BAB 4 PENGUMPULAN DAN ANALISA DATA

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 4 PENGUMPULAN DAN ANALISA DATA"

Transkripsi

1 BAB 4 PENGUMPULAN DAN ANALISA DATA 4.1. Pegumpula da Pegolaha Daa Daa Permiaa Uuk meeuka meode peramala yag aka dilakuka maka dibuuhka daa permiaa pada periode sebelumya. Tabel 4.1 Jeis Produk No. Nama Par No. Par Tipe Qy/Ui 1. GUIDE,CLUTCH OUTER KPH cc 1 2. COLLAR, CENTER CLUTCH GCE C1 100 cc 1 3. SHAFT ROCKER ARM cc 2 4. GEAR SHIFT DRUM cc 4 5. PUMP PIVOT OIL cc 1 6. PIN PISTON All Cub 1 7. BOSS,DRIVE FACE KVB cc 1 8. SHAFT COMP,OIL PUMP KVB cc 1 9. BUSH,M STAND GBC cc SHAFT,IN ROCKER ARM KVB cc 1 Beriku daa permiaa akual uuk sepuluh par ersebu adalah berdasarka oal permiaa/kebuuha PT Asra Hoda Moor dari periode Jauari 2006 sampai dega Desember 2006.

2 33 Tabel 4.2 Daa Permiaa Akual Periode Jauari Desember 2006 Iem Jauari Februari Mare April Mei Jui Juli Agusus Sepember Okober November Desember GUIDE, CLUTCH OUTER COLLAR, CENTER CLUTCH SHAFT ROCKER ARM GEAR SHIFT DRUM PUMP PIVOT OIL PIN PISTON BOSS, DRIVE FACE SHAFT COMP,OIL PUMP BUSH,M STAND SHAFT,IN ROCKER ARM 34,650 36,610 62, ,520 41, ,898 23,497 23,497 46,994 23,497 52,990 57,400 98, ,800 65, ,600 26,500 26,500 53,000 26,500 41,265 50,400 86, ,800 57, ,873 29,872 29,872 59,744 29,872 40,740 49,181 84, ,619 56, ,377 24,865 24,865 49,730 24,865 41,301 75, , ,955 86, ,959 25,100 25,100 50,200 25,100 38,044 74, , ,155 84, ,646 34,000 34,000 68,000 34,000 47,249 74, , ,885 84, ,160 34,100 34,100 68,200 34,100 61,565 99, , , , ,850 43,500 43,500 87,000 43,500 67, , , , , ,906 45,000 45,000 90,000 45,000 40,305 59, , ,919 68, ,762 33,000 33,000 66,000 33,000 54, , , , , ,128 36,000 36,000 72,000 36,000 45, , , , , ,501 32,500 32,500 65,000 32,500

3 Daa Jam kerja yag ersedia Beriku adalah daa jam kerja reguler di PT Spara Gua Jaya. Sei Juma : 3 Shif (Shif Normal) Sabu : 2 Shif ( Shif Pedek) Pembagia shif ormal : Shif 1 : Pkl ~ WIB Shif 2 : Pkl ~ WIB Shif 3 : Pkl ~ WIB Pembagia shif pedek : Shif 1 : Pkl ~ WIB Shfi 2 : Pkl ~ WIB Jam isiraha kerja reguler di PT Spara Gua Jaya. Sei Juma o Shif 1 : Pkl ~ WIB : Pkl ~ WIB : Toal = 1 Jam = 3600 deik o Shif 2 : Pkl ~ WIB : Pkl ~ WIB : Toal = 1 Jam = 3600 deik

4 35 o Shif 3 : Pkl ~ WIB : Pkl ~ WIB : Toal = 1 Jam = 3600 deik Daa Urua proses produksi Tabel 4.3 Urua Proses ITEM No. Proses Mesi GUIDE CLUTCH OUTER COLLAR CENTER CLUTCH SHAFT ROCKER ARM GEAR SHIFT DRUM PIVOT OIL PUMP PIN PISTON Cycle Time 1 Turig Tsugami MB Chamferig Sycro 5 3 Gridig Chefu 5 4 LCN or GSN Ou Pla - 1 Turig Tsugami M42 J 33 2 Chamferig Sycro 5 3 Gridig Chefu 5 4 LCN or GSN Ou Pla - 1 Turig Auolahe 27 2 Chamferig Sycro 4 3 Tappig Sycro 6 4 Gridig Palmary I 4 5 Carburizig Ou Pla - 6 Gridig Palmary I 4 1 Turig Auolahe 4 2 Carburizig Ou Pla - 3 Gridig Palmary II 1 1 Turig Nexus 100B 45 1 Turig Auolahe 27 2 Chamferig Sycro 4 3 Gridig Micro I 7 4 Carburizig Oupla - 5 Gridig I Micro I 8 6 Gridig II Micro II 8

5 36 BOSS DRIVE FACE SHAFT COMP OIL PUMP BUSH M STAND SHAFT IN ROCKER ARM 1 Turig Moriseiki 60 2 Chamfer Sycro 8 3 Iducio Ou Pla - 4 Gridig I Palmary III 6 5 Hard Chrome Ou Pla - 6 Turig I.D Nexus 100A 44 7 Gridig II Palmary III 5 1 Turig Tsugami M42 J 48 2 Millig + Drill UTC 6 A 95 3 LCN or GSN Ou Pla - 4 Assy1 Hidrolic Press 6 5 Assy2 Hidrolic Press 5 1 Turig QT Chamferig Sycro 8 3 Hardeig Ou Pla - 4 Gridig Chefu 7 5 Zic Plaig Ou Pla - 1 Turig CiCom A Millig Ulir TC 227 B 35 3 Millig Alur Broher Mille A 32 4 Millig Radius Broher Mille B 30 5 Gridig Palmary I 5 6 LCN or GSN Ou Pla - Sebagia proses dari urua pembuaa par-par ersebu merupaka proses yag dilakuka diluar perusahaa (sub korak). Adapu proses da lead ime (oal waku produksi) proses yag di sub korak adalah sebagai beriku Tabel 4.4 Daa proses Sub korak No. Nama Proses Sub Co Lead ime 1. LCN or GSN PT Parker 3 hari 2. Carburizig PT Parker 4 hari 3. Iducio PT Pidad 3 hari

6 37 4. Hard chrome PT Galvalido 5 hari 5. Hardeig PT Parker 2 hari 6. Zic Plaig PT AA Jaya 3 hari 4.2. Aalisis Daa Peeua pola daa Berdasarka lagkah-lagkah dalam pembuaa suau peramala yag erdapa pada bab 2. Dimaa ujua peramala adalah membua peramala permiaaa pelagga uuk ahu Usur yag aka dibuaka peramalaya adalah 10 iem par kompoe sepeda moor yag diproduksi oleh PT Spara Gua Jaya. Kemudia horizo waku peramala adalah peramala uuk jagka pedek yaiu peramala permiaa uuk jagka 3 bula, ahu berikuya. Lagkah berikuya adalah memilih meode peramala. Namu sebelum dilakuka pemiliha meode peramala, maka erlebih dahulu harus dilakuka peeua pola daa permiaa yag sudah ada. aiu daa permiaa uuk ke-10 par ersebu pada ahu 2006 diplo kedalam sebuah grafik, sehigga dari grafik ersebu bisa dikeahui pola daa permiaa pelagga. Beriku ii adalah pola daa permiaa PT Asra Hoda Moor uuk periode Jauari sampai Desember 2006.

7 38 Quaiy 450, , , , , , , ,000 50,000 - Ja Feb Mar Apr Mei Ju Jul Aug Sep Ok Nov Des Bula Guide Cluch Ouer Collar Ceer Cluch Shaf Rocker Arm Gear Shif Drum Pump Pivo Oil Pi Piso Boss Drive Face Shaf Comp Oil Pump Bush M Sad Shaf I Rocker Arm Grafik 4.1 Pola Permiaa Akual PT Asra Hoda Moor Periode Jauari - Desember 2006

8 39 Berdasarka pola daa pada grafik diaas, maka daa permiaa dari PT Asra Hoda Moor aka dieuka apakah daa ersebu ergolog pada pola Saioery, red (kecedruga) aau seasoal (musima). Uuk meeuka meode peramala yag epa, maka daa-daa ersebu aka di uji dega beberapa meode peramala yag mewakili masig-masig pola daa aara lai sebagai beriku : 1. Movig Averages, Weighed movig averages & Sigle Ekspoeial smoohig mewakili pola daa saioery. 2. Ekspoeial smoohig adjused wih Tred Hols Mehod mewakili pola daa Tred (kecedruga). 3. Ekspoeial smoohig adjused for red & seasoal variaio : Wiers mode mewakili pola daa musima. Dari keiga meode diaas aka diambil ilai MSE, MAD da MAPE erkecil uuk meeuka meode peramala selajuya. Hasil perhiuga dari meode peramala ersebu haya diampilka hasil peramalaya uuk ipe produk 1 saja, sedagka yag laiya diampilka pada lampira.

9 Peramala permiaa meode Movig Averages. Pada meode ii diguaka 3 macam periode yaiu 3, 4 da 5 periode. Tabel 4.5 Forecas Meode Movig Average (3 Periode) Par Guide Cluch Ouer Moh Acual Daa Forecas by periode Jauari 34,650 Februari 52,990 Mare 41,265 April 40,740 42,968 Mei 41,301 44,998 Jui 38,044 41,102 Juli 47,249 (34,650+52,990+41,265)/3 = 42,968 ( )/3 = ( )/3 = Tabel 4.6 Forecas Meode Movig Average (4 Periode) Par Guide Cluch Ouer Moh Acual Daa Forecas by periode 4 5 Jauari 34,650 Februari 52,990 Mare 41,265 April 40,740 42,411 Mei 41,301 44,074 Jui 38,044 40,337 Juli 47,249 (34,650+52,990+41,265+40,740)/4 = 42,411 (52,990+41,265+40,740+41,301)/4 = 44,074 (41,265+40,740+41,301+38,044)/4 = 40,337

10 41 Tabel 4.7 Forecas Meode Movig Average (5 Periode) Par Guide Cluch Ouer Moh Acual Daa Jauari 34,650 Februari 52,990 Mare 41,265 April 40,740 Mei 41,301 Jui 38,044 Juli 47,249 Agusus 61,565 Forecas by periode 5 42,189 42,868 41,720 (34,650+52,990+41,265+40, ,301)/5 = 42,189 (52,990+41,265+40,740+41, ,044)/5 = 42,868 (41,265+40,740+41,301+38, ,249)/5 = 41,720 Perhiuga peramala dega meode ii diujukka pada abel 4.8 Perhiuga peramala dega meode Movig Averages 1. Perhiuga ilai peramala periode-4 adalah sebagai beriku : Ŷ4 = ( )/3 = (34,650+52,990+41,265)/3 = 42,968 Ui 2. Perhiuga error uuk daa periode ke-4 adalah sebagai beriku : e 4 = 4 Ŷ4 = 40,740 42,968 = -2,228 Ui

11 42 3. Perhiuga RSFE periode ke-4 (Raio of ruig sum of forecas errors) RSFE (4) = RSFE (3) + e4 = 0 + (-2,228) = -2,228 RSFE (5) = RSFE (4) + e5 = (-2,228) + (-3,698) = -5, Perhiuga persease error periode ke-4 PE (4) = e4 / 4 = -2,228 / 40,740 = -5,5% Uuk perhiuga Mea Absolue Deviaio (MAD), Mea Square Error (MSE), da Mea Absolue Perceage Error (MAPE) uuk peramala semua par, dilakuka mulai dari periode ke-6 (Jui) agar perhiuga seiap meode peramala bisa dibadigka. 5. Perhiuga Mea Absolue Deviaio (MAD) MAD = ΙeΙ MAD = 84,109 / 11 MAD = 7,646

12 43 6. Perhiuga Mea Square Error (MSE) ( ˆ ) = MSE = 1 MSE = Sum Square Error (Periode 6 12) / 7 = 1,222,271,125/ 7 = 174,610, Perhiuga Mea Absolue Perceage Error (MAPE) MAPE = = 1 ˆ MAPE = Sum Absolue Perceage Error (Periode 6 12) / 7 = 152,3/ 7 = 21,76 8. Perhiuga Trackig Sigal (TS) TS = ( Periode 6) ( 6) RSFE MAD Periode TS = -8,984 / 1,797 = -5

