IDENTIFIKASI POLA DATA TIME SERIES
|
|
- Yohanes Sudirman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 dan akura. Daa yang diseleksi berasal dari sumber yang dapa dipercaya dengan perhaian yang diberikan unuk keakuraan.. Daa harus relevan. Daa harus mewakili keadaan. 3. Daa harus konsisen. 4. Daa harus secara berkala. Pada umumnya, ada dua ipe daa yang pening unuk peramal. Perama adalah daa yang dipilih pada iik unggal suau waku, misal sau jam, sau hari, sau minggu, sau bulan, dan sebaginya. Kedua adalah observasi daa dari waku ke waku. A. Pengenalan Pola Daa Runun Waku Salah sau aspek yang paling pening dalam penyeleksian meode peramalan yang sesuai unuk daa runun waku adalah unuk memperimbangkan perbedaan ipe pola daa. Ada empa ipe umum : horizonal, rend, seasonal, dan cyclical. Keika daa observasi berubah-ubah di sekiar ingkaan aau raa-raa yang konsan disebu pola horizonal. Sebagai conoh penjualan iap bulan suau produk idak meningka aau menurun secara konsisen pada suau waku dapa diperimbangkan unuk pola horizonal. Gambar.. pola horizonal. Keika daa observasi naik aau menurun pada perluasan periode suau waku disebu pola rend. Kelompok Meode Peramalan 0
2 Gambar.. pola rend Pola cyclical diandai dengan adanya flukuasi bergelombang daa yang erjadi di sekiar garis rend. Gambar.3. pola cyclical Keika observasi dipengaruhi oleh fakor musiman disebu pola seasonal yang diandai dengan adanya pola perubahan yang berulang secara oomais dari ahun ke ahun. Unuk runun iap bulan, ukuran variabel komponen seasonal runun iap Januari, iap Februari, dan seerusnya. Unuk runun iap riwulan ada elemen empa musim, sau unuk masing-masing riwulan. Sebagai conoh adalah pola daa pembelian buku baru pada ahun ajaran baru. Gambar.4 pola seasonal Kelompok Meode Peramalan 0
3 B. Penyelidikan Pola Daa Dengan Analisis Auokorelasi Observasi pada periode waku yang berbeda sering berhubungan aau berkorelasi. Ukuran yang digunakan dalam korelasi adalah koefisien auokorelasi. Auokorelasi adalah korelasi anara suau variabel sau aau lebih periode sebelumnya dengan dirinya sendiri. Pola daa, ermasuk komponen seperi ren dan musiman, dapa dipelajari menggunakan auokorelasi. Koefisien auokorelasi dari variabel perbedaan waku sebelumnya digunakan unuk idenifikasi pola daa runun waku. Persamaan 3. adalah rumus unuk menghiung koefisien auokorelasi (r k ) anara observasi Y dan Y -k dengan k periode erpisah. n Y Y Y k Y k r k 0,,,... (3.) k Y Y dimana : n r k = Y = koefisien auokorelasi unuk k dari lag mean dari daa observasi Y = observasi pada periode waku Y -k = observasi k periode waku sebelumnya aau periode waku -k Conoh 3. Harry Vernon memiliki daa jumlah erjualnya VCR akhir ahun unuk oko Vernon Musik. Daa diuliskan pada Tabel 3-. Konsep auokorelasi diilusrasikan daa Conoh 3. pada Tabel 3-. Dikeahui bahwa variabel Y - dan Y - adalah mewakili nilai sebenarnya Y pada lag sau dan dua periode sebelumnya. Nilai penjualan VCR dari Mare erliha, pada baris unuk periode waku iga. Jumlah penjualan Mare Y = 5, Februari Y - = 30, dan Januari Y - = 3. Kelompok 3 Meode Peramalan 0
4 Tabel 3. Daa VRC unuk Conoh 3. Waku Bulan Daa original Y lagged pada periode perama Y - Y lagged pada periode kedua Y - Y Januari 3 Februari Mare April Mei Juni Juli Agusus Sepember Okober November Desember Tabel 3. Perhiungan koefisien auokorelasi pada lag unuk daa pada Tabel 3. Waku () Y Y - (Y - Y ) (Y - - Y ) (Y - Y ) (Y - Y )(Y - - Y ) Toal Y 4 Tabel 3- menunjukkan perhiungan unuk menghiung koefisien korelasi lag. Koefisien korelasi lag (r ) aau auokorelasi anara Y dan Y - dihiung menggunakan oal dari Tabel 3- dengan persamaan 3-. r n Y Y Y Y n Kelompok 4 Meode Peramalan Y Y 0,57
