PERAMALAN JUMLAH PENDAFTARAN SISWA BARU DI

SMA NEGERI 6 GORONTALO UTARA MENGGUNAKAN

METODE DEKOMPOSISI
(Studi Kasus Jumlah Pendaftaran Siswa Baru di SMA Negeri 6 Gorontalo Utara
tahun 2008 - 2018)

PROPOSAL SKRIPSI

NINGSI DATAU
413415019

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI GORONTALO
2019
 DAFTAR ISI

HALAMAN SAMPUL i

LEMBAR PERSETUJUAN PEMBIMBING i

LEMBAR PENGESAHAN ii

DAFTAR ISI iii

I PENDAHULUAN 1
1.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Rumusan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Tujuan Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Manfaat Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4.1 Manfaat Teoritis . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4.2 Manfaat Praktis . . . . . . . . . . . . . . . . . . . . . . . . . 3

II LANDASAN TEORI 4
2.1 Kajian Teori . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.1 Peramalan (Forecasting) . . . . . . . . . . . . . . . . . . . . 4
2.1.2 Deret Berkala (Time Series) . . . . . . . . . . . . . . . . . . 5
2.1.3 Jenis Pola Data . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.4 Metode Dekomposisi . . . . . . . . . . . . . . . . . . . . . . 7
2.1.5 Persamaan Trend . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.6 Persamaan Musiman . . . . . . . . . . . . . . . . . . . . . . 10
2.1.7 Peramalan dengan Metode Dekomposisi . . . . . . . . . . . . 10
2.1.8 Ukuran Ketepatan Peramalan . . . . . . . . . . . . . . . . . . 11
2.2 Penelitian yang Relevan . . . . . . . . . . . . . . . . . . . . . . . . . 12

III METODOLOGI PENELITIAN 13

3.1 Waktu dan Tempat Penelitian . . . . . . . . . . . . . . . . . . . . . . 13
3.1.1 Waktu Penelitian . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.2 Tempat Penelitian . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Metode Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2.1 Variabel Penelitian . . . . . . . . . . . . . . . . . . . . . . . 13
 3.2.2 Sumber Data . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.3 Populasi dan Sampel . . . . . . . . . . . . . . . . . . . . . . 14
3.2.4 Teknik Penarikan Sampel . . . . . . . . . . . . . . . . . . . 14
3.2.5 Software Aplikasi . . . . . . . . . . . . . . . . . . . . . . . . 14
3.2.5.1 Minitab16 . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Tahapan Penelitian . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

DAFTAR PUSTAKA 16

ii
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Salah satu ciri kehidupan moderen sekarang ini adalah bahwa seseorang dipaksa
untuk selalu meramalkan (forecasting) apa yang akan terjadi pada masa yang akan
datang dan membuat rencana sesuai dengan kejadian kejadian yang diramalkan. Suatu
ramalan yang baik sudah pasti bukanlah ramalan yang di dasarkan atas spekulasi yang
tidak beralasan, melainkan melalui suatu perkiraan berdasarkan atas tingkah laku dari
gejala yang sudah ada dan di amati secara berulang-ulang.(Fitriani, 2014)
Dalam dunia pendidikan, Sekolah Menengah Atas (SMA) dipandang sebagai jen-
jang pendidikan yang penting untuk menghasilkan sumber daya manusia yang berkual-
itas, setiap guru SMA mengetahui akan ada siswa yang nantinya akan mendaftar dis-
ekolah tingkat SMA, namun permasalahaanya mereka tidak mengetahui berapa banyak
jumlah siswa yang akan mendaftar nanti. Oleh karena itu dalam penelitian ini kita akan
melihat bagaimana meramalkan jumlah pendaftaran siswa baru pada periode berikut-
nya menggunakan metode dekomposisi.
Peramalan Menurut Murahartaway (2009:41) adalah penggunaan data masa lalu
dari satu variabel atau beberapa variabel untuk mengestimasi nilainya dimasa depan.
Jika kita dapat memprediksi apa yang terjadi dimasa depan maka kita dapat mengubah
kebiasaan kita saat ini menjadi lebih baik dan akan jauh berbeda dimasa depan. (Didi
Pianda, 2018)
Dalam peramalan jumlah pendaftaran siswa baru di SMA Negeri 6 Gorontalo Utara
tahun 2016 peneliti cenderung menganalisis data pertahun dari jumlah Penerimaan
siswa baru yang merupakan data runtun waktu (time series) yang dikumpulkan per-
tahun untuk mengetahui jumlah Penerimaan siswa baru di SMA Negeri 6 Gorontalo
Utara tahun 2019. Pengumpulan data tersebut digunakan untuk membuat peramalan
yang nantinya bisa berguna bagi pihak Sekolah maupun Pihak lain. Untuk mera-
malkan jumlah Penerimaan siswa baru di SMA Negeri 6 Gorontalo Utara tahun 2019
peneliti menggunakan metode Dekomposisi dikarenakan pendaftaran siswa baru di
SMA Negeri 6 Gorontalo Utara bersifat musiman.
Metode dekomposisi merupakan suatu metode peramalan yang menggunakan em-
pat komponen utama dalam meramalkan nilai masa depan. Keempat komponen terse-
but antara lain trend, musiman, siklus, dan error. Jadi prinsip dasar dari metode dekom-
posisi adalah mendekomposisikan (memecah) data deret berkala menjadi beberapa
pola dan mengidentifikasi masing-masing komponen dari data deret berkala tersebut
secara terpisah. Pemisahan ini dilakukan uagar dapat membantu meningkatkan kete-
tapan peramalan dan memahami perilaku deret data secara lebih baik (Makridakis,
Wheelwright dan McGee 1999).
Berdasarkan uraian di atas maka dilakukan penelitian tentang Peramalan Jumlah
Pendaftaran Siswa Baru di SMA Negeri 6 Gorontalo Utara tahun 2019 menggunakan
Metode Dekomposisi