13 44 Tabel 4.8 Sigle Movig Average (3 Periode) Sigle Movig Average (3 Periode) Par Name GUIDE,CLUTCH OUTER (22115-KPH -9001) Moh Periode Acual daa Forecas - periode Error Raio of ruig sum of forecas errors Absolue Error Cummula ive Absolue Error Square Error Perceag e Error Absolue Perceag e error Mea Absolue Error M Ŷ e RSFE Ie I Σ Ie I e 2 e / APE (%) MAD TS Jauari 1 34,650 Februari 2 52,990 Mare 3 41,265 April 4 40,740 42,968-2,228-2,228 2,228 2,228 4,965, Mei 5 41,301 44,998-3,698-5,926 3,698 5,926 13,672, , Jui 6 38,044 41,102-3,058-8,984 3,058 8,984 9,353, , Juli 7 47,249 40,028 7,221-1,764 7,221 16,205 52,135, , Agusus 8 61,565 42,198 19,367 17,604 19,367 35, ,094, , Sepember 9 67,860 48,952 18,908 36,511 18,908 54, ,501, , Okober 10 40,305 58,891-18,586 17,925 18,586 73, ,436, , November 11 54,355 56,577-2,222 15,704 2,222 75,288 4,936, , Desember 12 45,352 54,173-8,821 6,882 8,821 84,109 77,812, , Trackig Sigal Sum 436, ,888 Mea Square Error (MSE): 174,610,161 MAPE (%) 21.76

14 Peramala permiaa meode Weighed Movig Averages. Perhiuga peramala dega megguaka meode Weighed Movig Average idak jauh berbeda dega meode Movig Average biasa. Haya uuk perhiuga peramala diberika bobo yag berujua uuk memberika peekaa yag lebih pada ilai erkii. Perhiuga peramala dega meode ii diujukka pada lampira 2. Beriku perhiuga peramala dega meode Weighed Movig Average : 1. Peeua Bobo uuk 3 Periode : -1 = 3-2 = 2-3 = 1 2. Perhiuga ilai peramala periode-4 adalah sebagai beriku : Ŷ4 = {(1x1) + (2x2) + (3x3)}/3 = {(34,650x1)+(52,990x2)+(41,265x3)}/3 = 44,071 Ui 3. Perhiuga error uuk daa periode ke-4 adalah sebagai beriku : e 4 = 4 Ŷ4 = 40,740 44,071 = -3,331 Ui

15 46 4. Perhiuga RSFE periode ke-4 (Raio of ruig sum of forecas errors) RSFE (4) = RSFE (3) + e4 = 0 + (-3,331) = -3,331 RSFE (5) = RSFE (4) + e5 = -3,331) + (-1,656) = -4, Perhiuga persease error periode ke-4 PE (4) = e4 / 4 = -3,331 / 40,740 = -8,2% Sama dega meode Movig Average, uuk perhiuga Mea Absolue Deviaio (MAD), Mea Square Error (MSE), da Mea Absolue Perceage Error (MAPE) uuk peramala semua par, dilakuka mulai dari periode ke-6 (Jui) agar perhiuga seiap meode peramala bisa dibadigka. 6. Perhiuga Mea Absolue Deviaio (MAD) ΙeΙ MAD = MAD = 78, 997 / 11 MAD = 7,182

16 47 7. Perhiuga Mea Square Error (MSE) ( ˆ ) = MSE = 1 MSE = Sum Square Error (Periode 6 12) / 7 = 1,160,368,259 / 7 = 165,766, Perhiuga Mea Absolue Perceage Error (MAPE) MAPE = = 1 ˆ MAPE = Sum Absolue Perceage Error (Periode 6 12) / 7 = 147,8 / 7 = 21,11 % 9. Perhiuga Trackig Sigal (TS) TS = ( Periode 6) ( 6) RSFE MAD Periode TS = -8,051 / 1,610 = -5

17 48 Tabel 4.9 Sigle Movig Average Weighed (3 Periode) Sigle Movig Average Weighed (3 Periode) Par Name GUIDE,CLUTCH OUTER (22115-KPH -9001) Moh Periode Acual daa Forecas - periode Error Raio of ruig sum of forecas errors Absolue Error Cummula ive Absolue Error Square Error Perceag e Error Absolue Perceag e error Mea Absolue Error M Ŷ e RSFE Ie I Σ Ie I e 2 e / APE (%) MAD TS Jauari 1 34,650 Februari 2 52,990 Mare 3 41,265 April 4 40,740 44,071-3,331-3,331 3,331 3,331 11,094, , Mei 5 41,301 42,957-1,656-4,987 1,656 4,987 2,742, , Jui 6 38,044 41,108-3,064-8,051 3,064 8,051 9,389, , Juli 7 47,249 39,579 7, ,670 15,721 58,827, , Agusus 8 61,565 43,189 18,376 17,995 18,376 34, ,679, , Sepember 9 67,860 52,873 14,987 32,982 14,987 49, ,624, , Okober 10 40,305 62,326-22,021 10,961 22,021 71, ,932, , November 11 54,355 53,034 1,321 12,283 1,321 72,427 1,746, , Desember 12 45,352 51,923-6,570 5,712 6,570 78,997 43,169, , Trackig Sigal Sum 436, ,058 Mea Square Error (MSE): 165,766,894 MAPE (%) 21.11

18 Peramala permiaa meode Sigle Ekspoeial Smoohig Meode Sigle Smoohig Expoeial memerluka ilai α. Disii ilai α dieuka 0,2. Meuru Makridakis (1999,p85), uuk meemuka ilai α yag opimal memerluka beberapa percobaa. Hasil perhiuga peramala dega meode ii diujukka pada lampira 3. Disii diasumsika bahwa Ŷ 1 = 1 karea ilai Ŷ 1 belum dapa dikeahui. Perhiuga peramala dega meode Sigle Expoeial Smoohig adalah sebagai beriku : 1. Perhiuga ilai peramala uuk periode ke-2 adalah sebagai beriku ˆ = ˆ ( ˆ + α ) Ŷ 2 = 34, ,2 (34,650-34,650) = 34,650 Perhiuga ilai peramala uuk periode ke-3 sebagai beriku : Ŷ 3 = 34, (52,990-34,650) = 38, Perhiuga error uuk daa ke-3 sebagai beriku : e 3 = 3 Ŷ3 = 41,265 38,318 = 2,947 Ui

19 50 3. Perhiuga RSFE periode ke-3 (Raio of ruig sum of forecas errors) RSFE (3) = RSFE (2) + e3 = 18, ,947 = 21, Perhiuga persease error periode ke-3 PE (3) = e3 / 3 = 2,947 / 41,265 = 7,1% Sama dega meode Movig Average da Weighed Movig Average uuk perhiuga Mea Absolue Deviaio (MAD), Mea Square Error (MSE), da Mea Absolue Perceage Error (MAPE) uuk peramala semua par, dilakuka mulai dari periode ke-6 (Jui) agar perhiuga seiap meode peramala bisa dibadigka. 6. Perhiuga Mea Absolue Deviaio (MAD) ΙeΙ MAD = MAD = 97, 950 / 11 MAD = 8,886

20 51 7. Perhiuga Mea Square Error (MSE) ( ˆ ) = MSE = 1 MSE = Sum Square Error (Periode 6 12) / 7 = 1,154,851,142 / 7 = 164,978, Perhiuga Mea Absolue Perceage Error (MAPE) MAPE = = 1 ˆ MAPE = Sum Absolue Perceage Error (Periode 6 12) / 7 = 131,6 / 7 = 18,8 % 9. Perhiuga Trackig Sigal (TS) ( Periode 6) ( 6) RSFE TS = MAD Periode TS = 23,511 / 5,356 = 4,39

21 52 Tabel 4.10 Sigle Expoeial Smoohig Sigle Expoeial Smoohig Par Name GUIDE,CLUTCH OUTER (22115-KPH -9001) α : 0.2 Moh Periode Acual daa Forecas - periode Error Raio of ruig sum of forecas errors Absolue Error Cummulai ve Absolue Error Square Error Perceag e Error Absolue Perceag e error Mea Absolue Error M Ŷ e RSFE Ie I Σ Ie I e 2 e / APE (%) MAD TS Jauari 1 34,650 34,650 Februari 2 52,990 34,650 18,340 18,340 18,340 18, ,355, , Mare 3 41,265 38,318 2,947 21,287 2,947 21,287 8,684, , April 4 40,740 38,907 1,833 23,120 1,833 23,120 3,358, , Mei 5 41,301 39,274 2,027 25,146 2,027 25,146 4,107, , Jui 6 38,044 39,679-1,636 23,511 1,636 26,782 2,675, , Juli 7 47,249 39,352 7,896 31,407 7,896 34,679 62,354, , Agusus 8 61,565 40,931 20,634 52,041 20,634 55, ,744, , Sepember 9 67,860 45,058 22,802 74,843 22,802 78, ,929, , Okober 10 40,305 49,619-9,313 65,529 9,313 87,427 86,736, , November 11 54,355 47,756 6,599 72,129 6,599 94,026 43,548, , Desember 12 45,352 49,076-3,723 68,405 3,723 97,750 13,863, , Trackig Sigal Sum 436, ,652 Sum Square Error : 1,154,851,142 MAPE (%) 18.80

22 Peramala permiaa meode Ekspoeial Smoohig adjused wih Tred Hols Mehod Perhiuga peramala dega megguaka meode Ekspoeial Smoohig adjused wih Tred Hols Mehod, megguaka asumsi α = 0,2 da β = 0,5. Hasil perhiuga peramala dega meode ii diujukka pada lampira 4. Disii diasumsika bahwa Ŷ 1 = 1 karea ilai Ŷ 1 belum dapa dikeahui. Nilai T 1 diasumsika Perhiuga peramala dega meode Ekspoeial Smoohig adjused wih Tred Hols Mehod adalah sebagai beriku 1. Peramala dega ekspoesial yag dihaluska ˆ + (1 α)( ˆ = α T 1 ) ˆ 2 = (0,2 x 34,650) + (1-0,2) x ( 34, ) = 35,450 Ui 2. Tred dega ekspoesial yag dihaluska T ˆ ˆ = β ( 1 ) + (1 β ) T 1 T 2 = 0,5 (35,450-34,650)+(1-0,5) x 1000 = 900 Ui 3. Peramala dega Tred uuk periode ke-2 adalah : FIT = ˆ + T ) FIT 2 = 35, = 36,350 Ui

23 54 3. Perhiuga error uuk daa ke-2 sebagai beriku : e 2 = 2 - FIT 2 = 52,990 36,350 = 16,640 Ui 4. Perhiuga RSFE periode ke-2 (Raio of ruig sum of forecas errors) RSFE (2) = RSFE (1) + e2 = ,640 = 16,640 Perhiuga RSFE periode ke-3 RSFE (3) = RSFE (2) + e3 = 16,640 + (-1,097) = 15, Perhiuga persease error periode ke-2 PE (2) = e2 / 2 = 16,640 / 52,990 = 31,4% Perhiuga persease error periode ke-3 PE (3) = e3 / 3 = (-1,097) / 41,265 = -2,7%

24 55 Sama dega meode Movig Average, Weighed Movig Average da Sigle Expoeial Smoohig, uuk perhiuga Mea Absolue Deviaio (MAD), Mea Square Error (MSE), da Mea Absolue Perceage Error (MAPE) uuk peramala semua par, dilakuka mulai dari periode ke-6 (Jui) agar perhiuga seiap meode peramala bisa dibadigka. 6. Perhiuga Mea Absolue Deviaio (MAD) ΙeΙ MAD = MAD = 91, 374 / 11 MAD = 8, Perhiuga Mea Square Error (MSE) ( ˆ ) = MSE = 1 MSE = Sum Square Error (Periode 6 12) / 7 = 945,624,397 / 7 = 135,089, Perhiuga Mea Absolue Perceage Error (MAPE) MAPE = = 1 ˆ MAPE = Sum Absolue Perceage Error (Periode 6 12) / 7

25 56 = 138,3 / 7 = 19,76 % 9. Perhiuga Trackig Sigal (TS) TS = ( Periode 6) ( 6) RSFE MAD Periode TS = 6,573 / 5,341 = 1,23

