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

Ukuran: px
Mulai penontonan dengan halaman:

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

Transkripsi

1 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 autokorelasi (ACF), fungsi autokorelasi parsial (PACF), proses white noise, differencing, operator backshift, transformasi Box- Cox, model stasioner deret waktu (AR, MA, dan ARMA), model non-stasioner deret waktu (ARIMA), pemrograman linear, dan goal programming. 2.1 Konsep Dasar Peramalan Peramalan (forecasting) adalah suatu seni dan ilmu untuk memperkirakan kejadian pada masa depan. Peramalan dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model matematis (Heizer dan Render, 2006). Pada dasarnya terdapat dua metode peramalan (Hakim, 2004), yaitu: 1. Metode Peramalan Kualitatif Metode peramalan kualitatif digunakan ketika data historis tidak tersedia, dengan kata lain peramalan kualitatif merupakan peramalan yang tidak berbentuk angka. Metode peramalan kualitatif disebut juga dengan metode subjektif. Misalnya jika rumah sakit ingin mengetahui kualitas pelayanan yang diberikan maka rumah sakit tersebut perlu membuat suatu kuesioner pertanyaan tentang pelayanan yang diberikan oleh rumah sakit tersebut kepada pasien. 6

2 7 2. Metode Peramalan Kuantitatif Metode peramalan kuantitatif menggunakan data historis atau data masa lampau. Tujuannya adalah mempelajari kejadian pada masa lalu, sehingga bisa memahami struktur dan sifat-sifat yang penting dari data. Metode peramalan kuantitatif dapat dibagi menjadi dua tipe yaitu: a. Metode peramalan kausal meliputi penentuan faktor-faktor yang berhubungan dengan variabel yang diprediksi. Contoh tipe peramalan ini adalah peramalan analisis regresi berganda dengan variabel lag ataupun model ekonometrika. b. Metode peramalan deret waktu meliputi proyeksi dari nilai-nilai yang akan datang dari variabel yang sepenuhnya didasarkan pada observasi masa lalu dan masa kini variabel tersebut. 2.2 Konsep Dasar Deret Waktu Data deret waktu adalah data yang disusun berdasarkan urutan terjadinya waktu. Data tersebut menggambarkan perkembangan suatu kejadian atau suatu kegiatan. Analisis deret waktu adalah suatu metode kuantitatif yang mempelajari pola gerakan data masa lampau yang teratur (Wirawan, 2001). Deret waktu mempunyai empat komponen (Heizer dan Render, 2006), yaitu: 1. Komponen Tren Komponen tren merupakan pergerakan data sedikit demi sedikit meningkat atau menurun, seperti perubahan pendapatan dan penyebaran umur.

3 8 2. Komponen Musiman Komponen musiman adalah pola data yang berulang pada kurun waktu tertentu, seperti harian, mingguan, bulanan, atau kuartalan. 3. Komponen Siklis Komponen siklis adalah pola dalam data yang terjadi setiap beberapa tahun. Contoh komponen siklis ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dalam analisis serta perencanaan bisnis jangka pendek. 4. Komponen Variasi Acak (Random Variation) Komponen variasi acak merupakan satu titik khusus dalam data, yang disebabkan oleh peluang dan situasi yang tidak biasa. Variasi acak tidak mempunyai pola khusus, jadi tidak dapat diprediksi.

4 9 Berikut adalah grafik dari keempat komponen deret waktu: (a) (b) (c) (d) Gambar 2.1 Grafik Keempat Komponen, (a) Tren, (b) Musiman, (c) Siklis, (d) Variasi Acak (Herjanto, 2008). 2.3 Proses Stokastik Proses stokastik adalah suatu proses yang dapat dinyatakan ke dalam peubah acak dengan menyatakan ruang sampel dan menyatakan indeks waktu. Peubah acak merupakan suatu fungsi bernilai real yang harganya ditentukan oleh tiap anggota dalam ruang sampel ( ) dalam indeks waktu ke-. Sebuah himpunan berhingga pada variabel random ( ) dari sebuah proses stokastik dapat dinyatakan ke dalam bentuk { }, sehingga fungsi distribusi dapat didefinisikan sebagai

5 10 ( ) { }; adalah dimensi dari fungsi distribusi tersebut (Wei, 1990). 2.4 Proses Stasioner Menurut Bowerman et al. (2005), proses stasioner adalah suatu proses statistika dengan tidak adanya perubahan yang sistematik dalam rata-rata (mean) dan varians data. Secara umum, proses stasioner dapat dibedakan menjadi dua bagian yaitu stasioner kuat dan stasioner lemah. Suatu data dikatakan stasioner kuat apabila distribusi bersama dari adalah sama dengan distribusi bersama dari untuk setiap pilihan dari waktu ke dan setiap pilihan lag waktu k, sedangkan dikatakan stasioner lemah apabila fungsi rata-rata (mean) adalah konstan sepanjang waktu dan fungsi autokovarians untuk setiap waktu dan lag (Cryer, 1986). 2.5 Fungsi Autokovarians (ACVF) dan Fungsi Autokorelasi (ACF) Sebuah proses stasioner { } dengan mean, varians yang konstan, dan kovarians yang berfungsi hanya pada perbedaan waktu. Sehingga dalam hal ini, kovarians di antara dan dapat ditulis sebagai: dan korelasi di antara dan dapat ditulis sebagai:

6 11 dengan ; adalah rata-rata (mean); menyatakan fungsi autokovarians pada lag untuk 1, 2, 3,...; menyatakan fungsi autokorelasi pada lag ; adalah waktu pengamatan ( 1, 2, 3,...), adalah pengamatan pada waktu ke-t (Wei, 1990). Pada keadaan stasioner fungsi autokovarians pada lag dan fungsi autokorelasi pada lag harus memenuhi (Wei, 1990): 1. untuk 1, 2, 3, untuk 1, 2, 3, dan untuk semua. 2.6 Fungsi Autokorelasi Parsial (PACF) Autokorelasi parsial di antara dan dapat diturunkan dari model regresi linear, dengan variabel dependent dan variabel independen, yaitu : dengan adalah parameter regresi pada lag untuk 1, 2, 3,..., dan adalah kesalahan normal berkorelasi dengan untuk. Dengan mengalikan pada kedua ruas persamaan dan menghitung nilai harapannya, diperoleh: ( ) ( ) ( ) ( ) ( ) dengan menggunakan algoritma Yule-Walker sehingga diperoleh persamaan sebagai berikut (Cryer and Chan, 2010):

