PENGGUNAAN ALGORITMA NONLINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PARAMETER DALAM METODE PEMULUSAN EKSPONENSIAL SATU PARAMETER

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENGGUNAAN ALGORITMA NONLINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PARAMETER DALAM METODE PEMULUSAN EKSPONENSIAL SATU PARAMETER"

Transkripsi

1 PENGGUNAAN ALGORITMA NONLINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PARAMETER DALAM METODE PEMULUSAN EKSPONENSIAL SATU PARAMETER Nama Mahasiswa : Eka Novi Nurhidayati NRP : Jurusan : Matematika Abstrak Ada beberapa parameter yang harus dievaluasi pada metode pemulusan eksponensial sehingga didapatkan parameter yang optimal yang memberikan ukuran kesalahan peramalan yang paling kecil. Untuk mendapatkan parameter yang optimal biasanya dicari dengan menggunakan metode coba dan salah (trial and error). Beberapa algoritma nonlinear programming dapat digunakan untuk menyelesaikan masalah optimasi tersebut. Dalam tugas akhir ini dicari parameter yang optimal dalam metode pemulusan eksponensial tunggal dengan menggunakan metode dichotomous search dan interpolasi kuadrat dengan bantuan software Matlab. Proses untuk mendapatkan nilai optimal dengan menggunakan metode dichotomous search membutuhkan 23 iterasi hingga didapatkan nilai optimal sebesar 0,2648 dan MAPE sebesar 11,8261%. Sedangkan dengan menggunakan metode interpolasi kuadrat membutuhkan empat iterasi dengan hasil yang optimal sebesar 0,2649 dan MAPE sebesar 11,8261%. Dapat dilihat dari hasil tersebut bahwa metode interpolasi kuadrat lebih efektif karena jumlah iterasi yang dibutuhkan lebih sedikit sehingga waktu yang dibutuhkan juga lebih efisien. Kata kunci : nonlinear programming, metode pemulusan eksponensial 1. Pendahuluan Menurut Makridakis (1989), peramalan (forecasting) merupakan kegiatan memprediksi nilai-nilai sebuah variabel berdasarkan nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan. Salah satu metodenya adalah metode pemulusan eksponensial. Beberapa metode yang umum digunakan dalam pemulusan eksponensial, yaitu: metode pemulusan eksponensial satu parameter (metode pemulusan eksponensial tunggal, metode pemulusan eksponensial ganda satu parameter dari Brown dan metode pemulusan eksponensial tripel satu parameter dari Brown), metode pemulusan eksponensial dua parameter (metode pemulusan eksponensial tunggal: pendekatan adaptif dan metode pemulusan ganda dua parameter dari Holt) dan metode pemulusan eksponensial tripel (tiga parameter) dari Winter.. Ada beberapa parameter yang harus dievaluasi dalam tiap metode pemulusan eksponensial. Pendekatan untuk menentukan parameter yang optimal biasanya dilakukan secara coba dan salah (trial and error). Makridakis (1999) menyatakan bahwa algoritma nonlinear programming dapat menyelesaikan masalah optimasi parameter ini dengan baik. Metode yang digunakan dalam algoritma nonlinear programming pada pengerjaan tugas akhir ini adalah metode dichotomous search (pencarian dikotomis) dan metode interpolasi kuadrat. Studi kasus pada tugas akhir difokuskan untuk mendapatkan parameter yang optimal pada metode pemulusan eksponensial tunggal dengan menggunakan algoritma nonlinear programming. Untuk mengevaluasi nilai parameter peramalan, digunakan ukuran error peramalan, yaitu persentase error absolut ratarata (mean absolute percentage error). Harga parameter peramalan yang terbaik adalah harga yang memberikan nilai error peramalan yang terkecil. 2. Metode Pemulusan Eksponensial Menurut Makridakis (1999), metode pemulusan eksponensial adalah metode yang menunjukkan penurunan secara eksponensial terhadap pembobotan pada observasi yang 1

