Penelitian ini menggunakan simulasi Monte Carlo untuk memprediksi permintaan es teh berdasarkan distribusi empiris, eksponensial, dan normal guna memperoleh estimasi permintaan pada beberapa periode simulasi.

Simulasi regresi linear dengan pendekatan bootstrap dan penanganan missing value menggunakan mean imputation dan MICE. Hasil menunjukkan ketiga metode menghasilkan estimasi yang konsisten, namun MICE memberikan hasil paling stabil dengan tingkat ketidakpastian yang lebih rendah.

Simulasi dan pemodelan time series menggunakan ARIMA(1,1,1) dengan parameter berbeda. Data awal tidak stasioner, kemudian distasionerkan melalui differencing. Identifikasi model dilakukan menggunakan ACF, PACF, dan EACF, dilanjutkan pemilihan model terbaik berdasarkan nilai AIC. Hasil menunjukkan model terbaik tidak selalu sama dengan model pembangkitan, namun tetap mampu merepresentasikan pola data dengan baik.

Output simulasi estimasi parameter regresi logistik pada berbagai skenario data menggunakan perangkat lunak R. Terlihat bahwa ukuran sampel berpengaruh terhadap keakuratan estimasi, di mana pada sampel kecil bias masih relatif besar, sedangkan pada sampel besar estimasi parameter mendekati nilai sebenarnya. Selain itu, kondisi multikolinearitas dan outlier juga memberikan pengaruh terhadap kestabilan hasil estimasi parameter.

Analisis runtun waktu terhadap data penjualan bulanan periode 2018–2022 menggunakan model ARIMA dan SARIMA untuk mengidentifikasi pola tren dan musiman serta melakukan peramalan 12 periode ke depan. Hasil menunjukkan adanya tren meningkat dan pola musiman tahunan, dengan model terbaik dipilih berdasarkan kriteria AIC.

Simulasi ini mengeksplorasi pengaruh ukuran sampel, variabilitas data, dan pengetahuan standar deviasi populasi terhadap lebar interval kepercayaan 95%. Hasilnya menunjukkan bahwa sampel yang lebih besar menghasilkan estimasi yang lebih presisi, sementara variabilitas yang tinggi memperbesar ketidakpastian. Perbedaan antara penggunaan distribusi Z dan t juga terlihat, terutama pada sampel kecil. Eksplorasi ini menegaskan pentingnya memahami karakteristik data dalam menghasilkan estimasi yang akurat.

Project ini berisi simulasi distribusi menggunakan R untuk memahami konsep Teorema Limit Pusat serta pengaruh ukuran sampel terhadap distribusi rata-rata sampel. Analisis dilakukan pada beberapa distribusi, yaitu geometri, eksponensial, dan seragam, dengan pendekatan simulasi berulang.

Project ini mengeksplorasi simulasi variabel acak menggunakan R sebagai bagian dari pengembangan kemampuan pemodelan probabilistik dan analisis data. Simulasi dilakukan pada beberapa distribusi utama, yaitu Binomial, Normal, dan Eksponensial, untuk merepresentasikan fenomena diskrit maupun kontinu dalam konteks dunia nyata. Melalui pendekatan berbasis simulasi, proyek ini menunjukkan bagaimana parameter teoritis seperti probabilitas keberhasilan, nilai rata-rata, dan laju kejadian memengaruhi bentuk distribusi dan perilaku data yang dihasilkan. Setiap model divisualisasikan menggunakan histogram untuk mengamati karakteristik distribusi, seperti simetri, kemiringan (skewness), dan sebaran data. - Selain menghasilkan data acak, analisis juga difokuskan pada: - Perbandingan antara nilai teoritis dan hasil simulasi, - Estimasi probabilitas empiris, - Interpretasi karakteristik distribusi dalam konteks aplikatif. Proyek ini mencerminkan pemahaman konseptual terhadap teori probabilitas sekaligus kemampuan implementasi komputasional dalam R untuk melakukan simulasi dan analisis statistik secara sistematis.

Project ini menampilkan penerapan dasar pemrograman R untuk simulasi dan pengolahan data. Materi mencakup manipulasi struktur data (vector, factor, list, dataframe), pembuatan barisan numerik, simulasi probabilistik menggunakan sample() dan set.seed(), serta perhitungan statistik deskriptif. Proyek ini menunjukkan kemampuan dalam data handling, simulasi terstruktur, dan interpretasi output sebagai fondasi analisis data berbasis R.