PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) TERTINGGI BULAN DESEMBER disusun untuk memenuhi Tugas Lapangan Mata Kuliah Metode Peramalan

Save this PDF as:
 WORD  PNG  TXT  JPG

Ukuran: px
Mulai penontonan dengan halaman:

Download "PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) TERTINGGI BULAN DESEMBER disusun untuk memenuhi Tugas Lapangan Mata Kuliah Metode Peramalan"

Transkripsi

1 PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) TERTINGGI BULAN DESEMBER 3 disusun untuk memenuhi Tugas Lapangan Mata Kuliah Metode Peramalan Disusun Oleh :. Ilani Agustina M Intan Purnomosari M Aisyah Al Azizah M Desy Prasiwi M008 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA 3

2 BAB I PENDAHULUAN. Latar Belakang Indeks Harga Saham Gabungan (disingkat IHSG, dalam Bahasa Inggris disebut juga Jakarta Composite Index, JCI, atau JSX Composite) merupakan salah satu indeks pasar saham yang digunakan oleh Bursa Efek Indonesia (BEI; dahulu Bursa Efek Jakarta (BEJ)). Diperkenalkan pertama kali pada tanggal April 983, sebagai indikator pergerakan harga saham di BEJ, Indeks ini mencakup pergerakan harga seluruh saham biasa dan saham preferen yang tercatat di BEI. Hari Dasar untuk perhitungan IHSG adalah tanggal 0 Agustus 982. Pada tanggal tersebut, Indeks ditetapkan dengan Nilai Dasar 00 dan saham tercatat pada saat itu berjumlah 3 saham. Dasar perhitungan IHSG adalah jumlah Nilai Pasar dari total saham yang tercatat pada tanggal 0 Agustus 982. Jumlah Nilai Pasar adalah total perkalian setiap saham tercatat (kecuali untuk perusahaan yang berada dalam program restrukturisasi) dengan harga di BEJ pada hari tersebut. Formula perhitungannya adalah sebagai berikut: dimana p adalah Harga Penutupan di Pasar Reguler, x adalah Jumlah Saham, dan d adalah Nilai Dasar. Perhitungan Indeks merepresentasikan pergerakan harga saham di pasar/bursa yang terjadi melalui sistem perdagangan lelang. Nilai Dasar akan disesuaikan secara cepat bila terjadi perubahan modal emiten atau terdapat faktor lain yang tidak terkait dengan harga saham. Penyesuaian akan dilakukan bila ada tambahan emiten baru, HMETD (right issue), partial/company listing, waran dan

3 obligasi konversi demikian juga delisting. Dalam hal terjadi stock split, dividen saham atau saham bonus, Nilai Dasar tidak disesuaikan karena Nilai Pasar tidak terpengaruh. Harga saham yang digunakan dalam menghitung IHSG adalah harga saham di pasar reguler yang didasarkan pada harga yang terjadi berdasarkan sistem lelang. Perhitungan IHSG dilakukan setiap hari, yaitu setelah penutupan perdagangan setiap harinya. Dalam waktu dekat, diharapkan perhitungan IHSG dapat dilakukan beberapa kali atau bahkan dalam beberapa menit, hal ini dapat dilakukan setelah sistem perdagangan otomasi diimplementasikan dengan baik..2 Rumusan Masalah. Bagaimana pola data IHSG tertinggi untuk bulan Januari 07 sampai dengan Desember 2? 2. Metode peramalan apakah yang dapat digunakan untuk meramalkan IHSG tertinggi bulan Desember 3? 3. Berapakah nilai peramalan IHSG tertinggi bulan Desember 3?.3 Tujuan. Menentukan pola data IHSG tertinggi untuk bulan Januari 07 sampai dengan Desember Menentukan metode peramalan yang dapat digunakan untuk meramalkan IHSG tertinggi bulan Desember Meramalkan nilai IHSG tertinggi bulan Desember 3..4 Manfaat Dengan memperhatikan tujuan, maka dari penelitian ini diharapkan dapat memberikan manfaat baik teoritis maupun praktis.. Manfaat teoritis a. Memberikan wawasan dan pengetahuan yang lebih mendalam mengenai nilai indeks harga saham gabungan bursa efek Indonesia.

4 b. Memberikan pengetahuan bagi pembaca bagaimana cara dan langkah meramalkan suatu nilai data runtun waktu dengan menggunakan software Minitab dan metode peramalan. 2. Manfaat praktis Dapat dimanfaatkan untuk mengetahui nilai peramalan Indeks Harga Saham Gabungan tertinggi bulan Desember 3.

5 BAB II LANDASAN TEORI Untuk menganalisis data berkala (time series), diperlukan teori-teori yang mendukung dengan menggunakan metode maupun teknik yang sesuai dengan tujuan di atas. 2. Pengertian Peramalan Menurut Sudjana (988), meramal sesungguhnya adalah menduga atau memprediksi peristiwa di masa depan dan bertujuan memperkecil resiko yang mungkin terjadi akibat suatu pengambilan keputusan. Karena ramalan tidak dapat sepenuhnya menghilangkan risiko, maka faktor ketidakpastian harus diperhatikan secara eksplisit dalam proses pengambilan keputusan. Peramalan diperlukan karena adanya perbedaan kesenjangan waktu (time lag) antara kesadaran akan dibutuhkannya suatu kebijakan baru dengan waktu pelaksanaan kebijakan tersebut. Apabila perbedaan waktu tersebut panjang, maka peran peramalan begitu penting dan sangat dibutuhkan, terutama dalam penentuan kapan terjadi suatu sehingga dapat dipersiapkan tindakan yang perlu dilakukan. Metode peramalan akan membantu dalam mengadakan pendekatan analisa terhadap tingkah laku atau pola dari data yang lalu, sehingga dapat memberikan cara pemikiran, pengerjaan dan pemecahan yang sistematis dan pragmatis, serta memberikan tingkat keyakinan yang lebih besar atas ketepatan hasil ramalan yang dibuat. Menurut Supranto (984), forecasting atau peramalan adalah memperkirakan sesuaru pada waktu-waktu yang akan datang berdasarkan data masa lampau yang di analisis secara ilmiah, khususnya menggunakan metode statistika. Menurut Sohfjan Assauri (993), peramalan merupakan seni dan ilmu dalam memprediksi kejadian yang mungkin dihadapi pada masa yang akan datang. Dengan digunakan peralatan metode-metode peramalan maka akan memberikan hasil peramalan yang lebih dapat dipercaya ketetapannya. Oleh karena masing-masing metode peramalan berbeda-beda, maka penggunaannya

6 harus hati-hati terutama dalam pemilihan metode untuk penggunaan dalam kasus tertentu. Langkah-langkah untuk melakukan peramalan antara lain : a. Merumuskan atau menentukan masalah yang akan dianalisis b. Mengumpulkan data yang diperlukan dalam peramalan c. Membuat model dan evaluasi yang sesuai dengan pola data d. Menghitung kesalahan pada setiap metode yang digunakan e. Memilih metode yang terbaik f. Melakukan peramalan data mendatang Peramalan yang baik adalah peramalan yang menghasilkan nilai eror seminim mungkin. Untuk mengukur keefektifan suatu peramalan maka digunakan suatu ukuran standar statistik yang bisa kita peroleh dari hasil pengolahan data menggunakan software. 2.2 Macam-macam Pola Data Salah satu aspek yang paling penting dalam penyeleksian metode peramalan yang sesuai untuk data runtun waktu adalah untuk mempertimbangkan perbedaan tipe pola data. Ada empat tipe umum pola data : a. Pola stasioner terjadi bila nilai-nilai data berfluktuasi di sekitar nilai rata-rata yang konstan. Metode yang dapat digunakan untuk data berpola stasioner adalah Naive, Simple Average, Moving Average, Single Exponential Smoothing. b. Pola musiman terjadi bila suatu deret dipengaruhi oleh faktor musiman yang ditandai dengan adanya pola perubahan yang berulang secara otomatis dari tahun ke tahun. Metode yang dapat digunakan untuk data berpola musiman adalah Naive, Seasional Exponential Smoothing, Adaptive Filtering, Classical Decomposition, Cencus X-2, Box- Jenkins, Time Series Multiple Regression. c. Pola siklis terjadi bila datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang. Metode yang dapat digunakan untuk data berpola siklis adalah Multiple Regression, Box-Jenkins, Leading Indicator, Econometric Model.

