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

Ukuran: px
Mulai penontonan dengan halaman:

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

Transkripsi

1 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 Gelar Sarjaa Sais pada Jurusa Maemaika Oleh: MAR ATUS SHOLIKHAH FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU PEKANBARU 2

2 FORECASTING TINGKAT PENJUALAN SEPEDA MOTOR SUUKI PADA CV. ADI MULIA MOTOR DI RENGAT INDRAGIRI HULU DENGAN MENGGUNAKAN METODE TIME SERIES AUTOREGRESSIVE MAR ATUS SHOLIKHAH NIM : Taggal Sidag : 26 April 2 Taggal Wisuda : 2 Jurusa Maemaika Fakulas Sais da Tekologi Uiversias Islam Negeri Sula Syarif Kasim Riau Jl. HR. Soebraas No.55 Pekabaru ABSTRAK Tugas akhir ii membahas eag peramala igka pejuala sepeda moor Suzuki pada CV. Adi Mulia Moor di Rega Idragiri Hulu dega megguaka meode ime series Box-Jekis.Uuk melakuka peramala diperluka daa, adapu daa yag diguaka uuk membagu model peramala adalah daa yag diambil dari bula Jauari 23 sampai dega Desember 2. Berdasarka prosedur pembeuka model ime series Box-Jekis, diperoleh model yag palig sesuai uuk meramalka igka pejuala sepeda moor Suzuki adalah AR(). Berdasarka model ersebu, hasil peramala igka pejuala sepeda moor meigka uuk periode 2. Kaa kuci : AR, Box-Jekis, peramala, ime series. vii

3 DAFTAR SIMBOL a : daa pada periode : waku : koefisie pada Auoregressive : koefisie pada Movig Average : error pada periode ˆ ( ) : raa-raa ˆ : auokorelasi k ˆ kk : auokorelasi parsial K : jumlah : jumlah daa : lag r k e : ACF residual pada lag-k Q : Ljug-Box 2 : chi square e : alpha : error pada persamaa regresi xv

4 DAFTAR ISI Halama LEMBAR PERSETUJUAN... ii LEMBAR PENGESAHAN... iii LEMBAR HAK ATAS KEKAYAAN INTELEKTUAL... iv LEMBAR PERNYATAAN... v LEMBAR PERSEMBAHAN... vi ABSTRAK... vii ABSTRACT... viii KATA PENGANTAR... ix DAFTAR ISI... xi DAFTAR GAMBAR... xiii DAFTAR TABEL... xiv DAFTAR SIMBOL... xv DAFTAR LAMPIRAN... xvi BAB I PENDAHULUAN. Laar Belakag Masalah... I-.2 Rumusa Masalah... I-3.3 Baasa Masalah... I-3.4 Tujua Peeliia... I-3.5 Mafaa Peeliia... I-4.6 Sisemaika Peulisa... I-4 BAB II LANDASAN TEORI 2. Pegeria Pejuala... II- 2.2 Ruu Waku (Time Series)... II Jeis-Jeis Daa Meuru Waku... II Auokorelasi da Auokorelasi Parsial... II Model Liier Time Series yag Sasioer... II-8 xi

5 2.6 Tahap-ahap Membagu Model... II Peeliia-Peeliia Terkai Pejuala... II-4 BAB III METODOLOGI PENELITIAN BAB IV PEMBAHASAN DAN HASIL 4. Daa Tigka Pejuala Sepeda Moor Suzuki... IV- 4.2 Membagu Model Esimasi Pejuala Sepeda Moor.. IV-2 BAB V PENUTUP 5. Kesimpula... V- 5.2 Sara... V- DAFTAR PUSTAKA DAFTAR LAMPIRAN DAFTAR RIWAYAT HIDUP xii

6 DAFTAR TABEL Tabel Halama 4. Deskripif igka pejuala sepeda moor Suzuki... IV Esimasi parameer model AR()... IV Nilai korelasi da Ljug-Box residual... IV Forecasig (peramala) uuk daa raiig... IV Forecasig (peramala) uuk daa esig... IV- 4.6 Forecasig igka pejuala sepeda moor Suzuki Tahu 2 IV- xiv

7 BAB I PENDAHULUAN Pada bagia ii aka dibahas eag laar belakag peeliia, rumusa masalah, baasa masalah, ujua peeliia, mafaa peeliia da sisemaika peulisa yag diguaka.. Laar Belakag Peeliia Idoesia merupaka egara berkembag. Hal ii diadai dega perkembaga da kemajua idusri, salah sau dega adaya perkembaga duia usaha yag semaki pesa. Kemajua sekor idusri yag pesa meimbulka igka persaiga usaha seperi produk sepeda moor (Harmao, 29). Burukya ifrasrukur dapa mempegaruhi mia masyaraka uuk membeli kedaraa roda empa. Masyaraka lebih erarik uuk membeli sepeda moor yag ilaiya lebih prakis da hargaya lebih erjagkau dari pada mobil. Dega sepeda moor, resiko erjebak mace bisa dikuragi da lebih leluasa saa melias jala-jala yag rusak (Trisulo, 28). Produk sepeda moor di Idoesia semaki berkembag dari waku ke waku. Seiap perusahaa sepeda moor berusaha uuk meghasilka produk yag berkualias iggi, baik dari segi ekologi maupu ierior da ekseriorya, sehigga dapa megakibaka persaiga aar perusahaa sepeda moor. Seiap perusahaa melakuka ramala pejuala yag berujua uuk megeahui perkembaga pejuala produkya (Widodo, 29). Ada beberapa meode peramala yaiu meode movig averages, meode expoesial smoohig, meode dekomposisi, meode ipu oupu da meode regresi. Aka eapi, idak semua meode peramala ii dapa diguaka uuk meramalka seiap daa. Suau meode peramala yag sesuai diguaka uuk meramalka suau kegiaa, belum eu sesuai uuk meramalka suau kegiaa yag lai. Oleh karea iu, perlu memilih meode paramala yag sesuai berdasarka karaerisik aau ciri pola geraka yag dimiliki oleh daa yag elah I-

8 diperoleh, sehigga hasilya bisa memiimumka kesalaha forecas, dega kaa lai hasil peramala bisa medekai keyaaa (Subagyo, 989). Pecaaa daa pejuala dari waku ke waku bergua uuk meliha gambara eag perkembaga suau perusahaa, apakah megalami keaika aau megalami peurua. Ramala pejuala aka memberika gambara eag kemampua mejual diwaku yag aka daag. Daa ramala pejuala dapa diguaka uuk dasar perecaaa produksi agar aiya dalam produksi iu idak erjadi over producio sehigga bayak barag idak erjual yag meyebabka perusahaa ii kehilaga kesempaa dalam mejual produksiya aau uder producio (Suprao, 2). Peramala erhadap igka pejuala sepeda moor Suzuki perlu dilakuka, karea dega meramalka igka pejuala sepeda moor Suzuki, maka dealer bisa megambil kebijaka apa yag aka dilakuka uuk memuaska kosume, adapu peeliia yag erkai dega igka pejuala yaiu:. Joko Widodo (29) membahas peramala jumlah pejuala sepeda moor hoda pada CV. Roda Mira Lesari megguaka meode regresi. 2. Malachie Basaova (29) membahas peramala igka pejuala premium pada PT. Surya Tiga Dara Pemalag Jawa Tegah megguaka meode ARIMA. Berdasarka alasa di aas da didukug dega peeliia erkai eag pejuala, maka peulis bermaksud igi meramalka igka pejuala moor Suzuki pada CV. Adi Mulia Moor dega megguaka meode peramalaa yag ada. Meode paramala yag diguaka idak asal pilih, melaika berdasarka karaerisik aau ciri pola geraka dari daa yag elah diperoleh. Uuk iu, peulis erarik megajuka judul FORECASTING TINGKAT PENJUALAN SEPEDA MOTOR SUUKI PADA CV. ADI MULIA MOTOR DI RENGAT INDRAGIRI HULU DENGAN MENGGUNAKAN METODE TIME SERIES AUTOREGRESSIVE. I-2

