Teknik Peramalan Melalui Pemulusan Data (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018
|
|
- Hamdani Susanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Teknik Peramalan Melalui Pemulusan Data (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018
2 The most crucial issue in simple moving averages is the choice of the span, N. A simple moving average will react faster to the changes if N is small. This means that as N gets small, the variance of the moving average gets bigger. This represents a dilemma in the choice of N. If the process is expected to be constant, a large N can be used whereas a small N is preferred if the process is changing. 2
3 3
4 4
5 5
6 6
7 7
8 8
9 9
10 Peramalan untuk satu waktu ke depan adalah: y ˆ ~ T 1 y T Karena pemulusan eksponensial sederhana adalah untuk data yang stasioner, maka ramalan untuk τ waktu ke depan (τ = 1, 2, 3,.) adalah : y ˆ ~ T y T 10
11 y~t y~t y~t y~ t = nilai termuluskan 11
12 Berikut data profit bulanan (dalam milyar) suatu perusahaan di bidang ekspor impor selama 10 bulan terakhir. a. Tentukan data termuluskan melalui teknik eksponensial sederhana dengan λ = Kemudian buat time-series plotnya bersama dengan data asal. b. Tentukan ramalan besarnya profit pada setiap satu waktu ke depan. Berapa ramalan profit pada bulan ke-11 dan ke-12? Bulan (t) Profit (Y t )
13 a. Tentukan data termuluskan melalui teknik eksponensial sederhana dengan λ = Kemudian buat time-series plotnya bersama dengan data asal. Bulan (t) y t y~t ~ y0 y 13
14 yt ES Bulan (t) 14
15 b. Tentukan ramalan besarnya profit pada setiap satu waktu ke depan. Berapa ramalan profit pada bulan ke-11 dan ke-12?. Bulan (t) y t Ramalan ( ) y~t yˆ T 1 15
16 16
17 17
18 18
19 19
20 First-order exponential smoothing hanya sesuai untuk data deret waktu yang stasioner. Apabila data deret waktu tidak stasioner (mengandung trend) dapat menggunakan secondorder exponential smoothing. 20
21 21
22 22
23 23
24 24
25 25
26 26
27 Some time series data exhibit cyclical or seasonal patterns that cannot be effectively modeled using the polynomial model. The exponential smoothing techniques that can be used in modeling seasonal time series. The methodology was originally introduced by Holt and Winters and is generally known as Winters' method. The seasonal adjustment is made to the linear trend model. Two types of adjustments are suggested additive and multiplicative. 27
28 28
29 29
30 30
31 31
32 32
33 Silakan baca : Montgomery, et.al (hlm ) 33
34 # Simple Exponential Smoothing (SES) # Data bisa di download di: # contains total annual rainfall in inches for London, # from (original data from Hipel and McLeod, 1994). library("forecast") library("ttr") library("graphics") hujan <- scan("1-precip1.dat.txt",skip=1) hujan.ts <- ts(hujan, start=c(1813)) # 1. Exponential Smoothing : nilai alpha tertentu hujan.ses <- HoltWinters(hujan.ts, alpha = 0.25, beta=false, gamma=false) hujan.ses hujan.ses$sse hujan.ses$fitted plot(hujan.ses) points(hujan.ts) 34
35 # Ramalan untuk 5 waktu ke depan library("forecast") hujan.ramal <- forecast.holtwinters(hujan.ses, h=5) hujan.ramal plot(hujan.ramal) # 2. Exponential Smoothing : alpha optimum hujan.ses <- HoltWinters(hujan.ts, beta=false, gamma=false) hujan.ses hujan.ses$sse hujan.ses$fitted plot(hujan.ses) points(hujan.ts) 35
36 Smoothing parameters: alpha: 0.25 beta : FALSE gamma: FALSE > hujan.ses$sse [1] > hujan.ses$fitted Time Series: Start = 1814 End = 1912 Frequency = 1 xhat level
37 Garis Merah : Data termuluskan (alpha = 0.25) 37
38 > hujan.ramal Point Forecast Lo 80 Hi 80 Lo 95 Hi Call: HoltWinters(x = hujan.ts, beta = FALSE, gamma = FALSE) Smoothing parameters: alpha: # alpha-optimum beta : FALSE gamma: FALSE > hujan.ses$sse # SSE terkecil akibat alpha optimum [1]
39 Fungsi HoltWinters (alpha =, beta=, gamma= ) dalam program R merupakan fungsi umum untuk pemulusan eksponensial. Misalnya, pemulusan eksponensial sederhana (SES) merupakan kasus khusus pada fungsi HoltWinters dengan beta=false dan gamma=false. Data yang mengandung tren (beta) dan musiman (gamma) dapat menggunakan HoltWinters untuk berbagai nilai beta dan gamma termasuk nilai optimumnya. 39