7 d. Pola trend terjadi bila terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. Metodde yang dpat digunakan untuk data berpola trend adalah Naive, Simple Average, Single Exponential Smoothing, Double Exponential Smoothing, Simple Regression, Exponential Trend Model, S-Curve Fitting, Gompertz Model, Growth Curves. Pola data dapat dianalisis dengan menggunakan autokorelasi. dimana, r k n Y t Y Y t k Y t k n t Y t Y 2, k 0,,2,... r k = Koefisien autokorelasi untuk sebuah lag dari peride ke- k Y t = Observasi dalam periode waktu ke- t Yt k = Observasi k perode sebelumnya atau waktu periode (t-k) Y = Rata-rata dari nilai time series Jika data berkala tersebut random, hampir semua koefisien autokorelasi terletak di dalam interval kepercayaan dengan standar eror yang kecil. Tiap-tiap koefisien autokorelasi berada dalam interval kepercayaan yang diberikan : dimana dengan k 2 ri i SE( rk ) n, 2 0 Z SE( ) SE ( ) = Standar eror dari autokorelasi pada lag k r k t r i = autokorelasi pada lag i k = lag n = jumlah observasi dalam data berkala r k t

8 2.3 Metode Peramalan A. Metode Naive Metode Naive merupakan metode yang apling sederhana, menganggap bahwa peramalan periode berikutnya sama dengan nilai aktual periode sebelumnya. Dengan demikian data aktual periode waktu yang baru saja berlalu merupakan alat peramalan yang terbaik untuk meramalkan keadaan di masa mendatang. Peramalan dengan metode naive diasumsikan bahwa periode sekarang adalah prediksi terbaik untuk masa depan. Bentuk model Naive adalah Di mana adalah ramalan yang dilakukan pada untuk waktu t (ramalan asli) untuk waktu. Teknik yang dapat dipakai untuk data mengandung trend adalah dengan menambahkan selisih antara periode sekarang dan periode terakhir. Persamaan peramalannya adalah B. Averaging Methods Averaging Methods terdiri dari Mean ( rata-rata sederhana ), Single Moving Average ( bergerak tunggal ), dan Double Moving Average ( bergerak ganda ). Averaging Methods dipakai apabila:. Kondisi setiap data pada waktung berbeda mempunyai bobot yang sama sehingga fluktuasi random data dapat diredam dengan rata-ratanya. 2. Tidak semua data masa lalu dapat mewakili asumsi pola data berlanjut terus dimasa yang akan datang, maka dapat dipilih sejumlah periode tertentu saja. 3. Perioda yang relevan adalan n perioda terakhir, maka rata-rata dapat dihitung dengan n perioda yang berbeda. Perataan ini disebut dengan Moving Average. 4. Datanya stasioner, Single Moving Average cukup baik untuk meramalkan keadaan.

9 5. Datanya tidak stasioner, mengandung pola trend maka dilakukan Moving Average pada hasil Single Moving Average yang dinamakan Moving Average with Linear Trend. 6. Peramalan jangka pendek. Simple Average Simple Averages menggunakan rata-rata (mean) dari semua observasi-observasi pada periode-periode sebelumnya yang relevan sebagai ramalan pada periode berikutnya. Persamaan () digunakan untuk menghitung rata-rata (mean) data bagian perlambangan untuk peramalan periode selanjutnya. Ketika sebuah observasi baru tersedia, peramalan untuk periode selanjutnya,, adalah rata-rata atau mean, dihitung dengan persamaan () dan observasi yang baru. Metode Simple Average adalah salah satu teknik yang tepat ketika kemampuan runtun untuk menjadi ramalan sudah menjadi stabil, dan lingkungan di dalam runtun pada umumnya tidak berubah. Single Moving Average Metode Simple Averages menggunakan rata-rata dari semua data peramalan. Jumlah konstan titik data dapat ditetapkan pada awal dan dihitung rata-rata untuk observasi terbaru. Istilah Moving Averages digunakan untuk menggambarkan pendekatan ini. Setiap observasi baru menjadi tersedia, sebuah rata-rata baru dihitung dengan menjumlahkan nilai paling baru dan mengeluarkan yang paling tua. Moving Average ini lebih digunakan untuk meramalkan periode selanjutnya. Persamaan (3) menunjukkan peramalan Simple Moving Average. Sebuah Moving Average dari urutan ke k, MA (k) dihitung dengan : Persamaan (3) Moving Average dengan order ke-k

10 Dimana, = nilai peramalan untuk periode selanjutnya = nilai sebenarnya pada periode t = jumlah perlakuan dalam Moving Average Moving Average untuk periode waktu t adalah mean aritmetik dari k observasi terbaru. Dalam Moving Average, beban yang diberikan sama untuk setiap observasi. Setiap data baru dimasukkan dalam rata-rata yang tersedia, dan data paling awal dibuang. Kecepatan respon terhadap perubahan dalam pola data dasar tergantung pada jumlah periode k, termasuk dalam Moving Average. Double Moving Average Salah satu cara untuk meramalkan data time series yang memiliki trend linear adalah dengan menggunakan Double Moving Average. Metode ini secara tidak langsung dinamakan set pertama dihitung Moving Averagenya dan set kedua dihitung sebagai Moving Average dari set pertama. Pertama, untuk menghitung Moving Average dari order ke-k digunakan persamaan : Dimana: = Nilai peramalan untuk periode selanjutnya = Nilai sebenarnya pada periode t = Jumlah perlakuan pada Moving Average Kemudian persamaan () digunakan untuk menghitung Moving Average kedua Persamaan (2) digunakan untuk menghitung peramalan dengan menambahkan selisih antara Moving Average pertama dan Moving Average kedua dengan Moving Average pertama.

11 ( ) Persamaan (3) adalah faktor penyesuaian tambahan yang mirip dengan kemiringan ukuran yang dapat berubah selama runtun waktu tersebut. ( ) Akhirnya (4) persamaan ini digunakan untuk membuat ramalan p periode di masa depan. Dengan : k = jumlah periode dalam Moving Average p = jumlah periode peramalan untuk masa mendatang C. Single Expinential Smoothing Metode pemulusan eksponensial tunggal tidak cukup baik diterapkan jika datanya bersifat tidak stasioner, karena persamaan yang digunakan dalam metode eksponensial tunggal tidak terdapat prosedur pemulusan pengaruh tren yang mengakibatkan data tidak stasioner menjadi tetap tidak stasioner, tetapi metode ini merupakan dasar bagi metode-metode pemulusan eksponensial lainnya (Makridakis, Wheelright dan McGee,992). Exponential Smoothing secara terus menerus mempertimbangkan kembali suatu perkiraan yang dipandang dari data sebelumnya. Metode Exponential Smoothing berdasarkan pada pemulusan nilai-nilai sebelumnya di dalam suatu eksponensial yang menurun. Data masa lalu dimuluskan dengan cara melakukan pembobotan menurun secara eksponensial terhadap nilai pengamatan yang lebih lama, atau nilai yang lebih baru diberikan bobot yang relatif lebih besar dibanding nilai pengamatan yang lebih lama. Dalam suatu penyajian Exponential Smoothing, peramalan baru (pada saat t+) dapat dianggap sebagai jumlahan dari pengamat yang baru (pada waktu t) dan peramalan yang sebelumnya (untuk waktu t). Besarnya α (dimana 0 < α < ) diberikan padanilai pengamatan yang baru saja diamati, dan besar (-α) diberikan pada penramalan yang sebelumnya.

