1. Pendahuluan Laporan Sensus Penduduk menunjukkan adanya peningkatan laju pertumbuhan penduduk yang melebihi proyeksi banyak kalangan.
|
|
- Dewi Johan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 1. Pendahuluan Laporan Sensus Penduduk menunjukkan adanya peningkatan laju pertumbuhan penduduk yang melebihi proyeksi banyak kalangan. Pertumbuhan penduduk yang tinggi di Indonesia menimbulkan permasalahan karena secara absolut jumlah penduduk Indonesia termasuk dalam 5 besar negara dengan jumlah penduduk terbanyak di dunia, sehingga meskipun persentase pertumbuhan penduduk hanya dalam kisaran 1 digit, angka riil absolut yang dihasilkan akan sangat besar. Pertambahan penduduk yang besar memiliki konsekuensi terhadap aspek-aspek di bidang lainnya seperti daya dukung lingkungan, kesehatan, ekonomi dan sumber daya alam [1]. Bidang ekonomi merupakan salah satu bidang yang sangat dipengaruhi oleh besarnya laju pertumbuhan penduduk. Tingginya laju pertumbuhan penduduk dalam suatu daerah yang tidak diimbangi penambahan lapangan kerja atau kesempatan kerja, akan berdampak pada ketidak stabilan ekonomi yang disebabkan oleh meningkatnya pengangguran. Kota Salatiga sendiri mulai timbul masalah akibat semakin meningkatnya laju pertumbuhan penduduk. Salah satu di antaranya adalah tingginya angka pengangguran. Tingkat pengangguran di kota Salatiga lebih tinggi dibandingkan dengan kota-kota lain yang juga berada di sekitar kota Semarang seperti Demak, Jepara, Kendal dan Batang [2]. Prediksi laju pertumbuhan penduduk adalah salah satu parameter terbaik untuk mengetahui berbagai aspek dalam suatu wilayah, khususnya dalam bidang sosial. Dengan mengetahui laju pertumbuhan penduduk maka akan mempermudah dalam melakukan perencanaan ke depan yang berkaitan dengan kesehatan, ekonomi, dan kesejahteraan masyarakat [3]. Prediksi tentang laju pertumbuhan penduduk juga mempunyai banyak tujuan yang nantinya akan berguna dalam menentukan kebijakan dalam berbagai faktor selain untuk pemerataan penduduk, juga untuk perencanaan ketenagakerjaan, pendidikan, dan sistem pensiun yang baik [4]. Penelitian yang mempertimbangkan pemantauan simultan dari sejumlah besar runtun waktu data yang sudah ada untuk mendeteksi munculnya pola spasial, menggambarkan prediksi tentang masa depan. Dengan menggabungkan informasi di beberapa time series akan lebih efektif dari sekedar melakukan pemantauan setiap seri secara terpisah, sehingga dapat meningkatkan ketepatan waktu, akurasi, dan deteksi resolusi spasial, kemudian menarik kesimpulan tentang model dan metode mana yang paling tepat untuk digunakan [5]. Tujuan dan manfaat dari penelitian ini adalah melakukan peramalan tentang besarnya laju pertumbuhan penduduk di kota Salatiga dengan metode time series, sehingga akan diperoleh gambaran tentang pola laju pertumbuhan penduduk selama beberapa periode ke depan. Dari data hasil peramalan ini akan dapat digunakan sebagai pertimbangan tentang kebijakan yang akan diambil dalam menanggulangi dan mengantisipasi terjadinya ledakan jumlah penduduk yang dapat berdampak negatif pada sektor-sektor lainnya. 7
2 2. Tinjauan Pustaka Selama beberapa tahun terakhir pendekatan yang berbeda telah diperkenalkan untuk analisis data interval waktu. Secara khusus metode pemulusan eksponensial, pengenalan pola dan model multivariate adalah salah satu metodologi yang paling berpengaruh [6]. Metode smoothing dan interpolasi diperlukan untuk membangun perkiraan yang masuk akal untuk memprediksi nilai-nilai di masa yang akan datang. Pemasangan model ini dengan memperkirakan parameter dari fungsi nilai rata-rata mengarah, untuk kelancaran perkiraan yang tidak tergantung pada pengamatan data setiap titik waktu [7]. Sistem untuk memprediksi laju pertumbuhan penduduk menggunakan metode Auto Regressive Integrated Moving Average (ARIMA), telah dikembangkan dengan membandingkan perkiraan ini dengan jumlah penduduk untuk tahun yang sesuai dan menemukan presisi, bias, dan lebar interval prediksi bervariasi di setiap negara bagian, tahun peluncuran, model spesifikasi dan periode dasar [8]. Dalam penelitian lain, aplikasi peramalan jumlah penduduk dikembangkan berdasarkan jenis kelamin di kota Medan menggunakan Exponensial Ganda Brown, dimana data hasil ramalan dapat berguna untuk dasar pembuatan perencanaan pemerataan penduduk, baik jangka pendek, menengah, maupun jangka panjang [9]. Proses peramalan pada penelitian ini menggunakan tiga metode exponential smoothing, sehingga dapat dicari dan dibandingkan metode mana yang nantinya paling tepat digunakan untuk memprediksi data laju pertumbuhan penduduk Salatiga yang memiliki nilai paling akurat. Penelitian ini menggunakan tool R dimana hasilnya dianalisis secara manual untuk memperoleh keakuratan hasil penelitian. Alasan dipilihnya metode ES ini dibanding ARIMA adalah karena metode ini lebih sederhana, intuitif, dan mudah dimengerti, serta uji akurasi dari dua metode ini juga tidak jauh berbeda[10]. Metode pemulusan eksponensial adalah pendekatan yang relatif sederhana tetapi akurat untuk peramalan. Tiga variasi dasar exponential smoothing yang biasa digunakan dalam peramalan yaitu, simple exponential smoothing (Brown, 1969), trend-corrected exponential smoothing (Holt, 1957), dan Winters method (Winters, 1960) [10]. Sementara itu dalam penelitian lain, exponential smoothing dibagi mejadi tiga kategori yaitu, Single Exponential Smoothing yang juga dikenal sebagai simple exponential smoothing (SES), Double Exponential Smoothing (DES), Triple Exponential Smoothing (TES). SES digunakan pada peramalan jangka pendek. Model ini digunakan pada data yang berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola pertumbuhan konsisten. Rumus untuk SES adalah sebagai berikut: F t+1 = α x t + (1 - α) F t... (1) F t+1 = peramalan untuk periode t+1, x t + (1 - α) = Nilai aktual time series, F t = peramalan pada waktu t, α = konstanta perataan antara 0 dan 1 [12]. DES digunakan ketika data menunjukkan adanya pola data trend. Trend adalah hasil estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir masing-masing periode. Rumus DES adalah sebagai berikut : S t = α y t + (1 - α) (S t 1 + b t 1 )...(2) b t = γ (S t - S t 1 ) (1 - γ) (b t 1 )... (3) F t + m = S t + b t + m... (4) 8