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan di atas maka dapat dirumuskan
permasalahannya sebagai berikut:
1. Bagaimana meramalkan jumlah pendaftaran siswa baru di SMA Negeri 6
Gorontalo Utara dengan Metode Dekomposisi?
2. Berapakah nilai hasil ramalan jumlah pendaftaran siswa baru di SMA Negeri 6
Gorontalo Utara pada tahun 2019?

2
1.3 Tujuan Penelitian

Berdasarkan latar belakang dan rumusan masalah di atas, maka tujuan dari peneli-
tian ini adalah:
1. Meramalkan jumlah pendaftaran siswa baru di SMA Negeri 6 Gorontalo Utara
dengan Metode Dekomposisi.
2. Mengetahui nilai hasil ramalan jumlah pendaftaran siswa baru di SMA Negeri 6
Gorontalo Utara pada tahun 2019

1.4 Manfaat Penelitian

Manfaat penelitian adalah sebagai berikut:

1.4.1 Manfaat Teoritis

1. Bagi Peneliti
a Menambah ilmu pengetahuan dan meningkatkan kemampuan peneliti
dalam melakukan peramalan.
b Mengetahui peramalan data deret berkala menggunakan metode Dekom-
posisi.

1.4.2 Manfaat Praktis

Penelitian ini dapat dijadikan masukan referensi untuk penyelesaian kasus yang
sama.

3
 BAB II

LANDASAN TEORI

2.1 Kajian Teori

2.1.1 Peramalan (Forecasting)

Menurut Nasution dan Prasetyawan (2008:29), Peramalan adalah proses untuk

memperkirakan beberapa kebutuhan di masa yang akan datang yaitu seperti kebu-
tuhan dalam kuantitas, kualitas waktu dan lokasi yang dibutuhkan untuk memenuhi
permintaan barang ataupun jasa. Menurut Sumayang (2003:24) Peramalan adalah
penggunaan data masa lalu yang diperhitungkan secara objektif untuk menentukan
sesuatu dimasa yang akan datang. Menurut Heizer dan Render (2009:162), Peramalan
(Forecasting) adalah seni dan ilmu untuk memperkirakan kejadian di masa depan (Didi
Pianda, 2018). Peramalan merupakan aktivitas fungsi bisnis yang memperkirakan pen-
jualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuan-
titas yang tepat. (Gaspersz, 1998)
Berdasarkan horison waktu, peramalan dapat dikelompokkan dalam tiga bagian
yaitu: (Gasperz, 1998 dalam Margi S dan Pendawa W)
1. Peramalan jangka pendek, Peramalan ini mencakup jangka waktu hingga satu
tahun tetapi umumnya kurang dari 3 bulan.
2. Peramalan jangka menengah atau intermediate, umumnya mencakup hitungan
bulanan hingga 3 tahun.
3. Peramalan jangka panjang, Umumnya untuk perencanaan 3 tahun atau lebih.
2.1.2 Deret Berkala (Time Series)

