00:00:00
Hai baik salamualaikum warahmatullahi
00:00:03
wabarakatuh salam sejahtera semuanya eh
00:00:08
materi pada kali ini kita lanjutkan lagi
00:00:11
masih membahas tentang ramalan minggu
00:00:14
lalu anda sudah belajar mandiri
00:00:17
dasar-dasar peramalan serta kemudian
00:00:19
kepentingan strategisnya dan juga
00:00:22
berkaitan dengan pendekatan pendekatan
00:00:25
kualitatif yang bisa digunakan dalam
00:00:28
peramalan Eh pada sesi kali ini kita
00:00:32
akan membahas tentang pendekatan lain
00:00:35
yaitu pendekatan kuantitatif secara umum
00:00:39
terbagi menjadi dua model ya Ada model
00:00:44
deret waktu yang terdiri dari pendekatan
00:00:47
nice pendekatan rata-rata bergerak
00:00:50
pendekatan penghalusan eksponensial dan
00:00:53
proyeksi trend kemudian ada model lain
00:00:57
yaitu model asosiatif
00:01:00
Hai nah sebelum kita bahas lebih lanjut
00:01:02
ada beberapa komponen-komponen dalam
00:01:05
pendekatan deret waktu yang istilah ini
00:01:08
perlu untuk Anda pahami terlebih dahulu
00:01:11
pertama ada istilah namanya trend yaitu
00:01:16
suatu pergerakan data yang terjadi
00:01:20
sedikit demi sedikit meningkat atau
00:01:22
menurun Lalu ada musiman seasonal yaitu
00:01:28
pola data yang berulang Pada kurun waktu
00:01:32
tertentu kemudian ada acak ya variasi
00:01:37
acak ini merupakan satu titik khusus
00:01:41
dalam data yang disebabkan oleh adanya
00:01:44
situasi-situasi yang memang sudah
00:01:46
dijalani itu secara teori ya nanti kita
00:01:49
akan eh pahami bilangan ada ilustrasinya
00:01:52
Lalu ada siklus kalau siklus ini kita
00:01:56
agak rumit ya karena pola datanya
00:01:58
terjadi pada
00:02:00
Hai setiap beberapa tahun dan itu sangat
00:02:03
tergantung dari kondisi kondisi politik
00:02:06
misalnya atau juga berkaitan dengan
00:02:09
perencanaan jangka panjang gitu Nah itu
00:02:13
siklus nah berikutnya ada ilustrasinya
00:02:18
seperti ini bila kita gambarkan dengan
00:02:24
grafik x y jadi dimana grafik sumbu x
00:02:28
nya ini eh mencerminkan waktu dalam hal
00:02:33
ini tahun pada tahun pertama tahun kedua
00:02:35
tahun ketiga dan tahun ke-4 lalu
00:02:38
kemudian sumbu y nya apa
00:02:41
merepresentasikan Data permintaan sebuah
00:02:45
produk Nah kalau Anda lihat yang garis
00:02:49
biru ini ini merupakan variasi acak yang
00:02:54
juga disebut sebagai permintaan yang
00:02:56
aktual variasi acak disini maksudnya
00:02:59
adalah
00:03:00
ye terdiri dari permintaan-permintaan
00:03:02
yang memang bervariasi ya tiap minggu
00:03:05
tiap bulan titik-titik kecil seperti itu
00:03:07
klo LG ya Nah kemudian kalau kita lihat
00:03:12
ini ada Putu aslinya nih naik turun Lalu
00:03:16
naik lagi nah ini yang disebut dengan
00:03:19
musiman ya Kayak misalnya tempat-tempat
00:03:23
hiburan atau tempat-tempat pariwisata
00:03:26
hotel mereka akan mengalami yang disebut
00:03:29
dengan seasonal ini ya setiap akhir
00:03:32
tahun lalu nanti Lebaran pertengahan
00:03:34
tahun naik lagi kayak gitu ya Nah bila
00:03:38
kita lihat dari ilustrasi ini kalau kita
00:03:41
lihat sekali lagi ini akan terjadi
00:03:42
fluktuasi naik turun tetapi trennya nah
00:03:48
ini yang garis coklat naik Nah jadi ini
00:03:52
yang disebut dengan komponen dari track