7 12 untuk 1, 2, 3,...,, diperoleh sistem persamaan berikut:.. karena merupakan fungsi pada lag, maka disebut fungsi autokorelasi parsial pada sebagai berikut: dengan untuk 1, 2, 3,...,. 2.7 Proses White Noise Suatu proses { } disebut dengan white noise, jika merupakan urutan variabel random berkorelasi dari distribusi tetap dengan mean konstan yang selalu diasumsikan bernilai 0, varians konstan dan untuk semua. Dengan definisi tersebut, suatu proses white noise { } disebut stasioner dengan (Wei, 1990): Fungsi autokovarians: {

8 13 Fungsi autokorelasi: { Fungsi autokorelasi parsial: { 2.8 Differencing Differencing dilakukan untuk menstasionerkan data non-stasioner. Operator differencing dapat didefinisikan sebagai: dan dapat dikembangkan ke tingkat yang lebih tinggi. Sebagai contoh: apabila data belum stasioner, maka dilakukan proses differencing sampai data menunjukkan kestasionerannya yang dapat dilihat pada plot ACF dan plot PACF (Reinert, 2010).

9 14 Berikut adalah gambar plot ACF dan PACF yang menunjukkan data sudah stasioner atau belum: (a) (b) (c) (d) Gambar 2.2 fungsi ACF dan PACF, (a) ACF tidak stasioner, (b) ACF stasioner, (c) PACF tidak stasioner, (d) PACF stasioner. 2.9 Operator Backshift Operator backshift dapat didefinisikan sebagai: dengan menyatakan operator backshift (Reinert, 2010).

10 Transformasi Box-Cox Transformasi Box-Cox merupakan sebuah transformasi berparameter tunggal yang ditransformasi menjadi sebuah transformasi berpangkat pada respon. Secara matematis dapat ditulis sebagai berikut: { dengan menyatakan variabel respon ke- untuk dan menyatakan parameter yang perlu diduga (Sclove, 2005). Tabel 2.1 beberapa nilai 2 dengan transformasinya Transformasi 0,5 1 (tidak ada transformasi) 0-0,6-1 Sumber: (Kutner, et al., 2005) 2.11 Model Stasioner Deret Waktu Suatu kelas proses stasioner deret waktu adalah proses ARMA (Autoregressive Moving Average). Proses ARMA ini meliputi proses AR (Autoregressive) dan proses MA (Moving Average).

11 Proses AR (Autoregressive) Proses autoregresif dengan order dinotasikan, memenuhi persamaan (Wei, 1990): dengan adalah koefisien autoregresif untuk ; adalah indeks dengan rata-rata nol dan varian ; dan adalah order AR. Persamaan dapat ditulis menggunakan operator backshift : ( ) dapat dinyatakan dalam operator backshift ( ) sebagai: dengan Proses MA (Moving Average) Model moving average dengan order dinotasikan, adalah (Wei, 1990): dengan adalah parameter model MA untuk, dan adalah order MA. Persamaan dapat ditulis menggunakan operator backshift : ( )

12 17 dapat dinyatakan dalam operator backshift ( ) sebagai: dengan Proses ARMA (Autoregressive Moving Average) Model autoregressive moving average dengan order dan dinotasikan, adalah (Wei, 1990): atau dengan dan dengan adalah koefisien autoregresif unuk ; adalah order AR; adalah parameter MA ke- untuk ; dan adalah order MA Model Non-Stasioner Deret Waktu ARIMA Menurut Wei (1990), model rerata bergerak terintergrasi autoregresif dengan order dan dinotasikan ARIMA, memenuhi persamaan: dengan adalah koefisien AR (Autoregressive) dengan order, adalah koefisiean MA (Moving Average) dengan order, menyatakan proses differencing dengan order, adalah koefisien AR (Autoregressive) dengan order, dan adalah koefisien MA (Moving Average) dengan order, dan menyatakan rata-rata (mean) pada proses ARIMA. Seperti yang dituliskan dalam buku (Rosadi, 2012), secara umum langkahlangkah yang dilakukan dalam analisis deret waktu adalah sebagai berikut:

13 18 1. Langkah pertama, identifikasi model Identifikasi secara sederhana dilakukan dengan cara melihat plot dari data dengan tujuan untuk mengetahui apakah data sudah stasioner atau belum. Kestasioneran data dapat dilihat dari bentuk fungsi autokorelasi (ACF/Autocorrelation Function) dan fungsi autokorelasi parsial (PACF/Partial Autocorrelation Function). Apabila data belum stasioner dalam varians maka dilakukan transformasi data yang disebut dengan transformasi Box-Cox dan apabila data deret waktu belum stasioner dalam rata-rata (mean) maka dilakukan proses differencing. Jika data sudah stasioner maka langkah selanjutnya adalah menduga dan menentukan bentuk model ARMA sesuai dengan proses differencing sehingga bentuk model ARMA yang diduga tersebut dapat menggambarkan sifat-sifat data dengan membandingkan plot ACF/PACF dengan sifat-sifat fungsi ACF/PACF dari model ARMA. Tabel 2.2 Sifat-sifat ACF/PACF dari Model ARMA Proses Sampel ACF Sampel PACF White Noise Tidak ada yang melewati batas minimal pada lag Tidak ada yang melewati batas minimal pada lag AR Meluruh menuju nol secara eksponensial Di atas batas interval maksimum sampai lag ke- dan di bawah batas pada lag MA Di atas batas interval maksimum sampai lag ke- dan Meluruh menuju nol secara eksponensial di bawah batas pada lag ARMA Meluruh menuju nol secara eksponensial Meluruh menuju nol secara eksponensial Sumber: Rosadi (2012)

14 19 2. Langkah kedua, mengestimasi parameter dalam model Setelah menduga dan menentukan bentuk model ARIMA maka, langkah selanjutnya adalah mengestimasi parameter dalam model. Untuk mengetahui apakah koefisien hasil estimasi signifikan atau tidak dapat digunakan pengujian statistik uji- yang akan berdistribusi studentdengan derajat bebas, adalah banyaknya sampel. 3. Langkah ketiga, pemeriksaan diagnostik Langkah selanjutnya adalah melakukan pemeriksaan diagnostik dari model yang telah diestimasi. Untuk mengetahui apakah residual yang dihitung berdasarkan model yang telah diestimasi mengikuti asumsi error dari model sifat white noise atau tidak, maka dilakukan pengujian sisaan white noise melalui nilai autokorelasinya dengan langkah sebagai berikut: i. Hipotesis: (residual memenuhi white noise) minimal ada satu (residual tidak memenuhi white noise) untuk ; dengan menyatakan nilai autokorelasi pada. ii. Statistik Uji: Stastistik uji yang digunakan adalah statistik uji Ljung-Box:

