BAB III HASIL ANALISIS
|
|
- Hengki Halim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 51 BAB III HASIL ANALISIS 3.1 Pengumpulan Data Pada tahap ini, penulis secara langsung mengambil data dari PT. Coca-Cola Bottling Indonesia Medan pada periode Januari 00 sampai dengan Desember 006. Disamping data yang dibutuhkan, penulis juga memperoleh keterangan yang berkaitan dengan Penjualan Produk Coca-Cola. Data tersebut disajikan kedalam tabel. 3.1 seperti yang terlihat dibawah ini, yang selanjutnya akan dianalisis dengan metode Dekomposisi Census II. Tabel 3.1 Data Penjualan Produk Coca-Cola Bulan Tahun Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Sumber : PT. Coca-cola Bottling Indonesia
2 5 3. Pengolahan Data Setelah data yang diperlukan dalam penelitian diperoleh, maka dapat dilakukan pengolahan data dengan menggunakan tekhnik dekomposisi yang dipilih. Dalam hal ini digunakan Dekomposisi Census II. 1. Melakukan pengujian terhadap sample data hasil pengamatan dan dilanjutkan dengan uji keacakan sample, uji trend dan uji musim.. Menggambarkan grafik data dapat membantu dalam mengamati pola data trend. 3. Menghitung pemisahan awal dari musiman terhadap unsur trend-siklus dan memisahkan keacakan dengan menggunakan rata-rata bergerak (dalam hal ini rata-rata bergerak adalah 1-bulanan) dan penggantian terhadap nilai-nilai ekstrim, menghitung factor musiman awal dengan melakukan penyesuaian musiman awal terhadap data aktual. 4. Menghitung penyesuaian musiman akhir dengan menggunakan rata-rata bergerak berbobot 15-bulan dari Spencer untuk menghilangkan setiap pengaruh musiman dan unsur acak yang tidak terdeteksi sebelumnya. 5. Melakukan pengujian deret data untuk menentukan keberhasilan proses dekomposisi yang telah dilakukan. Dalam hal ini dilakukan uji perubahan persentasi dari komponen acak dan trend-siklus. 6. Menghitung Bulan Dominasi Siklus (MCD) yang diperoleh dari rasio perubahan persentasi dari komponen acak dan komponen trend-sikuls. 7. Menghitung taksiran trend-siklus dengan menghitung rata-rata bergerak dari data akhir yang telah disesuaikan menurut musim. Dalam hal ini digunakan rata-rata bergerak tiga bulanan. 8. Menggambarkan trend-siklus yang dihitung dalam Dekomposisi Cencus II. 9. Membuat ramalan untuk jumlah Penjualan Produk Coca-Cola dua tahun kedepan Pengujian Sampel Pengujian terhadap sampel dilakukan sesuai dengan persamaan (-) yaitu
3 53 ( ) 0 N Xt Xt N = X t untuk membantu dalam perhitungan, maka dibuat tabel 3. seperti berikut: Tabel 3. Uji Besar Sampel untuk Data Penjualan Produk Coca-Cola Periode Data(Xt) Xt Periode Data(Xt) Xt
4 Dari hasil perhitungan diperoleh : N = 60 X t = X t = 8,310E+11 Maka untuk : N ' ,310E+11-( ) = N N ' ,690 = = (, ) ' N ' = 5, Dengan nilai N < N ( 5,8 < 60 ) dan sesuai dengan criteria pengujian maka terima H o. Sehingga dapat diambil kesimpulan bahwa data yang digunakan dalam penelitian ini memenuhi kriteria untuk dianalisis. 3.. Uji Keacakan Sampel Dengan memperhatikan pola data yang diperlihatkan oleh grafik data, dapat dilihat arah dari time series. Untuk menunjukkan bahwa adanya pola data yang mempengaruhi data maka dilanjutkan uji keacakan sample.
5 55 Dengan α = 0,05 hipotesa ujinya adalah sebagai berikut: H 0 = Frekuensi naik dan frekuensi turun sama yang berarti tidak acak H 1 = Frekeunsi naik lebih besar dari frekuensi turun atau sebaliknya. Tabel 3.3 Uji Random untuk Data Penjualan Produk Coca-Cola Periode Data(Xt) Perubahan Periode Data(Xt) Perubahan Naik 9078 Naik Turun Turun Naik Naik Naik Naik Naik Turun Naik Naik Turun Naik Naik Naik Naik Turun Naik Naik Naik Naik Turun Naik Naik Naik Naik Turun Turun Naik Naik Naik Naik Turun Naik Naik Turun Naik Naik Turun Turun 1615 Naik Naik Turun Naik Turun Turun Naik Naik Turun Turun
6 Turun Turun Naik Naik Naik Naik Turun Turun Statistik penguji adalah : Z ( m M) 0,5 = σ Sehingga akan diperoleh : m =38 M M M = n = = 9,5 σ = n σ = 1 σ =, 538 Sehingga : Z Z Z (38 9,5) 0,5 =, 538 = 8, 538 = 3,55
7 57 Dengan α = 0,5 diperoleh Z tabel = 1,645. Karena 3,55 > 1,645 ( Z hitung > Z tabel ) maka H o ditolak, artinya frekuensi naik dan frekuensi tidak sama berarti data bersifat acak Uji Musim Untuk mengetahui ada atau tidaknya faktor atau komponen musiman pada deret berkala dengan melakukan pengujian musiman yang dilakukan dengan menggunakan analisis variansi. Dalam hal ini yang diuji adalah: H 0 = µ 1 =µ =µ 3 =µ 4 =µ 5 (data tidak dipengaruhi musiman) H 1 = tidak semua µ atau paling sedikit satu tanda sama dengan tidak sama atau µ 1 µ (data dipengaruhi musiman). Dalam hal ini diasumsikan bahwa populasi bersifat normal. Jika Y ij dinotasikan sebagai nilai periode ke-i, tahun ke-j dengan i=1,,3,..., 1 dan j=1,,3,4,5 maka deret berkala dapat diperhatikan pada tabel 3.4 berikut ini: Tabel 3.4 Data Penjualan Produk Coca-Cola Bulan Tahun Total Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Total Sumber : PT. Coca-Cola Bottling Indonesia
8 58 Dari tabel 3.4 diperoleh: (i) Menghitung jumlah kuadrat (JK) JK = b p i= 1 j= 1 Y ij = (8744) + (9078) + (8645) (13836) = 8,310E+11 (ii) Menghitung rata-rata jumlah kuadrat yang diperlukan (RJK) J RJK = b p ( ) = 1 5 = 8,19098E+11 RJK antar perlakuan p J oj = RJK i= 1 b ( ) + (143341) (147081) = 8,19098E+11 1 = JKgalat = Y RJK RJKantar perlakuan = 8,310E+11-8,19098E = , (iii) Menghitung Kuadrat Tengah (KT) KT antar perlakuan RJK = db antar perlakuan antar perlakuan = =
9 59 KT galat = JK db galat galat = , (60-5) (iv) = ,37 Menyusun tabel analisa variansi Sumber Variansi Tabel 3.5 Analisa Variansi db RJK KT Fhitung Ftabel Rata-Rata 1 8,19098E+11 Antar Tahun , ,65 Galat , ,37 Jumlah 60 Diperoleh nilai F hitung =.06,65 Sedangkan nilai F tabel = 3,65 dengan taraf keyakinan 99% maka dengan dapat disimpulkan bahwa H 0 ditolak, dengan perkataan lain bahwa data deret berkala dipengaruhi faktor musiman Pengujian Adanya Trend Dalam pengujian trend akan digunakan uji sesuai dengan persamaan berikut: S 1 τ = dan S= M nn ( 1) nn ( 1) 1 dengan n : besarnya sample total yang digunakan. M : jumlah total dari data yang lebih besar dari data sebelumnya. Untuk keperluan perhitungan diatas dibuat tabel 3.6 seperti berikut :
10 60 Tabel 3.6 Uji Rank untuk Trend Data Penjualan Produk Coca-Cola Jlh rank Jlh rank Periode Data (Unit) rank data yg lebih besar dari data Periode data rank data yg lebih besar dari data sebelumnya sebelumnya
11 Total 1830 Dari tabel di atas didapat : M = 1830 n = 60 Dengan, 1 S= M nn ( 1) 1 = (1830) (60)(60 1) = 1890 Maka diperoleh : S τ = 1 nn ( 1) 1890 τ = 1 60(60 1) = 1,068 Dengan diperolehnya τ = 1,068 (τ > 0 ) maka hal ini menunjukkan bahwa data dipengaruhi oleh trend yang mempunyai bentuk menaik atau trend positif Uji Siklik Untuk mengetahui apakah data deret berkala bersifat siklik atau tidak maka terlebih dahulu dilakukan pengujian deret data dengan uji siklik. Dalam hal ini penulis menggunakan uji chi kuadrat. Adapun hipotesa uji yang dilakukan adalah sebagai berikut:
12 6 H 0 : λ 1 =λ = =λ k (data tidak bersifat siklik) H 1 : paling sedikit dua λ k tidak sama (data bersifat siklik). Statistic yang digunakan untuk menguji hipotesis H 0 adalah: ( Xi X) χ = X untuk keperluan data diatas dibuat tabel 3.7 seperti berikut ini: Tabel 3.7 Uji Siklik untuk Trend Data Penjualan Produk Coca-Cola Periode data khi htg Periode data khi htg , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,7559
13 , , , , , , , , , , , , , , , , Dari hasil perhitungan diatas maka ( Xi X) χ = X = 10033,335 Dari daftar distribusi Chi Kuadrat dengan α = 0,05 maka χ 0,99(59) = 88,4 maka χ hitung > χ tabel maka Ho ditolak, sehingga dapat dikatakan bahwa data deret berkala dipengaruhi siklik Grafik Data Penggambaran data time series secara grafik cukup sederhana. Setiap pengamatan didalam time series digambarkan sebagai suatu titik pada susunan koordinat tegak lurus dengan memakai nilai pengamatan sebagai ordinat dan angka yang menunjukkan waktu sebagai absis. Dengan digambarkan time series tersebut, dapat dilihat dengan cepat bagaimana perubahan dari variabel yang sedang diamati pada waktu yang lampau. Perubahan ini lebih mudah dilihat dengan memperhatikan line chart dari time series daripada memperhatikannya bentuk tabel. Untuk data dari PT. Coca Cola Bottling Indonesia Medan pada periode Januari 00 sampai dengan Desember 006 disajikan dalam gambar 3.1 berikut ini :
14 64 Plot Data Penjualan Produk Coca Cola Penjualan Pengamatan Series1 Gambar 3.1 Gambar Data Penjualan Produk Coca-Cola 3..7 Perhitungan Penyesuaian Musiman Awal Dalam penganalisaan data dengan metode dekomposisi census II, fase pertama adalah membuat penyesuaian hari perdagangan. Dalam Data Penjualan Produk Coca Cola pada PT Coca Cola Bottling Indonesia Medan Berdasarkan Krat Periode Januari 00 sampai Desember 006, hari perdagangan bukan merupakan faktor yang penting karena pengaruhnya pada jadwal penjualan secara umum bersifat acak. Fase kedua dari census II adalah membuat pemisahan awal dari musiman terhadap unsur trend-siklus dan kemudian memisahkan keacakannya. Secara matematis, perhitungan ini meliputi sebagai berikut: X = l T C E t t t t t M = T C t t t X l T C E = R = = I E M T C t t t t t t t t t t t Pertama-tama penentuan harga rata-rata bergerak 1-bulanan. Rata-rata bergerak 1-bulanan yang ditetapkan pada data asli akan menghilangkan sebagian besar unsure musiman dan unsure acak yang terdapat dalam deret data. Masalah pemusatan dari rata-rata bergerak 1-bulanan dihilangkan dengan merata-ratakan rata-
15 65 rata bergerak dari dua bulan yang berurutan dan menempatkan pada bulan ketujuh dari data yang dirata-ratakan tersebut. Perhitungan rata-rata bergerak yang diperlukan untuk memperoleh MA terpusat 1-bulanan dan rasio dari nilai-nilai MA terhadap rata-rata bergerak ditunjukkan pada tabel 3.8 dibawah ini Tabel 3.8 Rata-Rata Bergerak Terpusat 1-Bulanan dari Data Penjualan Produk Coca-Cola Tahun Bulan Data Asli Rata-Rata MA - Rasio 1- Bergerak bulanan bulan Terpusat 1- dari MA Terpusat (1) () (3) bulanan 1-bulanan (3)/(5) (4) (5) (6) 00 Januari 8744 Februari 9078 Maret 8645 April Mei Juni Juli , ,15 0, Agustus , ,75 0, September , , , Oktober , ,5 0, November , ,6667 0, Desember , ,3333 0, Januari , ,5417 1, Februari , ,917 1, Maret , ,9167 1, April , ,8333 1, Mei , ,4583 1, Juni , ,6667 0, Juli ,083 1,
16 66 Agustus , ,9583 1, September ,5 1597,4583 0, Oktober , ,9583 0, November , ,8333 0, Desember , ,0417 0, Januari , ,5833 1, Februari ,5 1758,3333 1, Maret , ,6667 1, April , ,5 1, Mei , ,875 1, Juni , , Juli , ,917 0, Agustus , ,9167 1, September , ,65 1, Oktober , ,7083 1, November , ,917 1, Desember , ,65 1, Januari , ,7917 0, Februari , ,7083 0, Maret , ,5833 0, April , ,3333 0, Mei ,5 1080,4167 0, Juni , ,7083 0, Juli , ,3333 1, Agustus , ,0833 1, September , ,9167 0, Oktober , ,8333 0, November , ,0833 0, Desember ,5417 1, Januari , ,5833 0, Februari , ,1667 1, Maret , ,75 0,
17 67 April ,5 1069,1667 1, Mei , ,1667 1, Juni ,5 1447,3333 0, Juli ,4167 Agustus September Oktober November Desember Akibat rata-rata bergerak terpusat 1-bulanan, nilai 6 bulan pada awal hilang dan nilai 6 bulan pada akhir hilang. Dan untuk menghindari penyimpangan perhitungan untuk nilai -bulanan dari MA 1-bulanan dan nilai rasio 1-bulanan terpusat, maka nilai pada akhir (nilai pada juli 005) diasumsikan sama pada nilai bulan sebelumnya (nilai pada bulan juni 005). Dan hasil dari nilai rasio 1-bulanan terpusat ditunjukkan pada tabel 3.9 dibawah ini. Tabel 3.9 Rasio 1-bulanan Terpusat dari Data Penjualan Produk Coca-Cola ,94 0,94 1,04 0,9 0,99 0, ,04 1,08 1,0 1,05 1,04 0,97 1,01 1,01 0,98 0,99 0,98 0, ,05 1,0 1,01 1,0 1,0 0, ,03 1,05 1,06 1, ,91 0,93 0,95 0,96 0,99 0,99 1,0 1,0 0, , ,99 1 0,98 1 1,03 0, Nilai R atau nilai rasio 1-bulanan terpusat masih mengandung unsur musiman dan rata-rata bergerak. Perlu diperhatikan bahwa terdapat enam nilai yang hilang pada awal dan enam nilai yang hilang pada akhir karena digunakan prosedur perata-rataan. Langkah selanjutnya dalam Dekomposisi Census II adalah pengeluaran atau penggantian nilai ekstrim sebelum rata-rata bergerak dihilangkan. Proses ini meliputi dua tahap: 1. Menghilangkan rata-rata bergerak (3 3 bulan). MA (3 3 bulan) digunakan pada rasio terpusat dari tabel 3.5. Perhitungan rata-rata bergerak (3 3 bulan)
18 68 ini mengakibatkan hilangnya dua nilai pada awal data dan dua nilai pada akhir data. Untuk menghindari kehilangan nilai itu, Census II melakukan taksiran nilai dua bulan pada dua nilai yang hilangan tersebut ditetapkan sama dengan rata-rata dua nilai yang mengikutinya. Dua nilai terakhir dirata-ratakan untuk mengisi dua bulan pada akhir deret data. Hal ini menghasilkan empat nilai, sehingga setelah dilakukan rata-rata bergerak (3 3), masih terdapat nilai sebanyak yang sebelumnya. Tabel 3.10 Perhitungan dari Rata-rata Bergerak (3x3) untuk Bulan Januari Nilai Tahun Rasio MA 3 MA (3x3) Tambahan di Terpusat awal dan di (1) () akhir (3) (4) (5) 1, ,045 1, ,04 1,04 1,045 1, ,05 1,05 1,000 1, ,91 0,91 0,983 0, ,99 0,99 0,950 0,966 0,950 0,963 0,95 Hasil perhitungan yang diperoleh ditunjukkan pada tabel 3.11 berikut : Tabel 3.11 Rata-rata Bergerak (3x3) untuk Semua bulan dari Data Penjualan 00 0,974 0,974 1,016 0,95 0,994 0, ,09 1,040 1,008 1,08 1,07 0,976 0,989 0,989 1,009 0,979 1,003 0, ,009 1,014 0,996 1,013 1,00 0,981 1,001 1,001 1,009 1,006 1,018 1, ,978 0,986 0,979 0,994 1,013 0,986 1,011 1,011 1,004 1,018 1,01 1, ,966 0,975 0,97 0,987 1,013 0,989. Menghitung Deviasi Standard. Setelah rata-rata bergerak (3 3) dihitung, lalu dicari selisih dengan rasio terpusat yang ditunjukkan pada tabel 3.6 dan untuk setiap bulan seperti digambarkan pada tabel Dalam hal ini deviasi