12 Peramalan Baru = [α x (pengamatan baru)] + [(-α) x (peramalan sebelumnya)] Pengamatan terakhir memiliki nilai α yang paling besar, yaitu 0 <α<. Pengamatan satu periode sebelumnya memiliki konstanta smoothing yang lebih kecil, yaitu α(- α). Pengamatan dua periode sebelumnya akan lebih kecil lagi, yaitu α(- α) 2 dan begitu seterusnya. Dimana = nilai pemulusan berikutnya atau nilai peramalan untuk periode berikutnya = konstanta pemulusan = pengamatan baru atau nilai sebelumnya pada periode t = nilai pemulusan sebelumnya atau peramalan untuk periode t Persamaan di bawah menunjukkan untuk periode t. Dengan mensubtitusikan Sehingga diperoleh Dengan subtitusi selanjutnya diperoleh D. Double Eksponensial Smoothing (Holt s) Merupakan pengembangan dari metode Exponensial Smooting Yˆ t p L pt t t Dengan L t Y t ( )( L t Tt ) di mana T t ( Lt Lt ) ( ) Tt L t = nilai hasil penghalusan (smoothing) pada periode ke-t = konstanta penghalusan (smoothing) untuk level yang nilainya 0 Y t = nilai observasi/ pengamatan pada periode ke-t

13 = konstanta penghalusan (smoothing) untuk estimasi trend yang nilainya 0 T t = estimasi trend p = periode waktu ke depan untuk yang akan diramalkan nilainya ˆ Yt p = nilai peramalan pada p periode ke depan. E. Trend Analisis Analisis trend merupakan model trend umum untuk data time series dan untuk meramalkan. Analisis trend adalah analisis yang digunakan untuk mengamati kecenderungan data secara menyeluruh pada suatu kurun waktu yang cukup panjang. Untuk menggunakan trend analisis, ada beberapa syarat yang harus dipenuhi, yaitu: a. Data mempunyai nilai tren yang relatif konstan. b. Data yang dimiliki tidak mengandung unsur musiman. c. Data tidak digunakan untuk meramalkan dalam jangka waktu yang cukup panjang. Trend dapat dipergunakan untuk meramalkan kondisi data di masa mendatang, maupun dapat dipergunakan untuk memprediksi data pada suatu waktu dalam kurun waktu tertentu. Beberapa metode yang dapat kan untuk memodelkan tren, antara lain :. Tipe Model Linear (Linear Model) Trend linier adalah suatu trend yang kenaikan atau penurunan nilai yang akan diramalkan naik atau turun secara linier. Analisis Trend yang digunakan secara umum untuk model trend linier adalah : 2. Tipe Model Kuadratik (Quadratic Model) Trend parabolik (kuadratik) adalah trend yang nilai variabel tak bebasnya naik atau turun secara linier atau terjadi parabola bila datanya dibuat scatter plot (hubungan variabel dependen dan independen adalah kuadratik). Analisis Trend yang digunakan secara umum untuk model trend kuadratik adalah :

14 3. Tipe Model Eksponensial (Exponential Growth Model) Trend eksponensial ini adalah sebuah trend yang nilai variabel tak bebasnya naik secara berlipat ganda atau tidak linier. Analisis Trend yang digunakan secara umum untuk model trend pertumbuhan eksponensial adalah : 4. Tipe Model Kurva-S (S-Curve Models) Trend model kurva S digunakan untuk model trend logistik Pearl Reed. Trend ini digunakan untuk data runtun waktu yang mengikuti kurva bentuk S. Analisis Trend yang digunakan secara umum untuk model kurva S adalah : Yt = (0 α ) / (β 0 +β β t 2 ) 2.4 Evaluasi Metode / Teknik Peramalan Untuk memilih metode mana yang paling tepat dalam peramalan, harus dilakukan evaluasi terhadap teknik/ metode peramalan yang digunakan. Evaluasi teknik peramalan tersebut meliputi : Mean Absolute Deviation (MAD) MAD n n t Y t Yˆ t MAD digunakan untuk mengukur keakuratan teknik yang digunakan. Mean Square Error (MSE) t ˆ 2 n MSE Y t Y t n Nilai eror yang dikuadratkan berakibat eror peramalan menjadi besar. Teknik dengan moderate eror lebih dipilih ketimbang yang mempunyai eror kecil akan tetapi kadang justru menghasilkan eror yang besar. Mean Absolute Percentage Error (MAPE) MAPE n n t Y Yˆ MAPE menunjukkan seberapa besar eror peramalan terhadap nilai yang sebenarnya. Untuk membandingkan keakuratan teknik yang digunakan. t Y t t

15 Mean Percentage Error (MPE) MPE n n t Y Yˆ t MPE digunakan untuk menentukan apakah metode peramalan yang digunakan bias atau tidak. MPE mendekati nol tak bias MPE besar, Negatif overestimate MPE besar, Positif underestimate Selain itu, perlu dilakukan analisis untuk memastikan bahwa metode/teknik yang dipakai sudah memenuhi uji kecukupan atau belum, yaitu : Residu dari koefisien autokorelasi. Metode dikatakan baik jika residual berpola random Plot residual mendekati distribusi normal. Y t t

16 BAB III PEMBAHASAN 3. Data Berikut data IHSG tertinggi dari bulan Januari 07 sampai November 3. Untuk tujuan peramalan, data dibagi menjadi dua yaitu data untuk menghasilkan model dan untuk evaluasi hasil peramalan. Data yang digunakan untuk membuat model adalah data dari tahun 07 sampai dengan 2, sedangkan data untuk evaluasi hasil peramalan adalah data bulan Januari sampai November 3. Tahun Bulan IHSG Tertinggi Tahun Bulan IHSG Tertinggi 07 Januari, Juli 3,04.08 Februari, Agustus 3,.6 Maret, September 3, April 2,02.0 Oktober 3,667.0 Mei 2,.83 November 3, Juni 2,67.45 Desember 3, Juli 2, Januari 3, Agustus 2, Februari 3,52.63 September 2, Maret 3, Oktober 2, April 3, November 2,737.8 Mei 3, Desember 2,88.53 Juni 3, Januari 2, Juli 4,77.74 Februari 2, Agustus 4,95.72 Maret 2, September 4, April 2, Oktober 3,875. Mei 2,56.26 November 3,859.0 Juni 2,46.05 Desember 3, Juli 2, Januari 4, Agustus 2, Februari 4, September 2,68.80 Maret 4,29.33

17 Oktober, April 4, November,4.72 Mei 4, Desember,376.0 Juni 3, Januari, Juli 4,49.7 Februari,3.94 Agustus 4,83.03 Maret, September 4, April, Oktober 4, Mei,94.79 November 4,38.75 Juni 2,6.7 Desember 4, Juli 2, Januari 4,472. Agustus 2,4.90 Februari 4, September 2, Maret 4, Oktober 2, April 5, November 2, Mei 5,25. Desember 2,542. Juni 5, Januari 2, Juli 4,85.73 Februari 2,63.67 Agustus 4,78.0 Maret 2,88.94 September 4,79.77 April 2, Oktober 4,6.26 Mei 2, November 4,58.65 Juni 2,98.28 Desember Data tersebut diambil dari

18 Autocorrelation Yt 3.2 Pola Data Berikut adalah plot time series dari data IHSG tertinggi tiap bulan (Yt). 40 Plot Time Series IHSG Tertinggi Tahun Index Berdasarkan plot di atas dapat dilihat bahwa adanya kenaikan sekuler jangka panjang sehingga data IHSG tertinggi bulan Januari 07 Desember 2 tersebut mengandung tren. Kemudian akan dilihat plot Autocorrelation Function (ACF) pada data tersebut. Berikut adalah plot ACF dari IHSG tertinggi bulan Januari 07 Desember 2. Plot ACF IHSG Tertinggi Tahun Lag Berdasarkan pada plot ACF dari data IHSG tertinggi bulan Januari 07 Desember 2 terlihat bahwa lag pertama keluar dari pita konfidensi dan perlahan turun sampai lag keseratus, sehingga dapat disimpulkan bahwa data mengandung tren, dengan kata lain data tidak stasioner.

19 Autocorrelation diff Yt Berdasarkan plot time series dan plot ACF dari data IHSG tertinggi bulan Januari 07 Desember 2 disimpulkan bahwa data mengandung tren, kita kemudian melakukan difference terhadap data tersebut dan akan dilihat apakah data stasioner. Berikut adalah plot time series difference satu kali dari Yt. Plot Time Series difference IHSG Tertinggi Tahun Index Berdasarkan plot time series difference dari Yt terlihat bahwa data berfluktuasi disekitar rata-rata konstan yang menunjukan data berpola stasioner. Berikut plot Autocorrelation Function (ACF) dari diference Yt. Plot ACF difference IHSG Tertinggi Tahun Lag Berdasarkan plot ACF dari difference Yt terlihat bahwa lag pertama di luar pita konfidensi dan turun drastis pada lag kedua lalu semua lag berada di dalam pita konfidensi, sehingga dapat disimpulkan bahwa data random, dengan kata lain data tersebut stasioner random.