00:03:55
fluktuasi tentu hal yang wajar naik
00:03:57
turun tetapi yang paling
00:04:00
kita harus pahami adalah kerennya
00:04:01
Bagaimana bisnis ini naik atau turun nah
00:04:05
ini Jadi beberapa istilah-istilah dasar
00:04:07
yang harus kita ketahui yang terdapat
00:04:10
pada pendekatan atau model deret waktu
00:04:13
Nah pertama yang kita bahas adalah
00:04:15
pendekatan nice pendekatan itu mudah
00:04:19
sekali berasumsi bahwa kalau contoh
00:04:22
kasusnya adalah permintaan maka
00:04:24
berasumsi bahwa permintaan diperiode
00:04:26
mendatang itu sama dengan permintaan
00:04:29
pada periode terakhir contoh kalau
00:04:32
penjualan pada bulan Januari itu 68 unit
00:04:36
kira-kira berapakah penjualan di bulan
00:04:39
Februari ya kita asumsikan aja sama
00:04:42
kayak periode sebelumnya ya Nah
00:04:45
pendekatan ini memang terkadang biayanya
00:04:47
efektif dan efisien tetapi cenderung
00:04:50
digunakan untuk titik awal yang baik ya
00:04:54
digunakan untuk PLTU memulai nah
00:04:58
kemudian
00:05:00
Hai pendekatan lain itu ada yang disebut
00:05:02
dengan metode nya rata-rata bergerak ya
00:05:06
merupakan urutan rata-rata aritmatika
00:05:09
secara sederhana dan digunakan bila
00:05:12
trennya kecil atau mungkin juga tidak
00:05:15
ada sering digunakan untuk penghalusan
00:05:18
data ya Nah pendekatan ini ya metode
00:05:23
rata-rata bergerak rumusnya sederhana
00:05:24
yaitu jumlah dari permintaan dalam
00:05:27
periode yang sebelumnya dibagi m dan
00:05:30
Kalau Anda lihat di buku itu kita sudah
00:05:32
masuk ke halaman 171 dan 172 Contohnya
00:05:38
seperti ini misalnya Diketahui sebuah
00:05:41
perusahaan memiliki permintaan penjualan
00:05:46
aktual di bulan Januari 10 unit di bulan
00:05:49
Februari 12 unit dan seterusnya sampai
00:05:51
dengan dibulan Juli yaitu 26 unit
00:05:54
Penjualan aktualnya Nah kita ingin
00:05:57
memperkirakan atau meramalkan
00:06:00
Hai permintaan penjualan ya dengan
00:06:03
rata-rata bergerak tiga bulan maka
00:06:06
seperti ini saja untuk penjualan dibulan
00:06:09
April berarti rata-rata tiga bulan
00:06:12
berarti permintaan tiga bulan penjualan
00:06:14
tiga bulan sebelumnya itu dibagi tiga ya
00:06:17
dan seterusnya oke nah eh metode ini
00:06:22
pada akhirnya juga kita kembangkan ya Eh
00:06:26
nah ini ilustrasi grafisnya penjualan
00:06:31
aktual dan hasil peramalannya dengan
00:06:33
menggunakan rata-rata bergerak tentu ada
00:06:36
perbedaan tetapi memang polanya sama ini
00:06:38
penting ya sebagai acuan dalam kegiatan
00:06:41
bisnis kita kita akan perlu ya
00:06:42
memperkirakan kondisi akan datang
00:06:44
sehingga strateginya Bagaimana ya nah eh
00:06:50
kita kembangkan lagi berkaitan dengan
00:06:53
rata-rata bergerak ya yaitu dengan
00:06:55
menggunakan pembobotan yaitu
00:07:00
hutan ini pendekatan ini digunakan saat
00:07:02
mulai muncul tren atau pola yang mulai
00:07:06
terdeteksi dan besarnya bobot itu apa
00:07:10
dibobot Berdasarkan pengalaman dan juga
00:07:13
intuisi perumusnya seperti ini
00:07:16
formulanya ya pembobotan rata-rata
00:07:20
bergerak sama dengan jumlah dari bobot
00:07:24
periode n dan dikali dengan apa namanya
00:07:29
permintaan dalam periode n dibagi dari