2 lebih tua. Metode pemulusan eksponensial yang digunakan dalam pengerjaan tugas akhir ini adalah metode pemulusan eksponensial tunggal. 2.1 Metode Pemulusan Eksponensial Tunggal Metode ini menggunakan sebuah parameter α yang dibobotkan kepada data yang paling baru dan membobotkan nilai (1- α) kepada hasil peramalan periode sebelumnya (The Jin Ai, 1999) di mana harga α terletak antara 0 dan 1. Persamaan umum yang digunakan dalam metode ini adalah: (1) dengan: : ramalan untuk periode waktu (t+1) : data pada periode waktu ke-t : ramalan untuk periode waktu ke-t Menurut (Makridakis, 1999), karena nilai tidak diketahui, maka nilai ini dapat didekati dengan menggunakan nilai observasi pertama dan kemudian dilanjutkan dengan menghitung pada persamaan (1). Kemungkinan lainnya adalah merata-ratakan empat atau lima nilai pertama dalam kelompok data dan menggunakannya sebagai ramalan pertama. 2.2 Ukuran Error Peramalan Ukuran error peramalan digunakan untuk mengevaluasi harga parameter peramalan. Harga parameter peramalan yang terbaik adalah harga yang memberikan nilai error peramalan yang terkecil. Dalam tugas akhir ini, ukuran error peramalan yang akan digunakan adalah persentase error absolut rata-rata (Mean Absolute Pecentage Error). Rumus umum yang digunakan adalah: MAPE = Suatu model mempunyai kinerja sangat baguss jika nilai MAPE berada di bawah 10%, dan mempunyai kinerja bagus jika nilai MAPE berada di antara 10% dan 20% (Zainun dan Majid, 2003). 3. Algoritma Nonlinear Programming Nonlinear programming dapat diaplikasikan pada suatu kasus dimana fungsi f(x) merupakan nonlinear atau nilai x ditentukan oleh persamaan atau pertidaksamaan nonlinear. (Bertsekas, 1999) Algoritma nonlinear programming yang digunakan pada tugas akhir ini adalah sebagai berikut: 3.1 Metode Dichotomous Search (Pencarian Dikotomis) Langkah-langkah pengerjaan pada metode dichotomous search (pencarian dikotomis) untuk meminimalkan nilai f(x) dalam selang [ ] adalah sebagai berikut (Sharma, 2006): 1. Titik dan dipilih sedemikian hingga, = (2) dan anggap bahwa, Δ= (3) 2. Dengan menyelesaikan persamaan (2) dan (3) didapatkan, 3. Setelah mendapatkan nilai dan, berlaku tiga kasus yaitu: a. Jika f, maka (x yang optimum) terdapat di antara dan. b. Jika f, maka. c. Jika f, maka. Proses untuk mencari nilai x yang optimal yang meminimalkan nilai f(x) merupakan suatu proses iterasi, di mana proses akan berhenti ketika selisih nilai dan sangat kecil. Saat selisihnya sangat kecil, maka didapatkan nilai x yang optimal sama dengan ( )/ Metode Interpolasi Kuadrat Dari persamaan umum fungsi kuadrat, dipilih tiga titik,, sehingga didapatkan: (4) (5) (6). Kemudian dengan menyelesaikan persamaan (4), (5) dan (6) diperoleh nilai a dan b sebagai berikut: a= (7) b= (8). Untuk mendapatkan nilai minimum dari persamaan umum fungsi kuadrat dapat diperoleh dengan menggunakan turunan pertama: 2

3 Nilai x yang minimum disimbolkan dengan, maka. Langkah selanjutnya substitusikan persamaan (7) dan (8) ke, didapatkan: Sebuah titik pendekatan awal diberikan dan, dengan adalah panjang langkah. Telah disebutkan di awal bahwa tujuan algoritma ini adalah untuk meminimalkan fungsi f(x), maka titik ketiga dipilih berdasarkan syarat berikut: 1., jika f( ) < f( ) 2., jika f( ) > f( ). Proses untuk mencari nilai yang meminimalkan nilai f(x) merupakan suatu proses iterasi. Untuk mendapatkan keakuratan yang diinginkan, proses iterasi akan berhenti saat nilai yang berurutan selisihnya sangat kecil. 4. Metodologi Penelitian Obyek penelitian yang difokuskan pada tugas akhir ini adalah mendapatkan parameter yang optimal dalam metode pemulusan eksponensial tunggal dengan menggunakan algoritma nonlinear programming. Langkah pengerjaan yang dilakukan dalam tugas akhir ini adalah sebagai berikut: a. Studi Pendahuluan Menurut The Jin Ai (1999), evaluasi parameter peramalan dalam peramalan pemulusan eksponensial dengan satu parameter merupakan permasalahan nonlinear programming yang amat khusus. Fungsi obyektifnya adalah ukuran kesalahan peramalan, masalah yang dihadapi adalah minimasi. Variabel yang ada hanya satu yaitu parameter peramalan, kendala yang ada harga variabel terletak antara 0 dan 1. Secara umum evaluasi parameter peramalan dalam metode pemulusan eksponensial dapat dituliskan sebagai: Minimasi: y = f(α) Kendala: 0 α 1 dengan: y : ukuran error peramalan α : parameter peramalan Untuk menghitung fungsi obyektif pada suatu harga variabel (y = f(α)) diperlukan langkah perhitungan yang panjang. Dari semua data pada periode waktu yang diketahui, nilai ramalan untuk masing-masing periode dihitung menggunakan kumpulan persamaan metode yang dikehendaki. Kemudian ukuran kesalahan peramalan dihitung berdasarkan pada periode waktu yang dapat diramalkan dan yang datanya ada. b. Mendapatkan Parameter yang Optimal Langkah-langkah yang dikerjakan untuk mendapatkan nilai parameter yang optimal adalah sebagai berikut: i. Mendapatkan data, di mana data yang digunakan pada pengerjaan tugas akhir ini berasal dari Tabel 3-10 buku Metode dan Aplikasi Peramalan (Makridakis, 1999). ii. Membuat program untuk metode dichotomous search dan interpolasi kuadrat dengan bantuan software matlab R2010a dan netbook Acer Aspire One Happy dengan CPU Intel Atom N550 serta memori 1GB DDR3. iii. Memasukkan data ke dalam program sehingga didapatkan output berupa nilai parameter yang optimal. c. Analisis Hasil Pada tahap ini dilakukan analisis hasil dari metode-metode dalam nonlinear programming yang dipakai, metode manakah yang paling efektif sehingga didapatkan parameter yang paling optimal. Keefektifan program dapat dilihat dari jumlah iterasi. d. Kesimpulan dan Saran. Pada tahap akhir pengerjaan ini dilakukan penarikan kesimpulan dari hasil pembahasan sebelumnya. Selanjutnya diberikan saran untuk perbaikan pada penelitian berikutnya. 5. Hasil Penelitian Data yang digunakan pada tugas akhir terdapat pada Tabel 1 yang berasal dari Tabel 3-10 buku Metode dan Aplikasi Peramalan (Makridakis, 1999). Data tersebut merupakan data ekspor kuartalan perusahaan Perancis tahun 1970 sampai

