Nö, Sekarang lihat sooob, nilai prob ADF 0,0151 Lebih kecil daripada Alpha 0,05 sehingga kita Tolak hipótesis nol dan menyimpulkan Daten sudah stasioner Pada differens 1. Nee, untuk ADF-Test Statisticnya juga Lebih kecil daripada Mackinnon 5 Ebene -1,945554 . Hasil ini juga membuktikan bahwa daten sudah stasioner pada differens 1 hehehe. Oke deh, kali ini ki akan masuk ke dalam 8220seni statistik8221 untuk Modell ARIMA. Mengapa sagena katakan sebagai seni. Deutsch - Übersetzung - Linguee als Übersetzung von "bahwa sebenarnya tidak" vorschlagen Linguee - Wörterbuch Deutsch - Englisch ausschließlich englische Resultate für. Ingaaat, statistik memang cara yang sering dipakai dalam suatu penelitian tetapi fungsi statistik hanya sebatas werkzeuge saja. Jadi, kalau Mitgliedschaft simpulan (baca: simpulan secara statistik), silahkan sobat kembalikan simpulan yang diperoleh ke ilmu esensialnya juga yaaa. Hal lain seperti ini. Sobat jangan menstatistisir hasil penelitian. Kesannya terlalu memaksa. Ingat, lebih baik kita tampilkan hasil yang sebenarnya entah sebuuk apapun es (dengan metode statistik yang kita pakai) walaupun hasilnya kurang memuaskan atau bahkan anomali. Itu jauh lebih terhormat daripada sobat harus berbohong als menstatistisir hasil penelitianischen sobat agar seolah hasil penelitiannya kelihatan bagus. Hemmh, padahal kalau ditanya soal esensi penelitiannya jangan-jangan belum benar-benar paham. Ingat, keberhargaan, seorang, peneliti, utamanya, bukan, pada, hasil, penelitiannya, yang, terbilang, hebat, tetapi, pada, keberaniannya, dalam, menampilkan, hasil, penelitiannya, Naaaaah, jadi intinya, kalaupun sudah pernah atau sering menstatistisir, bagi Yang tersinggung mohon maaflah ya hehehe, Ayo Cepat-cepatlah bertobat hahaha. Yaudah, ayo sekarang kita fokus kepada Ausgabe correlogram Daten kita yaaa. Tanserah sobat, kalau mau langsung pakai daten yang sudah stasioner pada unterscheidet 1nanti untuk correlogramnya silahkan pilih yang ebene. Sama saja kalau mau sobat mau pakai Daten asli ya monggo untuk correlogramnya pilih yang 1. Unterschied. Terhihat mudah kan Hehehe. Oke sekarang buka datanya lalu klik Anzeigen pilih Correlogram. Nah, saya pakai Daten yang belum stasioner sehingga untuk correlogramnya (correlogram von), saya 1. Unterschied hehehe. Lagnya terserah schluchzen mau lihat pola datanya sampai mundur berapa tahun ke belakang hehehe. Yuuuuk, sekarang lihat Ausgang correlogramnya. Nach oben ud ah.. A a a a a a a....... Yaaa, Pertama, Dari Ausgabe ini kita bisa lihat nih soob, kira-kira pada lag ke berapa Daten kurs kita tidak stasioner. Kedua, kita bisa tahu Modell kita nanti apakah AR (1), MA (1) atau ARMA (1). Nee, seperti Yang sudah pernah Saya Bahas Pada postingan sebelumnya, Modell ARIMA (p, d, q) itu kalau stasioner Pada differens 1 maka nanti Variabel dependennya adalah delta (perubahan) yaaa. (2), MA (1) MA (2), AR (1) AR (1) AR (1), MA (1) MA (1) MA (2). Silahkan dikombinasikan saja dan diusahahan Modell yang kita dapat menghasilkan nilai Angepasst Rsquare yang cukup tinggi. Seterusnya, jika sobat mau melakukan prediksi nilai periode masa depan (PROGNOSE) dengan Modell Yang terpilih, maka harap diperhatikan besar Bias Anteil Harus Lebih kecil daripada 0,2 dan besar Kovarianz Proportionnya juga Harus cukup tinggi (mendekati 1). Oke deh, ayo kita Ich weiß es nicht. Nächstes Caranya Lihat Dari Nilai AC Dan PAC masing-masing lagnya soob hehe. Jadi kalau AC als PAC masih berada di dalam Intervall -0.2552 sampai dengan 0.2552 maka pada lag tersebut Daten masih stasioner. Akan tetapi kalau nilai Wechselstrom dan PAC berada diluar Intervall -0.2552 sd 0.2552 maka Daten tidak stasioner pada lag tersebut. Oke deh sooob, untuk pemilihan kandidat oder ARIMA dan pemilihan vorbildlicher terbaik akan dirilis pada postingan selanjutnya yaaa. Oke deeeh, Aufenthalt tune terus di wajibstat. blogspot untuk kita belajar konsep dan metode statistik dengan semangat dan semangaaaat. Salam damai. Salam hangat terdahsyat Dari sagen. -) Pengertian Peramalan (Vorhersage) Dalam dunia usaha sangat penting diperlukan halb halb jang terjadi dimasa depan sebagai dasar untuk pengambilan keputusan. Render dan Heizer (2007) (nicht im Abspann) mendefinisikan peramalan Mehr ansehen »Nutzerkommentare (Einen Kommentar zu diesem Titel hinzufügen) Hal ini serupa dengan pendapat Subagyo (2000) Vorhersage adalah memperkirakan sesuatu yang akan terjadi. Menurut Handoko (1999) Sie haben keine Berechtigung zur Stellungnahme. Für den Inhalt der verlinkten Seiten sind ausschließlich deren Betreiber verantwortlich. Menurut Gaspersz (2005) Aktivitas peramalan merupakan Suatu fungsi Bisnis Yang berusaha memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas Yang tepat. Menurut Taylor (2004) Peramalan yaitu sebuah prädiksi mengenai apa yang akan terjadi di masa depan. Sebuah perusahaan yang menghasilkan barang hatil produksi memerlukan bahan baku, seperti halnya PT. Kusumahadi santosa memerlukan bahan baku dalam proses produksi. Dalam memenuhi kebutuhan bahan baku diperlukan peramalan. Dari pengertian para ahli diatas, maka dapat ditarik Suatu kesimpulan bahwa Peramalan adalah seni dan ilmu memprediksi peristiwa-peristiwa masa depan dengan melakukan studi terhadap Daten Historis untuk menemukan hubungan, kecenderungan dan pola Yang sistematis. Jenis - Jenis Peramalan Menurut Render als Heizer (2004) pada jenis peramalan dapat dibedakan menjadi beberapa tipe. Dilihat dari perencanaan operasi di masa depan, maka peramalan dibagi menjadi 3 macam yaitu: Peramalan ekonomi (Wirtschaftsprognose) menjelaskan siklus Bisnis dengan memprediksi Tingkat inflasi, Ketersediaan uang, dana Yang dibutuhkan untuk membangun Perumahan dan indikator perencanaan Verschiedenes. B. Peramalan teknologi (technologische prognose) mempehatikan tingkat kemajuan tehnologi yang dapat meluncurkan produkt baru yang menarik, yang membutuhkan pabrik dan peralatan baru. C. Peramalan permintaan (Nachfragevorhersage) adalah proyeksi permintaan untuk produk atau layanan suatu perusahaan. Peramalan biasanya diklasifikasikan berdasarkan Horizont waktu masa depan yang dicakupnya. Menurut Taylor (2004) dalam hubungannya dengan Horizont waktu peramalan terbagi atas beberapa kategori, yaitu: Ramalan jangka pendek (Nahbereichs-Prognose) mencakup masa depan Yang dekat (unmittelbare Zukunft) dan memperhatikan kegiatan Harian Suatu Perusahaan Bisnis, seperti permintaan Harian atau kebutuhan sumber Daya Harian. B. Ramalan jangka menengah (mittlere Reichweite) mencakup jangka waktu satu atau dua bulan sampai satu tahun. Ramalan jangka Waktu ini umumnya Lebih berkaitan dengan rencana produksi tahunan dan Akan mencerminkan hal-hal seperti Puncak dan Lembah dalam Suatu permintaan dan kebutuhan untuk menjamin adanya tambahan untuk sumber Daya untuk tahun berikutnya. C. Ramalan jangka panjang (weitreichende Vorhersage) mencakup periode yang lebih lama dari satu atau dua tahun. Ramalan ini berkaitan dengan Usaha manajemen untuk merencanakan produk Baru untuk pasar Yang berubah, membangun fasilitas Baru, atau menjamin adanya pembiayaan jangka panjang. Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti langkah-langkah atau prosedur penyusunan yang baik. Menurut Gaspersz (2005) Terdapat 9 Langkah Yang Harus Diperhatikan Untuk Menjamin Efektivitas Dan efisiensi Dari Sistem Peramalan, yaitu: Menentukan tujuan dari peramalan b. Memilih Einzelteilunabhängige Nachfrage yang akan diramalkan c. Menentukanischer horison waktu dari peramalan (jangka pendek, menengah, atau panjang) d. Memilih Modell-Modell Peramalan e. Memperoleh Daten yang dibutuhkan untuk melakukan peramalan f. Validasi-Modell peramalan g. Membuat peramalan h. Implementasi hasil-hasil peramalan i. Memantau keandalan hasil peramalan Menurut Render dan Heizer (2004) dalam melakukan peramalan diperlukan perhitungan yang akurat sehingga diperlukan peramalan yang tepat. Pada dasarnya terdapat dua pendekatan umum untuk mengatasi semua modellieren keputusan untuk meramal: a. Peramalan Kualitatif Yaitu peramalan yang menggabungkan faktor-faktor seperti intuisi pengambilan keputusan, emosi, pengalaman pribadi, dan system nilai. Dalam peramalan kualitatif terdapat empat teknik peramalan yang berbeda, b. Keputusan Dari pendapat juri eksekutif, dalam metode ini pendapat sekumpulan kecil manajer atau Pakar Tingkat tinggi, sering dikombinasikan dengan Modell statistik, dikumpulkan untuk mendapatkan prediksi permintaan Kelompok. C. Metode Delphi, Merupakan teknik peramalan Yang menggunakan Proses Kelompok Dimana Para Pakar Melakukan Peramalan. 1) Gabungan Dari tenaga penjualan, metode ini mengoptimasi Anzahl der Beiträge penjualan diwilayahnya, peramalan ini kemudian dikaji untuk memastikan apakah peramalan cukup realistis lalu dikombinasikan Pada Tingkat wilayah dan Nasional untuk mendapatkan peramalan Secara keseluruhan. 2) Survei pasar konsumen, metode peramalan yang meminta eingegeben dari konsumen mengenai rencana pembelian mereka di masa depan. D. Peramalan Kuantitatif Yaitu peramalan yang menggunakan satu atau lebih vorbildlicher matematis dengan daten masa lalu dan variabel sebab akibat untuk meramalkan permintaan. Ada lima metoden peramalan kuantitatif, yaitu metode pendekatan naif, metode rata-rata bergerak, metode penghalusan eksponential, penghalusan tren, dan regresi linear. Pada dasarnya metode peramalan kuantitatif ini dibedakan Menjadi dua: 1) Metode peramalan berdasarkan seri Waktu (Zeitreihe) Modell ini Melihat Pada apa yang terjadi Selama periode Waktu menggunakan seri Daten masa lalu untuk membuat ramalan. 