15 20 dengan menyatakan statistik uji Ljung-Box, menyatakan nilai sampel ACF pada, menyatakan banyaknya sisaan, serta menyatakan banyaknya parameter dalam model. iii. Daerah Penolakan: Tolak jika Setelah uji sisaan white noise dilakukan maka langkah selanjutnya adalah menguji kenormalan residual yang dapat dilakukan dengan menggunakan uji kenormalan Anderson Darling (Wei, 1990): i. Hipotesis data mengikuti sebaran normal data tidak mengikuti sebaran normal ii. Statistik Uji ( ) [ ( )] dengan adalah fungsi sebaran kumulatif dari distribusi normal standar atau normal baku, menyatakan data terurut keuntuk 1, 2, 3,...,. iii. Daerah Penolakan: Tolak jika P-value dengan. 4. Langkah keempat, memilih model terbaik Parameter yang dipergunakan dalam peramalan haruslah optimal untuk mendapatkan suatu model terbaik. Metode yang digunakan untuk mengetahui kualitas dari model adalah Akaike s Information Criterion (AIC). Nilai AIC terkecil dapat mewakili model tersebut merupakan model terbaik. Persamaan untuk menghitung nilai AIC adalah sebagai berikut (Wei, 1990) :

16 21 ( ) dengan adalah banyaknya parameter dalam model, adalah jumlah kuadrat residual dan adalah banyaknya data residual. 5. Langkah kelima, membuat model peramalan Setelah mendapatkan model terbaik dari kandidat model yang diduga maka langkah selanjutnya adalah membuat model peramalan berdasarkan model ARIMA yang terpilih. 6. Langkah keenam, menentukan peramalan Setelah model peramalan ditentukan sesuai dengan model ARIMA yang terpilih, selanjutnya adalah melakukan peramalan dengan menggunakan bantuan program R Pemrograman Linear Pemrograman linear adalah suatu teknik perencanaan yang bersifat analitis yang analisisnya menggunakan model matematis dengan tujuan menemukan beberapa kombinasi alternatif pemecahan optimum terhadap persoalan (Aminudin, 2005) Bentuk Umum Model Bentuk umum dari model dan tabel simpleks awal pemrograman linear (Aminudin, 2005) yaitu: Maks dengan batasan:

17 22 dan dengan menyatakan fungsi tujuan yang dicari nilai optimalnya (maksimal/ minimal), menyatakan kenaikan nilai apabila ada pertambahan tingkat kegiatan dengan satu satuan unit atau sumbangan setiap satuan keluaran kegiatan terhadap, menyatakan banyaknya data, menyatakan batasan sumber atau fasilitas yang tersedia, menyatakan variabel keputusan, menyatakan koefisien dari variabel keputusan untuk dan, serta menyatakan besar target ke Langkah-langkah Metode Simpleks Langkah-langkah yang dipergunakan dalam pemecahan program linear dengan metode simpleks (Aminudin, 2005), yaitu: 1. Formulasikan dan standarisasikan modelnya. 2. Membentuk tabel awal simpleks berdasarkan informasi model pada langkah Menentukan kolom kunci di antara kolom-kolom variabel yang ada, yaitu kolom yang mengandung nilai paling positif untuk kasus memaksimumkan dan kolom yang mengandung nilai paling negatif untuk kasus meminimumkan. 4. Menentukan baris kunci di antara baris-baris variabel yang ada, yaitu baris yang memiliki rasio kuantitas ( ) dengan nilai positif terkecil. Dalam bentuk matematis dapat ditulis:

18 23 5. Membentuk tabel berikutnya dengan memasukan variabel pendatang ke kolom variabel dasar dan mengeluarkan variabel perantau dari kolom tersebut serta lakukan transformasi baris-baris variabel. Dengan menggunakan rumus transformasi sebagai berikut: i. Baris baru selain baris kunci: ii. Baris kunci baru: iii. Rasio kunci: 6. Lakukanlah uji optimalitas. Dengan kriteria jika semua koefisien pada baris sudah tidak ada lagi yang bernilai positif (untuk kasus memaksimumkan) atau sudah tidak ada lagi bernilai negatif (untuk kasus meminimumkan) berarti tabel sudah optimal. Jika kriteria tersebut belum terpenuhi maka diulangi mulai dari langkah ke-3 sampai ke-6, hingga terpenuhi kriteria tersebut.

19 Bentuk Tabel Simpleks Model Pemrograman Linear Tabel 2.3 Model Simpleks Awal Variabel Dasar Tujuan Sumber : Aminudin (2005) 2.14 Goal Programming Model goal programming merupakan perluasan dari pemrograman linear. Model pemprograman linear merupakan salah satu teknik penyelesaian dalam riset operasi dalam menyelesaikan masalah-masalah optimasi baik memaksimumkan atau meminimumkan, tetapi tidak mampu menyelesaikan masalah-masalah manajemen yang menghendaki sasaran-sasaran tertentu dicapai secara simultan. Oleh karena itu dalam Siswanto (2007), A. Charmes dan W.M Cooper pada tahun 1961 mulai mempopulerkan model goal programming. Model goal programming merupakan suatu model yang mampu menyelesaikan masalah-masalah pemrograman linear yang memiliki lebih dari satu sasaran yang hendak dicapai.