40 # Metode Holt-Winters # Data bisa di download di: # contains monthly sales for a souvenir shop at a beach resort town # in Queensland, Australia, for January 1987-December 1993, # (original data from Wheelwright and Hyndman, 1998) library("forecast") library("ttr") library("graphics") souv <- scan("3-fancy.dat.txt") souv.ts <- ts(souv, frequency=12, start=c(1987,1)) logsouv.ts <- log(souv.ts) ts.plot(logsouv.ts) points(logsouv.ts) # Holt-Winters logsouv.hw <- HoltWinters(logsouv.ts) logsouv.hw plot(logsouv.hw) points(logsouv.ts) logsouv.hw$sse logsouv.hw$fitted 40
41 # Ramalan untuk 3 musim ke depan (h = 3x12 = 36) library("forecast") logsouv.ramal <- forecast.holtwinters(logsouv.hw, h=36) logsouv.ramal plot.forecast(logsouv.ramal) 41
42 Call: HoltWinters(x = logsouv.ts) Smoothing parameters: alpha: beta : 0 gamma: # Nilai optimum > logsouv.hw$sse [1] > logsouv.hw$fitted xhat level trend season Jan Feb Mar Apr Oct Nov Dec
43 Garis Merah : Data termuluskan 43
44 > logsouv.ramal Point Forecast Lo 80 Hi 80 Lo 95 Hi 95 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
45 45
46 1. Exercises 4.1 (Montgomery, hlm. 220). Selesaikan pertanyaan poin (a) s.d. (c) menggunakan Excel. Selesaikan pertanyaan poin (a) s.d. (c) menggunakan Program R. Apa kesimpulan Anda? 46
47 2. Exercises 4.31 (Montgomery, hlm. 228). Selesaikan pertanyaan poin (a) s.d. (c) menggunakan Program R. Apa kesimpulan Anda? 47
48 Montgomery, D.C., et.al Forecasting Time Series Analysis 2nd. John Wiley. Cryer, J.D. and Chan, K.S Time Series Analysis with Application in R. Springer. Cowpertwait, P.S.P. and Metcalfe, A.V Introductory Time Series with R. Springer New York. Wei, William, W.S Time Series Analysis, Univariate and Multivariate Methods. Adison-Wesley Publishing Company Inc, Canada. 48
49 Bisa di-download di kusmansadik.wordpress.com 49
50 50 50
Teknik Peramalan Melalui Pemulusan Data (Smoothing) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018
Teknik Peramalan Melalui Pemulusan Data (Smoothing) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018 This part presents some basic statistical methods essential to modeling, analyzing, and forecasting
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018 1 a. Misalkan data asal Y t. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal sehingga
Lebih terperinciDr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016
1 Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 This part presents some basic statistical methods essential to modeling, analyzing, and forecasting time series data. Both graphical displays and
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017 1 Ada tiga tahapan iteratif dalam pemodelan data deret waktu yang berbasis model ARIMA, yaitu: 1. Penentuan model
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 1 a. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal. b. Lakukan pendugaan parameter pada
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 016 1 Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu: 1. Penentuan model tentatif (spesifikasi model)
Lebih terperinciKuliah 2 Metode Peramalan Deret Waktu
Kuliah 2 Metode Peramalan Deret Waktu rahmaanisa@apps.ipb.ac.id REVIEW Tentukan pola dari data deret waktu berikut: Gambar (1) Gambar (2) Gambar (3) Gambar (4) 2 Kriteria kebaikan peramalan data deret
Lebih terperinciExponential Smoothing with Damped Trend Arum H. Primandari
ALLPPT.com _ Free PowerPoint Templates, Diagrams and Charts Exponential Smoothing with Damped Trend Arum H. Primandari Rob J. Hyndman https://robjhyndman.com/ Pendahuluan Klasifikasi Pegels yang terdiri
Lebih terperinciThis is a widely used forecasting technique. be especially accurate, www,clt,astate,edu/crbrown/smoothing07,ppt
Proses Pemulusan usa Data Exponential smoothing This is a widely used forecasting technique in retailing, even though it has not proven to be especially accurate, www,clt,astate,edu/crbrown/smoothing07,ppt