4 Tabel 1. Tabel Data Penelitian Tahun Kuartal Periode Penjualan Berikut ini adalah penjelasan singkat algoritma untuk mencari parameter optimal dan hasil running program yang telah dibuat dengan metode dichotomous search dan interpolasi kuadrat. 5.1 Metode Dichotomous Search Langkah pertama untuk mendapatkan parameter yang optimal adalah memasukkan nilai (delta) dan e. Nilai dan adalah interval di mana terdapat yang optimal. Nilai e nantinya akan menjadi pembatas berhentinya iterasi, di mana iterasi akan berhenti saat nilai kurang dari nilai e yang telah ditentukan. Sedangkan (delta) adalah selisih panjang antara dan. Kemudian didapatkan nilai dan yang akan dimasukkan ke dalam fungsi f. Variabel dan yang dimasukkan ke dalam fungsi sama dengan membandingkan dua parameter yang berbeda yang akan dimasukkan pada metode pemulusan eksponensial tunggal dan kemudian dihitung nilai ramalan dan MAPE dari masing-masing masukkan. Hanya terdapat dua kasus dari hasil perbandingan tersebut, yaitu: 1. Jika kurang dari maka nilai akan menggantikan nilai pada iterasi selanjutnya. 2. Jika lebih dari maka nilai akan menggantikan nilai pada iterasi selanjutnya, 3. Jika sama dengan maka nilai akan menggantikan nilai dan nilai akan menggantikan nilai pada iterasi selanjutnya. Selanjutnya akan dilakukan pengujian perubahan nilai pada dan untuk mendapatkan nilai error (E). Jika (nilai yang baru) sama dengan (nilai yang lama) maka didapatkan nilai, jika nilai (nilai yang baru) sama dengan (nilai yang lama) maka nilai, dan jika sama dengan maka nilai. Tetapi jika tidak memenuhi ketiga pengujian tersebut maka nilai. Kemudian pada tiap iterasi akan diuji apakah nilai E kurang dari e. Jika nilai tersebut kurang dari e maka iterasi akan berhenti dan didapatkan nilai yang optimal sama dengan. Setelah itu didapatkan hasil peramalan dengan menggunakan nilai yang optimal. Tetapi jika belum memenuhi syarat berhentinya iterasi, maka langkah selanjutnya adalah kembali ke langkah pertama. Berdasarkan hasil running program yang telah dilakukan dengan menggunakan software Matlab R2010a, dapat dihitung jumlah iterasi hingga mendapatkan nilai optimal, didapatkan nilai MAPE dari optimal, serta hasil plot antara nilai pada matriks alpha dan MAPE pada Gambar 1 dan plot antara data penelitian dan hasil peramalan dengan optimal pada Gambar 2. Nilai MAPE merupakan nilai f pada metode ini. Kemudian langkah selanjutnya adalah membandingkan (hasil MAPE dari ) dan (hasil MAPE dari ). 4

5 Gambar 1. Plot optimal dan MAPE ke-23 dengan nilai optimal adalah, dengan MAPE sama dengan 11,8261%. Jadi jumlah iterasi pada program dengan metode dichotomous search adalah Metode Interpolasi Kuadrat Langkah pertama adalah memasukkan nilai dan e (error). Nilai adalah titik pendekatan awal, adalah panjang langkah perhitungan dan nilai e akan menjadi pembatas berhentinya proses iterasi. Kemudian didapatkan nilai. Semua variabel pada fungsi harus terletak antara 0 dan 1, selanjutnya akan diuji nilai, ketika nilainya kurang dari 0 atau lebih dari 1 maka proses akan berhenti. Pengujian tersebut juga berlaku pada. Gambar 2. Plot Data Penelitian dan Hasil Peramalan dengan optimal Jumlah iterasi program dengan metode dichotomous search dapat dilihat pada Tabel 2. Tabel 2. Tabel Hasil Running Program dengan Metode Dichotomous Search Iterasi ke- alpha1 alpha2 error (%) 1 0 0, , ,2475 0, , ,2475 0, , ,2475 0, , ,2475 0, , ,2475 0,2730 5, ,2552 0,2730 6, ,2591 0,2730 5, ,2591 0,2710 0, ,2591 0,2701 0, ,2590 0,2701 4, ,2598 0,2701 3, ,2598 0,2699 0, ,2598 0,2699 0, ,2598 0,2699 0, ,2598 0,2698 0, ,2598 0,2698 0, ,2598 0,2698 3, ,2598 0,2698 3, ,2598 0,2698 3, ,2598 0,2698 3, ,2598 0,2698 3, ,2598 0,2698 4,3737. Pada iterasi ke-23 nilai error kurang dari 0,001%, maka iterasi berhenti setelah iterasi Nilai pada metode ini merupakan hasil perhitungan MAPE, dengan masukkan parameter pada metode pemulusan eksponensial. Langkah selanjutnya adalah membandingkan apakah kurang dari, jika iya maka nilai, tetapi jika tidak maka. Kemudian nilai juga akan diuji seperti pada pengujian nilai dan. Proses selanjutnya adalah mencari nilai (parameter yang optimal dan sementara). Selanjutnya akan diuji apakah kurang dari e, di mana nilai pada iterasi pertama tidak ada, maka perhitungan nilai errornya dimulai pada iterasi kedua. Jika nilai kurang dari e maka iterasi akan berhenti dan didapatkan nilai yang optimal sama dengan. Setelah itu didapatkan hasil peramalan dan MAPE dengan menggunakan nilai yang optimal. Tetapi jika belum memenuhi syarat berhentinya iterasi, maka langkah selanjutnya adalah kembali ke langkah pertama dengan α. Berdasarkan hasil running program yang telah dilakukan dengan menggunakan software Matlab R2010a, dapat dihitung jumlah iterasi hingga mendapatkan nilai yang optimal, didapatkan nilai MAPE dari yang optimal, serta hasil plot antara nilai pada matriks optimal dan MAPE pada Gambar 3 dan plot antara data penelitian dan hasil peramalan dengan optimal pada Gambar 4. 5