20 25 Perbedaan antara model pemrograman linear dengan model goal programming terletak pada kehadiran variabel yang berfungsi untuk menampung kelebihan dan kekurangan nilai ruas kiri suatu fungsi kendala agar sama dengan nilai ruas kanannya. Jika dalam model pemrograman linear menghadirkan variabel slack dan surplus maka pada goal programming menghadirkan variabel deviasional di atas sasaran dan variabel deviasional di bawah sasaran. Di samping itu, perbedaan juga terletak pada kendala fungsional. Jika dalam model pemrograman linear kendala-kendala fungsional menjadi pembatas bagi usaha pemaksimuman atau peminimuman fungsi tujuan maka pada model goal programming kendala-kendala fungsional itu merupakan sarana untuk mewujudkan sasaran yang hendak dicapai (Siswanto, 2007) Variabel Deviasional Variabel deviasional merupakan suatu variabel yang berfungsi untuk menampung penyimpangan atau deviasi hasil yang akan terjadi pada nilai ruas kiri suatu persamaan kendala terhadap nilai ruas kanannya. Variabel deviasional harus diminimumkan di dalam fungsi tujuan agar nilai ruas kiri suatu persamaan kendala sebisa mungkin mendekati nilai ruas kanannya. Variabel deviasional dibedakan menjadi dua (Siswanto, 2007) yaitu: a. Variabel deviasional berada di bawah sasaran Variabel deviasional ini berfungsi untuk menampung deviasi negatif, karena variabel deviasional berfungsi untuk menampung deviasi negatif, maka :

21 26 atau dengan merupakan variabel keputusan untuk produk ke- ( = 1,2,3,..., ) dengan periode ke- ( = 1,2,3,..., ); merupakan koefisien dari variabel keputusan untuk produk ke- dengan periode ke-, merupakan besar target ke- yang diinginkan, merupakan besarnya penyimpangan negatif ke- untuk. Sehingga variabel deviasional akan selalu mempunyai koefisien pada setiap kendala sasaran. b. Variabel deviasional berada di atas sasaran Variabel deviasional ini berfungsi untuk menampung deviasi positif. Karena variabel deviasional berfungsi untuk menampung deviasi positif, maka: atau dengan merupakan besarnya penyimpangan positif ke-, sehingga variabel deviasional akan selalu mempunyai koefisien 1 pada setiap kendala sasaran.

22 27 Berdasarkan persamaan di atas dapat dilihat bahwa nilai penyimpangan minimum di bawah ataupun di atas sasaran adalah nol dan tidak mungkin negatif, atau dan untuk dan Secara matematis, bentuk umum kendala sasaran adalah: atau Fungsi Tujuan Menurut Siswanto (2007), fungsi tujuan di dalam model goal programming ditandai dengan kehadiran variabel deviasional yang harus diminimumkan. Berdasarkan persamaan, dapat diketahui bahwa sasaran yang telah ditetapkan akan tercapai bila variabel deviasional dan minimum dalam fungsi tujuan, sehingga fungsi tujuan model goal programming adalah: Empat Macam Kendala Sasaran Menurut Siswanto (2007), penggunaan variabel deviasional dapat dikelompokan ke dalam empat cara yaitu: a. Mewujudkan suatu sasaran dengan nilai tertentu Sasaran yang dikehendaki dituangkan ke dalam nilai ruas kanan kendala (. Agar sasaran ini tercapai, maka penyimpangan di bawah dan di atas

23 28 nilai harus diminimumkan. Oleh karena itu dibutuhkan kehadiran variabel deviasional dan akibatnya fungsi persamaan kendala sasaran menjadi: dan persamaan fungsi tujuan: Penyelesaian optimal, apabila maka ini berarti terjadi penyimpangan di atas nilai (sasaran terlampaui), sedangkan jika maka ini berarti terjadi penyimpangan di bawah nilai (sasaran tidak terlampaui). b. Mewujudkan suatu sasaran di bawah nilai tertentu Sasaran yang hendak dicapai dituangkan ke dalam parameter (nilai ruas kanan kendala). Agar sasaran tersebut tidak terlampaui maka dibutuhkan kehadiran variabel deviasional sehingga fungsi persamaan kendala sasaran: dan persamaan fungsi tujuan:

24 29 Penyelesaian optimal, bila maka sasaran tercapai akan tetapi bila maka terjadi penyimpangan di atas dan hal ini menunjukkan bahwa sasaran yang dikehendaki telah terlampaui. c. Mewujudkan suatu sasaran di atas nilai tertentu Sasaran yang hendak dicapai dituangkan ke dalam parameter (nilai ruas kanan kendala). Agar sasaran tersebut terlampaui, maka dibutuhkan kehadiran variabel deviasional sehingga fungsi persamaan kendala sasaran: dan persamaan fungsi tujuan: Penyelesaian optimal, jika bernilai nol berarti sasaran tercapai sedangkan jika bernilai positif berarti sasaran yang dikehendaki tidak terlampaui. d. Mewujudkan suatu sasaran pada nilai interval tertentu Bila interval itu dibatasi oleh dan maka penyelesaian yang diharapkan akan berada di antara interval tersebut atau, Penyimpangan-penyimpangan pada persamaan harus diminimumkan. Oleh karena itu, perlu menghadirkan untuk membatasi penyimpangan

25 30 di bawah dan perlu juga untuk menghadirkan untuk membatasi penyimpangan di atas Dengan demikian persamaan menjadi: Dalam hal ini, persamaan setara dengan: atau Agar dan minimum, maka persamaan fungsi tujuan minimumkan ; Pertidaksamaan dan adalah fungsi kendala sasaran di mana sasaran itu berada pada interval dan. Agar peranan kendala sasaran dan variabel deviasional itu menjadi semakin jelas, maka bisa saja mengubah kedua bentuk fungsi pertidaksamaan tersebut menjadi fungsi-fungsi persamaan dengan cara menambahkan variabel baru yaitu dan yang berfungsi sebagai variabel slack dan surplus, yaitu: atau

26 31 Variabel dan pada persamaan dan bukan merupakan variabel deviasional dan kehadirannya tidak diperhitungkan di dalam fungsi tujuan. Oleh karena itu, fungsinya benar-benar seperti variabel slack dan surplus di mana nilainya sangat tergantung kepada hasil penyelesaian optimal. Dengan demikian, peminimuman dan akan menggiring penyelesaian optimal berada di antara interval dan Bentuk Umum Model Secara umum model goal programming (Siswanto, 2007), dapat dirumuskan sebagai berikut: dengan kendala: dan, untuk; Kasus Goal Programming Pada dasarnya terdapat dua kasus goal programming yang perlu diperhatikan (Lasmanah, 2003), yaitu: 1. Preemptive Goal Programming Preemtive goal programming merupakan suatu permasalahan muncul ketika permasalahan yang dihadapi memiliki satu tujuan atau lebih penting dari

