1. Modelkan pendapatan bulanan dari 1000 pegawai yang berdistribusi normal dengan rata-rata pendapatan Rp10.000.000,- dan standar deviasi Rp200.000,-. 2. Modelkan jumlah pelanggan yang datang setiap hari ke suatu restoran yang mengikui pola distribusi poisson dengan laju kedatangan pelanggan 35 pelanggan perhari. 3. Buatlah dua kasus Anda sendiri dengan melibatkan distribusi variabel random dari teori yang telah dipelajari.

Bagi investor, memprediksi pergerakan harga saham adalah elemen kunci dalam pengambilan keputusan investasi. Prediksi yang akurat dapat membantu mengurangi risiko sekaligus memaksimalkan potensi keuntungan. Salah satu metode statistik yang sering digunakan untuk memodelkan dan memprediksi data deret waktu, seperti harga saham, adalah ARIMA (Auto-Regressive Integrated Moving Average). Dengan menggunakan data historis, metode ini mampu mengidentifikasi pola dan tren yang dapat digunakan untuk memperkirakan pergerakan harga saham Microsoft dalam periode mendatang.

RIMA Musiman atau Seasonal Autoregressive Integrated Moving Average (SARIMA) merupakan pengembangan dari model Autoregressive Integrated Moving Average (ARIMA) pada data deret waktu yang memiliki pola musiman. Metode ini dipopulerkan oleh George Box dan Gwilym Jenskins sekitar tahun 1970-an.

Pada tugas praktikum kali ini, akan dibahas latihan soal nomor 5.11 (Montgomery, hlm.415). Berikut soalnya 5.11 Table 8.2 contains data on pharmaceutical product sales. a. Fit an ARIMA model to this time series, excluding the last 10 observations. Investigate model adequacy. Explain how this model would be used for forecasting. b. Forecast the last 10 observations. c. In Exercise 4.12, you were asked to use simple exponential smoothing with λ=0.1 to smooth the data, and to forecast the last 10 observations. Compare the ARIMA and exponential smoothing forecasts. Which forecasting method do you prefer? d. How would prediction intervals be obtained for the ARIMA forecasts?

1. Machine learning adalah ilmu pengembangan algoritme dan model secara statistik yang digunakan sistem komputer untuk menjalankan tugas tanpa instruksi eksplisit, mengandalkan pola serta inferensi sebagai gantinya 2. Menggunakan metode Random Forest (hutan acak) adalah metode pembelajaran mesin berbasis ensemble yang digunakan untuk tugas klasifikasi dan regresi. Metode ini bekerja dengan membangun banyak pohon keputusan (decision trees) selama pelatihan dan menggabungkan hasilnya untuk meningkatkan akurasi dan mencegah overfitting. 3.Teknik PCA (Principal Component Analysis) adalah teknik statistik yang digunakan untuk mengurangi dimensi data dengan tetap mempertahankan sebanyak mungkin variabilitas dari data aslinya. Metode ini sering digunakan dalam analisis data, pengenalan pola, dan pembelajaran mesin untuk memudahkan interpretasi, mempercepat proses komputasi, serta membantu mengatasi masalah multikolinearitas dalam model prediksi. 4. KNN (K-Nearest Neighbors) adalah algoritma pembelajaran mesin yang digunakan untuk klasifikasi dan regresi. Algoritma ini termasuk ke dalam kategori lazy learning atau instance-based learning, yang artinya model KNN tidak memiliki fase pelatihan yang eksplisit. Sebaliknya, algoritma KNN hanya menyimpan semua data pelatihan dan membuat prediksi berdasarkan kemiripan antara data baru dan data pelatihan yang sudah ada.

Regresi linier adalah teknik analisis statistik yang digunakan untuk memprediksi hubungan antara dua atau lebih variabel. Variabel ini dapat dibagi menjadi dua jenis: variabel terikat (dependen; Y) dan variabel bebas (independen; X). Regresi linier sederhana merujuk pada model di mana hanya ada satu variabel bebas, sementara regresi linier berganda melibatkan lebih dari satu variabel bebas.

Regresi Linear Berganda adalah model regresi linear dengan melibatkan lebih dari satu variable bebas atau predictor.