PEMODELAN DATA RUNTUK WAKTU PADA DATA PRODUKSI SUSU SAPI DI AMERIKA SEJAK TAHUN

Ukuran: px
Mulai penontonan dengan halaman:

Download "PEMODELAN DATA RUNTUK WAKTU PADA DATA PRODUKSI SUSU SAPI DI AMERIKA SEJAK TAHUN"

Transkripsi

1 PEMODELAN DATA RUNTUK WAKTU PADA DATA PRODUKSI SUSU SAPI DI AMERIKA SEJAK TAHUN Jantini Trianasari Natangku dan Fitria Puspitoningrum Mahasiswa Program Studi Matematika Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Abstrak Setiap peristiwa yang ada dalam kehidupan sehari hari pasti akan berubah ubah. Peramalan diperlukan untuk memperkirakan apa yang terjadi pada periode waktu ke depan, data yang digunakan merupakan kronologi kejadian dari pengamatan sebelumnya. Makalah ini menjelaskan cara mendiagnosi data Milk dengan model ARIMA. Model yang cocok setelah melakukan pengstasioneran pertama data diperoleh model ARIMA (0,1,1). Pengstasioneran kedua dilakukan untuk mencari model runtun waktu dalam periode 1 tahun. Keduanya digunakan untuk memprediksi peningkatan produksi dari data Milk periode 1 tahun yang akan datang. Prediksi dengan model ARIMA Seasonal menunjukkan nilai data yang tidak berbeda jauh dari data sebenarnya. Kata Kunci : Peramalan, Diagnosi, Prediksi. PENDAHULUAN Setiap peristiwa atau kejadian yang ada di kehidupan sehari hari pasti akan berubah ubah. Sebagai contoh, di bidang ekonomi terdapat rata rata angka penjualan produk yang tidak menetap, indeks harga saham yang selalu berubah dan lain sebagainya. Peramalan diperlukan untuk memperkirakan apa yang akan terjadi sehingga dapat dilakukan tindakan yang tepat terhadap situasi yang terjadi. Dalam peramalan, data yang digunakan merupakan runtun waktu, yaitu rentetan kronologi dari pengamatan pengamatan yang dilakukan (Hanke, 1998). Pada makalah ini, akan dibahas mengenai model peramalan ARIMA (Autoregressive Integrated Moving Average). Model peramalan ini dipelajari secara mendalam oleh Gorge.E.P.Box dan Gwilym.M.Jenkins, sehingga metode ARIMA sering disinonimkan

2 dengan nama mereka yaitu Box-Jenkins. Model ini dapat digunakan untuk data diskret maupun kontinu dengan selang waktu yang sama dan dapat dipakai untuk permalan data musiman ataupun tidak musiman asalkan data stasioner. DASAR TEORI Data Stasioner dan Non Stasioner Dalam model permalan Box-Jenkins, sebelum melakukan identifikasi model sementara harus terlebih dahulu diperiksa apakah data runtun waktu yang akan diamati sudah stasioner. Untuk memeriksa hal tersebut dibutuhkan unsur unsur statistic seperti nilai rata rata (mean), variansi dan nilai autokorelasi. Atau dengan cara yang lain dengan melihat grafik yang terbentuk dari n buah yang diamati. Apabila grafik tersebut naik turun di sekitar nilai rata rata, maka deret tersebut stasioner. Jika tidak stasioner, data tersebut harus diubah menjadi stasioner dengan transformasi logaritma dan mendiferensialkannya. Fungsi Autokorelasi Sampel (ACF) Autokorelasi sampel merupakan relasi antara data runtun waktu. Jika diberikan sembarang data runtun waktu Y,..., 1, Y2 Yn dengan mengasumsikan bahwa data tersebut telah stasioner, akan dapat diestimasi fungsi autokorelasi untuk berbagai lag k =1,2,.... Cara yang sederhana untuk melakukan hal ini dengan menghitung korelasi sampel untuk pasangan Y, Y ),( Y, Y ),...,( Y, Y ) persamaan (1). ( 1 1 k 2 2 k n k n. Fungsi autokorelasi sampel r k didefinisikan pada r k n t t= k+ 1 = n ( Y Y )( Y t= 1 t t k 2 ( Y Y ) Y ) (1) Fungsi Autokorelasi Sampel Parsial (PACF) Diperoleh estimasi dari fungsi autokorelasi parsial untuk lag k =1,2,... yang dinotasikan dengan φkk seperti pada persamaan (2). φ kk = Corr ( Y β Y t Y t k 1 t 1 β Y β Y 1 t k t 2 β Y... β s t k + 2 k 1 Y t k... β, Y ) k 1 t 1 (2) Berdasarkan ACF dan PACF yang telah diperoleh akan mampu diidentifikasi suatu model Box-Jenkins yang sesuai dengan data runtun waktunya yang kemudian disebut sebagai