26 57 Tabel 4.11 Expoeial Smoohig adjused wih Tred Hols Mehod Ekspoeial Smoohig adjused wih Tred Hols Mehod Par Name GUIDE,CLUTCH OUTER (22115-KPH -9001) α : 0.2 β : 0.5 Moh Periode Acual daa Forecas - periode Tred Adjusme Forecas Iclude Tred Error Raio of ruig sum of forecas errors Absolue Error Cummulai ve Absolue Error Square Error Perceage Error Absolue Perceage error Mea Absolue Error M Ŷ T FIT e RSFE Ie I Σ Ie I e 2 e / APE (%) MAD TS Jauari 1 34,650 34,650 1,000 35,650 Februari 2 52,990 35, ,350 16,640 16,640 16,640 16, ,889, , Mare 3 41,265 39,758 2,604 42,362-1,097 15,543 1,097 17,737 1,203, , April 4 40,740 40,859 1,853 42,712-1,972 13,571 1,972 19,709 3,889, , Mei 5 41,301 41,636 1,314 42,950-1,649 11,922 1,649 21,358 2,719, , Jui 6 38,044 42,369 1,024 43,392-5,349 6,573 5,349 26,707 28,608, , Juli 7 47,249 42, ,783 4,466 11,039 4,466 31,173 19,942, , Agusus 8 61,565 44,093 1,134 45,227 16,338 27,377 16,338 47, ,938, , Sepember 9 67,860 48,387 2,714 51,101 16,759 44,136 16,759 64, ,854, , Okober 10 40,305 53,082 3,704 56,786-16,481 27,655 16,481 80, ,618, , November 11 54,355 51, ,301 2,054 29,709 2,054 82,804 4,218, , Desember 12 45,352 52,732 1,190 53,922-8,570 21,139 8,570 91,374 73,444, , ,095 Sum 436, ,787 14, ,175 Sum Square Error : 945,624,397 MAPE (%) Trackig Sigal

27 Peramala permiaa meode Ekspoeial Smoohig adjused for Tred & Seasoal variaio : Wiers Model Perhiuga dega megguaka meode Ekspoeial smoohig Adjused for Tred & Seasoal variaio : Wiers Model, megguaka asumsi α = 0,2 da β = 0,5 da γ = 0,3. Hasil perhiuga peramla dega meode ii diujukka pada lampira 5. Disii diasumsika bahwa Ŷ 1 = 1 karea ilai Ŷ 1 belum dapa dikeahui. Nilai T 1 diasumsika 1000, ilai iiial smoohed adalah 1. Perhiuga uuk periode ke-2 dega meode Ekspoeial smoohig Adjused for Tred & Seasoal variaio : Wiers Model adalah sebagai beriku : 1. Pemulusa Ekspoeial ˆ + (1 α)( ˆ = α 1 + T 1 S L ) 52,990 ˆ2 = 0,2 + (1 0,2)(34, ) 1 + ˆ2 = 39,118 41,265 ˆ3 = 0,2 + (1 0,2)(39,118 2,734) 1 + ˆ2 = 41, Perkiraa kecedruga T ˆ ˆ = β ( 1 ) + (1 β ) T 1 T 2 = 0,5 (35,450-34,650)+(1-0,5) x 1000 = 900 Ui

28 59 T 3 = 0,5 (39,118-34,650)+(1-0,5) x 1000 = 2,734 Ui 3. Perkiraa ilai musima S 2 = γ + (1 γ ) ˆ S L 52,990 S 2 = 0,3 + (1 0,3)1 39,118 S 2 = 1,11 4. Peramala pada periode 3 adalah ˆ ˆ + p = + pt ) S L+ p ˆ = 39,118 + ˆ = 41,852 1(2,734)1 Peramala pada periode 4 adalah ˆ = 41, (2,675)1 ˆ = 44,410

29 60 5. Perhiuga error uuk daa ke-2 sebagai beriku : e 2 = - ˆ + p = 52,990 35,650 = 17,340 Ui 6. Perhiuga RSFE periode ke-2 (Raio of ruig sum of forecas errors) RSFE (2) = RSFE (1) + e2 = ,340 = 17,340 Perhiuga RSFE periode ke-3 RSFE (3) = RSFE (2) + e3 = 17,340 + (-587) = 16, Perhiuga persease error periode ke-2 PE (2) = e2 / 2 = 17,340 / 52,990 = 32,7% Perhiuga persease error periode ke-3 PE (3) = e3 / 3 = -587 / 41,265 = -1,4 %

30 61 Sama dega meode Movig Average, Weighed Movig Average, Sigle Expoeial Smoohig da Ekspoeial Smoohig adjused wih Tred Hols Mehod uuk perhiuga Mea Absolue Deviaio (MAD), Mea Square Error (MSE), da Mea Absolue Perceage Error (MAPE) uuk peramala semua par, dilakuka mulai dari periode ke-6 (Jui) agar perhiuga seiap meode peramala bisa dibadigka. 8. Perhiuga Mea Absolue Deviaio (MAD) ΙeΙ MAD = MAD = 102, 199 / 11 MAD = 9, Perhiuga Mea Square Error (MSE) ( ˆ ) = MSE = 1 MSE = Sum Square Error (Periode 6 12) / 7 = 1,084,827,113 / 7 = 154,975, Perhiuga Mea Absolue Perceage Error (MAPE) MAPE = = 1 ˆ

31 62 MAPE = Sum Absolue Perceage Error (Periode 6 12) / 7 = 155,8 / 7 = 22,26 % 11. Perhiuga Trackig Sigal (TS) ( Periode 6) ( 6) RSFE TS = MAD Periode TS = -444 / 7,025 = -0.06

32 63 Tabel 4.12 Expoeial Smoohig adjused for Tred & Seasoal variaio : Wiers Model Ekspoeial Smoohig adjused for Tred & Seasoal variaio : Wiers Model Par Name GUIDE,CLUTCH OUTER (22115-KPH -9001) α : 0.2 β : 0.5 γ : 0.3 Moh Periode Acual daa Forecas -periode Forecas Tred Seasoal Iclude Adjusme value Tred Error Raio of ruig sum of forecas errors Absolue Error Cum Absolue Error Square Error % Error Absolue % error Mea Absolue Error M Ŷ T S Ŷ +p e RSFE Ie I Σ Ie I e 2 e / APE (%) MAD TS Jauari 1 34,650 34,650 1, ,650 Februari 2 52,990 39,118 2, ,650 17,340 17,340 17,340 17, ,675, , Mare 3 41,265 41,735 2, , , , , , April 4 40,740 43,676 2, ,410-3,670 13,083 3,670 21,597 13,468, , Mei 5 41,301 45,048 1, ,984-4,684 8,400 4,684 26,280 21,935, , Jui 6 38,044 45, ,887-8, ,844 35,124 78,214, , Juli 7 47,249 46,309 1, ,074 1, ,174 36,299 1,379, , Agusus 8 61,565 50,219 2, ,382 14,183 14,913 14,183 50, ,153, , Sepember 9 67,860 55,740 4, ,710 15,150 30,063 15,150 65, ,525, , Okober 10 40,305 55,858 2, ,746-19,441 10,622 19,441 85, ,953, , November 11 54,355 57,207 1, ,920-3,565 7,057 3,565 88,638 12,711, , Desember 12 45,352 56, ,913-13,561-6,504 13, , ,890, , Sum 436, ,376 16, ,028 Mea Square Error (MSE): 154,975,302 MAPE (% Trackig Sigal

33 Perbadiga Uji Pola Daa dega 5 Meode Peramala Berdasarka hasil perhiuga dega lima meode peramala ersebu, maka didapa ilai MAD, MAPE da MSE uuk masig-masig daa yag diujukka pada abel Keeraga abel : SMA 3 SMA 3 W SMA 4 SMA 4 W SMA 5 SMA 5 W SES EST ESTS : Sigle Movig Average (3 Periode) : Sigle Movig Average Weighed (3 Periode) : Sigle Movig Average (4 Periode) : Sigle Movig Average Weighed (4 Periode) : Sigle Movig Average (5 Periode) : Sigle Movig Average Weighed (5 Periode) : Sigle Expoeial Smoohig : Expoeial Smoohig adjused wih Tred Hols Mehod : Expoeial Smoohig adjused for Tred & Seasoal Variaio : Wiers Model Nilai MAD erkecil, sebagia besar berada di meode Sigle Weighed Movig Averages 5 Periode. Nilai MAPE erkecil, sebagia besar berada di Expoeial Smoohig adjused for Tred & Seasoal variaio : Wiers Model. Sedagka ilai MSE erkecil, sebagia besar juga berada di Expoeial Smoohig adjused for Tred & Seasoal variaio : Wiers Model. Sehigga dapa disimpulka, pola daa uuk kesepuluh par ersebu adalah pola kecedruga (Tred).

34 65 Tabel 4.13 Perbadiga hasil uji pola daa SMA 3 SMA 3 W SMA 4 SMA 4 W SMA 5 SMA 5 W SES EST ESTS No Par Name COLLAR, SHAFT CENTER PIN PISTON COMP,OIL GUIDE, CLUTCH SHAFT ROCKER ARM GEAR SHIFT DRUM PUMP PIVOT OIL BOSS,DRIVE FACE BUSH,M STAND SHAFT,IN ROCKER OUTER CLUTCH PUMP ARM MAD 7,646 16,845 28,877 57,753 19,251 31,804 5,031 5,031 10,061 5,031 MAPE MSE 174,610, ,205,161 1,802,072,311 7,208,289, ,921,027 2,843,713,161 59,963,187 59,963, ,852,749 59,963,187 MAD 7,182 16,920 29,005 58,010 19,337 33,351 4,626 4,626 9,251 4,626 MAPE MSE 165,766, ,745,425 2,015,251,862 8,061,007, ,667,494 3,081,827,531 51,933,729 51,933, ,734,918 51,933,729 MAD 7,160 18,081 30,997 61,993 20,664 33,241 4,989 4,989 9,977 4,989 MAPE MSE 171,382, ,641,204 1,991,435,376 7,965,741, ,082,389 3,021,829,043 70,433,632 70,433, ,734,527 70,433,632 MAD 6,991 17,316 29,684 59,369 19,790 32,857 4,617 4,617 9,234 4,617 MAPE MSE 163,272, ,086,222 1,975,110,530 7,900,442, ,826,902 2,999,189,417 57,516,244 57,516, ,064,977 57,516,244 MAD 6,692 17,389 29,811 59,621 19,874 32,988 4,704 4,704 9,408 4,704 MAPE MSE 161,033, ,658,058 2,429,362,456 9,717,449,825 1,079,716,647 3,480,776,277 72,022,768 72,022, ,091,070 72,022,768 MAD 6,804 15,789 27,067 54,134 18,045 30,862 4,558 4,558 9,115 4,558 MAPE MSE 159,415, ,100,281 2,092,702,866 8,370,811, ,090,163 3,105,375,502 60,728,887 60,728, ,915,546 60,728,887 MAD 8,886 26,714 45,796 91,592 30,531 52,438 5,367 5,367 10,733 5,367 MAPE MSE 164,978,735 1,178,541,046 3,463,467,564 13,853,870,258 1,539,318,918 4,707,227,282 78,991,090 78,991, ,964,360 78,991,090 MAD 8,307 22,043 39,518 81,457 25,538 45,700 4,973 4,973 10,011 4,973 MAPE MSE 135,089, ,385,797 2,617,216,810 10,977,658,835 1,109,413,812 3,710,825,214 44,552,589 44,552, ,379,840 44,552,589 MAD 9,291 15,165 26,801 54,773 17,477 34,666 5,962 5,962 12,322 5,962 MAPE MSE 154,975, ,453,278 1,480,176,716 5,975,329, ,103,531 2,568,357,506 63,448,902 63,448, ,806,018 63,448,902

35 Peeua Meode Peramala Berdasarka abel perbadiga hasil uji pola daa diaas, dimaa pola permiaa par dari PT Asra Hoda Moor meujukka pola kecedruga (Tred) dega dasar ilai MSE da MAPE erkecil sebagia besar berada di meode Expoeial Smoohig adjused for Tred & Seasoal variaio : Wiers Model. Megacu pada abel 2.1 erdapa beberapa meode peramala uuk pola daa kecedruga. Dalam peiliia ii aka dibahas meode Expoeial Smoohig adjused for Tred & Seasoal variaio : Wiers Model, Brow s Liear Ekspoeial Smoohig da Liear Regressio. Berdasarka keiga meode ersebu aka dipilih meode peramala pola daa red yag palig efekif. 4.5 Perhiuga Meode Peramala uuk Pola Daa Kecedruga Uuk meeuka meode peramala yag palig sesuai uuk daa permiaa par dari PT Asra Hoda Moor ersebu, maka dilakuka perhiuga uuk keiga meode ersebu. Nilai MSE, MAD da MAPE erkecil aka mejadi dasar pemiliha meode erbaik Liear Regressio Beriku ii perhiuga peramala dega meode Liear Regressio. Pada sub bab ii haya diampilka perhiuga uuk 1 par (Guide Cluch Ouer) saja. Sedagka perhiuga uuk par laiya erdapa pada lampira 12.

