Hasil Pencarian  ::  Simpan CSV :: Kembali

"Akurasi peramalan permintaan sangat mempengaruhi kinerja sistem rantai pasok yang pada akhirnya berdampak langsung terhadap kesuksesan bisnis perusahaan. Peramalan yang akurat akan mampu memanfaatkan sumber daya perusahaan secara effisien. Namun, banyak perusahaan yang mengakui bahwa proses peramalan mereka tidak berjalan sebaik yang mereka harapkan. Kebanyakan perusahaan hanya menggunakan data masa lalu untuk meramalkan permintaan dimasa mendatang. Padahal data permintaan masa lalu tidak cukup untuk dijadikan dasar perkiraan permintaan dimasa mendatang. Terdapat beberapa independent variabel yang mempengaruhi jumlah permintaan produk seperti iklim, promosi, kanibalisasi, hari raya, harga produk, jumlah toko, jumlah penduduk dan pendapatan yang selalu berubah seiring waktu. Oleh karena itu perlu dibangun model yang mampu mengakomodasi fenomena tersebut. Metode yang diusulkan adalah regresi linier berganda, fuzzy regresi linier berganda dan jaringan saraf tiruan. Makalah ini menyajikan langkah-langkah peramalan yang disertai studi kasus pada produk insektisida. Hasilnya menunjukan bahwa peramalan yang dihasilkan metode ini lebih baik dari pada hasil peramalan yang dilakukan perusahaan.

---

The accuracy of demand forecasting greatly influences the performance of the supply chain system which ultimately has a direct impact on the business perfomance. Accurate forecasting will be able to utilize company resources efficiently. However, many companies admit that their forecasting process is not going as well as they expected. Most companies only use historical data to forecast future demand. Whereas past demand data is not enough to be used as the basis for future forecasts. There are several independent variables that affect the number of product demand such as climate, promotion, cannibalization, holidays, product prices, number of stores, population and income that always change over time. Therefore it is necessary to build a model that is able to accommodate this phenomenon. The proposed method is multi linear regression, fuzzy multi linear regression and artificial neural networks. This paper presents forecasting steps accompanied by case studies on insecticide products. The results shown that the proposed forecasting method more accurate than company forecast."

"Penelitian ini bertujuan membuat model dasar penentuan alokasi anggaran yang optimal dalam pengelolaan kebersihan kota peserta Program Bangun Praja.Data yang digunakan berupa data 39 kota yang mengikuti Program Bangun Praja pada tahun 2003/2004 diambil dari Kantor Kementerian Lingkungan Hidup c.q Deputi Bidang Pengendalian Pencemaran Lingkungan.Metode analisa yang digunakan adalah regresi linier berganda, dengan variabel terikat besar anggaran kebersihan kota dan variabel bebas berupa jumlah penduduk terlayani, luas layanan, jumlah alat angkut, sampah terangkut, letak TPA dan jumlah personil. Pendugaan dilakukan dengan metode Ordinary Least Square (OLS).Dari hasil analisa tersebut diperoleh model terbaik. Model tersebut adalah bahwa anggaran kebersihan kota dipengaruhi terbesar oleh variabel jumlah alat angkut (ALAT), jumlah penduduk yang terlayani (JPT), jumlah personil (PERSON), dan jumlah pasar (PSR). Koefisien determinasi yang ditunjukkan sebesar 0,8687. Dengan menggunakan alat analisa EVEWS 3.1 diperoleh probabilitas t variabel ALAT sebesar 0,0468, variabel JPT sebesar 0,0248, variabel PERSON sebesar 0,0101 dan variabel PSR sebesar 0,0000, lebih kecil dari a 5%. Persamaan model tersebut adalah ANGG =-2596,5010+15,79316 ALAT+0,005627 J PT +3,908995 PERSON+396,1444 PSR.Simulasi dilakukan pada 5 kota, Kota Jakarta Utara, Bandung, Depok, Surakarta dan Salatiga. Nilai tingkat kebersihan kota-kota tersebut berdasar penilaian Program Bangun Praja relatif rendah dibanding dengan kota lain. Kenyataan ini didukung dengan dari hasil simulasi bahwa jumlah anggaran pengelolaan kebersihan kota di bawah estimasi anggaran.Kesimpulan penelitian ini adalah Model alokasi anggaran kebersihan kota peserta Program Bangun Praja yang diajukan cukup baik untuk menjelaskan pola penentuan alokasi anggaran kebersihan kota (data KLH tahun 2004). Variable yang berpengaruh besar adalah jumlah alat angkut, jumlah penduduk yang terlayani, jumlah personil, dan jumlah pasar.Dari hasil simulasi, dengan sumber daya yang ada agar kota-kota tersebut dapat manambah tingkat kebersihan kotanya harus pula meningkatkan jumlah anggaran pengelolaan kebersihan kota."