9 .2 Rumusa Masalah Berdasarka uraia laar belakag ersebu, rumusa permasalahaya adalah:. Bagaimaa peerapa salah sau meode ime series Box-Jekis uuk meramalka igka pejuala moor Suzuki pada CV. Adi Mulia Moor di Kabupae Idragiri Hulu. 2. Bagaimaa hasil peramala igka pejuala moor Suzuki pada CV. Adi Mulia Moor pada Tahu 2 dega megguaka meode ime series Box-Jekis..3 Baasa Masalah Agar di dalam pembahasa ai idak erlalu luas da hasilya dapa medekai ujua peeliia, maka pada bagia ii aka dibaasi pada daa da meode.. Daa Jeis daa yag diguaka adalah daa ime series yaiu berupa ierval waku yag diambil per bula dari Tahu Meode Peulis megguaka meode ime series Box-jekis..4 Tujua Peeliia Peeliia ii berujua uuk:. Meerapka salah sau meode ime series Box-Jekis yag sesuai uuk meramalka igka pejuala moor Suzuki pada CV. Adi Mulia Moor berdasarka daa yag diperoleh. 2. Medapaka hasil peramala igka pejuala moor Suzuki pada CV. Adi Mulia Moor pada Tahu 2 dega megguaka meode ime series Box-jekis. I-3

10 .5 Mafaa Peeliia Mafaa dari peeliia ii adalah:. Bagi peulis a. Membau peulis dalam megaplikasika eori-eori yag elah diperoleh selama kuliah kedalam prakek yag sesugguhya. b. Memberi wacaa, wawasa da pegalama baru kepada peulis selama pembuaa ugas akhir (TA). 2. Bagi lembaga pedidika Agar dapa dijadika sebagai baha sudi kasus bagi pembaca da acua bagi mahasiswa sera dapa memberika baha referesi bagi perpusakaa sebagai baha acua yag dapa meambah ilmu pegeahua bagi pembaca. 3. Bagi perusahaa CV. Adi Mulia Moor Dapa dijadika sebagai baha perimbaga dalam megambil suau kepuusa yag epa da dapa megeahui peramala igka pejuala moor Suzuki pada CV. Adi Mulia Moor pada Tahu 2..6 Sisemaika Peulisa Sisemaika dalam pembuaa ulisa ii mecakup Lima bab yaiu : BAB I Pedahulua Di dalam bab ii dikemuka laar belakag peeliia, rumusa masalah, ujua peeliia da sisemaika peulisa. BAB II Ladasa Teori Di dalam bab ii dikemukaka eori-eori yag dijadika ladasa eori yaiu pegeria pejuala, ruu waku (ime series), jeis-jeis daa meuru waku, auokorelasi da auokorelasi parsial, model liier ime series yag sasioer, ahap-ahap membagu model da peeliiapeeliia yag erkai dega pejuala. I-4

11 BAB III BAB IV BAB V Meodologi Peeliia Bab ii berisi megeai sudi pusaka (lieraure) da sudi lapaga (survey). Pembahasa da Aalisa Bab ii aka membahas forecasig igka pejuala sepeda moor Suzuki pada CV. Adi Mulia Moor di Rega Idragiri Hulu dega megguaka salah sau meode ime series Box-Jekis. Peuup Bab ii berisika kesimpula da sara. I-5

12 BAB II LANDASAN TEORI Pada bagia ladasa eori ii aka dibahas eag pegeria pejuala, ruu waku (ime series), jeis-jeis daa meuru waku, auokorelasi da auokorelasi parsial, model liier ime series yag sasioer, ahap-ahap membagu model da peeliia-peeliia yag erkai dega pejuala. 2. Pegeria Pejuala Pejuala merupaka suau usaha uuk megembagka recaa-recaa yag epa da suau usaha uuk memeuhi keigia pembeli, kebuuha pembeli da medapaka keuuga dari pejuala (Marwa, 99). Pejuala berujua uuk meyampaika barag kebuuha bagi yag memerluka dega imbala uag meuru harga yag elah dieuka. Di dalam prakik pejuala yag seha, kegiaa pejuala barag erika pada harga yaa karea dalam peeua harga elah dieuka oleh produksi da kosume (Widodo, 25). Adapu ujua umum dari pejuala adalah sebagai beriku: a. Mecapai volume aau jumlah pejuala ereu b. Medapaka laba ereu c. Meujag perumbuha perusahaa (Basu Swasa, 99; Widodo, 25). Fakor-fakor yag mempegaruhi igka pejuala aara lai: a. Kualias barag Turuya muu barag dapa mempegaruhi igka pejuala, jika muu suau meuru, hal ii dapa meyebabka kosume merasa kecewa sehigga kosume bisa berpalig kepada barag lai yag muuya lebih baik. II-

13 b. Selera kosume Selera kosume dapa berubah seiap saa, bilamaa selera kosume erhadap barag-barag yag kia perjualka berubah maka igka pejuala aka meuru. c. Servis erhadap kosume Servis erhadap kosume merupaka fakor peig dalam usaha memperlacar pejuala dimaa igka persaiga semaki ajam. Dega adaya servis aau pelayaa yag baik erhadap para kosume sehigga dapa meigkaka igka pejuala. d. Persaiga meuruka harga jual Pooga harga jual dapa dilakuka dega ujua agar pejuala da keuuga suau perusahaa dapa diigkaka dari sebelumya. 2.2 Ruu Waku (Time Series) Ruu waku (ime series) adalah daa yag dikumpulka dari waku ke waku uuk megambarka perkembaga suau kegiaa, misalka sekumpula daa yag diambil per mei, per jam, per hari, per miggu, per bula da per ahu (Suprao, 2). Cooh-cooh daa yag diambil berdasarka derea waku dalam kehidupa sehari-hari, diaaraya: a. Tigka pejuala sepeda moor. b. Tigka pejuala pakaia perhari di Maahari Plaza Pekabaru c. Tigka produksi miyak perhari oleh PT. Cevro d. Bayakya pejuala HP Nokia per miggu uuk wilayah Pekabaru. 2.3 Jeis-Jeis Daa Meuru Waku Di dalam memahami pemodela ruu waku, perlu dikeahui beberapa jeis daa meuru waku (Nachrowi, 26) sebagai beriku: a. Cross-secio daa Cross-secio merupaka daa yag dikumpulka dalam sau waku erhadap bayak idividu. II-2

14 b. Time series (ruu waku) Time series adalah daa yag dikumpulka dari waku ke waku erhadap suau idividu. c. Pael/ pooled daa Daa pael adalah daa yag dikumpulka secara cross-secio da diikui pada periode waku ereu. Geraka aau variasi daa berkala erdiri dari empa macam aau empa kompoe (Suprao, 2) sebagai beriku: a. Gerak jagka pajag aau red Gerak jagka pajag aau red merupaka geraka yag meujukka arah perkembaga suau kegiaa secara umum cederug aik aau uru. y() y() Gambar 2.. Geraka red uru da red aik b. Gerak Siklis Geraka siklis merupaka geraka jagka pajag yag berlaku uuk daa ahua. Geraka siklis ii bisa berulag dalam jagka waku yag sama. Coohya suau bisis mobil yag megalami kemajua aau kemudura. II-3

15 y() Gambar 2.2. Geraka siklis c. Gerak Musima Gerak musima adalah geraka yag berulag. Geraka ii dipegaruhi oleh fakor musima, coohya meigkaya hargaharga pakaia da baha makaa mejelag hari raya, aikya harga poho cemara mejelag aal. y() Gambar 2.4. Geraka musima II-4