3 S t = peramalan untuk periode t, y t + (1 - α) = Nilai aktual time series, b t = trend pada periode ke t, α = parameter pertama perataan antara nol dan 1 untuk pemulusan nilai observasi, γ = parameter kedua untuk pemulusan trend, F t + m = hasil peramalan ke m, dan m= jumlah periode ke muka yang akan diramalkan [12]. TES digunakan ketika terdapat data yang menunjukan adanya pola trend dan musiman. Rumus dari TES adalah sebagai berikut : b t = g(s t - S t 1 ) + (1 - g) b t 1... (5) tx I = b.... (6) ts+ S t +b t m t L+m F t + m = (S t + b t m)l t L + m... (7) b t = trend pada periode ke t, S t = peramalan untuk periode t, F t + m = hasil peramalan ke m, dan m = jumlah periode ke muka yang akan diramalkan, L adalah panjang musiman, b adalah komponen trend, I adalah factor penyesuaian musiman [12]. Evaluasi hasil peramalan digunakan untuk mengetahui keakuratan hasil peramalan yang telah dilakukan terhadap data yang sebenarnya. Terdapat banyak metode untuk melakukan perhitungan kesalahan peramalan. Salah satu metode yang digunakan adalah ME merupakan nilai tengah galat (Mean Error). Rumus yang digunakan adalah : ME = X t Y t n n t=1.... (8) n adalah jumlah sampel, X t merupakan data aktual untuk periode t, dan Y t merupakan ramalan untuk periode yang sama. Metode yang lain adalah Mean Squared Error (MSE) dengan rumus: n MSE = 1 (γ N t=1 t ŷ t )²... (9) N adalah jumlah sampel, γ t adalah nilai aktual indeks, dan ŷ t nilai prediksi indeks [12]. RMSE (Root Mean Square Error) merupakan pengakaran nilai dari MSE yang sudah dicari sebelumnya. RMSE digunakan untuk mencari keakuratan hasil peramalan data history dengan menggunakan rumus. Semakin kecil nilai yang dihasilkan semakin bagus hasil peramalan yang dilakukan. Berikut rumus RMSE : RMSE = (y ŷ t )² n... (10) Menggunakan MSE sebagai suatu ukuran ketepatan peramalan juga dapat menimbulkan masalah. Ukuran ini tidak memudahkan perbandingan antar deret berkala yang berbeda dan untuk selang waktu yang berlainan, karena MSE merupakan ukuran absolut. Keterbatasan MSE sebagai suatu ukuran ketepatan peramalan, maka diusulkan ukuran ukuran alternatif, yang diantaranya menyangkut galat persentase. Tiga ukuran berikut sering digunakan, Galat Persentase (Percentage Error), Nilai Tengah Galat Persentase (Mean Percentage Error), dan Nilai Tengah Galat Persentase Absolut (Mean Absolut Percentage Error), dengan rumus sebagai berikut : PE t = X t F t X t (100)... (11) MPE = n PE t n t=1... (12) 9
4 n PE t MAPE = t=1... (13) n X t merupakan data history atau data aktual pada periode ke t, F t adalah data hasil ramalan pada periode ke t, n adalah jumlah data yang digunakan, dan t adalah periode ke t [12]. Laju pertumbuhan penduduk dapat diketahui dengan menggunakan data prediksi yang didapat dari penggunaan metode di atas, dengan rumus : Pt = P0 (1 + r)t... (14) P 0 adalah jumlah penduduk awal, P t adalah jumlah penduduk t tahun kemudian, r adalah tingkat pertumbuhan penduduk, t adalah jumlah tahun dari 0 ke t [13]. 3. Metode Penelitian Penelitian ini menggunakan metode exponential smoothing untuk meramalkan kejadian di masa yang akan datang sesuai pola data yang terbentuk dengan indikator trend, cyclic, dan seasonal. Penelitian dilakukan secara bertahap dengan proses kerja yang baik untuk memperoleh hasil data yang akurat. Gambar 1 Tahapan Proses Penelitian 10
5 Berdasarkan Gambar 1, tahap penelitian dijelaskan sebagai berikut, (1) memulai proses penelitian, (2) perumusan masalah yang terjadi tentang laju pertumbuhan penduduk di kota Salatiga, (3) pengumpulan dan pengolahan data aktual yang didapat dari Dinas Kependudukan dan Catatan Sipil (DISDUKCAPIL) kota Salatiga dalam bentuk hard copy, kemudian diolah dan diinput ke dalam bentuk soft copy dengan microsoft excel agar dapat diproses lebih lanjut. Data yang diperoleh merupakan data pertumbuhan penduduk dari bulan januari 2010 sampai bulan april Data dikelompokkan sesuai daerah (kelurahan) dan waktu (periode), kemudian dijumlah untuk diproses dan ditampilkan dalam bentuk grafik. (4) proses mencari nilai prediksi periode yang akan datang menggunakan tiga tahapan metode yang berbeda yaitu SES, Holt dan Holtwinters. (5) menganalisis hasil peramalan menggunakan tiga metode tersebut, dengan mencari nilai uji yang terkecil hingga mendapatkan hasil yang paling akurat. Pengukuran akurasi menggunakan Mean Error (ME), Mean Percentage Error (MPE) dan Root Mean Square Error (RMSE), Mean Percentage Error (MPE), dan Mean Absolut Percentage Error (MAPE), kemudian menghitung laju pertumbuhan penduduk. (6) penelitian selesai. 4. Hasil & Pembahasan Proses peramalan data laju pertumbuhan penduduk tahun diperoleh berdasarkan data aktual tahun yang kemudian diolah menggunakan Triple Exponential Smoothing (Gambar 3), Double Exponential Smoothing (Gambar 4), Single Exponential Smoothing (Gambar 5). Hasil peramalan digambarkan ke dalam bentuk grafik untuk kemudian dianalisis, sehingga dengan demikian akan mudah untuk membaca pola hasil prediksi sesuai metode yang digunakan untuk kemudian dianalisis dan dicari metode mana yang lebih sesuai untuk pola data tersebut. Gambar 2 Grafik Data Aktual angka kelahiran