19 69 standard digunakan untuk membuat batas control yang mengidentifikasikan nilai ekstrim. Untuk setiap bulan, batas tersebut dapat ditentukan pada MA (3 3 ), plus atau minus, deviasi standard kuadarat. Tabel 3.11 menyajikan perhitungan deviasi standard kuadrat tersebut. Tabel 3.1 Perhitungan Deviasi Standart dan Nilai Pengganti dari Data Penjualan Produk Coca-Cola Tahun Rasio Terpusat ma(3x3) deviasi deviasi kuadrat Tahun Rasio Terpusat ma(3x3) deviasi deviasi kuadrat Jan Juli ,94 0,974-0,034 0, ,04 1,09 0,011 0, ,01 0,989 0,01 0, ,05 1,009 0,041 0, ,001-0,001 0, ,91 0,978-0,068 0, ,0 1,011 0,009 0, ,99 0,966 0,04 0, Feb Agus ,94 0,974-0,034 0, ,08 1,040 0,040 0, ,01 0,989 0,01 0, ,0 1,014 0,006 0, ,001-0,001 0, ,93 0,986-0,056 0, ,0 1,011 0,009 0, ,975 0,05 0, Maret Sept ,04 1,016 0,04 0, ,0 1,008 0,01 0, ,98 1,009-0,09 0, ,01 0,996 0,014 0, ,03 1,009 0,01 0, ,95 0,979-0,09 0, ,99 1,004-0,014 0, ,98 0,97 0,008 0, Apr Okt ,9 0,95-0,05 0, ,05 1,08 0,0 0, ,99 0,979 0,011 0, ,0 1,013 0,007 0, ,05 1,006 0,044 0, ,96 0,994-0,034 0, ,018-0,018 0, ,987 0,013 0, Mei Nov
20 ,99 0,994-0,004 0, ,04 1,07 0,013 0, ,98 1,003-0,03 0, ,0 1,00 0,000 0, ,06 1,018 0,04 0, ,99 1,013-0,03 0, ,01-0,01 0, ,03 1,013 0,017 0, Juni Des ,97 0,974-0,004 0, ,97 0,976-0,006 0, ,95 0,991-0,041 0, ,98 0,981-0,001 0, ,08 1,019 0,061 0, ,99 0,986 0,004 0, ,01 1,031-0,01 0, ,99 0,989 0,001 0, Variansi = 0, Standart Deviasi = 0, Kemudian tabel 3.1 adalah untuk mencari nilai ekstrim (nilai yang keluar dari batas control) dari nilai rasio terpusat dan kalau terdapat nilai ekstrim tersebut diganti untuk data Penjualan Produk Coca Cola pada PT Coca Cola Bottling Indonesia Medan Berdasarkan Krat Periode Januari 00 sampai Desember 006 dengan menganggap bahwa batas ontrol adalah MA (3 3 ± ) Deviasi standard. Tabel 3.13 Penggantian Nilai ekstrim dari Data Penjualan Produk Coca-Cola Tahun MA (3x3) ±SD Lebih Besar atau lebih Kecil Batas Tahun MA (3x3) ±SD Lebih Besar atau lebih Kecil Batas (1) () (3) Kontrol (4) (1) () (3) Kontrol (4) Jan Juli ,94 ± 0,054 0,94 Tdk 003 1,09 ± 0,054 1,04 Tdk 003 1,01 ± 0,054 1,01 Tdk 004 1,009 ± 0,054 1,05 Tdk ± 0,054 1 Tdk 005 0,978 ± 0,054 0,91 Tdk 005 1,0 ± 0,054 1,0 Tdk 006 0,966 ± 0,054 0,99 Tdk Feb Agus ,94 ± 0,054 0,94 Tdk 003 1,040 ± 0,054 1,08 Tdk 003 1,01 ± 0,054 1,01 Tdk 004 1,014 ± 0,054 1,0 Tdk ± 0,054 1 Tdk
21 ,986 ± 0,054 0,93 Tdk 005 1,0 ± 0,054 1,0 Tdk 006 0,975 ± 0,054 1 Tdk Maret Sept ,04 ± 0,054 1,04 Tdk 003 1,008 ± 0,054 1,0 Tdk 003 0,98 ± 0,054 0,98 Tdk 004 0,996 ± 0,054 1,01 Tdk 004 1,03 ± 0,054 1,03 Tdk 005 0,979 ± 0,054 0,95 Tdk 005 0,99 ± 0,054 0,99 Tdk 006 0,97 ± 0,054 0,98 Tdk Apr Okt ,9 ± 0,054 0,9 Tdk 003 1,08 ± 0,054 1,05 Tdk 003 0,99 ± 0,054 0,99 Tdk 004 1,013 ± 0,054 1,0 Tdk 004 1,05 ± 0,054 1,05 Tdk 005 0,994 ± 0,054 0,96 Tdk ± 0,054 1 Tdk 006 0,987 ± 0,054 1 Tdk Mei Nov ,99 ± 0,054 0,99 Tdk 003 1,07 ± 0,054 1,04 Tdk 003 0,98 ± 0,054 0,98 Tdk 004 1,00 ± 0,054 1,0 Tdk 004 1,06 ± 0,054 1,06 Tdk 005 1,013 ± 0,054 0,99 Tdk ± 0,054 1 Tdk 006 1,013 ± 0,054 1,03 Tdk Juni Des ,97 ± 0,77 0,97 Tdk 003 0,976 ± 0,054 0,97 Tdk 003 0,95 ± 0,77 0,95 Tdk 004 0,981 ± 0,054 0,98 Tdk 004 1,08 ± 0,77 1,08 Tdk 005 0,986 ± 0,054 0,99 Tdk 005 1,01 ± 0,77 1,01 Tdk 006 0,989 ± 0,054 0,99 Tdk Dari hasil perhitungan yang diperoleh dari tabel 3.13 tidak terdapat nilai ekstrim atau nilai yang melampaui batas kontrol MA (3 3) ± deviasi standard. Kemudian dilakukan perhitungan penyesuaian faktor musiman awal. 1. Enam bulan pada awal rasio terpusat dan enam bulam pada akhir rasio terpusat hilang karena adanya rata-rata bergerak terpusat 1-bulanan. Observasi ini digantikan dengan nilai tahun sebelum dan sesudahnya, seperti yang ditunjukkan pada tabel 3.14 dibawah ini
22 7 Tabel 3.14 Taksiran Nilai untuk Enam Observasi Awal dan Akhir dari Data Penjualan Produk Coca-Cola 00 1,04 1,08 1,0 1,05 1,04 0,97 0,94 0,94 1,04 0,9 0,99 0, ,04 1,08 1,0 1,05 1,04 0,97 1,01 1,01 0,98 0,99 0,98 0, ,05 1,0 1,01 1,0 1,0 0, ,03 1,05 1,06 1, ,91 0,93 0,95 0,96 0,99 0,99 1,0 1,0 0, , ,99 1 0,98 1 1,03 0,99 1,0 1,0 0, ,01 Tahun Total Tengah Nilai 00 0,998 11, ,010 1, ,07 1, ,981 11, ,003 1,030. Rasio dari tiap tahun disesuaikan sehingga jumlahnya 100 dengan cara menjumlahkan itu dengan 1. Nilai yang diperoleh merupakan rata-rata dari semua bulan untuk setiap tahun. Nilai ini dibagikan terhadap nilai setiap bulan pada tahun yang sesuai yang menghasilkan angka rata-rata bulanan 100. prosedur ini digambarkan pada tabel dibawah ini. Untuk mendapatkan nilai penyesuaian rasio, untuk bulan Januari 00 dihitung 1,04 = 100 sebagai berikut : 0,998 = 104,17367 Begitu seterusnya untuk bulan-bulan berikutnya, sehingga didapat tabel seperti dibawah ini:
23 73 Tabel 3.15 Penyesuaian Rasio Bulanan Sehingga Rata-ratanya adalah 100 dari Data Penjualan Produk Coca-Cola ,17 108,18 10,17 105,18 104,17 97,16 94,16 94,16 104,17 90,15 99,17 97, ,97 106,93 100,99 103,96 10,97 96,04 100,00 100,00 97,03 98,0 97,03 94, ,7 99,35 98,38 99,35 99,35 95,45 97,40 97,40 100,3 10,7 103,5 105, ,78 94,8 96,86 97,88 100,93 100,93 103,99 103,99 100,93 101,95 101,95 10, ,75 99,75 97,76 99,75 10,74 98,75 101,75 101,75 98,75 99,75 99,75 100,7 Tujuan melakukan penyesuaian rasio bulanan sehingga jumlahnya 100 adalah menghilangkan pengaruh peristiwa luar biasa dan untuk menyesuaikan deret data terhadap pengaruh yang disebabkan oleh prosedur perhitungan. Langkah terakhir pada tahap pendahuluan ini adalah membagi data asli dengan faktor musiman awal untuk memperoleh deret data yang telah disesuaikan menurut musim pendahuluan. Deret data ini membentuk dasar untuk menyempurnakan taksiran selanjutnya dari unsur musiman, unsur trend-siklus dan unsur acak. Untuk mendapatkan nilai faktor penyesuaian musiman awal untuk bulan Januari yaitu dengan mengambil data penyesuaian rasio bulanan rata-rata 100 (tabel 3.15) dikalikan dengan MA (3 3), seperti yang ada dibawah ini dan hasilnya terdapat pada tabel 3.17 Tabel 3.16 Penyesuaian Rasio Bulanan Rata-rata 100 x MA (3x3) untuk Bulan Januari Tahun MA (3x3) 103,57 103,57 103, ,17 104,17 103,57 103, ,97 10,97 103,14 10, ,7 10,7 99,34 100, ,78 9,78 97,93 97, ,75 98,75 95,77 96,8 95,77 96,76 95,77
24 74 Tabel 3.17 Faktor penyesuaian Musiman Awal ,49 106,71 101,9 104,06 103,17 96,54 96,79 96,79 100,97 94,56 98,79 96, ,0 104,5 100,8 10,60 10,7 96,77 98,4 98,4 100,18 97, 99,55 98, ,14 101,05 98,97 100,74 101,4 97,36 99,57 99,57 99,98 99,63 100,74 100, ,68 98,54 97,90 99,40 101,31 98,57 101,46 101,46 99,76 100,98 101,08 101, ,8 97,79 97,47 98,98 101,66 99,3 10,14 10,14 99,78 100,89 101,00 10,11 Jika data asli dibagi dengan komponen musiman ini, maka yang tinggal hanya unsur trend-siklus dan fluktuasi yang tak beraturan. Data trend-siklus dan fluktuasi tersebut ditunjukkan pada tabel 3.18 dibawah ini. Tabel 3.18 Deret Data Penyesuaian Musiman Awal dari Data Penjualan Produk Coca-Cola Deret data tersebut dituliskan secara matematis sebagai berikut X l T C E PI = = = T C E t t t t t t t t t It It dimana PI t = nilai yang telah disesuaikan menurut musiman pendahuluan Penyesuaian Musiman Akhir Dalam tahap Census II ini deret data musiman awal yang telah disesuaikan tersebut, diproses lebih lanjut dengan menggunakan rata-rata bergerak untuk menghilangkan setiap pengaruh musiman dan rata-rata bergerak yang tidak terdeteksi sebelumnya. Hasil ini dicapai melalui suatu urutan langkah yang serupa dengan fase pendahuluan.