16 d. Gerak aau variasi yag idak eraur (irregular or radom movemes) Gerak aau variasi yag idak eraur adalah geraka yag berbeda eapi dalam waku yag sigka, idak diikui dega pola yag eraur da bersifa sporadis. Coohya aik-uruya produksi suau barag akiba becaa alam. y() Gambar 2.5. Geraka radom aau acak Aalisis daa-daa berkala idak haya bisa dilakuka uuk sau variabel (uivariae) eapi bisa juga uuk bayak variabel (mulivariae). Selai iu pada aalisis daa dere berkala bisa dilakuka peramala daa beberapa periode ke depa yag saga membau dalam peyusua perecaaa kedepa. 2.4 Auokorelasi da Auokorelasi Parsial Korelogram merupaka ekik ideifikasi kesasioera daa ime series. Fugsi ii bermafaa uuk mejelaska suau proses sokasik da aka memberika iformasi bagaimaa hubuga (korelasi) aar daa-daa ( ) yag berdekaa. ACF dioasika ˆ ; i,,2,3, k, secara maemais ACF dapa i, diulis (Nacrowi, 26): II-5

17 k ( )( ) k ˆ k rk (2.) 2 ( ) keeraga: ˆ i = auokorelasi lag i, i,2,3,, k = daa pada periode,,2,3,, k = daa pada periode i, i,2,3,, k i = raa-raa Besara saisik lai yag diperluka dalam aalisis ime series yaiu fugsi auokorelasi parsial (PACF), yag dioasika { ; i, 2,3, k }, yaki ii, himpua auokorelasi parsial uuk berbagai lag k. PACF dapa diulis (Durbi, 96; Efedi 2): ˆ kk r k k j k j ˆ ˆ k k r, i k, j r j j (2.2) keeraga: ˆ = auokorelasi parsial (PACF) lag i, i,2,3,, k i ii r = auokorelasi lag i, i,2,3,, k ˆ = auokorelasi parsial lag i-,j, i,2,3,, k da j,2,, k i i, j j r = auokorelasi lag i-j, i,2,3,, k da j,2,3,, k r = auokorelasi lag j, j,2,3,, k j 2.5 Model Liier Time Series yag Sasioer Pada peeliia ii peulis aka megguaka model liier ime series yag sasioer seperi auoregressive, movig average da auoregressive movig average. Model yag dikaaka liier, apabila diliha dari variabelya memiliki II-6

18 pagka eriggi sau da diliha dari operasiya haya pejumlaha da perkalia. Model yag ime series liier yag sasioer seperi auoregressive (AR), movig average (MA) da auoregressive movig average (ARMA) Model Auoregressive Tigka p aau AR (p) Auoregressive (AR) adalah model liier yag palig dasar uuk proses yag sasioer, model ii dapa diarika sebagai proses hasil regresi dega diriya sediri. Secara maemais AR(p) dapa diulis (Hake dkk, 29): keeraga: 2 = daa pada periode, i 2 p p,2,3,, = daa pada periode i, i,2,3,, p a = error pada periode ke- = kosaa auoregressive a (2.3) i = koefisie auoregressive igka p, i,2,3, p Selajuya uuk model AR() dapa diulis (Hake dkk, 29) sebagai beriku: keeraga: a (2.4) = daa pada periode, = daa pada periode a = error pada periode ke-,2,3,, = kosaa auoregressive pada igka = koefisie auoregressive igka Model auoregressive diaggap sasioer dega pola ACF uru secara ekspoesial. Beuk pola eoriik dari auocorelaio fucio (ACF) yag uru secara ekspoesial dapa diliha pada Gambar 2.5. Sedagka parial II-7

19 auocorelaio fucio (PACF) dari proses AR() meujukka suau spike posiif pada lag- da kemudia cu off seelah lag- seperi yag diujuka pada Gambar 2.5: a. ACF b. PACF Gambar 2.5. Beuk eoriik pola ACF da PACF dari AR() Model Movig Average Tigka q aau MA (q) Persamaa dari movig average igka q aau MA(q) secara maemais dapa diulis (Hake dkk, 29) sebagai beriku: keeraga: a a 2a 2 qa q (2.5) = daa pada periode, i,2,3,, a = error pada periode i, i,2,3,, q a = error pada periode ke- = kosaa movig average i = koefisie Movig Average igka q, i,2,3,, q Model Auoregressive Movig Average aau ARMA Model ii merupaka gabuga aara auoregressive AR(p) dega movig average MA(q), sehigga diyaaka sebagai ARMA(p,q), dega beuk umumya (Hake dkk, 29) sebagai beriku: p p a a qa q. (2.6) II-8

20 keeraga: = daa pada periode, i,2,3,, = daa pada periode i, i,2,3,, p a = error pada periode ke- a = error pada periode i, i,2,3,, q i = kosaa i = koefisie auoregressive igka p, i,2,3,, p i = koefisie movig average igka q, i,2,3,, q 2.6 Tahap-ahap Membagu Model Secara umum ahap-ahap yag diguaka dalam membagu model dega megguaka meode Box-Jekis yaiu ideifikasi model, esimasi parameer model, verifikasi model da peramala (Nacrowi, 26) Ideifikasi Model Pada ahap ideifikasi model melipui ideifikasi secara visual yaiu dega cara memplo daa igka pejuala moor Suzuki erhadap waku ( ) uuk medeeksi kesasioera daa igka pejuala moor Suzuki. Apabila daa igka pejuala moor suzuki o-sasioer maka dilakuka differecig (selisih sau). Selajuya uuk meliha kesasioera dapa juga dilakuka dega meliha pasaga dari auocorelaio fucio (ACF) da parial auocorelaio fucio (PACF). Pada model AR(p) kesasioera dapa diliha dari grafik ACF yaiu dega meliha lag-lag ya uru secara ekspoesial, sedagka grafik PACF uuk meliha kelas model dega meliha fugsi cu off seelah lag-k. Selajuya pada model MA(q) kesasioera dapa diliha dari grafik PACF yaiu lag-lag ya uru secara ekspoesial, sedagka pada grafik ACF diguaka uuk meeuka kelas model. II-9

21 2.6.2 Esimasi Parameer Model Tahap ii diguaka uuk meliha apakah parameer yag diperoleh sigifika aau idak sigifika, selajuya uuk meeuka parameer dega megguaka meode Ordiary Leas Square (OLS), meode OLS merupaka suau meode yag dapa uuk meaksirka parameer dega cara memiimumka jumlah kuadra error. Jumlah kuadra error uuk persamaa ime series aalog dega persamaa jumlah kuadra error regresi liier sederhaa (Sembirig, 995). Persamaa regresi liier sederhaa, yaiu: yi a bxi ei ; i, 2,3,, (2.7) esimasi persamaa regresi liier sederhaa, yaiu: yˆ a bx ; i,2,3, (2.8) i i, jumlah kuadra error persamaa regresi liier sederhaa, yaiu: J i 2 e y yˆ (2.9) i i aalog esimasi persamaa ime series, yaiu: ˆ i i 2 z ;, 2,3, (2.), aalog jumlah kuadra error persamaa regresi liier sederhaa pada ime series, yaiu: 2 ˆ 2 J a (2.) dega mesubsiusika persamaa (2.) kepersamaa (2.), maka diperoleh jumlah kuadra error, yaiu: 2 2 J a (2.2) dega memiimumka Persamaa (2.2) erhadap J, maka: II-