2) Metode kausal (ursächliche Metoden) athen metode korelasi Metode kausal, bergabung menjadi variabel atau hubungan yang bisa mempengaruhi jumlah yang sedang diramal. Metode Peramalan Zeitreihe terdiri dari: 1) Pendekatan naif Pendekatan ini adalah teknik peramalan yang mengasumsikan permintaan di periode mendatang sama dengan permintaan terkini. Metode ini merupakan vorbildliches peramalan objektif yang paling efektif dan efisien dari segi biaya, pendekatan ini memberikan titik awal untuk perbandingan dengan modell lain yang lebih canggih. 2) Rata-rata bergerak (gleitender Durchschnitt) Bermanfaat jika mengasumsikan bahwa permintaan pasar tetap stabil sepanjang waktu. Metode rata rata bergerak dibagi Menjadi dua metode yaitu: a) Rata-rata bergerak Sederhana (single moving average) Metode ini digunakan untuk melakukan peramalan hal-hal Yang bersifat zufällig, artinya tidak ada gejala Trend naik maupun turun, musiman dan sebagainya, melainkan Sulit diketahui polanya. Metode ini mempunyai dua sifat khusus yaitu untuk membuat peramalan memerlukan Datenhistorien Selama jangka Waktu tertentu, Semakin panjang Waktu gleitenden Durchschnitt Akan menghasilkan Durchschnitt Yang Semakin Halos zu bewegen. Secara matematis gleitender Durchschnitt: dimana n adalah jumlah dalam rata-rata bergerak, misalnya tiga, lempat, atau lima bulan secara berurutan. Kelemahan metode gleitenden Durchschnitt antara lain perlu Datengeschichten, semuendaten diberi wiegen sama, tidak bisa mengikuti perubahan yang terjadi. B) Rata-rata bergerak tertimbang (Gewicht gleitenden Durchschnitt) Apabila ada tren atau pola terdeteksi, bobot dapat digunakan untuk menempatkan penekanan yang lebih pada nilai terkini. Praktik ini membuat teknik peramalan Lebih Tanggap Terhadap Perubahan Karena Periode Yang Lebih Dekat mendapatkan Bobot Yang Lebih Berat. Rata-rata bergerak dengan pembobotan dapat digambarkan secara matematis sebab: Pemilihan bobot merupakan hal yang tidak pasti karena tidak ada rumus untuk menetapkan mereka. Oleh karena itu, pemutusan bobot yang mana yang digunakan, membutuhkan pengalaman. C) Penghalusan eksponential (exponentielle Glättung) Penghalusan eksponential adalah teknik peramalan rata-rata bergerak dengan pembobotan dimana Daten diberi bobot oleh sebuah fungsi eksponential. Penghalusan eksponential merupakan metoden peramalan rata-rata bergerak dengan pembobotan yang canggih, namun masih mudah digunakan. Metode ini menggunakan sangat sedikit pencatatan Daten masa lalu Rumus penghalusan eksponential dapat ditunjukkan sebagai berikut: Pendekatan penghalusan eksponential mudah digunakan, dan Telah berhasil diterapkan Pada hampir setiap jenis Bisnis. Walaupun demikian, nilai yang tepat untuk konstanta penghalus, dapat membrane diferensiasi antara peramalan yang akurat dan yang tidak akurat. Nilai Yang Tinggi Dipilih Saat Rata-Rata Cenderung Berubah. Nilai Yang Rendah Digunakan Saat Rata-Rata Cenderung stabil. Tujuan pemilihan suatu nilai untuk konstanta penghalus adalah untuk mendapatkan peramalan yang paling akurat. d) Proyeksi tren (Trendprojektion) Adalah metode peramalan Zeitreihen Yang menyesuaikan sebuah garis tren Pada sekumpulan Daten masa lalu dan kemudian diproyeksikan dalam garis untuk meramalkan masa depan untuk peramalan jangka pendek atau jangka panjang. Kalau hal Yang diteliti menunjukkan gejala kenaikan maka tren Yang kita Miliki menunjukkan rata-rata pertumbuhan, sering disebut Trend positif, tetapi hal Yang kita teliti menunjukkan gejala Yang Semakin berkurang maka tren Yang kita Miliki menunjukkan rata rata penurunan atau disebut juga tren negatif Menurut Adisaputro dan Asri (2004) ada beberapa metode yang bisa digunakan untuk membuat tren yaitu (1) metode kuadrat terkecil (linear least square) Persamaan tren dengan metode linearen kleinsten Quadrate adalah sebagai berikut: y nilai variabel yang dihitung untuk diprediksi ein perpotongan Sumbu y, bila Konstan b Hang koefisien kecenderungan garis tren X variabel bebas, waktu Dalam persamaan tersebut, merupakan variabel yang akan dicari, x merupakan satuan waktu (diketahui). Dengan demikian maka variabel und dan b masih harus dicari terlebih dahulu. Adapun cara mencari variabel a dan b dengan: (2) Metode garis lurus (lineare Trendlinie). Persamaan tren dengan metode lineare Trendlinie dapat dirumuskan sebagai berikut: nilai terthitung Dari Variabel yang akan diprediksi (disebut Variabel terikat) ein persilangan Sumbu yb kemiringan garis regresi (atau Tingkat perubahan Pada y untuk perubahan Yang terjadi di x) X-Variable bebas, dalam kasus Ini adalah waktu Untuk