36 67 1. Perhiuga Slope da iersep b ( ) ( bar)( = 2 2 ( bar) bar) 3,841,337 12(6.5)(47,140) b = (6.5) b = 1, a = ( bar) b( bar) a = 47,140 (1, x 6.5) a = 39, Nilai peramala uuk periode =2 (Februari 2006) adalah : ˆ = a + b = 39, (1, ˆ2 ˆ2 = 41,966 2) 3. Perhiuga error uuk periode =2 (Februari 2006) adalah : e 2 = - ˆ + p = 52,990 41,966 = 11,024 Ui

37 68 4. Perhiuga Mea Absolue Deviaio (MAD) ΙeΙ MAD = MAD = 87,225 / 12 MAD = 7, Perhiuga Mea Square Error (MSE) ( ˆ ) = MSE = 1 MSE = Sum Square Error/12 = 932,813,410 / 12 = 77,734, Perhiuga Mea Absolue Perceage Error (MAPE) MAPE = = 1 ˆ MAPE = Sum Absolue Perceage Error / 12 = 180.6/ 12 = 15 %

38 Brow s Liear Ekspoeial Smoohig Perhiuga dega megguaka meode Brow s Ekspoeial Smoohig megguaka asumsi α = 0.2. Pada sub bab ii haya diampilka perhiuga uuk 1 par (Guide Cluch Ouer) saja. Sedagka perhiuga uuk par laiya erdapa pada lampira 13. Diasumsika bahwa A 1, A 2 = 1 Cooh perhiuga peramala uuk periode ke Perhiuga Sigle smoohed saisic A 1 1 = α ( ) + (1 α) A 1 1 A 2 = 0.2(52,990) + (1 0.2)34,650 1 A 2 = 38, Perhiuga Double smoohed saisic A = α ( S ) + (1 α) A 1 2 A 2 = 0.2(38,318) + (1 0.2)34,650 A 2 = 2 35, Perhiuga perbedaa ilai pemulusa ( a ) a = 1 2 2A A a 3 = 2(38,318) 35,384 = 41,252

39 70 4. Perhiuga Slope (Adjusme Facor b ) b α 1 2 = ( A A ) 1 α b 0.2 = (38,318 35,384) = Nilai peramala uuk periode =5 adalah : ˆ = ( a + p + ˆ + 1 b T ) 4 = (341, ,1(1) ˆ = 42, Perhiuga error uuk periode =5 adalah : e 5 = - ˆ = 41,301 42,459 = -1,159 Ui 5. Perhiuga Mea Absolue Deviaio (MAD) ΙeΙ MAD = MAD = 77,212 / 11 MAD = 7,019

40 71 6. Perhiuga Mea Square Error (MSE) ( ˆ ) = MSE = 1 MSE = Sum Square Error/12 = 1,091,261,132 / 12 = 109,126, Perhiuga Mea Absolue Perceage Error (MAPE) MAPE = = 1 ˆ MAPE = Sum Absolue Perceage Error / 12 = 155.7/ 12 = 15.6 % Ekspoeial Smoohig adjused for Tred & Seasoal variaio : Wiers Model Perhiuga dega megguaka meode Ekspoeial smoohig Adjused for Tred & Seasoal variaio : Wiers Model, megguaka asumsi α = 0,2 da β = 0,5 da γ = 0,3. Hasil perhiuga peramla dega meode ii diujukka pada lampira 13. Disii diasumsika bahwa Ŷ 1 = 1 karea ilai Ŷ 1 belum dapa dikeahui. Nilai T 1 diasumsika 1000, ilai iiial smoohed adalah 1. Perhiuga uuk periode ke-2 dega meode Ekspoeial smoohig Adjused for Tred & Seasoal variaio : Wiers Model adalah sebagai beriku :

41 72 1. Pemulusa Ekspoeial ˆ α + (1 α)( ˆ = 1 + T 1 S L ) 52,990 ˆ2 = 0,2 + (1 0,2)(34, ) 1 + ˆ2 = 39,118 41,265 ˆ3 = 0,2 + (1 0,2)(39,118 2,734) 1 + ˆ2 = 41, Perkiraa kecedruga T ˆ ˆ = β ( 1 ) + (1 β ) T 1 T 2 = 0,5 (35,450-34,650)+(1-0,5) x 1000 = 900 Ui T 3 = 0,5 (39,118-34,650)+(1-0,5) x 1000 = 2,734 Ui 3. Perkiraa ilai musima S ˆ 2 = γ + (1 γ ) S L 52,990 S 2 = 0,3 + (1 0,3)1 39,118 S 2 = 1,11

42 73 4. Peramala pada periode 3 adalah ˆ ˆ + p = + pt ) S L+ p ˆ = 39,118 + ˆ = 41,852 1(2,734)1 Peramala pada periode 4 adalah ˆ = 41, (2,675)1 ˆ = 44, Perhiuga error uuk daa ke-2 sebagai beriku : e 2 = - ˆ + p = 52,990 35,650 = 17,340 Ui 9. Perhiuga RSFE periode ke-2 (Raio of ruig sum of forecas errors) RSFE (2) = RSFE (1) + e2 = ,340 = 17,340 Perhiuga RSFE periode ke-3 RSFE (3) = RSFE (2) + e3 = 17,340 + (-587) = 16,753

43 Perhiuga persease error periode ke-2 PE (2) = e2 / 2 = 17,340 / 52,990 = 32,7% Perhiuga persease error periode ke-3 PE (3) = e3 / 3 = -587 / 41,265 = -1,4 % 11. Perhiuga Mea Absolue Deviaio (MAD) ΙeΙ MAD = MAD = 102, 199 / 11 MAD = 9, Perhiuga Mea Square Error (MSE) ( ˆ ) = MSE = 1 MSE = Sum Square Error / = 1,421,250,902 / 12 = 129,204,627

44 Perhiuga Mea Absolue Perceage Error (MAPE) MAPE = = 1 ˆ MAPE = Sum Absolue Perceage Error / 12 = 210,3 / 12 = 19,12 % 4.6 Perbadiga Meode Peramala uuk Pola Daa Kecedruga Dari hasil perhiuga keiga meode peramala uuk pola daa kecedruga ersebu, yaiu Liear Regressio, Brow s Liear Ekspoeial Smoohig da Ekspoeial Smoohig adjused for Tred & Seasoal variaio : Wiers Model. Beriku adalah hasil perbadiga perhiuga keiga meode peramala ersebu :

45 75 Tabel 4.14 Perbadiga hasil peramala Pola Kecedruga No Par Name LINEAR BLES ESTS MAD MAPE MSE MAD MAPE MSE MAD MAPE MSE 1 GUIDE, CLUTCH OUTER 7, ,734,451 7, ,126,113 9, ,204,627 2 COLLAR, CENTER CLUTCH 11, ,552,523 16, ,219,654 15, ,177,795 3 SHAFT ROCKER ARM 20, ,787,007 28, ,478,849,595 26, ,211,808,023 5 GEAR SHIFT DRUM 40, ,663,148,028 57, ,915,398,381 54, ,936,030,945 4 PUMP PIVOT OIL 13, ,905,336 19, ,266,487 17, ,180,108 6 PIN PISTON 28, ,122,378,086 32, ,122,069,318 34, ,020,559,333 7 BOSS,DRIVE FACE 4, ,134,031 5, ,336,036 5, ,531,328 8 SHAFT COMP,OIL PUMP 4, ,134,031 5, ,336,036 5, ,531,328 9 BUSH,M STAND 8, ,536,126 10, ,344,145 12, ,974, SHAFT,IN ROCKER ARM 4, ,134,031 5, ,336,036 5, ,531,328 Keeraga : Liear BLES ESTS : Liear Regressio : Brow's Liear Ek spoeial Regressio : Ekspoeial Smoohig Adjused for Tred & Seasoal Variaio : Wiers

46 76 Berdasarka perbadiga hasil meode peramala uuk pola daa kecedruga. Didapa kesimpula bahwa dari keiga meode peramala uuk pola daa kecedruga (Tred), yag mempuyai ilai MAD, MAPE da MSE erkecil erpusa pada meode Liear Regressio. Maka dari keiga meode ersebu, meode yag palig sesuai uuk diaplikasika adalah meode Liear Regressio. 4.7 Perhiuga kapasias produksi Seelah peramala permiaa dari PT Asra Hoda Moor dikeahui, maka lagkah berikuya yag harus dilakuka dalam pembuaa recaa produksi adalah peghiuga kapsias produksi uuk masig-masig par. Perhiuga kapasias produksi dilakuka dega mecari jumlah produksi erkecil dari seiap process. Pada umumya jumlah produksi erkecil erdapa pada proses yag memiliki waku proses erlama (Boleeck). Beriku daa perhiuga kapasias produksi per hari uuk seiap par Perhiuga waku kerja yag ersedia per hari Toal waku kerja yag ersedia per hari adalah sebagai beriku : Sei Juma : 3 Shif (Shif Normal) o Shif 1 : Pkl ~ WIB : 8 Jam = 28,800 deik o Shif 2 : Pkl ~ WIB : 8 Jam = 28,800 deik

47 77 o Shif 3 : Pkl ~ WIB : 8 Jam = 28,800 deik Toal waku kerja yag ersedia per hari pada Sei sampai dega Juma (shif ormal) adalah 86,400 deik. Sabu : 2 Shif ( Shif Pedek) o Shif 1 : Pkl ~ WIB : 5 Jam = 18,000 deik o Shfi 2 : Pkl ~ WIB 36,000 deik. : 5 Jam = 18,000 deik Toal waku kerja yag ersedia per hari pada Sabu (shif pedek) adalah Perhiuga kapasias produksi per proses Dari daa waku kerja yag ersedia da daa urua proses pembuaa par, maka dilakuka peghiuga hasil produksi uuk seiap proses. Pada peghiuga oupu produksi, dieapka efisiesi produksi per shif (Sisa waku kerja yag erbuag) sebesar 85 % da idak ada kekuraga kapasias uuk proses-proses yag disubkorakka. Beriku perhiuga hasil produksi uuk par Guide cluch ouer. Sedagka perhiuga uuk par laiya erdapa pada lampira 14.

48 78 Nama Par : Guide Cluch Ouer Proses : 1. Turig Kapasias Desai Kapasias desai per shif (Sei-Juma) : Toal waku kerja yag ersedia - Toal jam isiraha = Toal waku proses 28,800-3,600 = = 1,200 pcs/shif 21 Kapasias desai per hari (Sei-Juma) : Kapasias efekif = Kapasias desai per shif x Jumlah shif per hari = 1,200 x 3 = 3,600 pcs/hari Kapasias efekif per shif (Sei-Juma) : = Kapasias desai x Efisiesi produksi = 1,200 x 0,85 = 1,020 pcs/shif Kapasias efekif per hari (Sei-Juma) : = Kapasias efekif per shif x Jumlah shif per hari = 1,020 x 3 = 3,060 pcs/shif

49 79 2. Chamferig Kapasias Desai Kapasias desai per shif (Sei-Juma) : Toal waku kerja yag ersedia - Toal jam isiraha = Toal waku proses 28,800-3,600 = = 5,040 pcs/ shif 5 Kapasias desai per hari (Sei-Juma) : = Kapasias desai per shif x Jumlah shif per hari = 5,040 x 3 = 15,120 pcs/hari Kapasias efekif Kapasias efekif per shif (Sei-Juma) : = Kapasias desai x Efisiesi produksi = 5,040 x 0,85 = 4,284 pcs/shif Kapasias efekif per hari (Sei-Juma) : = Kapasias efekif per shif x Jumlah shif per hari = 4,284 x 3 = 12,852 pcs/shif 3. Gridig Kapasias Desai Kapasias desai per shif (Sei-Juma) : Toal waku kerja yag ersedia - Toal jam isiraha = Toal waku proses

50 80 28,800-3,600 = = 5,040 pcs/ shif 5 Kapasias desai per hari (Sei-Juma) : = Kapasias desai per shif x Jumlah shif per hari = 5,040 x 3 = 15,120 pcs/hari Kapasias efekif Kapasias efekif per shif (Sei-Juma) : = Kapasias desai x Efisiesi produksi = 5,040 x 0,85 = 4,284 pcs/shif Kapasias efekif per hari (Sei-Juma) : = Kapasias efekif per shif x Jumlah shif per hari = 4,284 x 3 = 12,852 pcs/shif Dari hasil perhiuga kapasias efekif uuk seiap proses uuk par Guide cluch ouer, maka dapa disimpulka bahwa oupu maksimal adalah oupu uuk proses erlama (boleeck) yaiu sebayak 3,060 pcs/hari. Beriku adalah daa oal kapasias efekif uuk seiap par.