6 Gambar 3. Plot optimal dan MAPE Gambar 4. Plot Data Penelitian dan Hasil Peramalan dengan optimal Jumlah iterasi program dengan metode interpolasi kuadrat dapat dilihat pada Tabel 3. Tabel 3. Tabel Hasil Running Program dengan Metode Interpolasi Kuadrat Iterasi kealpha1 alpha2 alpha3 optimal error (%) 1 0,1000 0,1100 0,1200 0, ,2397 0,2497 0,2597 0,2553 6, ,2553 0,2653 0,2753 0,2649 3, ,2649 0,2749 0,2549 0,2649 2,0751. Pada iterasi ke-empat nilai error kurang dari 0,001%. Maka iterasi berhenti setelah iterasi ke-empat dengan optimal sama dengan 0,2649 dengan MAPE = 11,8261%. Jadi jumlah iterasi pada program dengan metode interpolasi kuadrat adalah empat. 6. Analisis Hasil Penentuan metode mana yang lebih efektif di antara metode dichotomous search dan interpolasi kuadrat dilihat pada iterasi ke berapa nilai error akhirnya kurang dari 0,001%. Proses untuk mendapatkan parameter yang optimal dengan menggunakan metode 6 dichotomous search akan berhenti ketika nilai error kurang dari 0,001%, yaitu pada iterasi ke empat saat nilai errornya sama dengan 4,3737. %. Sedangkan dengan menggunakan metode interpolasi kuadrat, nilai errornya lebih kecil dari 0,001% pada iterasi ke empat, yaitu saat nilai errornya sama dengan 2,0751. %. Maka metode interpolasi kuadrat lebih efektif daripada metode dichotomous search untuk mendapatkan parameter yang optimal dalam metode pemulusan eksponensial tunggal. 7. Penutup Berdasarkan keseluruhan hasil analisa yang telah dilakukan dalam penyusunan tugas akhir ini, dapat diperoleh kesimpulan sebagai berikut : a. Jumlah iterasi yang dibutuhkan untuk mendapatkan yang optimal dengan menggunakan metode dichotomous search adalah 23 iterasi dengan hasil optimal sama dengan 0,2648 dan MAPE sama dengan 11,8261%. b. Sedangkan dengan menggunakan metode interpolasi kuadrat, jumlah iterasi yang dibutuhkan hingga mendapatkan parameter yang optimal adalah empat iterasi, dengan hasil parameter yang optimal adalah 0,2649 dan MAPE sama dengan 11,8261%. c. Jadi metode yang lebih efektif untuk mendapatkan parameter yang optimal dalam metode pemulusan eksponensial adalah metode interpolasi kuadrat dengan jumlah iterasi yang lebih sedikit, sehingga waktu yang dibutuhkan lebih efisien. Pertimbangan yang dapat dipakai untuk pengembangan atau penelitian ke depan, yaitu obyek penelitian dapat dikembangkan pada metode pemulusan eksponensial dengan multiparameter dan metode nonlinear programming yang digunakan adalah metode untuk mencari nilai optimal dengan multivariabel. DAFTAR PUSTAKA Bertsekas, D. P Nonlinear Programming Second Edition. Athena Scientific: Massachusetts. Makridakis, S. dan S.C. Wheelwright Forecasting Methods for Management, 5 ed. John Wiley & Sons: New York.

7 Makridakis, S., S.C. Wheelwright dan Victor E. McGee Metode dan Aplikasi Peramalan. Erlangga: Jakarta. Raharja, A., Angraeni,W., dan Vinarti, R.A Penerapan Metode Exponential Smoothing Untuk Peramalan Penggunaan Waktu Telepon Di Pt.Telkomsel Divre3 Surabaya. <URL: php?id=14344&q=single%20exponenti al%20smoothing.html>. [Diakses pada 8 Desember 2011, pukul WIB] Sharma, S Applied Nonlinear Programming. New Age International (P) Ltd., Publishers: New Delhi. The Jin Ai Optimasi Peramalan Pemulusan Eksponensial Satu Parameter Dengan Menggunakan Algoritma Nonlinear Programming. JURNAL TEKNOLOGI INDUSTRI. VOL. III, No. 3, hal <URL: 3/doc/1999_3_3_1.doc.html>.[ Diakses pada tanggal 17 Maret 2011, pukul WIB] Zainun, N. Y. Dan Majid, M. Z. A Low Cost House Demand Predictor. Universitas Teknologi Malaysia 7