menghasilkan nilai und dan b secara singkat sebagai Berikut: Pengukuran kesalahan peramalan Keakuratan keseluruhan dari setiap vorbildliches peramalan dapat dijelaskan dengan membandingkan nilai yang diramal dengan nilai tatsächlicher atau nilai yang sedang diamati. Kesalahan peramalan mengatakan seberapa baik kinerja suatu modell dibandingkan dengan modell esu sendiri dengan menggunakan daten masa lalu. Untuk menghitung kesalahan peramalan (deviasi) adalah Kesalahan peramalan Bei 61.485 Ft Bei nilai tatsächlichen Ft nilai peramalan Ada beberapa perhitunngan Yang biasa digunakan untuk menghitung kesalahan peramalan (Prognosefehler) insgesamt. Perhitungan ini dapat digunakan untuk membandingkan vorbildliches peramalan yang berbeda, juga untuk mengawasi peramalan, untuk memastikan peramalan berjalan dengan baik. Cara untuk mengevaluasi Teknik peramalan menurut Render dan Heizers (2004) ada 3: 1) Deviasi rata rata absolute atau Mittlere absolute Abweichung (MAD) Adalah mengukur kesalahan peramalan keseluruhan untuk sebuah Modell. Nilai MAD dihitung dengan mengambil Anzahl der Beiträge nilai absolut Dari TIAP kesalahan peramalan dibagi dengan Anzahl der Beiträge periode Daten (n): dimana n Anzahl der Beiträge periode Daten 2) Kesalahan rata rata kuadrat atau mittlere quadratische Fehler (MSE) Merupakan cara Kedua untuk mengukur kesalahan peramalan keseluruhan. MSE adalah rata-rata selisih kuadrat antara nilai yang diramalkan dan yang diamati. Rumusnya adalah: 3) Kesalahan persen rata-rata absolute atau Mittlere absolute prozentuale Fehler (MAPE) Merupakan rata rata diferensiasi absolut antara nilai peramalan dan aktual, yang dinyatakan sebagai presentase nilai aktual. MAPE dihitung sebagai rata-rata diferensiasi absolut antara nilai yang diramal dan Aktualisierung, dinyatakan sebagai presentase nilai aktual. MAPE dihitung sebagai: Keputusan kita dalam memilih Suatu Teknik peramalan sebagian tergantung Pada apakah Teknik-Teknik tersebut menghasilkan kesalahan Yang bisa dianggap kecil atau tidak. Antrian merupakan Suatu hal Yang sering terjadi dalam kehidupan sehari-hari seperti kita mengantri Ketika ingin membayar apa yang sudah kita Belanjakan di supermarkt, mengantri pada loket kreta api und lain-lain. Antrian terjadi karna kurangnya kapasitas pelayanan Yang dimiliki oleh Perusahaan, tambahan fasilitas pelayanan dapat diberikan untuk mengurangi antrian atau untuk mencegah timbulnya antrian. Akan tetapi biaya untuk Mitgliedschaft pelayanan tambahan, akan menimbulkan pengurangan keuntungan yang diterima. Sebaliknya, Sering Timbulnya Antrian Yang Panjang Akan Mengakibatkan Hilangnya Pelanggan / Nasabah. Untuk memelfahankan pelanggan, sebuah organisasi sella berusaha untuk Mitgliedschaft pelayanan yang terbaik. Pelayanan yang terbaik tersebut diantaranya adalah Mitglied Mitglied pelayanan yang cepat sehingga pelanggan tidak dibiarkan menunggu (mengantri) terlalu lama. Namön demikian, dampak pemberian layanan yang cepat ini akan menimbulkan biaya taschen organisasi, karena harus menambah fasilitas layanan. Oleh karena itu, layanan, yang, cepat, akan, sangat, membantu, untuk, mempertahankan, pelanggan, yang, dalam, jangka, panjang, tentu, saja, akan, meningkatkan, keuntungan, perusahaan, Kontra beberapa situasi dimana antrian sangat penting: Sistem Erzeugnisse Sebuah mesin menghasilkan jenis produk yang berbeda. Berapa Waktu Pasti Dari Suatu pesanan Apa yang mengurangi Waktu Pasti jika kita memiliki sebuah mesin ekstra Haruskah kita membuat Prioritas Dari pesanan Contoh kasus dan pembahasan Metode Antrian Sebuah Perusahaan Yang menyewakan Möbel mempunyai satu Gudang dengan satu mesin pengangkut Yang dioperasikan oleh satu Kelompok Yang terdiri Dari Tiga Orang tenaga kerja. Pemimpin perusahaan melihat pada Konfitüre tertentu terjadi antrian truk tetapi di saat lain, petugas yang mengoperasikan mesin menganggur. Dari Daten Yang telah lalu, diketahui rata-rata kedatangan 4 truk pro Marmelade, dan rata-rata pelayanan 6 truk pro Marmelade. Untuk mengatasi masalah tersebut, pimpinan perusahaan merencanakan untuk menambah kelompok tenaga kerja untuk mengoperasikan mesin. Bagaimana dampak penambahan Kelompok tenaga kerja terhadap biaya insgesamt Yang dikeluarkan Perusahaan jika biaya sewa truk 20 pro Marmelade, Sedang upah tenaga kerja untuk mengoperasikan mesin 6 pro orang pro Marmelade. Diasumsukan jika Perusahaan menggunakan dua Kelompok tenaga kerja maka rata rata pelayanan Menjadi 12 truk pro Marmelade dan jika Perusahaan menggunakan tiga Kelompok tenaga kerja maka rata rata pelayanan Menjadi 18 truk pro Marmelade. 