5 Terliha dari Gambar 3-4, auokorelasi posiif lag ada pada runun waku ini. Korelasi anara Y dan Y - aau auokorelasi dari sau periode sebelumnya adalah 0,57. Ini berari uruan penjualan VCR per bulan sau dan yang lainnya berkorelasi. Gambar. 3-4 Koefisien korelasi periode kedua sebelumnya (r ) aau auokorelasi anara Y dengan Y - dari daa Harry menggunakan persamaan 3.. r n Y Y Y Y n Y Y 0,46. Ini memperlihakan bahwa auokorelasi cukup ada pada dua kali periode lag. Korelasi anara Y dan Y -, aau auokorelasi unuk lag, yaiu 0,463. Perhaikan bahwa koefisien korelasi pada lag (0,463) kurang dari koefisien korelasi pada lag (0,573). Pada umumnya, banyaknya waku lag, k meningka, besarnya koefisien auokorelasi berkurang. Gambar 3.5 menunjukkan plo auokorelasi versus waku lag daa Harry Vernon pada conoh 3.. Skala horizonal di bawah grafik menunjukkan seiap waku lag meningka,,, 3, dan seerusnya. Skala verikal pada kiri grafik menunjukkan range yang mungkin dari koefisien auokorelasi, - sampai +. Garis horizonal di engahengah grafik menunjukkan koefisien auokorelasi nol. Garis verikal menunjukkan koefisien auokorelasi 0,46, r = 0,46. Kelompok 5 Meode Peramalan 0
6 Gambar 3.5. Fungsi auokorelasi unuk daa pada Conoh 3. Pola pada korelogram digunakan unuk menganalisis kunci uama daa, konsepnya diunjukkan pada sesi selanjunya. Pake kompuer Miniab dapa digunakan unuk menghiung auokorelasi dan menghasilkan korelogram. Korelogram aau fungsi auokorelasi adalah grafik auokorelasi unuk lag yang bervariasi pada suau waku. Koefisien auokorelasi pada waku lag yang berbeda dapa digunakan unuk menjawab peranyaan beriku enang runun waku.. Apakah daa acak?. Apakah daa memiliki ren (nonsasioner)? 3. Apakah daa sasioner? 4. Apakah daa musiman? Jika runun acak, auokorelasi anara Y dan Y - unuk semua lag k adalah mendekai nol. Nilai beruru-uru dari runun waku idak erhubung dengan lainnya. Jika runun waku ren, pengamaan beruru-uru korelasinya inggi, dan koefisien auokorelasi signifikan berbeda dari nol unuk beberapa lag waku yang perama dan kemudian berangsur-angsur urun mendekai nol. Koefisien auokorelasi unuk lag waku seringnya sanga besar (mendekai ). Koefisien auokorelasi unuk lag juga akan membesar. Namun, iu idak akan sebesar lag. Jika daa memiliki pola musiman, signifikan koefisien auokorelasi akan erjadi pada lag waku musiman aau perkalian lag musiman. Lag musiman ada 4 unuk seperempa daa dan unuk daa bulanan. Kelompok 6 Meode Peramalan 0
7 Bagaimana seorang analis menenukan apakah koefisien auokorelasi berbeda secara signifikan dari nol unuk daa pada Tabel 3-? Quenouille (949) dan emanemannya elah menunjukkan bahwa koefisien auokorelasi dari daa random memiliki disribusi sampling yang dapa didekai dengan kurva normal dengan mean nol dan sandar deviasi pendekaannya. Mengeahui hal iu, analisis dapa membandingkan koefisien auokorelasi sampel dengan eori disribusi sampling dan menenukan apakah, jika diberikan lag waku, mereka berasal dari populasi dengan mean nol. Pada kenyaaanya, beberapa sofware menggunakan formula yang sediki berbeda, seperi yang diunjukkan pada Persamaan 3., unuk menghiung sandar deviasi (aau sandar eror) dari koefisien auokorelasi. Persamaan ini berasumsi seiap auokorelasi sebelum lag k idak sama dengan nol dan seiap auokorelasi pada lag erbesar aau sama dengan k adalah nol. Unuk auokorelasi pada lag, sandar eror yang digunakan. dimana (3.) SE(r k ) r i k n = sandar eror auokorelasi pada lag ke-k = auokorelasi pada lag ke-i = lag waku = banyaknya observasi dalam seri waku. Perhiungan akan diperagakan di Conoh 3.. Jika daa benar-benar acak, hampir semua koefisien auokorelasi sampel harus dimanipulasi dengan range yang dienukan oleh nol, plus aau minus dari jumlah sandar eror erenu. Pada ingka konfidensi yang dienukan, daa dapa dianggap random jika koefisien auokorelasi yang dihiung masing-masing dengan inerval sekiar 0 diberikan: di mana perkalian adalah iik prosenase yang cocok dari disribusi. Kelompok 7 Meode Peramalan 0
8 Walaupun menguji seiap r k unuk mengeahui koefisien auokorelasi berbeda signifikan dari nol berguna, lebih baik suau daa diuji dengan rk yang beruruan sebagai sebuah grup. Kia dapa menggunakan uji sebagian unuk mengeahui apakah se, kaakanlah, nilai 0 r k perama berbeda secara signifikan dari se yang semua nilainya nol. Uji sau sisi umumnya dimodifikasi dari saisik Q Box-Pierce (Persamaan 3.3) dikembangkan oleh Ljung dan Box. Uji ini biasanya dierapkan unuk residual model peramalan. Jika auokorelasi dihiung dari proses random, saisik Q memiliki disribusi chi-square dengan m (banyaknya lag waku yang diuji) deraja kebebasan. Unuk residual model peramalan, saisik Q memiliki disribusi chi-square