Model GSTAR Termodifikasi untuk Produktivitas Jagung di Boyolali
|
|
- Ida Tedja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 Model GSTAR Termodifiasi unu Produivias Jagung di Boyolali Prisa Dwi Apriyani ), Hanna Arini Parhusip ), Lili Linawai ) ))) Progdi Maemaia, Faulas Sains dan Maemaia, Universias Krisen Saya Wacana Jalan Diponegoro No. 5-6, Salaiga ) prisadwia@gmail.com ) hannaariniparhusip@yahoo.co.id ) lina.uomo@yahoo.com Absra Model peramalan dengan daa yang mengandung eeraian dengan daa sebelumnya dan loasi seiar adalah model Generalized Space Time Auo Regressive (GSTAR). Sebagai conoh model model GSTAR unu daa produsi jagung di loasi A berganung pada produsi jagung dari loasi lain. Unu epeningan opimasi diperluan modifiasi model GSTAR, yaiu daa produsi jagung di loasi A dipandang berganung juga pada faor pening perumbuhan jagung, yaiu curah hujan dan luas lahan panen dibandingan dengan luas lahan riis di loasi A. Dalam peneliian ini aan dierapan model GSTAR sandard dan GSTAR Termodifiasi unu daa produsi jagung dengan bobo loasi seragam dan invers jara berdasaran daa dari BPS Kabupaen Boyolali ahun 8 s/d. Pada peneliian ini dibaasi sebanya loasi, yaiu Kecamaan Ampel, Cepogo, dan Musu. Berdasaran model GSTAR Termodifiasi diperoleh hasil produsi jagung opimal selama 5 ahun, yaiu di Kecamaan Ampel, Cepogo, dan Musu beruru-uru sebesar.5, on, 5.95,47 on, dan 6.55,7 on. Sedangan daa minimum dan masimum beruru-uru adalah [.574;4777], [9.;.58], dan [4.96;7.7]. Hasil opimasi menunjuan bahwa hasil opimal unu Ampel dan Musu berada pada selang daa asli, sedangan hasil opimasi Cepogo ida pada inerval daa. Dengan aa lain, hasil peneliian dapa mengusulan hasil opimasi jagung yang diperoleh selama 5 ahun unu Ampel, dan Musu, sedangan hasil opimal Cepogo masih dianalisis lebih lanju. Hasil analisa unu menguji eopimalan solusi menunjuan bahwa pengopimal erbai diperoleh dari meode program linier, sedangan di Kecamaan Ampel dan Cepogo erdapa lebih dari pengopimal yang disebu sebagai pengopimal loal. Kaa Kunci GSTAR, bobo loasi, program linier, opimasi A. Pendahuluan Berdasaran analisa pea lahan riis wilayah BPDAS Pemali Jraun ahun 9, dengan prosenase lahan riis erluas (proporsi lahan riis dibandingan luas wilayah adminisraif) adalah Kabupaen Boyolali, yaiu sebesar 9.49%, aau seluas 4.4 ha. Terjadinya lahan riis di Kabupaen Boyolali disebaban oleh aivias manusia yang berupa illegal logging dan pengelolaan lahan dengan budidaya anaman semusim yang ida epa (Nugroho,). Luas lahan riis di Kabupaen Boyolali ersebu dapa digunaan unu mengevaluasi produivias lahan penghasil jagung dengan menenuan faor lain yang berpengaruh dalam produsi jagung, conohnya curah hujan arena curah hujan mempengaruhi produsi peranian secara umum, hususnya unu ladang jagung. Dipilih omodias jagung arena menuru Buu Puih Saniasi Boyolali, jagung jenis hibrida merupaan produ andalan dengan produsi sebesar on/h. Jagung hibrida dapa umbuh opimal dengan curah hujan berada pada inerval 85- mm. Dalam ehidupan sehari-hari, seringali dijumpai daa yang ida hanya mengandung eeraian dengan daa pada wau sebelumnya, eapi juga mempunyai eeraian dengan loasi. Unu memperoleh model peramalan dengan daa demiian dapa digunaan model ISBN
2 Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 Generalized Space Time Auo Regressive (GSTAR) (Suharono, 6). Model GSTAR Sandard aan dierapan unu meramalan daa produsi jagung di Kabupaen Boyolali, emudian dievaluasi apaah model ersebu coco sebagai model peramalan. Selain model GSTAR sandard disusun pula model GSTAR Termodifiasi yang menunjuan eeraian anara produsi jagung dengan luas lahan dan curah hujan. Hasil model GSTAR sandard dan hasil model GSTAR Termodifiasi aan dibandingan sehingga diperoleh model erbai yang aan digunaan unu menenuan produsi jagung yang opimal dalam urun wau erenu. B. Tinjauan Pusaa Pada GSTAR sandard beberapa asumsi perlu dipenuhi unu dapa memperoleh model yang epa, misalnya daa harus sasioner dalam variansi dan raa-raa (Borovova, d, ). Transformasi Box-Cox dan rend analysis diperluan unu menguji esasioneran daa dalam variansi dan raa-raa. Asumsi lain yang perlu dipenuhi adalah residual harus whie noise yang dapa dideesi dengan Uji L-jung Box Pierce seelah model GSTAR sandard diperoleh. Apabila asumsi sasionerias daa elah dipenuhi maa dapa dilanjuan e penyusunan model GSTAR sandard dan esimasi parameer dengan meode uadra erecil. Hasil esimasi parameer diuji signifiansinya dengan menggunaan uji- yang menghasilan parameer-parameer signifian. Proses pemenuhan asumsi hingga esimasi parameer ersebu juga dierapan unu model GSTAR ermodifiasi sehingga diperoleh hasil GSTAR sandard dan hasil GSTAR ermodifiasi yang emudian dibandingan. Model erbai aan dijadian fungsi ujuan yang diselesaian dengan meode program linier. Uji Sasionerias Dalam analisa daa ime series X,..., N ISBN diperluan asumsi sasionerias dalam variansi E ( X ) dan raa-raa E ( X ) dimana nilai variansi (σ ) dan raa-raa (μ) ida berubah (onsan) unu semua wau, secara maemais diulisan pada persamaan (). E( X ) unu semua () E( X ) unu semua Menuru Wei (6:8) sasionerias dalam variansi dan sasionerias dalam raa-raa dapa dijelasan sebagai beriu. Sasionerias dalam variansi Suau daa ime series diaaan sasioner dalam variansi apabila sruur daa dari wau e wau mempunyai fluuasi daa yang eap aau onsan. Sasionerias dalam variansi dapa diliha dari esimasi lambda yang dihasilan oleh ransformasi Box Cox pada persamaan (). Jia esimasi lambda mendeai maa daa diaaan sasioner dalam variansi, jia esimasi lambda ida mendeai maa perlu dilauan ransformasi Box-Cox pada daa agar daa sasioner dalam variansi. Y i, Wi, i,,..., n () ln( Yi ), dengan, W i = daa e-i hasil ransformasi Y i = daa e-i yang aan diransformasi