25 Mengisolasi Trend-Siklus Dengan menggunakan data yang telah disesuaikan menurut musim sebagai titik awal, unsure acak dihilangkan dengan menggunakan rata-rata bergerak berbobot 15-bulanan dari Spencer. Alasan untuk menerapkan rata-rata ini adalah bahwa data yang diberikan oleh persamaan (-8) mencakup unsur trend siklus dan unsur acak. Rata-rata bergerak ini menghilangkan unsur acak, yang memberikan suatu kurva halus yang memperlihatkan adanya unsur trend-siklus dalam data. Tabel 3.19 menggambarkan hal ini dan menunjukan hasil yang diperoleh. Bila data asli dibagi oleh rata-rata bergerak berbobot 15-bulaan dari Spenser, maka yang tinggal hanya faktor musiman acak akhir dan secara matematis dapat ditunjukkan dengan persamaan berikut: M = T C t t t X l T C E FIE = = = I E t t t t t t t t Mt Tt Ct dengan M t adalah MA 15-bulanan data spencer. FIE t adalah rasio musiman acak akhir. Tahun Tabel 3.19 Hasil Perhitungan Rata-rata Berbobot 15-bulanan Spencer dari Data Penjualan Produk Coca-Cola Jan Feb Mar Apr Mei Juni Juli Agus Sept Okt Nov Des Rata-rata bergerak berbobot 15-bulanan dari Spencer (deret data telah disesuaikan menurut musim pendahuluan). Penerapan rumus rata-rata bergerak berbobot 15-bulanan dari Spencer akan mengakibatkan hilangnya tujuh nilai pada awal deret data dan tujuh nilai pada akhir deret data. Untuk menghindari hal tersebut,
26 76 setiap nilai hilang digantikan dengan nilai taksiran. Tujuh nilai pertama ditetapkan sama dengan nilai rata-rata dari empat observasi sebelumnya Rasio Musiman Acak Akhir Rasio musiman acak akhir dihitung dengan membagi data asli dengan nilai yang diperoleh dari rumus 15-bulanan Spencer. Hasilnya merupakan himpunan rasio musiman acak akhir yang disajikan pada tabel 3.0. Tabel 3.0 Rasio Musiman Acak akhir dari Data Penjualan Produk Coca Cola ,3 100,5 101,0 98,3 99,1 100,9 99,9 99,3 104,1 96, 100, 99, ,5 10,0 99,9 99,7 99,9 98,8 101,5 10,3 97,6 10, 98, 96, ,0 99,8 100,7 99,7 100,0 100,6 99,5 98,3 99,6 101,6 10,3 105, ,8 97,1 101,3 99,5 100, 101,4 100,3 101,0 99,8 99,5 99,4 98, ,6 101,3 99,5 100,0 100,5 99,7 100,6 99,7 99,9 98,9 101,6 100,0 Tabel 3.1 Faktor Stabil-Indeks Musiman Data Penjualan Produk Coca-Cola Bulan Jan Feb Mar Apr Mei Juni Juli Agus Sept Okt Nov Des Ratarata 100,0 100,1 100,5 99,4 99,9 100,3 100,4 100,1 100, 99,7 100,3 100, Pada tabel 3.1 disajikan faktor-daktor yang stabil. Faktor ini merupakan nilai ratarata untuk setiap bulan dan menunjukkan banyaknya unsur musiman yang terdapat pada data asli tentang Penjualan Produk Coca Cola pada PT Coca Cola Bottling Indonesia Medan Berdasarkan Krat Periode Januari 00 sampai Desember Faktor Musiman Akhir Faktor musiman akhir diturunkan dengan menerapkan rata-rata bergerak (3 x 3) bulanan terhadap data rasio musiman acak akhir (tabel 3.0) Rata-rata bergerak (3 3) bulanan tersebut dihitung seperti pada fase pendahuluan. Dua observasi pada awal
27 77 dan dua observasi pada akhir yang hilang ditaksir sebelum rata-rata bergerak dihitung. Hasil yang diperoleh berupa himpunan faktor penyesuaian musiman akhir ditunjukkan pada tabel 3.1. Nilai faktor ini diramalkan satu tahun kedepan dengan mengalikan faktor pada baris terakhir dengan 3, dikurangi dengan faktor pada baris sebelumnya dan membagi hasilnya dengan. Untuk bulan Januari dihitung sebagai berikut: ( ) 98,8 3 98,97 / = 98,75 Demikian seterusnya untuk bulan-bulan berikutnya, dan nilai proyeksi ini ditunjukkan pada tabel 3. dibawah ini: Tabel 3. Faktor Penyesuaian Musiman Akhir ,79 101,01 100,55 99,00 99,51 100,01 100,47 100,38 101,07 99,08 99,66 99, ,47 100,54 100,55 99,8 99,7 100,04 100,48 100,46 100,08 100,06 99,79 99, ,7 99,91 100,55 99,5 99,97 100,9 100,30 100,08 99,71 100,34 100,41 100, ,97 99,39 100,50 99,68 100,19 100,46 100,35 100,0 99,5 100,10 100,49 100, ,8 99,49 100,31 99,74 100,3 100,47 100,38 100,06 99,8 99,45 100,79 100,19 Tabel 3.3 Faktor Musiman Yang Diramalkan Satu Tahun ke Depan ,75 99,54 100, 99,76 100,38 100,47 100,39 100,00 99,97 99,13 100,93 100,05 Secara matematis,langkah ini sama dengan menghitung nilai yang diharapkan untuk menghilangkan adanya unsur acak yang masih ada Deret Data Akhir yang Disesuaikan Menurut Musim Deret data yang telah disesuaikan menurut musim diperoleh dengan membagi data asli dengan faktor penyesuaian musiman akhir pada tabel 3.. Hasilnya untuk Data Penjualan Produk Coca Cola pada PT Coca Cola Bottling Indonesia Medan Berdasarkan Krat Periode Januari 00 sampai Desember 006.
28 78 Tabel 3.4 Deret Data Akhir yang Disesuaikan Menurut Musim dari Data Penjualan Produk Coca-Cola Jika penyesuaian ini telah selesai dilakukan, maka fluktuasi dalam data asli yang disebabkan oleh musiman akan hilang secara keseluruhan, dan yang tinggal hanya unsur trend-siklus dan unsur acak. Secara matematis, hal tersebut dapat ditunjukkan dengan persamaan dibawah ini: Xt It Tt Ct Et FA = = ε( IT) I t t t Sebelum dilanjutkan dengan fase akhir dari Dekomposisi Census II, diperlukan dua himpunan nilai tambahan untuk deret berkala tersebut, yaitu nilai akhir taksiran trendsiklus dan taksiran akhir dari komponen acak. Nilai yang pertama dihitung dengan menggunakan rata-rata bergerak berbobot 15-bulanan Spencer terhadap data akhir yang telah disesuaiakn menurut musiman pada tabel 3.4 dan hasilnya ditunjukkan pada tabel 3.5 berikut: Tabel 3.5 Taksiran Akhir dari Komponen Trend-Siklus dari Data Penjualan Produk Coca-Cola
29 79 Secara matematis, perhitungan dapat diperoleh dari persamaan berikut: ( Fa ) = ε( T C E ) t t t t ( Fa ) = T C t t t Selanjutnya untuk mendapatkan taksiran dari komponen acak (deret data yang disesuaikan menurut musim / rata-rata bergerak 15-bulanan dari Spencer), maka diperoleh dengan membagi persamaan : FA T C E RCt = = = E FA T C t t t t ' t t t Hasil dari langkah ini yang ditetapkan pada deret Data Penjualan Produk Coca-Cola pada PT Coca-Cola Bottling Indonesia Medan Berdasarkan Krat Periode Januari 00 sampai Desember Ditunjukkan pada tabel 3.6 berikut: Tabel 3.6 Taksiran Akhir dari Komponen Acak 00 99,54 10,55 98,54 101,03 101,89 98,05 98,3 98,55 107,13 94,0 100,85 97, , 104,14 97,94 101,65 101,97 96,01 100,56 101,85 99,41 100,76 99,0 95, ,11 100, ,97 101,7 98,11 99,38 98,37 100, 101,11 10,95 106, ,35 97,1 99,66 99,98 101,71 99,47 101,01 101,56 99,18 99,67 99,66 100, ,41 100,91 97,94 100,14 10,1 98,19 101,61 100,78 98,79 99,5 100,5 100, Pengujian Deret Data Setelah fase III selesai dilakukan dan komponen dasar dari deret berkala tersebut ditaksir, maka dilakukan pengujian deret data untuk menentukan apakah dekomposisi tersebut sukses atau tidak Uji Perubahan Persentase untuk Komponen Acak Dalam uji ini komponen acak dari data digunakan sebagai dasar untuk menghitung perubahan persentase komponen acak. Nilai rata-rata keseluruhan dari komponen acak, secara khusus bermanfaat untuk pedoman bagi jumlah minimum kesalahan proyeksi yang dapat diharapkan. Hal ini ditunjukkan pada tabel 3.7 berikut:
30 80 Tabel 3.7 Uji Perubahan Persentase Komponen Acak 00. 0,03 0,04 0,03 0,01 0, ,09 0,1 0,07 0, ,04 0,03 0,06 0,04 0 0,06 0,05 0,01 0,0 0,01 0,0 0, ,09 0,03 0,0 0,0 0,01 0,04 0,01 0,01 0,0 0,01 0,0 0, ,1 0,04 0,03 0 0,0 0,0 0,0 0,01 0, , ,03 0,0 0,0 0,04 0,03 0,01 0,0 0 0,01 0 Nilai rata-rata keseluruhan adalah 0,08 Perhitungan data (nilai yang diambil dari tabel 3.6). Persentase pertama adalah nol karena tidak ada nilai sebelum bulan pertama dan persentase kedua adalah (10,55-99,54)/99,54=0,03. Dan untuk nilai bulan ketiga dan seterusnya dicari dengan cara yang sama, terlihat pada tabel 3.7. Nilai rata-rata keseluruhan adalah 0,08 Menunjukkan kesalahan maksimum dari ramalan tersebut adalah,8% Uji Perubahan untuk Komponen Trend-Siklus Dalam uji komponen trend-siklus dari deret data digunakan sebagai dasar untuk menghitung perubahan persentase trend-siklus dari bulan ke bulan. Untuk Data Penjualan Produk Coca-Cola pada PT Coca-Cola Bottling Indonesia Medan Berdasarkan Krat Periode Januari 00 sampai Desember 006, nilai ini ditunjukkan pada tabel 3.8 jika kita kombinasikan dengan nilai perubahan persentase dalam komponen acak, maka kedua uji ini memberikan salah satu ukuran yang digunakan dalam Dekomposisi Census II yaitu bulan dominasi siklus (MCD). Tabel 3.8 Uji Perubahan Persentase Komponen Trend-Siklus ,01 0,01 0,0 0,03 0,04 0,04 0, ,04 0,04 0,03 0,01 0, ,01 0,01 0, ,0 0,0 0, , ,0 0, ,03 0,03 0,0 0 0,01 0,01 0,
31 Nilai rata-rata keseluruhan adalah 0,009 Perhitungan data (nilai diambil dari tabel taksiran akhir komponen trendsiklus). Persentase pertama adalah nol karena tidak ada nilai sebelum bulan pertama dan persentase bulan kedua adalah ( )/87158 = 0 untuk bulan ketiga dan seterusnya dicari dengan cara yang sama Bulan untuk Dominasi Siklus. Tabel 3.7 dan tabel 3.8 adalah menunjukkan persentase perubahan nilai setiap bulan dibanding nilai bulan yang sebelumnya, masing-masing untuk komponen acak dan trend-siklus. Rasio dari perubahan trend-siklus dan acak menunjukkan berapa lama jangka waktu bahwa variasi komponen trend-siklus melebihi variasi komponen acak. Untuk data penjualan rasio tersebut adalah 3,11 ( 0,08/0,009 ).yang menunjukkan bahwa komponen trend-siklus mendominasi komponen acak sebesar 3,11. Dengan diketahuinya MCD adalah 3 bulan maka dapat dikatakan antara rentang waktu satu bulan dan rentang waktu tiga bulan, fluktuasi dalam komponen trend-siklus menjadi lebih besar dari pada fluktuasi dalam komponen acak. Hal ini menunjukkan bahwa MA 3-bularan dari data akhir yang telah disesuaikan menurut musim haruslah menggambarkan gerakan dalam komponen trend-siklus karena MA 3-bulanan ini akan menghilangkan bagian terbesar dari komponen acak. Tabel 3.9 Rata-rata Bergerak 3-bulanan (Deret data yang telah di sesuaikan menurut musim) , ,9 870, ,8 8699,5 9166,5 9936, , , , , , , , , 11199, 11748, 11474,7 1137, , , 13049, , , , , , , , , , , , , , , 10850, 10151, 10718, , 11137, ,4 1409,1 1877, , , ,3 1043,
32 8 PLOT TREND SIKLUS DALAM CENCUS II Trend Siklus dalam Cencus II , , , , , , ,0 0000,0 0, Pengamatan Gbr 3. Trend-Siklus yang dihitung dalam Census II Nilai rata-rata keseluruhan dari perubahan persentase tanpa memperhatikan tandanya adalah 0,013. Nilai ini diperoleh dengan menggunakan rumus: n FA FA i= t 1 t FA t 1 /( n 1) = 0,1 Rata-rata bergerak MCD yang telah diperoleh, merupakan dasar untuk meramalkan trend-siklus. Suatu plot grafis dari rata-rata bergerak pada tabel 3.9 diatas, sangat berguna untuk mengidentifikasi tingkat perubahan suatu kegiatan, yaitu trend-siklus Peramalan Penjualan Produk Coca Cola pada PT Coca Cola Bottling Indonesia Medan Berdasarkan Krat Periode Januari 00 sampai Desember 006. Untuk membuat peramalan Jumlah Penjualan Produk Coca Cola pada PT Coca Cola Bottling Indonesia Medan Berdasarkan Krat Periode Januari 00 sampai Desember 006 dua tahun kedepan yaitu Januari 007 sampai Desember 008 maka terlebih dahulu dicari taksiran trend-siklus. Taksiran ini diperoleh dari rata-rata bergerak MCD yang kemudian dikalikan dengan ramalan musiman dua tahun kedepan.
33 83 Tabel 3.30 Faktor Musiman Yang diramalkan Januari 007 sampai Desember ,75 99,54 100, 99,77 100, , ,40 99,99 99,97 99,13 100,94 100, ,71 99,57 100,17 99,79 100, , ,40 99,96 100,05 98,96 101,0 99,99 Tabel 3.31 Taksiran Trend-Siklus yang Diramalkan Januari 006 sampai Desember Tabel 3.3 Peramalan Jumlah Penjualan Produk Coca-Cola
34 84 BAB IV KESIMPULAN DAN SARAN 4.1 Kesimpulan Berdasarkan analisis yang telah dilakukan terhadap Data Penjualan Produk Coca Cola pada PT Coca Cola Bottling Indonesia Medan Berdasarkan Krat Periode Januari 00 sampai Desember 006, maka diperoleh hasil ramalan untuk tahun ke depan yaitu Januari 007 sampai dengan Desember 008 yaitu sebagai berikut : Bulan Tahun Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Saran Untuk melakukan perencanaan yang baik terlebih dahulu dilakukan peramalan mengenai keadaan yang berhubungan dengan rencana kerja yang hendak dibuat untuk
35 85 membantu dalam menentukan tindakan di masa yang akan datang dan tujuan untuk meningkatkan keuntungan dan keefisienan.
PERAMALAN CURAH HUJAN KOTA PONTIANAK DENGAN DEKOMPOSISI SENSUS II
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 05, No. 02(2016), hal 227 234. PERAMALAN CURAH HUJAN KOTA PONTIANAK DENGAN DEKOMPOSISI SENSUS II Eka Rahmilia, Helmi INTISARI Metode Dekomposisi
Lebih terperinciPERAMALAN PENJUALAN MINUMAN COCA-COLA PADA PT. COCA-COLA BOTTLING INDONESIA DENGAN MENGGUNAKAN METODE DEKOMPOSISI CENSUS II SKRIPSI
21 PERAMALAN PENJUALAN MINUMAN COCA-COLA PADA PT. COCA-COLA BOTTLING INDONESIA DENGAN MENGGUNAKAN METODE DEKOMPOSISI CENSUS II SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Sejarah Umum Perusahaan Saputra Plastik adalah perusahaan yang bergerak dalam bidang pemasaran berbagai jenis plastik seperti PP, PE, HD, dan Tali Plastik ; didirikan pada
Lebih terperinciBAB III METODE PERAMALAN DENGAN METODE DEKOMPOSISI. Metode peramalan yang biasanya dilakukan didasarkan atas konsep
BAB III METODE PERAMALAN DENGAN METODE DEKOMPOSISI Metode peramalan yang biasanya dilakukan didasarkan atas konsep bahwa apabila terdapat pola yang mendasari suatu deret data, maka pola tersebut dapat
Lebih terperinciBAB IV PENGOLAHAN DATA
30 BAB IV PENGOLAHAN DATA 4.1 Data Curah Hujan DAS Brantas Data curah hujan di DAS Brantas merupakan data curah hujan harian, dimana curah hujan harian berasal dari stasiun-stasiun curah hujan yang ada
Lebih terperinciHASIL DAN ANALISIS DATA. Berikut ini adalah data penjualan besi Wiremesh selama 4 tahun berturutturut.
BAB 5 HASIL DAN ANALISIS DATA 5.1 Penyajian Data Penelitian Berikut ini adalah data penjualan besi Wiremesh selama 4 tahun berturutturut. Data berikut merupakan data aktual untuk diramalkan penjualannya
Lebih terperinciBAB III PERAMALAN DENGAN METODE DEKOMPOSISI. (memecah) data deret berkala menjadi beberapa pola dan mengidentifikasi masingmasing
BAB III PERAMALAN DENGAN METODE DEKOMPOSISI 3.1 Metode Dekomposisi Prinsip dasar dari metode dekomposisi deret berkala adalah mendekomposisi (memecah) data deret berkala menjadi beberapa pola dan mengidentifikasi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciBAB III METODE DEKOMPOSISI X-12ARIMA. Analisis runtun waktu merupakan salah satu analisis statistik yang
BAB III METODE DEKOMPOSISI X-12ARIMA 3.1 Pendahuluan Analisis runtun waktu merupakan salah satu analisis statistik yang digunakan untuk mempelajari data dalam satu periode tertentu. Secara umum analisis
Lebih terperinciBAB III METODE DEKOMPOSISI X-11-ARIMA. Metode Census II telah dikembangkan oleh Biro Sensus Amerika Serikat.