dengan deraja bebas sama dengan m dikurangi banyaknya parameer yang diesimasi dalam model. Nilai saisik Q dapa dibandingkan dengan Tabel Chi Kuadra unuk menenukan jika lebih besar daripada yang kia harapkan unuk dibawah H 0 bahwa semua auokorelasi pada waku erenu adalah 0. Berganian p-value dihasilkan dengan es saisik Q dapa dihiung dan dipresenasikan. Saisik Q diberikan pada Persamaan 3.3. ini akan diunjukkan pada Conoh 3.3 dimana : m rk Q n( n ) (3.3) n k k n = banyak observasi pada waku erenu k = waku lag m = angka waku lag yang di uji r k = fungsi sampel auokorelasi pada sisa lag k periode waku Apakah daa acak? Unuk menjawab peranyaan di aas, Persamaan 3.4 adalah model simpel random biasa disebu whie noise model. observasi Y adalah erdiri dari bagian : c level eringgi dan yang mana adalah komponen random error. Ini sanga pening unuk caaan bahwa komponen diasumsikan unuk idak berkorelasi dari waku ke waku. Y c (3.4) Kelompok 8 Meode Peramalan 0
9 Conoh 3. Sebuah hipoesis dikembangkan unuk menenukan apakah koefisien auokorelasi berbeda signifikan dari 0 unuk daa VCR di aas. Hipoesis nol dan Hipoesis alernaif unuk menguji lag populasi koefisien auokorelasi adalah H 0 : = 0 H : 0 Jika H 0 adalah benar maka uji saaisik r r 0 r SE r ) SE( r ) SE( r ) ( (3.5) mempunyai disribusi dengan db = n-, dimana n- = - = unuk ingka signifikan 5% kepuusannya adalah : Auran pengambilan kepuusan : jika < -, aau >, kia dapa menolak H 0 dan menarik kesimpulan lag auokorelasi adalah berbeda signifikan dengan 0. Nilai kriis, adalah aas dan bawah 0,05 poin pada disribusi dengan deraja kebebasan. Eror Sandar r adalah SE ( r ) / 0,083 0, 89 dan nilai saisik menjadi r SE( r ) 0,57 0,89,98 Dan menggunakan kepuusan ersebu, H 0 idak diolak karena -, <,98 <,. Caaan bahwa nilai es saisik raa-raa =,98 sama sebagai kuanias pada lag garis dibawah besar pada hasil miniab pada Gambar 3-5. Nilai pada hasil miniab mudah nilai pada es saisik unuk uji 0 auokorelasi pada beberapa lag. Unuk es auokorelasi 0 (perama) pada waku lag, kia enukan H : 0 H 0 : 0 Dan pada es saisik r r 0 r SE( r ) SE( r ) SE( r ) Dengan menggunakan persamaan (3.) Kelompok 9 Meode Peramalan 0
10 k ri ri i i (0,57),6544 SE( r ) 0,38 0,37 n n Dan 0,463,5 0,37 Hasil ini sama dengan T-value unuk lag pada oupu Miniab dalam gambar 3-5. Dengan menggunakan auran kesepakaan diaas, H 0 idak dapa diolak 0 : pada level 0,05 karena -, <,5 <,. Sau jalan alernaif unuk memeriksa ingka signifikasi auokorelasi yang dikonruksikan, mengaakan, ingka kepercayaan 95% limi pusa pada 0. Limi pendekaan ini unuk lag dan diberikan dengan, lag :0 o, 5 SE (r) aau 0.(0.89) (-0.636,0.636) lag : 0 o, 5 SE (r) aau 0.(0.37) (-0.86,0.86) Auokorelasi secara signifikan berbeda dari 0 diindikasikan dengan nilai koefisien auokorelai unuk r k jauh disekiar pendekaan dengan ingka kepercayaan 95% diunjukkan pada Gambar 3-5 dengan garis ebal pada grafik dari fungsi auokorelasi. Conoh 3.3 Miniab digunakan unuk membangkikan 40 angka random iga yang diunjukkan dalam Tabel 3-3. Gambar 3-6 menunjukkan sebuah grafik runun waku dari daa ini. Karena daa ini random (independen sau dengan yang lain dari semua populasi yang sama), auokorelasi dari semua ime lags secara eori seharusnya sama dengan nol. Tiap sampel akan menghasilkan auokorelasi yang berbeda. Banyak dari sampel ini akan menghasilkan koefisien korelasi sampel yang menuju ke nol. Akan eapi, dimungkinkan erdapa sau sampel akan menghasilkan sebuah koefisien auokorelasi dengan signifikasi yang berbeda dari nol. Kelompok 0 Meode Peramalan 0
11 Auocorrelaion Tabel 3.3 Runun Waku dari 40 angka acak pada Conoh 3.3 T Y Y T Y Y Gambar 3-6 grafik runun waku Tabel 3.3 Auocorrelaion Funcion for Y,0 0,8 0,6 0,4 0, 0,0-0, -0,4-0,6-0,8 -, Lag Corr T LBQ Lag Corr T LBQ -0,9-0,0 -, -0,04,57, ,03-0,03-0,5-0,8 7,67 7,73 3-0,5-0,89,53 0 0,0 0, 7, ,0-0,5 0,03 0,7 0,63 -,50 0,6 0,95 3,04 6,3 6,7 7,63 Gambar 3-7 Fungsi auokorelasi menggunakan daa pada Conoh 3.3 Kelompok Meode Peramalan 0