20 3.3 Metode Peramalan dan Uji Asumsi Untuk tujuan peramalan data IHSG tertinggi bulan Januari - Desember 3, dapat digunakan data Yt (berpola tren) dan data difference Yt (berpola stasioner) dengan metode yang bersesuaian dengan jenis data tersebut. Untuk data IHSG tertinggi (Yt), metode yang mungkin dapat digunakan untuk meramalakan IHSG tertinggi bulan Januari - Desember 3 adalah sebagai berikut : a. Metode Naive untuk data tren b. Metode Double Moving Average c. Metode Holt s (Double Exponential Smoothing) d. Metode Tren Linier e. Metode Tren Kuadratik f. Metode Tren Eksponensial g. Metode Tren Kurva - S Untuk data difference IHSG tertinggi (diff Yt), metode yang mungkin dapat digunakan untuk meramalakan IHSG bulan Januari - Desember 3 adalah sebagai berikut : a. Metode Naive untuk data stasioner b. Metode Moving Average c. Metode Single Exponential Smoothing Berikut adalah hasil analisis data IHSG tertinggi Januari 07 Desember 2 dengan metode terkait beserta hasil uji asumsi dan evaluasi metode peramalan. a. Metode Naive untuk data tren Peramalan untuk bulan Desember 3 dengan menggunakan metode Naive adalah Untuk memastikan bahwa metode Naive dapat meramalkan IHSG bulan Desember 3 maka dilakukan uji kecukupan model dengan uji kenormalan dan kerandoman residual.

21 Autocorrelation Percent Uji Kenormalan Plot Kenormalan Residual Metode Naive Data Tren Normal Mean -.6 StDev 73. N 83 KS 0.09 P-Value Res 2 0 i. Ho : residu berdistribusi normal H : residu tidak berdistribusi normal ii. α = 0,05 iii. Daerah Kritis Ho ditolak jika p-value < α = 0,05 iv. Statistik Uji : p-value = 0,089 v. Kesimpulan Karena p-value = 0,089 > α = 0,05 maka Ho tidak ditolak sehingga dapat disimpulkan residu berdistribusi normal. Uji Kerandoman Residual Plot ACF Residual Metode Naive Data Tren Lag 80

22 AVER Dari plot ACF dapat dilihat bahwa terdapat lag yang keluar dari pita konfidensi, sehingga dapat di katakan bahwa residu tidak berpola random (acak). Berdasarkan uji kecukupan model di atas, karena asumsi kerandoman residual tidak dipenuhi maka metode Naive tidak dapat digunakan untuk meramalkan data IHSG. b. Metode Double Moving Average Dengan software Minitab diperoleh peramalan IHSG dengan metode Double Moving Average dengan panjang Moving Average sebesar tiga (k=3) sebagai berikut Plot Double Moving Average data IHSG Tertinggi 07-2 Variable Actual Fits Forecasts 95.0% PI Moving Average Length 3 00 Accuracy Measures MAPE 6.8 MAD.9 MSD Index Untuk memastikan bahwa metode Double Moving Average dapat meramalkan IHSG bulan Desember 3 maka dilakukan uji kecukupan model dengan uji kenormalan dan kerandoman residual.

23 Autocorrelation Percent Uji Kenormalan Plot Kenormalan Residual Metode Double Moving Average Normal Mean StDev 9. N 69 KS 0.39 P-Value < RESI i. Ho : residu berdistribusi normal H : residu tidak berdistribusi normal ii. α = 0,05 iii. Daerah Kritis Ho ditolak jika p-value < α = 0,05 iv. Statistik Uji : p-value <0,00 v. Kesimpulan Karena p-value < α = 0,05 maka Ho ditolak sehingga dapat disimpulkan residu tidak berdistribusi normal. Uji Kerandoman Residual Plot ACF Residual Metode Double Moving Average Lag

24 Yt Dari plot ACF dapat dilihat bahwa terdapat lag yang keluar dari pita konfidensi, sehingga dapat di katakan bahwa residu tidak berpola random (acak). Berdasarkan uji kecukupan model di atas, karena asumsi kenormalan residual dan kerandoman residual tidak dipenuhi maka metode Double Moving Average tidak dapat digunakan untuk meramalkan data IHSG. c. Metode Holt s (Double Exponential Smoothing) Dengan software Minitab, di dapatkan plot Double Exponential Smoothing dan model peramalannya sebagai berikut : Dengan L (.27668)( t Yt Lt Tt ) T t 0.05( Lt Lt ) ( 0.05) Tt Plot Pemulusan untuk IHSG Tertingi Tahun 07-2 Double Exponential Method Variable Actual Fits Forecasts 95.0% PI Smoothing Constants Alpha (level) Gamma (trend) 0.05 Accuracy Measures MAPE 4.3 MAD. MSD Index Untuk memastikan bahwa metode Holt s dapat meramalkan IHSG bulan Desember 3 maka dilakukan uji kecukupan model dengan uji kenormalan dan kerandoman residual.

25 Autocorrelation Percent Uji Kenormalan Plot Kenormalan Residual Metode Holt's Normal Mean StDev 42.7 N 72 KS P-Value > RESI i. Ho : residu berdistribusi normal H : residu tidak berdistribusi normal ii. α = 0,05 iii. Daerah Kritis Ho ditolak jika p-value < α = 0,05 iv. Statistik Uji : p-value > 0, v. Kesimpulan Karena p-value > α = 0,05 maka Ho tidak ditolak sehingga dapat disimpulkan residu berdistribusi normal. Uji Kerandoman Residual Plot ACF Residual Metode Holt's Lag

26 Yt Dari plot ACF dapat dilihat bahwa semua lag berada dalam pita konfidensi, sehingga dapat di katakan bahwa residu berpola random (acak). Berdasarkan uji kecukupan model di atas, karena asumsi kenormalan residual dan kerandoman residual dipenuhi maka metode Holt s dapat digunakan untuk meramalkan data IHSG, dengan nilai MAPE = 4.3 MAD =. MSD = d. Metode Tren Linier Dengan software Minitab, di dapatkan plot analisis trend linier dan model peramalannya sebagai berikut : Plot Analisis Tren untuk IHSG Tertinggi Tahun 07-2 Linear Trend Model Yt = *t Variable Actual Fits Forecasts Accuracy Measures MAPE 6 MAD 363 MSD Index Untuk memastikan bahwa metode tren linier dapat meramalkan IHSG bulan Desember 3 maka dilakukan uji kecukupan model dengan uji kenormalan dan kerandoman residual.

27 Autocorrelation Percent Uji Kenormalan Plot Kenormalan Residual Metode Tren Linier Normal Mean E-3 StDev N 72 KS 0.53 P-Value < RESI i. Ho : residu berdistribusi normal H : residu tidak berdistribusi normal ii. α = 0,05 iii. Daerah Kritis Ho ditolak jika p-value < α = 0,05 iv. Statistik Uji : p-value < 0,00 v. Kesimpulan Karena p-value < α = 0,05 maka Ho ditolak sehingga dapat disimpulkan residu tidak berdistribusi normal. Uji Kerandoman Residual Plot ACF Residual Metode Tren Linier Lag

28 Yt Dari plot ACF dapat dilihat bahwa terdapat lag yang keluar dari pita konfidensi, sehingga dapat di katakan bahwa residu tidak berpola random (acak). Berdasarkan uji kecukupan model di atas, karena asumsi kenormalan dan kerandoman residual tidak dipenuhi maka metode Tren Linier tidak dapat digunakan untuk meramalkan data IHSG. e. Metode Tren Kuadratik Dengan software Minitab, di dapatkan plot analisis trend linier dan model peramalannya sebagai berikut : Plot Analisis Tren IHSG Tertinggi Tahun 07-2 Quadratic Trend Model Yt = *t *t**2 Variable Actual Fits Forecasts Accuracy Measures MAPE 4 MAD 39 MSD Index Untuk memastikan bahwa metode Tren Kuadratik dapat meramalkan IHSG bulan Desember 3 maka dilakukan uji kecukupan model dengan uji kenormalan dan kerandoman residual.

