Jurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN

Ukuran: px
Mulai penontonan dengan halaman:

Download "Jurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN"

Transkripsi

1 Jurnal EKPOEIAL Volume 5, omor, opember 4 I Pemodelan Dan Peramalan Indes Harga Perdagangan Besar (IHPB) Dengan Menggunaan ARFIMA (udi Kasus : IHPB Provinsi Kalimanan Timur bulan Januari Desember 6 dan Januari 9 - epember 3) Applicaion of ARFIMA Modeling For Forecasing And Wholesale Price Index (WPI) (Case udy: WPI Eas Kalimanan In January December 6 and January 9 epember 3) usani Idris, Rio Goeanoro, Yui ovia asuion Mahasiswa Program udi aisia FMIPA Universias Mulawarman Dosen Program udi aisia FMIPA Universias Mulawarman si999@gmail.com Absrac Time series daa in he financial secor, as well as WPI, ofen showed variaions beween groups of daa a cerain scales, which suggess ha here may have long-erm effecs in he daa. However, he non saionary Auoregressive Inegraed Moving Average (ARIMA) modeling someimes can no explain he correlaion srucure in he series of long-erm (long memory). ARFIMA model is able o model he process dependences shor-erm and long-erm. Observaions ha are generaed by he ARIMA srucure shows he dependence of he shor-erm, while he observaions are generaed by ARFIMA srucure shows long-erm dependence. Tha Wholesale Price Index (WPI) daa has a non saionary condiion or non linear rend, hence he ARFIMA modeling can be used o analyze hese daa. The model ARFIMA (; 4,3; ) is obained for modelling he daa. By using ARFIMA models for forecasing In January December 6 and January 9 epember 3 he Mean Absolue Percenage Error (MAPE) is 7,76%. Keywords: Auo regresive fracional inegraed moving average, forecasing, long memory, Wholesale Price Index. Pendahuluan Perumbuhan eonomi yang eradi di Indonesia cuup pesa dan elah mengubah pola piir masyaraa di bidang eonomi umumnya dan bidang invesasi pada hususnya. Invesasi merupaan salah sau indiaor yang dapa mempengaruhi pereonomian di suau negara. Invesasi dapa diaaan mempengaruhi pereonomian apabila invesasi ersebu digunaan unu melauan pembiayaan pada seor riil sehingga apabila seor riil elah berembang dengan bai maa pendapaan nasional aan meninga. Pembiayaan seor riil dapa dilauan melalui seor perbanan dan seor euangan lainnya seperi pasar modal (BP, 9). Indes Harga Perdagangan Besar (IHPB) merupaan salah sau indiaor eonomi yang memua anga indes dan menunuan perubahan pada harga pembelian barang oleh para pedagang besar dari onsumen. IHPB dieapan dalam uuran uanias borongan. Daa-daa ersebu aan sanga membanu para pedagang besar unu mengeahui perubahan-perubahan yang eradi pada harga-harga pembelian barang dagangan dan uga unu memperiraan ondisi harga yang mungin eradi pada masa yang aan daang (BP, 9). Daa dere wau dalam bidang euangan, sebagaimana uga IHPB, seringali menunuan variasi di anara elompo daa pada sala-sala erenu, yang menimbulan dugaan adanya efe anga panang dalam daa (BP, 9). Aan eapi pemodelan daa dere wau ida sasioner Auoregressive Inegraed Moving Average (ARIMA) eradang belum dapa menelasan adanya sruur orelasi dalam dere anga panang (long memory) (Wei, 6). Daa dere wau aan mempunyai sifa long memory ia dianara pengamaan dengan periode yang erpisah auh masih mempunyai orelasi yang inggi. Daa dere wau long memory mempunyai plo