1 hari 8 jam kerja. Pembahasan: Perkiraan prestasi dari sistem antrisch dapat digambarkan dengan misalnya. Rata-rata jumlah kedatangan dalam antrian, rata-rata waktu tunggu dari suatu kedatangan als persentase waktu luang dari pelayanan. Ukuran Prestasi ini dapat digunakan untuk memutuskan Anzahl der Beiträge pelayanan Yang Harus diberikan, perubahan Yang Harus dilakukan dalam kecepatan pelayanan atau perubahan gelegen dalam sistem antrian. Dengan sasaran pelayanan, jumlah pelayan dapat ditentukan tanpa berpatokan pada biaya waktu tunggu. Ukuran Prestasi dan Parametermodell antrian ditentukan dengan notasi sebagai berikut: rata-rata kecepatan kedatangan (Anzahl der Beiträge kedatangan Persatuan Waktu) 1 / rata-rata Waktu antar kedatangan rata rata kecepatan pelayanan (Anzahl der Beiträge satuan Yang dilayani Persatuan Waktu bila pelayan sibuk). 1 / rata-rata Waktu Yang dibutuhkan pelayan faktor penggunaan pelayan (proporsi Waktu pelayan Ketika Sedang sibuk) Pn probabilita bahwa n satuan (kedatangan) dalam sistem Lq rata-rata Anzahl der Beiträge satuan dalam antrian (rata-rata panjang antrian) Ls rata-rata Anzahl der Beiträge satuan dalam sistem Wq rata rata Waktu tunggu dalam antrian Ws rata rata Waktu tunggu dalam sistem Dalam kasus ini antrian yang didasarkan pada asumsi berikut: Satu pelayanan dan satu tahap. Anzahl der Beiträge kedatangan pro Einheit Waktu digambarkan oleh Distribusi Poisson dengan rata-rata kecepatan kedatangan Waktu pelayanan eksponensial dengan rata rata kecepatan pelayanan Disiplin antrian adalah zuerst kommt, mahlt zuerst (Aturan antrian pertama datang-pertama dilayani) seluruh kedatangan dalam Barisan hingga dilayani, dimungkinkan panjang Barisan Yang tak terhingga. populasi Yang dilayani tidak Terbatas rata rata kedatangan Lebih kecil Dari rata rata Waktu pelayanan Dari asumsi tersebut dapat diperoleh hasil Secara statistik sebagai berikut: Pw probabilitas fasilitas layanan sibuk atau faktor utilisasi fasilitas / Lq Anzahl der Beiträge rata-rata dalam antrian Ls Anzahl der Beiträge rata-rataa di dalam sistem (yang antri dan yang Sedang dilayani) Wq Waktu rata rata di dalam antrian Ws Waktu rata rata di dalam sistem Anzahl der Beiträge rata-rata dalam antrian 1 Kelompok kerja 2 Kelompok kerja 3 Kelompok kerja Anzahl der Beiträge rata rata di dalam sistem ( yang antri dan yang Sedang dilayani) 1 Kelompok kerja 2 Kelompok kerja 3 Kelompok kerja Waktu rata rata di dalam antrian Waktu rata rata di dalam sistem probabilitas fasilitas layanan sibuk atau faktor utilisasi fasilitas Perbandingan penggunaan 1, 2, dan 3 Kelompok Perbandingan Biaya Gesamt Penggunaan 1, 2 dan 3 Kelompok Dari perhitungan biaya gesamt terlihat bahwa biaya gesamt paling rendah jika perusahaan mempekerjakan 2 kelompok tenaga kerja. Dengan demikianischen disarankan agar perusahaan tersebut menambah satu kelompok tenaga kerja. Contoh Aplikasi Teori Antrian Modell M / M / 1 di Bank CIMB Bank CIMB Jogjakarta melakukan Aktivitas pelayanan kepada nasabah yang akan menyimpan dan mengambil uangnya di Bank tersebut. Rata-rata kedatangan pelanggan di bank tersebut mengikuti Verteilung poisson yaitu 20 pelanggan perjam. Bank CIMB Jogjakarta dapat melayani rata-rata 25 pelanggan perjam, dengan waktu pelayanan setiap pelanggan mengikuti Verteilung probabilitas eksponensial. Jika diasumsikan Modell sistem antrian Yang digunakan Bank adalah (M / M / 1), hitunglah soal-soal berikut: Tingkat intensitas fasiitas pelayanan (p) Anzahl der Beiträge rata-rata pelanggan Yang diharapkan dalam sistem Anzahl der Beiträge pelanggan Yang diharapkan menunggu dalam antrian Waktu Yang diharapkan oleh Setiap pelanggan selma dalam sistem (menunggu dalam pelayanan) Waktu Yang diharapkan oleh setiap pelanggan untuk menunggu dalam antrian. Dari kasus diatas kita memiliki rata rata kedatangan 20 atau rata rata Waktu pelayanan 25, oleh karena itu dengan menggunakan bantuan Software POM für Fenster maka Daten tersebut dapat kita olah dengan prosedür sebagai berikut: Klik Modul Warte Linien M / M / 1 (exponentielle Servicezeit) Titel: CIMB Kostenanalyse: Keine Kosten OK Kemudian Daten rata-rata kedatangan 20 atau rata rata Waktu pelayanan 25 kita masukkan seperti berikut ini: Masukan Daten Antrian di Bank CIMB Kemudian Dari Daten tersebut kita Olah (klik lösen) sehingga diperoleh Keluaran seperti berikut Tingkat intensitas / rata-rata kegunaan pelayanan atau p (Durchschnittliche Serverauslastung) 0,8. Angka tersebut menunjukkan bahwa pelayan (kasir) akan sibuk melayani nasabah selama 80 dari waktunya. Sedangkan 20 dari waktunya atau (1-p) atau (1-0,80) yang sering krieg krieger krieger krieger krieger krieger schiedsrichter schiedsrichter kämpfer Anzahl der Beiträge rata-rata pelanggan Yang diharapkan dalam sistem atau L (Durchschnittliche Anzahl im System) 4. Angka tersebut menunjukkan bahwa pelayan dapat