12 Selanjunya fungsi auokorelasi diunjukan pada gambar 3-7 yang dikonruksikan dengan menggunakan miniab. Perlu dicaa bahwa dua garis puus-puus menunjukkan pendekaan dengan ingka kepercayaan 95%. 0 ime lag diconohkan, dan semua koefisien auokorelasi individual (lie wihin) daripada limi ini. Disana idak ada alasan unuk meragukan masing-masing dari 0 lag perama adalah nol. Akan eapi (magniudes) dari 0 r k perama sebagai kelompok besar daripada yang lain seharusnya masuk dibawah hipoesis idak ada auokorelasi dari iap lag? Peranyaan ini dijawab dengan Ljung-Box Q (LBQ pada miniab) saisik. Jika idak ada auokorelasi dari iap lag saisik Q mempunyai disribusi chikuadra dengan db = 0 pada permasalahan ini. Dengan konsekuen, value besar dari Q dalam ail dari disribusi chi-kuadra kembali sesuai dengan hipoesis null. Dari gambar 3-7 value dari Q (LBQ) dari 0 ime lag adalah 7,75. Dari abel diribusi Chi-Square, iik aas dari poin 0.05 dari disribusi chi-kuadra dengan 0 deraja bebas adalah 8,3. Karena 7,75 < 8.3 hipoesis nol idak dapa diolak pada ingka signifikasi 5%. Daa ini idak ada hubungan pada iap lag, sebuah hasil yang konsisen dengan model Persamaan 3.4. Apakah daa mempunyai ren? Jika sebuah runun waku mempunyai rend, sebuah hubungan signifikan erjadi dianara sejumlah runun waku koefisien korelasi dengan ipe besar unuk ime lag perama, dan kemudian secara berangsur akan urun mendekai nol sebagai jumlah dari penambahan lag. Runun yang erdiri dari rend dikaakan idak sasioner bila koefisien auokorelasi unuk sebuah runun waku sasioner urun menuju ke nol secara umum seelah waku lag kedua aau keiga. Sering, unuk menganalisa runun idak sasioner rend bergerak sebelum penambahan variabel dalam model. Sebuah meode dikaakan differencing dapa dikaakan unuk merubah ren dari runun idak sasioner VCR daa secara asli diunjukkan di Tabel 3- disajikan kembali dalam Tabel 3.4 kolom perama, Y nilai sebelum periode Y -, diunjukkan dalam kolom kedua. perbedaan Y Y - adalah diunjukkan dalam kolom keiga. Conoh : nilai perama unuk perbedaan adalah Y -Y =30-3=7 Kelompok Meode Peramalan 0
13 Tabel 3.4 beda daa VRC Y Y- Beda A. B. Gambar 3-8 Caaan : perumbuhan naik aau rend dari daa VCR diunjukkan dalam Gambar 3-8 plo A. seelah didifferences maka daa kembali menjadi saioner. Conoh 3.4 Maggie Trymane, seorang analisis di Sears, diugaskan unuk melakukan operasi peramalan unuk 00. Dia mengambil daa dari ahun yang diunjukkan pada Tabel 3.5 Kelompok 3 Meode Peramalan 0
14 Tabel 3.5 Daa Maggie Tahun Y Tahun Y Tahun Y Tahun Y Gambar 3-9 Daa dari ahun 955 sampai 000, diunjukkan dalam Tabel 3.5, diplokan sebagai runun waku pada gambar 3-9. Perama menghiung Maggie inernal konfidensi 95 % unuk koefisien auokorelasi diwaku keinggian menggunakan 0 Z 0,05 (/ n ) dimana unuk sampel besar, normal sandard 0,05 poin dapa digani yang sesuai presenasi poin disribusi ersebu : 0,96 ( / 46 ) 0 0,89 Berikunya menghiung daa Maggie di miniab dan hasil dari fungsi auokorelasi diunjukkan dalam gambar 3-0. Kelompok 4 Meode Peramalan 0
15 Auocorrelaion Auocorrelaion Funcion for operaing re,0 0,8 0,6 0,4 0, 0,0-0, -0,4-0,6-0,8 -, Lag Corr T LBQ Lag Corr T LBQ 0,96 0,9 6,49 3,69 44,97 87, ,53 0,45,3 0,93 54,83 66,86 3 0,87,78 5,96 0 0,36 0,74 74, ,8 0,75 0,69 0,6,4,88,6,35 60,49 90,8 7,6 38,45 0,8 0,56 79,84 Gambar 3-0 Dalam pemeriksaan, dia mencaa bahwa auokorolasi unuk waku perama keiga perbedaanya signifikan dari no, (0,96, 0,9 dan 0,87) dan bahwa nilai iu berangsur-angsur urun menuju ke nol. Sebagai pemeriksaan erakhir Maggie diliha dari sasisik Q unuk 0 waku keinggalan. LBQ adalah 74,97 yang lebih besar dari nilai chi-square8,3 maka dapa disimpulkan bahwa daa berpola rend. Maggie mencurigai bahwa rangkaian dapa dibedakan unuk memindahkan rand iu dan unuk membua rangkaian sasioner. Dia membedakan daa iu dengan hasil yang diunjukkan dalam gambar 3-. Perbedaan rangkaian diunjukkan anpa bukibuki sebuah rend dan fungsi auokorelasi, diunjukkan dalam Gambar 3- kelihaan unuk mendukunng kesimpulan iu. Memeriksa Gambar 3-. Meggie memuuskan bahwa koefisien auokorolasi dalam waku diingkakan 3, 0.3 adalah berbeda jelas dari nol (dicoba dilevel signifikan 0,05) auokorelasi di keinggalan-keinggalan yang lainya dari keinggalan 3 adalah kecil dan kehebaan Meggie jika disana ada beberapa pola dalam daa ini dapa dimodalkan menjadi sau. Kelompok 5 Meode Peramalan 0