Auocorrelaion Funcion (ACF) yang urun secara hiperboli seiring dengan penambahan lag. edangan daa dere wau yang mempunyai sifa shor memory, memilii plo Parial Auocorrelaion Funcion (PACF) yang aan menurun secara esponensial. Model daa dere wau dengan sifa long memory sering disebu dengan model Auoregressive Fracionally Inegraed Moving Average (ARFIMA) dengan differencing parameer berbenu bilangan pecahan (Wei, 6). Peneliian ini beruuan unu mengeahui model ARFIMA daa IHPB Provinsi Kalimanan Timur bulan Januari - Desember 6 dan Januari 9 - epember 3, sera unu mengeahui hasil peramalan IHPB Provinsi Kalimanan Timur dari bulan Oober 3 Program udi aisia FMIPA Universias Mulawarman 37

2 Jurnal EKPOEIAL Volume 5, omor, opember 4 I sampai Desember 4 dengan menggunaan model ARFIMA. Proses oasi ebuah proses soasi X { X ( ), T} adalah umpulan variabel aca, yang arinya unu seiap di himpunan indes T, X() adalah variabel aca. Kia sering menginerpreasian sebagai wau dan X() adalah proses aau eadaan pada wau. Jia himpunan indes T adalah sauan yang bisa dihiung, maa disebu proses soasi wau disri, dan ia T adalah sebuah sauan yang ida bisa dihiung, maa disebu proses soasi wau oninu (Ross, 996). Daa Dere Wau Pada dasarnya daa dere wau merupaan serangaian daa pengamaan yang eradi berdasaran indes wau secara beruruan dengan inerval wau eap. Analisis dere wau adalah salah sau prosedur saisia yang dierapan unu meramalan sruur probabilisi eadaan yang aan eradi di masa yang aan daang dalam ranga pengambilan epuusan (Aswi dan uarna, 6). Tuuan analisis dere wau anara lain unu :. Meramalan ondisi di masa yang aan daang (forecasing).. Mengeahui hubungan anar peubah. 3. Kepeningan onrol (Unu mengeahui apaah proses erendali aau ida). asaran Analisis Daa Dere Wau Ada beberapa sasaran dalam analisis daa dere wau, yaiu :. Desripsi (descripion) Ciri-ciri dalam pembenuan model analisis dere wau adalah adanya asumsi bahwa daa dalam eadaan sasioner. Dere wau diaaan sasioner ia ida ada perubahan ecenderungan dalam raa-raa dan perubahan variansi. Dengan aa lain, daa dere wau yang sasioner relaif ida mengalami enaian aau pun penurunan nilai secara aam (Aswi dan uarna, 6).. Peramalan (forecasing) Peramalan adalah bagian inegral dari egiaan pengambilan epuusan, hal ini disebaban efeifias suau epuusan umumnya berganung pada beberapa meode dere berala misalnya dengan memperimbangan enis pola daa yang paling epa (Maridais, 98). Empa pola daa unu menenuan meode yang diui adalah :. Pola horisonal eradi bila daa berfluuasi di seiar nilai raa-raa yang onsan. Biasanya dere seperi iu sasioner erhadap nilai raa-raanya.. Pola musiman eradi bila suau dere dipengaruhi oleh faor musiman. 3. Pola silis eradi bila daa dipengaruhi oleh fluuasi eonomi anga panang seperi yang berhubungan dengan silus bisnis. 4. Pola rend eradi bila erdapa enaian aau penurunan berala anga panang dalam daa seperi yang berhubungan dengan indiaor bisnis aau eonomi yang berubah sepanang wau. 3. Konrol (conrol) Proses onrol mempunyai pengaruh erhadap eepaan peramalan yang dibua. Jia asumsi epa, maa peramalan yang dihasilan uga aan mendeai ebenaran, sebalinya ia asumsi ida epa aan menyebaban peramalan yang dihasian banya mengalami penyimpangan (ubagyo, 986). Auoregressive Fracionally Inegraed Moving Average (ARFIMA) Daa dere wau aan mempunyai sifa