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 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 terperinciIII. MATEMATIKA DAN STATISTIKA APLIKASI (S.1) EFEK PERUBAHAN POLA CUACA PADA DEBIT AIR MASUK DI WADUK SAGULING
III. MATEMATIKA DAN STATISTIKA APLIKASI (S.1) EFEK PERUBAHAN POLA CUACA PADA DEBIT AIR MASUK DI WADUK SAGULING Yurian Yudanto (yurian.yudanto@yahoo.com) Jurusan Statistika, Fakultas Matematika dan Ilmu
Lebih terperinciSpesifikasi Model. a. ACF
Dept. Statistika IPB, 0 Spesifikasi Model Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu:. Penentuan model tentatif (spesifikasi model) berdasarkan data contoh untuk mengidentifikasi
Lebih terperinciMetode Pemulusan Eksponensial Sederhana
Metode Pemulusan Eksponensial Sederhana (Single Exponential Smoothing) KULIAH 3 METODE PERAMALAN DERET WAKTU rahmaanisa@apps.ipb.ac.id Review Untuk apa metode pemulusan (smoothing) dilakukan terhadap data
Lebih terperinciWinita Sulandari, M.Si MODUL PRAKTIKUM METODE PERAMALAN. menggunakan
Winita Sulandari, M.Si MODUL PRAKTIKUM METODE PERAMALAN menggunakan Jurusan Matematika FMIPA UNS 2013 PENGANTAR Modul praktikum ini bertujuan mengenalkan kepada mahasiswa tentang bagaimana menggunakan
Lebih terperinciBAB 4 HASIL DAN BAHASAN
BAB 4 HASIL DAN BAHASAN 4.1 Hasil dan Bahasan 4.1.1 Penentuan Suku Cadang Prioritas Untuk menentukan suku cadang prioritas pada penulisan tugas akhir ini diperlukan data aktual permintaan filter fleetguard
Lebih terperinciPendahuluan. Dr. Kusman Sadik, M.Si Departemen Statistika IPB, Semester Genap 2017/2018
Pendahuluan Dr. Kusman Sadik, M.Si Departemen Statistika IPB, Semester Genap 2017/2018 Analisis Statistika (STK511) 2 Dr. Kusman Sadik, M.Si Dr. Farit M Affendi, M.Si Akbar Rizki, M.Si Pika Silvianti,
Lebih terperinciSKRIPSI APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING. Disusun oleh: DANI AL MAHKYA
APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING SKRIPSI Disusun oleh: DANI AL MAHKYA 24010210141025 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciPendahuluan. Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018
Pendahuluan Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018 Analisis Statistika (STK511) 2 Dr. Kusman Sadik, M.Si Dr. Farit M Affendi, M.Si Akbar Rizki, M.Si 3 Mata kuliah ini menjelaskan karakteristik
Lebih terperinciBAB I PENDAHULUAN. untuk item yang diproduksi. Peramalan ini berguna sebagai dasar untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Tahap pertama dalam perencanaan dan pengendalian produksi bila produksi bertipe made to stock adalah menentukan suatu peramalan akurat dari permintaan untuk
Lebih terperinciMATHunesa Jurnal Ilmiah Matematika Volume 3 No.6 Tahun 2017 ISSN
MATHunesa Jurnal Ilmiah Matematika Volume 3 No.6 Tahun 2017 ISSN 2301-9115 FORECASTING FITNESS GYM MEMBERSHIP PADA PUSAT KEBUGARAN THE BODY ART FITNESS, AEROBIC & POOL MENGGUNAKAN METODE EXPONENTIAL SMOOTHING
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Sejarah Umum Perusahaan Saputra Plastik adalah perusahaan yang bergerak dalam bidang pemasaran berbagai jenis plastik seperti PP, PE, HD, dan Tali Plastik ; didirikan pada
Lebih terperinciMODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE
MODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE Data yang digunakan adalah data M2Trend.wf1 (buku rujukan pertama, bab-8). Model analisisnya adalah Xt = M2 diregresikan dengan t = waktu. Model yang akan
Lebih terperinciAnalisis Deret Waktu
Analisis Deret Waktu Pertemuan 2 Cross section Jenis Data Beberapa pengamatan diamati bersama sama pada periode waktu tertentu Harga saham semua perusahaan yang tercatat di BEJ pada hari Rabu 27 Februari
Lebih terperinciBAB V ANALISA DAN PEMBAHASAN
BAB V ANALISA DAN PEMBAHASAN 5.1 Peramalan Kebutuhan Bahan Baku Pada bab ini berisikan tentang analisa hasil dari pengolahan data dalam perhitungan Forecasting dan MRP tepung terigu untuk 12 bulan yang
Lebih terperinciHarwein et al., Peramalan Data Times Series Kebutuhan Tepung Terigu Sebagai Bahan Baku Pembuatan Roti...