mengharapkan 4 nasabah Yang berada dalam sistem. Jumlah pelanggan yang diharapkan menunggu dalam antrian atau Lq (Durchschnittliche Anzahl in Queu) 3,2. Angka tersebut menunjukkan bahwa nasabah yang menunggu untuk dilayani dalam antrian sebanyak 3, 20 nasabah. Waktu yang diharapkan pelanggan Selama dalam sistem atau W (Durchschnittliche Zeit im System) 0,2 Marmelade atau 12 menit. Angka tersebut menunjukkan bahwa, waktu rata-rata nasabah menunggu dalam sistem selama 12 menit. Waktu yang diharapkan oleh pelanggan selama menunggu dalam antrian atau Wq (Durchschnittliche Zeit in Queu) 0,16 jam atau 9,6 menit. Angka tersebut menunjukkan bahwa rata-rata nasabah menunggu dalam antrian selama 9,6 menit. Untuk menggunakan persamaan probabilitas kepastian Anzahl der Beiträge pelanggan Yang ada dalam sistem dihitung dengan menjumlahkan P0 P1 P2 P4, Hasil perhitungan Pn (M / M / 1) dapat dilihat Pada Tabel probabilitas hasil olahan POM für Windows yaitu seperti berikut: Jika kita lihat Pada kolom Prob ( Num in sys) k, dapat, kita, interpretasikan, misalnya, untuk, probabilitas, 4, pelanggan, berada, dalam, sistem, pelayanan, adalah, sebesar, 0,082, atau, 8,2. Dari Tabel 3.3 diatas kemudian dapat digambarkan grafik antrian (M / M / 1) Dari nasabah Bank CIMB adalah seperti berikut: Contoh Aplikasi Teori Antrian - Modell Multiple 8211 Kanal Dasar Yang digunakan dalam Mehrkanal-Modell adalah sistem (M / M / s) . Perbedaannya dengan einzigen Kanal-Modell adalah terletak pada jumlah fasilitas pelayanan. Dalam Mehrkanalmodell, fasilitas pelayanan yang dimiliki lebih dari satu. Huruf (s) yang terdapat dalam sistem (M / M / s) Mehrere 8211 Kanal Modell (Modell M / M / s) dengan Jumlah Kasir 5 von Bank CIMB. Bank CIMB telah mencoba memasang 5 kasir yang diperlukan untuk melayani para nasabah yang ada di ruang Vorhalle, dengan menggunakan sistem (M / M / s). Tingkat kedatangan nasabah von der Bank rata-rata 40 orang perjam. Setiap kasir bank rata-rata von dapat melayani 10 nasabah perjam. Jika diasumsikan Modell sistem antrian Yang digunakan Bank adalah (M / M / s), hitunglah soal-soal berikut: Tingkat intensitas fasilitas pelayanan (p) Anzahl der Beiträge rata-rata pelanggan Yang diharapkan dalam sistem Anzahl der Beiträge pelanggan Yang diharapkan menunggu dalam antrian Waktu Yang diharapkan oleh Setiap pelanggan selma dalam sistem (menunggu dalam pelayanan) Waktu Yang diharapkan oleh setiap pelanggan untuk menunggu dalam antrian. Dari kasus diatas kita memiliki Tingkat kedatangan nasabah von der bank rata-rata 40 orang perjam. Setiap Kasir Bank rata rata dapat melayani 10 nasabah perjam, oleh karena itu dengan menggunakan bantuan Software POM für Fenster maka Daten tersebut dapat kita olah dengan prosedür sebagai berikut: Klik Modul Warte Linien M / M / s Titel: CIMB Kostenanalyse: Keine Kosten OK Kemudian Daten Tingkat kedatangan nasabah di Bank rata-rata 40 orang perjam dan setiap Kasir Bank rata-rata dapat melayani 10 nasabah perjam kita masukkan seperti berikut ini: masukkan Daten Antrian di Bank CIMB Kemudian Dari Daten tersebut kita Olah (klik lösen) sehingga diperoleh Keluaran seperti berikut: Tingkat intensitas / rata-rata kegunaan pelayanan atau p (Durchschnittliche Serverauslastung) 0,8. Angka tersebut menunjukkan bahwa pelayan (kasir) akan sibuk melayani nasabah selama 80 dari waktunya. Sedangkan 20 Dari waktunya atau (1 8211 p) atau (1 8211 0,80) Yang sering disebut Leerlaufzeit Akan digunakan pelayan (Kasir) untuk istirahat, membereskan berkas dan-gelegen gelegen. Jumlah rata-rata pelanggan yang diharapkan dalam sistem atau L (Durchschnittlicher Nubmer im System) 6,2. Angka tersebut menunjukkan bahwa pelayan dapat mengharapkan 6,2 nasabah yang berada dalam sistem. Jumlah pelanggan yang diharapkan menunggu dalam antrian atau Lq (Durchschnittliche Anzahl in Queu) 2,2. Angka tersebut menunjukkan bahwa nasabah yang menunggu untuk dilayani dalam antrian sebanyak 2, 2 nasabah. Waktu yang diharapkan pelanggan selama dalam sistem atau W (durchschnittliche Zeit im System) 0, 15 jam atau 9 menit. Angka tersebut menunjukkan bahwa, waktu rata-rata nasabah menunggu dalam sistem selama 9 menit. Waktu yang diharapkan oleh pelanggan selama menunggu dalam antrian atau Wq (Durchschnittliche Zeit in Queu) 0,055 jam atau 3,3 menit. Angma tersebut menunjukkan bahwa rata-rata nasabah menunggu dalam antrian selama 3,3 menit. Untuk menggunakan persamaan probabilitas kepastian Anzahl der Beiträge pelanggan Yang ada dalam sistem dihitung dengan menjumlahkan P0 P1 P2 P4, Hasil perhitungan Pn (M / M / s) dapat dilihat Pada Tabel probabilitas hasil olahan POM für Windows yaitu seperti berikut: Jika kita lihat Pada kolom Prob ( num in sys) k, dapat kita interpretasikan untuk