16 Auocorrelaion Gambar 3- Auocorrelaion Funcion for diff revenue,0 0,8 0,6 0,4 0, 0,0-0, -0,4-0,6-0,8 -, Lag Corr T LBQ Lag Corr T LBQ -0,08 0,05-0,55 0,33 0,3 0, ,08-0,09-0,48-0,55 6,54 7,03 3 0,3,6 5,77 0-0,03-0,7 7, ,05-0,0-0,03 0,06 0,3-0,04-0,0 0,36 5,90 5,9 5,96 6,7-0,06-0,35 7,30 Gambar 3- Apakah daa musiman? Jika sebuah rangkaian daa adalah musiman, sebuah pola dari kalender menggambarkan dirinya lebih dari sebuah faka. Peneliian dalam beberapa posisi unuk membedakan periode musim yang cenderung berhubungan. Jika kuaril daa dalam pola semusim di analisa. Kuaril perama cenderung kelihaan sama, kuaril kedua cenderung kelihaan sama dan keiga keempa dan sebuah koefisien auokorolasi signifikan akan ampak diwaku keinggalan 4. Jika dengan daa bulanan dianalisa, koefisien auokorolasi signifikan akan ampak diwaku dalam bulan. Seperi Januari akan berhubungan dengan Januari yang lainya. Febuary akan berhubungan dengan Februari lainnya begiu juga keempa. Conoh 3.5 dibahas sebuah rangkaian daa musiman. Kelompok 6 Meode Peramalan 0
17 Quarerly Conoh 3.5 Perkin Kendel adalah seorang analis Oubord Masine Corparaion. Dia selalu merasa bahwa penjualannya adalah musiman. Perkin mengumpulkan daa diunjukkan di Tabel 3.6 unuk penjualan kuaril keempa dari Oubard Marine cooporaion dari 984 sampai 996 dan beberapa plo iu sebagai grafik diunjukkan pada Gambar 3-3. Tabel 3.6 Daa Penjualan unuk Ouboard Marine ahun , unuk conoh 3.5 Tahun 3 Desember 3 Mare 30 Juni 30 Sepember ,6 5,8 73, 49, ,3, 60, 59, ,5 45,5 98,8 87, ,8 3,6 393,5 404, ,7 40, 464,6 479, ,4 40,6 4,3 385, ,7 309, 30,7 93, , 34,4 85,4 58, , 63,7 9,5 35, ,3 74,5 95,4 86, ,8 63,5 38,8 305, ,6 38,8 39,6 338, 996 3, 85,6 9,0 8,4 Do/Lines show Means 400,0 300,0 00,0 985,0 987,5 990,0 99,5 995,0 year Gambar 3-3 Kelompok 7 Meode Peramalan 0
18 Auocorrelaion Auocorrelaion Funcion for Quarely ser,0 0,8 0,6 0,4 0, 0,0-0, -0,4-0,6-0,8 -,0 7 Lag Corr T LBQ Lag Corr T LBQ 0,39 0,5,83 0,97 8,50 9, ,35-0,8,5-0,76 57,7 59,90 3 0,9,8 4,77 0-0,43 -,80 7, ,74 0,5-0,5-0,05 4,34 0,67-0,67-0, 47, 48,47 49,90 50,04 3-0,3 0,09-0,35 -,3 0,35 -,34 79,33 79,9 88,90 Gambar 3-4 Kemudian, dia menghiung sebuah sampel yang besar dengan ingka kepercayaan 95% unuk inerval koefisien auokorelasi pada waku lag : 0,96 ( 0,/ 5 ) 0 0,7 Kemudian Perkin menghiung koefisien auokorelasi yang diunjukkan pada gambar 3.4. Dia mencaa bahwa koefisien auokorelasi pada waku lag dan 4 secara signifikan berbeda dari 0. (r = 0,39 > 0,7 dan r4 = 0,74 > 0,333 ). Dia menyimpulkan bahwa Ouboard Marine memiliki daa penjualan yang berpola musiman pada empa bulanan. DAFTAR PUSTAKA E.Hanke,John,W. Wichern Dean. Business Forecasing Pearson Educaion,Inc Kelompok 8 Meode Peramalan 0
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih 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 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 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 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 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 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 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 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 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 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 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN EMBAHASAN 4.1 Karakerisik dan Obyek eneliian Secara garis besar profil daa merupakan daa sekunder di peroleh dari pusa daa saisik bursa efek Indonesia yang elah di publikasi, daa di
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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiaan memperkirakan apa yang akan erjadi pada masa yang akan daang. Ramalan adalah sesuau kegiaan siuasi aau kondisi yang diperkirakan akan erjadi
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 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 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 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 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 terperincix 4 x 3 x 2 x 5 O x 1 1 Posisi, perpindahan, jarak x 1 t 5 t 4 t 3 t 2 t 1 FI1101 Fisika Dasar IA Pekan #1: Kinematika Satu Dimensi Dr.