"Analisis regresi merupakan salah satu teknik dalam statistika yang digunakan untuk mengetahui hubungan antar variabel respon dan satuatau lebih variabel regressor. Metode penaksiran parameter regresi yang umum digunakan adalah metode least square. Dalam penaksiran parameter regresi, banyak permasalahan yang muncul salah satunya adalah multikolinearitas. Multikolinearitas menghasilkan taksiran yang tidak stabil, sehingga diperlukan metode lain untuk mengatasi multikolinearitas yang diperkenalkan oleh Hoerl dan Kennard 1970 yaitu metode ridge regression dengan cara kerjanya adalah menambahkan konstanta bias ridge pada matriks X 39;X. Sarkar 1992 dan Grob 2003 mengembangkan metode tersebut dengan memanfaatkan informasi prior dari parameter - dan memperkenalkan metode restricted ridge regression. Berger 1980 mendefinisikan informasi prior untuk parameter - adalah suatu informasi non sampel yang muncul dari pengalaman masa lalu dan keputusan dari ahli dengan situasi yang hampir sama dan memuat parameter ? yang sama. Dalam skripsi ini penggunaan metode restricted ridge regression diaplikasikan untuk mengatasi multikolinearitas pada data Portland Cement dan menghasilkan MSE yang lebih kecil dibandingkan metode least square dan ridge regression.

---

Regression analysis is a technique in stastisticsto analyse the relationship between a response variable and one or more regressor variable's. Ordinary Least Square method is commonly used to estimate parameter's. Most frequently occurring problem in multiple linier regression analysis is the presence of multicolinearity. Multicollinearityin least square estimation produces estimation with large variance, so another method is needed to overcome the multicollinearity. Hoerl and Kennard 1970 introduced a new method called ridge regression by addingaconstant bias ridge to matrix X 39 X. Sarkar 1992 and Gro 2003 developed a method usingthe prior information of the parameter and introduced the restricted ridge regression method. Berger 1980 defined prior information of the parameter as a non sample information arising from past experiences and based on the opinions of an expertice with similar situations and containing the same parameters. This thesis will explain the use of restricted ridge regression method to overcome the presence of multicolinearity in regression model for Portland Cement dataset and produce smaller MSE than least square and ridge regression estimator."

"Analisis regresi linier berganda adalah suatu teknik statistik untuk memodelkan dan menganalisis hubungan antara variabel respon dan variabel-variabel regresor. Pada umumnya, penaksiran parameter pada model regresi linier berganda menggunakan metode OLS (Ordinary Least squares) yang menghasilkan taksiran least squares. Pada model regresi linier berganda dimungkinkan kondisi multikolinieritas yang menyebabkan variansi taksiran least squares menjadi besar sehingga taksiran least squares tidak stabil. Salah satu metode alternatif penaksiran parameter model regresi linier berganda untuk kasus multikolinieritas adalah metode ridge yang menghasilkan taksiran ridge. Taksiran ridge bergantung pada sebuah konstanta bias k yang disebut konstanta bias ridge. Metode generalized ridge merupakan pengembangan dari metode ridge, dengan menerapkan Dekomposisi Spektral untuk memperoleh bentuk kanonik, kemudian ditambahkan beberapa konstanta bias sebanyak jumlah variabel regresor yang diperoleh dari proses iterasi. Taksiran generalized ridge menghasilkan mean square error yang lebih kecil dari mean square error taksiran least squares.