6 Gambar 2 menunjukkan pola data aktual angka kelahiran penduduk Salatiga yang terbentuk pada periode Naik turunnya grafik merupakan gambaran dari naik turunnya angka kelahiran tiap bulan. Garis vertikal merupakan kisaran nilai aktual pertumbuhan penduduk, sementara garis horisontal merupakan kisaran periode aktual. Tabel 1 Data aktual angka kelahiran Periode Data aktual (Xt) Data aktual kelahiran penduduk Salatiga dalam angka ditunjukkan dalam tabel 1 sesuai urutan periode. Gambar 3 Grafik Data Aktual angka kematian Gambar 3 menunjukkan pola data aktual angka kematian penduduk Salatiga yang terbentuk pada periode Naik turunnya grafik merupakan gambaran dari naik turunnya angka kematian tiap bulan. Garis vertikal merupakan kisaran nilai aktual pertumbuhan penduduk, sementara garis horisontal merupakan kisaran periode aktual. 12
7 Tabel 2 Data aktual angka kematian Periode Data aktual (Xt) Data aktual kelahiran penduduk Salatiga dalam angka ditunjukkan dalam tabel 2 sesuai urutan periode. Gambar 4 Data Aktual dan Data Prediksi kelahiran menggunakan HW Gambar 4 menunjukkan pola data prediksi yang terbentuk dari pola data aktual sebelumnya. Data prediksi angka kelahiran penduduk kota salatiga Th terbagi menjadi 3 kisaran signifikasi, yaitu pada level 50%, 80%, dan 95% yang masing-masing ditunjukkan dengan warna biru gelap (lapisan warna biru terdalam) pada kisaran signifikasi prediksi 95%, warna biru agak muda (lapisan warna biru tengah) pada signifikasi prediksi 80%, dan warna biru muda (lapisan warna biru paling luar) yaitu pada kisaran signifikasi 50%. Garis putus vertikal berwarna merah merupakan batas dari data aktual, sementara garis hijau dan biru memperlihatkan batas periode prediksi masa datang dalam satuan tahun. Tahun 2015, dinamika laju pertumbuhan penduduk menunujukkan adanya kenaikan daripada tahun sebelumnya (data aktual) dengan probabilitas kejadian 13
8 50% atau diperkirakan akan lebih tinggi dari puncak kejadian pada tahun tahun sebelumnya (data aktual) dan menunjukkkan pola trend yang cenderung naik. Probabilitas 80%, dinamika yang terbentuk pun masih sama, yaitu menunjukkan adanya peningkatan laju pertumbuhan penduduk dibandingkan dengan tahun sebelumnya (data aktual). Pola data yang terbentuk juga menunjukkan adanya pola trend yang cenderung naik, sedangkan pada probabilitas 95% dinamika laju pertumbuhan penduduk Salatiga tahun 2015 diperkirakan cenderung berpola sama dengan pola data tahun 2014 (gambar 4), artinya metode HW sesuai untuk mempresentasikan pola data aktual laju pertumbuhan penduduk Salatiga. Gambar 5 Data Aktual dan Data Prediksi kematian menggunakan HW Gambar 5 menunjukkan pola data prediksi yang terbentuk dari pola data aktual sebelumnya. Tahun 2015, dinamika laju pertumbuhan penduduk menunujukkan adanya kecenderungan nilai yang sama daripada tahun sebelumnya (data aktual) dengan probabilitas kejadian 50%. Probabilitas 80%, dinamika yang yaitu menunjukkan adanya penurunan angka kemnatian penduduk dibandingkan dengan tahun sebelumnya (data aktual), sedangkan pada probabilitas 95% dinamika laju pertumbuhan penduduk Salatiga tahun 2015 diperkirakan cenderung menurun dibandingkan dengan pola data tahun 2014 (gambar 5), artinya metode HW sesuai untuk mempresentasikan pola data aktual laju pertumbuhan penduduk Salatiga. 14
9 Gambar 6 Data Aktual dan Data Prediksi kelahiran menggunakan Holt Gambar 6. menunjukkan pola data prediksi yang terbentuk dari data aktual periode sebelumnya. Data prediksi tahun berada tepat pada kisaran signifikasi prediksi 95%. Pola data prediksi yang terbentuk menunjukkan adanya pola data trend dengan kecenderungan naik dari tahun sebelumnya (data aktual). Gambar 7 Data Aktual dan Data Prediksi kematian menggunakan Holt Gambar 7. menunjukkan pola data prediksi yang terbentuk dari data aktual periode sebelumnya. Data prediksi tahun berada tepat pada kisaran signifikasi prediksi 95%. Pola data prediksi yang terbentuk menunjukkan adanya pola data trend dengan kecenderungan menurun dari tahun sebelumnya (data aktual). 15
10 Gambar 8 Data Aktual dan Data Prediksi kelahiran menggunakan SES Gambar 8 menunjukkan pola data prediksi yang terbentuk dari pola data periode sebelumnya (data aktual). Data prediksi tahun menunjukkan pola data stationer yang berada tepat pada kisaran signifikasi prediksi 95%, artinya metode SES (single exponential smoothing) tidak sesuai untuk mempresentasikan pola data aktual angka kelahiran penduduk Salatiga. Dinamika laju pertumbuhan penduduk pada periode prediksi menunjukkan hasil yang selalu sama hingga akhir periode prediksi pada tahun 2015 (Gambar 8). Gambar 9 Data Aktual dan Data Prediksi kematian menggunakan SES Gambar 9 menunjukkan pola data prediksi yang terbentuk dari pola data periode sebelumnya (data aktual). Data prediksi tahun menunjukkan pola data stationer yang berada tepat pada kisaran signifikasi prediksi 95%, 16
11 artinya metode SES (single exponential smoothing) tidak sesuai untuk mempresentasikan pola data aktual angka kelahiran penduduk Salatiga. Dinamika laju pertumbuhan penduduk pada periode prediksi menunjukkan hasil yang selalu sama hingga akhir periode prediksi pada tahun 2015 (Gambar 9). Tabel 3 Tabel Prediksi kelahiran menggunakan Holt dan Holtwinters Periode SES Holt HW , , , , Tabel 3 menunjukkan hasil prediksi angka kelahiran selama 12 periode ke depan, yaitu mulai mei 2014 hingga april Tabel 4 Tabel Prediksi kematian menggunakan Holt dan Holtwinters Periode SES Holt HW Tabel 4 menunjukkan hasil prediksi angka kematian selama 12 periode ke depan, yaitu mulai mei 2014 hingga april Ketepatan metode yang digunakan diukur dari akurasi yang mampu mereproduksi data pada periode yang akan datang. Perbandingan tingkat akurasi hasil analisis antara metode SES, Holt dan Holtwinters pada data laju pertumbuhan penduduk Salatiga tahun dapat dilihat pada tabel 1. 17