Deret berkala (Time Series) merupakan suatu observasi atau pengamatan yang di-
lakukan pada beberapa waktu yang ditentukan, biasanya dengan interval yang sama
(Murray, 1992). Time Series merupakan data yang dikumpulkan, dicatat atau diob-
servasi sepanjang waktu secara berurutan dengan beberapa periode waktu yaitu tahun,
kuartal, bulan, minggu, hari atau jam. Menganalisis data time series adalah mene-
mukan pola variasi masa lalu yang di gunakan untuk memperkirakan nilai di masa
yang akan datang, karena setelah data runtut waktu diamati akan terlihat empat kom-
ponen yang akan mempengaruhi pola data masa lalu dan sekarang yang cenderung
berulang di masa mendatang. (Makridakis, 1999)

2.1.3 Jenis Pola Data

Model Time Series dapat digunakan dengan mudah untuk meramal, dan model
kausal dapat digunakan dengan keberhasilan yang lebih besar untuk pengambilan
keputusan dan kebijaksanaan. (Makridakis, 1999). Dimana data yang diperlukan terse-
dia, suatu hubungan peramalan dapat dihipotesiskan baik sebagai fungsi dari waktu
atau sebagai fungsi dari variabel bebas, kemudian diuji. Langkah penting dalam
memilih model Time Series yaitu jenis pola datanya harus dipertimbangkan, sehingga
metode yang tepat dengan pola tersebut dapat diuji. Jenia pola data dapat ada empat
yakni horizontal/stasioner, musiman, siklis dan trend.
Menurut Makridakis (1999) hal penting yang harus diperhatikan dalam metode
deret berkala adalah menentukan jenis pola. Berikut ini ada beberapa pola yang harus
diperhatikan untuk peramalan, yaitu:
1. Data Stasioner
Pola data ini terjadi jika terdapat data yang berfluktuasi disekitar nilai rata-
rata yang konstan. (Makridakis, 1999). Suatu produk yang penjualannya tidak
meningkat atau menurun selama waktu tertentu termasuk dalam pola data hori-

5
 zontal/stasioner. Bentuk pola data horizontal/stasioner dapat dilihat pada gambar
di bawah ini: (Khairun, Nisa, Ulfa, 2016)

Gambar 2.1: Pola Data Stasioner/Horizontal

(Sumber: Khairun Nisa Ulfa, 2016)

2. Data Musiman
Pola data ini terjadi jika terdapat suatu deret data yang dipengaruhi oleh faktor
musiman contohnya seperti kuartal tahun tertentu, bulanan, ataupun hari-hari
pada minggu tertentu. Bentuk pola data musiman dapat dilihat gambar di bawah
ini:

Gambar 2.2: Pola Data Musiman

(Sumber: Khairun Nisa Ulfa, 2016)

3. Data Siklis
Pola data ini terjadi jika terdapat data yang dipengaruhi oleh fluktuasi ekonomi
jangka panjang misalnya yang berhubungan dengan siklus bisnis. Contoh: Pen-
jualan produk seperti baja, mobil, dan lainnya. Bentuk pola data ini dapat dilihat
pada gambar di bawah ini:

6
 Gambar 2.3: Pola Data Siklis

(Sumber: Khairun Nisa Ulfa, 2016)

4. Data Trend
Pola data ini terjadi jika terdapat kenaikan atau penurunan sekuler jangka pan-
jang dalam data. Contoh: Penjualan banyak perusahaan, GNP dan berbagai
indikator bisnis atau ekonomi lainnya. Bentuk pola data ini dapat dilihat dalam
gambar dibawah ini:

Gambar 2.4: Pola Data Trend

(Sumber: Khairun Nisa Ulfa, 2016)

2.1.4 Metode Dekomposisi

Metode Dekomposisi juga disebut sebagai metode time series. Saat ini banyak
metode yang dapat digunakan untuk melakukan forecasting, salah satunya adalah
metode dekomposisi. Dekomposisi suatu pola menjadi sub pola yang menunjukkan
beberapa komponen deret berkala secara terpisah. Pemisahan tersebut seringkali mem-
bantu meningkatkan ketepatan peramalan dan membantu pemahaman atas perilaku