---

Analysis of regression is a statistical technique for modeling and analizing the relationship between the response variable and regressor variables. This skripsi is modeling the relationship between one response variable and several regressor variables when there is no linear relationship among the regressors variable. The ordinary least squares method is used to estimate regression coefficient. Multicollinearity result in large variance for the least squares estimators of the regression coefficient, and the estimators also will be unstable. Ridge method is the most common method to overcome this problem. Ridge estimator depends on biasing parameter k called constant of ridge. Generalized ridge is an extension of the ordinary ridge method by applying spectral decompotition to obtain the canonical form, then adding biasing parameters as many as number of regressor variables that specified by iteration. The advantage of generalized ridge estimator over the least squares estimator is generalized ridge estimator has less scalar mean square error (mse) than mse of least squaress estimator."

"Analisis regresi adalah sebuah teknik dalam statistika untuk menyelidiki dan memodelkan hubungan antara variabel respon dan variabel regresor. Metode penaksiran parameter regresi yang umum digunakan adalah metode ordinary least square (OLS) yang menghasilkan taksiran yang dinamakan taksiran least square. Dalam penaksiran parameter regresi, banyak permasalahan yang muncul, salah satunya adalah multikolinieritas. Penaksiran dengan menggunakan metode OLS dalam kasus multikolinieritas menghasilkan taksiran least square yang tidak stabil, sehingga pada skripsi ini akan dibahas metode lain guna mengatasi permasalahan ini. Metode yang diperkenalkan dapat mengatasi multikolinieritas diantaranya yaitu metode ridge, metode Liu, dan metode GRR. Namun, ketiga metode ini menimbulkan permasalahan lain pada saat dilakukan penaksiran parameter, salah satunya ada pemilihan konstanta optimal yang sulit ditentukan dan nilai PRESS (Prediction Error Sum of Square) yang besar. Untuk itu, Liu dan Gao (2011) memperkenalkan taksiran linearized ridge regression (LRR) yang memiliki kelebihan dibandingkan ketiga metode sebelumnya yaitu pemilihan konstanta optimal yang mudah ditentukan dan juga nilai PRESS yang minimum diantara ketiga metode tersebut.

---

Regression analysis is a statistical technique for investigating and modeling the relationship between the response variable and regressor variable. Ordinary least square (OLS) method is commonly used to estimate parameters and give an estimator named least square estimator. In regression parameter estimation, there are many problems such as multicolinearity. Estimation using OLS method in multicolinearity caused an unstable least square estimator, therefore this research will explain other methods which can solve this problem such as ridge method, Liu method, and GRR method. Unfortunately, these methods cause another problem when estimation parameter is done, such as hardly obtaining the optimal constants and the large value of PRESS (Prediction Error Sum of Squares). To solve this problems, Liu and Gao (2011) introduced Linearized Ridge Regression (LRR) estimator which has superiority amongs those prior methods which easily obtains the optimal contants and the minimum value of PRESS."