3 Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 λ = parameer Box-Cox. Sasionerias dalam raa-raa Sasionerias dalam raa-raa diunjuan dengan plo daa rend analysis yang menggambaran fluuasi daa berada di seiar suau nilai raa-raa yang onsan, ida erganung pada wau dan variansi dari fluuasi ersebu. Diliha dari hasil rend analysis, daa diaaan sasioner jia rend linear mendeai sejajar dengan sumbu horizonal, namun jia ida sejajar dengan sumbu horizonal maa perlu dilauan differencing pada daa. Pengujian Residual Whie Noise Residual whie noise adalah residual mengiui disribusi ideni independen (iid) yang dapa dideesi menggunaan uji auoorelasi residual pada analisis error-nya. Uji orelasi residual digunaan unu mendeesi ada idanya orelasi residual anar lag. Langah-langah pengujian orelasi residual, yaiu : H o :... ISBN K H a :,,,..., K dengan adalah oefisien auoorelasi residual periode. Saisi uji yaiu Ljung Box Pierce dengan araf signifiansi sebesar 5%. Rumus uji Ljung Box-Pierce (Wei,6:5) didefinisian pada persamaan (). K ˆ QK T( T ) () T dengan, Q K : saisi uji Ljung Box-Pierce T : banyanya daa K : banyanya periode yang diuji ˆ : dugaan auoorelasi residual periode Krieria epuusan yaiu ola H o jia noise aau memilii orelasi anar lag. Q K > ( a, d, f ) abel, arinya residual ida whie Model GSTAR Sandard Model Generalized Space Time Auo Regressive (GSTAR) perama ali diperenalan oleh Borovova, Lopuhaa, dan Ruchjana () sebagai generalisasi dari model Space Time Auoregressive (STAR). Perbedaan yang cuup mendasar anara GSTAR dan STAR erlea pada asumsi araerisi loasi. Pada model STAR penyusunan model erbaas pada variabel dengan araerisi loasi yang seragam (homogen), sedangan model GSTAR penyusunan model dapa dilauan apabila memilii araerisi loasi yang beranearagam (heerogen). Menuru Borovova,d () model GSTAR dapa diulisan pada persamaan (4). p ( ( W ) ( ) e( dengan ( = variabel penggani daa pada wau p = orde spasial n N = diag (,..., ) dan = diag (,..., ) merupaan parameer model (4)
4 Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 W = bobo (weigh) yang dipilih unu memenuhi w dan w ISBN ( ( ( ) ( WY ( WR ( ) e( ) ( ) ( W Y ( W R ( ) e( ) ii j Maris model GSTAR unu penggunaan loasi yang berbeda pada orde wau dan orde spasial disajian pada persamaan (5) (Faizah & Seiawan, ). ( ( ( ) ( ) ( ) ( ) w w w w w( ) e ( w ( ) e( ( ) ( ) e Bobo loasi yang dipaai dalam peneliian ini adalah bobo loasi seragam dan invers jara. Penenuan nilai bobo unu bobo loasi seragam wij ni dengan n i merupaan banyanya loasi yang berdeaan dengan loasi e-i, sedangan bobo loasi invers jara dihiung menggunaan jara sebenarnya anar loasi. Unu conoh asus pada Gambar, perhiungan bobo unu jara dari loasi A e loasi B dengan meode invers jara adalah W AB, d W W AB AC AB WAB W W AB AC WAC W W AC AB W AC d AC 4 4 GSTAR Termodifiasi GSTAR ermodifiasi adalah modifiasi GSTAR sandard, modifiasi dilauan dengan menggani variasi loasi pada GSTAR sandard dengan variasi faor produsi. GSTAR ermodifiasi ini elah digunaan unu mengeahui banyanya produsi padi opimal yang berganung pada curah hujan dan proporsi luas lahan panen dibandingan luas lahan riis di iap loasi (Parhusip, 4). Pada peneliian ersebu menghasilan model GSTAR Termodifiasi dimana bobo loasi merupaan parameer regresi lasi, sedangan peneliian pada maalah ini bobo loasi eap sama dengan GSTAR sandard namun araerisi loasi digani dengan variasi faor produsi, yaiu curah hujan dan proporsi luas lahan panen diband ingan luas lahan riis. Dalam GSTAR sandard jumlah produsi jagung di loasi i (i=,,) pada wau berganung pada jumlah produsi jagung di loasi yang sama pada wau sebelumnya (-) dan loasi lain pada wau -, sedangan GSTAR ermodifiasi eerganungan pada loasi lain ersebu digani dengan variasi faor produsi yaiu curah hujan dan proporsi luas lahan panen dibandingan luas lahan riis di iap loasi. Berdasaran persamaan maris (5) modifiasi dilauan dengan melauan pengganian variabel i (-) menjadi proporsi luas lahan panen dibandingan dengan luas lahan riis (Y i () dan curah hujan (R i (), sehingga diperoleh persamaan yang baru yaiu seperi pada persamaan (6), (7), dan (8). A C ij B Gambar. Conoh pea loasi (5) (6) (7)
5 Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 ISBN ( ( ) ( W Y ( W R ( ) e( ) (8) dengan parameer yang diesimasi adalah ( )'. Parameer ersebu diesimasi dengan menggunaan meode uadra erecil yang dibahas pada subbab selanjunya. Penasiran Parameer dan Uji Signifiansi Parameer pada Model GSTAR Esimasi parameer model GSTAR yaiu ( )' dapa diselesaian dengan menggunaan meode uadra erecil yang diformulasian pada persamaan (9). X ' X X ' Y (9) dengan sruur daa unu esimasi parameer model GSTAR( ) di loasi dijabaran pada persamaan maris () (Faizah & Seiawan,). ( ( ) F ( ) e ( ( ) F ( ) e () F e ( ) ( ) ( ) Parameer yang diperoleh ersebu diuji signifiansinya dengan Uji-. Langah-langah pengujian parameer, yaiu H o : i, =,, dan i =, H a :, =,, dan i =, i Saisi uji : i hiung S( i ), dimana i adalah parameer dan S( i ) adalah sandar error parameer. Krieria pengujian dengan α = 5% adalah ola H o jia hiung > abel, arinya parameer signifian. Meode Program Linier Program linier adalah model yang ersusun dari variabel-variabel epuusan yang membenu fungsi ujuan dan fungsi endala (Taylor, 8). Program linier dapa menyelesaian model fungsi ujuan (memasimalan aau meminimalan) yang berhubungan secara linier, sebagai conoh model yang erbenu dari GSTAR Termodifiasi. Model GSTAR Termodifiasi aan dijadian fungsi ujuan yang memasimalan produsi jagung di iap loasi dalam urun wau erenu. Fungsi ujuan permasalahan program linier secara umum diulisan pada persamaan () dengan endala pada persamaan (). Mas aau Min : N i a i X i i N i c X i i unu i =,,,,N () b aau b i aau = b i dan X () j