29 Autocorrelation Percent Uji Kenormalan Plot Kenormalan Residual Metode Tren Kuadratik Normal Mean E-3 StDev 44.3 N 72 KS P-Value > RESI i. Ho : residu berdistribusi normal H : residu tidak berdistribusi normal ii. α = 0,05 iii. Daerah Kritis Ho ditolak jika p-value < α = 0,05 iv. Statistik Uji : p-value > 0, v. Kesimpulan Karena p-value > α = 0,05 maka Ho tidak ditolak sehingga dapat disimpulkan residu berdistribusi normal. Uji Kerandoman Residual Plot ACF Residual Metode Tren Kuadratik Lag

30 Yt Dari plot ACF dapat dilihat bahwa terdapat lag yang keluar dari pita konfidensi, sehingga dapat di katakan bahwa residu tidak berpola random (acak). Berdasarkan uji kecukupan model di atas, karena asumsi kerandoman residual tidak dipenuhi maka metode Tren Kuadratik tidak dapat digunakan untuk meramalkan data IHSG. f. Metode Tren Eksponensial Dengan software Minitab, di dapatkan plot analisis trend linier dan model peramalannya sebagai berikut : Plot Analisis Tren untuk IHSG Tertinggi Tahun 07-2 Growth Curve Model Yt = * (.02**t) Variable Actual Fits Forecasts Accuracy Measures MAPE 4 MAD 332 MSD Index Untuk memastikan bahwa metode Tren Eksponensial dapat meramalkan IHSG bulan Desember 3 maka dilakukan uji kecukupan model dengan uji kenormalan dan kerandoman residual.

31 Autocorrelation Percent Uji Kenormalan Plot Kenormalan Residual Metode Tren Eksponensial Normal Mean StDev N 72 KS 0.27 P-Value < RESI i. Ho : residu berdistribusi normal H : residu tidak berdistribusi normal ii. α = 0,05 iii. Daerah Kritis Ho ditolak jika p-value < α = 0,05 iv. Statistik Uji : p-value < 0,00 v. Kesimpulan Karena p-value < α = 0,05 maka Ho ditolak sehingga dapat disimpulkan residu tidak berdistribusi normal. Uji Kerandoman Residual Plot ACF Residual Metode Tren Eksponensial Lag

32 Yt Dari plot ACF dapat dilihat bahwa terdapat lag yang keluar dari pita konfidensi, sehingga dapat di katakan bahwa residu tidak berpola random (acak). Berdasarkan uji kecukupan model di atas, karena asumsi kenormalan dan kerandoman residual tidak dipenuhi maka metode Tren Eksponensial tidak dapat digunakan untuk meramalkan data IHSG. g. Metode Tren Kurva S Dengan software Minitab, di dapatkan plot analisis trend linier dan model peramalannya sebagai berikut : Plot Analisis Tren untuk IHSG Tertinggi Tahun 07-2 S-Curve Trend Model Yt = (0**5) / ( *(.0558**t)) Variable Actual Fits Forecasts Curve Parameters Intercept 6.98 Asymptote Asym. Rate.06 Accuracy Measures MAPE 24 MAD 772 MSD Index Untuk memastikan bahwa metode Tren Kurva S dapat meramalkan IHSG bulan Desember 3 maka dilakukan uji kecukupan model dengan uji kenormalan dan kerandoman residual.

33 Autocorrelation Percent Uji Kenormalan Plot Kenormalan Residual Metode Tren Kurva - S Normal Mean StDev 423 N 72 KS P-Value < RESI i. Ho : residu berdistribusi normal H : residu tidak berdistribusi normal ii. α = 0,05 iii. Daerah Kritis Ho ditolak jika p-value < α = 0,05 iv. Statistik Uji : p-value <0,00 v. Kesimpulan Karena p-value < α = 0,05 maka Ho ditolak sehingga dapat disimpulkan residu tidak berdistribusi normal. Uji Kerandoman Residual Plot ACF Residual Metode Tren Kurva - S Lag

34 Percent Dari plot ACF dapat dilihat bahwa terdapat lag yang keluar dari pita konfidensi, sehingga dapat di katakan bahwa residu tidak berpola random (acak). Berdasarkan uji kecukupan model di atas, karena asumsi kenormalan dan kerandoman residual tidak dipenuhi maka metode Tren Kurva S tidak dapat digunakan untuk meramalkan data IHSG. Untuk data difference IHSG tertinggi (diff Yt), metode yang dapat digunakan untuk meramalakan IHSG bulan Januari - Desember 3 adalah sebagai berikut : a. Metode Naive untuk data stasioner Peramalan untuk diffence IHSG bulan Desember 3 dengan menggunakan metode Naive adalah Untuk memastikan bahwa metode Naive dapat meramalkan difference IHSG bulan Desember 3 maka dilakukan uji kecukupan model dengan uji kenormalan dan kerandoman residual. Uji Kenormalan Plot Kenormalan Residual Metode Naive data Stasioner Normal Mean StDev 74. N 82 KS P-Value resi 2 0 i. Ho : residu berdistribusi normal H : residu tidak berdistribusi normal ii. α = 0,05 iii. Daerah Kritis

35 Autocorrelation Ho ditolak jika p-value < α = 0,05 iv. Statistik Uji : p-value = 0,26 v. Kesimpulan Karena p-value = 0,26 > α = 0,05 maka Ho tidak ditolak sehingga dapat disimpulkan residu berdistribusi normal. Uji Kerandoman Residual Plot ACF Residual Metode Naive Data Stasioner Lag 80 Dari plot ACF dapat dilihat bahwa terdapat lag yang keluar dari pita konfidensi, sehingga dapat di katakan bahwa residu tidak berpola random (acak). Berdasarkan uji kecukupan model di atas, karena asumsi kerandoman residual tidak dipenuhi maka metode Naive tidak dapat digunakan untuk meramalkan data difference IHSG. b. Metode Moving Average Dengan software Minitab diperoleh peramalan IHSG dengan metode Moving Average dengan panjang Moving Average sebesar tiga (k=3) sebagai berikut.

36 Percent diff Yt Moving Average Plot for diff Yt Variable Actual Fits Moving Average Length 3 Accuracy Measures MAPE 48.9 MAD 2.4 MSD Index Untuk memastikan bahwa metode Moving Average dapat meramalkan difference IHSG bulan Desember 3 maka dilakukan uji kecukupan model dengan uji kenormalan dan kerandoman residual. Uji Kenormalan Plot Kenormalan Residual Metode Moving Average Normal Mean 0.07 StDev 53.5 N 69 KS P-Value > RESI0 i. Ho : residu berdistribusi normal H : residu tidak berdistribusi normal ii. α = 0,05 iii. Daerah Kritis Ho ditolak jika p-value < α = 0,05 iv. Statistik Uji : p-value >0, v. Kesimpulan 0

37 Autocorrelation Karena p-value > α = 0,05 maka Ho tidak ditolak sehingga dapat disimpulkan residu berdistribusi normal. Uji Kerandoman Residual Plot ACF Residual Metode Moving Average Lag Dari plot ACF dapat dilihat bahwa terdapat lag yang keluar dari pita konfidensi, sehingga dapat di katakan bahwa residu tidak berpola random (acak). Berdasarkan uji kecukupan model di atas, karena asumsi kerandoman residual tidak dipenuhi maka metode Moving Average tidak dapat digunakan untuk meramalkan data difference IHSG. c. Metode Single Exponential Smoothing Dengan software Minitab, di dapatkan plot analisis Single Exponential Smoothing dan model peramalannya sebagai berikut :

38 Percent Yt* Plot Pemulusan untuk difference IHSG Tertinggi Tahun 07-2 Single Exponential Method Variable Actual Fits Forecasts 95.0% PI Smoothing Constant Alpha Accuracy Measures MAPE MAD 2.9 MSD Index Untuk memastikan bahwa metode Single Exponential Smoothing dapat meramalkan difference IHSG bulan Desember 3 maka dilakukan uji kecukupan model dengan uji kenormalan dan kerandoman residual. Uji Kenormalan Plot Kenormalan Residual Metode Single Exp. Smoothing Normal Mean StDev 45.9 N 7 KS 0.00 P-Value RESI6 2 0 i. Ho : residu berdistribusi normal H : residu tidak berdistribusi normal ii. α = 0,05 iii. Daerah Kritis Ho ditolak jika p-value < α = 0,05 iv. Statistik Uji : p-value = 0,077 v. Kesimpulan

39 Autocorrelation Karena p-value = 0,077 > α = 0,05 maka Ho tidak ditolak sehingga dapat disimpulkan residu berdistribusi normal. Uji Kerandoman Residual Plot ACF Residual Metode Single Exp. Smoothing Lag Dari plot ACF dapat dilihat bahwa terdapat lag yang keluar dari pita konfidensi, sehingga dapat di katakan bahwa residu tidak berpola random (acak). Berdasarkan uji kecukupan model di atas, karena asumsi kerandoman residual tidak dipenuhi maka metode Single Exponential Smoothing tidak dapat digunakan untuk meramalkan data difference IHSG.