UJIAN TUGAS AKHIR EKA NOVI NURHIDAYATI. Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember 2012

UJIAN TUGAS AKHIR EKA NOVI NURHIDAYATI. Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember 2012 UJIAN TUGAS AKHIR APLIKASI ALGORITMA NONLINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PARAMETER α DALAM METODE PEMULUSAN EKSPONENSIAL SATU PARAMETER EKA NOVI NURHIDAYATI 1208 100 040 Jurusan Matematika Fakultas

Lebih terperinci

OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION

OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION NILA YUWIDA 1208100015 Dosen Pembimbing : Dra. Nuri Wahyuningsih, M.Kes Drs. Lukman Hanafi,

Lebih terperinci

BAB 2 TINJAUAN TEORITIS

BAB 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 terperinci

APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING ABSTRACT

APLIKASI 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 terperinci

SIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY KRIGING DENGAN TEKNIK JACKKNIFE

SIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY KRIGING DENGAN TEKNIK JACKKNIFE ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 333-342 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian SIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY

Lebih terperinci

SKRIPSI APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING. Disusun oleh: DANI AL MAHKYA

SKRIPSI 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 terperinci

JURNAL MATEMATIKA MANTIK Edisi: Oktober Vol. 02 No. 01 ISSN: E-ISSN:

JURNAL MATEMATIKA MANTIK Edisi: Oktober Vol. 02 No. 01 ISSN: E-ISSN: ISSN: 25273159 EISSN: 25273167 PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH KLAIM DI BPJS KESEHATAN PAMEKASAN Faisol 1, Sitti Aisah 2 Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan

Lebih terperinci

ANALISIS PERAMALAN DENGAN MENGGUNAKAN METODE PEMULUSAN EKSPONENSIAL TUNGGAL ABSTRACT

ANALISIS 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 terperinci

PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA

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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

Dwi Puspitasari 1, Mustika Mentari 2, Wildan Ridho Faldiansyah 3

Dwi 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 terperinci

BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah

BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Kemajuan ilmu pengetahuan telah meningkatkan pengertian mengenai berbagai aspek lingkungan dan akibatnya banyak peristiwa yang dapat diramalkan. Peramalan

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:

ISSN: 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 terperinci

BAB. 1 PENDAHULUAN Latar Belakang

BAB. 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 terperinci

ABSTRAK. Kata Kunci :Single Exponential Smoothing,Double Exponential Smoothing,Mean Absolute Percentage Error.

ABSTRAK. 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 terperinci

METODE PEMULUSAN (SMOOTHING)

METODE PEMULUSAN (SMOOTHING) Logaritma Vol. III, No.01 Januari 2015 29 PERAMALAN JUMLAH MAHASISWA BARU JURUSAN TADRIS MATEMATIKA IAIN PADANGSIDIMPUAN DENGAN MENGGUNAKAN METODE PEMULUSAN (SMOOTHING) Oleh: Anita Adinda, M.Pd 1 Abstract

Lebih terperinci

BAB 2 LANDASAN TEORITIS

BAB 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 terperinci

BAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN Oleh: Norma Endah Haryati ( )

PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN Oleh: Norma Endah Haryati ( ) TUGAS AKHIR PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN Oleh: Norma Endah Haryati (1207 100 031) Dosen Pembimbing: Drs. I G Ngurah Rai Usadha, M.Si Dra. Nuri

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB 2 LANDASAN TEORI. Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit

BAB 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 terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang Vanissa Hapsari,2013

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB I PENDAHULUAN. bagaimana iklim dapat berbeda pada suatu tempat dengan tempat lainya dan

BAB I PENDAHULUAN. bagaimana iklim dapat berbeda pada suatu tempat dengan tempat lainya dan BAB I PENDAHULUAN 1.1 Latar Belakang Klimatologi adalah ilmu yang membahas dan menerangkan tentang iklim, bagaimana iklim dapat berbeda pada suatu tempat dengan tempat lainya dan bagaimana kaitan antara

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB 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 terperinci

BAB I PENDAHULUAN. yang ada pada CV. Agung Jaya Cabang Pabean diperoleh dari supplier atau

BAB 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 terperinci

PENGEMBANGAN SI STOK BARANG DENGAN PERAMALAN MENGGUNAKAN METODE DOUBLE EXPONENTIAL SMOOTHING (STUDI KASUS : PT. TOMAH JAYA ELEKTRIKAL)

PENGEMBANGAN SI STOK BARANG DENGAN PERAMALAN MENGGUNAKAN METODE DOUBLE EXPONENTIAL SMOOTHING (STUDI KASUS : PT. TOMAH JAYA ELEKTRIKAL) PENGEMBANGAN SI STOK BARANG DENGAN PERAMALAN MENGGUNAKAN METODE DOUBLE EXPONENTIAL SMOOTHING (STUDI KASUS : PT. TOMAH JAYA ELEKTRIKAL) Cahyarizki Adi Utama, Yan Watequlis S. Teknologi Informasi, Teknik