51 81 Tabel 4.15 Daa Kapasias Akual CAPACIT Sei-Juma Sabu Toal Toal OP PROCESS NAME S1-2-3 S1-2 Per Miggu Per Bula GUIDE CLUTCH OUTER 1 Turig 3,060 1,457 16,757 67,029 2 Chamferig 12,852 6,120 70, ,520 3 Gridig 12,852 6,120 70, ,520 4 LCN or GSN SUBTOTAL 3,060 1,457 16,757 67,029 COLLAR CENTER CLUTCH 1 Turig 1, ,664 42,655 2 Chamferig 12,852 6,120 70, ,520 3 Gridig 12,852 6,120 70, ,520 4 LCN or GSN SUBTOTAL 1, ,664 42,655 SHAFT ROCKER ARM 1 Turig 2,380 1,133 13,033 52,133 2 Chamferig 16,065 7,650 87, ,900 3 Tappig 10,710 5,100 58, ,600 4 Gridig 16,065 7,650 87, ,900 5 Carburizig 6 Gridig 16,065 7,650 87, ,900 SUBTOTAL 2,380 1,133 13,033 52,133 GEAR SHIFT DRUM 1 Turig 16,065 7,650 87, ,900 2 Carburizig 3 Gridig 64,260 30, ,900 1,407,600 SUBTOTAL 16,065 7,650 87, ,900 PIVOT OIL PUMP 1 Turig 1, ,820 31,280 SUBTOTAL 1, ,820 31,280 PIN PISTON 1 Turig 2,380 1,133 13,033 52,133 2 Chamferig 16,065 7,650 87, ,900 3 Gridig 9,180 4,371 50, ,086 4 Carburizig 5 Gridig I 8,033 3,825 43, ,950 6 Gridig II 8,033 3,825 43, ,950 SUBTOTAL 2,380 1,133 13,033 52,133

52 82 Tabel 4.15 Daa Kapasias Akual (Co..) CAPACIT Sei-Juma Sabu Toal Toal OP PROCESS NAME S1-2-3 S1-2 Per Miggu Per Bula BOSS DRIVE FACE 1 Turig 1, ,865 23,460 2 Chamfer 8,033 3,825 43, ,950 3 Iducio 4 Gridig awala 10,710 5,100 58, ,600 5 Hard Chrome 6 Turig I.D 1, ,998 31,991 7 Gridig 12,852 6,120 70, ,520 SUBTOTAL 1, ,865 23,460 SHAFT COMP OIL PUMP 1 Turig 1, ,331 29,325 2 Millig + Drill 1, ,408 29,634 3 LCN 4 Assy1 (Shaf + Sprocke) 10,710 5,100 58, ,600 5 Assy2 (Shaf + Roller) 12,852 6,120 70, ,520 SUBTOTAL 1, ,331 29,325 BUSH M STAND 1 Turig 1, ,650 30,600 2 Chamferig 8,033 3,825 43, ,950 3 Hardeig 4 Gridig 9,180 4,371 50, ,086 5 Zic Plaig SUBTOTAL 1, ,650 30,600 SHAFT IN ROCKER ARM 1 Turig 1, ,865 23,460 2 Millig Ulir 1, ,054 40,217 3 Millig Alur 2, ,997 43,988 4 Millig Radius 2,142 1,020 11,730 46,920 5 Gridig 12,852 6,120 70, ,520 6 Hardeig SUBTOTAL 1, ,865 23,460 1 Turig 2,380 1,133 13,033 52,133 2 Chamferig 16,065 7,650 87, ,900 3 Gridig 9,180 4,371 50, ,086 4 Carburizig 5 Gridig I 8,033 3,825 43, ,950 6 Gridig II 8,033 3,825 43, ,950 SUBTOTAL 2,380 1,133 13,033 52,133

53 Perbadiga daa kapasias akual vs Demad Dari daa kapasias yag sudah diperoleh dari peghiuga kapasias akual. Kemudia daa ersebu dibadigka dega permiaa pelagga (demad). Hal ii berujua uuk megeahui apakah kapasias yag ada saa ii sudah mecukupi uuk pemeuha permiaa pelagga. Daa ii merupaka acua dalam pembuaa perecaaa produksi uuk masa yag aka daag, eruama dalam perecaaa kapasias jagka pajag, maupu perecaaa ivesasi. Beriku perbadiga daa kapasias akual erhadap permiaa pelagga uuk par Guide Cluch Ouer. Adapu daa perbadiga kapasias akual erhadap permiaa pelagga uuk par laiya diampilka pada lampira 16. Tabel 4.16 Perbadiga Kapasias vs Demad GUIDE,CLUTCH OUTER Ja Feb Mar Apr May Ju Jul Aug Sep Oc Nov Dec Demad 34,650 52,990 41,265 40,740 41,301 38,044 47,249 61,565 67,860 40,305 54,355 45,352 Kapasias 67,028 67,028 67,028 67,028 67,028 67,028 67,028 67,028 67,028 67,028 67,028 67,028 Perbadiga Demad vs Kapasias Guide Cluch Ouer 80,000 70,000 60,000 Quaiy 50,000 40,000 30,000 20,000 10,000 Demad Kapasias Periode Grafik 4.2 Perbadiga Kapasias vs Demad

54 Perhiuga Maser Producio Schedule (MPS) Berdasarka hasil perhiuga meode peramala uuk pola kecedruga, dimaa meode liear regressio merupaka meode yag palig sesuai uuk pola daa uuk kesepuluh par ersebu. Maka lagkah berikuya, meode ersebu diguaka uuk peghiuga peramala permiaa uuk periode 2 bula kedepa, yaiu Jauari da Februari Daa ersebu aka diguaka uuk Maser Producio Schedule (MPS). Beriku perhiuga MPS uuk periode Jauari da Februari 2007 Berdasarka persamaa hasil perhiuga dega meode regresi liear pada pembahasa sebelumya yaiu : ˆ = a + b Dimaa a = 39, da b = 1, Sehigga : ˆ = 39, ,149.77( ) Peramala permiaa uuk periode Jauari 2007 (periode 13) adalah : ˆ = 39, ,149.77( ) = 39, ˆ13 + ˆ13 = 54,164 Pcs 1,149.77(13) Peramala permiaa uuk periode Jauari 2007 (periode 13) adalah : ˆ = 39, ,149.77( ) = 39, ˆ14 + ˆ14 = 55,763 Pcs 1,149.77(14)

55 85 Berdasarka perhiuga peramala diaas, maka Maser Producio Schedule uuk periode bula jauari da februari 2007 adalah sebagai beriku : Tabel 4.17 Maser Producio Schedule Jauari da Februari No Par No Par Name a b Ja Feb Toal KPH Guide Cluch Ouer 39,665 1,150 54,614 55, , GCE C1 Collar Ceer Cluch 34,296 6, , , , Shaf Rocker Arm 58,793 11, , , , Gear Shif Drum 117,587 22, , , , Pump Pivo Oil 39,196 7, , , , Pi Piso 120,113 11, , , , KVB Boss Drive Face 24,091 1,267 40,564 41,831 82, KVB Shaf Comp Oil Pump 24,091 1,267 40,564 41,831 82, GBC Bush M Sad 48,183 2,534 81,129 83, , KVB Shaf I Rocker Arm 24,091 1,267 40,564 41,831 82,396

BAB V ANALISA HASIL. Untuk mendapatkan jenis peramalan yang dinginkan terdapat banyak

BAB V ANALISA HASIL. Untuk mendapatkan jenis peramalan yang dinginkan terdapat banyak BB V NLIS HSIL 5.1 Ukura kurasi Hasil Peramala Uuk medapaka jeis peramala yag digika erdapa bayak parameer-parameer yag dapa diguaka. Seperi yag elah diuraika pada ladasa eori, parameer-parameer ersebu

Lebih terperinci

BAB 2 TINJAUAN TEORI. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu

BAB 2 TINJAUAN TEORI. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu BAB 2 TINJAUAN TEORI 2.1 Pegeria Peramala Ramala pada dasarya merupaka dugaa aau perkiraa megeai erjadiya suau kejadia aau perisiwa di waku yag aka daag. Peramala merupaka sebuah ala bau yag peig dalam

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN BAB 3 METODE PENELITIAN 3 Meode Pegumpula Daa 3 Jeis Daa Pada peeliia ii aka megguaka jeis daa yag bersifa kuaiaif Daa kuaiaif adalah daa yag berbeuk agka / omial Dalam peeliia ii aka megguaka daa pejuala

Lebih terperinci

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang BAB 2 LANDASAN EORI 2.1 Pegeria Peramala Peramala adalah kegiaa uuk memperkiraka apa yag aka erjadi di masa yag aka daag. Sedagka ramala adalah suau siuasi aau kodisi yag diperkiraka aka erjadi pada masa

Lebih terperinci

BAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai

BAB 2 LANDASAN TEORI. pada masa mendatang. Peramalan penjualan adalah peramalan yang mengkaitkan berbagai BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala (orecasig) Peramala (orecasig) adalah suau kegiaa yag memperkiraka apa yag aka erjadi pada masa medaag. Peramala pejuala adalah peramala yag megkaika berbagai

Lebih terperinci

STUDI ANALISIS PERAMALAN DENGAN METODE DERET BERKALA

STUDI ANALISIS PERAMALAN DENGAN METODE DERET BERKALA Widya Tekika Vol.18 No.2; Okober 2010 ISSN 1411 0660: 1-6 Absrak STUDI ANALISIS PERAMALAN DENGAN METODE DERET BERKALA Arie Resu Wardhai 1), Salvador Mauel Pereira 2) Perusahaa sepau da sadal House of Mr.

Lebih terperinci

PENGGUNAAN METODE PERAMALAN DALAM PRODUKSI KAYU UNTUK PENENTUAN TOTAL PERMINTAAN (KONSUMEN)

PENGGUNAAN METODE PERAMALAN DALAM PRODUKSI KAYU UNTUK PENENTUAN TOTAL PERMINTAAN (KONSUMEN) Widiyarii, Pegguaa Meode Peramala dalam. PENGGUNAAN METODE PERAMALAN DALAM PRODUKSI KAYU UNTUK PENENTUAN TOTAL PERMINTAAN (KONSUMEN) Widiyarii Program Sudi Tekik Idusri Fakulas Tekik da MIPA, Uiversias

Lebih terperinci

Universitas Sumatera Utara

Universitas Sumatera Utara 50.7 4.3770 6.7547 6.7547 4.4 48.6965 R4.7 36.3 N8 TOL 0..70 35.9497 36.3.99 50.7 94.338 6.89 3.5 6.75 7.567 36.0 6.4837 57.396 8.783 66.0384 5.337 37.006 3.568 PISAU POTONG AISI D SEPUH No Qy NAME MATERIAL

Lebih terperinci

Universitas Sumatera Utara

Universitas Sumatera Utara Uiversias Sumaera Uara BAB 2 LANDASAN TEORI Ladasa eori ii merupaka hasil dari ijaua lieraur-lieraur yag ada kaiaya dega meode-meode peramala maupu dega koeks laiya dalam peulisa Tugas Akhir ii. Adapu

Lebih terperinci

PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN

PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN PERENCNN JUMLH PRODUK MENGGUNKN METODE FUZZY MMDNI BERDSRKN PREDIKSI PERMINTN Nama Mahasiswa : Norma Edah Haryai NRP : 1207 100 031 Jurusa : Maemaika FMIP-ITS Dose Pembimbig : Drs. I G N Rai Usadha, M.Si

Lebih terperinci

PENERAPAN UKURAN KETEPATAN NILAI RAMALAN DATA DERET WAKTU DALAM SELEKSI MODEL PERAMALAN VOLUME PENJUALAN PT SATRIAMANDIRI CITRAMULIA