TEKNOLOGI HASIL PERTANIAN PERAMALAN DATA TIMES SERIES KEBUTUHAN TEPUNG TERIGU SEBAGAI BAHAN BAKU PEMBUATAN ROTI (Studi Kasus di PT. Inti Cakrawala Citra Jember Jawa Timur) FORECASTING OF WHEAT FLOUR AS
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 terperinci1. Latar Belakang. 2. Tinjauan Pustaka
1. Latar Belakang Indonesia mempunyai kompleksitas dalam fenomena cuaca dan iklim. Atmosfer diatas Indonesia sangat kompleks dan pembentukan awannya sangat unik. Secara latitudinal dan longitudinal, Indonesia
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 2339-254 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 205, Halaman 957-966 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PREDIKSI NILAI KURS DOLLAR AMERIKA MENGGUNAKAN EXPONENTIAL SMOOTHING
Lebih terperinciMetode Peramalan Deret Waktu. Pika Silvianti, M.Si Akbar Rizki, M.Si
Metode Peramalan Deret Waktu Pika Silvianti, M.Si Akbar Rizki, M.Si Toleransi 15 menit Absen Pakaian Sopan dan Rapi Pengguna kaos pendek/tanpa lengan dan ketat dilarang mengikuti perkuliahan Pengguna sandal
Lebih terperinciHASIL DAN PEMBAHASAN . BP D-1
13 a. Ambil contoh acak (n s =n) X, X,.., X dari n data original. Pengambilan sampel dilakukan tanpa pemulihan. b. Berdasarkan bootstrap sample, hitung bootstrap CUSUM, notasikan S, S,, S c. Hitung S,
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 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 terperinciHasil Peramalan dengan Menggunakan Software Minitab
71 Lampiran 1. Hasil Peramalan dengan Menggunakan Software Minitab Moving Average Data C1 Length 12 NMissing 0 Moving Average Length 4 Accuracy Measures MAPE 25 MAD 54372 MSD 4819232571 Time C1 MA Predict
Lebih terperinciPemodelan Beban Sistem Listrik Jawa-Bali dengan Menggunakan Pendekatan Flexible Seasonality Forecasting
Prosiding Seminar Nasional Matematika, Universitas Jember, 19 November 2014 121 Pemodelan Beban Sistem Listrik Jawa-Bali dengan Menggunakan Pendekatan Flexible Seasonality Forecasting (Electricity Demand
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 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 terperinciDr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016
1 Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 Analisis Statistika (STK511) 2 2 Dr. Kusman Sadik, M.Si Dr. I Made Sumertajaya, MS Pika Silvianti, M.Si 3 3 Nama Mhs PS (STT/STK) Asal instansi
Lebih terperinciPEMODELAN PERAMALAN PENJUALAN PAKAN UDANG PADA PT CENTRAL PROTEINA PRIMA, TBK DENGAN METODE PEMULUSAN EKSPONENSIAL (EXPONENTIAL SMOOTHING) SKRIPSI
PEMODELAN PERAMALAN PENJUALAN PAKAN UDANG PADA PT CENTRAL PROTEINA PRIMA, TBK DENGAN METODE PEMULUSAN EKSPONENSIAL (EXPONENTIAL SMOOTHING) SKRIPSI HERRIJUNIANTO PURBA 130823002 DEPARTEMEN MATEMATIKA FAKULTAS
Lebih terperinciPERBANDINGAN METODE RUNTUN WAKTU FUZZY-CHEN DAN FUZZY- MARKOV CHAIN UNTUK MERAMALKAN DATA INFLASI DI INDONESIA
ISSN: 339-541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 015, Halaman 917-96 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN METODE RUNTUN WAKTU FUZZY-CHEN DAN FUZZY- MARKOV CHAIN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Permintaan (Forecast Demand) Peramalan permintaan atau forecast demand (FD) adalah peramalan kuantitas permintaan sesuatu (barang atau jasa) dimasa yang akan