3 model sementara. Model sementara tersebut pasti memiliki satu atau lebih parameter yang nilai nilainya belum diketahui dan harus diestimasi dari deret pengamatan. Model fitting terdiri dari penentuan estimasi yang mungkin dan terbaik dari parameter yang tidak diketahui dalam model yang diberikan sehingga sesuai dengan data runtun waktu yang dimodelkan. Model didiagnosi untuk menganalisa kelayakan dari model sementara tersebut. Apakah model cocok dengan data runtun waktunya? Jika cocok, maka model dapat digunakan untuk meramal nilai deret yang akan datang. Sebaliknya apabila tidak cocok maka dilakukan kembali identifikasi sampai model yang diperoleh cocok. Untuk mengetahui cocok tidaknya model sementara tersebut dengan melakukan pengujian terhadap nilai koefisien autokorelasi dengan menggunakan salah satu dari dua statistik berikut Box-Pierce dan Ljung- Box yang dinyatakan pada persamaan (3) dan (4). Statistik Box-Pierce Statistik Ljung-Box Q = n( rˆ + rˆ rˆ ) (3) 1 2 K rˆ rˆ rˆ 1 2 K Q* = n( n + 2) (4) n 1 n 2 n K MODEL ARIMA SEASONAL Model Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaitu: model autoregressive (AR), moving average (MA), dan model campuran ARIMA (autoregressive moving average) yang mempunyai karakteristik dari dua model pertama bentuk umum dapat dilihat dari pustaka Cryer (1986) dan pustaka Cryer dan Chan (2008). Untuk meramalkan prediksi data dalam periode waktu ke depan dapat digunakan model ARIMA Seasonal. Bentuk umum dari model MA order Q dengan periode musiman didefinisikan pada persamaan (5), dengan karateristik musiman MA polynomial ditunjukkan pada persamaan (6). Y t = et Θ1 et s Θ2et 2s... ΘQet Qs (5) Θ s 2s Qs ( x) = Θ x Θ x... Θ x 1 (6) 1 Sedangkan bentuk umum untuk model AR order P dengan periode musiman didefinisikan pada persamaan (7). Persamaan (8) menunjukkan karateristik model AR polynomial. Y + 2 Q t = Φ1 Yt s + Φ2Yt 2s ΦPYt Ps et (7) s 2s Ps ( x) = 1 Φ x Φ x Φ x Φ P (8)

4 METODE PENELITIAN Data Penelitian ini menggunakan data sekunder yang diperoleh dari perusahaan produksi susu sapi. Data diperoleh melalui penelitian yang dilakukan oleh perusahaan selama bulan Januari 1962 Desember 1975 sebanyak 168 titik sampel. Dilakukan spesifikasi model dari data tersebut, sehingga model dapat digunakan untuk peramalan pada masa yang akan datang. Model yang telah ditentukan harus didiagnosi sehingga memperoleh model terbaik sesuai dengan asumsi yang digunakan. Apabila model tersebut belum cocok, maka dilakukan kembali spesifikasi dan diagnosi model kembali sampai menemukan model data runtun waktu yang sesuai dengan data. HASIL DAN PEMBAHASAN Data Milk yang digunakan terlebih dahulu dianalisis tentang kestasionerannya. Kestasioneran data Milk ditunjukkan melalui Gambar 1. Pada gambar tersebut diketahui bahwa data Milk tidak stasioner karena sampel tersebut makin lama makin menaik sepanjang tahun atau mengalami trend naik. Milk Production per Cow 1962:1 1975:12 Pounds Month Gambar 1. Uji Stasioner Data Milk Karena Milk tidak stasioner seperti yang ditunjukkan pada Gambar 1 dan cenderung mengalami trend menaik, maka data tersebut harus distasionerkan terlebih dahulu. Hasil stasioner data Milk ditunjukkan pada Gambar 2. Untuk menstasionerkan data Milk dilakukan deferensial terhadap data tersebut sehingga diperoleh stasioner.

5 Milk Production per Cow 1962:1 1975:12 Stasioner Pounds Month Gambar 2. Data Milk Stasioner Data stasioner yang telah diperoleh harus dicari nilai ACF dan PACF yang masing masing ditunjukkan pada Gambar 3 & 4. Batas UCL ( garis putus putus) bernilaii ± = ± = ± n 168 ACF yang diperoleh dari stasioner data Milk memperlihatkan pada lag 1 bernilai, lag 2 mendekati 0 tetapi lag 3 kembali bernilai seperti yang disajikan pada Gambar 3. PACF yang dibentuk dari data Milk stasioner pada lag 1 tidak bernilai dan mulai bernilai pada lag 2, tetapi kembali tidak bernilai pada lag 3 dan seterusnya seperti yang terlihat pada Gambar 4. Gambar 3. ACF Data Milk Stasioner Pertama