robabilitas Anzahl der Beiträge pelanggan minimal 3 sampai 4 pelanggan berada dalam sistem pelayanan yaitu sebesar 13,85, karena sebelum itu, pemasangan 5 Kasir Bank CIMB tidak efektif, seperti terlihat pada Grafik (M / M / s ). Menurut Sofjan Assauri pengertian Lineare Optimierung adalah Suatu Teknik perencanaan Yang dengan menggunakan Modell matematika dengan tujuan untuk menemukan kombinasi-kombinasi produk Yang Terbaik didalam menyusun Suatu alokasi sumber Daya Yang Terbatas Guna untuk mencapai tujuan Yang digunakan dengan Secara optimal. Deutsch - Übersetzung - Linguee als Übersetzung von "adaalah pengalokasian" vorschlagen Linguee - Wörterbuch Deutsch - Englisch ausschließlich englische Resultate für. Fungsi Linear Programming: Fungsi tujuan ialah fungsi Yang menggambarkan Suatu tujuan ataupun sasaran ataujuga Ziel didalam Suatu permasalahan lineare Programmierung Yang berkaitan dengan Suatu peraturan dengan Secara optimale sumber daya (Ressource) untuk memperoleh Suatu keuntungan Yang Maksimal. Fungsi ialah suatu bentuk penyajian dengan secara sistematis batasan-batasan suatu kapasitas yang tersedia akan dapat dialokasikan secara optimal. Masalah lineare Programmierung tersebut dapat dinyatakan ialah sebagai proses optimisasi suatu fungsi tujuan didalam bentuk Memaksimumkan ataupun meminimumkan. Contoh kasus dan pembahasan Lineare Programmierung: Pada sebuah toko buku, Ana membeli 4 buku, 2 pulpen dan 3 pensil dengan harga Rp 26.000,00. Lia membeli 3 buku, 3 pulpen, dan 1 pensil dengan harga 21.000,00. Nisa membeli 3 Jahre alt buku dan 1 pensil dengan harga Rp. 12.000,00. Jika Bibah membeli 2 pulpen als 3pensil, maka tentukan aus biaya yang harus dikeluarkan aus Bibah. Dari soal, dapat disusun sistem persamaan lineare sebagai Berikut: 1). 4x 2y 3z 26.000 2). 3x 3y z 21.000 Ditanya. 2y 3z 8230. Untuk menjawab pertanyaan seperti ini umumnya yang harus kita cari terlebih dahulu adalah harga satuan masing-masing barang. Karena yang ditanya harga 2j 3z, maka kita hanya perlu menkari harga satuan und dan z. Dari 3x 3J z 21.000 dan 3x z 12,000, diperoleh harga satuan pulpen yaitu: 3x 3J z 21.000 Selanjtunya, substitusi nilai y Pada persamaan 1 dan 2 sebagai berikut: 4x 2 (3.000) 3z 26 3x 3 (3.000) z 21 4x 6.000 3z 26.000 3x 9.000 z 21.000 4x 3z 20.000 (3) Jadi, Harga 2 pulpen dan 3 pensil adalah. 2y 3z 2 (3.000) 3 (2.400) Rp 13.200,00. Peramalan merupakan Suatu perkiraan Perusahaan terhadap penjualan dan penggunaan bagi Suatu barang Agar dapat dibuat dalam kuantitas Yang tepat. Kegiatan peramalan merupakan bagian integral dari pengambilan keputusan manajemen. Peramalan mengurangi ketergantungan pada halb halb jang belum pasti (intuitif). Peramalan memiliki sifat saling ketergantungan antar divisi atau bagian. Kesalahan dalam proyeksi penjualan akan mempengaruhi pada ramalan anggaran, pengeluaran operasi, arus kas, persediaan, dan sebagainya. Dua Hal Pokok Yang Harus Diperhatikan Dalam Proses Peramalan Yang Akurat Dan Bermanfaat (Makridakis, 1999): Pengumpulan Daten Yang relevan berupa informasi yang dapat menghasilkan peramalan yang akurat. Pemilihan teknik peramalan yang tepat yang akan memanfaatkan informasi Daten Yang diperoleh semaksimales Mungkin. Terdapat dua pendekatan untuk melakukan, peramalan, yaitu, dengan, pendekatan, kualitatif, pendekatan, kuantitatif. Metode peramalan kualitatif digunakan ketika data historis tidak tersedia. Metode peramalan kualitatif adalah metode subyektif (intuitif). Metode ini didasarkan pada informasi kualitatif. Dasar informasi ini dapat memprediksi kejadian-kejadian di masa yang akan datang. Keakuratan dari metode ini sangat subjektif. Metode peramalan kuantitatif dapat dibagi menjadi dua tipe, causal dan time series. Metode peramalan causal meliputi faktor-faktor yang berhubungan dengan variabel yang diprediksi seperti analisis regresi. Peramalan time series merupakan metode kuantitatif untuk menganalisis data masa lampau yang telah dikumpulkan secara teratur menggunakan teknik yang tepat. Hasilnya dapat dijadikan acuan untuk peramalan nilai di masa yang akan datang Tehnik Dan Metode Peramalan Dalam pemilihan tehnik dan metode peramalan, pertama kita perlu mengetahui ciri-ciri penting yang perlu diperhatikan bagi pengambil keputusan dan analisa keadaan, dalam mempersiapkan peramalan. Ada enam ciri utama yang perlu diperhatikan. yaitu : Periode waktu selama suatu keputusan atau analisa akan mempunyai pengaruh, dan waktu itu manajer harus merencanakan dan memperhitungkan pengaruh-pengaruh pemilihan tehnik dan metode yang tepat. Horizon waktu umumnya dapat dibagi dalam jangka pendek, jangka menengah dan jangka panjang. Tugas-tugas dalam pengambilan keputusan pada umumnya dibagi-bagi (untuk memudahkan