22 II (2.3) Selajuya miimumka Persamaa (2.2) erhadap, maka: J 2 2 (2.4)

23 Selajuya uuk megeahui sigifikasi parameer model dapa megguaka uji P-value (Hake, 29) sebagai beriku: a. Hipoesis: H : parameer pada model adalah idak sigifika. H : parameer pada model adalah sigifika. b. Kepuusa: P Value,5(level olerasi) olak H P Value,5(level olerasi) erima H c. Kesimpula: Tolak H : parameer model sigifika. Terima H : parameer model idak sigifika Verifikasi Model Selajuya seelah parameer model diperoleh da dilakuka uji sigifikasi, maka ahap selajuya verifikasi model yag berujua uuk megeahui apakah model dapa dierima aau idak. Pada ahap verifikasi model aka dilakuka uji kesesuaia model yag melipui uji kecukupa model da uji keormala residual. a. Uji Kecukupa Model Pada ahap uji kecukupa model yaiu pegujia erhadap residual apakah sudah megikui radom (acak) aau idak radom (idak acak). Lagkah-lagkah uji kecukupu model dega megguaka uji Ljug-Box (Hake dkk, 29). Q keeraga: m 2 * rk ( e) ( 2) (2.5) k k r k (e) = ACF residual pada lag k = jumlah daa II-2

24 K = lag a. Hipoesis: H : residual memeuhi syara radom H : residual idak memeuhi syara radom b. Kepuusa: * Q 2 ( ; df K p q) adalah erima * Q 2 ( ; df K p q) adalah olak H c. Kesimpula: Terima H : residual memeuhi syara radom Tolak H : residual idak memeuhi syara radom. H Selai iu, kecukupa model juga bisa dideeksi dega meliha pola grafik ACF da PACF dari residual yag meujukka pola cu off. b. Uji Keormala Residual Uji keormala residual dilakuka uuk meliha apakah ilai residual erdisribusi secara ormal aau idak. Pada peeliia igka pejuala sepeda moor Suzuki uji keormala dilakuka dega megguaka uji hisogram, jika hisogram sudah berbeuk seperi kurva ormal, maka sudah memeuhi asumsi ormal Peramala Di dalam ahap peramala ii, sebelum melakuka peramala igka pejuala Tahu 2, erlebih dahulu dilakuka peramala erhadap daa raiig dega megguaka usur daa asli da daa esig apa megguaka usur daa asli, peramala ersebu dega meode oe sep a head (sau lagkah ke depa). II-3

25 2.8 Peeliia-peeliia yag Terkai dega Pejuala Peeliia-peeliia yag erkai model peramala igka pejuala yag perah dilakuka: a. Seyo Rii (25) membahas peramala igka pejuala Mobil Misubhisi pada PT. Sidodadi Berlia Moors megguaka meode dekomposisi. b. Ya Asui (25) membahas peramala igka pejuala eh hiam pada PT. Perkebua Tambi Woosobo megguaka meode Exspoeial Smoohig. c. Wahyu Widodo (25) membahas peramala jumlah pejuala pakaia di Toko Yuaia Purwodadi megguaka meode auo regresi da auo korelasi. d. Sii Sulikah (25) membahas peramala pejuala peramax di SPBU Pamularsih Semarag megguaka meode dekomposisi. e. Sri ai (25) membahas forecasig jumlah pelagga kora sore wawasa ahu 25 berdasarka hasil promosi di PT. Saraa Pariwara Semarag megguaka meode expoeial smoohig berbau program miiab. f. Joko Widodo (29) membahas peramala jumlah pejuala sepeda moor hoda pada CV. Roda Mira Lesari megguaka meode regresi. g. Malachie Basaova (29) membahas peramala igka pejuala premium pada PT. Surya Tiga Dara Pemalag Jawa Tegah megguaka meode ARIMA. II-4

26 BAB III METODOLOGI PENELITIAN Meodologi peeliia yag diguaka peulis adalah sudi lapaga (survey) da sudi pusaka (lieraure) dega lagkah-lagkah sebagai beriku:. Megumpulka daa igka pejuala sepeda moor ke dealer Suzuki CV. Adi Mulia Moor di Rega Idragiri Hulu. 2. Megorgaisir daa igka pejuala sepeda moor Suzuki. 3. Megideifikasi model yag melipui ideifikasi secara visual (lagsug) yaiu dega cara membua plo daa igka pejuala sepeda moor Suzuki pada CV. Adi Mulia Moor erhadap waku () uuk meliha kesasioera daa, selai iu kesasioera juga dapa diliha dari pasaga ACF da PACF. 4. Megesimasi parameer model dega ujua uuk meliha sigifikasi parameer model dega megguaka uji p-value, sedagka level olerasi ( ) yag diguaka adalah 5% aau,5. 5. Memverifikasi model dega ujua uuk megeahui apakah model dapa dierima aau idak yaiu dega megguaka uji kesesuaia model yag melipui uji kecukupa model dega megguaka uji Ljug-Box da uji keormala residual dega megguaka uji hisogram. 6. Meramalka igka pejuala sepeda moor Suzuki pada CV. Adi Mulia Moor Tahu 2. Namu, sebelum dilakuka peramala igka pejuala Tahu 2 sebelumya dilakuka peramala pada daa raiig dega megguaka usur daa asli da peramala pada daa esig apa megguaka usur daa asli. Lagkah-lagkah meodologi peeliia di aas dapa digambarka dalam flow char sebagai beriku: III-

27 Mulai Koleksi daa ke dealer Suzuki CV. Adi Mulia Orgaisir daa igka pejuala sepeda moor Ideifikasi model dega aalisis grafik da meliha pasaga dari ACF da PACF Esimasi parameer model dega megguaka uji P-Value Verifikasi model dega meliha kesesuaia model idak ya Peramala Selesai Gambar 3.. Flow char meodologi peeliia III-2

28 Tigka pejuala BAB IV PEMBAHASAN DAN HASIL Pada bagia ii aka dibahas eag forecasig (peramala) igka pejuala sepeda moor Suzuki pada CV. Adi Mulia Moor dega megguaka meode Box-Jekis yag melipui empa kegiaa pokok yag erdiri dari ideifikasi model, esimasi parameer model, verifikasi model da ahap selajuya forecasig (peramala) igka pejuala sepeda moor Tahu Daa Tigka Pejuala Sepeda Moor Suzuki Berdasarka Lampira A daa igka pejuala sepeda moor suzuki pada CV. Adi Mulia Moor di Idragiri Hulu sepajag periode bula Jauari Tahu 23 sampai dega bula Desember Tahu 2 megalami perubaha yag flukuaif. Uuk lebih jelasya dapa diliha dalam beuk hisogram pada Gambar 4.: Tigka pejuala waku Gambar 4. Daa igka pejuala dari Tahu 23-2 Berdasarka Gambar 4. erliha bahwa igka pejuala eriggi yaiu pada Tahu 25 sebesar 2798, sedagka 2 merupaka igka pejuala eredah pada Tahu 26. Selajuya aka dibua abel deskripif igka IV-

29 pejuala sepeda moor Suzuki berdasarka daa pada Lampira A, uuk meliha ilai miimum, maksimum, mea (raa-raa) da sadar deviasi dari igka pejuala sepajag Tahu Tabel 4. Deskripif igka pejuala sepeda moor Suzuki Tigka Variabel pejuala sepeda moor Suzuki Miimum Maximum Sadar Mea (jumlah daa) (ui) (ui) deviasi ,6 67,3 Berdasarka Tabel 4. erliha bahwa raa-raa igka pejuala sepeda moor Suzuki pada CV. Adi Mulia selama periode Tahu 23 sampai dega Tahu 2 adalah 7,6 da pejuala eriggi adalah 47 pada bula Sepember Tahu 27, sedagka 78 adalah pejuala eredah pada bula Mei da Agusus Tahu 26 dega sadar deviasi 67,3, sedagka meyaaka jumlah daa. 4.2 Membagu Model Esimasi Pejuala Sepeda Moor Suzuki Pada ahap membagu model ii aka dilakuka ideifikasi model, esimasi parameer, verifikasi model da peramala (forecasig) Ideifikasi Model Tahap ii aka dilakuka ideifikasi secara visual (lagsug) yaiu dega cara meliha plo daa igka pejuala sepeda moor Suzuki uuk meeuka kesasioera daa, selajuya kesasioera daa juga dapa dideeksi dega megguaka auocorelaio fucio (ACF) da parial auocorelaio fucio (PACF). Berdasarka Lampira A daa-daa igka pejuala sepeda moor Suzuki pada CV. Adi Mulia Moor dapa diploka erhadap waku ( ) seperi yag diujuka pada Gambar 4.2: IV-2