BAB III METODE DEKOMPOSISI X-11-ARIMA 3.1 Pendahuluan Metode Census II telah dikembangkan oleh Biro Sensus Amerika Serikat. Metode Cencus II memiliki beberapa jenis metode dan perbaikan sejak metode pertama
Lebih terperinciPeramalan Penjualan Avtur dengan Mempertimbangkan Special Event
Peramalan Penjualan Avtur dengan Mempertimbangkan Special Event Siti Lukmatul Henifa, Dra. Nuri Wahyuningsih, M.Kes. Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam (MIPA), Institut Teknologi
Lebih terperinciPERAMALAN PENJUALAN AVTUR DENGAN MEMPERTIMBANGKAN SPECIAL EVENT
SIG TUGAS AKHIR PERAMALAN PENJUALAN AVTUR DENGAN MEMPERTIMBANGKAN SPECIAL EVENT Siti Lukmatul Henifa (1210 100 064) Pembimbing: Dra. Nuri Wahyuningsih, M.Kes. Senin, 20 Januari 2014 Matematika - ITS Page
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1 Peramalan 3.1.1 Pengertian Peramalan Peramalan adalah proses menggunakan pola-pola yang terkandung dalam data masa lampau untuk memprediksi nilai-nilai masa yang akan datang (Kvanli
Lebih terperinciPeramalan Kebutuhan Energi Jual pada PT Perusahaan Listrik Negara (PLN) Cabang Bukittinggi dengan Menggunakan Metode Dekomposisi Sensus Ii
Peramalan Kebutuhan Energi Jual pada PT Perusahaan Listrik Negara (PLN) Cabang Bukittinggi dengan Menggunakan Metode Dekomposisi Sensus Ii Sujantri Wahyuni 1, Helma 2, Nonong Amalita 3 1 Mathematics Department
Lebih terperinciBAB 2 LANDASAN TEORI
35 BAB LANDASAN TEORI Meode Dekomposisi biasanya mencoba memisahkan iga komponen erpisah dari pola dasar yang cenderung mencirikan dere daa ekonomi dan bisnis. Komponen ersebu adalah fakor rend (kecendrungan),
Lebih terperinciMETODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN
METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN Peramalan kuantitatif hanya dapat digunakan apabila terdapat
Lebih terperinciHASIL DAN PEMBAHASAN
18 HASIL DAN PEMBAHASAN Eksplorasi data Tahap pertama dalam pembentukan model VAR adalah melakukan eksplorasi data untuk melihat perilaku data dari semua peubah yang akan dimasukkan dalam model. Eksplorasi
Lebih terperinciPERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Lebih terperinciIII. MATEMATIKA DAN STATISTIKA APLIKASI (S.1) EFEK PERUBAHAN POLA CUACA PADA DEBIT AIR MASUK DI WADUK SAGULING
III. MATEMATIKA DAN STATISTIKA APLIKASI (S.1) EFEK PERUBAHAN POLA CUACA PADA DEBIT AIR MASUK DI WADUK SAGULING Yurian Yudanto (yurian.yudanto@yahoo.com) Jurusan Statistika, Fakultas Matematika dan Ilmu
Lebih terperinciBAB IV PEMBAHASAN. Sebelum melakukan analisis dengan penerapan simulasi Monte Carlo dan VaR,
BAB IV PEMBAHASAN IV.1 Analisa Harga Saham BBCA Sebelum melakukan analisis dengan penerapan simulasi Monte Carlo dan VaR, penulis akan menganalisa pergerakan harga saham BBCA. Data yang diperlukan dalam
Lebih terperinciUniversitas Bina Nusantara. Program Studi Ganda Tehnik Informatika-Statistika Skripsi Sarjana Program Ganda Semester Ganjil tahun 2006/2007
Universitas Bina Nusantara Program Studi Ganda Tehnik Informatika-Statistika Skripsi Sarjana Program Ganda Semester Ganjil tahun 2006/2007 ANALISIS PERBANDINGAN ANTARA METODE DEKOMPOSISI RASIO RATA-RATA
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperincidari tahun pada stasiun pengamat yang berada di daerah Darmaga, Bogor.
Jika plot peluang dan plot kuantil-kuantil membentuk garis lurus atau linier maka dapat disimpulkan bahwa model telah memenuhi asumsi (Mallor et al. 2009). Tingkat Pengembalian Dalam praktik, besaran atau
Lebih terperinciBAB III METODE DEKOMPOSISI SEASONAL TREND BASED ON LOESS (STL) average sebagai pemulus data untuk mengestimasi komponen musiman dan
BAB III METODE DEKOMPOSISI SEASONAL TREND BASED ON LOESS (STL) 3.1 Pendahuluan Metode dekomposisi klasik menggunakan pendekatan prosedur moving average sebagai pemulus data untuk mengestimasi komponen
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Permintaan (Forecast Demand) Peramalan permintaan atau forecast demand (FD) adalah peramalan kuantitas permintaan sesuatu (barang atau jasa) dimasa yang akan
Lebih terperinciBAB IV METODE PERAMALAN
Metode Peramalan 15 BAB METODE PERAMALAN 4.1 Model Sederhana Data deret waktu Nilai-nilai yang disusun dari waktu ke waktu tersebut disebut dengan data deret waktu (time series). Di dunia bisnis, data
Lebih terperinciPERTUMBUHAN SIMPANAN *) BANK UMUM POSISI NOVEMBER 2011
Nop-06 Feb-07 Mei-07 Agust-07 Nop-07 Feb-08 Mei-08 Agust-08 Nop-08 Feb-09 Mei-09 Agust-09 Nop-09 Feb-10 Mei-10 Agust-10 Nop-10 Feb-11 Mei-11 Agust-11 PERTUMBUHAN SIMPANAN *) BANK UMUM POSISI NOVEMBER 2011
Lebih terperinciHASIL DAN PEMBAHASAN. Analisis data dilakukan dengan menggunakan Software Eviews Versi 4.1 dan Microsoft Office Excel Gambar 2 Plot IHSG.
kointegrasi lebih besar dari nol maka model yang digunakan adalah VECM (Enders, 1995). 4. Analisis model VAR, VARD atau VECM. 5. Interpretasi terhadap model. 6. Uji kelayakan model. 7. Pengkajian fungsi
Lebih terperinciBAB 4 HASIL DAN BAHASAN
BAB 4 HASIL DAN BAHASAN 4.1 Hasil dan Bahasan 4.1.1 Penentuan Suku Cadang Prioritas Untuk menentukan suku cadang prioritas pada penulisan tugas akhir ini diperlukan data aktual permintaan filter fleetguard
Lebih terperinciMODUL 5 PETA KENDALI CUSUM & EWMA
MODUL 5 PETA KENDALI CUSUM & EWMA Laboratorium OSI & K FT.UNTIRTA Praktikum Pengendalian Kualitas 2014 Page 1 MODUL 5 PETA KENDALI CUSUM & EWMA A. Tujuan Praktikum Berikut ini adalah tujuan praktikum modul
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
Lebih terperinciBAB IV PEMBAHASAN. Saldo Ratarata. Distribusi Bagi Hasil. Januari 1 Bulan 136,901,068,605 1,659,600, % 1,078,740, %
36 BAB IV PEMBAHASAN A. Analisis Sistem Pembagian Keuntungan Bagi Hasil deposito Syariah (Mudharabah) Pada Bank BTN Unit Usaha Syariah besar kecilnya pendapatan yang diperoleh nasabah dari deposito bergantung
Lebih terperinciMODEL-MODEL LEBIH RUMIT
MAKALAH MODEL-MODEL LEBIH RUMIT DISUSUN OLEH : SRI SISKA WIRDANIYATI 65 JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS ISLAM INDONESIA 04 BAB I PENDAHULUAN. Latar Belakang
Lebih terperinciPERENCANAAN KEBUTUHAN BAHAN BAKU KEMASAN MINUMAN RINGAN UNTUK MEMINIMUMKAN BIAYA PERSEDIAAN. Mila Faila Sufa 1*, Rizky Novitasari 2
PERENCANAAN KEBUTUHAN BAHAN BAKU KEMASAN MINUMAN RINGAN UNTUK MEMINIMUMKAN BIAYA PERSEDIAAN Mila Faila Sufa 1*, Rizky Novitasari 2 1,2 Jurusan Teknik Industri, Fakultas Teknik, Universitas Muhammadiyah
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. dilakukan penyesuaian terhadap hari perdagangan (data penyesuaian ini yang akan
BAB 4 METODOLOGI PENELITIAN 4.1 Kerangka Pemikiran dan Hipotesis Berdasarkan kajian teoritis, dapat diketahui bahwa data historis penjualan dilakukan penyesuaian terhadap hari perdagangan (data penyesuaian
Lebih terperinciBab 2. Teori Dasar. 2.1 Pendahuluan
Bab 2 Teori Dasar 2.1 Pendahuluan Gagasan bagan kendali statistik pertama kali diperkenalkan oleh Walter A. Shewhart dari Bell Telephone laboratories pada tahun 1924 (Montgomery, 2001, hal 9). Tujuan dari
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskripsi Data Hasil Penelitian Kegiatan penelitian ini dilaksanakan pada tanggal 26 Agustus s.d. 26 September 2013. Populasi dalam penelitian adalah seluruh kelas
Lebih terperinciAnalisis Variansi (ANOVA) Utriweni Mukhaiyar MA 2081 Statistika Dasar 13 November 2012
1 Analisis Variansi (ANOVA) Utriweni Mukhaiyar MA 2081 Statistika Dasar 13 November 2012 2 Analisis Variansi 1. Tujuan Analisis Variansi 2. Asumsi-asumsi s s dalam a Analisis s Variansi a 3. Hipotesis
Lebih terperinciBab IV. Pembahasan dan Hasil Penelitian
Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai
Lebih terperinciANALISIS RANGKAIAN WAKTU (TIME SERIES ANALYSIS)
BAB 5 ANALISIS RANGKAIAN WAKTU (TIME SERIES ANALYSIS) Kompetensi Menjelaskan konsep dasar time series. Indikator 1. Menjelaskan konsep dasar time series analysis: trend linear.. Menjelaskan konsep dasar
Lebih terperinciMATERI 3 PER E AM A AL A AN
MATERI 3 PERAMALAN APAKAH PERAMALAN ITU? Peramalan (Forecasting) : Seni dan ilmu memprediksi peristiwa- peristiwa masa depan. Peramalan memerlukan pengambilan data historis dan memproyeksikannya ke masa