27 32 tujuan yang lain. Jadi dalam menyelesaikan permasalahan tersebut, maka perhatian pertama dipusatkan pada tujuan yang menjadi prioritas pertama, selanjutnya tujuan yang menjadi prioritas kedua, sampai pada banyaknya tujuan yang akan menjadi prioritas selanjutnya (Lasmanah, 2003). 2. Program Tujuan Non-Preemptive Goal Programming Program tujuan non- preemptive yaitu suatu program tujuan dengan tujuan yang sama pentingnya sehingga tidak perlu adanya urutan tingkat prioritas. Dengan kata lain, prioritas satu dengan prioritas lainnya mempunyai tingkat kepentingan yang sama. Permasalahan preemptive goal programming diselesaikan dengan cara penyelesaian prosedur sekuensi dengan tahapan-tahapan sebagai berikut (Lasmanah, 2003): i. Tujuan-tujuan yang pertama dicakup adalah tujuan-tujuan prioritas pertama yang diselesaikan dengan metode simpleks. ii. Jika hasil perhitungan tahap pertama diperoleh penyelesaian optimal yang sama dengan, maka harus menambahkan tujuan-tujuan prioritas kedua ke dalam model, dengan ketentuan: a. Jika, variabel-variabel pembantu yang mencerminkan penyimpangan-penyimpangan dari tujuan-tujuan prioritas pertama sekarang dapat dikeluarkan dari model, di mana kendala-kendala persamaan yang mencakup variabel-variabel ini diganti oleh persamaan atau pertidaksamaan untuk tujuan-tujuan ini.

28 33 b. Jika, maka model tahap kedua adalah menambahkan tujuantujuan prioritas kedua ke dalam model tahap pertama, tetapi hal ini juga menambahkan kendala bahwa fungsi tujuan tahap pertama harus sama dengan (yang memungkinkan untuk menghilangkan unsurunsur yang mencakup tujuan-tujuan prioritas pertama dari fungsi tujuan tahap kedua). Selanjutnya, mengulangi proses yang satu untuk tujuan-tujuan prioritas yang lebih rendah Bentuk Model Preemptive Goal Programming Model umum suatu persoalan preemptive goal programming dapat dirumuskan sebagai berikut (Lasmanah, 2003): dengan kendala: dengan, untuk ; ; ; dan Dengan menyatakan prioritas dengan urutan kepentingan ke- dan periode ke- untuk. menyatakan urutan prioritas pertama untuk periode ke-, menyatakan urutan prioritas kedua untuk periode ke-, sampai dengan menyatakan urutan prioritas ke- untuk periode ke-.

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

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 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 II TINJAUAN PUSTAKA. penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji

BAB II TINJAUAN PUSTAKA. penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji 35 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji ACF, uji PACF, uji ARCH-LM,

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

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

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

OPTIMASI PRODUKSI UNTUK PRODUK PESANAN PADA PERUSAHAAN PESTISIDA MENGGUNAKAN METODE GOAL PROGRAMMING. Oleh: Rossy Susanti ( )

OPTIMASI PRODUKSI UNTUK PRODUK PESANAN PADA PERUSAHAAN PESTISIDA MENGGUNAKAN METODE GOAL PROGRAMMING. Oleh: Rossy Susanti ( ) OPTIMASI PRODUKSI UNTUK PRODUK PESANAN PADA PERUSAHAAN PESTISIDA MENGGUNAKAN METODE GOAL PROGRAMMING Oleh: Rossy Susanti (1207 100 007) Dosen Pembimbing: Drs. Suharmadi S., DiplSc.,MPhil JURUSAN MATEMATIKA

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 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

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

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

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 3 MODEL FUNGSI TRANSFER MULTIVARIAT

BAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT BAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT Model fungsi transfer multivariat merupakan gabungan dari model ARIMA univariat dan analisis regresi berganda, sehingga menjadi suatu model yang mencampurkan pendekatan

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

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

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

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

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

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

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

BAB 2 LANDASAN TEORI. 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 suatu situasi atau kondisi yang diperkirakan akan terjadi pada

Lebih terperinci

PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER

PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER I Ketut Putra Adnyana 1, I Wayan Sumarjaya 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas 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

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. Pemrograman linear (PL) ialah salah satu teknik dari riset operasi untuk

BAB II LANDASAN TEORI. Pemrograman linear (PL) ialah salah satu teknik dari riset operasi untuk BAB II LANDASAN TEORI A. Pemrograman Linear Pemrograman linear (PL) ialah salah satu teknik dari riset operasi untuk memecahkan persoalan optimasi (maksimum atau minimum) dengan menggunakan persamaan dan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1. Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan

Lebih terperinci

PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL. Oleh: Niswatul Maghfiroh NRP.

PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL. Oleh: Niswatul Maghfiroh NRP. PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL Oleh: Niswatul Maghfiroh NRP. 1208100065 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT

Lebih terperinci

BAB 1 PENDAHULUAN Latar Belakang

BAB 1 PENDAHULUAN Latar Belakang BAB 1 PENDAHULUAN 1.1. Latar Belakang Meramalkan sesuatu berdasarkan ilmu pengetahuan merupakan sesuatu yang dianjurkan dalam Islam, sebagaimana yang diceritakan dalam Al-qur an dalam surat Yusuf ayat

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

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 DATA MINING Data Mining adalah analisis otomatis dari data yang berjumlah banyak atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya

Lebih terperinci

PERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL

PERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL E-Jurnal Matematika Vol. 5 (4), November 2016, pp. 183-193 ISSN: 2303-1751 PERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL Ni Putu Mirah Sri Wahyuni 1, I Wayan Sumarjaya 2, I Gusti Ayu Made

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 II LANDASAN TEORI. Peramalan adalah proses perkiraan (pengukuran) besarnya atau jumlah

BAB II LANDASAN TEORI. Peramalan adalah proses perkiraan (pengukuran) besarnya atau jumlah BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Definisi dan Tujuan Peramalan Peramalan adalah proses perkiraan (pengukuran) besarnya atau jumlah sesuatu pada waktu yang akan datang berdasarkan data pada masa

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 KUNJUNGAN WISATAWAN MENGGUNAKAN MODEL ARMAX DENGAN NILAI KURS DAN EKSPOR-IMPOR SEBAGAI FAKTOR EKSOGEN

PERAMALAN KUNJUNGAN WISATAWAN MENGGUNAKAN MODEL ARMAX DENGAN NILAI KURS DAN EKSPOR-IMPOR SEBAGAI FAKTOR EKSOGEN PERAMALAN KUNJUNGAN WISATAWAN MENGGUNAKAN MODEL ARMAX DENGAN NILAI KURS DAN EKSPOR-IMPOR SEBAGAI FAKTOR EKSOGEN Putu Ika Oktiyari Laksmi 1, Komang Dharmawan 2, Luh Putu Ida Harini 3 1 Jurusan Matematika,