penanganannya menurut tingkat perincian yang dibutuhkan) Dalam keadaan dimana keputusan atau analisa yang dibuat mengenai berbagai produk perusahaan, hendaklah ada usaha pengembangan. Secara efektif atas aturan-aturan pengambilan keputusan yang sederhana, yang dapat diaplikasikan secara mekanisme untuk masing-masing produk. Umumnya ada empat unsur biaya yang mencakup suatu prosedur peramalan, yaitu biaya-biaya pengembangan, penyimpangan data, operasi pelaksanaan dan kesempatan dalam penggunaan tehnik dan metode lain. Tingkat ketepatan yang dibutuhkan sangat erat hubungannya dengan tingkat perinciaan yang dibutuhkan oleh suatu peramalan. Untuk beberapa pengambilan keputusan mengharapkan variasi-variasi atau penyimpangan atas ramalan yang dilakukan antara 10 sampai dengan 15 bagi maksud-maksud yang mereka harapkan. Tehnik Perkiraan Dengan Mengunakan Metode Deret Waktu Metode Deret Waktu biasanya dipakai untuk menganalisis pola permintaan masa lalu dan memproyeksikannya untuk masa depan. Dasar perhitungan prakiraan deret waktu ini ialah menghitung besar setiap komponen berdasarkan data massa lalu. Asumsi dasar yang dipakai dalam metode ini ialah bahwa pola permintaan dapat dibagi menjadi beberapa komponen yaitu tingkat rata-rata ( average level ), kecenderungan ( trend ), musiman ( seasonality ), siklus ( Cycle ) dan kesalahan ( error ). Metode Rata-Rata Bergerak Metode ini merupakan metode yang termudah dalam teknik peramalan deret waktu kita mengasumsikan bahwa komponen acak tidak terdapat pola musiman, trend, atau komponen siklus pada data permintaan pada saat ini. Moving average ialah suatu titik peramalan dengan mengkonsumsikan data dari beberapa periode terbaru atau terakhir dari data tersebut dijadikan data peramalan untuk periode yang akan datang. Rumus rata-rata bergerak ( Moving average ) Jumlah Permintaan Pada N Periode Terakhir Jumlah periode yang akan digunakan dalam MA Ket. N periode 3 bulan Dasar perhitungan metode ini ialah nilai rata-rata dari beberapa bulan/tahun secara berturut-turut sehingga diperoleh nilai rata-rata bergerak secara teratur atas dasar jumlah tahun tertentu. Diketahui data penjualan untuk tahun 95, 96, 97, 98 dan 99 secara berturut-turut ialah 180, 250, 200, 195, dan 180. Berapa MA untuk periode pertama Jumlah permintaan pada N periode terakhir Jumlah periode yang akan digunakan dalam MA MAD ( Mean Absolut Deviation ) Perhitungan perkiraan kesalahan peramalan ( Forecasting ), perkiraan kesalahan ini mempunyai beberapa manfaat, yaitu : Untuk mendapatkan persediaan yang aman sehingga tidak terjadi stock out ( tidak adanya persediaan ). Untuk memantau pengamatan permintaan yang tidak menentu atau bernilai ekstrim, sehingga dapat dikendalikan dengan baik dan dapat dikeluarkan dari data apabila diperlukan. Untuk menentukan apakah metode peramalan ini tidak dipakai lagi dan memerlukan perbaikan. Rumus Mean Absolut Deviation (MAD) S ( Nilai Peramalan 8211 Nilai Nyata ) N. Merupakan jumlah periode Diketahui nilai peramalan 210 nilai nyata 195 N 1 MAD 210 195 15 Rata-rata Bergerak Tertimbang /Terbobot ( Weight Moving Average ) Disamping metode rata-rata bergerak sederhana kita mengenal metode rata-rata tertimbang ( Weight Moving Average ) dimana pada setiap elemen data kita dapat memberikan bobot. Dengan cara ini nilai-nilai yang akhir dapat diberikan bobot lebih keras. Rumus Rata-rata Bergerak Tertimbang/Terbobot ( Weight Moving Average ) WMA ( data penjualan terakhir x bobot ke 1) ( Data x sampai bobot terakhir). Diketahui WI 40, W2 30, W3 20, W4 10 Data penjualan nyata untuk bulan ke-1 100, ke-2 90, ke-3 105, dan F5 0,40(95) 0,30(105) 0,20(90) 0,10(100) F5 38 31,5 18 10 Pemulusan Eksponensial ( Eksponensial Smoothing ). Pemulusan eksponensial adalah suatu tehnik peramalan rata-rata bergerak yang melakukan pertimbangan terhadap data masa lalu dengan cara eksponensial sehingga data paling akhir mempunyai bobot atau timbangan lebih besar dalam rata-rata bergerak. Dengan pemulusan eksponensial sederhana forecasting dilakukan dengan cara ramalan periode terakhir ditambah porsi perbedaan (disebut Alpha) antara permintaan periode terakhir dengan peramalan periode terakhir. Rumus Pemulusan Eksponensial ( Eksponensial Smoothing ) Ft Ramalan untuk periode sekarang (t) Ft 1 Ramalan yang dibuat untuk periode terakhir (t-1) a Smoothing constant At 1 Permintaan nyata peeriode teakhir Nilai a yang terendah terutama cocok bila permintaan produk perubahan yang stabil tetapi variasi acak adalah tinggi, sedangkan yang tinggi berguna dimana sesungguhnya cenderung terjadi karena lebih respontif terhadap fluktuasi permintaan. Diketahui Ft 1 1,050 unit At 1 1000 unit a 0,50 Ft 1.050 0,05(1000-1050)
No comments:
Post a Comment