6 Gambar 4. PACF Data Milk Stasioner Pertama Hasil pada Gambar 3 & 4 memperlihatkan bahwa baik ACF bernilai pada lag 1 sedangkan PACF mulai bernilai di lag 2. Hal tersebut dapat digunakan untuk meramal model data runtun waktu untuk Milk. Model tersebut adalah ARIMA (0,1,1). Model tersebut terjadi untuk lag 50, dikarenakan nilai ACF dan PACF yang digunakan sampai lag 50. Berdasarkan hal tersebut, maka dilakukan kembali identifikasi model melalui differensial untuk ke 2x nya, untuk mencari model runtun waktu Milk di lag 12 (musiman per tahun). Hasil differensial untuk yang kedua diperlihatkan pada Gambar 5. Milk Production per Cow 1962:1 1975:12 Stasioner2 Pounds Month Gambar 5. Grafik Stasioner Data Milk yang Kedua

7 Hasil Gambar 5 digunakan dalam menghitung nilai ACF dan PACF dari data Milk yang dinyatakan dalam Gambar 6 & 7. Fungsi ACF yang digunakan pada Milk stasioner kedua ini berada pada lag 12, sehingga diperoleh seperti Gambar 6 yang menunjukkan bahwa hanyaa bernilai pada lag 1, 12 dan 13. Sedangkan PACF yang ditunjukkan pada Gambar 7 makin lama makin mendekati 0 dan bernilai pada lag 1. Gambar 6. ACF Data Milk Stasioner Ke-2 Gambar 7. PACF Data Milk Stasioner ke-2 Gambar 6 & 7 digunakan untuk meramalkan model data Milk pada saat lag 12. Model tersebut merupakan model ARIMA (0,1,1) 12. Sehingga pada data Milk ini digunakan perkalian antara data Milk stasioner pertama dengan Milk untuk lag 12. Berdasarkan hal tersebut diperoleh model ARIMA (0,1,1) x (0,1, 1) 12 untuk data Milk dengan estimasi parameter pada persamaan (1). 12 YY t = e t θe t 1 Θe t 12 + θθe t 13

8 dengan e t saling bebas dan memiliki mean 0 serta variansi σ 2. Diperoleh hasil estimasi untuk parameterr θ= dengan estimasi standardd error diperoleh sedangkan untuk estimasi parameterr Θsebesar dengan estimasi standard error diperoleh Variansi diestimasi sedangkan untuk AIC (Aikike Information Criteria) bernilai 1090,74. Nilai parameter tersebut disubstitusi ke persamaan (1), sehingga diperoleh persamaan (2). 12 Y t = e t ( )e t 1 ( )e t 12 + ( ) ( )e t = e t e t )e t e t 1 Model yang telah tersebut dilakukan diagnosi dari residunya. Hasil residu standar dari model tersebut dinyatakan pada Gambar 8 bagian yang pertama. Terlihat bahwa nilai residu standar berkisar diantara -3 sampai 4 dan dapat dikatakan bahwa berdistrbusi normal. ###(kok bisa) Untuk menguji kenormalan residu standar data Milk, dilakukan uji kenormalan menggunakan uji Kolmogorov-Smirnov. Hasil pengujian menggunakan uji tersebut diperoleh nilaii p sebesar sehingga tetap dikatakan bahwa nilai residu standar tersebut normal. Berdasarkan nilai korelasi antar nilai residu yang disajikan pada Gambar 8 bagian kedua, terlihat bahwa nilai korelasi sampai lag ke 20 berada di dalam batas garis biru, atau dapat dikatakan tidak bernilai. Pada Gambar 8 bagian ketiga diperlihatkan bahwa nilai-p dari statistik Ljung-Box tidak ada yang lebih kecil dari tingkat signifikansi 5 %. Hal hal tersebut memperkuat pendapat mengenai residu standar berdistribusi normal yang ditunjukkan pada Gambar Gambar 8. Grafik Hasil Diagnosi Residu Data Milk

9 Normal Q-Q Plot Sample Quantiles Theoretical Quantiles Gambar 9. Grafik Kenormalan Hasil peramalan data Milk tersebut sesuai model ARIMA seasonal yaitu ARIMA (0,1,1) x (0,1,1) 12 digunakan untuk meramalkan prediksi 1 tahun ke depan beserta nilai standard error yang dinyatakan dalam Tabel 1. Hasil prediksi tersebut dapat juga digambarkan dalam bentuk grafik dengan tingkat kepercayaan 95 % yang ditunjukkan pada Gambar 10. Terlihat bahwa grafik prediksi tidak berbeda jauh dengan grafik data sebenarnya. Tabel 1. Hasil Prediksi data Milk 1975:2 1975:3 1975:4 1975:5 1975:6 1975:7 1975:8 1975:9 1975:10 Prediksi SE : : :1 Prediksi SE