Pekan #1: Kinemaika Sau Dimensi 1 Posisi, perpindahan, jarak Tinjau suau benda yang bergerak lurus pada suau arah erenu. Misalnya, ada sebuah mobil yang dapa bergerak maju aau mundur pada suau jalan lurus.
Lebih terperinciBAB 2 KINEMATIKA. A. Posisi, Jarak, dan Perpindahan
BAB 2 KINEMATIKA Tujuan Pembelajaran 1. Menjelaskan perbedaan jarak dengan perpindahan, dan kelajuan dengan kecepaan 2. Menyelidiki hubungan posisi, kecepaan, dan percepaan erhadap waku pada gerak lurus
Lebih terperinciPengaruh variabel makroekonomi..., 24 Serbio Harerio, Universitas FE UI, 2009Indonesia
BAB 3 DATA DAN METODOLOGI 3.1 Variabel-Variabel Peneliian 3.1.1 Variabel dependen Variabel dependen yang digunakan adalah reurn Indeks Harga Saham Gabungan yang dihiung dari perubahan logarima naural IHSG
Lebih terperinci(T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF
Seminar Nasional Saisika 12 November 2011 Vol 2, November 2011 (T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF Gumgum Darmawan, Sri Mulyani S Saf Pengajar Jurusan Saisika FMIPA UNPAD
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 terperinciJurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember ABSTRAK
PERBANDINGAN METODE DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN TES (TRIPLE EXPONENTIAL SMOOTHING) PADA PERAMALAN PENJUALAN ROKOK (STUDI KASUS TOKO UTAMA LUMAJANG) 1 Fajar Riska Perdana (1110651142) 2 Daryano,
Lebih terperinciBab 2 Landasan Teori
Bab 2 Landasan Teori 2.1 Keseimbangan Lini 2.1.1 Definisi Keseimbangan Lini Penjadwalan dari pekerjaan lini produksi yang menyeimbangkan kerja yang dilakukan pada seiap sasiun kerja. Keseimbangan lini
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Persediaan Persediaan adalah barang yang disimpan unuk pemakaian lebih lanju aau dijual. Persediaan dapa berupa bahan baku, barang seengah jadi aau barang jadi maupun
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 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis Peneliian Jenis peneliian kuaniaif ini dengan pendekaan eksperimen, yaiu peneliian yang dilakukan dengan mengadakan manipulasi erhadap objek peneliian sera adanya konrol.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah persediaan merupakan masalah yang sanga pening dalam perusahaan. Persediaan mempunyai pengaruh besar erhadap kegiaan produksi. Masalah persediaan dapa diaasi
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 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 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 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis dan Pendekaan Peneliian Jenis peneliian yang digunakan dalam peneliian ini adalah peneliian evaluasi dan pendekaannya menggunakan pendekaan kualiaif non inerakif (non
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 1 PENDAHULUAN. Pertumbuhan ekonomi merupakan salah satu ukuran dari hasil pembangunan yang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju perumbuhan
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 terperinciIII KERANGKA PEMIKIRAN
III KERANGKA PEMIKIRAN 3.1 Teori Risiko Produksi Dalam eori risiko produksi erlebih dahulu dijelaskan mengenai dasar eori produksi. Menuru Lipsey e al. (1995) produksi adalah suau kegiaan yang mengubah
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 terperinciMetode Regresi Linier
Modul 1 Meode Regresi Linier Prof. DR. Maman Djauhari A PENDAHULUAN nalisis regresi linier, baik yang sederhana maupun yang ganda, elah Anda pelajari dalam maa kuliah Meode Saisika II. Dengan demikian
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 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 terperinciPerancangan Sistem Peramalan Penjualan Barang Pada UD Achmad Jaya Dengan Metode Triple Exponential Smoothing
Jurnal Ilmiah Teknologi dan Informaika ASIA (JITIKA) Vol.10, No.2, Agusus 2016 ISSN: 0852-730X Perancangan Sisem Peramalan Penjualan Barang Pada UD Achmad Jaya Dengan Meode Triple Exponenial Smoohing Tria
Lebih terperinciMuhammad Firdaus, Ph.D
Muhammad Firdaus, Ph.D DEPARTEMEN ILMU EKONOMI FEM-IPB 010 PENGERTIAN GARIS REGRESI Garis regresi adalah garis yang memplokan hubungan variabel dependen (respon, idak bebas, yang dipengaruhi) dengan variabel
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 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 terperinciIII. KERANGKA PEMIKIRAN