30 Gambar 4.2 Pejuala moor suzuki pada CV. Adi Mulia (23-2) Berdasarka Gambar 4.2 erliha bahwa daa ke- sampai dega daa ke- 35 igka pejuala sepeda moor cederug sabil, sedagka daa ke-36 sampai dega daa ke-5 uru secara ajam, kemudia daa ke-52 sampai dega daa ke-57 pejuala megalami keaika yag cukup ajam, sehigga diliha secara kasa maa daa idak sasioer. Namu, kesasioera daa juga dapa diliha dari pasaga auocorelaio fucio (ACF) da parial auocorelaio fucio (PACF) yag aka diujukka pada Gambar 4.3 da Gambar 4.4: Gambar 4.3 ACF igka pejuala sepeda moor Suzuki IV-3

31 Gambar 4.4. PACF igka pejuala sepeda moor Suzuki Berdasarka Gambar 4.3 da Gambar 4.4 erliha bahwa lag-lag dari grafik ACF da PACF uru secara ekspoesial, hal ii berari daa sudah sasioer, sehigga didapa perkiraa model awalya yaiu auoregressive igka aau AR() karea pada grafik auocorelaio fucio (ACF) uru secara ekspoesial sedagka pada grafik parial auocorelaio fucio (PACF) cu off seelah lag- da meuru cepa pada lag berikuya. Secara maemais beuk umum AR() dapa diliha pada bab ladasa eori dalam Persamaa (2.4) Esimasi Parameer Model AR() Seelah perkiraa model diperoleh, maka ahap berikuya adalah megesimasi parameer model AR(). Peeua parameer model da kosaa model AR() adalah dega megguaka meode Ordiary Leas Square (OLS). Selajuya esimasi parameer diperoleh dega megguaka baua pake pegolaha daa ime series (Miiab), yag diujukka pada Tabel 4.2: IV-4

32 Tabel 4.2 Esimasi parameer model AR() AR() Koefisie P-Value Kosaa ( ) 39,422, Parameer ( ),77, Berdasarka Tabel 4.2 diperoleh ilai kosaa ( ) pada model AR() adalah 39,442 sedagka ilai parameer ( ) pada model AR() adalah,77. Selajuya seelah parameer da kosaa model AR() diperoleh, maka dilakuka uji sigifikasi erhadap parameer da kosaa dega megguaka uji P-Value, sebagai beriku: Uji sigifikasi kosaa ( ) Hipoesis: Kepuusa: H : kosaa ( ) pada model AR() adalah idak sigifika. H : kosaa ( ) pada model AR() adalah sigifika. Berdasarka Tabel 4.2 H diolak karea p-value < level olerasi aau,,5 hal ii berari kosaa ( ) sigifika erhadap model AR(). Uji sigifika parameer ( ) Hipoesis: Kepuusa: H : parameer ( ) pada model AR() adalah idak sigifika. H : parameer ( ) pada model AR() adalah sigifika. Berdasarka Tabel 4.2 H diolak karea p-value < level aau,,5 hal ii berari ilai parameer ( ) sigifika erhadap model AR(), sehigga kosaa ( ) da parameer ( ) dapa diguaka. Dega megguaka Persamaa (2.4) diperoleh model AR() sebagai beriku: IV-5

33 z 39,442,77 z a (4.) Verifikasi Model Seelah parameer model diuji sigifikasiya maka ahap selajuya adalah verifikasi model dega megguaka uji kesesuaia model yag melipui uji kecukupa model da uji keormala residual. a. Uji Kecukupa Model Tahap Uji kecukupa model ii dilakuka uuk megeahui apakah ilai residual megikui proses radom (acak) aau idak radom. Pada Tabel 4.3 meujuka ilai korelasi da ilai Ljug-Box residual. Tabel 4.3 Nilai korelasi da Ljug-Box residual * * Lag Korelasi Ljug-Box ( Q ) Lag Korelasi Ljug-Box ( Q ) -,46945,9, ,2 2,979,24 2,5742 5,35 3 -,5896,54 3 -,259 5,4 4 -,66867,94 4 -, ,96 5, ,76 5 -,2695 6,3 6 -,942 3,52 6 -,6247 6,44 7 -, ,57 7 -,6294 6,85 8 -,8583 4,25 8 -,2663 8,59 9, ,79 9 -,6555 8,62,3429 4,88 2 -,24668,37 2 -,3237 2,38 Berdasarka Tabel 4.3 dapa diliha ilai korelasi da ilai Ljug-Box. Selajuya ilai-ilai ersebu aka diuji apakah model sesuai aau idak sesuai. Hipoesis: H Kepuusa: : residual memeuhi syara radom H : residual idak memeuhi syara radom. Berdasarka Tabel 4.3 da dega megguaka Persamaa (2.5) diperoleh ilai Ljug Box ( Q ) pada lag ke- sebesar,9 da dega IV-6

34 megguaka abel pada Lampira B diperoleh ilai 2 (,5 ; 2 ) 3, 4, sehigga,9 3,4 maka erima H, hal ii berari residual memeuhi syara radom yag berari model AR() dapa dierima. Selajuya uji kecukupa model juga dapa diliha dari grafik ACF da grafik PACF residual yag diujuka pada Gambar 4.5 da Gambar 4.6: Gambar 4.5 ACF residual Gambar 4.6 PACF residual Berdasarka Gambar 4.5 da Gambar 4.6 yag meujuka pola cu off aau lag-lag dari grafik ACF da PACF idak ada yag memoog baas aas da IV-7

35 baas bawah dari ilai korelasi residual, hal ii berari residual sudah megikui syara radom (acak). b. Uji Keromala Residual Pada uji keormala residual ii aka meliha keormala residual dari model AR() apakah sudah erdisribusi ormal aau idak yaiu dega uji hisogram yag aka diujuka pada Gambar 4.7: Gambar 4.7 Hisogram residual Dari Gambar 4.7 dapa diliha bahwa hisogram residual sudah berbeuk seperi kurva ormal, hal ii berari residual sudah memeuhi asumsi ormal. Berdasarka kedua uji yag elah dilakuka yaiu uji kecukupa model da keormala residual sudah erpeuhi, sehigga dapa disimpulka bahwa model AR() adalah model yag sesuai uuk peramala igka pejuala sepeda moor Suzuki pada CV. Adi Mulia Moor pada Tahu Forecasig Tigka Pejuala Sepeda Moor Pada ahap forecasig (peramala) aka dibahas peramala igka pejuala sepeda moor pada daa raiig dega megguaka usur daa asli, peramala daa esig apa megguaka usur daa asli da selaya peramala igka pejuala uuk Tahu 2. IV-8

36 a. Forecasig (Peramala) uuk Daa Traiig Di dalam peramala daa raiig ii, peramalaya megguaka meode oe sep a head (sau lagkah ke depa). Adapu jumlah daa raiig yag diguaka adalah sebayak 84 daa igka pejuala sepeda moor suzuki dari bula Jauari Tahu 23 sampai dega bula Desember Tahu 29. Pada Tabel 4.4 adalah peramala uuk daa raiig yag diperoleh dega megguaka Persamaa 4. sebagai beriku: Uuk z z 39,442, 77 2 z z 39,442 2,77 (255 ) 236 z 39,442 3,77 (24 ) 224 z 39, ,77 (8 ) z 39, ,77 (99 ) Selajuya uuk lebih jelas dapa liha pada Tabel 4.4: Tabel 4.4 Forecasig (peramala) uuk daa raiig No Bula Akual Peramala No Bula Akual Peramala Jauari Juli Februari Agusus Mare Sepember 99 4 April Okober Mei November Jui Desember Juli Jauari Agusus Februari Sepember Mare 26 IV-9