long memory ia di anara pengamaan dengan periode yang erpisah auh masih mempunyai orelasi inggi. ifa dari daa dere wau seperi ini mempunyai auocorrelaion funcion (ACF) yang menurun seiring dengan penambahan lag. edangan daa dere wau yang mempunyai sifa shor memory, plo ACF aan urun secara esponensial. Model daa dere wau dengan sifa long memory sering disebu dengan model Auoregressive Fracionally Inegraed Moving Average (ARFIMA) dengan differencing parameer dan persamaan modelnya yang berbenu bilangan pecahan. Model ARFIMA mampu memodelan proses eerganungan anara anga pende dan anga panang. Pengamaan-pengamaan yang dihasilan oleh sruur ARMA menunuan eerganungan anga pende, sedangan parameer pembeda pecahan d, yang menyebaban nilai-nilai ACF urun dan menunuan eerganungan anga panang. Model ARFIMA (p, d, q) diembangan oleh Granger dan Joyeux (98) dalam (Wei, 6) adalah sebagai beriu : d B B Bc () dengan : = indes dari pengamaan d = parameer pembeda (bilangan pecahan) = raa-raa dari pengamaan iid dengan, c c, c,..., c c ~, adalah c berdisribusi normal, p B B B pb adalah polinomial AR (p), q B B B qb adalah polinomial MA (q), B d adalah operaor pembeda pecahan, 38 Program udi aisia FMIPA Universias Mulawarman

3 C4 Jurnal EKPOEIAL Volume 5, omor, opember 4 I Operaor pembeda pecahan emudian dihiung dengan menggunaan persamaan beriu : d B B () d d d ehingga: B F d,;; B, d d F d,;; B B (4) (3) merupaan fungsi gamma yang dapa dirumusan sebagai beriu : x n n e x dx n! ecara garis besar, sifa sifa fungsi gamma adalah :. n aan onvergen unu seiap n.. n ida erdefinisi unu seiap n aau bilangan bula negaif (Wei, 6). Unu suau d bernilai pecahan, dapa didefinisian sebagai beriu : d B B. (5) d! Meode Peneliian d Daa yang digunaan dalam peneliian ini adalah daa Indes Harga Perdagangan Besar (IHPB) Provinsi Kalimanan Timur yang bersumber dari daa doumenasi hasil lapangan Provinsi Kalimanan Timur. Variabel peneliian yang digunaan adalah IHPB Provinsi Kalimanan Timur yang dicaa dalam benu bulanan dari bulan Januari - Desember 6 dan Januari 9 - epember 3 adalah daa Indes Harga Perdagangan Besar (IHPB) Per Bulan. Adapun eni analisis daa dalam peneliian ini adalah:. Membua Plo Plo dibua unu meliha esasioneran daa dan menenuan ransformasi yang sesuai unu daa yang ida sasioner dalam varians. eelah iu melauan ui ADF unu mengui esasioneran daa, dengan menggunaan sofware Eviews.. Idenifiasi Pola Long Memory yara daa unu model ARFIMA adalah adanya pola long memory. Ui long memory dari suau daa menggunaan saisi R/ aau saisi Hurs (H). 3. Penasiran Parameer Pembeda (d) Daa yang elah diidenifiasi mengandung long memory, dilauan pembedaan (d) dengan meode Gewee & Porer-Huda (GPH). 4. Membua plo ACF dan PACF Unu menenuan model ARFIMA, maa dibua grafi ACF dan PACF dari hasil pembedaan, sehingga dapa diidenifiasi model ARFIMA semenara. Kemudian dapa dilanuan dengan esimasi parameer dan. Esimasi parameer menggunaan sofware Miniab Pemerisaan (Diagnosic Checing) Diagnosic Checing pada model ARFIMA mengiui langah-langah sebagai beriu : Mengui signifiansi parameer model. emua parameer yang diiu seraan dalam model harus berpengaruh. Penguian dilauan dengan menggunaan, 5. Memerisa sampel ACF dari error unu meliha ada idanya orelasi dalam error. ACF error diperoleh melalui sofware Miniab 6. Mengui normalias error dengan Ui Kolmogorov-mirnov. 