6 Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 dengan = Fungsi ujuan X i = Variabel epuusan i c i = Koefisien dari variabel epuusan e-i a i = Koefisien dari variabel epuusan dalam endala e-i b i = Sumber daya yang ersedia dalam endala e-i Unu menguji eopimalan solusi program linier, analisa dilauan dengan menggeser posisi opimal sebesar ±ΔX, ±ΔY, dan ±ΔR, dimana ΔX, ΔY, dan ΔR dipilih beruru sebagai sandard deviasi dari produsi jagung dalam urun 4 ahun (X), luas lahan panen dibandingan dengan luas lahan riis (Y), dan curah hujan. Arinya analisa dilauan dengan membua daerah elayaan yang cuup ecil di seiar z x y r T, dengan x, y, dan r, beruru adalah solusi opimal variabel epuusan yang diperoleh dari meode program linier. Sebu perseiaran dari z adalah T T T ( x ) x X y r, x y Y r, x y r R () perseiaran ersebu digunaan unu menguji eopimalan nilai fungsi. Jia hasil yang diperoleh di perseiarannya lebih ecil dari hasil yang diperoleh dengan meode program linier maa pengopimal dapa diaaan pengopimal global. Jia ida maa disebu pengopimal loal. C. Meode Peneliian Adapun langah-langah peneliian yang digunaan yaiu :. Idenifiasi daa awal Daa awal dalam peneliian ini adalah daa produsi jagung, curah hujan, luas lahan panen jagung, dan luas lahan riis yang diperoleh dari BPS Kabupaen Boyolali berupa daa ahunan dari ahun 8 s/d. Berdasaran daa BPS dengan n = 5 dibangian himpunan daa dengan n = unu eperluan pembuaan model dengan asumsi daa ersebu merupaan variasi daa masing-masing variabel sepanjang 8 s/d. Dari daa yang elah dibangian ersebu dienuan saisia desripif, seperi disajian pada Tabel unu loasi Kecamaan Ampel, Cepogo, dan Musu. Tabel. Saisia desripif daa lahan riis, curah hujan, dan produsi jagung di Kecamaan Ampel, Cepogo, dan Musu Loasi Variabel N Mean Min Mas Sdev Produsi Jagung (on) Ampel Luas Lahan Panen (ha) Luas Lahan Kriis (ha) Curah Hujan (mm) Produsi Jagung (on) Cepogo Luas Lahan Panen (ha) Luas Lahan Kriis (ha) Curah Hujan (mm) Musu Produsi Jagung (on) Luas Lahan Panen (ha) ISBN
7 Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 Luas Lahan Kriis (ha) Curah Hujan (mm) Menenuan ecamaan sebagai loasi dalam model GSTAR, yaiu Kecamaan Ampel, Cepogo, dan Musu.. Uji Sasioner daa yang merupaan syara umum pemodelan ime series Sebelum berlanju e proses pembenuan model, perlu dilauan uji sasionerias daa dalam variansi dan raa-raa sebagai syara umum pemodelan ime series. Unu menguji apaah daa sudah sasioner dalam variansi digunaan ransformasi Box-Cox menggunaan persamaan (). Nilai esimasi lambda unu seiap variabel disajian pada Tabel. Tabel. Nilai esimasi lambda unu seiap variabel Loasi Daa Ampel Cepogo Musu Produsi Jagung Luas Lahan Panen ,7 Luas Lahan Kriis Curah Hujan Dari Tabel dieahui bahwa nilai esimasi lambda bervariasi dari -.7 s/d.6. Dalam asus ini daa yang aan diransformasi ida hanya daa dengan nilai esimasi lambda urang dari eapi seiap variabel dengan harapan model menjadi semain bagus. Seelah daa disasioneran dalam variansi, maa dapa dilanjuan e uji sasioner dalam raa-raa dengan rend analysis. Dari plo daa rend analysis diperoleh bahwa rend mendeai sejajar dengan sumbu horizonal sehingga ida perlu dilauan differencing unu semua variabel. Plo daa rend analysis dapa diliha pada Gambar. ISBN
8 Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 Gambar. Plo daa rend analysis unu daa produsi jagung (baris e-), luas lahan (barise- ) dan curah hujan (baris e-) di Kecamaan Ampel (olom e-), Cepogo (olom e-), dan Musu (olom e-). 4. Melauan ransformasi daa : i. Sasionerias daa menggunaan persamaan () jia daa ida sasioner dalam variansi dan differencing jia daa ida sasioner dalam raa-raa ii. Mengubah daa berdimensi menjadi a berdimensi ˆ,,, () dimana : ISBN Ẑ = variabel e- anpa dimensi = variabel e- berdimensi = raa-raa variabel e- 5. Menyusun model GSTAR sandard dan menyelesaian 6. Menyusun model GSTAR ermodifiasi dan menyelesaian 7. Membandingan hasil model GSTAR sandard dan hasil model GSTAR ermodifiasi, emudian dipilih hasil erbai 8. Menganalisis daa unu menenuan hasil produsi jagung opimal di iap ecamaan berdasaran daa jagung ahun 8 s/d, dengan meode program linier. Diselesaian menggunaan fungsi linprog() pada Malab R9a Menyelidii eopimalan nilai fungsi ujuan berdasaran daa asli dengan cara menyaaan daa hasil opimasi dalam daa yang berdimensi menggunaan persamaan () D. Hasil dan Pembahasan GSTAR Sandard Dengan daa produsi jagung yang elah sasioner dalam variansi dan raa-raa aan dilauan penyusunan model GSTAR sandard bobo loasi seragam dan invers jara. Bobo loasi seragam dan invers jara beruru-uru diulisan sebagai beriu w.5.5 dan w Sebelum melauan esimasi parameer, daa dihilangan dimensinya menggunaan rumus pada persamaan (). Dimensi dari daa dihilangan unu eperluan opimasi yang aan dilauan pada bagian selanjunya dalam peneliian ini. Hasil esimasi parameer model GSTAR sandard unu daa produsi jagung dan hasil uji saisi parameer diulisan pada Tabel. Tabel. Esimasi parameer model GSTAR sandard unu daa produsi jagung Parameer Hasil esimasi dengan bobo loasi Seragam hi Invers Jara hi abel Kesimpulan Tida signifian Tida signifian
9 Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal Signifian Signifian Tida signifian Tida signifian Dari Tabel dapa diliha bahwa parameer dan ida signifian arena nilai hi < abel, sehingga parameer ersebu dapa dihilangan pada model. Hal ini menunjuan bahwa produsi jagung di Kecamaan Ampel dan Cepogo pada wau ida berganung wau -. Parameer yang menunjuan eerganungan produsi jagung di Cepogo dengan loasi lain pada wau - juga ida signifian, sehingga model GSTAR sandard unu produsi jagung di Cepogo ida coco sebagai model unu peramalan. GSTAR Termodifiasi Daa yang digunaan unu membenu model GSTAR Termodifiasi ini adalah daa produsi jagung, curah hujan dan proporsi lahan panen dibandingan dengan lahan riis di Kecamaan Ampel, Cepogo, dan Musu. Hasil esimasi parameer model GSTAR Termodifiasi unu daa produsi jagung yang berganung pada curah hujan dan proporsi lahan panen dibandingan dengan lahan riis disajian pada Tabel 4. ISBN Tabel 4. Esimasi parameer model GSTAR Termodifiasi Hasil esimasi dengan bobo Parameer loasi abel Kesimpulan Seragam hi Signifian Signifian Signifian Signifian Tida signifian Tida signifian Dari Tabel 4 dapa diliha bahwa parameer dan ida signifian erhadap model, sedangan parameer lain signifian. Unu eperluan opimasi nilai esimasi parameer aan eap digunaan pada model GSTAR Termodifiasi, sehingga persamaan (6), (7), dan (8) menjadi, (.686( ).78Y (.78R ( e( (4) (.979( ).55Y (.55R ( e( (5) (.( ).65Y (.65R ( e( (6) Pengujian Residual Whie Noise Asumsi residual whie noise merupaan asumsi pada GSTAR yang harus dipenuhi unu memperoleh model yang bagus. Hasil pengujian whie noise pada GSTAR sandard dan GSTAR Termodifiasi diulisan pada Tabel 5.