III. KERANGKA PEMIKIRAN 3.1. Kerangka Teoriis 3.1.1 Daya Dukung Lingkungan Carrying capaciy aau daya dukung lingkungan mengandung pengerian kemampuan suau empa dalam menunjang kehidupan mahluk hidup secara
Lebih terperinciBAB 2 TINJAUAN TEORI
7 BAB 2 TINJAUAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
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 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 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 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 IV PERHITUNGAN NUMERIK
BAB IV PERHITUNGAN NUMERIK Dengan memperhaikan fungsi sebaran peluang berahan dari masingmasing sebaran klaim, sebagai mana diulis pada persamaan (3.45), (3.70) dan (3.90), perhiungan numerik idak mudah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengerian Supply Chain Managemen Supply chain managemen merupakan pendekaan aau meode dalam memanajemen hubungan perusahaan dengan supplier dan konsumen yang erjadi pada pengendalian
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian yang dilakukan mengenai analisis perencanaan pengadaan una berdasarkan ramalan ime series volume ekspor una loin beku di PT Tridaya Eramina
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 terperinciPENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Studi Kasus: PT Tembaga Mulia Semanan)
Prosiding Seminar Nasional Manajemen Teknologi Program Sudi MMT-ITS, Surabaya 1 Agusus 2009 PENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Sudi Kasus: PT
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi dan Waku Peneliian Peneliian ini dilaksanakan di PT Panafil Essenial Oil. Lokasi dipilih dengan perimbangan bahwa perusahaan ini berencana unuk melakukan usaha dibidang
Lebih terperinciProyeksi Penduduk Provinsi Riau Menggunakan Metode Campuran
Saisika, Vol. 10 No. 2, 129 138 Nopember 2010 Proyeksi Penduduk Provinsi Riau 2010-2015 Menggunakan Meode Campuran Ari Budi Uomo, Yaya Karyana, Tei Sofia Yani Program Sudi Saisika, Universias Islam Bandung
Lebih terperinciPENGARUH STRATEGI PEMBELAJARAN GENIUS LEARNING TERHADAP HASIL BELAJAR FISIKA SISWA
ISSN 5-73X PENGARUH STRATEGI PEMBELAJARAN GENIUS LEARNING TERHADAP HASIL BELAJAR ISIKA SISWA Henok Siagian dan Iran Susano Jurusan isika, MIPA Universias Negeri Medan Jl. Willem Iskandar, Psr V -Medan
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 terperinciLIMIT FUNGSI. 0,9 2,9 0,95 2,95 0,99 2,99 1 Tidak terdefinisi 1,01 3,01 1,05 3,05 1,1 3,1 Gambar 1
LIMIT FUNGSI. Limi f unuk c Tinjau sebuah fungsi f, apakah fungsi f ersebu sama dengan fungsi g -? Daerah asal dari fungsi g adalah semua bilangan real, sedangkan daerah asal fungsi f adalah bilangan real
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.. Hasil Peneliian 4... Daa Hasil Peneliian Dari hasil peneliian diperoleh daa kemampuan dribble. hasilnya sebagai mana pada abel I (dilampirkan) 4... Deskripsi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu
BAB 2 TINJAUAN PUSTAKA 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan apa yang erjadi pada waku yang akan daang sedangkan rencana merupakan penenuan apa yang akan dilakukan pada waku yang
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 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 terperinciADOPSI REGRESI BEDA UNTUK MENGATASI BIAS VARIABEL TEROMISI DALAM REGRESI DERET WAKTU: MODEL KEHILANGAN AIR DISTRIBUSI DI PDAM SUKABUMI
ADOPSI REGRESI BEDA UNTUK MENGATASI BIAS VARIABEL TEROMISI DALAM REGRESI DERET WAKTU: MODEL KEHILANGAN AIR DISTRIBUSI DI PDAM SUKABUMI Yusep Suparman Universias Padjadjaran yusep.suparman@unpad.ac.id ABSTRAK.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju-laju
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Definisi Peramalan Peramalan adalah suau kegiaan dalam memperkirakan aau kegiaan ang melipui pembuaan perencanaan di masa ang akan daang dengan menggunakan daa masa lalu dan daa masa
Lebih terperinciPENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA
PENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA Leopoldus Ricky Sasongko, Lydia Ninuk Rahayu, dan Alberh Roy Koa 3,,3 Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias
Lebih terperinciBAB 1 PENDAHULUAN. tahun 1990-an, jumlah produksi pangan terutama beras, cenderung mengalami
11 BAB 1 PENDAHULUAN 1.1. Laar Belakang Keahanan pangan (food securiy) di negara kia ampaknya cukup rapuh. Sejak awal ahun 1990-an, jumlah produksi pangan eruama beras, cenderung mengalami penurunan sehingga