Lebih terperinci

PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK

PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA Gumgum Darmawan 1), Suhartono 2) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD 2) Staf Pengajar

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

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

PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)

PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Liana Kusuma Ningrum dan Winita Sulandari, M.Si. Jurusan Matematika,

Lebih terperinci

BAB III MISSING DATA DAN PROSES RUNTUN WAKTU JANGKA PANJANG

BAB III MISSING DATA DAN PROSES RUNTUN WAKTU JANGKA PANJANG BAB III MISSING DATA DAN PROSES RUNTUN WAKTU JANGKA PANJANG 3.1 Missing Data Missing data merupakan hilangnya informasi atau data dalam suatu subjek. Terdapat banyak hal yang menyebabkan terjadinya missing

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1. Desain Penelitian Desain penelitian mempunyai peranan yang sangat penting, karena keberhasilan suatu penelitian sangat dipengaruhi oleh pilihan desain atau model penelitian.

Lebih terperinci

BAB 2 LANDASAN TEORI. variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan

BAB 2 LANDASAN TEORI. variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan bagian

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

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

PEMODELAN DATA RUNTUK WAKTU PADA DATA PRODUKSI SUSU SAPI DI AMERIKA SEJAK TAHUN PEMODELAN DATA RUNTUK WAKTU PADA DATA PRODUKSI SUSU SAPI DI AMERIKA SEJAK TAHUN 1962 1975 Jantini Trianasari Natangku dan Fitria Puspitoningrum Mahasiswa Program Studi Matematika Fakultas Sains dan Matematika

Lebih terperinci

PENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M

PENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M PENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M Oleh: Nurkhoiriyah 1205100050 Dosen pembimbing: Dra. Nuri Wahyuningsih, M. Kes. Jurusan

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

PERAMALAN JUMLAH WISATAWAN MANCANEGARA YANG BERKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER KOMPETENSI STATISTIKA SKRIPSI

PERAMALAN JUMLAH WISATAWAN MANCANEGARA YANG BERKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER KOMPETENSI STATISTIKA SKRIPSI PERAMALAN JUMLAH WISATAWAN MANCANEGARA YANG BERKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER KOMPETENSI STATISTIKA SKRIPSI I KETUT PUTRA ADNYANA 1208405010 LEMBAR JUDUL JURUSAN MATEMATIKA FAKULTAS MATEMATIKA

Lebih terperinci

PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA

PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA

Lebih terperinci

BAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK

BAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK BAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK 3.1 Metode Pemulusan Eksponensial Holt-Winter Metode rata-rata bergerak dan pemulusan Eksponensial dapat digunakan untuk

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu

Lebih terperinci

HASIL DAN PEMBAHASAN Kondisi Produksi Proses Produksi

HASIL DAN PEMBAHASAN Kondisi Produksi Proses Produksi HASIL DAN PEMBAHASAN Kondisi Produksi Proses Produksi Proses produksi adalah suatu rangkaian operasi yang dilalui bahan baku baik secara fisik maupun kimia untuk meningkatkan nilai tambah dan nilai jualnya.

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

PERHITUNGAN VALUE AT RISK HARGA SAHAM DENGAN MENGGUNAKAN VOLATILITAS ARCH-GARCH DALAM KELOMPOK SAHAM LQ 45 ABSTRACT

PERHITUNGAN VALUE AT RISK HARGA SAHAM DENGAN MENGGUNAKAN VOLATILITAS ARCH-GARCH DALAM KELOMPOK SAHAM LQ 45 ABSTRACT PERHITUNGAN VALUE AT RISK HARGA SAHAM DENGAN MENGGUNAKAN VOLATILITAS ARCH-GARCH DALAM KELOMPOK SAHAM LQ 45 Boy A Lumban Gaol 1, Tumpal Parulian Nababan 2, Haposan Sirait 2 1 Mahasiswa Program Studi S1

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan

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

TREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA)

TREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) TREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) Jerhi Wahyu Fernanda, Wisnaningsih S, Emilia Boavida,, Prodi Rekam Medis Informasi Kesehatan Institut Ilmu Kesehatan

Lebih terperinci

DAFTAR ISI. Halaman Konsep Ketersediaan Air dan Model Prakiraan Kesesuaian Model ARIMA untuk Prakiraan Ketersediaan Air 10

DAFTAR ISI. Halaman Konsep Ketersediaan Air dan Model Prakiraan Kesesuaian Model ARIMA untuk Prakiraan Ketersediaan Air 10 DAFTAR ISI Halaman HALAMAN JUDUL HALAMAN PENGESAHAN HALAMAN PERNYATAAN PRAKATA DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN INTISARI ABSTRACT i ii iii iv vi ix xii xiv xv xvi BAB I. PENDAHULUAN

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

Cetakan I, Agustus 2014 Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura

Cetakan I, Agustus 2014 Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura Hak cipta dilindungi Undang-Undang Cetakan I, Agustus Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura ISBN: ---- Deskripsi halaman sampul : Gambar yang ada pada cover

Lebih terperinci

BAB III PARTIAL ADJUSTMENT MODEL (PAM) Pada dasarnya semua model regresi mengasumsikan bahwa hubungan

BAB III PARTIAL ADJUSTMENT MODEL (PAM) Pada dasarnya semua model regresi mengasumsikan bahwa hubungan BAB III PARTIAL ADJUSTMENT MODEL (PAM) 3.1 Model Distribusi Lag Pada dasarnya semua model regresi mengasumsikan bahwa hubungan antara peubah tak bebas dan peubah-peubah bebas bersifat serentak. Hal ini

Lebih terperinci

SEMINAR TUGAS AKHIR. Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik. Rina Wijayanti

SEMINAR TUGAS AKHIR. Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik. Rina Wijayanti SEMINAR TUGAS AKHIR Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik Rina Wijayanti 1306100044 Pembimbing Drs. Haryono, MSIE Dedi Dwi Prastyo, S.Si., M.Si.