7
deret data secara lebih baik (Makkulau, 2017). Metode Dekomposisi merupakan su-
atu metode peramalan yang menggunakan empat komponen utama dalam meramalkan
nilai masa depan. Keempat komponen tersebut adalah trend, musiman, siklus dan er-
ror. Metode dekomposisi dilandasi oleh asumsi bahwa data yang merupakan gabungan
dari beberapa komponen, secara sederhana digambarkan sebagai berikut: (Makridakis
1993 dalam jurnal S.Yuni, 2015)

Data = P ola + error = f (T, S, M ) + error (2.1)

T : Trend
dengan, S : Siklis
M : Musiman
Komponen kesalahan (error) diasumsikan sebagai perbedaan dari kombinasi kom-
ponen trend, siklis dan musiman dengan data sebenarnya.
Asumsi di atas artinya terdapat empat komponen yang mempengaruhi suatu deret
waktu, yaitu tiga komponen yang dapat diidentifikasi karena memiliki pola tertentu,
yaitu: trend, siklis dan musiman. Persamaan matematis umum dari pendekatan dekom-
posisi adalah: (Makridakis 1993 dalam jurnal S.Yuni, 2015)

Yt = f (Xt , St , Ct , It ) + εt (2.2)

Yt : nilai deret berkala (data aktual) pada periode t

Tt : komponen trend (trend) pada periode t
St : komponen musiman (seasonal) pada periode t
Ct : komponen siklis (cyclic) pada periode t
It : komponen kesalahan tidak beraturan (irregular) pada periode t, dan
εt : komponen error pada periode t
t : periode (time)
Metode dekomposisi terdiri dari dekomposisi aditif dan multiplikatif. Model

8
dekomposisi aditif dan multiplikatif dapat digunakan untuk meramalkan faktor trend,
musiman dan siklis (Makridakis, 1993 dalam Jurnal Ketut dan Rosiana 2018).
Secara matematis model dekomposisi aditif dapat ditulis:

Xt = Tt + St + Ct + It (2.3)

Sedangkan model dekomposisi multiplikatif dapat ditulis:

Xt = Tt × St × Ct × It (2.4)

dengan,
Xt : nilai deret berkala (data aktual) pada periode t
Tt : komponen trend (trend) pada periode t
St : komponen musiman (seasonal) pada periode t
Ct : komponen siklis (cyclic) pada periode t
It : komponen kesalahan tidak beraturan (irregular) pada periode t, dan
t : periode (time) (Makridakis, 1993 dalam Jurnal Ketut dan Rosiana 2018).

2.1.5 Persamaan Trend

Trend yaitu gerakan yang dalam jangka panjang mengalami naik ataupun menurun
dalam suatu deret, dan deret itu dikatakan mengandung trend. Trend atau biasa disebut
Secular Trend adalah perubahan rata-rata dalam jangka panjang. Terdapat beberapa
metode yang digunakan untuk membuat trend, yaitu trend linier least squares, trend
parabolik, dan trend eksponensial (Subagyo, 1986 dalam Jurnal Makkulau 2017).

Ŷt = a + bX (2.5)

9
 Ŷt : Nilai Trend pada periode tertentu
a : Konstanta
dengan,
b : Koefisien
X : Unit periode yang dihitung pada periode tertentu

2.1.6 Persamaan Musiman

Musiman adalah suatu pola yang berubah sendiri setelah selang waktu yang tetap.
Pola musiman terjadi bila nilai data dipengaruhi oleh faktor musiman, misalnya kuar-
tal tahun tertentu, bulanan atau hari-hari pada minggu tertentu(Makridakis 1992 dalam
Makkulau 2017). Rata-rata indeks musiman untuk satu periode adalah 100% jadi in-
deks musiman yaitu suatu angka yang bervariasi terhadap nilai dasar 100. Jika suatu
periode musiman mempunyai nilai indeks 100 maka data terebut tidak dipengaruhi
oleh musiman. (Yulianto, 2012 dalam skripsi Eva Monica 2017). Metode rata-rata
sederhana dirumuskan sebagai berikut:

n
xi
P
n
IndeksM usiman = ( i=1
n × 100%) × 12 (2.6)
P xj
n
j=1

xi : Rata-rata dalam bulan ke-i tiap tahun

i : 1,2,3,...,12
dengan,
yi : Rata-rata data tiap bulan pada tahun ke-j
j : 1,2,3,...,n