Lebih terperinciData Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun Tahun Bulan Wisman
Lampiran 1. Data Tingkat Hunian Hotel di Propinsi DIY Tahun 1991-2003 48 49 Lampiran 1 Data Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun 1991-2003, Tahun Bulan Wisman 1991 1 27,00 1991 2 30,60
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 terperinciPendahuluan. Metode Peramalan:
MOVING AVERAGES Pendahuluan Metode Peramalan: Metode Perataan: Equally weighted observations Metode pemulusan eksponensial (exponential smoothing) Pembobotan yang tidak sama pada data historis, dimana
Lebih terperinciPERAMALAN PENENTUAN JUMLAH PERMINTAAN KONSUMEN BERBASIS TEKNOLOGI INFORMASI TERHADAP PRODUK BORDIR PADA KOTA TASIKMALAYA
PERAMALAN PENENTUAN JUMLAH PERMINTAAN KONSUMEN BERBASIS TEKNOLOGI INFORMASI TERHADAP PRODUK BORDIR PADA KOTA TASIKMALAYA Lies Sunarmintyastuti 1, Salman Alfarisi 2, Fitria Sari Hasanusi 3 Program Studi
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Tabel 5.1 Total Hasil Penjualan
BAB 5 HASIL DAN PEMBAHASAN 5. Penyajian Data Tabel 5. Total Hasil Penjualan Total Hasil Penjualan Bulan (dalam jutaan rupiah) Jan-04 59.2 Feb-04 49.2 Mar-04 57.7 Apr-04 53.2 May-04 56.3 Jun-04 60.2 Jul-04
Lebih terperinciLAPORAN PRAKTIKUM MODUL I PERAMALAN
LAPORAN PRAKTIKUM MODUL I PERAMALAN Disusun oleh: Kelompok II 1. Ari Handayani (4409216094) 2. Caecilia Eka A.W.S. (4409216097) 3. Dwi Darmawan Saputra (4409216100) LABORATORIUM SISTEM PRODUKSI FAKULTAS
Lebih terperinciUSULAN PENGENDALIAN KEBUTUHAN PERSEDIAAN MENGGUNAKAN METODE ECONOMIC ORDER QUANTITY DI PT. INDOTRUCK UTAMA CABANG JAKARTA
USULAN PENGENDALIAN KEBUTUHAN PERSEDIAAN MENGGUNAKAN METODE ECONOMIC ORDER QUANTITY DI PT. INDOTRUCK UTAMA CABANG JAKARTA Meri Prasetyawati, Umi Marfuah, Gofan Wijaya Jurusan Teknik Industri, Fakultas
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Pengumpulan Data Data aktual konsumsi bahan bakar minyak solar oleh alat-alat berat dan produksi yang dipergunakan PT. Pamapersada Nusantara adalah data konsumsi bahan bakar
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 Edisi... Volume..., Bulan 20.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 SISTEM PERAMALAN DAN MONITORING PERSEDIAAN OBAT DI RSPG CISARUA BOGOR DENGAN MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING DAN REORDER POINT Nendang
Lebih terperinciTeknik Forecasting. Pendekatan Basis Teknik Hasil Peramalan ekstrapolatif
Teknik Forecasting Pendekatan Basis Teknik Hasil Peramalan ekstrapolatif Ekstrapolasi trend Analisis rangkaian-waktu Teknik benang-hitam Teknik OLS Pembobotan eksponensial Transformasi data Metode katastrofi
Lebih terperinciAnalisis Metode Peramalan Permintaan Terbaik Produk Oxycan pada PT. Samator Gresik
Analisis Metode Peramalan Permintaan Terbaik Produk Oxycan pada PT. Samator Gresik Eucharistia Yacoba Nugraha* ) dan I Wayan Suletra 2) ) Mahasiswa program Studi Teknik Industri, Fakultas Teknik, Universitas
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 terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1 PEMBUATAN APLIKASI PERAMALAN JUMLAH PERMINTAAN PRODUK DENGAN METODE TIME SERIES EXPONENTIAL SMOOTHING HOLTS WINTER DI PT. TELEKOMUNIKASI INDONESIA Tbk.