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Metode penelitian mencakup uraian tentang: tempat penelitian, waktu, dan tatalaksana penelitian yang meliputi : metode penelitian; variabel penelitian dan desain operasional;
Lebih terperinciPERTUMBUHAN SIMPANAN *) BANK UMUM POSISI APRIL 2012
I. TOTAL SIMPANAN NASABAH PERTUMBUHAN SIMPANAN *) BANK UMUM POSISI APRIL 2012 Total pada bulan April 2012 mengalami kenaikan sebesar Rp14,48 Triliun dibandingkan dengan total pada bulan Maret 2012 sehingga
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola data yang sistematis (Makridakis, 1999). Peramalan menggunakan pendekatan
Lebih terperinciBAB I PENDAHULUAN. waktu banyak serta bisa disesuaikan dengan waktu mereka. Seiring perkembangan
BAB I PENDAHULUAN A. Latar Belakang Masalah Fitness centre adalah salah satu tempat kebugaran yang sedang berkembang saat ini. Baik dari remaja hingga lansia tertarik ketempat ini, karena di tempat ini
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
49 BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Standar Optimasi Dasar evaluasi untuk mengoptimalkan supply chain management pada Honda Tebet (PT. Setianita Megah Motor) dari proses bisnis perusahaan
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK
BAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK 3.1 Metode Pemulusan Eksponensial Holt-Winter Metode rata-rata bergerak dan pemulusan Eksponensial dapat digunakan untuk
Lebih terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan meramalkan atau memprediksi apa yang akan terjadi dimasa yang akan datang dengan waktu tenggang (lead time) yang relative lama,
Lebih terperinciPertemuan 5 Anggaran Produksi. Disarikan dari : Kartika, Dwiarti, Dasuki, dan sumber relevan lainnya
Pertemuan 5 Anggaran Produksi Disarikan dari : Kartika, Dwiarti, Dasuki, dan sumber relevan lainnya Konsep Dasar Anggaran Produksi Pengertian: Alat untuk merencanakan, mengkoordinasi dan mengontrol kegiatan
Lebih terperinciBAB III ANALISIS FAKTOR. berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
BAB III ANALISIS FAKTOR 3.1 Definisi Analisis faktor Analisis faktor adalah suatu teknik analisis statistika multivariat yang berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
Lebih terperinciVI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER
VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER 6.1. Analisis Pola Data Penjualan Ayam Broiler Data penjualan ayam broiler adalah data bulanan yang diperoleh dari bulan Januari 2006
Lebih terperinciPERKEMBANGAN TINGKAT PENGHUNIAN KAMAR HOTEL BINTANG
No. 04/01/81/Th. VIII, 3 Januari 2017 2014 PERKEMBANGAN TINGKAT PENGHUNIAN KAMAR HOTEL BINTANG DI PROVINSI MALUKU NOVEMBER TPK HOTEL BINTANG NOVEMBER MENCAPAI 38,23 % Tingkat penghunian kamar (TPK) hotel
Lebih terperinciLAPORAN PRAKTIKUM MODUL I PERAMALAN
LAPORAN PRAKTIKUM MODUL I PERAMALAN Disusun oleh: Kelompok II 1. Ari Handayani (4409216094) 2. Caecilia Eka A.W.S. (4409216097) 3. Dwi Darmawan Saputra (4409216100) LABORATORIUM SISTEM PRODUKSI FAKULTAS
Lebih terperinciBAB II KAJIAN PUSTAKA Definisi dan Tujuan Forecasting. yang belum terjadi (Pangestu S, 1986:1). Forecasting atau peramalan
BAB II KAJIAN PUSTAKA 2.1 Forecasting 2.1.1 Definisi dan Tujuan Forecasting Forecasting adalah peramalan (perkiraan) mengenai sesuatu yang belum terjadi (Pangestu S, 1986:1). Forecasting atau peramalan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciBAB 3 PRAKIRAAAN dan PERAMALAN PRODUKSI. Dalam Manajemen Operasional, mengapa perlu ada peramalan produksi?
BAB 3 PRAKIRAAAN dan PERAMALAN PRODUKSI Dalam Manajemen Operasional, mengapa perlu ada peramalan produksi? a. Ada ketidak-pastian aktivitas produksi di masa yag akan datang b. Kemampuan & sumber daya perusahaan
Lebih terperinciSALES FORECASTING UNTUK PENGENDALIAN PERSEDIAAN
BAB IV SALES FORECASTING UNTUK PENGENDALIAN PERSEDIAAN A. Identifikasi Peramalan Penjualan oleh UD. Jaya Abadi Dari hasil wawancara yang menyebutkan bahwa setiap pengambilan keputusan untuk estimasi penjualan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Konsep Peramalan Peramalan ( forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi modern
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto
18 BAB 2 TINJAUAN TEORITIS 2.1 Produk Domestik Regional Bruto Dalam menghitung pendapatan regional, dipakai konsep domestik. Berarti seluruh nilai tambah yang ditimbulkan oleh berbagai sektor atau lapangan
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciPERKEMBANGAN TINGKAT PENGHUNIAN KAMAR HOTEL (TPK) KALIMANTAN SELATAN BULAN DESEMBER 2011
No.8/02/63/Th.XVI, 1 Februari 2012 PERKEMBANGAN TINGKAT PENGHUNIAN KAMAR HOTEL (TPK) KALIMANTAN SELATAN BULAN DESEMBER 2011 Tingkat Penghunian Kamar (TPK) hotel berbintang di Kalimantan Selatan pada bulan
Lebih terperinci3 METODOLOGI PENELITIAN
3 METODOLOGI PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian lapang dilakukan pada bulan Mei 2009. Penelitian bertempat di Pelabuhan Perikanan Pantai (PPP) Muncar, Kabupaten Banyuwangi, Propinsi
Lebih terperinciBAB II LANDASAN TEORITIS
BAB I PENDAHULUAN Pengaruh pemanasan global yang sering didengungkan tidak dapat dihindari dari wilayah Kalimantan Selatan khususnya daerah Banjarbaru. Sebagai stasiun klimatologi maka kegiatan observasi
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada
Lebih terperinci* Menetapkan model peramalan dimasa yang akan datang, baik ramal-an jangka pendek maupun jangka panjang.
TIME SERIES Data Deret Waktu Materi dalam bab ini adalah suatu pendekatan Statistika dalam memecahkan persoalan perubahan/pertumbuhan variabel atau faktor tertentu. Seperti diketahui Statistika membantu
Lebih terperinciPERAMALAN (FORECASTING)
PERAMALAN (FORECASTING) Apakah Peramalan itu? Peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian di masa depan. Dapat dilakukan dengan melibatkan pengambilan data historis dan memproyeksikannya
Lebih terperinciBAB ΙΙ LANDASAN TEORI
7 BAB ΙΙ LANDASAN TEORI Berubahnya nilai suatu variabel tidak selalu terjadi dengan sendirinya, bisa saja berubahnya nilai suatu variabel disebabkan oleh adanya perubahan nilai pada variabel lain yang
Lebih terperinciBAB V ANALISA DAN PEMBAHASAN
BAB V ANALISA DAN PEMBAHASAN 5.1 Peramalan Kebutuhan Bahan Baku Pada bab ini berisikan tentang analisa hasil dari pengolahan data dalam perhitungan Forecasting dan MRP tepung terigu untuk 12 bulan yang
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN 4.1 Pergerakan Harga Saham Pergerakan harga harian indeks LQ45 dan lima saham perbankan yang termasuk dalam kelompok LQ45 selama periode penelitian ditampilkan dalam bentuk
Lebih terperinciBAB IV STUDI KASUS. Data yang digunakan adalah data jumlah pengunjung objek wisata Kebun
BAB IV STUDI KASUS 4.1 Plot Data Data yang digunakan adalah data jumlah pengunjung objek wisata Kebun Raya Cibodas dari bulan Januari 2005 hingga Desember 2009. Data selengkapnya dapat dilihat pada Tabel
Lebih terperinciBAB III METODE DEKOMPOSISI. 3.1 Arti dan Pentingnya Analisis Deret Waktu. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI 3.1 Arti dan Pentingnya Analisis Deret Waktu Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu untuk menggambarkan perkembangan suatu kegiatan (perkembangan produksi,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1. Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan
Lebih terperinciPERTUMBUHAN SIMPANAN *) BANK UMUM POSISI FEBRUARI 2012
Nop-06 Feb-07 Mei-07 Agust-07 Nop-07 Feb-08 Mei-08 Agust-08 Nop-08 Feb-09 Mei-09 Agust-09 Nop-09 Feb-10 Mei-10 Agust-10 Nop-10 Feb-11 Mei-11 Agust-11 Nop-11 PERTUMBUHAN SIMPANAN *) BANK UMUM POSISI FEBRUARI
Lebih terperinciIV. HASIL DAN PEMBAHASAN
8 eigenvalue masing-masing mode terhadap nilai total eigenvalue (dalam persen). PC 1 biasanya menjelaskan 60% dari keragaman data, dan semakin menurun untuk PC selanjutnya (Johnson 2002, Wilks 2006, Dool
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Peramalan adalah suatu proses dalam menggunakan data historis yang telah dimiliki untuk diproyeksikan ke dalam suatu model peramalan. Dengan model peramalan
Lebih terperinciANGKA INDEKS. Disiapkan oleh: Bambang Sutrisno, S.E., M.S.M.