10 Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 Tabel 5. Hasil pengujian whie noise unu GSTAR sandard dan GSTAR modifiasi Jenis GSTAR Produsi Jagung GSTAR Sandard GSTAR Termodifiasi Ampel Residual whie noise Residual whie noise Cepogo Residual whie noise Residual whie noise Musu Residual ida whie noise Residual whie noise Dari Tabel 5 dieahui bahwa model yang memenuhi asumsi GSTAR adalah model GSTAR Termodifiasi arena model unu daa produsi jagung di iap loasi memilii residual yang whie noise. Opimasi Produsi Jagung di Kecamaan Ampel, Cepogo, dan Musu Unu melauan opimasi dengan meode program linier perlu disusun fungsi ujuan dan endala yang berpengaruh. Fungsi ujuan pada peneliian ini disusun berdasaran model GSTAR Termofiasi yang elah diperoleh, sedangan endala yang berpengaruh adalah curah hujan opimal unu perumbuhan jagung dan raa-raa proporsi luas lahan panen dibandingan dengan luas lahan riis di Kecamaan Ampel, Cepogo, dan Musu. Fungsi ujuan dan endala ersebu diulisan sebagai beriu, Fungsi ujuan :.686X.78Y. 78 R.979X.55Y. 55 R.X.65Y. 65 R dengan, X = Produsi jagung di loasi dalam urun wau 4 ahun Y = Luas lahan di loasi dalam urun wau 5 ahun R = Curah hujan di loasi dalam urun wau 5 ahun =,, dimana = Ampel, = Cepogo, dan = Musu. Kendala :. Curah hujan opimal unu perumbuhan jagung berada pada inerval 85 mm, inerval ersebu diransformasi menjadi daa anpa dimensi pada Tabel 5. Tabel 5. Inerval curah hujan opimal iap loasi Loasi Baas Ampel Cepogo Musu Baas Bawah Baas Aas Dari Tabel 5 dapa disusun endala curah hujan di seiap loasi yang diulisan pada persamaan (), (), dan (),45 R,8 (),745 R,88 (),84 R,749 (). Raa-raa luas lahan panen dibandingan dengan luas lahan riis di loasi Ampel Cepogo dan Musu beruru-uru urang dari,99;,9899; dan,9587. ISBN (7) (8) (9)
11 Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 Y,99 () Y,9899 (4) Y,9587 (5) Persamaan (), (), dan () emudian diopimasi dengan fungsi linprog pada MATLAB. Hasil dari opimasi yang diperoleh berupa daa produsi jagung opimal di iap loasi yang disajian pada Tabel 6. Tabel 6. Produsi jagung opimal di Kecamaan Ampel, Cepogo, dan Musu Loasi Daa Produsi Jagung Asli Produsi Jagung Opimal (on) Tida Berdimensi Min Max Berdimensi (on) Ampel Cepogo Musu Hasil opimal produsi jagung yang ida berdimensi dapa diliha pada olom a berdimensi pada Tabel 5. Daa ersebu harus diembalian dimensinya dengan mengalian hasil opimal produsi jagung a berdimensi dan raa-raa produsi jagung di masing-masing loasi, sehingga diperoleh hasil opimal produsi jagung yang berdimensi. Unu memperoleh opimal daa berdimensi yang diulisan pada Tabel 6 perlu dilauan pengembalian daa yang elah diransformasi pada ahap uji sasionerias menggunaan persamaan () dengan λ, diperoleh / Y W, i i i,,... Hasil opimasi menunjuan bahwa hasil opimal unu Ampel dan Musu berada pada selang daa asli, sedangan hasil opimasi Cepogo ida pada inerval daa. Dengan aa lain, hasil peneliian dapa mengusulan hasil opimasi jagung yang diperoleh selama 5 ahun unu Ampel, dan Musu, sedangan hasil opimal Cepogo masih dianalisis lebih lanju. Analisis hasil opimasi Analisa dilauan dengan menyusun domain perseiaran pengopimal. Domain perseiaran didefinisian pada persamaan (). Fungsi ujuan dihiung pada ii-ii domain ersebu. Hasil analisa unu solusi opimal anpa dimensi yang elah diperoleh disajian pada Tabel 7. Tabel 7. Produsi opimal jagung a berdimensi di iap loasi dengan penggeseran posisi opimal Perseiaran Ampel Cepogo Musu x X y r T x X y r ISBN T
12 x x x x Model GSTAR Termodifiasi unu Menenuan Produsi Opimal Jagung Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 T T y r X T y r X T y X r y X r Hasil opimal a berdimensi pada Tabel 7 dibandingan dengan hasil opimal a berdimensi pada Tabel 8 diperoleh bahwa di Kecamaan Musu hasil opimal erbai adalah solusi dengan meode program linier arena hasil opimal di daerah perseiarannya lebih ecil, sedangan unu Kecamaan Cepogo masih erdapa ii-ii perseiaran yang dapa mengopimalan nilai fungsi. Demiian pula di Kecamaan Ampel yang memilii hasil opimal lebih dari sau, disebu sebagai pengopimal loal yang diunjuan pada Gambar dimana ll adalah hasil program linier sedangan warna lain hasil perseiaran. Hisogram unu hasil opimal a berdimensi di Tabel 7 dan 8 disajian pada Gambar. Gambar. Hisogram hasil opimal a berdimensi di Kecamaan Ampel (iri), Cepogo (engah), dan Musu (anan) E. Simpulan Berdasaran pembahasan pada bagian sebelumnya GSTAR sandard dan GSTAR ermodifiasi dengan bobo loasi seragam dan invers jara di Kecamaan Ampel, Cepogo, dan Musu. Model GSTAR sandard ida coco unu meramalan daa produsi jagung di Cepogo, arena parameer model ida signifian menuru Uji-. Model GSTAR Termodifiasi lebih bagus dibandingan dengan GSTAR sandard arena parameer yang ida signifian pada GSTAR sandard menjadi signifian pada GSTAR Termodifiasi. Hasil opimasi menunjuan produsi jagung opimal di Kecamaan Ampel, Cepogo, dan