40 3.4 Peramalan Berdasarkan analisis sebelumnya metode yang dapat digunakan untuk meramalkan IHSG bulan Desember 3 adalah metode Holt s. hasil peramalan dengan menggunakan metode Holt s adalah sebagai berikut Tahun Bulan IHSG Hasil Batas Batas Tertinggi Peramalan Bawah Atas 3 Januari 4, Februari 4, Maret 4, April 5, Mei 5, Juni 5, Juli 4, Agustus 4, September 4, Oktober 4, November 4, Desember Nilai peramalan IHSG tertinggi bulan Desember 3 adalah

41 BAB IV KESIMPULAN. Pola data IHSG tertinggi untuk bulan Januari 07 sampai dengan Desember 2 adalah tren. 2. Metode peramalan yang dapat digunakan untuk meramalkan IHSG tertinggi bulan Desember 3 adalah metode Double Eksponensial Smoothing (Holt s). 3. Nilai peramalan IHSG tertinggi bulan Desember 3 dengan menggunakan metode Holt s adalah sebesar

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

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

BAB 2 TINJAUAN TEORITIS

BAB 2 TINJAUAN TEORITIS BAB 2 TINJAUAN TEORITIS 2.1. Peramalan 2.1.1. Pengertian dan Kegunaan Peramalan Peramalan (forecasting) menurut Sofjan Assauri (1984) adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang

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

Data Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun Tahun Bulan Wisman

Data Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun Tahun Bulan Wisman Lampiran 1. Data Tingkat Hunian Hotel di Propinsi DIY Tahun 1991-2003 48 49 Lampiran 1 Data Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun 1991-2003, Tahun Bulan Wisman 1991 1 27,00 1991 2 30,60

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan

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 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi

BAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan

Lebih terperinci

Peramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model

Peramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Peramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model Ni Kadek Sukerti STMIK STIKOM Bali Jl. Raya Puputan

Lebih terperinci

BAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan

BAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan BAB 2 LADASA TEORI 2.1 Pengertian Peramalan (Forecasting) Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan terjadi pada masa mendatang. Peramalan penjualan adalah peramalan

Lebih terperinci

ANALISIS DERET WAKTU

ANALISIS DERET WAKTU ANALISIS DERET WAKTU JENIS DATA Cross section Beberapa pengamatan diamati bersama-sama pada periode waktu tertentu Harga saham semua perusahaan yang tercatat di BEJ pada hari Rabu 27 Februari 2008 Time

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan (forecasting) merupakan upaya memperkirakan apa yang terjadi pada masa yang akan datang. Pada hakekatnya peramalan hanya merupakan suatu perkiraan (guess),

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

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LADASA TEORI 2.1 Peramalan (forecasting) 2.1.1. Hubungan Forecast dengan Rencana Forecast adalah peramalan apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa

Lebih terperinci

METODE NAIVE DAN MOVING AVERAGE

METODE NAIVE DAN MOVING AVERAGE A. Metode Naive METODE NAIVE DAN MOVING AVERAGE Para pebisnis muda sering kali menghadapi suatu pilihan yang rumit ketika mencoba meramalkan dengan data yang berukuran sangat kecil. Situasi ini menciptakan

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

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN

Didownload dari ririez.blog.uns.ac.id BAB I PENDAHULUAN BAB I PENDAHULUAN Peramalan adalah tentang apa yang akan terjadi di masa yang akan datang. Peramalan bertujuan untuk memprediksikan kemungkinan pasar bagi produk yang dihasilkan perusahaan. Terdapat dua

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

BAB 2 LANDASAN TEORI 10 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang. Peramalan diperlukan karena adanya kesenjaan waktu

Lebih terperinci

DAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian...

DAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian... DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii HALAMAN PERNYATAAN... iii NASKAH SOAL TUGAS AKHIR... iv HALAMAN PERSEMBAHAN... v INTISARI... vi KATA PENGANTAR... vii UCAPAN TERIMA KASIH... viii

Lebih terperinci

Analisis Deret Waktu

Analisis Deret Waktu Analisis Deret Waktu Jenis Data Cross section Beberapa pengamatan diamati bersama-sama pada periode waktu tertentu Harga saham semua perusahaan yang tercatat di BEJ pada hari Rabu 27 Februari 2008 Time

Lebih terperinci

HASIL DAN ANALISIS DATA. Berikut ini adalah data penjualan besi Wiremesh selama 4 tahun berturutturut.

HASIL DAN ANALISIS DATA. Berikut ini adalah data penjualan besi Wiremesh selama 4 tahun berturutturut. BAB 5 HASIL DAN ANALISIS DATA 5.1 Penyajian Data Penelitian Berikut ini adalah data penjualan besi Wiremesh selama 4 tahun berturutturut. Data berikut merupakan data aktual untuk diramalkan penjualannya

Lebih terperinci

BAB 2 TINJAUAN TEORITIS

BAB 2 TINJAUAN TEORITIS BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan meramalkan atau memprediksi apa yang akan terjadi dimasa yang akan datang dengan waktu tenggang (lead time) yang relative lama,

Lebih terperinci

Estimasi, Pemilihan Model dan Peramalan Hubungan Deret Waktu

Estimasi, Pemilihan Model dan Peramalan Hubungan Deret Waktu Estimasi, Pemilihan Model dan Peramalan Hubungan Deret Waktu Author: Junaidi Junaidi Terdapat berbagai jenis model/metode peramalan hubungan deret waktu. Diantaranya adalah: 1) Model Linear; 2) Model Quadratic;

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

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 2 LANDASAN TEORI. Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit

BAB 2 LANDASAN TEORI. Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit BAB 2 LANDASAN TEORI 2.1 Pengertian Produksi Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit tanaman pada lahan yang telah disediakan, pemupukan dan perawatan sehingga

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertian Produksi Produksi merupakan suatu kegiatan yang dikerjakan untuk menambah nilai guna suatu benda baru sehingga lebih bermanfaat dalam memenuhi kebutuhan. Produksi jahe

Lebih terperinci

PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU

PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU Romy Biri ), Yohanes A.R. Langi ), Marline S. Paendong ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi Jl.

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

METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN

METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN Peramalan kuantitatif hanya dapat digunakan apabila terdapat

Lebih terperinci

BAB 3 PRAKIRAAAN dan PERAMALAN PRODUKSI. Dalam Manajemen Operasional, mengapa perlu ada peramalan produksi?

BAB 3 PRAKIRAAAN dan PERAMALAN PRODUKSI. Dalam Manajemen Operasional, mengapa perlu ada peramalan produksi? BAB 3 PRAKIRAAAN dan PERAMALAN PRODUKSI Dalam Manajemen Operasional, mengapa perlu ada peramalan produksi? a. Ada ketidak-pastian aktivitas produksi di masa yag akan datang b. Kemampuan & sumber daya perusahaan

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

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

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 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LADASA TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama (assaury, 1991). Sedangkan ramalan adalah

Lebih terperinci

PERAMALAN PRODUKSI SARUNG TENUN DENGAN MENGGUNAKAN METODE PEMULUSAN DATA

PERAMALAN PRODUKSI SARUNG TENUN DENGAN MENGGUNAKAN METODE PEMULUSAN DATA PERAMALAN PRODUKSI SARUNG TENUN DENGAN MENGGUNAKAN METODE PEMULUSAN DATA Weny Indah Kusumawati Program Studi Sistem Komputer, Institut Bisnis dan Informatika Stikom Surabaya email: weny@stikom.edu Abstrak

Lebih terperinci

This is a widely used forecasting technique. be especially accurate, www,clt,astate,edu/crbrown/smoothing07,ppt

This is a widely used forecasting technique. be especially accurate, www,clt,astate,edu/crbrown/smoothing07,ppt Proses Pemulusan usa Data Exponential smoothing This is a widely used forecasting technique in retailing, even though it has not proven to be especially accurate, www,clt,astate,edu/crbrown/smoothing07,ppt

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 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara 13 BAB 1 PENDAHULUAN 1.1 Latar Belakang Era globalisasi saat ini, perkembangan zaman semankin maju dan berkembang pesat, di antaranya banyak pernikahan dini yang menyebabkan salah satu faktor bertambahnya

Lebih terperinci

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis

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

BAB. 1 PENDAHULUAN Latar Belakang

BAB. 1 PENDAHULUAN Latar Belakang 1 BAB. 1 PENDAHULUAN 1.1. Latar Belakang Kain adalah bahan mentah yang dapat dikelola menjadi suatu pakaian yang mempunyai nilai financial dan konsumtif dalam kehidupan, seperti pembuatan baju. Contohnya

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

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 20 BAB 2 LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap satu atau beberapa produk pada periode yang akan datang.