12 Tabel 5 Analisis perbandingan nilai uji akurasi prediksi kelahiran antara ES, Holt, dan HW Metode ME RMSE MAE MPE MAPE MASE HW Holt SES Tabel 5 menunjukkan nilai akurasi peramalan dari tool R yang dapat disimpulkan bahwa metode SES memiliki nilai uji akurasi yang paling kecil, tetapi karena pola data yang terbentuk berbentuk stationer maka metode ini tidak tepat untuk digunakan dalam penelitian ini. Tabel 6 Analisis perbandingan nilai uji akurasi prediksi kematian antara ES, Holt, dan HW Metode ME RMSE MAE MPE MAPE MASE HW Holt SES Tabel 6 juga menunujukkan nilai akurasi peramalan dari tool R yang dapat disimpulkan bahwa metode SES memiliki nilai uji akurasi yang paling kecil, tetapi karena pola data yang terbentuk berbentuk stationer maka metode ini tidak tepat untuk digunakan dalam penelitian ini. Dari seluruh metode uji akurasi, maka metode yang paling tepat digunakan adalah metode Holtwinter, karena memiliki nilai uji akurasi lebih kecil dari Holt, dan pola data prediksi yang terbentuk mengikuti pola data aktual sebelumnya. Hal ini dibuktikan dengan menghitung nilai error dari metode akurasi yang digunakan secara manual, untuk dibandingkan dengan hasil uji akurasi dengan tool R. Berdasarkan hasil prediksi dengan metode Exponential Smoothing dapat dihitung laju pertumbuhan penduduk salatiga selama 1 tahun ke depan dengan menggunakan rumus perthitungan laju pertumbuhan penduduk. 5. Simpulan Berdasarkan experiman dan analisis yang telah dilakukan tentang prediksi laju pertumbuhan penduduk di kota Salatiga tahun , dapat disimpulkan bahwa metode Triple Exponential Smoothing adalah metode yang paling tepat digunakan, dan dapat menggambarkan peramalan periode yang akan datang mengenai laju pertumbuhan penduduk di kota Salatiga dengan nilai uji akurasi yang paling kecil. Pengujian dan analisis yang dilakukan mampu memggambarkan bagaimana tingkat pertumbuhan penduduk sehingga dari hasil yang diperoleh nantinya akan digunakan sebagai bahan pertimbangan penetuan kebijakan pengendalian untuk menghindari terjadinya ledakan penduduk. Berdasarkan hasil yang diperoleh, pada tahun tingkat laju pertumbuhan penduduk salatiga mengalami peningkatan yang cukup signifikan dari tahun-tahun sebelumnya yaitu sebesar sehingga diperlukan 18
13 pengambilan kebijakan kaitannya dengan pengendalian laju pertumbuhan penduduk agar tidak terjadi ledakan jumlah penduduk yang dapat berdampak pada sector - sektor penunjang pembangunan yang lain. 6. Pustaka [1] Ramani, Andrei., 2013, Pelaksanaan Kb (Melalui Jampersal) Untuk Menekan Laju Pertumbuhan Penduduk dan Pencapaian Target Millenium Development Goal (Mdgs), Departemen Epidemiologi, Biostatistika, dan Kependudukan, Fakultas Kesehatan Masyarakat, Universitas Jember. [2] Saputri, Oktaviana Dwi., & Rejekiningsih, Tri Wahyu., Analisis Penyerapan Tenaga Kerja di Kota Salatiga, eprints.undip.ac.id/29404/1 [3] SHIVAJI R, PACHARANE., & VAIDYA, B. C., 2012, The Study of Population Growth in Ahmadnagar District, International Journal of Natural and Applied Science 2012; 1(1): 1-5. [4] Lee, Ronald D., & Tuljapurkar Shripad., 1994, StochasticPopulation Forecast for the United States Beyond High, Medium and Low, Journal of the American Statistical Association, Vol.89, No.428, [5] Neill, Daniel B., 2009, Expectation-based scan statistics for monitoring spatial time series data, International Journal of Forecasting 25 (2009) [6] Rodrigues, Paulo M. M., & Salish Nazarii., Modeling and Forecasting Interval Time Series with Threshold Models: An Application to S & P500 Index Returns, Economics and Research Department Banco De Portugal [7] Shumway, R.H., & Stoffer, D. S., 1982, An Approach to Time Series Smoothing and Forcasting Using EM Algorithm, Journal of Time Series Analysis Vol.3, No.4. [8] Tayman Jeff., Smith, Stanley K., Lin Jeffrey., 2007, Precision, bias, and uncertainty for state population forecasts: an exploratory analysis of time series models, Popul Res Policy Rev (2007) 26: , San Diego Association of Governments. [9] Sirait, Hotlim P., Sinulingga Ujian., & Sitepu Rachmad., 2013, Aplikasi Metode Pemulusan Eksponensial Ganda Brown Dalam Meramalkan Jumlah Penduduk Berdasarkan Jenis Kelamin di Kota Medan, Saintia Matematika, Vol. 1, No. 1 (2013), pp [10] Billah, Baki., King, Maxwell L., Snyder, Ralph D., & Koehler, Anne B., 2005, Exponential Smoothing Model Selection for Forecasting, Department of Econometrics and Business Statistics, Monash University Australia., [11] Mara, Muhlasah Novitasari., Setyahadewi, Neva., & Yundari., 2013, Kajian Teoritis Hybridizing Exponential Smoothing Dan Neural Network untuk 19
14 Peramalan Data Runtun Waktu, Volume 02, No.3 (2013), hal , Bimaster Ilmiah Mat. Stat. dan Terapannya (Bimaster), UNTAN., [12] Raharja, Alda., Wiwik Angraeni., & Retno Aulia Vinarti., 2009, Penerapan Metode Exponential Smoothing untuk Peramalan Penggunaan Waktu Telepon di Pt.Telkomsel Divre3 Surabaya, Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh November, SISFO-Jurnal Sistem Informasi [13] Rumbia, Wali Aya., 2008, Proyeksi Penduduk Berlipat Ganda di Kota Bau- Bau., Jurnal Ekonomi Pembangunan, FE Unhalu, Volume II Tahun I Desember 2008., 20
PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA
SISTEM PENDUKUNG KEPUTUSAN PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA Alda Raharja - 5206 100 008! Wiwik Anggraeni, S.Si, M.Kom! Retno