6. Keepaan Model Unu mengeahui eepaan model yang digunaan dalam peramalan, digunaan uuran saisi MAPE (Mean Absolu Percenage Error) dan ME (Mean quare Error). Jia erdapa model aau lebih yang elah memenuhi semua asumsi, maa diambil model dengan nilai MAPE dan ME erendah. Hasil dan Pembahasan Berdasaran daa IHPB Provinsi Kalimanan Timur yang dicaa dalam benu bulanan dari bulan Januari - Desember 6 dan Januari 9 - epember 3 dilauan analisis dere wau menggunaan model ARFIMA. Membua Plo Daa Time eries Adapun hasil plo ime series unu variabel IHPB Provinsi Kalimanan Timur yang dicaa dalam benu bulanan dari bulan Januari - Desember 6 dan Januari 9 - epember 3 adalah sebagai beriu:,,75,5,5, -,5 -,5 Time eries Plo of C Index Gambar. Plo daa asioner Program udi aisia FMIPA Universias Mulawarman 39

4 Jurnal EKPOEIAL Volume 5, omor, opember 4 I Gambar merupaan gambar Time eries Plo seelah dilauan ransformasi dengan menggunaan /, emudian di differencing pada orde aau pembedaan sebanya ali. Pada gambar ersebu erliha bahwa daa IHPB Provinsi Kalimanan Timur bulan Bulan Januari - Desember 6 dan Januari 9 - epember 3 hasil differencing sudah sasioner dalam raa-raa dan variansi. Unu membuian bahwa daa IHPB Provinsi Kalimanan Timur elah sasioner dilauan ui Augmened Dicey- Fuller dengan menggunaan sofware Eviews sebagai beriu: Tabel. Ui ADF Daa IHPB Firs Difference Variabel T hi Probabilias IHPB Kalim -6,99, Berdasaran Tabel hasil analisis yaiu diperoleh nilai probabilias =, < =,5, maa dipuusan H diola. Dengan demiian dapa disimpulan bahwa daa ida mengandung aar uni yang berari daa ime series adalah sasioner. Idenifiasi Pola Long Memory Idenifiasi pola long memory menggunaan saisi Hurs berdasaran daa asli dengan langah-langah sebagai beriu :. Menenuan raa-raa, Adused Mean dan simpangan bau,5 = Daa IHPB Provinsi Kalim. = Banya daa IHPB Provinsi Kalim. ilai raa raa digunaan unu menenuan Adused Mean : ad dengan,,, Dengan, 5 dan, maa dapa dihiung: Unu diperoleh, ad,55,49,5 dan seerusnya sampai 7 diperoleh ad 7 89,6. elanunya adalah menenuan simpangan bau : Unu diperoleh, dengan,,, 76, 76, 76, dan seerusnya sampai 7 dengan 7 58,67.. Menenuan deviasi umulaif dan renang dari deviasi umulaifnya * ad dengan,,, Unu diperoleh * dan seerusnya sampai 7 diperoleh * 7 93,67. elanunya adalah menenuan renang dari deviasi umulaif : * * * * * *,, Min,, R Max dengan,,, dimana :,, Unu diperoleh R * * Min Max dan seerusnya sampai 7 diperoleh R ,8. 3. Menenuan nilai Hurs (H) melalui saisi R/ R / c. dengan,,, H Unu diperoleh R R / 76, dan seerusnya sampai 7 diperoleh R / 6,. 7 3 logr / log c H log dengan,,, Unu diperoleh log / seerusnya sampai 7 diperoleh log /, Unu selanunya diperoleh nilai H, 89. Berdasaran rieria saisi Hurs, dapa disimpulan daa IHPB Provinsi Kalimanan Timur mengandung unsur long memory. ehingga dapa dilanuan dengan menenuan pembeda pecahan unu ARFIMA. Esimasi Parameer Pembeda (d) Meode yang digunaan dalam esimasi parameer pembeda (d) adalah meode Gewee Porer-Huda (GPH). Langah-langah perhiungan dengan meode GPH adalah sebagai beriu :. Menenuan nilai m dan nilai ilai m dienuan melalui persamaan beriu: m,5 7, 5,8 elanunya adalah menenuan nilai : 4 Program udi aisia FMIPA Universias Mulawarman