Lebih terperinci

PERAMALAN 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 PERAMALAN DATA TIME SERIES DENGAN METODE PENGHALUSAN EKSPONENSIAL HOLT WINTER Adi Suwandi 1, Annisa 2, Andi Kresna Jaya

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB I PENDAHULUAN. Sejak kondisi ekonomi dan bisnis selalu berubah setiap waktu, maka para

BAB I PENDAHULUAN. Sejak kondisi ekonomi dan bisnis selalu berubah setiap waktu, maka para 1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Sejak kondisi ekonomi dan bisnis selalu berubah setiap waktu, maka para pimpinan suatu perusahaan atau para pelaku bisnis harus menemukan cara untuk terus

Lebih terperinci

ESTIMASI PARAMETER MODEL HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK PADA HASIL PENGUKURAN MEAN SEA LEVEL SATELIT ALTIMETRI JASON 2

ESTIMASI 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 terperinci

BAB 3 PENGOLAHAN DATA

BAB 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 terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Pengolahan buah dan sayuran menjadi produk siap saji memiliki nilai tambah tersendiri bagi pasar. Salah satunya adalah pengolahan buah dan sayuran menjadi makanan ringan

Lebih terperinci

Prediksi Persediaan Ikan Teri Menggunakan Exponential Smoothing Berbasis Ordered Weighted Aggregation

Prediksi 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 terperinci

S (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)

S (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 terperinci

III. LANDASAN TEORI A. TEKNIK HEURISTIK

III. 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 terperinci

PERBANDINGAN KEEFEKTIFAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH PENGUNJUNG HOTEL MERPATI

PERBANDINGAN 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 terperinci

Peramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential Smoothing

Peramalan 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 terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Produksi Kedelai Dalam ketersediaan kedelai sangat diperlukan diberbagai penjuru masyarakat dimana produksi kedelai merupakan suatu hasil dari bercocok tanam dimana dilakukan dengan

Lebih terperinci

PENGGUNAAN METODE REGRESI BERGANDA UNTUK MERAMALKAN PERMINTAAN MOBIL DENGAN N VARIABEL INDEPENDEN ADAPTIF

PENGGUNAAN METODE REGRESI BERGANDA UNTUK MERAMALKAN PERMINTAAN MOBIL DENGAN N VARIABEL INDEPENDEN ADAPTIF PRESENTASI TUGAS AKHIR KS091336 PENGGUNAAN METODE REGRESI BERGANDA UNTUK MERAMALKAN PERMINTAAN MOBIL DENGAN N VARIABEL INDEPENDEN ADAPTIF Penyusun Tugas Akhir : Fitri Linawati (NRP : 5207.100.114) Dosen

Lebih terperinci

BAB 2 LANDASAN TEORI. sama setiap hrinya. Pada bulan-bulan tertentu curah hujan sangat tinggi dan pada

BAB 2 LANDASAN TEORI. sama setiap hrinya. Pada bulan-bulan tertentu curah hujan sangat tinggi dan pada BAB 2 LANDASAN TEORI 2.1 Curah Hujan Hujan sangat diperlukan diberbagai penjuru masyarakat. Curah hujan tidak selalu sama setiap hrinya. Pada bulan-bulan tertentu curah hujan sangat tinggi dan pada bulan-bulan

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah. Sebuah fakta bahwa waktu adalah uang dalam aktivitas penjualan. Pengambilan

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah. Sebuah fakta bahwa waktu adalah uang dalam aktivitas penjualan. Pengambilan BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Sebuah fakta bahwa waktu adalah uang dalam aktivitas penjualan. Pengambilan keputusan merupakan hal yang penting untuk kesuksesan penjualan. Dalam hal ini seseorang

Lebih terperinci

Prediksi 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 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 terperinci

Evelina Padang, Gim Tarigan, Ujian Sinulingga

Evelina 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 terperinci

RAMALAN PERMINTAAN PERSEDIAAN OPTIMAL DAGING IKAN MENGGUNAKAN MODEL P (PERIODIK REVIEW)

RAMALAN PERMINTAAN PERSEDIAAN OPTIMAL DAGING IKAN MENGGUNAKAN MODEL P (PERIODIK REVIEW) Jurnal Siliwangi Vol.. No.. November 06 ISSN 47789 RAMALAN PERMINTAAN PERSEDIAAN OPTIMAL DAGING IKAN MENGGUNAKAN MODEL P (PERIODIK REVIEW) Akik Hidayat, Ridwan Giri Prakoso, Rianto ), ) Departemen Ilmu

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 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 terperinci

BAB III TINJAUAN PUSTAKA

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB II TINJAUAN PUSTAKA

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian terhadap populasi yang sangat besar, kita perlu melakukan suatu penarikan sampel. Hal ini dikarenakan tidak selamanya kita dapat

Lebih terperinci

(FORECASTING ANALYSIS):

(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 terperinci

PENERAPAN METODE DOUBLE EXPONENTIAL SMOOTHING PADA PERAMALAN PRODUKSI TANAMAN PANGAN

PENERAPAN 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 terperinci

BAB 3 LANGKAH PEMECAHAN MASALAH

BAB 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

BAB 2 LANDASAN TEORI. Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa. situasi dan kondisi di masa yang akan datang.