"Analisis regresi linier adalah suatu teknik dalam statistika untuk memodelkan dan menganalisis hubungan linier antara variabel respon dengan variabel regresor. Metode penaksiran parameter regresi yang umum digunakan adalah metode ordinary least square (OLS) yang menghasilkan taksiran yang dinamakan taksiran least square. Dalam analisis regresi linier berganda, masalah yang sering terjadi adalah multikolinieritas. Multikolinieritas membuat penaksiran dengan menggunakan metode OLS menghasilkan taksiran least square yang tidak stabil, sehingga pada skripsi ini akan dibahas metode lain untuk mengatasi permasalahan ini. Metode yang diperkenalkan untuk mengatasi multikolinieritas diantaranya adalah metode GRR yang menghasilkan taksiran generalized ridge. Taksiran ini merupakan taksiran yang bias. Metode ini masih memiliki kekurangan, yaitu bias yang dihasilkan tidak dijamin akan selalu bernilai kecil. Untuk itu, Singh, Chaubey, dan Dwivedi (1986) memperkenalkan metode Jackknife Ridge Regression (JRR) yang menghasilkan taksiran Jackknife Ridge Regression. Taksiran ini akan mereduksi bias yang dihasilkan oleh taksiran generalized ridge sehingga terkait dengan data yang digunakan, nilai mean square error taksiran ini lebih kecil dibanding taksiran generalized ridge maupun taksiran least square.

---

Regression linear analysis is a statistical technique for modeling and investigating the linear relationship between the response variable and regressor variable. Ordinary least square (OLS) method is commonly used to estimate parameters and yields an estimator named least square estimator. Most frequently occurring problem in multiple linear regression analysis is the presence of multicollinearity. Estimation using OLS method in multicolinearity caused an unstable least square estimator, therefore this undergraduate thesis will explain other method which can solve this problem such as GRR method that yields a bias estimator, named generalized ridge estimator. Unfortunately, this method still has a shortcoming because the bias in resulting estimator is not always guaranteed to be small. To solve this problems, Singh, Chaubey, and Dwivedi (1986) introduced Jackknife Ridge Regression (JRR) method that yields Jackknife Ridge Regression estimator. This estimator will reduce the bias of generalized ridge estimator, thus related to the data used, the resulting mean square error value of this estimator is smaller than the two methods."

"Analisis regresi merupakan salah satu teknik dalam statistika yang digunakan untuk menginvestigasi dan memodelkan hubungan antara variabel respon dan variabel regresor. Pada skripsi ini akan dimodelkan hubungan satu variabel respon dengan beberapa variabel regresor menggunakan model regresi linier berganda dimana antar variabel regresor tidak saling bergantung linier. Adanya multikolinieritas menyebabkan taksiran least square tidak stabil dan bisa memberikan informasi yang salah. Taksiran ridge adalah taksiran parameter model regresi yang umumnya digunakan untuk mengatasi hal tersebut. Tetapi ketika terjadi multikolinieritas yang kuat, variansi taksiran ridge tidak berbeda jauh dengan variansi taksiran least square. Masalah lainnya adalah konstanta taksiran ridge yang sulit untuk ditentukan. Untuk mengatasi masalah tersebut, Kejian Liu (1998) memperkenalkan taksiran Liu yang memiliki dua kelebihan dibandingkan taksiran ridge yaitu skalar mean square error (mse) yang lebih kecil dibandingkan mse taksiran ridge dan konstanta taksiran Liu yang mudah ditentukan.

---

Regression analysis is a statistical technique for investigating and modelling the relationship between the response variable and regressor variable. This skripsi modelling the relationship between one response variable and several regressor when there is no linear relationship between the regressors. In presence of multicollinearity, the least square estimator is unstable and may gives misleading information. Ridge estimator is the most common estimator to overcome this problem. But when there exist severe multicollinearity, variance of ridge estimator almost same with variance of least square estimator. The other problem is a constant of ridge estimator is difficult to specified. To solve this problem, Kejian Liu (1998) proposed Liu estimator that have two advantages over the ridge estimator are Liu estimator has less scalar mean square error (mse) than mse of ridge estimator and a constant of Liu estimator can specified easily."