Musu beruru-uru sebesar.5, on, 5.95,47 on, dan 6.55,7 on dengan hasil opimal di Ampel dan Musu berada pada selang daa asli. Dengan aa lain, dengan memperhaian curah hujan dan luas lahan, hasil peneliian dapa mengusulan hasil opimasi jagung yang diperoleh selama 5 ahun unu Ampel, dan Musu, sedangan hasil opimal Cepogo masih dianalisis lebih lanju. Hasil analisa unu menguji eopimalan solusi menunjuan bahwa pengopimal di Kecamaan Musu merupaan solusi dari meode program linier, sedangan di Kecamaan Ampel dan Cepogo erdapa lebih dari pengopimal yang disebu sebagai pengopimal loal. F. Dafar Pusaa [] Borovova S.A., Lopuhaa H.P., Ruchjana B.N.. Generalized STAR model wih experimenal weighs. Proceedings of he 7 h Inernaional Worshop on Saisical Modeling, 8- Juli. Chania. ISBN
13 Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 [] Faizah L.A, Seiawan. Pemodelan Inflasi di Koa Semarang, Yogyaara, dan Suraara dengan pendeaan GSTAR. Jurnal Sains dan Seni Pomis Vol, No, () 7-5 (-9.8X Prin [] Nugroho.. Alernaif Rehabiliasi Lahan Kriis Dengan Tanaman Karabengu (Mucuna Pruriens (L.) Dc.). JURNAL POLITEKNOSAINS VOL. X NO.. [4] Parhusip H.A., Edi S.W.M, Praseyo S.Y.J. 4. Analisa Daa Pemodelan Unu Ilmu Sosial & Sains. Salaiga : Penerbi Tisara Grafia. [5] Parhusip, H.A dan Winarso, M.E. 4 Analisa Daa Ilim Boyolali Dengan Regresi Klasi dan Meode GSTAR. Prosiding Seminar Nasional Maemaia dan Pendidian Maemaia. Universias PGRI Ronggolawe. 4 Mei 4. [6] Ruchjana, B.N.. Pemodelan Kurva Produsi Minya Bumi Menggunaan Model Generalisasi STAR. Forum Saisia dan Kompuasi. IPB : Bogor. [7] Suharono., Subanar. 6. The Opimal Deerminaion of Space Weigh in GSTAR Model by using Cross-correlaion Inference. JOURNAL OF QUANTITATIVE METHODS : Journal Devoed o The Mahemaical and Saisical Applicaion in Various Fields. [8] Taylor III, Bernard W. 8. Inroducion To Managemen Science. Jaara: Salemba Empa. [9] Wei W.W.S. 6. Time Series Analysis Univariae and Mulivariae Mehods. USA: Temple Universiy. ISBN
UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST
Vol. 7. No. 3, 36-44, Desember 004, ISSN : 1410-8518 UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST Budi Warsio, Dwi Ispriyani Jurusan Maemaia FMIPA Universias Diponegoro Absra Tulisan ini membahas
Lebih terperinciMahasiswa Jurusan Statistika FMIPA-ITS ( ) Abstrak
PEMODELAN DAYA LISTRIK DENGAN PENDEKATAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH). (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) Firoh Amalia, Drs. Haryono, MSIE Mahasiswa
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini aan diemuaan beberapa onsep dasar yang beraian dengan analisis runun wau, dianaranya onsep enang esasioneran, fungsi auoorelasi dan fungsi auoorelasi parsial, macam-macam
Lebih terperinciPrediksi Curah Hujan Kota Samarinda pada Tahun 2014 dengan Metode Filter Kalman. Rainfall Prediction Samarinda in 2014 with Kalman Filter Method
Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN 8-789 Predisi Curah Hujan Koa Samarinda pada Tahun dengan Meode Filer Kalman Rainfall Predicion Samarinda in wih Kalman Filer Mehod Ea Syafiri Andarini, Sri
Lebih terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinci4. VALIDITAS DAN RELIABILITAS DALAM MEMBUAT EVALUASI
4. ALIDITAS DA RELIABILITAS DALAM MEMBUAT EALUASI Tujuan : Seelah mempelajari modul ini mahasiswa mampu membua ala evaluasi bau unu program pembelajaran Evaluasi pembelajaran adalah ahap ahir dalam prosedur
Lebih terperinciBAB IV SIMULASI MODEL
21 BAB IV SIMULASI MODEL Pada bagian ini aan diunjuan simulasi model melalui pendeaan numeri dengan menggunaan ala banu peranga luna Mahemaica. Oleh arena iu dienuan nilai-nilai parameer seperi yang disajian
Lebih terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG 1.2 TUJUAN
BAB PENDAHUUAN. ATAR BEAKANG Seringali ara enelii aau saisiawan melauan enganalisaan erhada suau eadaan/masalah dimana eadaan yang dihadai adalah besarnya jumlah variabel samel yang diamai. Unu iu erlu
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang
Lebih terperinciAPLIKASI MODEL GSTAR PADA PERAMALAN JUMLAH KUNJUNGAN WISATAWAN EMPAT LOKASI WISATA DI BATU
APLIKASI MODEL GSTAR PADA PERAMALAN JUMLAH KUNJUNGAN WISATAWAN EMPAT LOKASI WISATA DI BATU Dwi Susani, Susiswo Universias Negeri Malang E-mail: dwisusani39@gmail.com ABSTRAK: Peneliian ini berujuan unuk
Lebih terperinciOleh: TANTI MEGASARI Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes
PERAMALAN INDEKS HARGA SAHAM YANG DIPENGARUHI KURS, PERUBAHAN INFLASI, POSISI JUMLAH DEPOSITO BERJANGKA, SUKU BUNGA SBI DAN DEPOSITO MENGGUNAKAN FUNGSI TRANSFER DAN ARCH-GARCH Oleh: TANTI MEGASARI 6 00
Lebih terperinciBAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun
BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial
Lebih terperinciAbstrak Hampir seluruh aktivitas manusia di berbagai belahan bumi sangat bergantung terhadap ketersediaan air bersih.