2.1.7 Peramalan dengan Metode Dekomposisi

Pada metode dekomposisi untuk melakukan peramalan dengan menggabungkan

beberapa komponen yang telah diperoleh yaitu dan indeks musim dan trend, seharus-
nya dengan indeks siklis dan perubahan random, tetapi gerak siklis sukar diperkirakan

10
polanya karena banyak faktor yang mempengaruhinya, begitu pula dengan gerak ran-
dom. Oleh karena itu, peramalan hanya akan menggunakan trend (T) dan gerak musim
(M) saja, dan dapat dibuat dengan rumus sebagai berikut:(Makridakis 1992 dalam
Makkulau 2017)

F =T ×M (2.7)

F : Nilai proyeksi
dengan, T : Trend
M : Gerak Musiman

2.1.8 Ukuran Ketepatan Peramalan

Ukuran Ketetapan peramalan digunakan untuk mengetahui keakuratan hasil

peramalan yang telah dilakukan terhadap data yang sebenarnya. Metode untuk
melakukan perhitungan kesalahan peramalan yaitu:
1. Mean Absolut Percentage Error (MAPE)
Untuk memeriksa ketepatan model akan digunakan ukuran alternatif yakni
Nilai Tengah Galat Persentase Absolut (Mean Absolute Percentage Error)
Semakin kecil nilai galatnya, akan semakin baik pula model yang digunakan
(Makridakis, 1999). MAPE memiliki penilaian standar dari hasil pengujian
akurasi yang dilakukan dan memberikan petunjuk tentang seberapa banyak
kesalahan proses peramalan dengan metode tertentu (Maricar, 2017). Mean
Absolut Percentage Error (MAPE) adalah proses perhitungan yang digunakan
untuk menghitung kesalahan rata-rata absolut antara nilai sebenarnya dan nilai
kedalaman.Formulasi ditunjukkan dalam rumus: (Gusfadilah, 2019).

n
1 X |Yt − Ŷt |
M AP E = × 100% (2.8)
n t=1 |Yt |

11
 n : Banyaknya data
dengan, Yt : Data aktual
Ŷt : Data hasil prediksi

2.2 Penelitian yang Relevan

Nizar Muhammad Al-Kharis 2014, melakukan penelitian tentang Analisis

Peramalan Pendaftaran Siswa Baru Menggunakan Metode Seasonal Arima dan
Metode Dekomposisi di Lembaga Bimbingan Belajar SSC Bintaro. Dari hasil peneli-
tian tersebut Metode Seasonal Arima yang mencari pengaruh data dimasa lalu terhadap
data dimasa kini menghasilkan model Arima (0,0,0)(1,0,0) 12 dengan nilai MAPE
sebesar 41.853% sedangkan metode Dekomposisi yang memecah data menjadi be-
berapa faktor mrnghasilkan model dekomposisi aditif dengan nilai MAPE yang lebih
baik yakni 18.153%.

12
 BAB III

METODOLOGI PENELITIAN

3.1 Waktu dan Tempat Penelitian

3.1.1 Waktu Penelitian

Penelitian ini akan dilaksanakan dalam waktu 3 bulan terhitung dari bulan April
2019 hingga Juni 2019.

Tabel 3.1: Waktu Penelitian

Waktu
No Kegiatan April Mei Juni
2019 2019 2019

1 Pengambilan Data

2 Pengolahan Data

a.Identifikasi Pola Data

b. Peramalan Dekomposisi

3 Analisis Data

a. Menghitung Nilai MAPE

4 Interpretasi Hasil

3.1.2 Tempat Penelitian

Laboratorium Komputasi Statistika Lanjut, Universitas Negeri Gorontalo.

3.2 Metode Penelitian

3.2.1 Variabel Penelitian

Variabel pada penelitian ini adalah Jumlah Pendaftaran Siswa Baru di SMA Negeri
6 Gorontalo Utara
3.2.2 Sumber Data

Data yang diambil dalam penelitian ini adalah data sekunder yaitu data jumlah
pendaftaran siswa baru di SMA Negeri 6 Gorontalo Utara tahun 2008 - 2018.