10 Gambar 10. Grafik Produksi Susu Sapi di Amerika Serikat pada tahun 1962:1 sampai 1975:1 dan prediksinya dari 1975:2 sampai 1976:1. KESIMPULAN Makalah ini telah menjelaskan dan membahas peramalan model runtun waktu untuk data musiman. Hasil prediksi menunjukkan nilai yang tidak berbeda dari data sebenarnya. Pemodelan yang digambarkan pada makalah ini terbatas pada Model ARIMA seasonal. Sehingga diperlukan penelitian lagi untuk membahas ARIMA seasonal model lain. DAFTAR PUSTAKA Cryer, J. D., 1986, Time Series Analysis, PWS-Kent Publishing Company, Boston. Cryer, J. D. dan Kung-Sik Chan, 2008, Time Series Analysis with Application in R, Springer, New York. Hanke, J. E dan A. G. Reitch Business Forecasting, 6 th Edition.New Jersey.2 Prentice-Hall.

TINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang

TINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data

Lebih terperinci

METODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015

METODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam

Lebih terperinci

PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR

PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR

Lebih terperinci

PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA

PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA Jurnal UJMC, Volume 2, Nomor 1, Hal. 28-35 pissn : 2460-3333 eissn: 2579-907X PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA Novita Eka Chandra 1 dan Sarinem 2 1 Universitas

Lebih terperinci

PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH

PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH

Lebih terperinci

PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA

PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.

Lebih terperinci

PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS

PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS

Lebih terperinci

FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA

FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)

Lebih terperinci

LULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI

LULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan

Lebih terperinci

PREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)

PREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan

Lebih terperinci

Pemodelan ARIMA Non- Musim Musi am

Pemodelan ARIMA Non- Musim Musi am Pemodelan ARIMA Non- Musimam ARIMA ARIMA(Auto Regresif Integrated Moving Average) merupakan suatu metode analisis runtun waktu(time series) ARIMA(p,d,q) Dengan AR : p =orde dari proses autoreggresif I

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu

Lebih terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN 38 III. METODE PENELITIAN A. Konsep Dasar dan Batasan Operasional Konsep dasar dan definisi opresional mencakup pengertian yang dipergunakan untuk mendapatkan dan menganalisis data sesuai dengan tujuan

Lebih terperinci

Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung

Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung Desy Yuliana Dalimunthe Jurusan Ilmu Ekonomi, Fakultas Ekonomi,

Lebih terperinci

PENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.

PENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK. Jurnal Matematika UNAND Vol. VI No. 1 Hal. 25 32 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat

Lebih terperinci

Peramalan Penjualan Pipa di PT X

Peramalan Penjualan Pipa di PT X Elviani, et al. / Peramalan Penjualan Pipa di PT X / Jurnal Titra, Vol.. 2, No. 2, Juni 2014, pp. 55-60 Peramalan Penjualan Pipa di PT X Cicely Elviani 1, Siana Halim 1 Abstract: In this thesis we modeled

Lebih terperinci

PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK)

PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) FITROH AMALIA (1306100073) Dosen Pembimbing: Drs. Haryono, MSIE PENGENDALIAN KUALITAS

Lebih terperinci

PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP

PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP SKRIPSI Disusun oleh : DITA RULIANA SARI NIM. 24010211140084 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO

Lebih terperinci

PEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA

PEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA Jurnal Matematika UNAND Vol. 3 No. 3 Hal. 59 67 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA ANNISA UL UKHRA Program Studi Matematika,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola data yang sistematis (Makridakis, 1999). Peramalan menggunakan pendekatan

Lebih terperinci

LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins

LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan

Lebih terperinci

SBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n

SBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi

Lebih terperinci

Bab IV. Pembahasan dan Hasil Penelitian

Bab IV. Pembahasan dan Hasil Penelitian Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Peramalan pada dasarnya merupakan proses menyusun informasi tentang kejadian masa lampau yang berurutan untuk menduga kejadian di masa depan (Frechtling, 2001:

Lebih terperinci

ABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan

ABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra A 1, Suyono 2, Ria Arafiyah 3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas

Lebih terperinci

Seasonal ARIMA adalah model ARIMA yang mengandung faktor musiman.