PENERAPAN UKURAN KETEPATAN NILAI RAMALAN DATA DERET WAKTU DALAM SELEKSI MODEL PERAMALAN VOLUME PENJUALAN PT SATRIAMANDIRI CITRAMULIA PENERAPAN UKURAN KETEPATAN NILAI RAMALAN DATA DERET WAKTU DALAM SELEKSI MODEL PERAMALAN VOLUME PENJUALAN PT SATRIAMANDIRI CITRAMULIA Iwa Sugkawa; Ries Tri Megasari Mahemaics & Saisics Deparme, School of

Lebih terperinci

Peramalan Jumlah Penduduk Kota Samarinda Dengan Menggunakan Metode Pemulusan Eksponensial Ganda dan Tripel Dari Brown

Peramalan Jumlah Penduduk Kota Samarinda Dengan Menggunakan Metode Pemulusan Eksponensial Ganda dan Tripel Dari Brown Jural EKSPONENSIAL Volume 7, Nomor, Mei 06 ISSN 085-789 Peramala Jumlah Peduduk Koa Samarida Dega Megguaka Meode Pemulusa Ekspoesial Gada da Tripel Dari Brow Forecasig he Populaio of he Ciy of Samarida

Lebih terperinci

BAB III TINJAUAN PUSTAKA

BAB III TINJAUAN PUSTAKA BAB III TINJAUAN PUSTAKA 3.1. Defiisi Peramala Peramala adalah proses uuk memperkiraka berapa bayak kebuuha dimasa medaag yag melipui kebuuha dalam ukura kuaias, kualias, waku da lokasi yag dibuuhka dalam

Lebih terperinci

LAPORAN RESMI MODUL VII TIME SERIES FORECASTING

LAPORAN RESMI MODUL VII TIME SERIES FORECASTING LAPORAN RESMI MODUL VII TIME SERIES FORECASTING I. Pedahulua A. Latar Belakag (Mi. 4 Paragraf) B. Rumusa Masalah C. Tujua Praktikum (Mi. 3) D. Mafaat Praktikum (Mi. 3) E. Batasa Masalah II. Tijaua Pustaka

Lebih terperinci

Prediksi Penjualan Sepeda Motor Merek X Di Kabupaten Dan Kotamadya Malang Dengan Metode Peramalan Hierarki

Prediksi Penjualan Sepeda Motor Merek X Di Kabupaten Dan Kotamadya Malang Dengan Metode Peramalan Hierarki JURNAL SAINS DAN SENI POMITS Vol. 3, No., (4) 337-35 (3-98X Pri) D-34 Sepeda Moor Merek X Di Kabupae Da Koamadya Malag Dega Meode Peramala Hierarki Rika Susai, Desri Susilaigrum, da Suharoo Jurusa Saisika,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 18 BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala ( Forecasig ) Peramala ( forecasig ) adalah kegiaa megisemasi apa yag aka erjadi pada masa yag aka daag. Peramala diperluka karea adaya perbedaa kesejaga waku

Lebih terperinci

BAB 5 HASIL DAN PEMBAHASAN. Disini tujuan akhir yang ingin dicapai penulis adalah pembuatan suatu aplikasi

BAB 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 terperinci

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Data permitaa Dalam meramalka permitaa produk lever cable utuk kebutuha PT. Kyoda Mas Mulia sediri. data yag diambil utuk perhituga peramala permitaa yaitu dega

Lebih terperinci

BAB II LANDASAN TEORI. Dalam penulisan tugas akhir ini diperlukan teori-teori yang mendukung yang

BAB II LANDASAN TEORI. Dalam penulisan tugas akhir ini diperlukan teori-teori yang mendukung yang BAB II LANDASAN TEORI Dalam peulisa ugas akhir ii diperluka eori-eori yag medukug yag didapa dari maa kuliah yag perah dierima, da referesi-referesi sebagai baha pedukug. Uuk mecapai ujua dari peulisa

Lebih terperinci

KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB

KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB KRITERIA INVESTASI DEPARTEMEN AGRIBISNIS FEM - IPB Sudi kelayaka bisis pada dasarya berujua uuk meeuka kelayaka bisis berdasarka krieria ivesasi Krieria ersebu diaaraya adalah ; 1. Nilai bersih kii (Ne

Lebih terperinci

MENENTUKAN PERSEDIAAN BERAS DENGAN MENGGUNAKAN MODEL ECONOMIC ORDER QUANTITY (EOQ) BERDASARKAN RAMALAN PERMINTAAN PADA TAHUN 2012

MENENTUKAN PERSEDIAAN BERAS DENGAN MENGGUNAKAN MODEL ECONOMIC ORDER QUANTITY (EOQ) BERDASARKAN RAMALAN PERMINTAAN PADA TAHUN 2012 MENENTUKAN PERSEDIAAN BERAS DENGAN MENGGUNAKAN MODEL ECONOMIC ORDER QUANTITY (EOQ) BERDASARKAN RAMALAN PERMINTAAN PADA TAHUN 2012 Julia Nahar 1 1 Uiversias Padjadjara, Jala Raya Badug-Sumedag km 21,Jaiagor

Lebih terperinci

B A B III METODE PENELITIAN. Objek penelitian dalam penelitian ini adalah menganalisis perbandingan

B A B III METODE PENELITIAN. Objek penelitian dalam penelitian ini adalah menganalisis perbandingan 30 B A B III METODE PENELITIAN 3. Peeapa Lokai da Waku Peeliia Objek peeliia dalam peeliia ii adalah megaalii perbadiga harga jual produk melalui pedekaa arge pricig dega co-plu pricig pada oko kue yag

Lebih terperinci

Manajemen Keuangan. Idik Sodikin,SE,MBA,MM EVALUASI UNTUK MENENTUKAN KEPUTUSAN INVESTASI. Modul ke: 06Fakultas EKONOMI DAN BISNIS

Manajemen Keuangan. Idik Sodikin,SE,MBA,MM EVALUASI UNTUK MENENTUKAN KEPUTUSAN INVESTASI. Modul ke: 06Fakultas EKONOMI DAN BISNIS Modul ke: 06Fakulas EKONOMI DAN BISNIS EVALUASI UNTUK MENENTUKAN KEPUTUSAN INVESTASI Program Sudi Akuasi Idik Sodiki,SE,MBA,MM Krieria Kepuusa Ivesasi aau Pegaggara Modal o Beberapa krieria yag aka diperguaka

Lebih terperinci

ANALISIS KELAYAKAN INVESTASI PENAMBAHAN ARMADA TRANSPORTASI DAN PERBAIKAN SISTEM PERSEDIAAN PERGUDANGAN (STUDY KASUS PT

ANALISIS KELAYAKAN INVESTASI PENAMBAHAN ARMADA TRANSPORTASI DAN PERBAIKAN SISTEM PERSEDIAAN PERGUDANGAN (STUDY KASUS PT ANALISIS KELAYAKAN INVESTASI PENAMBAHAN ARMADA TRANSPORTASI DAN PERBAIKAN SISTEM PERSEDIAAN PERGUDANGAN (STUDY KASUS PT. LEMINDO ABADI JAYA AREA DISTRIBUSI RIAU DARATAN) Peir Papilo 1, Ramadhail 2 Jurusa

Lebih terperinci

BAB 2 LANDASAN TEORI. Metode peramalan merupakan bagian dari ilmu Statistika. Salah satu metode

BAB 2 LANDASAN TEORI. Metode peramalan merupakan bagian dari ilmu Statistika. Salah satu metode BAB 2 LANDASAN TEORI 2.1 Pegeria Peramala Meode peramala merupaka bagia dari ilmu Saisika. Salah sau meode peramala adalah dere waku. Meode ii disebu sebagai meode peramala dere waku karea memiliki kareserisik

Lebih terperinci

Rumus-rumus yang Digunakan

Rumus-rumus yang Digunakan Saisika Uipa Surabaya 4. Sampel Tuggal = Rumus-rumus yag Diguaka s..... Sampel berkorelasi D D N N N...... 3. Sampel Bebas a. Uuk varias sama... 3 aau x x s g... 4 b. Sampel Heeroge Guaka Uji Corha - Cox

Lebih terperinci

III. METODE KAJIAN 1. Lokasi dan Waktu 2. Metode Pengumpulan Data

III. METODE KAJIAN 1. Lokasi dan Waktu 2. Metode Pengumpulan Data III. METODE KAJIAN 1. Lokasi da Waku Lokasi kajia berempa uuk kelompok dilaksaaka di kelompok peeraka sapi di Bagka Tegah, Provisi Bagka Beliug, da Kelompok Peeraka Sapi di Cisarua, Bogor, Provisi Jawa

Lebih terperinci

PENERAPAN METODE EXPONENTIAL SMOOTHING DALAM MEMPREDIKSI JUMLAH SISWA BARU (STUDI KASUS: SMK PEMDA LUBUK PAKAM)

PENERAPAN METODE EXPONENTIAL SMOOTHING DALAM MEMPREDIKSI JUMLAH SISWA BARU (STUDI KASUS: SMK PEMDA LUBUK PAKAM) Jural Pelia Iformaika, Volume 16, Nomor 3, Juli 2017 IN 2301-9425 (Media Ceak) PENERAPAN METODE EXPONENTIAL MOOTHING DALAM MEMPREDIKI JUMLAH IWA BARU (TUDI KAU: MK PEMDA LUBUK PAKAM) Kuriagara Mahasiswa

Lebih terperinci

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN Jural Rekursif, Vol 3 No Mare 05, ISSN 303-0755 PERBANDINGAN KEAKURATAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DAN EPONENTIAL SMOOTHING PADA PERAMALAN PENJUALAN SEMEN DI PT SINAR ABADI

Lebih terperinci

Bab III Metoda Taguchi

Bab III Metoda Taguchi Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.

Lebih terperinci

METODE PENELITIAN. Lokasi dan Waktu Penelitian. sampai dengan April 2008, di DAS Waeruhu, yang secara administratif terletak di

METODE PENELITIAN. Lokasi dan Waktu Penelitian. sampai dengan April 2008, di DAS Waeruhu, yang secara administratif terletak di 8 METODE PENELITIAN Lokasi da Waku Peeliia Peeliia ii dilaksaaka selama 3 bula, erhiug sejak bula Februari sampai dega April 2008, di DAS Waeruhu, yag secara admiisraif erleak di wilayah Kecamaa Sirimau,

Lebih terperinci

BAB V METODE PENELITIAN

BAB V METODE PENELITIAN 31 BAB V METODE PENELITIAN 5.1 Lokasi da Waku Peeliia Peeliia ii dilaksaaka di Kecamaa Sukaagara, Kabupae Ciajur. Pemiliha lokasi peeliia dilakuka secara segaja (purposive samplig) dega memperimbagka aspek

Lebih terperinci

V. PENGUJIAN HIPOTESIS

V. PENGUJIAN HIPOTESIS V. PENGUJIAN IPOTEI A. IPOTEI TATITIK Defiisi uau hipoesa saisik adalah suau peryaaa aau dugaa megeai sau aau lebih variabel populasi. ipoesis digologka mejadi. ipoesis ol adalah hipoesis yag dirumuska

Lebih terperinci

MODIFIKASI METODE DEKOMPOSISI ELZAKI (MMDE) UNTUK PENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL TAK LINEAR

MODIFIKASI METODE DEKOMPOSISI ELZAKI (MMDE) UNTUK PENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL TAK LINEAR Bulei Ilmiah Ma.Sa. da Terapaya (Bimaser) Volume 06, No. (07), hal -0. MODIFIKASI METODE DEKOMPOSISI ELZAKI (MMDE) UNTUK PENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL TAK LINEAR Ermawai, Helmi, Frasiskus

Lebih terperinci

ALGORITMA DATA MINING

ALGORITMA DATA MINING ALGORITMA DATA MINING A. DECISION TREE. Kosep Decisio Tree Megubah daa mejadi poho kepuusa (decisio ree) da aura-aura kepuusa (rule). Sebagai cooh misalya igi membua aura yag dapa diguaka uuk meeuka apakah

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2. Sisem Produksi Proses maufakur dapa digambarka seperi erliha dalam Gambar.., berupa keragka masuka-keluara, dimaa masukaya berupa baha baku, selajuya baha baku dikoversi (dega

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

MODEL VECTOR AUTOREGRESSIVE (VAR) DALAM MERAMAL PRODUKSI KELAPA SAWIT PTPN XIII Faradhila Amry, Dadan Kusnandar, Naomi Nessyana Debataraja

MODEL VECTOR AUTOREGRESSIVE (VAR) DALAM MERAMAL PRODUKSI KELAPA SAWIT PTPN XIII Faradhila Amry, Dadan Kusnandar, Naomi Nessyana Debataraja Bulei Ilmiah Mah. Sa. da Terapaya (Bimaser) Volume 07, No. (018), hal 77 84. MODEL VECTOR AUTOREGRESSIVE (VAR) DALAM MERAMAL PRODUKSI KELAPA SAWIT PTPN XIII Faradhila Amry, Dada Kusadar, Naomi Nessyaa

Lebih terperinci

NILAI AKUMULASI ANUITAS AKHIR DENGAN ASUMSI DISTRIBUSI UNIFORM UNTUK m KALI PEMBAYARAN

NILAI AKUMULASI ANUITAS AKHIR DENGAN ASUMSI DISTRIBUSI UNIFORM UNTUK m KALI PEMBAYARAN NILAI AKUMULASI ANUITAS AKHIR DENGAN ASUMSI DISTRIBUSI UNIFORM UNTUK m KALI PEMBAYARAN Nomi Kelari *, Hasriai 2, Musraii 2 Mahasiswa Program S Maemaika 2 Dose Jurusa Maemaika Fakulas Maemaika da Ilmu Pegeahua

Lebih terperinci

PENGUJIAN HIPOTESIS. Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi.