37 Tabel 4.4 Forecasig (peramala) uuk daa raiig (lajua) No Bula Akual Peramala No Bula Akual Peramala Okober April 65 7 November Mei Desember Jui Jauari Juli Februari Agusus Mare Sepember April Okober Mei November Jui Desember Juli Jauari Agusus Februari Sepember Mare Sepember Mare 8 34 Okober April November Mei Desember Jui Jauari Juli Februari Agusus Mare 89 8 Sepember April Okober 94 4 Mei November Jui 9 84 Desember 8 6 b. Forecasig (peramala) uuk Daa Tesig Tahap peramala uuk daa esig diguaka 2 daa igka pejuala moor Suzuki da uuk daa ke 85 diaggap idak dikeahui sehigga ilai.diguaka ilai peramala pada daa raiig yag ke 84 da seerusya sampai 96. Selajuya dega megguaka Persamaa 4. maka diperoleh peramala uuk daa esig sebagai beriku: 39, ,77 (6 ) IV-

38 z 39, z 39, z 39, ,77 (29 ),77 (39 ),77 (68 ) Uuk lebih jelas dapa diliha pada Tabel 4.5: Tabel 4.5 Forecasig (peramala) uuk daa esig No Bula Akual Peramala No Bula Akual Peramala Jauari Juli Februari Agusus Mare Sepember April Okober Mei November Jui Desember 68 7 c. Forecasig (peramala) Tigka Pejuala Tahu 2 Seelah dilakuka peramala pada daa raiig da peramala pada daa esig, maka ahap selajuya adalah peramala igka pejuala sepeda moor Suzuki pada CV. Adi Mulia Moor pada Tahu 2. Dega baua sofware miiab, maka diperoleh peramala igka pejuala sepeda moor Suzuki pada CV. Adi Mulia Moor pada Tahu 2 sebagai beriku: Tabel 4.6 Forecasig igka pejuala sepeda moor Suzuki Tahu 2 No Bula Peramala No Bula Peramala Jauari Juli 72 2 Februari 7 8 Agusus 72 3 Mare 7 9 Sepember 72 4 April 7 Okober 72 IV-

39 Tabel 4.6 Forecasig igka pejuala sepeda moor Suzuki (lajua) No Bula Peramala No Bula Peramala 5 Mei 7 November 72 6 Jui 7 2 Desember 72 Berdasarka Tabel 4.6, Tabel 4.5 da Tabel 4.6 dapa diplo seperi pada Gambar 4.8 sebagai beriku: Gambar 4.8. Peramala raiig, esig da peramala Tahu 2 Berdasarka Gambar 4.8 erliha bahwa peramala pada daa raiig megikui pola daa acual, hal iu dikareaka peramala pada daa raiig megguaka usur daa asli igka pejuala sepeda moor Suzuki. Sedagka forecasig (peramala) pada daa esig meujuka bahwa igka pejuala sepeda moor Suzuki meigka uuk periode bula Jauari-Desember 2 sehigga pada peramalaya ada yag megikui pola daa asli da ada yag idak megikui pola daa asli, hal ii dikareaka idak adaya usur daa asli yag diguaka dalam peramala, eapi megguaka daa hasil peramala raiig. Selajuya uuk pola forecasig (peramala) igka pejuala moor suzuki pada CV. Adi Mulia Moor memgalami peigkaa uuk periode bula Jauari sampai dega Desember Tahu 2. IV-2

40 BAB V KESIMPULAN DAN SARAN 5. Kesimpula Berdasarka prosedur meode ime series Box-Jekis, diperoleh model yag sesuai uuk meramalka igka pejuala sepeda moor Suzuki pada CV. Adi Mulia Moor adalah model AR(), yag dapa diuliska sebagai beriku: z 39,442,77 z a Sedagka hasil peramala igka pejuala sepeda moor Suzuki pada CV. Adi Mulia Moor di Rega Idragiri Hulu uuk periode bula Jauari sampai dega Desember Tahu 2 yag dapa disajika pada Tabel 5.. Tabel 5.. Peramala igka pejuala sepeda moor suzuki ahu 2. No Bula Peramala No Bula Peramala Jauari 69 7 Juli 72 2 Februari 7 8 Agusus 72 3 Mare 7 9 Sepember 72 4 April 7 Okober 72 5 Mei 7 November 72 6 Jui 7 2 Desember 72 Berdasarka Tabel 5. erliha bahwa daa igka pejuala sepeda moor Suzuki megalami peigkaa uuk periode Tahu Sara Tugas akhir ii membahas eag peeliia igka pejuala sepeda moor Suzuki pada CV. Adi Mulia Moor di Kabupae Idragiri Hulu dega megguaka AR(). Oleh karea iu, peulis meyaraka bagi pembaca yag igi melajuka ugas akhir ii dapa melajuka jeis peeliia yag lai aau dega megguaka meode lai da membadigka hasil peramalaya.

41 DAFTAR PUSTAKA Asui, Y. Peramala (forecasig) Volume Pejuala Teh Hiam dega Meode Expoeial Smooig pada PT. Perkebua Tambi Woosobo. Tugas Akhir Mahasiswa ITS. Semarag. 25. Basaova, Malachie. Aalisis Iervesi Pejuala BBM Akiba Keaika Harga Jual BBM di PT. Surya Tiga Dara Pemalag-Jawa Tegah. Tugas Akhir Mahasiswa ITS. Semarag. 25. Efedi, Riswa. Pegaar Aalisa Ruu Waku. UIN SUSKA. Pekabaru. 2. Hake, E Joh. Busies Forecasig. Pearso Ieraioal Ediio. USA. 29. Harmao, Dwi. Pegaruh Promosi Terhadap Volume Pejuala pada Dealer Saka Moor Woogiri. Tugas Akhir Mahasiswa Fakulas Ekoomi Jurusa Majema Uiversias Muhammadiyah Surakara. 29. Marwa. Kosep Pemasara da Pejuala. 99. [Olie] Avaliable hp://elqori.wordpress.com/28/5/3/kosep-pemasara-dapejuala/. Diakses, 5 Okober 2. Nachrowi, D, N. Ekoomerika uuk Aalisis Ekoomi da Keuaga. Fakulas Ekoomi Uiversias Idoesia. Jakara. 26. Rii, Seyo. Peramala (forecasig) Volume Pejuala Mobil Misubishi pada PT. Sidodadi Berlia Moor. Tugas Akhir Mahasiswa Uiversias Negeri. Semarag. 25. Sembirig, R. K. Aalisis Regresi. ITB. Badug.995. Sri ai. Forecasig Jumlah Pelagga Kora Sore Wawasa Tahu 25 Berdasarka Hasil Promosi di PT. Saraa Pariwara Semarag Megguaka Meode Expoeial Smoohig Berbau Program Miiab. Tugas Akhir Mahasiswa Uiversias Negeri. Semarag 25. Subagyo, P. Forecasig Kosep da Aplikasi. BPFE, Yogyakara Sulikah, S. Meode Dekomposisi uuk Forecasig Volume Pejuala Peramax SPPBU Pamularsih Semarag. Tugas Akhir Mahasiswa ITS. Semarag. 25. Suprao, J. Saisik Teori da Aplikasi. Erlagga. Jakara. 2.

42 Trisulo. Ifrasukur Picu Pejuala Moor Naik. 28. [Olie] Avaliable hp://ews.okezoe.com/read/28/2/27//87259/ifrasukur-picupejuala-moor-aik/. Diakses, Okober 2. Widodo, J. Peramala Jumlah Pejuala Sepedah Moor Hoda pada CV. Roda Mira Lesari. Tugas Akhir Mahasiswa Uiversias Guadarma. Jakara. 29. Widodo, W. Meode Auoregresi da Auokorelasi uuk Mejual Pakaia di Toko Yuaia Purwodadi. Tugas Akhir Mahasiswa Uiversias Negeri. Semarag. 25.