5 Parial Auocorrelaion Auocorrelaion Jurnal EKPOEIAL Volume 5, omor, opember 4 I Unu diperoleh 3,4,44 4 dan seerusnya sampai diperoleh,534.. Menenuan nilai dari seiap I z ilai I dengan, 5 z dan nilai unu,,3,, 7, maa: 3346, 4 Unu diperoleh 334, 97 dan seerusnya sampai 7 diperoleh 7 57,34. elanunya dapa dienuan nilai I sau persau unu seiap nilai sebagai beriu : diperoleh 4 I z dan seerusnya sampai diperoleh I 787,. z cos. 3, Menenuan nilai X sebagai variabel bebas dan X Y sebagai variabel ida bebas ln dengan,,, 4sin / Unu diperoleh X ln 4sin,44/,44 dan seerusnya sampai diperoleh X,44. Y I z ln dengan,,, Unu diperoleh Y ln3,8 9, dan seerusnya sampai diperoleh Y 8, Menenuan nilai d melalui persamaan regresi anara X dengan Y eelah dilauan regresi anara X dengan Y maa diperoleh persamaan regresi sebagai beriu : z Y 37,9 4, 3 X ilai d adalah oefisien dari X, sehingga pembeda pecahan (d) yang diperoleh adalah 4,3. Idenifiasi Model ebelum melauan penasiran model, erlebih dahulu dilauan pembedaan erhadap daa IHPB dengan menggunaan d 4, 3. Unu melauan penasiran model perlu dibua plo ACF dan PACF dari daa seelah pembedaan aau differencing. Dapa diliha pada gambar. Gambar. adalah plo Auocorelaion Funcion (ACF) daa IHPB Provinsi Kalimanan Timur Bulan Januari - Desember 6 dan Januari 9 - epember 3 seelah dilauan pembedaan sebanya sau ali. Pada gambar diaas dapa diliha bahwa daa erpoong pada lag, yang berari dapa diidenifiasi sebagai model MA().,,8,6,4,, -, -,4 -,6 -,8 -, 4 Auocorrelaion Funcion for C5 (wih 5% significance limis for he auocorrelaions) 6 8 Gambar. Grafi Auocorellaion Funcion (ACF),,8,6,4,, -, -,4 -,6 -,8 -, 4 Lag Parial Auocorrelaion Funcion for C5 (wih 5% significance limis for he parial auocorrelaions) Lag Gambar 3. Grafi Parial Auocorellaion Funcion (PACF) Gambar 3. adalah plo Parial Auocorelaion Funcion (PACF) daa IHPB Provinsi Kalimanan Timur Bulan Januari - Desember 6 dan Januari 9 - epember 3 seelah dilauan pembedaan sebanya sau ali. Pada gambar diaas dapa diliha bahwa daa erpoong pada lag, yang berari dapa diidenifiasi sebagai model AR(). Berdasaran gambar. dan gambar 3. dapa diidenifiasi bahwa model ARFIMA unu daa IHPB Provinsi Kalimanan Timur Bulan Januari - Desember 6 dan Januari Program udi aisia FMIPA Universias Mulawarman 4

6 Jurnal EKPOEIAL Volume 5, omor, opember 4 I epember 3 adalah ARFIMA (;4,3;) dengan model maemais : 4,3 ( B )( B) ( B) C, ARFIMA (;4,3;) dengan model maemais : ( B)( B) 4,3 C dan ARFIMA (;4,3;) dengan model maemais: 4,3 ( B ) ( B) C. Pemerisaan Model (Diagnosic Checing) Ui Parameer Model. Model ARFIMA (;4,3;) Penguian ignifiansi parameer AR() Ui ini dilauan unu mengeahui signifiansi parameer model, sehingga dari proses ini dapa dieahui model yang bisa digunaan. Adapun hipoesis sebagai beriu : Hipoesis H : = (parameer model AR () ida signifian) H : (parameer model AR () signifian) aisi ui hiung E() E( ) Krieria Pengambilan Kepuusan H diola ia (,5 aau ), 96 Berdasaran hasil analisis yaiu diperoleh p- value =,55 =.5, maa dipuusan H dierima. Dengan demiian dapa disimpulan bahwa nilai parameer model AR() ida signifian berbeda dengan nol. Penguian ignifiansi parameer MA() Hipoesis H : = (parameer model MA () ida signifian) H : (parameer model MA () signifian) aisi ui hiung E() E( ) Krieria Pengambilan Kepuusan H diola ia (,5 aau ), 96 Berdasaran hasil analisis yaiu diperoleh p- value =,367 =.5, maa dipuusan H