BAB 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 terperinci

PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS

PERAMALAN 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 terperinci

PERAMALAN PENJUALAN OBAT MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING PADA TOKO OBAT BINTANG GEURUGOK

PERAMALAN PENJUALAN OBAT MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING PADA TOKO OBAT BINTANG GEURUGOK PERAMALAN PENJUALAN OBAT MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING PADA TOKO OBAT BINTANG GEURUGOK Sayed Fachrurrazi, S.Si., M.Kom Program Studi Teknik Informatika, Universitas Malikussaleh Reuleut,

Lebih terperinci

MODEL DAMPED MULTIPLICATIVE TREND

MODEL DAMPED MULTIPLICATIVE TREND MODEL DAMPED MULTIPLICATIVE TREND (Studi Kasus: Peramalan Indeks Saham Syariah Indonesia) Nuni Hardiyanti Nurdin, Erna Tri Herdiani, M. Saleh AF Program Studi Statistika Depatemen Matematika FMIPA Unhas

Lebih terperinci

METODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU ABSTRACT

METODE 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 terperinci

IV HASIL DAN PEMBAHASAN

IV HASIL DAN PEMBAHASAN tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.

Lebih terperinci

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1

JURNAL 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 terperinci

K NEAREST NEIGHBOR DALAM IMPUTASI MISSING DATA. Susanti, Shantika Martha, Evy Sulistianingsih INTISARI

K NEAREST NEIGHBOR DALAM IMPUTASI MISSING DATA. Susanti, Shantika Martha, Evy Sulistianingsih INTISARI Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 07, No. 1 (2018), hal 9-14. K NEAREST NEIGHBOR DALAM IMPUTASI MISSING DATA Susanti, Shantika Martha, Evy Sulistianingsih INTISARI Missing data

Lebih terperinci

PENGGUNAAN METODE EXPONENTIAL SMOOTHING UNTUK MERAMALKAN PERSEDIAAN BERAS PADA BULOG DIVRE ACEH

PENGGUNAAN 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 terperinci

PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU

PENGGUNAAN 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 terperinci

Key words: Artificial Neural Network, Exponential Smoothing, Prediction, Electrical Energy Need.

Key words: Artificial Neural Network, Exponential Smoothing, Prediction, Electrical Energy Need. PREDIKSI KEBUTUHAN ENERGI LISTRIK SULAWESI UTARA MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN METODE EXPONENTIAL SMOOTHING Febry Hontong 1), Tritiya Arungpadang 2), Johan Neyland 3) Jurusan Teknik Mesin Universitas

Lebih terperinci

BAB IV METODE PENELITIAN

BAB 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 terperinci

Terbit online pada laman web jurnal : JURNAL RESTI

Terbit online pada laman web jurnal :  JURNAL RESTI Terbit online pada laman web jurnal : http://jurnal.iaii.or.id JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. No. 1 (018) 307 314 ISSN : 580-0760 (media online) Optimasi Parameter Pemulusan

Lebih terperinci

BAB 2 TINJAUAN TEORITIS

BAB 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 terperinci

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 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 terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang 1 BAB I PENDAHULUAN 1.1 Latar Belakang Di Era globalisasi saat ini, kartu kredit digunakan sebagai salah satu alternatif pengganti transaksi dengan uang tunai. Seiring dengan perkembangan zaman, pola prilaku

Lebih terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

PERBANDINGAN METODE PEMULUSAN BROWN DAN HOLT PADA PERAMALAN GEMPA BUMI SE-JAWA BARAT-BANTEN IVONNE RENITA ARLEEN

PERBANDINGAN METODE PEMULUSAN BROWN DAN HOLT PADA PERAMALAN GEMPA BUMI SE-JAWA BARAT-BANTEN IVONNE RENITA ARLEEN PERBANDINGAN METODE PEMULUSAN BROWN DAN HOLT PADA PERAMALAN GEMPA BUMI SE-JAWA BARAT-BANTEN IVONNE RENITA ARLEEN DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

Lebih terperinci

PENGENDALIAN PERSEDIAAN BAHAN BAKU BAJA MS DI DIREKTORAT PRODUKSI ATMI CIKARANG

PENGENDALIAN 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 terperinci

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 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 terperinci

PENGENDALIAN PERSEDIAAN BAHAN BAKU KUE BOLU BERDASARKAN RAMALAN PENJUALAN MENGGUNAKAN MODEL P (STUDI KASUS: P.IRT FOKER CAKE)

PENGENDALIAN PERSEDIAAN BAHAN BAKU KUE BOLU BERDASARKAN RAMALAN PENJUALAN MENGGUNAKAN MODEL P (STUDI KASUS: P.IRT FOKER CAKE) PENGENDALIAN PERSEDIAAN BAHAN BAKU KUE BOLU BERDASARKAN RAMALAN PENJUALAN MENGGUNAKAN MODEL P (STUDI KASUS: P.IRT FOKER CAKE) Eman Lesmana 1), Julita Nahar 2), Wahyu Suseno Rizkiyanto 3) Departemen Matematika,

Lebih terperinci

BAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK

BAB 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 terperinci

Aplikasi 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. 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 terperinci

BAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan

BAB 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 terperinci

PERAMALAN PENJUALAN AVTUR DENGAN MEMPERTIMBANGKAN SPECIAL EVENT

PERAMALAN PENJUALAN AVTUR DENGAN MEMPERTIMBANGKAN SPECIAL EVENT SIG TUGAS AKHIR PERAMALAN PENJUALAN AVTUR DENGAN MEMPERTIMBANGKAN SPECIAL EVENT Siti Lukmatul Henifa (1210 100 064) Pembimbing: Dra. Nuri Wahyuningsih, M.Kes. Senin, 20 Januari 2014 Matematika - ITS Page

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

Harwein et al., Peramalan Data Times Series Kebutuhan Tepung Terigu Sebagai Bahan Baku Pembuatan Roti...