PENGUJIAN HIPOTESIS. Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi. . Pedahulua PENGUJIAN HIPOTESIS Hipoesis Saisik : peryaaa aau dugaa megeai sau aau lebih populasi. Pegujia hipoesis berhubuga dega peerimaa aau peolaka suau hipoesis. Kebeara (bear aau salahya) suau hipoesis

Lebih terperinci

FORECASTING (Peramalan)

FORECASTING (Peramalan) FORECASTING (Peramala) PENDAHULUAN Forecastig adalah ramala tetag apa yag aka terjadi dimasa yag aka datag. Forecast Demad atau peramala permitaa mejadi dasar yag sagat petig dalam perecaaa suatu keputusa

Lebih terperinci

IV. METODOLOGI PENELITIAN. mencakup penyusunan proposal hingga penyusunan draft skripsi dilaksanakan di

IV. METODOLOGI PENELITIAN. mencakup penyusunan proposal hingga penyusunan draft skripsi dilaksanakan di IV. METODOLOGI PENELITIAN 4.1 Lokasi da Waku Peeliia Peeliia yag dilakuka pada Bula Jauari higga Mei 2008 yag mecakup peyusua proposal higga peyusua draf skripsi dilaksaaka di empa kecamaa di Kabupae Garu,

Lebih terperinci

Ekonomi Manajerial dalam Perekonomian Global

Ekonomi Manajerial dalam Perekonomian Global Ekoomi Maajerial dalam Perekoomia Global Bab 4 Esimasi Permiaa Pokok Bahasa : Esimasi Permiaa Masalah Ideifikasi Pedekaa Peeliia Pemasara uuk Esimasi Permiaa Aalisis Regresi Regresi Sederhaa Regresi Bergada

Lebih terperinci

ANALISIS INVESTASI PENAMBANGAN PASIR DAN BATU DITINJAU DARI SEGI TEKNIS DAN BIAYA

ANALISIS INVESTASI PENAMBANGAN PASIR DAN BATU DITINJAU DARI SEGI TEKNIS DAN BIAYA ANALISIS INVESTASI PENAMBANGAN PASIR DAN BATU DITINJAU DARI SEGI TEKNIS DAN BIAYA Laar Belakag Masalah Semaki berambah pesaya pembagua dibidag kosruksi maka meyebabka meigka pula kebuuha aka meerial-maerial

Lebih terperinci

BAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan

BAB 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 terperinci

APLIKASI 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 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 terperinci

TINGKAT PENJUALAN SEPEDA MOTOR SUZUKI PADA CV. ADI MULIA MOTOR DI RENGAT INDRAGIRI HULU DENGAN MENGGUNAKAN METODE TIME SERIES

TINGKAT PENJUALAN SEPEDA MOTOR SUZUKI PADA CV. ADI MULIA MOTOR DI RENGAT INDRAGIRI HULU DENGAN MENGGUNAKAN METODE TIME SERIES FORECASTING TINGKAT PENJUALAN SEPEDA MOTOR SUUKI PADA CV. ADI MULIA MOTOR DI RENGAT INDRAGIRI HULU DENGAN MENGGUNAKAN METODE TIME SERIES AUTOREGRESSIVE TUGAS AKHIR Diajuka sebagai Salah Sau Syara uuk Memperoleh

Lebih terperinci

Exponential smoothing

Exponential smoothing Exponenial smoohing This is a widely used forecasing echnique in reailing, even hough i has no proven o be especially accurae, www,cl,asae,edu/crbrown/smoohing07,pp 1 Exponenial Smoohing n Period Moving

Lebih terperinci

BAB II TINJAUAN TEORITIS

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 terperinci

PREDIKSI PRODUKSI JAGUNG DI JAWA TENGAH DENGAN ARIMA DAN BOOTSTRAP

PREDIKSI PRODUKSI JAGUNG DI JAWA TENGAH DENGAN ARIMA DAN BOOTSTRAP Prosidig SPMIPA. pp. 57-6. 6 ISBN : 979.74.47. PREDIKSI PRODUKSI JAGUNG DI JAWA TENGAH DENGAN ARIMA DAN BOOTSTRAP Sri Rahayu, Taro Jurusa Maemaika FMIPA UNDIP Semarag Jl. Prof. Soedaro, Kampus UNDIP Tembalag,

Lebih terperinci

Penerapan Metode Optimasi Exponential Smoothing Untuk Peramalan Debit

Penerapan Metode Optimasi Exponential Smoothing Untuk Peramalan Debit Peerapa Meode Opimasi Expoeial moohig Uuk Peramala Debi Oleh: Budi aosa, uharyao 2, Djoko Legoo 3. DT, Program Pascasarjaa Udip, Jl. Hayam Wuruk No. 5-7 emarag, (Depareme Tekik ipil Uiversias Guadarma,

Lebih terperinci

TUGAS AKHIR. Diajukan sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains pada Jurusan Matematika. Oleh: AFRIANTI

TUGAS AKHIR. Diajukan sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains pada Jurusan Matematika. Oleh: AFRIANTI MODEL TIME SERIES UNTUK PERAMALAN TINGKAT PENJUALAN JENIS BAHAN BAKAR MINYAK (BBM) DI STASIUN PENGISIAN BAHAN BAKAR UNTUK UMUM (SPBU) ARIFIN ACHMAD-PEKANBARU TUGAS AKHIR Diajuka sebagai Salah Sau Syara

Lebih terperinci

BAB 2 TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA BAB TINJAUAN PUSTAKA Tijaua Pusaka Pegguaa meode peramala Forecasig elah dilakuka oleh berbagai macam peeliia dalam berbagai bidag eruama diguaka dalam memprediksi pejuala pada perusahaa Beriku dibawah

Lebih terperinci

IV. METODE PENELITIAN

IV. METODE PENELITIAN 29 IV. METODE PENELITIAN 4.1. Lokasi da Waku Peeliia Peeliia ii dilaksaaka di Kecamaa Pamijaha, Kabupae Bogor, Provisi Jawa Bara. Pemiliha lokasi peeliia dilakuka secara segaja (purposive) dega perimbaga

Lebih terperinci

METODE TRANSFORMASI ELZAKI DALAM MENYELESAIKAN PERSAMAAN DIFERENSIAL BIASA LINEAR ORDE-N DENGAN KOEFISIEN KONSTANTA. Mahasiswa Program S1 Matematika 2

METODE TRANSFORMASI ELZAKI DALAM MENYELESAIKAN PERSAMAAN DIFERENSIAL BIASA LINEAR ORDE-N DENGAN KOEFISIEN KONSTANTA. Mahasiswa Program S1 Matematika 2 METODE TRANSFORMASI ELZAKI DALAM MENYELESAIKAN PERSAMAAN DIFERENSIAL BIASA LINEAR ORDE-N DENGAN KOEFISIEN KONSTANTA Roki Nuari *, Aziskha, Edag Lily Mahasiswa Program S Maemaika Dose Jurusa Maemaika Fakulas

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1. Peramala.1.1. Kosep Dasar Peramala Peramala merupaka bagia dari suau proses pegambila suau kepuusa. Sebelum melakuka peramala harus dikeahui erlebih dahulu apa sebearya persoala

Lebih terperinci

BAB 3 METODE PENELITIAN. Disini penerapan kriteria optimasi yang digunakan untuk menganalisis

BAB 3 METODE PENELITIAN. Disini penerapan kriteria optimasi yang digunakan untuk menganalisis BAB 3 METODE PENELITIAN 3.1 Peetapa Kriteria Optimasi Disii peerapa kriteria optimasi yag diguaka utuk megaalisis kebutuha pokok pada PT. Kusuma Kecaa Khatulistiwa yaitu : 1. Aalisis forecastig (peramala

Lebih terperinci

BAB IV PEMECAHAN MASALAH

BAB IV PEMECAHAN MASALAH BAB IV PEMECAHAN MASALAH 4.1 Metodologi Pemecaha Masalah Dalam ragka peigkata keakurata rekomedasi yag aka diberika kepada ivestor, maka dicoba diguaka Movig Average Mometum Oscillator (MAMO). MAMO ii

Lebih terperinci

PENGUJIAN HIPOTESIS DUA RATA-RATA

PENGUJIAN HIPOTESIS DUA RATA-RATA PENGUJIN HIPOTEI DU RT-RT Pegujia hipoesis dua raa-raa diguaka uuk membadigka dua keadaa aau epaya dua populasi. Misalya kia mempuyai dua populasi ormal masig-masig dega raa-raa µ da µ sedagka simpaga

Lebih terperinci

BAB 2 LANDASAN TEORI 2.1 Teknik Industri Peramalan

BAB 2 LANDASAN TEORI 2.1 Teknik Industri Peramalan BAB 2 LANDASAN TEORI Pada bab ii aka dijelaska eori-eori yag medukug meode peeliia pada peulisa skripsi ii yag disebu sebagai ladasa eori. Teori yag aka dijelaska aka mecakup meode dari subjek ekik idusri

Lebih terperinci

PERAMALAN PERMINTAAN EKSPOR INDUSTRI MEBEL DI PT.SPU JEPARA

PERAMALAN PERMINTAAN EKSPOR INDUSTRI MEBEL DI PT.SPU JEPARA PERAMALAN PERMINTAAN EKSPOR INDUSTRI MEBEL DI PT.SPU JEPARA DISUSUN OLEH : NAMA : AZIS WIDODO NIM : 41605110061 JURUSAN : TEKNIK INDUSTRI PROGRAM STUDI TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS

Lebih terperinci

REGRESI DAN KORELASI SEDERHANA

REGRESI DAN KORELASI SEDERHANA REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai

Lebih terperinci

Prosiding Manajemen ISSN:

Prosiding Manajemen ISSN: Prosidig Maajeme ISSN: 2460-7187 Aalisis Peramala Pejuala dega Megguaka Metode Sigle Movig Average, Weighted Movig Average da Expoetial Smoothig Sebagai Dasar Perecaaa Produksi Polo Shirt Pria (Studi Kasus

Lebih terperinci

Minggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING. Peramalan Data Time Series

Minggu 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 terperinci

BAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun

BAB 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 terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Dalam perencanaan suau proses produksi dapa menggunakan meode perencanaan aggrega. Yaiu proses perencanaan suau sisem produksi mencakup beberapa aspek-aspek yang erliba dalam kegiaan

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula

Lebih terperinci

Prediksi Penjualan di Perusahaan Ritel dengan Metode Peramalan Hirarki Berdasarkan Model Variasi Kalender

Prediksi Penjualan di Perusahaan Ritel dengan Metode Peramalan Hirarki Berdasarkan Model Variasi Kalender JURNAL SAINS AN SENI POMITS Vol. 2, No., (23) 2337-352 (23-928X Pri) -54 Prediksi Peuala di Perusahaa Riel dega Meode Peramala Hirarki Berdasarka Model Variasi Kaleder Puspia Karikasari da Suharoo Jurusa

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDAAN TEORI. Tijaua Pusaka Bidag percaaa da pegawasa produksi da persediaa dalam orgaisasi-orgaisasi maufacurig da jasa berkaia dega peramala permiaa, perecaaa kapasias keseluruha orgaisasi, peeua

Lebih terperinci

MODEL PERAMALAN RATA-RATA BEBAN PEMAKAIAN LISTRIK KOTA PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR

MODEL PERAMALAN RATA-RATA BEBAN PEMAKAIAN LISTRIK KOTA PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR MODEL PERAMALAN RATA-RATA BEBAN PEMAKAIAN LISTRIK KOTA PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR Diajuka Sebagai Salah Sau Syara Uuk Memperoleh Gelar Sarjaa Sais Pada Jurusa Maemaika Oleh :

Lebih terperinci

PERAMALAN KURSIDRTERHADAP USDMENGGUNAKAN DOUBLE MOVING AVERAGES DAN DOUBLEEXPONENTIAL SMOOTHING.