00:07:33
jumlah bobotnya nah Anda bisa lihat di
00:07:38
contoh2 ya halaman 173 dari rata-rata
00:07:43
bergerak 3 bulanan gitu ini kita kasih
00:07:46
bobot ya kalau bulan lalu bobotnya
00:07:49
adalah tiga dua bulan lalu bobotnya 2-3
00:07:52
bulan lalu bobotie satu sehingga jumlah
00:07:55
bobotnya adalah 6 Nah sekarang kalau
00:07:58
kita implementasikan
00:08:00
Hai Bila kita ingin meramalkan dengan
00:08:02
pendekatan rata-rata bergerak eh 3
00:08:06
bulanan yang dibobot maka menjadi
00:08:09
seperti ini untuk bulan April bulan
00:08:13
lalunya kan bobotnya 3 maka tiga dikali
00:08:16
permintaan aktual bulan lalu 13 kemudian
00:08:20
ditambah Eh kalau dua bulan lalu
00:08:23
bobotnya dua berarti dua kali 12 dan
00:08:26
kalau tiga bulan yang lalu bobotnya
00:08:27
adalah satu berarti satu kali 10 Jadi
00:08:31
jumlahnya ini kemudian dibagi enam
00:08:34
hasilnya adalah 12/6 eh ramalan untuk
00:08:39
dibulan April dan seterusnya hal yang
00:08:42
sama untuk kita gunakan Bila kita ingin
00:08:44
meramalkan pernah penjualan penjualan ya
00:08:47
atau permintaan-permintaan di periode
00:08:50
yang akan datang dengan menggunakan
00:08:51
pembobotan tersebut nah Masih muda ya
00:08:54
Nah ini ada beberapa potensi masalahnya
00:08:58
ya bertambahnya jumlah
00:09:00
Hai entup meredam fluktuasi namun kurang
00:09:03
sensitif terhadap perubahan nyata pada
00:09:05
data dan kurang mendapat kurang dapat
00:09:09
menggambarkan tren secara baik serta
00:09:11
membutuhkan data masa lalu yang lebih
00:09:14
ekstensif lagi baik ini perbandingannya
00:09:18
secara gratis antara rata-rata bergerak
00:09:21
saja dengan rata-rata bergerak yang
00:09:25
dibobot Nah kalau kita lihat yang
00:09:30
mendekati ideal yang pembobotan ya ya
00:09:35
pembobotan rata-rata bergerak oke
00:09:38
berikutnya ya Ada metode lain yang
00:09:42
disebut dengan penghalusan eksponensial
00:09:46
Anda bisa buka halaman 174 dan 175 nah
00:09:51
secara sederhana formulanya adalah yang
00:09:55
ini FT = FT min 1 ditambah 1
00:10:00
saufa yang dikalikan admin1 dikurangi
00:10:03
fm1 terlebih dahulu uraiannya adalah
00:10:06
seperti ini ramalan baru yaitu peramalan
00:10:11
baru sama dengan peramalan sebelumnya
00:10:14
fm1 yang dijumlah Alfa smoothing ya
00:10:19
konstantanya yang dikalikan permintaan
00:10:23
aktual periode lalu yang dikurangi
00:10:25
peramalan sebelumnya silakan Ini di
00:10:29
highlight ya di bukunya ya jadi apa
00:10:34
namanya kita mengacu pada buku aja ya
00:10:38
oke berikutnya contohnya ada di halaman
00:10:44
175 jadi lihat pada buku ada contoh tiga
00:10:48
ya Nah di situ secara ringkas bahwa
00:10:54
permintaan yang diprediksi ya di bulan
00:10:59
Februari
00:11:00
itu ada 142 mobil dan permintaan
00:11:06
aktualnya diketahui ada 153 dan
00:11:11
konstanta penghalusan yang digunakan itu
00:11:14
adalah 0,20 nah itu yang diketahui
00:11:19
seperti itu ya nah eh berapa kira-kira
00:11:24
apa namanya permintaan di bulan maret Ya
00:11:29
permintaan bulan akan datang kalau ini
00:11:31
ketahui kan ini Februari ya maka dengan
00:11:34
formula yang tadi akhirnya tinggal kita
00:11:36
masukkan saja ramalan baru Maka 142
00:11:40
yaitu permintaan yang diprediksi di
00:11:44