1 Peramalan Volume Produksi Air Bersih di PDAM Kabupaen Bojonegoro berdasarkan Jumlah Pelanggan dan Volume Konsumsi Air Fasha Aulia Pradhani dan Adaul Mukarromah Jurusan Saisika, FMIPA, ITS Jl. Arief Rahman
Lebih terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Jurnal EKPOEIAL Volume 5, omor, opember 4 I 85-789 Pemodelan Dan Peramalan Indes Harga Perdagangan Besar (IHPB) Dengan Menggunaan ARFIMA (udi Kasus : IHPB Provinsi Kalimanan Timur bulan Januari Desember
Lebih terperinciPeramalan Outflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Autoregressive (GSTAR)
JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) D-59 Peramalan Ouflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Auoregressive (GSTAR) Rahmah Safiri, Seiawan, dan Imam Safawi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan
Lebih terperinciANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX
Seminar Nasional Maemaia dan Apliasinya, 1 Oober 17 ANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX Maylia Hasyim 1), Dedy Dwi Prasyo ) 1) Program Sudi Pendidian
Lebih terperinciPERBANDINGAN METODE TIME SERIES REGRESSION DAN ARIMAX PADA PEMODELAN DATA PENJUALAN PAKAIAN DI BOYOLALI ABSTRAK
PERBANDINGAN METODE TIME SERIES REGRESSION DAN ARIMAX PADA PEMODELAN DATA PENJUALAN PAKAIAN DI BOYOLALI Ardia Suma Perdana (1308 100 503 Dosen Pembimbing: Ir. Dwiamono A. W., M.Iom JURUSAN STATISTIKA Faulas
Lebih terperinci( ) r( t) 0 : tingkat pertumbuhan populasi x
III PEMODELAN Model Perumbuan Koninu Terbaasnya sumber-sumber penyoong (ruang, air, maanan, dll) menyebaban populasi dibaasi ole suau daya duung lingungan Perumbuan populasi lamba laun aan menurun dan
Lebih terperinciPeramalan Jumlah Wisatawan Di Agrowisata Kusuma Batu Menggunakan Metode Analisis Spektral
JURAL TEKK POMTS Peramalan Jumlah Wisaawan Di Agrowisaa Kusuma Bau Menggunaan Meode Analisis Seral iswaul Maghfiroh, uri Wahyuningsih, Sri Surai Haraiai Jurusan Maemaia, Faulas MPA, nsiu Tenologi Seuluh
Lebih terperinciKINETIKA REAKSI HOMOGEN SISTEM BATCH
KINETIK REKSI HOMOGEN SISTEM BTH SISTEM REKTOR BTH OLUME TETP REKSI SEDERHN (SERH/IREERSIBEL Beberapa sisem reasi sederhana yang disajian di sini: Reasi ireversibel unimoleuler berorde-sau Reasi ireversibel
Lebih terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciBAB 2 LANDASAN TEORI
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 terperinciInfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 1, No.2, September 2012
InfiniyJurnal Ilmiah Program Sudi Maemaia STKIP Siliwangi Bandung, Vol 1, No.2, Sepember 2012 GRUP PERMUTASI SIKLIS DALAM PERMAINAN SUIT Oleh: Bagus Ardi Sapuro Jurusan Pendidian Maemaia, IKIP PGRI Semarang
Lebih terperinciPERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN (STUDI KASUS KOTA SALATIGA, BULAN JANUARI 2014 JULI 2016)
Prosiding Seminar Maemaika dan Pendidikan Maemaika ISBN: 978-602-622-20-9 hal 935-950 November 206 hp://jurnal.fkip.uns.ac.id PERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN
Lebih terperinciBAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,
Lebih terperinciIDENTIFIKASI POLA DATA TIME SERIES
IDENTIFIKASI POLA DATA TIME SERIES Daa merupakan bagian pening dalam peramalan. Beriku adalah empa krieria yang dapa digunakan sebagai acuan agar daa dapa digunakan dalam peramalan.. Daa harus dapa dipercaya
Lebih terperinciAnalisis Model dan Contoh Numerik
Bab V Analisis Model dan Conoh Numerik Bab V ini membahas analisis model dan conoh numerik. Sub bab V.1 menyajikan analisis model yang erdiri dari analisis model kerusakan produk dan model ongkos garansi.
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciPemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network
D-378 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) 2337-3520 (23-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi pada Plaform MK di PT X Menggunakan Meode ARIMA, Neural Nework, dan Hibrida ARIMA-Neural
Lebih terperinciMAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS
1. Pendahuluan MAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS CAMPURAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh : Febriana Dwi P. (1306 100 011) Dosen Pembimbing I : Dr. Irhamah, S.Si,
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinciKAJIAN PEMODELAN DERET WAKTU: METODE VARIASI KALENDER YANG DIPENGARUHI OLEH EFEK VARIASI LIBURAN
JMP : Volume 4 omor, Juni 22, hal. 35-46 KAJIA PEMODELA DERET WAKTU: METODE VARIASI KALEDER YAG DIPEGARUHI OLEH EFEK VARIASI LIBURA Winda Triyani Universias Jenderal Soedirman winda.riyani@gmail.com Rina
Lebih terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih terperinciBAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
20 BAB 2 LADASA TEORI 2.1. Pengerian Peramalan Meode Peramalan merupakan bagian dari ilmu Saisika. Salah sau meode peramalan adalah dere waku. Meode ini disebu sebagai meode peramalan dere waku karena
Lebih terperinciBAB 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 terperinciPENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN
IndoMS Journal on Saisics Vol., No. (04), Page 7-37 PENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN Dinda Ariska Wulandari,
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER. Muflih Rori Putra Harahap
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER Muflih Rori Pura Harahap 30 00 052 Pembimbing : Dr. Drs. Agus Suharsono, M.S. LATAR BELAKANG PENDAHULUAN
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciBAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel
BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah
Lebih terperinci*Corresponding Author:
Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion
Lebih terperinciPEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA
PEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA Fadil Rahman Hakim, Dr. Ir. Achmad Mauludiyano, MT. Program Sudi Telekomunikasi Mulimedia Jurusan Teknik Elekro Fakulas Teknologi Indusri
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih terperinci(T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES
PROSIDING ISSN : 087-590. Seminar Nasional Saisika November 0 Vol, November 0 (T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES Yahya Ubaid ), Budi Nurani R. ), Mulyana K. 3) )Mahasiswa Program
Lebih terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY DAN DIMAS HARI SANOSO Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciANALISIS 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 terperinciOptimasi Filter Kalman dengan Metode Steepest Descent dan Least Mean Square pada Rekonstruksi Citra Dinamis