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan sering dipandang sebagai seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang. Secara teoritis peramalan
Lebih terperinciBAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan
Lebih terperinciS (t)=ax(t)+(1-a)s t-1 (2) S (t)=asn(t)+(1-a)s t-1 (3) F(t+m)=S(t)+mb(t) (4)
Ju rnal)lm iah. %2O 6ol.,. o. data ini terjadi jika terdapat data yang berfluktuasi di sekitar nilai rata-rata yang konstan. Suatu produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu
Lebih terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1. Peramalan 2.1.1. Pengertian dan Kegunaan Peramalan Peramalan (forecasting) menurut Sofjan Assauri (1984) adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama (assaury, 1991). Sedangkan ramalan adalah
Lebih terperinciKAJIAN TEORITIS HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK UNTUK PERAMALAN DATA RUNTUN WAKTU
Bimaster Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No.3 (2013), hal 205-210 KAJIAN TEORITIS HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK UNTUK PERAMALAN DATA RUNTUN WAKTU Muhlasah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan
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 terperinciPrediksi Persediaan Ikan Teri Menggunakan Exponential Smoothing Berbasis Ordered Weighted Aggregation
Jurnal Ilmiah NERO Vol. 1 No. 1 2014 Prediksi Persediaan Ikan Teri Menggunakan Exponential Smoothing Berbasis Ordered Weighted Aggregation Bain Khusnul Khotimah 1, Moh. Laili 2, Budi Dwi Satoto 3 1,2)
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan
BAB 2 LADASA TEORI 2.1 Pengertian Peramalan (Forecasting) Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan terjadi pada masa mendatang. Peramalan penjualan adalah peramalan
Lebih terperinciPERBANDINGAN METODE SETENGAH RATA-RATA DAN METODE KUADRAT TERKECIL UNTUK PERAMALAN PENDAPATAN PERUSAHAAN DI BLU UPTD TERMINAL MANGKANG SEMARANG
Techno.COM, Vol. 15, No. 2, Mei 2016: 132-139 PERBANDINGAN METODE SETENGAH RATA-RATA DAN METODE KUADRAT TERKECIL UNTUK PERAMALAN PENDAPATAN PERUSAHAAN DI BLU UPTD TERMINAL MANGKANG SEMARANG Rachmad Budi
Lebih terperinciAPLIKASI METODE PEMULUSAN EKSPONENSIAL GANDA BROWN DALAM MERAMALKAN JUMLAH PENDUDUK BERDASARKAN JENIS KELAMIN DI KOTA MEDAN
Saintia Matematika Vol. 1, No. 1 (2013), pp. 11 18. APLIKASI METODE PEMULUSAN EKSPONENSIAL GANDA BROWN DALAM MERAMALKAN JUMLAH PENDUDUK BERDASARKAN JENIS KELAMIN DI KOTA MEDAN Hotlim P. Sirait, Ujian Sinulingga,
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Peramalan (forecasting) 2.1.1. Hubungan Forecast dengan Rencana Forecast adalah peramalan apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa
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 IV METODE PENELITIAN
BAB IV METODE PENELITIAN 4.1. Desain Penelitian Dari uraian latar belakang masalah, penelitian ini dikategorikan ke dalam penelitian kasus dan penelitian lapangan. Menurut Rianse dan Abdi dalam Surip (2012:33)
Lebih terperinciEvelina Padang, Gim Tarigan, Ujian Sinulingga
Saintia Matematika Vol. 1, No. 2 (2013), pp. 161 174. PERAMALAN JUMLAH PENUMPANG KERETA API MEDAN-RANTAU PRAPAT DENGAN METODE PEMULUSAN EKSPONENSIAL HOLT-WINTERS Evelina Padang, Gim Tarigan, Ujian Sinulingga
Lebih terperinciBAB. 1 PENDAHULUAN Latar Belakang
1 BAB. 1 PENDAHULUAN 1.1. Latar Belakang Kain adalah bahan mentah yang dapat dikelola menjadi suatu pakaian yang mempunyai nilai financial dan konsumtif dalam kehidupan, seperti pembuatan baju. Contohnya
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
13 BAB 1 PENDAHULUAN 1.1 Latar Belakang Era globalisasi saat ini, perkembangan zaman semankin maju dan berkembang pesat, di antaranya banyak pernikahan dini yang menyebabkan salah satu faktor bertambahnya
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 terperinciPENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT.TELKOMSEL DIVRE3 SURABAYA
PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT.TELKOMSEL DIVRE3 SURABAYA PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT.TELKOMSEL
Lebih terperinciSISTEM PERAMALAN PERSEDIAAN UNIT MOBIL MITSUBISHI PADA PT. SARDANA INDAH BERLIAN MOTOR DENGAN MENGGUNAKAN METODE EXPONENTIAL SMOOTHING
SISTEM PERAMALAN PERSEDIAAN UNIT MOBIL MITSUBISHI PADA PT. SARDANA INDAH BERLIAN MOTOR DENGAN MENGGUNAKAN METODE EXPONENTIAL SMOOTHING Afni Sahara (0911011) Mahasiswa Program Studi Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Emas merupakan logam mulia yang sering dijadikan sebagai alat tukar dalam perdagangan maupun sebagai standar keuangan berbagai negara. Nilai emas yang tidak pernah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan adalah alat bantu yang penting dalam perencanaan yang efektif dan efisien (Makridakis,1991). Peramalan merupakan studi terhadap data historis untuk menemukan
Lebih terperinciPENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT.TELKOMSEL DIVRE3 SURABAYA
PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT.TELKOMSEL DIVRE3 SURABAYA Alda Raharja, Wiwik Angraeni, S.Si, M.Kom, Retno Aulia Vinarti, S.Kom Sistem Informasi, Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang. Peramalan diperlukan karena adanya kesenjaan waktu
Lebih terperinciVALIDASI HASIL PROYEKSI PENDUDUK TAHUN 2010 TERHADAP SENSUS PENDUDUK 2010 MENGGUNAKAN MAD DAN MSE
VALIDASI HASIL PROYEKSI PENDUDUK TAHUN 2010 TERHADAP SENSUS PENDUDUK 2010 MENGGUNAKAN MAD DAN MSE Sugandi yahdin 1, Endang Sri Kresnawati 2 1 Universitas Sriwijaya, Palembang 2 Universitas Sriwijaya, Palembang
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciPERBANDINGAN KEEFEKTIFAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH PENGUNJUNG HOTEL MERPATI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 251 258. PERBANDINGAN KEEFEKTIFAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH PENGUNJUNG HOTEL