bulan Februari ya kita Mbah konstanta
00:11:48
penghalusan yang dialihkan 153 dikurangi
00:11:51
142 nah Maka hasilnya peramalan barunya
00:11:55
adalah seperti ini ya 144 koma
00:12:00
Hai kalau dibulatkan menjadi 144 mobil
00:12:03
seperti itu nah eh kita lanjutin lagi ya
00:12:08
tentu Alfa bisa digunakan tergantung
00:12:11
dari kepentingan atau dari intuisi atau
00:12:14
dari itu saya manajernya Kurang lebih
00:12:16
begitu ya boleh saja menggunakan Alfa
00:12:19
0,5 atau bisa menggunakan Alfan 0,1 ya
00:12:22
ini ada ilustrasinya dan memang ada
00:12:27
perbedaan hasil dari kedua Alfa tersebut
00:12:30
bila kita gunakan nah Karena itulah ya
00:12:33
nilai Alfa yang tinggi itu biasanya
00:12:36
dipilih saat rata-rata cenderung berubah
00:12:38
ya Adapun Eh nilai Alfa yang rendah itu
00:12:45
digunakan saat rata-ratanya cukup stabil
00:12:49
nah memilih Alfa pada dasarnya seperti
00:12:53
ini kita itu mendapatkan peramalan yang
00:12:56
paling akurat apapun metodenya namun
00:12:59
secara
00:13:00
Um kita melakukannya dengan memilih
00:13:03
model yang memberikan kesalahan
00:13:05
peramahan ramalan terkecil jadi itu yang
00:13:08
kita cari yang model yang kesalahan
00:13:13
peramalan yang paling kecil nah Oleh
00:13:16
karena itu untuk mencari kesalahan
00:13:18
peramalan atau ketidak sesuaian
00:13:20
peramalan yang forecast Error itu
00:13:22
sederhana permintaan aktual dikurangi
00:13:25
hasil dari peramalannya atau Ate
00:13:27
dikurangi FT nah dalam konteks
00:13:30
penghalusan eksponensial ini juga kita
00:13:34
ada beberapa cara untuk mengukur error
00:13:38
tersebut ya polisinya ya selisih antara
00:13:42
permintaan atau penjualan aktual serta
00:13:45
hasil peramalannya Nah ukuran-ukuran
00:13:48
error ya itu ada M ad ya atau mint
00:13:55
episode default deviation dengan
00:13:58
formulanya ini
00:14:00
Iya itu m AG = Sigma dari aktual
00:14:04
dikurangi peramalan yang kemudian dibagi
00:14:07
n Lalu ada mint Square error atau msie
00:14:10
yaitu dengan rumus seperti ini MSI sama
00:14:13
dengan jumlah dari kesalahan peramalan
00:14:15
yang dikuadratkan dibagi n Nah kemudian
00:14:21
ada ukuran-ukuran lain yaitu ada map map
00:14:26
map solut persen error ya seperti ini
00:14:30
formulanya ya stigma dari ya Tergantung
00:14:33
ini persentasenya yang kemudian nanti
00:14:36
dibagi ya aktual dikurangi hasil
00:14:39
peramalan ini kemudian dibagi aktualnya
00:14:42
lalu kemudian jumlahnya dibagiin atau
00:14:45
seperti ini juga secara sederhana jumlah
00:14:48
kesalahan persen Absolut dibagi nanti
00:14:51
ini kita akan bahas di contoh soal agar
00:14:54
lebih mudah contoh pembahasannya Saya
00:14:58
minta Anda buka contoh 4
00:15:00
Udah dulu ya ada di halaman 177 secara
00:15:05
sederhana seperti ini Jadi kurang lebih
00:15:09
ya Saya minta Anda fokus dulu di sini ya
00:15:12
Sesuai dengan pointer saya Jadi itu
00:15:17
ceritanya kan ada Pelabuhan ya Pelabuhan
00:15:20
bongkar yang aktivitasnya melakukan
00:15:22
bongkar muat dan salah satunya adalah
00:15:25
bongkar muat tonase biji-biji gitu ya
00:15:28
produk DJ BG nah diketahui satuan
00:15:31
waktunya adalah wartel wartel 1-8 bahwa
00:15:35
pada setiap wartel tersebut tonase
00:15:38