Proceeding of NIONL CONFNC ON COMPU SCINC & INFOMION CHNOLOGY 007 January 9-30, 007, Faculy of Compuer Science, Universiy of Indonesia Opimasi Filer Kalman dengan Meode Seepes Descen dan Leas Mean Square
Lebih terperinciPeramalan Jumlah Pengunjung Domestik dan Mancanegara di Maharani Zoo & Goa Menggunakan ARIMA Box - Jenkins
Peramalan Jumlah Pengunjung Domesik dan Mancanegara di Maharani oo & Goa Menggunakan ARIMA Box - Jenkins Vivi Kusuma Sulisyawai (3030085) Dosen Pembimbing Dr. Irhamah, S.Si.,M.Si Laar Belakang Rumusan
Lebih terperinciPeramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk
Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Oleh : Dwi Hapsari K (1306 100 015) Dosen Pembimbing : Dra. Karika Firiasari, M.Si 1 Pendahuluan Laar Belakang, Perumusan Masalah, Tujuan
Lebih terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Peramalan Dengan Meode Smoohing dan Verifikasi Meode Peramalan Dengan Grafik Pengendali Moving Range () (Sudi Kasus: Produksi Air Bersih di PDAM Tira Kencana Samarinda) Forecasing wih Smoohing and Verificaion
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran Salah sau ujuan didirikannya perusahaan adalah dalam rangka memaksimalkan firm of value. Salah sau cara unuk mengukur seberapa besar perusahaan mencipakan
Lebih terperinciPerbandingan Metode Winter Eksponensial Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X
JURAL SAIS DA SEI ITS Vol. 6, o.1, (2017) 2337-3520 (2301-928X Prin) A 1 Perbandingan Meode Winer Eksponensial Smoohing dan Meode Even Based unuk Menenukan Penjualan Produk Terbaik di Perusahaan X Elisa
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan
Lebih terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih terperinciANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 009 XV-1 ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI Muhammad Sjahid Akbar, Jerry Dwi Trijoyo
Lebih terperinciCONDITIONAL HETEROSCEDASTIC (ARCH) DENGAN METODE RASIO LIKELIHOOD SKRIPSI
ADLN Perpusaaan Universias Airlangga DEEKSI OULIER PADA MODEL AUOREGRESSIVE CONDIIONAL HEEROSCEDASIC ARCH DENGAN MEODE RASIO LIKELIHOOD SKRIPSI FIRIKA RAKHMADYAH DEPAREMEN MAEMAIKA FAKULAS SAINS DAN EKNOLOGI
Lebih terperinciESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING
ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING Nama: Zahroh Aiqoh 05 00 0 Dosen Pembimbing: Dra. Nuri Wahyuningsih, MKes Drs. Sulisiyo, MT Jurusan Maemaika
Lebih terperinciBAB IV METODOLOGI PENELITIAN
BAB IV METODOLOGI PENELITIAN Dalam peneliian ini, penulis akan menggunakan life cycle model (LCM) yang dikembangkan oleh Modigliani (1986). Model ini merupakan eori sandar unuk menjelaskan perubahan dari
Lebih terperinciBab 5 Penaksiran Fungsi Permintaan. Ekonomi Manajerial Manajemen
Bab 5 Penaksiran Fungsi Perminaan 1 Ekonomi Manajerial Manajemen Peranyaan Umum Tenang Perminaan Seberapa besar penerimaan perusahaan akan berubah seelah adanya peningkaan harga? Berapa banyak produk yang
Lebih terperinciDAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII
Bulein Ilmiah Mah. Sa. dan Terapannya (Bimaser) Volume 6, No. 3 (27), hal 83 2. MODEL SPACE-TIME DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII Ella Kurniawai, Naomi Nessyana
Lebih terperinciVolume 1, Nomor 1, Juni 2007 ISSN
Volume, Nomor, Juni 7 ISSN 978-77 Barekeng, Juni 7 hal6-5 Vol No ANALISIS VARIANS MULTIVARIAT PADA EKSPERIMEN DENGAN RANCANGAN ACAK LENGKAP (Variance Mulivaria Analysis for Experimen wih Complee Random
Lebih terperinciPENERAPAN METODE TRIPLE EXPONENTIAL SMOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUSAHAAN MEBEL SINAR JEPARA TANJUNGANOM NGANJUK.
PENERAPAN METODE TRIPLE EXPONENTIAL MOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUAHAAN MEBEL INAR JEPARA TANJUNGANOM NGANJUK. ii Rukayah*), Achmad yaichu**) ABTRAK Peneliian ini berujuan unuk
Lebih terperinciPEMODELAN PRODUKSI SEKTOR PERTANIAN
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime
Lebih terperinciKOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES. Abstrak
KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES Universias Muhammadiyah Purwokero malim.muhammad@gmail.com Absrak Pada persamaan regresi linier sederhana dimana variabel dependen dan variabel independen
Lebih terperinciMETODE NUMERIK STEPEST DESCENT TERINDUKSI NEWTON
Uomo, R. B. Jurnal Pendidian Maemaia STKIP Garu METODE NUMERIK STEPEST DESCENT TERINDUKSI NEWTON DALAM PEMECAHAN MASALAH OPTIMISASI TANPA KENDALA INDUCTED NEWTON STEEPEST DESCENT AS A NUMERICAL METHOD
Lebih terperinciDISAIN AWAL PROTOTYPE G2A UNTUK ANALISA DATA PERTANIAN DAN PEDESAAN
DISAIN AWAL PROTOTYPE G2A UNTUK ANALISA DATA PERTANIAN DAN PEDESAAN Hanna Arini Parhusip 1 dan Ramos Somnya 2 Pusat Studi Simitro, Fakultas Teknologi Informasi Universitas Kristen Satya Wacana ABSTRAK.
Lebih terperinciPeramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Multi Input. : Nesia Brilliana I.P NRP :
Peramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Muli Inpu Nama : Nesia Brilliana I.P NRP : 20800023 Jurusan : Maemaika Dosen Pembimbing : Dra. Nuri Wahyuningsih, M. Kes Pemberian pupuk
Lebih terperinciPemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Metode Intervensi dan Regresi Spline ABSTRAK
Pemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Meode Inervensi dan Regresi Spline Rina Andriani, Dr. Suharono, M.Sc 2 Mahasiswa Jurusan Saisika FMIPA-ITS, 2 Dosen Jurusan Saisika FMIPA-ITS
Lebih terperinciPERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi (308 030 060) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si Laar Belakang 2 Laar
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini adalah penelitian Quasi Eksperimental Design dengan
BAB III METODOLOGI PENELITIAN A. Jenis dan Desain Peneliian Peneliian ini adalah peneliian Quasi Eksperimenal Design dengan kelas eksperimen dan kelas conrol dengan desain Prees -Poses Conrol Group Design
Lebih terperinciPenduga Data Hilang Pada Rancangan Bujur Sangkar Latin Dasar
Kumpulan Makalah Seminar Semiraa 013 Fakulas MIPA Universias Lampung Penduga Daa Pada Rancangan Bujur Sangkar Lain Dasar Idhia Sriliana Jurusan Maemaika FMIPA UNIB E-mail: aha_muflih@yahoo.co.id Absrak.
Lebih terperinciKata kunci: Deret waktu, Heteroskedastisitas, IGARCH, Peramalan. Keywords: Time Series, Heteroscedasticity, IGARCH, Forecasting.