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang Vanissa Hapsari,2013

BAB I PENDAHULUAN 1.1. Latar Belakang Vanissa Hapsari,2013 BAB I PENDAHULUAN 1.1. Latar Belakang Tingkat pencemaran udara di beberapa kota besar cenderung meningkat dari tahun ke tahun. Hal ini disebabkan oleh beberapa faktor diantaranya jumlah transportasi terus

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

BAB III TINJAUAN PUSTAKA

BAB III TINJAUAN PUSTAKA BAB III TINJAUAN PUSTAKA 3.1 Teori Dunia industri biasanya tak lepas dari suatu peramalan, hal ini disebabkan bahwa peramalan dapat memprediksi kejadian di masa yang akan datang untuk mengambil keputusan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan adalah alat bantu yang penting dalam perencanaan yang efektif dan efisien (Makridakis,1991). Peramalan merupakan studi terhadap data historis untuk menemukan

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto

BAB 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto 18 BAB 2 TINJAUAN TEORITIS 2.1 Produk Domestik Regional Bruto Dalam menghitung pendapatan regional, dipakai konsep domestik. Berarti seluruh nilai tambah yang ditimbulkan oleh berbagai sektor atau lapangan

Lebih terperinci

BAB III PERAMALAN 3.1 Landasan Teori Peramalan

BAB III PERAMALAN 3.1 Landasan Teori Peramalan BAB III PERAMALAN 3.1 Landasan Teori Peramalan Menurut Gaspersz (2004), aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan permintaan dan penggunaan produk sehingga produk-produk

Lebih terperinci

PEMODELAN DAN PERAMALAN DATA PEMBUKAAN IHSG MENGGUNAKAN MODEL ARIMA

PEMODELAN DAN PERAMALAN DATA PEMBUKAAN IHSG MENGGUNAKAN MODEL ARIMA PEMODELAN DAN PERAMALAN DATA PEMBUKAAN IHSG MENGGUNAKAN MODEL ARIMA OLEH : 1. Triyono ( M0107086 ) 2. Nariswari S ( M0108022 ) 3. Ayunita C ( M0180034 ) 4. Ibnuhardi F.Ihsan ( M0108045 ) 5. Marvina P (

Lebih terperinci

BAB 3 FORECASTING DAN PENGAMATAN TRAFIK DATA

BAB 3 FORECASTING DAN PENGAMATAN TRAFIK DATA BAB 3 FORECASTING DAN PENGAMATAN TRAFIK DATA Forecasting adalah suatu peramalan nilai sebuah atau sekumpulan variabel pada satu titik waktu di masa depan. Dalam melakukan perhitungan peramalan pertumbuhan

Lebih terperinci

Dian Kristanti 1) 1 Prodi Pendidikan Matematika, STKIP Bina Bangsa Meulaboh.

Dian Kristanti 1) 1 Prodi Pendidikan Matematika, STKIP Bina Bangsa Meulaboh. PERAMALAN JUMLAH PENDISTRIBUSIAN BAHAN BAKAR MINYAK DI PT. PERTAMINA (PERSERO) REGION III DEPOT MALANG MENGGUNAKAN METODE WINTER DAN METODE DEKOMPOSISI Dian Kristanti 1) 1 Prodi Pendidikan Matematika,

Lebih terperinci

Analisis Hubungan Deret Waktu untuk Peramalan

Analisis Hubungan Deret Waktu untuk Peramalan Analisis Hubungan Deret Waktu untuk Peramalan Author: Junaidi Junaidi Ramalan (forecast) merupakan dugaan atau perkiraan mengenai terjadinya suatu kejadian atau peristiwa di waktu yang akan datang. Ramalan

Lebih terperinci

BAB III PERAMALAN. Praktikum Sistem Produksi ATA 2014/2015

BAB III PERAMALAN. Praktikum Sistem Produksi ATA 2014/2015 BAB III PERAMALAN 3.1 Landasan Teori Peramalan merupakan suatu bentuk usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu. Esensi peramalan adalah perkiraan peristiwa-peristiwa

Lebih terperinci

Volume 9 Nomor 1 Maret 2015

Volume 9 Nomor 1 Maret 2015 Volume Nomor Maret 2 Jurnal Ilmu Matematika dan Terapan Maret 2 Volume Nomor Hal. 4 - PERAMALAN JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS PATTIMURA AMBON MENGGUNAKAN METODE DEKOMPOSISI S. Yuni, Mozart

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 I PENDAHULUAN. Sejak kondisi ekonomi dan bisnis selalu berubah setiap waktu, maka para

BAB I PENDAHULUAN. Sejak kondisi ekonomi dan bisnis selalu berubah setiap waktu, maka para 1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Sejak kondisi ekonomi dan bisnis selalu berubah setiap waktu, maka para pimpinan suatu perusahaan atau para pelaku bisnis harus menemukan cara untuk terus

Lebih terperinci

BAB 3 LANGKAH PEMECAHAN MASALAH

BAB 3 LANGKAH PEMECAHAN MASALAH 49 BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Standar Optimasi Dasar evaluasi untuk mengoptimalkan supply chain management pada Honda Tebet (PT. Setianita Megah Motor) dari proses bisnis perusahaan

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

BAB 2 TINJAUAN TEORITIS. Adanya waktu tenggang (lead time) merupakan alasan utama bagi perencanaan dan

BAB 2 TINJAUAN TEORITIS. Adanya waktu tenggang (lead time) merupakan alasan utama bagi perencanaan dan BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Adanya waktu tenggang (lead time) merupakan alasan utama bagi perencanaan dan peramalan. Jika waktu tenggang ini nol atau sangat kecil, maka perencanaan

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 Memprediksi peristiwa masa depan Biasanya memerlukan kebiasaan selama jangka waktu tertentu metode kualitatif

Peramalan Memprediksi peristiwa masa depan Biasanya memerlukan kebiasaan selama jangka waktu tertentu metode kualitatif Bab 3-4 Peramalan Peramalan Memprediksi peristiwa masa depan Biasanya memerlukan kebiasaan selama jangka waktu tertentu metode kualitatif Berdasarkan metode yang subjektif Metode kuantitatif Berdasarkan

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

4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :

4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut : 4 BAB IV HASIL PEMBAHASAN DAN EVALUASI Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtut waktu. Data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data harga

Lebih terperinci

Peramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential Smoothing

Peramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential Smoothing Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Peramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential

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 Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat

Lebih terperinci

Pembahasan Materi #7

Pembahasan Materi #7 1 EMA402 Manajemen Rantai Pasokan Pembahasan 2 Pengertian Moving Average Alasan Tujuan Jenis Validitas Taksonomi Metode Kualitatif Metode Kuantitatif Time Series Metode Peramalan Permintaan Weighted Woving

Lebih terperinci

Evelina Padang, Gim Tarigan, Ujian Sinulingga

Evelina Padang, Gim Tarigan, Ujian Sinulingga Saintia Matematika Vol. 1, No. 2 (2013), pp. 161 174. PERAMALAN JUMLAH PENUMPANG KERETA API MEDAN-RANTAU PRAPAT DENGAN METODE PEMULUSAN EKSPONENSIAL HOLT-WINTERS Evelina Padang, Gim Tarigan, Ujian Sinulingga

Lebih terperinci

BAB II LANDASAN TEORI. Sistem informasi terdiri dari input, proses, dan output, seperti yang terlihat pada

BAB II LANDASAN TEORI. Sistem informasi terdiri dari input, proses, dan output, seperti yang terlihat pada BAB II LANDASAN TEORI 2.1 Konsep Sistem Informasi Sebelum merancang sistem perlu dikaji konsep dan definisi dari sistem.. Sistem informasi terdiri dari input, proses, dan output, seperti yang terlihat

Lebih terperinci

BAB II KAJIAN TEORITIS

BAB II KAJIAN TEORITIS BAB II KAJIAN TEORITIS 2.1 Deskripsi Teori 2.1.1 Pengertian Peramalan ( forecasting ) Salah satu keputusan penting dalam perusahaan adalah kecilnya resiko kesalahan nilai produksi dan nilai penjualan.