Lebih terperinci

BAB III ANALISIS SPEKTRAL PADA RUNTUN WAKTU MODEL ARIMA. Analisis spektral adalah metode yang menggambarkan kecendrungan osilasi

BAB III ANALISIS SPEKTRAL PADA RUNTUN WAKTU MODEL ARIMA. Analisis spektral adalah metode yang menggambarkan kecendrungan osilasi BAB III ANALISIS SPEKTRAL PADA RUNTUN WAKTU MODEL ARIMA Analisis spektral adalah metode yang menggambarkan kecendrungan osilasi atau getaran dari sebuah data pada frekuensi tertentu. Analisis spektral

Lebih terperinci

Bab IV. Metode dan Model Penelitian

Bab IV. Metode dan Model Penelitian Bab IV Metode dan Model Penelitian 4.1 Spesifikasi Model Sesuai dengan tinjauan literatur, hal yang akan diteliti adalah pengaruh real exchange rate, pertumbuhan ekonomi domestik, pertumbuhan ekonomi Jepang,

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

PENERAPAN METODE BOX-JENKINS UNTUK PERAMALAN PENCEMARAN UDARA OLEH PARAMETER KARBON MONOKSIDA (CO) DI KOTA PEKANBARU TUGAS AKHIR.

PENERAPAN METODE BOX-JENKINS UNTUK PERAMALAN PENCEMARAN UDARA OLEH PARAMETER KARBON MONOKSIDA (CO) DI KOTA PEKANBARU TUGAS AKHIR. PENERAPAN METODE BOX-JENKINS UNTUK PERAMALAN PENCEMARAN UDARA OLEH PARAMETER KARBON MONOKSIDA (CO) DI KOTA PEKANBARU TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains

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

Minggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting. Minggu 8-9 Analisi Model ARI, IMA, ARIMA

Minggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting. Minggu 8-9 Analisi Model ARI, IMA, ARIMA CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si [Jadwal]: [Materi Analsis Time Series] Kuliah Pemodelan dan Simulasi berisi tentang dasar pemodelan time series seperti kestasioneran, identifikasi

Lebih terperinci

ANALISIS PERBANDINGAN MENGGUNAKAN ARIMA DAN BOOTSTRAP PADA PERAMALAN NILAI EKSPOR INDONESIA

ANALISIS PERBANDINGAN MENGGUNAKAN ARIMA DAN BOOTSTRAP PADA PERAMALAN NILAI EKSPOR INDONESIA ANALISIS PERBANDINGAN MENGGUNAKAN ARIMA DAN BOOTSTRAP PADA PERAMALAN NILAI EKSPOR INDONESIA Skripsi Disusun sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains Program Studi Matematika oleh

Lebih terperinci

BAB II KAJIAN PUSTAKA

BAB II KAJIAN PUSTAKA BAB II KAJIAN PUSTAKA A. Efektivitas Efektivitas berasal dari kata efektif, yang merupakan kata serapan dari bahasa Inggris yaitu effective yang artinya berhasil. Menurut kamus ilmiah popular, efektivitas

Lebih terperinci

JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-249

JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-249 JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) 2337-3520 (2301-928X Print) D-249 Analisis Fungsi Transfer pada Harga Cabai Merah yang Dipengaruhi oleh Curah Hujan Di Surabaya Putri Rintan Aryasita,

Lebih terperinci

BAB II LANDASAN TEORI. merupakan kumpulan dari komponen-komponen yang salling berkaitan untuk

BAB II LANDASAN TEORI. merupakan kumpulan dari komponen-komponen yang salling berkaitan untuk BAB II LANDASAN TEORI 2.1 Sistem Definisi sistem dapat dibagi menjadi dua pendekatan, yaitu pendekatan secara prosedur dan pendekatan secara komponen. Berdasarkan pendekatan prosedur, sistem didefinisikan

Lebih terperinci

BAB III METODE DEKOMPOSISI X-11-ARIMA. Metode Census II telah dikembangkan oleh Biro Sensus Amerika Serikat.

BAB III METODE DEKOMPOSISI X-11-ARIMA. Metode Census II telah dikembangkan oleh Biro Sensus Amerika Serikat. BAB III METODE DEKOMPOSISI X-11-ARIMA 3.1 Pendahuluan Metode Census II telah dikembangkan oleh Biro Sensus Amerika Serikat. Metode Cencus II memiliki beberapa jenis metode dan perbaikan sejak metode pertama

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Konsep Peramalan Peramalan ( forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi modern

Lebih terperinci

TEKNIK PERAMALAN DENGANMODEL AUTOREGRESSIVE CONDITIONALHETEROSCEDASTIC (ARCH) (Studi KasusPada PT. Astra Agro Lestari Indonesia Tbk)

TEKNIK PERAMALAN DENGANMODEL AUTOREGRESSIVE CONDITIONALHETEROSCEDASTIC (ARCH) (Studi KasusPada PT. Astra Agro Lestari Indonesia Tbk) Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 2 (2013), hal 71 78. TEKNIK PERAMALAN DENGANMODEL AUTOREGRESSIVE CONDITIONALHETEROSCEDASTIC (ARCH) (Studi KasusPada PT. Astra Agro Lestari

Lebih terperinci

ANALISIS INTERVENSI FUNGSI STEP PADA KENAIKAN TARIF DASAR LISTRIK (TDL) TERHADAP BESARNYA PEMAKAIAN LISTRIK SKRIPSI

ANALISIS INTERVENSI FUNGSI STEP PADA KENAIKAN TARIF DASAR LISTRIK (TDL) TERHADAP BESARNYA PEMAKAIAN LISTRIK SKRIPSI ANALISIS INTERVENSI FUNGSI STEP PADA KENAIKAN TARIF DASAR LISTRIK (TDL) TERHADAP BESARNYA PEMAKAIAN LISTRIK SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta

Lebih terperinci

Peramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA

Peramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA JEKT 8 [2] : 136-141 ISSN : 2301-8968 Peramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA Rukini *) Putu Simpen Arini Esthisatari Nawangsih Badan Pusat Statistik

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang 1 BAB I PENDAHULUAN 1.1 Latar Belakang Hubungan antar variabel sering menjadi objek yang akan diamati bentuknya dalam sebuah pemodelan. Dua buah variabel yang diduga mempunyai hubungan sebab akibat, atau

Lebih terperinci

BAB III METODE PENELITIAN. merupakan suatu proses, mencari kebenaran dan menghasilkan kebenaran.