METODE INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) UNTUK MEMODELKAN HARGA GABAH DUNIA (INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY TO CAPTURE
Lebih terperinciPENENTUAN KONSTANTA PEMULUSAN YANG MEMINIMALKAN MAPE DAN MAD MENGGUNAKAN DATA SEKUNDER BEA DAN CUKAI KPPBC TMP C CILACAP
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PENENTUAN KONSTANTA PEMULUSAN YANG MEMINIMALKAN MAPE DAN MAD MENGGUNAKAN DATA SEKUNDER BEA DAN CUKAI KPPBC
Lebih terperinciPenentuan Pelebaran Window Time Optimal Pada Data Deret Waktu
1 Penenuan Pelebaran Window Time Opimal Pada Daa Dere Waku (1) Nursya`bani Hendro Prabowo dan (2) Raden Mohamad Aok Deparemen Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam, Insiu Teknologi Sepuluh
Lebih terperinciPENGUJIAN HIPOTESIS. pernyataan atau dugaan mengenai satu atau lebih populasi.
PENGUJIAN HIPOTESIS 1. PENDAHULUAN Hipoesis Saisik : pernyaaan aau dugaan mengenai sau aau lebih populasi. Pengujian hipoesis berhubungan dengan penerimaan aau penolakan suau hipoesis. Kebenaran (benar
Lebih terperinciBAB I PENDAHULUAN. tepat rencana pembangunan itu dibuat. Untuk dapat memahami keadaan
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam perencanaan pembangunan, daa kependudukan memegang peran yang pening. Makin lengkap dan akura daa kependudukan yang esedia makin mudah dan epa rencana pembangunan
Lebih terperinciANALISIS CRITICAL ROOT VALUE PADA DATA NONSTATIONER
ANALISIS CRITICAL ROOT VALUE PADA DATA NONSTATIONER Abdul Aziz Dosen Jurusan Maemaika Fakulas Sains Teknologi Universias Islam Negeri (UIN) Maulana Malik Ibrahim Malang e-mail : abdulaziz_uinmlg@yahoo.com
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih terperinciKata Kunci - GSTAR, Inflasi, Invers Jarak, Korelasi Silang, Seragam. I. PENDAHULUAN II. TINJAUAN PUSTAKA
Pemodelan Inflasi di Koa Semarang, Yogyakara, dan Surakara dengan pendekaan GSTAR Laily Awliaul Faizah, Seiawan Jurusan Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember
Lebih terperinciBAB II PERTIDAKSAMAAN CHERNOFF
BAB II PERTIDAKSAMAAN CHERNOFF.1 Pendahuluan Di lapangan, yang menjadi perhaian umumnya adalah besar peluang dari peubah acak pada beberapa nilai aau suau selang, misalkan P(a
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN III.1 Model Peneliian Dalam menganalisa efekifias kebijakan pemerinah, maka model yang digunakan dalam skripsi ini adalah model yang diurunkan dari eori kekuaan monopoli,
Lebih terperinciPemodelan Volatilitas Saham Menggunakan Jaringan Syaraf Tiruan dan Algoritma Genetika
Pemodelan Volailias Saham Menggunakan Jaringan Syaraf Tiruan dan Algorima Geneika Hasbi Yasin 1 1 Jurusan Saisika Undip, hasbiyasin@undip.ac.id Absrak. Flukuasi yang besar dan idak pasi dalam peramalan
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciIII. METODE PENELITIAN. Data yang digunakan adalah data sekunder runtun waktu (time series) bulanan
III. METODE PENELITIAN A. Jenis dan Sumber Daa Daa yang digunakan adalah daa sekunder runun waku (ime series) bulanan dari 2002:01 sampai dengan 2009:06 yang bersumber dari Laporan dan websie Bank Indonesia
Lebih terperinciPERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR
TUGAS AKHIR SS 145561 PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR SARIRAZTY DWIJANTARI NRP 1314 030 010 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN
Lebih terperinciMODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI
MODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI Diajukan kepada Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Negeri Yogyakara unuk memenuhi
Lebih terperinciANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
ISSN: 9-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 05, Halaman 6-60 Online di: hp://eournal-s.undip.ac.id/index.php/gaussian ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
Lebih terperinciPENGGUNAAN KONSEP FUNGSI CONVEX UNTUK MENENTUKAN SENSITIVITAS HARGA OBLIGASI
PENGGUNAAN ONSEP FUNGSI CONVEX UNU MENENUAN SENSIIVIAS HARGA OBLIGASI 1 Zelmi Widyanuara, 2 Ei urniai, Dra., M.Si., 3 Icih Sukarsih, S.Si., M.Si. Maemaika, Universias Islam Bandung, Jl. amansari No.1 Bandung
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
BAB 3 METODOLOGI PEMECAHAN MASALAH 3.1 Tahapan Pemecahan Masalah Tahapan pemecahan masalah berfungsi unuk memudahkan dalam mencari jawaban dalam proses peneliian yang dilakukan agar sesuai dengan arah
Lebih terperinciPeramalan Inflasi Menggunakan Model Fungsi Transfer Multi Input. Forcasting Inflation Using Multiple Input Transfer Function Model
Peramalan Inflasi Menggunakan Model Fungsi Transfer Muli Inpu Forcasing Inflaion Using Muliple Inpu Transfer Funcion Model Novi Adisia, Sri Wahyuningsih, dan Rio Goeanoro 3 Laboraorium Saisika Terapan
Lebih terperinciPERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR.
PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,,)(0,,) 2 TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
11 BAB I PENDAHULUAN 1.1 Laar Belakang Salah sau masalah analisis persediaan adalah kesulian dalam menenukan reorder poin (iik pemesanan kembali). Reorder poin diperlukan unuk mencegah erjadinya kehabisan
Lebih terperinciIII. METODE PENELITIAN
26 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penilaian perkembangan kinerja keuangan PT. Goodyear Indonesia Tbk dilakukan dengan maksud unuk mengeahui sejauh mana perkembangan usaha perusahan yang
Lebih terperinciANALISIS KORELASI KANONIK PADA PERILAKU KESEHATAN DAN KARAKTERISTIK SOSIAL EKONOMI DI KOTA PATI JAWA TENGAH ABSTRACT
ANALISIS KOELASI KANONIK PADA PEILAKU KESEHATAN DAN KAAKTEISTIK SOSIAL EKONOMI DI KOTA PATI JAWA TENGAH Diah Sairi, Paramia Indrasari Program Sudi Saisia FMIPA UNDIP Alumni Program Sudi Saisia FMIPA UNDIP
Lebih terperinciPERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT
Saisika, Vol. 2, No. 2, November 24 PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Sri Wahyuni, 2 Farikhin, Iswahyudi Joko Suprayino Program Sudi Saisika
Lebih terperinciPrediksi Penjualan Sepeda Motor Honda di Kabupaten dan Kotamadya Malang dengan Metode Peramalan Hierarki. Oleh : Rika Susanti
Prediksi Penjualan Sepeda Moor Honda di Kabupaen dan Koamadya Malang dengan Meode Peramalan Hierarki Oleh : Rika Susani 1310100066 Dosen Pembimbing Co. Pembimbing : Dra. Desri Susilaningrum, M.Si. : Dr.
Lebih terperinci