Lebih terperinciPERAMALAN DATA TIME SERIES DENGAN METODE PENGHALUSAN EKSPONENSIAL HOLT - WINTER
PERAMALAN DATA TIME SERIES DENGAN METODE PENGHALUSAN EKSPONENSIAL HOLT - WINTER PERAMALAN DATA TIME SERIES DENGAN METODE PENGHALUSAN EKSPONENSIAL HOLT WINTER Adi Suwandi 1, Annisa 2, Andi Kresna Jaya
Lebih terperinciPENERAPAN ALGORITMA FORECASTING UNTUK PREDIKSI PENDERITA DEMAM BERDARAH DENGUE DI KABUPATEN SRAGEN
PENERAPAN ALGORITMA FORECASTING UNTUK PREDIKSI PENDERITA DEMAM BERDARAH DENGUE DI KABUPATEN SRAGEN Ryan Putranda Kristianto 1), Ema Utami 2), Emha Taufiq Lutfi 3) 1, 2,3) Magister Teknik informatika STMIK
Lebih terperinciBAB 2 LANDASAN TEORITIS
BAB 2 LANDASAN TEORITIS 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksikan apa yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasting) 2.1.1 Pengertian Peramalan Peramalan dapat diartikan sebagai berikut: a. Perkiraan atau dugaan mengenai terjadinya suatu kejadian atau peristiwa di waktu
Lebih terperinciBAB 3 PENGOLAHAN DATA
BAB 3 PENGOLAHAN DATA 3.1 Pengertian Pengolahan Data Pengolahan data dapat diartikan sebagai penjabaran atas pengukuran data kuantitatif menjadi suatu penyajian yang lebih mudah dimengerti dan menguraikan
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 terperinciAnalisis Deret Waktu
Analisis Deret Waktu Jenis Data Cross section Beberapa pengamatan diamati bersama-sama pada periode waktu tertentu Harga saham semua perusahaan yang tercatat di BEJ pada hari Rabu 27 Februari 2008 Time
Lebih terperinciABSTRAK. Kata Kunci :Single Exponential Smoothing,Double Exponential Smoothing,Mean Absolute Percentage Error.
PERBANDINGAN TINGKAT AKURASI METODE SES (SINGLE EXPONENTIAL SMOOTHING) DAN DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN STUDY KASUS PERAMALAN PEMINJAMAN BUKU DI PERPUSTAKAAN DAERAH JEMBER Yuldania (1110651134)
Lebih terperinciANALISIS DERET WAKTU
ANALISIS DERET WAKTU JENIS DATA Cross section Beberapa pengamatan diamati bersama-sama pada periode waktu tertentu Harga saham semua perusahaan yang tercatat di BEJ pada hari Rabu 27 Februari 2008 Time
Lebih terperinciBAB III TINJAUAN PUSTAKA
BAB III TINJAUAN PUSTAKA 3.1 Teori Dunia industri biasanya tak lepas dari suatu peramalan, hal ini disebabkan bahwa peramalan dapat memprediksi kejadian di masa yang akan datang untuk mengambil keputusan
Lebih terperinciPerbandingan Hasil Peramalan dengan Metode Double Exponential Smoothing Holt dan Metode Jaringan Syaraf Tiruan
Perbandingan Hasil Peramalan dengan Metode Double Exponential Smoothing Holt dan Metode Jaringan Syaraf Tiruan Oki Dwi Hartanti Departemen Biostatistika dan Kependudukan Fakultas Kesehatan Masyarakat Universitas
Lebih terperinciBAB II TINJAUAN PUSTAKA
4 BAB II TINJAUAN PUSTAKA 1.1 Landasan Teori 1.1.1 Prediksi Prediksi adalah sama dengan ramalan atau perkiraan. Menurut kamus besar bahasa indonesia, prediksi adalah hasil dari kegiatan memprediksi atau
Lebih terperinciPrediksi Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Menggunakan Fuzzy Time Series
Prediksi Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Menggunakan Fuzzy Time Series Arfinda Setiyoutami a, Wiwik Anggraeni b, Renny Pradina Kusumawardani c Jurusan Sistem Informasi
Lebih terperinciPENERAPAN LEAST SQUARE METHOD UNTUK PERAMALAN PENJUALAN DI HIJABSTORY BANDUNG
PENERAPAN LEAST SQUARE METHOD UNTUK PERAMALAN PENJUALAN DI HIJABSTORY BANDUNG Wendi Wirasta, Muhamad Luthfi Ashari 2 Program Studi Teknik Informatika, STMIK & Ilmu Komputer LPKIA Jl. Soekarno Hatta 456,
Lebih terperinciPENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU
PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU Romy Biri ), Yohanes A.R. Langi ), Marline S. Paendong ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi Jl.
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa. situasi dan kondisi di masa yang akan datang.
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan ramalan
Lebih terperinciDwi Puspitasari 1, Mustika Mentari 2, Wildan Ridho Faldiansyah 3
PENERAPAN METODE SINGLE EXPONENTIAL SMOOTHING MENGGUNAKAN PENDEKATAN ADAPTIF PADA PERAMALAN JUMLAH PELANGGAN DAN KEBUTUHAN AIR PADA PDAM KOTA PROBOLINGGO Dwi Puspitasari 1, Mustika Mentari 2, Wildan Ridho
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 2 LANDASAN TEORI. Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit
BAB 2 LANDASAN TEORI 2.1 Pengertian Produksi Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit tanaman pada lahan yang telah disediakan, pemupukan dan perawatan sehingga
Lebih terperinciIII. LANDASAN TEORI A. TEKNIK HEURISTIK
III. LANDASAN TEORI A. TEKNIK HEURISTIK Teknik heuristik adalah suatu cara mendekati permasalahan yang kompleks ke dalam komponen-komponen yang lebih sederhana untuk mendapatkan hubungan-hubungan dalam
Lebih terperinciMETODE PEMULUSAN EKSPONENSIAL WINTER UNTUK PERAMALAN ABSTRACT
METODE PEMULUSAN EKSPONENSIAL WINTER UNTUK PERAMALAN Arganata Manurung 1, Bustami 2, M.D.H. Gamal 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB IV PENGUMPULAN DAN PENGOLAHAN DATA
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Pengumpulan Data Pengumpulan data yang dilakukan dengan cara pengamatan dari dokumen perusahaan. Data yang di perlukan meliputi data penjualan produk Jamur Shiitake,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Vanissa Hapsari,2013
BAB I PENDAHULUAN 1.1. Latar Belakang Tingkat pencemaran udara di beberapa kota besar cenderung meningkat dari tahun ke tahun. Hal ini disebabkan oleh beberapa faktor diantaranya jumlah transportasi terus
Lebih terperinciDAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian...