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 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

PEMODELAN TINGKAT KECELAKAAN LALU LINTAS DI KOTA PEKANBARU MENGGUNAKAN METODE TIME SERIES AUTOREGRESIVE TUGAS AKHIR. Oleh:

PEMODELAN TINGKAT KECELAKAAN LALU LINTAS DI KOTA PEKANBARU MENGGUNAKAN METODE TIME SERIES AUTOREGRESIVE TUGAS AKHIR. Oleh: PEMODELAN TINGKAT KECELAKAAN LALU LINTAS DI KOTA PEKANBARU MENGGUNAKAN METODE TIME SERIES AUTOREGRESIVE TUGAS AKHIR Diajuka sebagai Salah Sau Syara uuk Memperoleh Gelar Sarjaa Sais pada Jurusa Maemaika

Lebih terperinci

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

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

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

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 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

MODEL ARIMA(0,1,1) UNTUK PERAMALAN JUMLAH NASABAH PADA PT. PRUDENTIAL LIFE INSURANCE KOTA PEKANBARU TUGAS AKHIR

MODEL ARIMA(0,1,1) UNTUK PERAMALAN JUMLAH NASABAH PADA PT. PRUDENTIAL LIFE INSURANCE KOTA PEKANBARU TUGAS AKHIR MODEL ARIMA(0,,) UNTUK PERAMALAN JUMLAH NASABAH PADA PT. PRUDENTIAL LIFE INSURANCE KOTA PEKANBARU TUGAS AKHIR Diajuka Sebagai Salah Sau Syara Uuk Memperoleh Gelar Sarjaa Sais pada Jurusa Maemaika Oleh:

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

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

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

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

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

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

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

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

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

BAB IV METODOLOGI PENELITIAN

BAB IV METODOLOGI PENELITIAN 30 BAB IV METODOLOGI PENELITIAN 4.1 Beuk da Meode Peeliia Peeliia Opimalisasi da Sraegi Pemafaaa Souher Bluefi Tua di Samudera Hidia Selaa Idoesia diarahka pada upaya uuk megugkapa suau masalah aau keadaa

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

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

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

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

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

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

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

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

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

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

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

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

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

B. DESKRIPSI SINGKAT MATA KULIAH

B. DESKRIPSI SINGKAT MATA KULIAH A. IDENTITAS MATA KULIAH Nama Maa Kuliah : Kalkulus 1 Kode Maa Kuliah : MUG1A4 SKS : 4 (empa) Jeis : Maa kuliah wajib Jam pelaksaaa : Taap muka di kelas = 4 jam per peka Tuorial/ resposi Semeser / Tigka

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

BAB METODOLOGI. Bab 2 Metodologi berisikan :

BAB METODOLOGI. Bab 2 Metodologi berisikan : BAB METODOLOGI Bab Meodologi berisika :.. Pegambila Sampel.. Peramala Nilai Iflasi melalui Ideks Harga Kosume Megguaka Meode ARIMA.3. Akumulasi Prese Value melalui Buga Sederhaa dalam Perhiuga Harga Barag

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

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

BAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.

BAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya. BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh

Lebih terperinci

BAB II TINJAUAN PUSTAKA. pengantar metode ARIMA Box Jenkins dan analisis spektral.

BAB II TINJAUAN PUSTAKA. pengantar metode ARIMA Box Jenkins dan analisis spektral. BAB II TINJAUAN PUSTAKA. Pedahulua Pada Bab II aka dijelaska pegeria pegeria da eori dasar yag diguaka sebagai ladasa pembahasa pada bab selajuya. Teori yag aka dibahas pada Bab II ii secara garis besar

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

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 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

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

BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF

BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap

Lebih 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

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

Pemodelan Indeks Harga Saham Gabungan (IHSG), Kurs, dan Harga Minyak Dunia dengan Pendekatan Vector Autoregressive

Pemodelan Indeks Harga Saham Gabungan (IHSG), Kurs, dan Harga Minyak Dunia dengan Pendekatan Vector Autoregressive JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 0) ISSN: 30-98X D-87 Pemodela Ideks Harga Saham Gabuga (IHSG), Kurs, da Harga Miyak Duia dega Pedekaa Vecor Auoregressive Dimas Okky.S da Seiawa Jurusa Saisika,

Lebih terperinci

PENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL LINEAR DENGAN MENGGUNAKAN METODE TRANSFORMASI ELZAKI

PENYELESAIAN PERSAMAAN DIFERENSIAL PARSIAL LINEAR DENGAN MENGGUNAKAN METODE TRANSFORMASI ELZAKI Bulei Ilmiah Ma. Sa. da erapaya (Bimaser) Volume 4, No. (5), hal 7 6. PNYLSAIAN PRSAMAAN DIFRNSIAL PARSIAL LINAR DNGAN MNGGUNAKAN MOD RANSFORMASI LZAKI Noa Miari, Mariaul Kifiah, Helmi INISARI Persamaa

Lebih terperinci

PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR.

PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR. PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,,)(0,,) 2 TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains

Lebih 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

JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS JEMBER

JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS JEMBER STATISTIK CUKUP Oleh: Ramayai Rizka M (11810101003), Dey Ardiao (1181010101), Ikfi Ulyawai (1181010103), Falviaa Yulia Dewi (1181010106), Ricki Dio Rosada (11810101034), Nurma Yuia D (11810101035), Wula

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

PENENTUAN NILAI ANUITAS JIWA SEUMUR HIDUP MENGGUNAKAN DISTRIBUSI GOMPERTZ

PENENTUAN NILAI ANUITAS JIWA SEUMUR HIDUP MENGGUNAKAN DISTRIBUSI GOMPERTZ Bulei Ilmiah Ma. Sa. da Terapaya (Bimaser) Volume 05, No. 2 (206), hal 79-86 PENENTUAN NILAI ANUITAS JIWA SEUMUR HIDUP MENGGUNAKAN DISTRIBUSI GOMPERTZ Sii Faimah, Neva Sayahadewi, Shaika Marha INTISARI

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah:

BAB III METODOLOGI PENELITIAN. Variabel-variabel yang digunakan pada penelitian ini adalah: BAB III METODOLOGI PENELITIAN 3. Variabel da Defiisi Operasioal Variabel-variabel yag diguaka pada peelitia ii adalah: a. Teaga kerja, yaitu kotribusi terhadap aktivitas produksi yag diberika oleh para

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

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Jeis Peeliia Jeis peeliia ii merupaka peeliia kuaiaif dega megguaka meode eksperime. Desai peeliia ii megguaka ru experime desig beuk desai poses oly corol desig yaki meempaka

Lebih terperinci

PERAMALAN INFLASI MENGGUNAKAN PENDEKATAN GABUNGAN ANTARA FUNGSI TRANSFER DAN INTERVENSI DENGAN DETEKSI OUTLIER

PERAMALAN INFLASI MENGGUNAKAN PENDEKATAN GABUNGAN ANTARA FUNGSI TRANSFER DAN INTERVENSI DENGAN DETEKSI OUTLIER Semiar Hasil Tugas Akhir PERAMALAN INFLASI MENGGUNAKAN PENDEKATAN GABUNGAN ANTARA FUNGSI TRANSFER DAN INTERVENSI DENGAN DETEKSI OUTLIER TAHIRA ETA ADISTI (1309100108) Pembimbig: Dr. SUHARTONO, S. Si, M.

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

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 PENDERITA TUMOR JINAK (NEOPLASMA) DI RSUD ARIFIN ACHMAD PEKANBARU DENGAN MENGGUNAKAN MODEL ARIMA(0,1,1) TUGAS AKHIR.