Seasonal ARIMA adalah model ARIMA yang mengandung faktor musiman. Definisi Seasonal ARIMA adalah model ARIMA yang mengandung faktor musiman. Musiman berarti kecenderungan mengulangi pola tingkah gerak dalam periode musim, biasanya satu tahun untuk data bulanan. Karena

Lebih terperinci

PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH

PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH Jurnal Matematika UNAND Vol. VI No. 1 Hal. 1 8 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu

Lebih terperinci

SEASONAL ARIMA Arum Handini Primandari

SEASONAL ARIMA Arum Handini Primandari SEASONAL ARIMA Arum Handini Primandari ALLPPT.com _ Free PowerPoint Templates, Diagrams and Charts ARIMA Musiman Pola musiman dalam runtun waktu adalah perubahan pola yang berulang dalam kurun waktu s;

Lebih terperinci

MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI

MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta

Lebih terperinci

Spesifikasi Model. a. ACF

Spesifikasi Model. a. ACF Dept. Statistika IPB, 0 Spesifikasi Model Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu:. Penentuan model tentatif (spesifikasi model) berdasarkan data contoh untuk mengidentifikasi

Lebih terperinci

PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS

PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS Oleh : Agustini Tripena ABSTRACT In this paper, forecasting the consumer price index data and inflation. The method

Lebih terperinci

Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA

Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA Jeine Tando 1, Hanny Komalig 2, Nelson Nainggolan 3* 1,2,3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan

Lebih terperinci

Pengenalan Analisis Deret Waktu (Time Series Analysis) MA 2081 Statistika Dasar 30 April 2012

Pengenalan Analisis Deret Waktu (Time Series Analysis) MA 2081 Statistika Dasar 30 April 2012 Pengenalan Analisis Deret Waktu (Time Series Analysis) ) MA 208 Statistika Dasar 0 April 202 Utriweni Mukhaiyar Ilustrasi Berikut adalah data rata-rata curah hujan bulanan yang diamati dari Stasiun Padaherang

Lebih terperinci

PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010

PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010 Statistika, Vol., No., Mei PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI Reksa Nila Anityaloka, Atika Nurani Ambarwati Program Studi S Statistika Universitas Muhammadiyah

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik

Lebih terperinci

BAB I PENDAHULUAN. berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara

BAB I PENDAHULUAN. berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Time Series atau runtun waktu adalah serangkaian data pengamatan yang berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara berurutan

Lebih terperinci

ESTIMASI DATA YANG HILANG DENGAN MENGGUNAKAN PROSES PENYARINGAN DALAM PEMODELAN DATA TIME SERIES

ESTIMASI DATA YANG HILANG DENGAN MENGGUNAKAN PROSES PENYARINGAN DALAM PEMODELAN DATA TIME SERIES ESTIMASI DATA YANG HILANG DENGAN MENGGUNAKAN PROSES PENYARINGAN DALAM PEMODELAN DATA TIME SERIES Rais 1 1 Jurusan Matematika FMIPA Universitas Tadulako, email: rais76_untad@yahoo.co.id Abstrak Makalah

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu

Lebih terperinci

PERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI ABSTRAK

PERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI ABSTRAK PERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI Trio Yonathan Teja Kusuma 1, Sandra Praharani Nur Asmoro 2 1,2)

Lebih terperinci

Peramalan Permintaan Paving Blok dengan Metode ARIMA

Peramalan Permintaan Paving Blok dengan Metode ARIMA Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Peramalan Permintaan Paving Blok dengan Metode ARIMA Adin Nofiyanto 1,Radityo Adi Nugroho 2, Dwi Kartini 3 1,2,3 Program

Lebih terperinci

PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO

PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas

Lebih terperinci

PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. APPLICATION OF ARIMA TO FORECASTING STOCK PRICE OF PT. TELOKM Tbk.

PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. APPLICATION OF ARIMA TO FORECASTING STOCK PRICE OF PT. TELOKM Tbk. PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. Djoni Hatidja ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi, Manado 955 email: dhatidja@yahoo.com ABSTRAK Penelitian ini

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi

Lebih terperinci

BAB III PERBANDINGAN MODEL ARIMA DAN MODEL VAR PADA PERAMALAN VOLUME PENJUALAN DAN HARGA INTI SAWIT

BAB III PERBANDINGAN MODEL ARIMA DAN MODEL VAR PADA PERAMALAN VOLUME PENJUALAN DAN HARGA INTI SAWIT BAB III PERBANDINGAN MODEL ARIMA DAN MODEL VAR PADA PERAMALAN VOLUME PENJUALAN DAN HARGA INTI SAWIT Pada bab ini, penulis akan membandingkan hasil peramalan menggunakan model ARIMA dan model VAR yang telah

Lebih terperinci

II. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya

II. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,

Lebih terperinci

Jurnal Dinamika, April 2015, halaman Vol. 06. No. 1 ISSN

Jurnal Dinamika, April 2015, halaman Vol. 06. No. 1 ISSN Jurnal Dinamika, April 2015, halaman 61-66 Vol. 06. No. 1 ISSN 2087-7889 SIMULASI PERBANDINGAN METODE PERAMALAN MODEL GENERALIZED SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (GSARIMA) DENGAN SEASONAL

Lebih terperinci

BAB IV PEMBAHASAN. Gambar 4.1 nilai tukar kurs euro terhadap rupiah

BAB IV PEMBAHASAN. Gambar 4.1 nilai tukar kurs euro terhadap rupiah BAB IV PEMBAHASAN 4.1 Deskripsi Data Gambar 4.1 memperlihatkan bahwa data berfluktuasi dari waktu ke waktu. Hal ini mengindikasikan bahwa data tidak stasioner baik dalam rata-rata maupun variansi. Gambar

Lebih terperinci

BAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.

BAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang

Lebih terperinci

Model Hibrida ARIMA dan Fuzzy Time Series Markov Chain

Model Hibrida ARIMA dan Fuzzy Time Series Markov Chain SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Model Hibrida ARIMA dan Fuzzy Time Series Markov Chain Dennis Frisca Ayudya, Dewi Retno Sari Saputro Program Studi Matematika Universitas Sebelas Maret

Lebih terperinci

BAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial

BAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial BAB II TINJAUAN PUSTAKA Berikut teori-teori yang mendukung penelitian ini, yaitu konsep dasar peramalan, konsep dasar deret waktu, proses stokastik, proses stasioner, fungsi autokovarians (ACVF) dan fungsi

Lebih terperinci

PERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)

PERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) M-11 2) PERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) Naili Farkhatul Jannah 1), Muhammad Bahtiar Isna Fuady 2), Sefri

Lebih terperinci

HALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL...

HALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL... HALAMAN PERSETUJUAN PEMBIMBING...iii HALAMAN PENGESAHAN...iv MOTTO... v HALAMAN PERSEMBAHAN... vi KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR TABEL... xi DAFTAR GAMBAR... xii DAFTAR LAMPIRAN... xiv PERNYATAAN...

Lebih terperinci

BAB IV ANALISIS DAN PEMBAHASAN

BAB IV ANALISIS DAN PEMBAHASAN C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203

Lebih terperinci

Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins

Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins Statistika, Vol. 16 No. 2, 95 102 November 2016 Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins FERRY KONDO LEMBANG Jurusan Matematika Fakultas MIPA Universitas Pattimura Ambon

Lebih terperinci

BAB 5 HASIL DAN PEMBAHASAN. Tabel 5.1 Total Hasil Penjualan

BAB 5 HASIL DAN PEMBAHASAN. Tabel 5.1 Total Hasil Penjualan BAB 5 HASIL DAN PEMBAHASAN 5. Penyajian Data Tabel 5. Total Hasil Penjualan Total Hasil Penjualan Bulan (dalam jutaan rupiah) Jan-04 59.2 Feb-04 49.2 Mar-04 57.7 Apr-04 53.2 May-04 56.3 Jun-04 60.2 Jul-04

Lebih terperinci

II. TINJAUAN PUSTAKA. Time series merupakan serangkaian observasi terhadap suatu variabel yang

II. TINJAUAN PUSTAKA. Time series merupakan serangkaian observasi terhadap suatu variabel yang II. TINJAUAN PUSTAKA 2.1 Analisis Deret Waktu (time series) Time series merupakan serangkaian observasi terhadap suatu variabel yang diambil secara beruntun berdasarkan interval waktu yang tetap (Wei,

Lebih terperinci

Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan

Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.

Lebih terperinci

Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan

Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan METODE BOX JENKINS Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan utk semua tipe pola data. Dapat

Lebih terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN 15 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perkembangan ekonomi dan bisnis dewasa ini semakin cepat dan pesat. Bisnis dan usaha yang semakin berkembang ini ditandai dengan semakin banyaknya

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Salah satu indikator tingkat kesejahteraan rakyat dapat dilihat dari perkembangan angka kematian balita, dikarenakan kematian balita berkaitan erat dengan keadaan ekonomi,

Lebih terperinci

BAB II TINJAUAN PUSTAKA. keuntungan atau coumpouding. Dari definisi di atas dapat disimpulkan bahwa

BAB II TINJAUAN PUSTAKA. keuntungan atau coumpouding. Dari definisi di atas dapat disimpulkan bahwa BAB II TINJAUAN PUSTAKA 2.1 Pengertian Investasi Menurut Fahmi dan Hadi (2009) investasi merupakan suatu bentuk pengelolaan dana guna memberikan keuntungan dengan cara menempatkan dana tersebut pada alokasi

Lebih terperinci

Artikel Ilmiah. Peneliti : Auditya Gianina Bernadine Amaheka ( ) Michael Bezaleel Wenas, S.Kom., M.Cs.