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 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 terperinciIII. METODE PENELITIAN
39 III. METODE PENELITIAN 3.1 Waku dan Meode Peneliian Pada bab sebelumnya elah dibahas bahwa cadangan adalah sejumlah uang yang harus disediakan oleh pihak perusahaan asuransi dalam waku peranggungan
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1. Deskripsi Teori 3.1.1. Pengerian Peramalan Unuk membanu ercapainya suau kepuusan yang efisien unuk penjualan produknya, perusahaan memerlukan suau cara yang epa, sisemais dan
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 terperinciPERAMALAN JUMLAH PENUMPANG PADA PT
PERAMALAN JUMLAH PENUMPANG PADA PT. ANGKASA PURA I (PERSERO) KANTOR CABANG BANDAR UDARA INTERNASIONAL ADISUTJIPTO YOGYAKARTA DENGAN METODE WINTER S EXPONENTIAL SMOOTHING DAN SEASONAL ARIMA SKRIPSI Diajukan
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 terperinciDAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function)
DAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Sudi Aplikasi Model Inervensi dengan Sep Funcion) S-3 Kismianini dan Dhoriva Urwaul Wusqa Jurusan Pendidikan Maemaika
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1 Waku dan Lokasi Peneliian Peneliian ini dilakukan pada bulan Juni hingga Juli 2011 yang berlokasi di areal kerja IUPHHK-HA PT. Mamberamo Alas Mandiri, Kabupaen Mamberamo
Lebih terperinciStatistika Inferensi Tentang Ratarata Dua Populasi Independen
Saisika Inferensi Tenang aaraa Dua Populasi Independen Populasi aa-raa = µ (idak dikeahui) Sampel Ukuran = n (besar) aa-raa = X Deviasi Sandar = S Uji Hipoesis enang Perbedaan aa-raa Sampel Besar Saisik
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa
BAB 2 TINJAUAN TEORITI 2.1. Pengerian-pengerian Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. edangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciBAB 3 LANDASAN TEORI. peramalan, jenis-jenis peramalan, langkah-langkah peramalan, pemilihan teknik dan
BAB 3 LANDASAN TEORI 3. Peramalan Pada sub bab ini akan dibahas mengenai pengerian peramalan, kegunaan meode peramalan, jenis-jenis peramalan, langkah-langkah peramalan, pemilihan eknik dan meode peramalan,
Lebih terperinci1999 sampai bulan September Data ini diperoleh dari yahoo!finance.
7 999 sampai bulan Sepember 8. Daa ini diperoleh dari yahoo!finance. Meode Langkah-langkah pemodelan nilai harian IHSG secara garis besar dapa diliha pada Lampiran dengan penjelasan sebagai beriku:. Melakukan
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi dan Waku Peneliian Peneliian ini dilaksanakan pada kasus pengolahan ikan asap IACHI Peikan Cia Halus (PCH) yang erleak di Desa Raga Jaya Kecamaan Ciayam, Kabupaen Bogor,
Lebih terperinciBAB III METODE PENELITIAN
A III METODE PEELITIA Salah sau komponen peneliian yang mempunyai ari pening dalam kaiannya dengan proses sudi secara komprehensif adalah komponen meode peneliian. Meode peneliian menjelaskan bagaimana
Lebih terperinci3 METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian 3.2 Pengumpulan Data 3.3 Pengolahan dan Analisis Data Analisis catch per unit effort
3 METODE PENELITIAN 3. Waku dan Tempa Peneliian Peneliian dilaksanakan selama dua bulan dari bulan Agusus sampai Sepember 2008. Tempa yang dadikan obyek peneliian adalah Pelabuhan Perikanan Nusanara (PPN)
Lebih terperinciAPLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
Lebih terperinciPERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH
Vol.. No., 03 PERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH Ari Pani Desvina, Sari Marlinda, Jurusan Maemaika Fakulas Sains dan Teknologi
Lebih terperinciUSULAN PENERAPAN METODE KOEFISIEN MANAJEMEN (BOWMAN S) SEBAGAI ALTERNATIF MODEL PERENCANAAN PRODUKSI PRINTER TIPE LX400 PADA PT X
USULAN ENERAAN METODE KOEISIEN MANAJEMEN (BOMAN S) SEBAGAI ALTERNATI MODEL ERENCANAAN RODUKSI RINTER TIE LX400 ADA T X Hendi Dwi Hardiman Jurusan Teknik Manajemen Indusri - Sekolah Tinggi Manajemen Indusri
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 terperinciPEMBELAJARAN 5 STATISTIK NON PARAMETRIK
PEMBELAJARAN 5 STATISTIK NON PARAMETRIK Kompeensi Dasar paramerik. Mahasiswa memahami enang beberapa eknik analisis saisik non Indikaor Pencapaian Mahasiswa dapa: a. Menjelaskan, menghiung dan menerapkan
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 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 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 terperinci