Lebih terperinci

MODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE

MODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE MODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE Data yang digunakan adalah data M2Trend.wf1 (buku rujukan pertama, bab-8). Model analisisnya adalah Xt = M2 diregresikan dengan t = waktu. Model yang akan

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA digilib.uns.ac.id BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Executive Information System (EIS) Executive Information System (EIS) adalah sebuah sistem penunjang keputusan yang dibangun secara khusus

Lebih terperinci

ANALISIS PERAMALAN PENJUALAN PRODUK KECAP PADA PERUSAHAAN KECAP MANALAGI DENPASAR BALI.

ANALISIS PERAMALAN PENJUALAN PRODUK KECAP PADA PERUSAHAAN KECAP MANALAGI DENPASAR BALI. ANALISIS PERAMALAN PENJUALAN PRODUK KECAP PADA PERUSAHAAN KECAP MANALAGI DENPASAR BALI Ni Putu Lisna Padma Yanti 1, I.A Mahatma Tuningrat 2, A.A.P. Agung Suryawan Wiranatha 2 1 Mahasiswa Jurusan Teknologi

Lebih terperinci

METODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU ABSTRACT

METODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU ABSTRACT METODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU Encik Rosalina 1, Sigit Sugiarto 2, M.D.H. Gamal 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan

Lebih terperinci

Perbandingan Analisis Trend dan Holt Double Eksponensial Smoothing dalam Meramalkan Angka Kematian Bayi di Jawa Timur

Perbandingan Analisis Trend dan Holt Double Eksponensial Smoothing dalam Meramalkan Angka Kematian Bayi di Jawa Timur Perbandingan Analisis Trend dan Holt Double Eksponensial Smoothing dalam Meramalkan Angka Kematian Bayi di Jawa Timur Mazro atul Qoyyimah dan Lutfi Agus Salim Fakultas Kesehatan Masyarakat Universitas

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

BAB IV METODE PENELITIAN

BAB IV METODE PENELITIAN BAB IV METODE PENELITIAN 4.1. Desain Penelitian Dari uraian latar belakang masalah, penelitian ini dikategorikan ke dalam penelitian kasus dan penelitian lapangan. Menurut Rianse dan Abdi dalam Surip (2012:33)

Lebih terperinci

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Pengumpulan Data Pengumpulan data yang dilakukan dengan cara pengamatan dari dokumen perusahaan. Data yang di perlukan meliputi data penjualan produk Jamur Shiitake,

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

PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)

PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di: ISSN: 2339-254 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 205, Halaman 957-966 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PREDIKSI NILAI KURS DOLLAR AMERIKA MENGGUNAKAN EXPONENTIAL SMOOTHING

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA 4 BAB II TINJAUAN PUSTAKA 1.1 Landasan Teori 1.1.1 Prediksi Prediksi adalah sama dengan ramalan atau perkiraan. Menurut kamus besar bahasa indonesia, prediksi adalah hasil dari kegiatan memprediksi atau

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

PERBANDINGAN KEEFEKTIFAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH PENGUNJUNG HOTEL MERPATI

PERBANDINGAN KEEFEKTIFAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH PENGUNJUNG HOTEL MERPATI Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 251 258. PERBANDINGAN KEEFEKTIFAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH PENGUNJUNG HOTEL

Lebih terperinci

Peramalan (Forecasting)

Peramalan (Forecasting) Peramalan (Forecasting) Peramalan (forecasting) merupakan suatu proses perkiraan keadaan pada masa yang akan datang dengan menggunakan data di masa lalu (Adam dan Ebert, 1982). Awat (1990) menjelaskan

Lebih terperinci

(FORECASTING ANALYSIS):

(FORECASTING ANALYSIS): ANALISIS KUANTITATIF ANALISIS PERAMALAN Hand-out ke-3 ANALISIS PERAMALAN (FORECASTING ANALYSIS): Contoh-contoh sederhana PRODI AGRIBISNIS UNEJ, 2017 PROF DR IR RUDI WIBOWO, MS Contoh aplikasi tehnik peramalan

Lebih terperinci

Membuat keputusan yang baik

Membuat keputusan yang baik Membuat keputusan yang baik Apakah yang dapat membuat suatu perusahaan sukses? Keputusan yang dibuat baik Bagaimana kita dapat yakin bahwa keputusan yang dibuat baik? Akurasi prediksi masa yang akan datang

Lebih terperinci

PENGENDALIAN PERSEDIAAN BAHAN BAKU BAJA MS DI DIREKTORAT PRODUKSI ATMI CIKARANG

PENGENDALIAN PERSEDIAAN BAHAN BAKU BAJA MS DI DIREKTORAT PRODUKSI ATMI CIKARANG PENGENDALIAN PERSEDIAAN BAHAN BAKU BAJA MS DI DIREKTORAT PRODUKSI ATMI CIKARANG Siti Rohana Nasution 1, Temotius Agung Lukito 2 1,2) Jurusan Teknik Industri Fakultas Teknik Universitas Pancasila 1) nasutionana@yahoo.co.id,

Lebih terperinci

PERAMALAN (FORECASTING)

PERAMALAN (FORECASTING) #3 - Peramalan (Forecasting) #1 1 PERAMALAN (FORECASTING) EMA302 Manajemen Operasional Pengertian (1) 2 Oxford Dictionary, Forecast is a statement about what will happen in the future, based on information

Lebih terperinci

BAB II LANDASAN TEORI. Suatu sistem adalah suatu jaringan kerja dari prosedur-prosedur yang

BAB II LANDASAN TEORI. Suatu sistem adalah suatu jaringan kerja dari prosedur-prosedur yang 7 BAB II LANDASAN TEORI 2.1 Sistem Informasi 2.1.1 Sistem Suatu sistem adalah suatu jaringan kerja dari prosedur-prosedur yang saling berhubungan, berkumpul bersama-sama untuk melakukan suatu kegiatan

Lebih terperinci

Universitas Gunadarma PERAMALAN

Universitas Gunadarma PERAMALAN PERAMALAN PERAMALAN Kebutuhan Peramalan dalam Manajemen Produksi dan Operasi Manajemen Operasi/produksi menggunakan hasil-hasil peramalan dalam pembuatan keputusan-keputusan yang menyangkut pemilihan proses,

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

PERENCANAAN PRODUKSI

PERENCANAAN PRODUKSI PERENCANAAN PRODUKSI Membuat keputusan yang baik Apakah yang dapat membuat suatu perusahaan sukses? Keputusan yang dibuat baik Bagaimana kita dapat yakin bahwa keputusan yang dibuat baik? Akurasi prediksi

Lebih terperinci

BAB 3 METODE PENELITIAN. Dalam skripsi yang penulis lakukan ini menggunakan analisa forecasting dari

BAB 3 METODE PENELITIAN. Dalam skripsi yang penulis lakukan ini menggunakan analisa forecasting dari BAB 3 METODE PENELITIAN 3.1 Desain Penelitan Dalam skripsi yang penulis lakukan ini menggunakan analisa forecasting dari PT. Honda Dunia Motorindo. Setelah itu dengan analisa tersebut, penulis berusaha

Lebih terperinci

PEMBANDINGAN METODE PENGHALUSAN EKSPONENSIAL GANDA DUA PARAMETER HOLT

PEMBANDINGAN METODE PENGHALUSAN EKSPONENSIAL GANDA DUA PARAMETER HOLT PEMBANDINGAN METODE PENGHALUSAN EKSPONENSIAL GANDA DUA PARAMETER HOLT DAN METODE BOX-JENKINS PADA PERAMALAN DATA DERET WAKTU TREND (Studi Kasus Data Penumpang Bandara Juanda 2008-2016) (Skripsi) Oleh RASYD

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang. Peramalan diperlukan karena adanya kesenjangan waktu

Lebih terperinci

BAB II LANDASAN TEORI. saling berhubungan membentuk suatu kesatuan atau organisasi atau suatu jaringan

BAB II LANDASAN TEORI. saling berhubungan membentuk suatu kesatuan atau organisasi atau suatu jaringan BAB II LANDASAN TEORI 2.1 Pengertian Sistem Menurut Amsyah (2005), definisi sistem adalah elemen-elemen yang saling berhubungan membentuk suatu kesatuan atau organisasi atau suatu jaringan kerja dari prosedur

Lebih terperinci