terdaftar di Bursa Efek Indonesia (BEI). Periode data yang digunakan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola data yang sistematis (Makridakis, 1999). Peramalan menggunakan pendekatan
Lebih terperinciMateri Komputer 2. Mahasiswa menuliskan contoh soal / kasus distribusi frekuensi berikut dengan microsoft excel pada sheet 1
Pertemuan 3 (frekuensi dan korelasi) Bagian 1 : Menentukan distribusi frekuensi Penjelasan singkat : Dalam latihan ini akan dilakukan penghitungan distribusi frekuensi atau seberapa sering kemunculan suatu
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 4 IMPLEMENTASI DAN EVALUASI
38 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Untuk menjalankan program aplikasi ini, diperlukan beberapa komponen pendukung. Yang pertama adalah konfigurasi dari perangkat keras dan yang kedua
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian dilakukan di Pasar Bunga Rawabelong, Jakarta Barat yang merupakan Unit Pelaksana Teknis (UPT) Pusat Promosi dan Pemasaran Holtikultura
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 Netflow Uang Kartal dengan Model Variasi Kalender dan Model Autoregressive Distributed Lag (ARDL)
Peramalan Netflow Uang Kartal dengan Model Variasi Kalender dan Model Autoregressive Distributed Lag (ARDL) Ainil Karomah dan Suhartono Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM
BAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM 4.1 Implementasi Program 4.1.1 Spesifikasi Keutuhan Program Spesifikasi Perangkat Keras (Hardware) Perangkat keras yang digunakan untuk merancang sistem ini adalah:
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. menunjukkan aplikasi persewaan buku yang telah berjalan dan dapat
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Pada implementasi menunjukkan penerapan dari hasil analisis dan perancangan sistem yang telah dibuat. Dengan demikian pada implementasi ini menunjukkan
Lebih terperinciPERAMALAN KECEPATAN ANGIN BULANAN DI MEDAN BERDASARKAN TEKANAN UDARA DENGAN FUNGSI TRANSFER TUGAS AKHIR
PERAMALAN KECEPATAN ANGIN BULANAN DI MEDAN BERDASARKAN TEKANAN UDARA DENGAN FUNGSI TRANSFER TUGAS AKHIR Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ahli Madya YUSRINA BATUBARA 072407019
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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Pesatnya perkembangan teknologi informasi saat ini memungkinkan sebuah komputer untuk dapat dimanfaatkan dalam membuat serta memanipulasi konten visual secara
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Spesifikasi sistem yang digunakan dalam pembuatan program aplikasi ini terdiri dari perangkat keras dan perangkat lunak. Berikut adalah spesifikasi
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. genetik yang dibuat. Dalam mengimplementasi program aplikasi diperlukan syarat
BAB 4 IMPLEMENTASI DAN EVALUASI Pada bab ini, penulis akan menguraikan hasil implementasi dan evaluasi terhadap program aplikasi optimasi penjadwalan penggunaan ruang menggunakan teori algoritma genetik
Lebih terperinciBAB 2. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah sesuatu kegiatan situasi atau kondisi yang diperkirakan akan
Lebih terperinciMETODE PENELITIAN. Cipondoh dan Kecamatan Pinang, Kota Tangerang. Penentuan lokasi sebagai
IV. METODE PENELITIAN 4.1 Lokasi dan waktu Penelitian Penelitian ini dilakukan di Situ Cipondoh yang terletak di Kecamatan Cipondoh dan Kecamatan Pinang, Kota Tangerang. Penentuan lokasi sebagai obyek
Lebih terperinciTeknik Pengolahan Data
Universitas Gadjah Mada Jurusan Teknik Sipil dan Lingkungan Prodi Magister Teknik Pengelolaan Bencana Alam Teknik Pengolahan Data Tabel dan Grafik Organisasi Data Koleksi data sta;s;k perlu disusun (diorganisir)
Lebih terperinciExponential Smoothing with Damped Trend Arum H. Primandari
ALLPPT.com _ Free PowerPoint Templates, Diagrams and Charts Exponential Smoothing with Damped Trend Arum H. Primandari Rob J. Hyndman https://robjhyndman.com/ Pendahuluan Klasifikasi Pegels yang terdiri
Lebih terperinciBAB IV IMPLEMENTASI_DAN_EVALUASI. Implementasi bertujuan untuk menerapkan sistem yang dibangun untuk
BAB IV IMPLEMENTASI_DAN_EVALUASI 4.1 Kebutuhan Aplikasi Implementasi bertujuan untuk menerapkan sistem yang dibangun untuk mengatasi permasalahan yang diangkat pada penelitian ini.tahap-tahap yang dilakukan
Lebih terperinciSpesifikasi Model. a. ACF
Dept. Statistika IPB, 0 Spesifikasi Model Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu:. Penentuan model tentatif (spesifikasi model) berdasarkan data contoh untuk mengidentifikasi
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 terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN Bab ini akan membahas tentang pintu air Manggarai secara singkat, hasil analisa data, dan pembahasan hasil penelitian. 4.1 Pintu air Manggarai Secara operasional pintu air Manggarai
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 terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Berikut ini dijelaskan tentang tampilan hasil dari perancangan Sistem Informasi Akuntansi Biaya Pembongkaran CPO Harian Berbasis Client Server Pada PT. Adilla
Lebih terperinci