Artikel Ilmiah. Peneliti : Auditya Gianina Bernadine Amaheka ( ) Michael Bezaleel Wenas, S.Kom., M.Cs. Analisis Peramalan Penerimaan Pajak Kendaraan Bermotor dengan Metode Autoregressive Integrated Moving Average (ARIMA) (Studi Kasus : Dinas Pendapatan dan Pengelolaan Aset Daerah Provinsi Jawa Tengah) Artikel

Lebih terperinci

PEMODELAN SARIMAX DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) V PURWOKERTO

PEMODELAN SARIMAX DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) V PURWOKERTO PEMODELAN SARIMAX DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) V PURWOKERTO Skripsi Diajukan Untuk Memenuhi Sebagian Syarat Mencapai Gelar Sarjana Strata Satu (S-1) Oleh : ROSIANA NOVITA

Lebih terperinci

IMPLEMENTASI METODE BOX-JENKINS UNTUK MEMPREDIKSI HARGA MINYAK DUNIA DAN PENGARUHNYA TERHADAP HARGA MINYAK INDONESIA

IMPLEMENTASI METODE BOX-JENKINS UNTUK MEMPREDIKSI HARGA MINYAK DUNIA DAN PENGARUHNYA TERHADAP HARGA MINYAK INDONESIA Jurnal Ilmiah Matematika dan Pendidikan Matematika (JMP) Vol. 9 No. 2, Desember 2017, hal. 87-94 ISSN (Cetak) : 2085-1456; ISSN (Online) : 2550-0422; https://jmpunsoed.com/ IMPLEMENTASI METODE BOX-JENKINS

Lebih terperinci

Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah

Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu

Lebih terperinci

BAB 2. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang

BAB 2. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah sesuatu kegiatan situasi atau kondisi yang diperkirakan akan

Lebih terperinci

Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus

Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia Oleh : Pomi Kartin Yunus 1306030040 Latar Belakang Industri manufaktur yang berkembang pesat

Lebih terperinci

Peramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins

Peramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins Peramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins Ari Pani Desvina 1, Melina Anggriani 2,2 Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau Jl. HR.

Lebih terperinci

Metode Box - Jenkins (ARIMA)

Metode Box - Jenkins (ARIMA) Metode Box - Jenkins (ARIMA) Metode peramalan saat ini cukup banyak dengan berbagai kelebihan masing-masing. kelebihan ini bisa mencakup variabel yang digunakan dan jenis data time seriesnya. nah, dalam

Lebih terperinci

ANALISA BOX JENKINS PADA PEMBENTUKAN MODEL PRODUKSI PREMI ASURANSI KENDARAAN BERMOTOR RODA EMPAT

ANALISA BOX JENKINS PADA PEMBENTUKAN MODEL PRODUKSI PREMI ASURANSI KENDARAAN BERMOTOR RODA EMPAT ANALISA BOX JENKINS PADA PEMBENTUKAN MODEL PRODUKSI PREMI ASURANSI KENDARAAN BERMOTOR RODA EMPAT Mei Taripar Pardamean S.,SKom Jl. Makmur No.1 Ciracas Jakarta Timur mtp95@yahoo.com ABSTRAK Tujuan dari

Lebih terperinci

Contoh Analisis Deret Waktu: BJSales

Contoh Analisis Deret Waktu: BJSales Contoh Analisis Deret Waktu: BJSales Untuk contoh analisis deret waktu ini, kita menggunakan data BJsales. Data ini adalah data tahunan dan dapat dengan mengetikkan BJsales pada konsul R. 1 Plot Data Plot

Lebih terperinci

PEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH

PEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH JIMT Vol. 12 No. 2 Desember 2016 (Hal 149-159) ISSN : 2450 766X PEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH 1 Y. Wigati, 2 Rais, 3 I.T.

Lebih terperinci

ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG

ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG SKRIPSI Disusun Oleh : NOVIA DIAN ARIYANI 24010211120016 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO

Lebih terperinci

PERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS

PERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS Saintia Matematika Vol. 1, No. 6 (2013), pp. 579 589. PERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS Raisa Ruslan, Agus Salim Harahap, Pasukat Sembiring Abstrak. Dalam

Lebih terperinci

Penerapan Model ARIMA

Penerapan Model ARIMA Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 1 a. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal. b. Lakukan pendugaan parameter pada

Lebih terperinci

ANALISIS INTERVENSI FUNGSI STEP

ANALISIS INTERVENSI FUNGSI STEP ANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun 2006 2011) SKRIPSI Diajukan Sebagai Syarat untuk Memperoleh Gelar Sarjana Sains Pada Jurusan Statistika

Lebih terperinci

Metode Deret Berkala Box Jenkins

Metode Deret Berkala Box Jenkins METODE BOX JENKINS Metode Deret Berkala Box Jenkins Suatu metode peramalan yang sistematis, yang tidak mengasumsikan suatu model tertentu, tetapi menganalisa deret berkala sehingga diperoleh suatu model