3.2.3 Populasi dan Sampel

Populasi pada penelitian ini adalah Jumlah Pendaftaran Siswa Baru Sedangkan
sampel yang di ambil dari penelitian ini adalah Jumlah Pendaftaran Siswa Baru tahun
2008 - 2018.

3.2.4 Teknik Penarikan Sampel

Teknik penarikan sampel yang digunakan adalah Sampling Jenuh yaitu tekhnik
penentuan sampel bila semua anggota populasi digunakan sebagai sampel.

3.2.5 Software Aplikasi

3.2.5.1 Minitab16

Gambar 3.1: Minitab16

Minitab16 digunakan untuk meramalkan jumlah pendaftaran siswa baru di SMA

Negeri 6 Gorontalo Utara menggunakan metode dekomposisi.

14
3.3 Tahapan Penelitian

Gambar 3.2: Diagram Alir Penelitian

15
 DAFTAR PUSTAKA

[] Didi, Pianda, ST.,MSM. 2018, Optimasi Perencanaan Produksi pada Kombinasi Produk
dengan Metode Linear Programing. Cetakan Pertama : Cv Jejak

[] Eva, Monica. 2017, Penerapan Metode Trend untuk meramalkan tipe data musiman.
Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Lampung, Bandar
Lampung.

[] Gaspersz, V. (1998). Production Planning and Inventory Control, Granmedia Pustaka

Utama, Jakarta.

[] Ketut, Sukiyono dan Rosdiana, 2018. Pendugaan Model Peramalan Harga Beras pada
Tingkat Grosir. Jurnal AGRISEP Vol. 17 No. 1 Maret 2018 Hal: 23 – 30, ISSN:
1412-8837, e-ISSN : 2579-9959

[] Khairun, Nisa, Ulfa, dan Muhammad, Syahrizal. 2016, Perancangan Aplikasi Prediksi
Jumlah Siswa Baru Pada Yayasan Cerdas Murni Menggunakan Exponensial
Smoothing. Jurnal Riset Komputer (Jurikom), Vol.3 No.6, Desember 2016, ISSN
2407-389X (Media Cetak) Hal : 59 – 64

[] Kristien, Margi, S., Sofian, Pandawa, W. 2015, Analisa Penerapan Metode Single Expo-
nential Smoothing Untuk Meprediksi Penjualan Pada Periode Tertentu. Prosiding
SNATIF ke-2 Tahun 2015 ISBN : 976-602-1180-21-1

[] M. Azman, Maricar., Putu, Widiadnyana., and Wayan, Arta Wijaya. 2017, Analysis
of Data Mining for Forecasting Total Goods Delivery with Moving Average
Method. International Journal of Enginering and Emerging Technology, Vol.2,
No. 1, January-June 2017, p-ISSN :2579-597X
[] Makridakis, S.,Wheelwrihgt, S.C and Victor, E.M.,1999, Metode dan Aplikasi
Peramalan. Jakarta. Gelora Aksara Pratama repository.usu.ac.id

[] Makkulau., Rasas, Raya., dan Sri Marlinda. 2017, Aplikasi Metode Dekomposisi pada
Peramalan Jumlah Kelahiran. Seminar Nasional Teknologi Terapan Berbasis
Kearifan Lokal (SNT2BKL), ISSBN : 978-602-71928-1-2

[] Nizar, Muhammad Al kharis. 2014, Analisis Peramalan Pendaftaran Siswa Baru

Menggunakan Metode Seasonal ARIMA dan Metode Dekomposisi. Universitas
Islam Negeri Syarif Hidayatullah. Jakarta.

[] Olvi J. Kendek., Jantje D. Prang dan Marline, Paendong. 2014, Prediksi Jumlah Pen-
gunjung Perpustakaan Universitas Sam Ratulangi Manado Menggunakan Metode
Dekomposisi. JdC, Vol. 3, No. 1, Maret, 2014

[] Spiegel., R Murray. 1992, Statistika. Edisi Keempat. Jakarta: Erlangga.

[] Subagyo, P. 1986, Forecasting, Konsep dan Aplikasi. BPFE Yogyakarta.

[] S. Yuni., Mozart, W.Talakua., Yopi, A.Lesnussa. 2015, Peramalan Jumlah Pengunjung

Perpustakaan Universitas Patimura Ambon Menggunakan Metode Dekomposisi.
Jurnal Ilmu Matematika dan Terapan, Maret 2015, Volume 9 No.1 Hal : 41-50

17