BAB III METODE PENELITIAN. merupakan suatu proses, mencari kebenaran dan menghasilkan kebenaran. BAB III METODE PENELITIAN 3.1 Jenis / Pendekatan Penelitian Penelitian dan ilmu pengetahuan mempunyai kaitan yang erat keduanya merupakan suatu proses, mencari kebenaran dan menghasilkan kebenaran. Penelitian

Lebih terperinci

PROGRAM LINEAR DENGAN METODE SIMPLEX

PROGRAM LINEAR DENGAN METODE SIMPLEX PROGRAM LINEAR DENGAN METODE SIMPLEX PENDAHULUAN Metode simpleks ini adalah suatu prosedur aljabar yang bukan secara grafik untuk mencari nilai optimal dari fungsi tujuan dalam masalah-masalah optimisasi

Lebih terperinci

Renny Elfira Wulansari, Epa Suryanto, Kiki Ferawati, Ilafi Andalita, Suhartono

Renny Elfira Wulansari, Epa Suryanto, Kiki Ferawati, Ilafi Andalita, Suhartono Statistika, Vol. No., November 0 Penerapan Time Series Regression with Calendar Variation Effect pada Data Netflow Uang Kartal Bank Indonesia Sebagai Solusi Kontrol Likuiditas Perbankan di Indonesia Renny

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

Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode

Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode ARIMA Box Jenkins Oleh : Winda Eka Febriana 1307 030 002 Pembimbing : Dra. Wiwiek Setya Winahju, MS Latar Belakang PMI Merupakan

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

VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER

VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER 6.1. Analisis Pola Data Penjualan Ayam Broiler Data penjualan ayam broiler adalah data bulanan yang diperoleh dari bulan Januari 2006

Lebih terperinci

BAB I PENDAHULUAN. Peramalan keadaan pada suatu waktu merupakan hal penting. Hal itu

BAB I PENDAHULUAN. Peramalan keadaan pada suatu waktu merupakan hal penting. Hal itu BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Peramalan keadaan pada suatu waktu merupakan hal penting. Hal itu dikarenakan peramalan dapat digunakan sebagai rujukan dalam menentukan tindakan yang akan

Lebih terperinci

PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT

PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG LOGO DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT Oleh : Ary Miftakhul Huda (1309 100 061) Dosen Pembimbing : Dr.rer.pol.

Lebih terperinci

PENERAPAN METODE BOX-JENKINS DALAM MERAMALKAN INDEKS HARGA KONSUMEN DI KOTA PEKANBARU

PENERAPAN METODE BOX-JENKINS DALAM MERAMALKAN INDEKS HARGA KONSUMEN DI KOTA PEKANBARU PENERAPAN METODE BOX-JENKINS DALAM MERAMALKAN INDEKS HARGA KONSUMEN DI KOTA PEKANBARU Ari Pani Desvina 1, Evi Desmita 2 Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau Jl.

Lebih terperinci

PERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA

PERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA Saintia Matematika Vol. 1, No. 1 (2013), pp. 1 10. PERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA Lukas Panjaitan, Gim Tarigan, Pengarapen Bangun Abstrak. Dalama makalah

Lebih terperinci

BAB I PENDAHULUAN. besar dan mampu membantu pemerintah dalam mengurangi tingkat pengangguran.

BAB I PENDAHULUAN. besar dan mampu membantu pemerintah dalam mengurangi tingkat pengangguran. BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam menghadapi globalisasi dunia saat ini mendorong persaingan diantara para pelaku bisnis yang semakin ketat. Di Indonesia sebagai negara berkembang, pembangunan

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

BAB II KAJIAN PUSTAKA. dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat

BAB II KAJIAN PUSTAKA. dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat BAB II KAJIAN PUSTAKA 2.1 Konsep Dasar Runtun Waktu Data runtun waktu (time series) merupakan data yang dikumpulkan, dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat berupa

Lebih terperinci

Korelasi Linier Berganda

Korelasi Linier Berganda Korelasi Linier Berganda Analisa Korelasi Untuk mengukur "seberapa kuat" atau "derajat kedekatan yang terjadi antar variabel. Ingin mengetahui derajat kekuatan tersebut yang dinyatakan dalam koefisien

Lebih terperinci

BAB III PERAMALAN DENGAN METODE DEKOMPOSISI. (memecah) data deret berkala menjadi beberapa pola dan mengidentifikasi masingmasing

BAB III PERAMALAN DENGAN METODE DEKOMPOSISI. (memecah) data deret berkala menjadi beberapa pola dan mengidentifikasi masingmasing BAB III PERAMALAN DENGAN METODE DEKOMPOSISI 3.1 Metode Dekomposisi Prinsip dasar dari metode dekomposisi deret berkala adalah mendekomposisi (memecah) data deret berkala menjadi beberapa pola dan mengidentifikasi

Lebih terperinci

UNNES Journal of Mathematics

UNNES Journal of Mathematics UJM 5 (1) (2016) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm ANALISIS PERBANDINGAN MENGGUNAKAN ARIMA DAN BOOTSTRAP PADA PERAMALAN NILAI EKSPOR INDONESIA Ari Cynthia, Sugiman,

Lebih terperinci

Perencanaan Pengendalian Persediaan Bahan Baku Pupuk NPK dengan Menggunakan Model Economic Order Quantity (Studi kasus: PT. Petrokimia Gresik)

Perencanaan Pengendalian Persediaan Bahan Baku Pupuk NPK dengan Menggunakan Model Economic Order Quantity (Studi kasus: PT. Petrokimia Gresik) JURNAL SAINS DAN SENI POMITS Vol. 3, No. 2, (4) ISSN: 2337-39 (230-927 Print) A-3 Perencanaan Pengendalian Persediaan Bahan Baku Pupuk NPK dengan Menggunakan Model Economic Order Quantity (Studi kasus:

Lebih terperinci

MODEL ARMA (AUTOREGRESSIVE MOVING AVERAGE) UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN SEMARANG JAWA TENGAH - INDONESIA. Salatiga, Jawa Tengah, Indonesia

MODEL ARMA (AUTOREGRESSIVE MOVING AVERAGE) UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN SEMARANG JAWA TENGAH - INDONESIA. Salatiga, Jawa Tengah, Indonesia MODEL ARMA (AUTOREGRESSIVE MOVING AVERAGE) UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN SEMARANG JAWA TENGAH - INDONESIA Adi Nugroho 1, Bistok Hasiholan Simanjuntak 2 1 Staf pengajar di Fakultas Teknologi Informasi

Lebih terperinci

PREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32

PREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32 PREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32 Nanang WIdodo Penelid Staslun Pengamat Dlrgantara Watukosek, LAPAN ABSTRACT The time series of the monthly number

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