Lebih terperinciPrediksi Curah Hujan Bulanan Untuk Kegiatan Pertanian/Perkebunan. Menggunakan Metoda SARIMA. (Seasonal Autoregressive Integrated Moving Average) :
Prediksi Curah Hujan Bulanan Untuk Kegiatan Pertanian/Perkebunan Menggunakan Metoda SARIMA (Seasonal Autoregressive Integrated Moving Average) : Studi Kasus di Kabupaten Semarang Jawa Tengah Indonesia
Lebih terperinciData Deret Waktu PUSTAKA. pertanian
Materi Peruliahan Poo Bahasan Periraan Watu Pendahuluan Metode Pemulusan Rataan Bergera 3 Metode Pemulusan Esponensial dan Metode Winter Konsep Dasar Pemodelan Data Deret Watu Analisis Deret Watu STK3
Lebih terperinciTeknik Proyeksi Bisnis (Forecasting)
Halaman Judul MODUL PERKULIAHAN Teknik Proyeksi Bisnis (Forecasting) Oleh: Andi Ratna Sari Dewi Ratna_fe@unhas.ac.id a.ratnasaridewi@gmail.com DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN BISNIS UNIVERSITAS
Lebih terperinciGARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: S1 SISTEM INFORMASI Semester : Genap
GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: S1 SISTEM INFORMASI Semester : Genap Berlaku mulai: Genap/2010 MATA KULIAH : TEKNIK PERAMALAN KODE MATA KULIAH/ SKS : 410103096 / 3 SKS MATA KULIAH PRASYARAT
Lebih terperinciLAMPIRAN 1. Catylac New, Catylac Exterior Base, Catylac Exterior.
L1 LAMPIRAN 1 Spesifikasi produk : Catylac New, Catylac Exterior Base, Catylac Exterior. Cat Catylac adalah cat yang berfungsi sebagai pelapis serta pelindung dari hujan dan memberikan varian warna yang
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 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 terperinciANALISIS PERAMALAN SUKU CADANG HYDRAULIC OIL FILTER KOMATSU DI PT KOMATSU MARKETING AND SUPPORT INDONESIA
ANALISIS PERAMALAN SUKU CADANG HYDRAULIC OIL FILTER KOMATSU DI PT KOMATSU MARKETING AND SUPPORT INDONESIA NAMA MAHASISWA : Galih Trisno Saputra Instansi : -- Alamat : -- Telp : -- Email Penulis : galihtrisno@ymail.com
Lebih terperinciAPLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 605-614 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA
Lebih terperinciLECTURE 12 Analisis Dekomposisi dan Model Runtut Waktu
LECTURE 12 Analisis Dekomposisi dan Model Runtut Waktu DR. MUDRAJAD KUNCORO, M.Soc.Sc Fakultas Ekonomi & Pascasarjana UGM Outline: Akar Unit Exponential Smoothing Moving Average Trend Proyeksi Apa Arti
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 terperinciMinggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING. Peramalan Data Time Series
Minggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING Bab ini memperkenalkan model berlaku unuk daa ime series dengan musiman, ren, aau keduana komponen musiman dan ren dan daa sasioner. Meode peramalan
Lebih terperinciBAB 1 PENDAHULUAN. Pasar global dewasa ini tanpa disadari telah membuat kompetisi di dalam dunia
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Pasar global dewasa ini tanpa disadari telah membuat kompetisi di dalam dunia perindustrian menjadi hal yang lebih penting. Pasar yang dulunya pada masa Perang
Lebih terperinciPendahuluan. Metode Peramalan:
MOVING AVERAGES Pendahuluan Metode Peramalan: Metode Perataan: Equally weighted observations Metode pemulusan eksponensial (exponential smoothing) Pembobotan yang tidak sama pada data historis, dimana
Lebih terperinciAnalisis Hubungan Deret Waktu untuk Peramalan
Analisis Hubungan Deret Waktu untuk Peramalan Author: Junaidi Junaidi Ramalan (forecast) merupakan dugaan atau perkiraan mengenai terjadinya suatu kejadian atau peristiwa di waktu yang akan datang. Ramalan
Lebih terperinciBAB I PENDAHULUAN. yang ada pada CV. Agung Jaya Cabang Pabean diperoleh dari supplier atau
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah CV. Agung Jaya Cabang Pabean adalah cabang perusahaan CV. Agung Jaya Kalang Anyar Sedati. CV. Agung Jaya Cabang Pabean merupakan distributor alat tulis kantor
Lebih terperinciANALISIS RAMALAN PENJUALAN DAN PENGENDALIAN PERSEDIAAN BAHAN BAKU PADA PT. INDAC INT L
ANALISIS RAMALAN PENJUALAN DAN PENGENDALIAN PERSEDIAAN BAHAN BAKU PADA PT. INDAC INT L Eman Lesmana 1, Betty Subartini 2, Dede Abdul Jabar 3 Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB I PENDAHULUAN. konstan, namun ada beberapa periode yang memperlihatkan keadaan yang ekstrim.