dierima. Dengan demiian dapa disimpulan bahwa nilai parameer model MA() ida signifian berbeda dengan nol.. Model ARFIMA (;4,3;) Penguian ignifiansi parameer AR() Ui ini dilauan unu mengeahui signifiansi parameer model, sehingga dari proses ini dapa dieahui model yang bisa digunaan. Adapun hipoesis sebagai beriu : Hipoesis H : = (parameer model ida signifian) H : (parameer model signifian) aisi ui hiung E() E( ) Krieria Pengambilan Kepuusan H diola ia (,5 aau ), 96 Berdasaran hasil analisis yaiu diperoleh p- value =, =.5, maa dipuusan H diola. Dengan demiian dapa disimpulan bahwa nilai parameer model AR() signifian berbeda dengan nol. 3. Model ARFIMA (;4,3;) Penguian ignifiansi parameer MA() Ui ini dilauan unu mengeahui signifiansi parameer model, sehingga dari proses ini dapa dieahui model yang bisa digunaan. Adapun hipoesis sebagai beriu : Hipoesis H : = (parameer model ida signifian) H : (parameer model signifian) aisi ui hiung E() E( ) Krieria Pengambilan Kepuusan H diola ia (,5 aau ), 96 4 Program udi aisia FMIPA Universias Mulawarman

7 Jurnal EKPOEIAL Volume 5, omor, opember 4 I Berdasaran hasil analisis yaiu diperoleh p- value =, =.5, maa dipuusan H diola. Dengan demiian dapa disimpulan bahwa nilai parameer model MA() signifian berbeda dengan nol. Berdasaran hasil ui penasiran parameer diaas maa diperoleh model erbai semenara yaiu ARFIMA(;4,3;) dan ARFIMA(;4,3;). Unu memilih model erbainya adalah dengan cara meliha nilai M erecil dari edua model ersebu. ehingga, cara menenuan model erbainya adalah dengan mencari nilai M (Mean quare) model ARFIMAnya yang paling ecil. Berdasaran nilai M nya yang paling ecil. Berdasaran nilai M nya yang paling ecil adalah,487, adi model erbai yang digunaan adalah (;4,3;). Ui Whie oise Ui ini dilauan unu mendeesi adanya orelasi anar lag. Ui dilauan dengan menggunaan saisi Lung-Box Pierce.. Unu model ARFIMA (;4,3;) Hipoesis H : (ida ada orelasi anar a, a lag, dengan,,, ) H : (paling sedii ada sau a, a ida sama dengan nol, a, a dengan,,, ) Penguian hipoesis ini dilauan dengan menggunaan : n m m = Lag masimum n = d = Jumlah pengamaan asli ρ = Auoorelasi unu lag d = Parameer pembeda Berdasaran hasil analisis yaiu diperoleh p- value lag =.6 dan lag 4 =.74 =.5, maa dipuusan H dierima. edangan p- value lag 36 =.4 dan lag 48 =.74 =.5 Dengan demiian dapa disimpulan bahwa daa IHPB Provinsi Kalimanan Timur Bulan Januari - Desember 6 dan Januari 9 - epember 3 memilii residual yang ida whie noise.. Unu model ARFIMA (;4,3;) Hipoesis H : (ida ada orelasi anar lag, a, a dengan,,, ) H : (paling sedii ada sau a, a ida sama dengan nol, dengan a, a,,, ) Penguian hipoesis ini dilauan dengan menggunaan : n m m = Lag masimum n = d = Jumlah pengamaan asli ρ = Auoorelasi unu lag d = Parameer pembeda Berdasaran hasil analisis yaiu diperoleh p- value lag =.374, lag 4 =. dan lag 36 =.54 =.5, maa dipuusan H dierima. edangan p-value lag 48 =.7 =.5 Dengan demiian dapa disimpulan bahwa daa IHPB Provinsi Kalimanan Timur Bulan Januari - Desember 6 dan Januari 9 - epember 3 memilii residual yang ida whie noise. 3. Unu model ARFIMA (;4,3;) Hipoesis H : (ida ada orelasi anar lag, a, a dengan,,, ) H : (paling sedii ada sau a, a a, a ida sama dengan nol, dengan,,, ) Penguian hipoesis ini dilauan dengan menggunaan : n m m = Lag masimum n = d = Jumlah pengamaan asli ρ = Auoorelasi unu lag d = Parameer pembeda. Berdasaran hasil analisis yaiu diperoleh p- value lag =.88, lag 4 =.49, lag 36 =.8, lag 48 =.6 =.5, maa dipuusan H dierima. Dengan demiian dapa disimpulan bahwa daa IHPB Provinsi Kalimanan Timur Bulan Januari - Desember 6 dan Januari 9 - epember 3 memilii residual yang whie noise. Dengan banuan sofware Miniab 6 diperoleh ACF error dengan lag yang erahir Program udi aisia FMIPA Universias Mulawarman 43