PERAMALAN KURSIDRTERHADAP USDMENGGUNAKAN DOUBLE MOVING AVERAGES DAN DOUBLEEXPONENTIAL SMOOTHING. PERAMALAN KURSIDRERHADAP USDMENGGUNAKAN DOUBLE MOVING AVERAGES DAN DOUBLEEXPONENIAL SMOOHING. Padrul Jaa 1), Rokhimi 2), Ismi Ratri Prihatiigsih 3) 1,2,3 PedidikaMatematika, Uiversitas PGRI Yogyakarta

Lebih terperinci

PERAMALAN ORDER INTAKE DI PT.KSB INDONESIA

PERAMALAN ORDER INTAKE DI PT.KSB INDONESIA PERAMALAN ORDER INTAKE DI PT.KSB INDONESIA DISUSUN OLEH : NAMA : BUDIYANTO NIM : 4160511005 JURUSAN : TEKNIK INDUSTRI PROGRAM STUDI TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS MERCU BUANA JAKARTA

Lebih terperinci

Perancangan Sistem Peramalan Penjualan Barang Pada UD Achmad Jaya Dengan Metode Triple Exponential Smoothing

Perancangan 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 terperinci

ANALISIS PERAMALAN PENJUALAN USAHA ARDYLA BAKERY DI MUARA BULIAN Muryati 1

ANALISIS PERAMALAN PENJUALAN USAHA ARDYLA BAKERY DI MUARA BULIAN Muryati 1 Jural Ilmiah Uiversitas Bataghari Jambi Vol.17 No.2 Tahu 2017 ANALISIS PERAMALAN PENJUALAN USAHA ARDYLA BAKERY DI MUARA BULIAN Muryati 1 Abstract The role of forecastig was very importat for a compay to

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Jeis Peeliia Jeis peeliia ii ergolog peeliia komparasioal, yaiu peeliia yag dilaksaaka uuk megeahui ada idakya perbedaa aar variabel yag sedag dielii. Jika perbedaa iu memag

Lebih terperinci

PERAMALAN PERENCANAAN PRODUKSI SEMEN DENGAN METODE EXPONENTIAL SMOOTHING PADA PT. SEMEN INDONESIA

PERAMALAN PERENCANAAN PRODUKSI SEMEN DENGAN METODE EXPONENTIAL SMOOTHING PADA PT. SEMEN INDONESIA PERAMALAN PERENCANAAN PRODUKSI SEMEN DENGAN METODE EXPONENTIAL SMOOTHING PADA PT. SEMEN INDONESIA Agil Saputro, Bambag Purwaggoo *) Program Studi Tekik Idustri, Fakultas Tekik, Uiversitas Dipoegoro, Jl.

Lebih terperinci

ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER. Muflih Rori Putra Harahap

ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER. Muflih Rori Putra Harahap ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER Muflih Rori Pura Harahap 30 00 052 Pembimbing : Dr. Drs. Agus Suharsono, M.S. LATAR BELAKANG PENDAHULUAN

Lebih terperinci

BAB IV PEMBAHASAN DAN ANALISIS

BAB IV PEMBAHASAN DAN ANALISIS BAB IV PEMBAHASAN DAN ANALISIS 4.1. Pembahasa Atropometri merupaka salah satu metode yag dapat diguaka utuk meetuka ukura dimesi tubuh pada setiap mausia. Data atropometri yag didapat aka diguaka utuk

Lebih terperinci

PREMI ASURANSI JIWA CONTINGENT DENGAN HUKUM DE MOIVRE. Fakultas Matematika dan Ilmu Pengetahuan Alam Univeritas Riau Kampus Bina Widya Indonesia

PREMI ASURANSI JIWA CONTINGENT DENGAN HUKUM DE MOIVRE. Fakultas Matematika dan Ilmu Pengetahuan Alam Univeritas Riau Kampus Bina Widya Indonesia PREMI ASURANSI JIWA CONTINGENT DENGAN HUKUM DE MOIVRE Eli Trisiai Hasriai Rola Pae Mahasiswa Program S Maemaika Dose Jurusa Maemaika Fakulas Maemaika da Ilmu Pegeahua Alam Uierias Riau Kampus Bia Widya

Lebih terperinci

BAB III FORMULA PENENTUAN HARGA OPSI ASIA

BAB III FORMULA PENENTUAN HARGA OPSI ASIA 3 BAB III FORMULA PEETUA HARA OPSI ASIA Pada Bab III ii aka dibahas megeai opsi Asia da aalisisya, di maa yag aka dibahas hayalah beberapa ipe opsi Asia, da erbaas pada eis Europea call saa. Jeis-eis opsi

Lebih terperinci

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA Prosidig Semiar Nasioal Sais da Pedidika Sais IX, Fakulas Sais da Maemaika, UKSW Salaiga, Jui 4, Vol 5, No, ISSN :87-9 MODEL KOREKSI KESALAHAN DENGAN MEODE BAYESIAN PADA DAA RUNUN WAKU INDEKS HARGA KONSUMEN

Lebih terperinci

METODOLOGI. Waktu dan Tempat. Alat dan Bahan

METODOLOGI. Waktu dan Tempat. Alat dan Bahan METODOLOGI Waku da Tempa Peeliia merupaka desk sudy dega megguaka daa sekuder da pegolaha daa dilakuka di Laboraorium Klimaologi Depareme Geofisika da Meeorologi, Fakulas Maemaika da Ilmu Pegeahua Alam,

Lebih terperinci

Prosiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : ; e-issn :

Prosiding 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 terperinci

Pemodelan Pencemaran Udara Menggunakan Metode Vector Autoregressive (Var) di Provinsi Riau

Pemodelan Pencemaran Udara Menggunakan Metode Vector Autoregressive (Var) di Provinsi Riau Pemodela Pecemara Udara Megguaka Meode Vecor Auoregressive (Var) di Provisi Riau Ari Pai Desvia 1, Maryam Julliaa D 2 Jurusa Maemaika, Fakulas Sais da Tekologi, UIN Sula Syarif Kasim Riau Jl. HR. Soebraas

Lebih terperinci

BAB II TINJAUAN LITERATUR. Pengendalian persediaan dapat dilakukan dalam berbagai cara, antara lain dengan

BAB II TINJAUAN LITERATUR. Pengendalian persediaan dapat dilakukan dalam berbagai cara, antara lain dengan BAB II TINJAUAN LITERATUR 2.1. Klasifikasi ABC Dalam Persediaa Pegedalia persediaa dapat dilakuka dalam berbagai cara, atara lai dega megguaka aalisis ilai persediaa. Dalam aalisis ii, persediaa dibedajka

Lebih terperinci

Before making an investment decision, must answer these question:

Before making an investment decision, must answer these question: DEMAND FORECASTING Before makig a ivesme decisio, mus aswer hese quesio: Wha should be he size or amou capial required? How large should be he size of workforce? Wha should be he size of he order ad safey

Lebih terperinci

Forecasting Demand. Chapter 4

Forecasting Demand. Chapter 4 Chapter 4 Forecastig Demad Forecast: proses memprediksi kejadia yag dimasa depa. Diguaka utuk mejadi dasar dalam membuat keputusa bisis (produksi, persediaa, fasilitas). Forecastig memiliki 3 Time Horizos

Lebih terperinci

kesimpulan yang didapat.

kesimpulan yang didapat. Bab ii merupaka bab peutup yag merupaka hasil da kesimpula dari pembahasa serta sara peulis berdasarka kesimpula yag didapat. BAB LANDASAN TEORI. Kosep Dasar Peramala Peramala adalah kegiata utuk memperkiraka

Lebih terperinci

IMPLEMENTASI 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 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 terperinci

BAB 3 LANDASAN TEORI. masa lampau akan berlanjut ke masa depan. Hampir seluruh peramalan didasarkan. pada asumsi bahwa masa lampau akan berulang.

BAB 3 LANDASAN TEORI. masa lampau akan berlanjut ke masa depan. Hampir seluruh peramalan didasarkan. pada asumsi bahwa masa lampau akan berulang. BAB 3 LANDASAN TEORI 3. Peramala 3.. Defiisi Peramala Peramala adalah perkiraa probabilisik aau peggambara dari ilai aau kodisi di masa depa. Asumsi yag umum dipakai dalam peramala adalah pola masa lampau

Lebih terperinci

BAB III PENAKSIR DERET FOURIER. Dalam statistika, penaksir adalah sebuah statistik (fungsi dari data sampel

BAB III PENAKSIR DERET FOURIER. Dalam statistika, penaksir adalah sebuah statistik (fungsi dari data sampel BAB III PENAKSIR DERET FOURIER 3. Peaksi Dalam saisika, peaksi adalah sebuah saisik (fugsi dai daa sampel obsevasi) yag diguaka uuk meaksi paamee populasi yag idak dikeahui (esimad) aau fugsi yag memeaka

Lebih terperinci

Gambar 2.2. Mesin 5-Aksis [11] Pengembangan metode..., Agung Premono, FT UI, 2009

Gambar 2.2. Mesin 5-Aksis [11] Pengembangan metode..., Agung Premono, FT UI, 2009 BAB II TEORI DASAR 2.1. Proses Pemesia Muli-Ais Proses pemesia muli-ais didefiisika sebagai proses pemesia ag dilakuka dega mesi frais/millig (CNC) dega pergeraka lima-ais (5- ais), aau biasa disebu pemesia

Lebih terperinci

BAB II TINJAUAN PUSTAKA. Black dan Scholes (1973) menyatakan bahwa nilai aset mengikuti Gerak

BAB II TINJAUAN PUSTAKA. Black dan Scholes (1973) menyatakan bahwa nilai aset mengikuti Gerak BAB II TINJAUAN PUSTAKA. Peeliia Terdahulu Black da Scholes (973) meyaaka bahwa ilai ase megikui Gerak Brow Geomeri, dega drif μ (ekpekasi dari reur) da volailias σ (deviasi sadar dari reur). Berawal dari

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang

BAB 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 terperinci

Beberapa Definisi Ruang Contoh Kejadian dan Peluang Definisi L.1 (Ruang contoh dan kejadian) . Definisi L.2 (Kejadian lepas )

Beberapa Definisi Ruang Contoh Kejadian dan Peluang Definisi L.1 (Ruang contoh dan kejadian) .   Definisi L.2 (Kejadian lepas ) 33 LAMPIRAN 34 35 Beberapa Defiisi Ruag Cooh Kejadia da Peluag Suau percobaa yag dapa diulag dalam kodisi yag sama, yag hasilya idak dapa diprediksi dega epa eapi kia bisa megeahui semua kemugkia hasil

Lebih terperinci

PERAMALAN HARGA SAHAM SYARI AH RUPIAH EQUITY FUND PT. PRUDENTIAL LIFE INSURANCE PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR.

PERAMALAN HARGA SAHAM SYARI AH RUPIAH EQUITY FUND PT. PRUDENTIAL LIFE INSURANCE PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR. PERAMALAN HARGA SAHAM SYARI AH RUPIAH EQUITY FUND PT. PRUDENTIAL LIFE INSURANCE PEKANBARU MENGGUNAKAN METODE BOX-JENKINS TUGAS AKHIR Diajuka Sebagai Salah Sau Syara Uuk Memperoleh Gelar Sarjaa Sais pada

Lebih terperinci

BAB 3 METODOLOGI PEMECAHAN MASALAH

BAB 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 terperinci

PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113

PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 Peremua 3 Oule: Meode Peramala: Expoeal Smoohg (Sgle) Double Expoeal Smoohg Wer s Mehod for Seasoal Problems Error Forecas MAD, MSE, MAPE, MFE aau Bas Referes:

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat

BAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuha Sistem Sebelum melakuka deteksi da trackig obyek dibutuhka peragkat luak yag dapat meujag peelitia. Peragkat keras da luak yag diguaka dapat dilihat pada Tabel

Lebih terperinci

III PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah

III PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka

Lebih terperinci