1 BAB I PENDAHULUAN 1.1. Latar Belakang Variasi dan keadaan curah hujan yang terjadi, tidaklah selalu tetap dan konstan, namun ada beberapa periode yang memperlihatkan keadaan yang ekstrim. Pada umumnya,
Lebih terperinciSALESMANSHIP PELUANG PASAR DAN PERAMALAN PENJUALAN. Ariadne Sekar Sari, S.E., M.M. Modul ke: Fakultas EKONOMI DAN BISNIS
Modul ke: 05 Christina Fakultas EKONOMI DAN BISNIS SALESMANSHIP PELUANG PASAR DAN PERAMALAN PENJUALAN Ariadne Sekar Sari, S.E., M.M. Program Studi MANAJEMEN www.mercubuana.ac.id PENDAHULUAN SALESMANSHIP
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1. Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan
Lebih terperinciPERBANDINGAN METODE PEMULUSAN (SMOOTHING) EKSPONENSIAL GANDA DUA PARAMETER DARI HOLT DAN METODE BOX-JENKINS
PERBANDINGAN METODE PEMULUSAN (SMOOTHING) EKSPONENSIAL GANDA DUA PARAMETER DARI HOLT DAN METODE BOX-JENKINS DALAM MERAMALKAN HASIL PRODUKSI KERNEL KELAPA SAWIT PT. EKA DURA INDONESIA SKRIPSI EKA ARYANI
Lebih terperinciPROGRAM STUDI SISTEM INFORMASI FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER
PROGRAM STUDI SISTEM INFORMASI FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER PEMBUATAN APLIKASI PERAMALAN JUMLAH PERMINTAAN PRODUK DENGAN METODE TIME SERIES EXPONENTIAL SMOOTHING HOLTS
Lebih terperinciABSTRAK. vii. Universitas Kristen Maranatha
ABSTRAK Bisnis semakin berkembang dengan cepat membuat kompetisi di antara perusahaan semakin ketat. Hal ini membuat perusahaan mencari cara yang terbaik untuk mengatasi masalah persaingan, dimana untuk
Lebih terperinciSTATISTIKA. Tabel dan Grafik
STATISTIKA Organisasi Data Koleksi data statistik perlu disusun (diorganisir) sedemikian hingga dapat dibaca dengan jelas. Salah satu pengorganisasian data statistik adalah dengan: tabel grafik Organisasi
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA
RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA A. MATA KULIAH Nama Mata Kuliah : Analisa Deret Waktu Kode/sks : MAS 4133 / 3 Semester : V Status (Wajib/Pilihan) : Wajib (W) Prasyarat : MAS
Lebih terperinciCROSS SECTION. Data yang tidak berdasar waktu DATA STATISTIK BERDASARKAN PERSPEKTIF WAKTU TIME SERIES. Berbasis Waktu
1 CROSS SECTION DATA STATISTIK BERDASARKAN PERSPEKTIF WAKTU Data yang tidak berdasar waktu TIME SERIES Berbasis Waktu 2 DERET BERKALA (TIME SERIES) Suatu deret berkala merupakan suatu himpunan observasi
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS Oleh : Agustini Tripena ABSTRACT In this paper, forecasting the consumer price index data and inflation. The method
Lebih terperinciData Time Series. Time series merupakan data yang diperoleh dan disusun berdasarkan urutan waktu atau
Peramalan Data Time Series Data Time Series Time series merupakan data yang diperoleh dan disusun berdasarkan urutan waktu atau data yang dikumpulkan dari waktu ke waktu. Waktu yang digunakan dapat berupa
Lebih terperinciTREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA)
TREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) Jerhi Wahyu Fernanda, Wisnaningsih S, Emilia Boavida,, Prodi Rekam Medis Informasi Kesehatan Institut Ilmu Kesehatan
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.. Plotting Data Bahan baku komponen yang dipakai untuk membuat panel listrik jumlahnya cukup banyak dan beragam untuk masing-masing panel listrik yang dibuat. Jadi, penggunaan
Lebih terperinciABSTRACT. Universitas Kristen Maranatha
ABSTRACT PT. X is a private company engaged in the food production. PT. X produces 3 types of raw crackers such as onion crackers, yellow crackers and tongue crackers. Increase in number of food production