Harwein 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 51 BAB 2 LANDASAN TEORI 2.1 Perencanaan Produksi 2.1.1 Arti dan Pentingnya Perencanaan Produksi Perencanaan produksi merupakan penentuan arah awal dari tindakan yang harus dilakukan di masa yang akan datang,

Lebih terperinci

BAB I PENDAHULUAN. konstan, namun ada beberapa periode yang memperlihatkan keadaan yang ekstrim.

BAB 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 terperinci

PENERAPAN LEAST SQUARE METHOD UNTUK PERAMALAN PENJUALAN DI HIJABSTORY BANDUNG

PENERAPAN 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto

BAB 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 terperinci

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP

Team 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 terperinci

VII. MODEL PRAKIRAAN PERMINTAAN

VII. MODEL PRAKIRAAN PERMINTAAN VII. MODEL PRAKIRAAN PERMINTAAN A. Peramalan (Forecasting) Peramalan merupakan dugaan atau perkiraan mengenai terjadinya suatu peristiwa atau kejadian pada waktu yang akan datang, yang dapat bersifat kualitatif

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN Untuk menunjang kegiatan penelitian dalam bab ini akan dijabarkan desain penelitian, alat dan bahan, dan bahan penelitian. 3.1 Desain Penelitian Desain Penelitian merupakan

Lebih terperinci

PENERAPAN METODE GOAL PROGRAMMING UNTUK PERENCANAAN PRODUKSI PADA PRODUK OLAHAN TEBU (STUDI KASUS: PG. XXX JAWA TIMUR)

PENERAPAN METODE GOAL PROGRAMMING UNTUK PERENCANAAN PRODUKSI PADA PRODUK OLAHAN TEBU (STUDI KASUS: PG. XXX JAWA TIMUR) PENERAPAN METODE GOAL PROGRAMMING UNTUK PERENCANAAN PRODUKSI PADA PRODUK OLAHAN TEBU (STUDI KASUS: PG. XXX JAWA TIMUR) Oleh : Pupy Ajiningtyas 1209 100 075 Dosen Pembimbing : 1. Drs. Suhud Wahyudi, M.Si

Lebih terperinci

Peramalan Dengan Menggunakan Metode Double Exponential Smoothing Dari Brown (Studi Kasus: Indeks Harga Konsumen (IHK) Kota Samarinda)

Peramalan Dengan Menggunakan Metode Double Exponential Smoothing Dari Brown (Studi Kasus: Indeks Harga Konsumen (IHK) Kota Samarinda) Peramalan Dengan Menggunakan Metode Double Exponential Smoothing Dari Brown (Studi Kasus: Indeks Harga Konsumen (IHK) Kota Samarinda) Forecasting Using Double Exponential Smoothing Method Of Brown (Case

Lebih terperinci

Bab 3 Metode dan Perancangan Sistem

Bab 3 Metode dan Perancangan Sistem Bab 3 Metode dan Perancangan Sistem Pada Bab ini dibahas mengenai metode perancangan yang dipergunakan dalam membuat aplikasi Integrasi Peramalan Pola Iklim Menggunakan Metode Pemulusan Eksponensial Ganda

Lebih terperinci

MATHunesa Jurnal Ilmiah Matematika Volume 3 No.6 Tahun 2017 ISSN

MATHunesa 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 terperinci

PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)

PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT

Lebih terperinci

RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA

RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA A. MATA KULIAH Nama Mata Kuliah : Pemulusan Kode/sks : MAS 4131 / 2 Semester : III Status (Wajib/Pilihan) : Pilihan (P) Prasyarat : MAS 4231

Lebih terperinci

Sistem Infornasi Estimasi Penjualan Dengan Menggunakan Metode Exponential. Abstraksi

Sistem Infornasi Estimasi Penjualan Dengan Menggunakan Metode Exponential. Abstraksi Sistem Infornasi Estimasi Penjualan Dengan Menggunakan Metode Exponential Smoothing (Studi Kasus : PT. Sumber Bening Lestari) 1)Krisna Setya Wardana2)Antok Supriyanto3)M. Arifin 1)Program Studi Sistem

Lebih terperinci

PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)

PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK

Lebih terperinci

PENERAPAN METODE EXPONENTIAL SMOOTHING GANDA UNTUK MEMPREDIKSI NILAI PENJUALAN BARANG BARANG ELEKTRONIK PADA TOKO MITRA ELEKTRONIK

PENERAPAN METODE EXPONENTIAL SMOOTHING GANDA UNTUK MEMPREDIKSI NILAI PENJUALAN BARANG BARANG ELEKTRONIK PADA TOKO MITRA ELEKTRONIK PENERAPAN METODE EXPONENTIAL SMOOTHING GANDA UNTUK MEMPREDIKSI NILAI PENJUALAN BARANG BARANG ELEKTRONIK PADA TOKO MITRA ELEKTRONIK Febriyanti Kasim 1, Moh. Hidayat Koniyo 2, Dian Novian 3 INTISARI Kesulitan

Lebih terperinci