ANGKA INDEKS Disiapkan oleh: Bambang Sutrisno, S.E., M.S.M. A. PENGERTIAN Angka indeks adalah angka yang digunakan sebagai perbandingan dua atau lebih kegiatan yang sama untuk kurun waktu yang berbeda.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. PengertianPeramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Dalam usaha mengetahui atau melihat perkembangan di masa depan,
Lebih terperinciPERKEMBANGAN TINGKAT PENGHUNIAN KAMAR HOTEL BINTANG
No. 04/11/81/Th. VII, 1 November 2014 PERKEMBANGAN TINGKAT PENGHUNIAN KAMAR HOTEL BINTANG DI PROVINSI MALUKU SEPTEMBER TPK HOTEL BINTANG SEPTEMBER MENCAPAI 29,30 % Tingkat penghunian kamar (TPK) hotel
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Program Ganda Teknik Informatika dan Statistika Skripsi Sarjana Program Ganda Semester Ganjil 2006/2007
UNIVERSITAS BINA NUSANTARA Program Ganda Teknik Informatika dan Statistika Skripsi Sarjana Program Ganda Semester Ganjil 2006/2007 ANALISIS PERAMALAN PENJUALAN PRODUK CISCO DENGAN METODE DEKOMPOSISI CENSUS
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciBAB 2 LANDASAN TEORI. Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan datang. Peramalan adalah proses untuk memperkirakan kebutuhan di masa datang
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1. Metode Time Series 3.1.1. Definisi Peramalan dan Time Series Peramalan (forecasting)adalah kegiatan memperkirakan apa yang terjadi pada masa yang akan datang berdasarkan data
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan (forecasting) merupakan upaya memperkirakan apa yang terjadi pada masa yang akan datang. Pada hakekatnya peramalan hanya merupakan suatu perkiraan (guess),
Lebih terperinciBAB III METODE PENELITIAN. untuk memahami, memecahkan dan mengantisipasi masalah. adalah penelitian secara deskriptif dan komparatif.
BAB III METODE PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif dan komparatif. Melalui penelitian, manusia dapat menggunakan hasilnya, secara
Lebih terperinciBAB 4 HASIL DAN ANALISIS PENELITIAN
BAB 4 HASIL DAN ANALISIS PENELITIAN Dalam penelitian ini penulis menganalisis pengaruh inovasi produk terhadap total penjualan T-shirt CAB ( belum diinovasi ) dan T-shirt Ie-be ( setelah diinovasi ) pada
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN. dari UD. Wingko Babat Pak Moel sebagai berikut: a. Data permintaan wingko pada tahun 2016.
BAB IV ANALISIS DAN PEMBAHASAN 4.1 Pengumpulan dan Pengolahan Data Untuk menganalisi permasalahan pengoptimalan produksi, diperlukan data dari UD. Wingko Babat Pak Moel sebagai berikut: a. Data permintaan
Lebih terperinciBAB SIMULASI PERHITUNGAN HARGA BARANG. Bab 4 Simulasi Perhitungan Harga barang berisikan :
BAB SIMULASI PERHITUNGAN HARGA BARANG Bab Simulasi Perhitungan Harga barang berisikan :.. Simulasi peramalan nilai Indeks Harga Konsumen (IHK) melalui metode ARIMA.. Prediksi nilai inflasi tahun 0.3. Prediksi
Lebih terperinciBAB IV ANALISA DATA Ketersediaan Data
BAB IV ANALISA DATA 4.1. Ketersediaan Data Sebelum melakukan perhitungan teknis normalisasi terlebih dahulu dihitung besarnya debit banjir rencana. Besarnya debit banjir rencana dapat ditentukan dengan
Lebih terperinciBAB III PEMBAHARUAN PERAMALAN. Pada bab ini akan dibahas tentang proses pembaharuan peramalan.
BAB III PEMBAHARUAN PERAMALAN Pada bab ini akan dibahas tentang proses pembaharuan peramalan. Sebelum dilakukan proses pembaharuan peramalan, terlebih dahulu dilakukan proses peramalan dan uji kestabilitasan
Lebih terperinciKOMP. PERANGGARAN 1. Materi 4 ANGGARAN PRODUKSI
KOMP. PERANGGARAN 1 Materi 4 ANGGARAN PRODUKSI Dr. Kartika Sari Universitas Gunadarma Materi 4-1 Satuan Acara Perkuliahan 1. Konsep Dasar Anggaran Produksi 2. Penyusunan Anggaran Produksi 3. Alokasi Kebijakan
Lebih terperinciPEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH
JIMT Vol. 12 No. 2 Desember 2016 (Hal 149-159) ISSN : 2450 766X PEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH 1 Y. Wigati, 2 Rais, 3 I.T.
Lebih terperinciBAB V ANALISA HASIL PEMBAHASAN
BAB V ANALISA HASIL PEMBAHASAN 5.1 Analisa Efektifitas Hasil Penerapan Line Balancing Menggunakan Methode Hegelson-Birnie Analisa efektifitas hasil dari penerapan line balancing dilakukan untuk melihat
Lebih terperinciANALISIS PERAMALAN PENJUALAN KANTOR PERCETAKAN DAN PERDAGANGAN UMUM CV AGUNG BEKASI TIMUR
ANALISIS PERAMALAN PENJUALAN KANTOR PERCETAKAN DAN PERDAGANGAN UMUM CV AGUNG BEKASI TIMUR NAMA : GALANG INDRAS SUWANTO NPM : 12210908 JURUSAN : MANAJEMEN PEMBIMBING : SUPRIYO HARTADI, W. SE. MM LATAR BELAKANG
Lebih terperinciANGGARAN PRODUKSI. Muniya Alteza.
ANGGARAN PRODUKSI Muniya Alteza Anggaran Produksi Pengertian: Alat untuk merencanakan, mengkoordinasi dan mengontrol kegiatan produksi Perencanaan produksi meliputi masalah-masalah yang berkaitan dengan:
Lebih terperinciBAB II LANDASAN TEORI. 2.1 Uji Hipotesis
BAB II LANDASAN TEORI Pada bab ini akan dibahas tentang pengujian hipotesis, metode klasifikasi berstruktur pohon, metode-metode statistika yang menjadi dasar pada metode QUEST, dan algoritme QUEST..1
Lebih terperinciPENGENDALIAN PERSEDIAAN BAHAN BAKU BAJA MS DI DIREKTORAT PRODUKSI ATMI CIKARANG
PENGENDALIAN PERSEDIAAN BAHAN BAKU BAJA MS DI DIREKTORAT PRODUKSI ATMI CIKARANG Siti Rohana Nasution 1, Temotius Agung Lukito 2 1,2) Jurusan Teknik Industri Fakultas Teknik Universitas Pancasila 1) nasutionana@yahoo.co.id,
Lebih terperinciAnalisa Performansi Dan Peramalan Call Center PT.INDOSAT, Tbk dengan Menggunakan Formula Erlang C
Analisa Performansi Dan Peramalan Call Center PT.INDOSAT, Tbk dengan Menggunakan Formula Erlang C Oleh: Rara Karismawati NRP.7207040019 1 Pembimbing: Mike Yuliana, ST, MT NIP. 197811232002122009 Reni Soelistijorini,
Lebih terperinciBAB I PENDAHULUAN. yang akan terjadi di masa yang akan datang menggunakan dan. mempertimbangkan data dari masa lampau. Ketepatan secara mutlak dalam
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Peramalan (forecasting) merupakan suatu kegiatan untuk mengetahui apa yang akan terjadi di masa yang akan datang menggunakan dan mempertimbangkan data dari
Lebih terperinciPERAMALAN PENJUALAN PADA USAHA DEPOT AIR MINUM ISI ULANG AQUA JOSS
PERAMALAN PENJUALAN PADA USAHA DEPOT AIR MINUM ISI ULANG AQUA JOSS Nama : Annis Nur Hayati R. NPM : 10210904 Jurusan : Manajemen Pembimbing : Gatot Subiyakto, SH.,MM. Bab I. Pendahuluan Latar Belakang
Lebih terperinci