Lebih terperinciKOMENTAR DOSEN PENGUJI
DATA PENULIS Nama : I Made Sumaryana Alamat di Bandung : Jl. Cibogo Atas Gg. Siti Murgi No.24C, Bandung Alamat Asal : Jl. Gatot Subroto II No.4 Denpasar, Bali No. Telp Bandung : 022 2008468 No. Telp Asal
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA
RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA A. MATA KULIAH Nama Mata Kuliah : Metode Peramalan Kode/sks : MAS 4234 / 3 (2-1) Semester : VI Status (Wajib/Pilihan) : Pilihan (P) Prasyarat
Lebih terperinciBAB I PENDAHULUAN. menyebabkan persaingan dalam dunia bisnis semakin berkembang, karena
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan industri di Indonesia yang sekarang ini sedang berlangsung, menyebabkan persaingan dalam dunia bisnis semakin berkembang, karena banyaknya perusahaan baru
Lebih terperinciPENGENDALIAN KUALITAS STATISTIKA RUNTUN WAKTU DENGAN METODE FEEDBACK CONTROL DI PT. SEMEN GRESIK (PERSERO) TBK.
PENGENDALIAN KUALITAS STATISTIKA RUNTUN WAKTU DENGAN METODE FEEDBACK CONTROL DI PT. SEMEN GRESIK (PERSERO) TBK. SKRIPSI oleh: ADJI ACHMAD RINALDO FERNANDES 0001100233-95 PROGRAM STUDI STATISTIKA JURUSAN
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 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 terperinciAbstract. Keywords : fluctuating demand, aggregate planning, strategy. Universitas Kristen Maranatha
Abstract Setia Bakery Company is a private company engaged in the field of home industry. The type of products manufactured and sales are fresh bread. Increasing number of companies engaged in the food
Lebih terperinciPERAMALAN (FORECASTING) #2
#4 - Peramalan (Forecasting) #2 1 PERAMALAN (FORECASTING) #2 EMA302 Manajemen Operasional Model Trend Linear Multiplicative 2 Kecenderungan (trend). Komponen musiman (seasonal): rasio untuk model trend.
Lebih terperinciMagister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada. 18-Aug-17. Statistika Teknik.
Magister Pengelolaan Air dan Air Limbah Universitas Gadjah Mada Statistika Teknik Tabel dan Grafik Organisasi Data Koleksi data statistik perlu disusun (diorganisir) sedemikian hingga dapat dibaca dengan
Lebih terperinci1. PENDAHULUAN 2. KAJIAN PUSTAKA
1. PENDAHULUAN Perkebunan teh menjadi salah satu sektor potensial pembangunan Jawa Barat, karena telah mampu memberikan andil besar dalam kehidupan perekonomian. Sektor perkebunan teh memiliki fungsi ekonomi
Lebih terperinciPemodelan dan Peramalan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Variasi Kalender
Pemodelan dan Peramalan Penjualan Sepeda Motor di Surabaya dengan ARIMAX Variasi Kalender 1 Arinta Cahyaningtyas dan 2 Setiawan 1,2 Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-403
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 201-9271 A-0 Implementasi Fuzzy Neural Network untuk Memperkirakan Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Ani Rahmadiani dan Wiwik
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 terperinciPERAMALAN PRODUKSI PRODUK BATEEQ MENGGUNAKAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING PADA PT. EFRATA RETAILINDO SUKOHARJO
PERAMALAN PRODUKSI PRODUK BATEEQ MENGGUNAKAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING PADA PT. EFRATA RETAILINDO SUKOHARJO TUGAS AKHIR Diajukan untuk Memenuhi Syarat-syarat Mencapai Sebutan Ahli
Lebih terperinciTIME SERIES. Deret berkala dan Peramalan
TIME SERIES Deret berkala dan Peramalan Pendahuluan Deret berkala Time series Sekumpulan data yang dicatat dalam satu periode waktu Digunakan untuk meramalkan kondisi masa mendatang Dalam jangka pendek
Lebih terperinci