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii HALAMAN PERNYATAAN... iii NASKAH SOAL TUGAS AKHIR... iv HALAMAN PERSEMBAHAN... v INTISARI... vi KATA PENGANTAR... vii UCAPAN TERIMA KASIH... viii
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 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 terperinciIMPLEMENTASI METODE TRIPLE EXPONENTIAL SMOOTHING DALAM PERAMALAN PENJUALAN PULSA ELEKTRIK
IMPLEMENTASI METODE TRIPLE EXPONENTIAL SMOOTHING DALAM PERAMALAN PENJUALAN PULSA ELEKTRIK Sugiyanto 1, Rinci Kembang Hapsari 2 1,2 Jurusan Teknik Informatika Fakultas Teknologi Informasi Institut Teknologi
Lebih terperinciMETODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU ABSTRACT
METODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU Encik Rosalina 1, Sigit Sugiarto 2, M.D.H. Gamal 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan
Lebih terperinciPERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN
PERBANDINGAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL DAN FUZZY TIME SERIES UNTUK MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN SKRIPSI Oleh : TAUFAN FAHMI J2E008056 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciPeramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential Smoothing
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Peramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential
Lebih terperinciESTIMASI PARAMETER MODEL HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK PADA HASIL PENGUKURAN MEAN SEA LEVEL SATELIT ALTIMETRI JASON 2
Vol. 7, No. 2, Desember 2012 ESTIMASI PARAMETER MODEL HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK PADA HASIL PENGUKURAN MEAN SEA LEVEL SATELIT ALTIMETRI JASON 2 Novi Mara KODE ARTIKEL : 117-2-12
Lebih terperinciPENGGUNAAN METODE EXPONENTIAL SMOOTHING UNTUK MERAMALKAN PERSEDIAAN BERAS PADA BULOG DIVRE ACEH
ISBN: 978-602-71798-1-3 PENGGUNAAN METODE EXPONENTIAL SMOOTHING UNTUK MERAMALKAN PERSEDIAAN BERAS PADA BULOG DIVRE ACEH Nurmaulidar, Asep Rusyana, Rizka Maqfirah 1 Fakultas MIPA, Universitas Syiah Kuala,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Produksi Produksi merupakan suatu kegiatan yang dikerjakan untuk menambah nilai guna suatu benda baru sehingga lebih bermanfaat dalam memenuhi kebutuhan. Produksi jahe
Lebih terperinciPeramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Peramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model Ni Kadek Sukerti STMIK STIKOM Bali Jl. Raya Puputan
Lebih terperinciPEMODELAN DERET WAKTU MENGGUNAKAN TEKNIK EXPONENSIAL SMOOTHING
PEMODELAN DERET WAKTU MENGGUNAKAN TEKNIK EXPONENSIAL SMOOTHING UNTUK PERAMALAN DEBIT ALIRAN SUNGAI (Studi Kasus Sungai Cabenge SWS WalanaE - CenranaE) Melly Lukman[1] ), Eko Susanto *) ABSTRACT Exponential
Lebih terperinci1. Pendahuluan Pembangkit Listrik Tenaga Air (PLTA) Jelok terletak di Kabupaten Semarang 45 km dari Kota Semarang, tepatnya di Desa Delik Kecamatan
1. Pendahuluan Pembangkit Listrik Tenaga Air (PLTA) Jelok terletak di Kabupaten Semarang 45 km dari Kota Semarang, tepatnya di Desa Delik Kecamatan Tuntang. PLTA Jelok menggunakan air yang berasal dari
Lebih terperinciMETODE MOVING AVERAGE DAN METODE WINTER DALAM PERAMALAN ABSTRACT
METODE MOVING AVERAGE DAN METODE WINTER DALAM PERAMALAN Widya Risnawati Siagian 1, Sigit Sugiarto 2, M.D.H. Gamal 2 1 Mahasiswa Program Studi S1 Matematika FMIPA Universitas Riau 2 Dosen Fakultas Matematika
Lebih terperinciProgram Studi Matematika, Institut Teknologi Kalimantan, Balikpapan
J. Math. and Its Appl. E-ISSN: 2579-8936 P-ISSN: 1829-605X Vol. 14, No. 2, Desember 2017, 25-37 Perbandingan Metode ARIMA dan Double Exponential Smoothing pada Peramalan Harga Saham LQ45 Tiga Perusahaan
Lebih terperinciBAB I PENDAHULUAN. pada waktu yang akan datang berdasarkan data empiris. Data empiris(terhitung)
BAB I PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan proses perkiraan tentang sesuatu yang terjadi pada waktu yang akan datang berdasarkan data empiris. Data empiris(terhitung) merupakan data yang
Lebih terperinciBAB 3 PERANCANGAN PROGRAM. 3.1 Alasan digunakan Metode Exponential Smoothing. Banyak metode peramalan yang dapat digunakan dalam memprediksi tingkat
BAB 3 PERANCANGAN PROGRAM 3.1 Alasan digunakan Metode Exponential Smoothing Banyak metode peramalan yang dapat digunakan dalam memprediksi tingkat penjualan untuk beberapa periode ke depan. Biasanya untuk
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perusahaan Sumber Tirta merupakan perusahaan distributor yang bergerak dalam penjualan air minum kemasan merk aqua. Barang yang dijual pada distributor ini
Lebih 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 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 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 terperinciBAB 2 TINJAUAN TEORITIS. Semua barang dan jasa sebagai hasil dari kegiatan-kegiatan ekonomi yang beroperasi
BAB 2 TINJAUAN TEORITIS 2.1 Produk Domestik Regional Bruto (PDRB) Semua barang dan jasa sebagai hasil dari kegiatan-kegiatan ekonomi yang beroperasi diwilayah domestik, tanpa memperhatikan apakah faktor
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciBAB 3 PENGOLAHAN DATA
18 BAB 3 PENGOLAHAN DATA 3.1. Pengumpulan Data Data yang akan diolah dalam penelitian ini adalah data sekunder yang diperoleh dari Badan Pusat Statistik Provinsi Sumatera Utara di Jln. Asrama No. 179 Medan
Lebih terperinciBAB 1 PENDAHULUAN. Ekomoni adalah salah satu hal yang terpenting untuk dipelajari. Karena ekonomi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ekomoni adalah salah satu hal yang terpenting untuk dipelajari. Karena ekonomi merupakan suatu pengetahuan dan ilmu yang menyangkut kehidupan manusia di dunia. Ekonomi
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 terperinciAplikasi Sistem Informasi Forecasting pada PD. Maha Jaya. Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya
Aplikasi Sistem Informasi Forecasting pada PD. Maha Jaya Rudy Adipranata 1, Tanti Octavia 2, Andi Irawan 1 Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya Pendahuluan Pentingnya
Lebih terperinciPerkapalan Negeri Surabaya, Surabaya Program Studi Teknik Otomasi, Jurusan Teknik Kelistrikan Kapal, Politeknik Perkapalan Negeri
Perbandingan Metode Autoregressive Integrated Moving Average (ARIMA) dan Exponential Smoothing pada Peramalan Penjualan Klip (Studi Kasus PT. Indoprima Gemilang Engineering) Aditia Rizki Sudrajat 1, Renanda
Lebih terperinciBAB 2 LANDASAN TEORI
20 BAB 2 LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap satu atau beberapa produk pada periode yang akan datang.