PERAMALAN JUMLAH PENDERITA TUMOR JINAK (NEOPLASMA) DI RSUD ARIFIN ACHMAD PEKANBARU DENGAN MENGGUNAKAN MODEL ARIMA(0,1,1) TUGAS AKHIR. PERAMALAN JUMLAH PENDERITA TUMOR JINAK (NEOPLASMA) DI RSUD ARIFIN ACHMAD PEKANBARU DENGAN MENGGUNAKAN MODEL ARIMA(,1,1) TUGAS AKHIR Diajukan Sebagai Salah Sau Syara Unuk Memperoleh Gelar Sarjana Sains

Lebih terperinci

II LANDASAN TEORI. of Portfolio Transactions (Almgren & Chriss 2000).

II LANDASAN TEORI. of Portfolio Transactions (Almgren & Chriss 2000). of Porfolio Trasaios (Almgre & Chriss 000 14 Sisemaika Peulisa Karya ilmiah ii erdiri aas eam bagia Bagia perama berupa pedahulua, erdiri aas laar belakag, ujua peulisa, meode peulisa, da sisemaika peulisa

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

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

Pemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun

Pemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro

Lebih terperinci

ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA

ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang

Lebih 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

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 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

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

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

BAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28

BAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28 5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.

Lebih terperinci

ANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Studi kasus pada CV Cita Nasional.

ANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Studi kasus pada CV Cita Nasional. JURNAL ILMIAH RANGGAGADING Volume 7 No. 1, April 7 : 3-9 ANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Sudi kasus pada CV Cia Nasional. Oleh Emmy Supariyani* dan M. Adi Nugroho *Dosen

Lebih terperinci

A. LATAR BELAKANG MASALAH

A. LATAR BELAKANG MASALAH PENDAHULUAN A. LAAR BELAKANG MASALAH Model koreksi kesalaha ECM - Error Correcio Model merupaka model regresi liier ag meeuka keseimbaga jagka pajag di aara beberapa variabel. Di dalam model koreksi kesalaha

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

BAB II TEORI DASAR. 2.1 Proses Stokastik Rantai Markov

BAB II TEORI DASAR. 2.1 Proses Stokastik Rantai Markov BAB II TEORI DASAR. Proses Sokasik Raai Markov Proses sokasik merupaka suau cara uuk mempelajari hubuga yag diamis dari suau ruua perisiwa aau proses yag kejadiaya bersifa idak pasi. Dalam memodelka perubaha

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan

Lebih 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

Peramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis

Peramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,

Lebih 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

BAB 1 PENDAHULUAN. Bagi Negara yang mempunyai wilayah terdiri dari pulau-pulau yang dikelilingi lautan,

BAB 1 PENDAHULUAN. Bagi Negara yang mempunyai wilayah terdiri dari pulau-pulau yang dikelilingi lautan, BAB 1 PENDAHULUAN 1.1 Latar Belakag Bagi Negara yag mempuyai wilayah terdiri dari pulau-pulau yag dikeliligi lauta, laut merupaka saraa trasportasi yag dimia, sehigga laut memiliki peraa yag petig bagi

Lebih terperinci

Peramalan Temperatur Udara di Kota Surabaya dengan Menggunakan ARIMA dan Artificial Neural Network

Peramalan Temperatur Udara di Kota Surabaya dengan Menggunakan ARIMA dan Artificial Neural Network JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 202) ISSN: 230-928X D-8 Peramala Temperaur Udara di Koa Surabaya dega Megguaka ARIMA da Arificial Neural Nework Ali Machmudi da Brodol S. S. Ulama Jurusa Saisika,

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur 0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia

Lebih terperinci

PENGARUH INFLASI TERHADAP KEMISKINAN DI PROPINSI JAMBI

PENGARUH INFLASI TERHADAP KEMISKINAN DI PROPINSI JAMBI Halama Tulisa Jural (Judul da Abstraksi) Jural Paradigma Ekoomika Vol.1, No.5 April 2012 PENGARUH INFLASI TERHADAP KEMISKINAN DI PROPINSI JAMBI Oleh : Imelia.,SE.MSi Dose Jurusa Ilmu Ekoomi da Studi Pembagua,

Lebih terperinci

BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.

BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah. BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder

Lebih terperinci

BAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu

BAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan

Lebih terperinci

INTEGRAL TAK TENTU (pecahan rasional) Agustina Pradjaningsih, M.Si. Jurusan Matematika FMIPA UNEJ

INTEGRAL TAK TENTU (pecahan rasional) Agustina Pradjaningsih, M.Si. Jurusan Matematika FMIPA UNEJ INTEGRL TK TENTU pecaha rasioal gusia Pradjaigsih, M.Si. Jurusa Maemaika FMIP UNEJ agusia.fmipa@uej.ac.id DEFINISI Fugsi suku bayak derajad dega bula o egaif 0 dimaa, 0 a a a a a P Fugsi kosa dipadag sbg

Lebih terperinci

PENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Studi Kasus: PT Tembaga Mulia Semanan)

PENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Studi Kasus: PT Tembaga Mulia Semanan) Prosiding Seminar Nasional Manajemen Teknologi Program Sudi MMT-ITS, Surabaya 1 Agusus 2009 PENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Sudi Kasus: PT

Lebih 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 II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan

BAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,

Lebih terperinci

ANALISIS NUMERIK MODEL EPIDEMIK SIR (SUSCEPTIBLE, INFECTIOUS, RECOVERED) PADA PENYEBARAN PENYAKIT TUBERCULOSIS DI YOGYAKARTA SKRIPSI.

ANALISIS NUMERIK MODEL EPIDEMIK SIR (SUSCEPTIBLE, INFECTIOUS, RECOVERED) PADA PENYEBARAN PENYAKIT TUBERCULOSIS DI YOGYAKARTA SKRIPSI. ANALISIS NUMERIK MODEL EPIDEMIK SIR (SUSCEPTIBLE, INFECTIOUS, RECOVERED) PADA PENYEBARAN PENYAKIT TUBERCULOSIS DI YOGYAKARTA SKRIPSI Diajuka Kepada Fakulas Maemaika Da Ilmu Pegeahua Alam Uiversias Negeri

Lebih terperinci

PENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA

PENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA PENAKSIRAN DAN PERAMALAN BIAYA Ari Darmawa, Dr. S.AB, M.AB Email: aridarmawa_fia@ub.ac.id A. PENDAHULUAN B. PENAKSIRAN DAN PRAKIRAAN FUNGSI BIAYA C. PENAKSIRAN JANGKA PENDEK - Ekstrapolasi sederhaa - Aalisis

Lebih terperinci

Uji apakah ada perbedaan signifikan antara mean masing-masing laboratorium. Gunakan α=0.05.

Uji apakah ada perbedaan signifikan antara mean masing-masing laboratorium. Gunakan α=0.05. MA 8 STATISTIKA DASAR SEMESTER I /3 KK STATISTIKA, FMIPA ITB UJIAN AKHIR SEMESTER (UAS) Sei, Desember, 9.3.3 WIB ( MENIT) Kelas. Pegajar: Utriwei Mukhaiyar, Kelas. Pegajar: Sumato Wiotoharjo Jawablah pertayaa

Lebih 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

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

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

*Corresponding Author:

*Corresponding Author: Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion

Lebih terperinci

BAB III METODOLOGI PENELITIAN. data dalam penelitian ini termasuk ke dalam data yang diambil dari Survei Pendapat

BAB III METODOLOGI PENELITIAN. data dalam penelitian ini termasuk ke dalam data yang diambil dari Survei Pendapat BAB III METODOLOGI PENELITIAN 3.1. Jeis da Sumber Data Jeis peelitia yag aka diguaka oleh peeliti adalah jeis peelitia Deskriptif. Dimaa jeis peelitia deskriptif adalah metode yag diguaka utuk memperoleh

Lebih 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