bongkar muat aktualnya banyak ini ini
00:15:42
pada Kuartal 1 Tonasa bongkar muat
00:15:46
aktualnya 80 di Kuartal kedua tonase
00:15:50
bongkar muat aktualnya 168 dan
00:15:53
seterusnya sampai dibuat Kuartal
00:15:56
kedelapan diketahui tonase bongkar muat
00:15:59
aktual
00:16:00
masih besar 182 nah eh bila Anda lihat
00:16:06
di contoh soal tersebut ya Eh pelabuhan
00:16:12
tersebut ia melalui manajernya itu
00:16:15
menggunakan 2alfa dalam melakukan
00:16:19
forecasting nya ada yang Adia
00:16:22
menggunakan Alfa 0,0 dan menggunakan
00:16:25
Alfa 0,5 Nadia mau menguji itu eh apa
00:16:30
namanya apa yang mana nih ya yang yang
00:16:34
yang yang paling ok Katakanlah seperti
00:16:36
itu dan dari data yang diketahui ia
00:16:41
menebak ramalan pada Kuartal pertama itu
00:16:45
175 Ton jadi taruh di sini 175 Nah
00:16:51
dengan rumus penghalusan eksponensial
00:16:56
silahkan anda buka tabel di halaman 100
00:17:00
pula panjang paling atas diketahui
00:17:02
seperti itu ya ketika memasuki Kuartal
00:17:06
kedua ya rumus penghalusan eksponensial
00:17:10
nya di operasikan hasilnya adalah untuk
00:17:16
peramalan di Kuartal kedua adalah 105,5
00:17:20
ya Ini karena PowerPoint nggak muat ya
00:17:23
jadi langsung hasilnya saja nah
00:17:26
bagaimana dengan yang Alfan yang 0,5
00:17:28
hasilnya adalah 177 koma lima eh iya ini
00:17:35
jadi dicari dari penghalusan
00:17:37
eksponensial rumusnya Nah setelah kita
00:17:43
depan namanya mengetahui hasil hasilnya
00:17:47
seperti ini akhirnya ini adalah hasil
00:17:50
hasil peramalan eksponensial dengan alfa
00:17:53
0,0 dan kalau ini adalah hasil-hasil
00:17:56
pengamalan dengan menggunakan
00:17:58
penghalusan eksponensial dengan
00:18:00
halo koma lima Nah di sini ya di kolom
00:18:06
ke-4 ini ada deviasi Absolut yaitu
00:18:08
selisihnya deviasi Absolut untuk Alfano
00:18:12
koma 10 ini kan lima ya jadi 180
00:18:16
dikurangi eh apa namanya salju 595 ya
00:18:21
ini juga sama 168 iPhone 175 Iya kita
00:18:25
jadikan 7,5 positif dan seterusnya dan
00:18:28
seterusnya sehingga totalnya ya total
00:18:32
deviasi absolutnya itu adalah pantai
00:18:34
2,45 hal yang sama untuk deviasi Absolut
00:18:38
untuk Alfa 0,5 dan totalnya adalah 98,6
00:18:44
02 ya Nah dari sini akhirnya kita coba
00:18:50
cari m adiknya yaitu rumusnya kan
00:18:55
seperti ini jumlah dari deviasi dibagi n
00:18:58
untuk
00:19:00
Vano koma 10 atau 0,1 n udah ada nih
00:19:04
jumlah deviasinya 8245 dan tinggal
00:19:08
dibagi 8 Maka hasilnya adalah 10,3 satu
00:19:12
untuk Alfan yang 0,5 hal yang sama
00:19:17
tinggal dibagi delapan Ya dan hasilnya
00:19:20
12,3 tiga Nah itu untuk magnetnya ya
00:19:24
Jadi kita taruh di sini Bagaimana dengan
00:19:27
MSG nya ya MSG nya itu cara nyarinya kan
00:19:31
kesalahan peramalan yang dikuadratkan
00:19:33
jumlahkan ya dibagi n nah eh kalau Anda
00:19:40
lihat ya bisa langsung ke halaman 179
00:19:44
ada contoh lima nah ini anda lihat dulu
00:19:49
Tolong contoh lima ya ada tabel disitu
00:19:52
kalau Anda lihat kolom ke-4 itu kan ada
00:19:58
kesalahan kuadrat
00:20:00
Hai hey ya kesalahan peramalan itu
00:20:02
kuadrat jadi semua kesalahan
00:20:05
dikuadratkan tune ya untuk peramalan
00:20:08
dengan elvanol ya kan ada kesalahannya