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 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 terperinciPENERAPAN METODE DOUBLE EXPONENTIAL SMOOTHING PADA PERAMALAN PRODUKSI TANAMAN PANGAN
Jurnal Informatika Polinema ISSN: 2407-070X PENERAPAN METODE DOUBLE EXPONENTIAL SMOOTHING PADA PERAMALAN PRODUKSI TANAMAN PANGAN Rudy Ariyanto 1, Dwi Puspitasari 2, Fifi Ericawati 3 1,2,3 Program Studi
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Seperti diketahui PDRB adalah penjumlahan dari seluruh Nilai Tambah Bruto (NTB)
BAB 2 TINJAUAN TEORITIS 2.1 Produk Domestik Regional Bruto (PDRB) Seperti diketahui PDRB adalah penjumlahan dari seluruh Nilai Tambah Bruto (NTB) yang dihasilkan oleh setiap kegiatan/lapangan usaha. Dalam
Lebih terperinciSistem Peramalan Harga Emas Antam Menggunakan Double Exponential Smoothing
Sistem Peramalan Harga Emas Antam Menggunakan Double Exponential Smoothing Teguh Andriyanto Sistem Informasi Universitas Nusantara PGRI Kediri Kediri, Indonesia E-mail: teguh@ unpkediri.ac.id Abstrak Emas
Lebih terperinciPeramalan Migrasi Masuk Kota Surabaya Tahun 2015 dengan Metode Double Moving Average dan Double Exponential Smoothing Brown
Peramalan Migrasi Masuk Kota Surabaya Tahun 2015 dengan Metode Double Moving Average dan Double Exponential Smoothing Brown Auli Fisty Noor Azizah Departemen Biostatistika dan Kependudukan Fakultas Kesehatan
Lebih terperinciPENGGUNAAN ALGORITMA NONLINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PARAMETER DALAM METODE PEMULUSAN EKSPONENSIAL SATU PARAMETER
PENGGUNAAN ALGORITMA NONLINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PARAMETER DALAM METODE PEMULUSAN EKSPONENSIAL SATU PARAMETER Nama Mahasiswa : Eka Novi Nurhidayati NRP : 1208 100 040 Jurusan : Matematika
Lebih terperinciEstimasi, Pemilihan Model dan Peramalan Hubungan Deret Waktu
Estimasi, Pemilihan Model dan Peramalan Hubungan Deret Waktu Author: Junaidi Junaidi Terdapat berbagai jenis model/metode peramalan hubungan deret waktu. Diantaranya adalah: 1) Model Linear; 2) Model Quadratic;
Lebih terperinciPeramalan (Forecasting)
Peramalan (Forecasting) Peramalan (forecasting) merupakan suatu proses perkiraan keadaan pada masa yang akan datang dengan menggunakan data di masa lalu (Adam dan Ebert, 1982). Awat (1990) menjelaskan
Lebih terperinciPerbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG
JURNAL SAINS DAN SENI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) A-34 Perbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG Mey Lista Tauryawati
Lebih terperinciBAB II TINJAUAN PUSTAKA
digilib.uns.ac.id BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Executive Information System (EIS) Executive Information System (EIS) adalah sebuah sistem penunjang keputusan yang dibangun secara khusus
Lebih terperinciIII KERANGKA PEMIKIRAN
3.1. Kerangka Pemikiran Teoritis 3.1.1. Konsep Permintaan III KERANGKA PEMIKIRAN Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Matematika memegang peranan penting dalam kehidupan. Selain sebagai salah satu kajian ilmu utama dalam pendidikan, matematika juga berperan untuk menunjang ilmu-ilmu
Lebih terperinciANALISIS PERAMALAN DENGAN MENGGUNAKAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL ABSTRACT
AALISIS PERAMALA DEGA MEGGUAKA METODE PEMULUSA EKSPOESIAL TUGGAL Annisa Rahmattia 1, Bustami 2, MDH.Gamal 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan Matematika Fakultas Matematika dan Ilmu
Lebih terperinciBAB 2 TINJAUAN TEORI. akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan
BAB 2 TINJAUAN TEORI 2.1 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 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 terperinci(FORECASTING ANALYSIS):
ANALISIS KUANTITATIF ANALISIS PERAMALAN Hand-out ke-3 ANALISIS PERAMALAN (FORECASTING ANALYSIS): Contoh-contoh sederhana PRODI AGRIBISNIS UNEJ, 2017 PROF DR IR RUDI WIBOWO, MS Contoh aplikasi tehnik peramalan
Lebih terperinciBAB III PERAMALAN. Praktikum Sistem Produksi ATA 2014/2015
BAB III PERAMALAN 3.1 Landasan Teori Peramalan merupakan suatu bentuk usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu. Esensi peramalan adalah perkiraan peristiwa-peristiwa
Lebih terperinci