"Model regresi linier berganda adalah model yang dapat digunakan untuk menaksir nilai-nilai suatu variabel terikat berdasarkan lebih dari satu variabel bebas pada data. Metode yang dapat digunakan untuk menaksir model regresi linier berganda adalah maximum likelihood estimator MLE . Namun, MLE memiliki kelemahan, yaitu sensitif terhadap data yang mengandung outlier dan memiliki waktu proses running time yang relative lama. Metode yang digunakan untuk mengatasi kelemahan tersebut adalah metode parallel. Metode parallel adalah metode yang membagi data menjadi beberapa kelompok. Salah satu metode pengelompokan yang sering digunakan untuk mencari banyak atau jumlah cluster adalah k-means clustering. Pada tugas akhir ini, proses MLE dilakukan pada setiap cluster, sehingga metode ini disebut parallel maximum likelihood estimator. Data yang digunakan pada tugas akhir ini berasal dari bankruptcy data bank32nh . Bank32nh adalah data mengenai antrian pada suatu bank XYZ yang terdiri dari 4500 observasi, 1 variabel terikat, dan 31 variabel bebas. Dari hasil aplikasi data, parallel maximum likelihood estimator memiliki waktu proses running time yang lebih singkat dan nilai mean square error MSE yang lebih kecil.

---

Multiple linear regression model can be used to estimate the value between one dependent variable and more than one independent variables on the data. A method that can be used to estimate the parameters of the model is the maximum likelihood estimator MLE. However, MLE has weakness e.i sensitive to the data that contains outlier and has a relatively long running time. To overcome these weaknesses the parallel method is used. In the parallel method, the data is devided into several groups. One of the known clustering methods is "k means clustering".

In this study, the MLE process did on each cluster, so that this method is called the parallel maximum likelihood estimator. The current data used for this research is from bankruptcy data bank32nh . Bank32nh is a dataset about the queue at a XYZ bank which consist of 4500 observations, one dependent variable, and 31 independent variables from experimental results, parallel maximum likelihood estimator the running time is faster and has smaller mean square error MSE."

"ABSTRAKPenelitian ini membahas tentang analisis data time series berdasarkan data laporan trafik DNS Sinkhole dari ID-SIRTII. Analisis ini terbagi menjadi dua yaitu analisis tren dan perbandingan performa dua metode forecasting berdasarkan jumlah aktivitas malware berbasis command and control C C selama tiga bulan awal tahun 2016 di Indonesia. Analisis tren dilakukan dengan mengelompokkan malware berdasarkan keluarga dan varian teraktif. Tren analisis menunjukan total aktivitas malware sebanyak 1452585872 yang terdiri dari 12 keluarga malware berbeda. Keluarga malware yang paling aktif yaitu berasal dari keluarga B85 Dorkbot dengan persentase 40,49 dari total keseluruhan aktivitas malware dalam tiga bulan tersebut. Varian teraktifnya yaitu B85-R2V dengan persentase 37 dari total keseluruhan aktivitas malware. Perbandingan performa forecasting menggunakan dua metode yang akan dibandingkan yaitu regresi linier berganda dan regresi dengan ARIMA error. Berdasarkan perbandingan nilai MAPE dalam prediksi jangka waktu 1 minggu, kedua metode hampir memiliki kemampuan yang sama dalam memprediksi 10 varian malware C C terbanyak. Sedangkan dalam jangka waktu 2 minggu, metode regresi dengan ARIMA error memberikan kemampuan prediksi yang lebih baik dibandingkan dengan metode regresi linier berganda.

---

ABSTRACT

This bachelor thesis discuss about time series data analysis of DNS Sinkhole traffics from ID SIRTII. There are two main sections of this analysis, trend analysis and performance comparison of two forecasting methods based on C C malware activities in the first three months of 2016 in Indonesia. Trend analysis is performed by grouping malware based on family and the 10 most active variants. It shows 1452585872 total activity of malware consist of 12 different malware families. The most active malware is come from B85 Dorkbot family with 40.49 of total malware activities in those three months. Its most active variant is B85 R2V with 37 of total malware activities. Performace comparison of forecasting methods use multiple linear regression and regression with ARIMA errors. Based on the comparison of MAPE values in one week prediction period, both methods almost have the same ability to predict the top 10 C C malware variants. While within 2 weeks prediction period, regression method with ARIMA errors gives better prediction ability compared with multiple linear regression method."