Lebih terperinci

Perbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG

Perbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG JURNAL SAINS DAN SENI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) A-34 Perbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG Mey Lista Tauryawati

Lebih terperinci

PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH)

PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH) Jurnal Matematika UNAND Vol. 5 No. 4 Hal. 80 88 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE

Lebih terperinci

BAB 2 LANDASAN TEORI Pengertian Data Deret Berkala

BAB 2 LANDASAN TEORI Pengertian Data Deret Berkala BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian

Lebih terperinci

PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA

PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA Tanti Octavia 1), Yulia 2), Lydia 3) 1) Program Studi Teknik Industri, Universitas

Lebih terperinci

Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series

Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah

Lebih terperinci

PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER

PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK

Lebih terperinci

Prediksi Harga Saham dengan ARIMA

Prediksi Harga Saham dengan ARIMA Prediksi Harga Saham dengan ARIMA Peramalan harga saham merupakan sesuatu yang ditunggu-tunggu oleh para investor. Munculnya model prediksi yang baru yang bisa meramalkan harga saham secara tepat merupakan

Lebih terperinci

OPTIMALISASI PERENCANAAN PRODUKSI DENGAN PREEMPTIVE GOAL PROGRAMMING (STUDI KASUS: UD. DODOL MADE MERTA TEJAKULA, SINGARAJA)

OPTIMALISASI PERENCANAAN PRODUKSI DENGAN PREEMPTIVE GOAL PROGRAMMING (STUDI KASUS: UD. DODOL MADE MERTA TEJAKULA, SINGARAJA) OPTIMALISASI PERENCANAAN PRODUKSI DENGAN PREEMPTIVE GOAL PROGRAMMING (STUDI KASUS: UD. DODOL MADE MERTA TEJAKULA, SINGARAJA) Ni Putu Deviyanti 1, Ni Ketut Tari Tastrawati 2, I Wayan Sumarjaya 3 1 Jurusan

Lebih terperinci

Prosiding Statistika ISSN:

Prosiding Statistika ISSN: Prosiding Statistika ISSN: 2460-6456 Pemodelan Autoregressive Integrated Moving Average (ARIMA) dan Feedforwar Neural Network (FFNN) dengan Algoritma Backpropagation untuk Meramalkan Harga Open Emas Dunia

Lebih terperinci

BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER

BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 21 BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 3.1 Model Variasi Kalender Liu (Kamil 2010: 10) menjelaskan bahwa untuk data runtun waktu yang mengandung efek variasi kalender, dituliskan pada persamaan

Lebih terperinci

EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN

EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN Puji Rahayu 1), Rohmah Nur Istiqomah 2), Eminugroho Ratna Sari 3) 1)2)3) Matematika

Lebih terperinci

OUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran

OUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat

Lebih terperinci

PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR)

PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR) PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR) SKRIPSI Oleh : PRISKA RIALITA HARDANI 24010211120020 DEPARTEMEN STATISTIKA FAKULTAS

Lebih terperinci

BAB III METODE PENELITIAN. dikumpulkan oleh pihak lain selain dari penelitian itu sendiri. Jenis data yang dipakai

BAB III METODE PENELITIAN. dikumpulkan oleh pihak lain selain dari penelitian itu sendiri. Jenis data yang dipakai 24 BAB III METODE PENELITIAN 1.1 Jenis dan Sumber Data Menurut Sekaran (2003), data sekunder merupakan informasi yang dikumpulkan oleh pihak lain selain dari penelitian itu sendiri. Jenis data yang dipakai

Lebih terperinci

PENERAPAN METODE ARIMA DALAM MERAMALKAN INDEKS HARGA KONSUMEN (IHK) INDONESIA TAHUN 2013

PENERAPAN METODE ARIMA DALAM MERAMALKAN INDEKS HARGA KONSUMEN (IHK) INDONESIA TAHUN 2013 La Pimpi //Paradigma, Vol. 17 No. 2, Oktober 2013, hlm. 35-46 PENERAPAN METODE ARIMA DALAM MERAMALKAN INDEKS HARGA KONSUMEN (IHK) INDONESIA TAHUN 2013 1) La Pimpi 1 Staf Pengajar Jurusan Matematika, FMIPA,

Lebih terperinci

BAB II LANDASAN TEORI. nonstasioneritas, Autocorrelation Function (ACF) dan Parsial Autocorrelation

BAB II LANDASAN TEORI. nonstasioneritas, Autocorrelation Function (ACF) dan Parsial Autocorrelation BAB II LANDASAN TEORI Pada Bab II akan dijelaskan pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya yaitu peramalan data runtun waktu (time series), konsep dasar

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Berdasarkan sifatnya peramalan terbagi atas dua yaitu peramalan kualitatif dan peramalan kuantitatif. Metode kuantitatif terbagi atas dua yaitu analisis deret berkala

Lebih terperinci