00:20:12
lima ya deviasinya tadi 5 berarti
00:20:15
tinggal di kuadratkan 5 kuadrat = 25 ya
00:20:20
Kemudian untuk ya wartel dua kesalahan
00:20:24
dikuadratkan nya 50625 dan seterusnya
00:20:28
sampai Kuartal ke delapan dan bila
00:20:32
dijumlahkan ya jumlah kesalahan
00:20:34
dikuadratkan tersebut hasilnya adalah
00:20:38
1526 koma 54 ya tinggal dibagi 8
00:20:43
hasilnya 198 02 nah bagaimana untuk yang
00:20:48
alfagomma 05 ya Emang di buku memang
00:20:53
enggak dijabarkan secara utuh tapi
00:20:56
intinya adalah bahwa jumlah kesalahan
00:20:59
peramalan
00:21:00
harganya untuk yang Alfano koma lima itu
00:21:02
adalah 1561 koma sembilan satu lalu
00:21:07
dibagi 8 hasilnya 195 koma 24 nama KMS
00:21:12
Ini hasilnya kita taruh bawah ya seperti
00:21:14
itu nah bagaimana yang mapnya yamapi
00:21:20
mati ya anda silahkan buka contoh 6 atau
00:21:24
ada di halaman 180 Nah kalau di mapping
00:21:29
itu nah Anda lihat di contoh enam ya
00:21:33
langsung Anda lihat di kolom ke-4 ya ada
00:21:38
kesalahan persen Absolute ratus itu
00:21:42
kesalahan berat Tual ya Eh jadi maksud
00:21:48
saya 100 gitu ya di kali ya kesalahan
00:21:52
peratuan Nah kalau Anda lihat di Kuartal
00:21:56
1 itu kan kesalahan
00:22:00
Hai ikan eh lima ya deviasinya 5 dibagi
00:22:05
permintaan aktualnya yaitu 180 ya jadi
00:22:11
5/80 di persentase n hasilnya 2,78
00:22:15
persen ya baca tabelnya gitu ya jadi
00:22:22
Anda lihat yang call empatnya ya Nah dan
00:22:26
seterusnya akhirnya Anda langsung lihat
00:22:29
Di kolom bau yang dibagian bawahnya
00:22:31
jumlah persentase kesalahan untuk Alfan
00:22:35
Opo Mas 10 hasilnya adalah 40 4,7 5% nah
00:22:40
ini saya langsung ketik di sini aja biar
00:22:42
mudah biar cepet ya Kebyar karena
00:22:44
panjang sekali ya Kalau ditulis semua
00:22:47
44.com A75 dibagi 8 dan hasilnya 5,5
00:22:51
sembilan persen Nah untuk yang Alfa 0,5
00:22:54
memang dibuku tidak dibales tapi intinya
00:22:57
hasilnya sekian anda perlu perhatikan
00:23:00
aja untuk Alfa 0,5 salah Hussain
00:23:03
absolutnya itu 54005 totalnya bagi
00:23:07
delapan hasilnya 6,76 sehingga kalau
00:23:11
kita lihat secara keseluruhan m.adm si
00:23:16
dan m.a.p. dari Alfa 0,10 tentu hasilnya
00:23:21
lebih kecil daripada yang alfanya 0,5
00:23:25
ini jadi kita membandingkan error ya
00:23:29
pada ramalan yang kita lakukan baik eh
00:23:35
untuk apa namanya eh pendekatan atau
00:23:40
metode time series nya Eh saya cukupkan
00:23:46
dulu ya anda pelajari dulu dan setelah
00:23:49
ini kita akan lanjut ke dua metode
00:23:53
lainnya ya Ada analisa trend dan juga
00:23:57
model asosiatif ke
00:24:00
punya ini sengaja saya jelaskan terpisah
00:24:02
karena memang eh Serupa tapi tak sama
00:24:06
meskipun yang apa namanya analisis trend
00:24:11
dia masuk ke dalam deret waktu ya Adapun
00:24:15
kalau yang asosiatif Ya beda ya nanti
00:24:18
sore grasi itu saja ya Eh setelah ini
00:24:22
kita akan bahas dua metode lagi yaitu eh
00:24:26
analisa trend ya proyeksi Friend dan
00:24:29
juga analisa regresi yang digunakan
00:24:31
untuk analisis asosiatif demikian Break
00:24:36
dulu boleh sebelum nanti kita lanjutkan
00:24:38
untuk membahas kedua metode tersebut
00:24:40
Terima kasih ya