8 Jurnal EKPOEIAL Volume 5, omor, opember 4 I adalah lag 3, sehingga deraa bebas (df) = 3 3 = 7. Jadi 43, 7. Jia,5;7 dibandingan dengan saisi Lung-Box Pierce = 3,3, maa Lung-Box Pierce lebih ecil, sehingga H dierima. Jadi dapa disimpulan bahwa ida ada orelasi anara lag, maa asumsi error independensi elah erpenuhi. Berdasaran hasil ui Lung-Box, dapa disimpulan bahwa model memenuhi asumsi whie noise. Ui Kenormalan Error Ui enormalan error menggunaan ui Kolmogorov-mirnov.. Ui enormalan error dari model ARFIMA (;4,3;) adalah Hipoesis H : Error mengiui disribusi normal H : Error ida mengiui disribusi normal aisi ui D masimumf X X Krieria Pengambilan Kepuusan H diola ia D W Berdasaran hasil analisis yaiu diperoleh p- value =. < =.5, maa dipuusan H diola. Dengan demiian dapa disimpulan bahwa daa IHPB Provinsi Kalimanan Timur Bulan Januari - Desember 6 dan Januari 9 - epember 3 residualnya ida berdisribusi normal.. Ui enormalan error dari model ARFIMA (;4,3;) adalah Hipoesis H : Error mengiui disribusi normal H : Error ida mengiui disribusi normal aisi ui D masimumf X X Krieria Pengambilan Kepuusan H diola ia D W Berdasaran hasil analisis yaiu diperoleh p- value =. < =.5, maa dipuusan H diola. Dengan demiian dapa disimpulan bahwa daa IHPB Provinsi Kalimanan Timur Bulan Januari - Desember 6 dan Januari 9 - epember 3 residualnya ida berdisribusi normal. 3. Ui enormalan error dari model ARFIMA (;4,3;) adalah Hipoesis H : Error mengiui disribusi normal H : Error ida mengiui disribusi normal aisi ui D masimumf X X Krieria Pengambilan Kepuusan H diola ia D W Berdasaran hasil analisis yaiu diperoleh p- value =.5 =.5, maa dipuusan H dierima. Dengan demiian dapa disimpulan bahwa daa IHPB Provinsi Kalimanan Timur Bulan Januari - Desember 6 dan Januari 9 - epember 3 residualnya berdisribusi normal. Berdasaran hasil ui Kolmogorov mirnov, dapa disimpulan bahwa ARFIMA (;4,3;) berdisribusi normal. Ui Keepaan Model Unu menenuan model erbai unu peramalan, maa perlu diliha nilai MAPE dan ME. Terliha bahwa nilai MAPE unu ARFIMA (;4,3;) sebesar 7,76 merupaan model yang erbai unu meramalan daa IHPB Provinsi Kalimanan Timur Bulan Januari - Desember 6 dan Januari 9 - epember 3. Berdasaran persamaan maa : 4,3 B 4,3 B 4,3! Unu, diperoleh 4,3 4,3 4,3!, diperoleh : 4,3,5 ( 4,3)! dan seerusnya sampai mendeai a hingga. Peramalan ARFIMA (;4,3;) memenuhi semua asumsi yaiu parameer signifian, error whie noise, dan berdisribusi normal. ehingga model ini dapa digunaan unu peramalan. Persamaan yang digunaan adalah : 4,3 B 7,76B a 44 Program udi aisia FMIPA Universias Mulawarman

9 Jurnal EKPOEIAL Volume 5, omor, opember 4 I = IHPB pada bulan e- = indes bulan a = error yang mengiui disribusi normal dengan dan Var a Hasil peramalan dengan menggunaan model ARFIMA (;4,3;) adalah : Tabel. Hasil Peramalan Periode Hasil Ramalan Oober 34,36 opember 35,456 Desember 36,67 Januari 37,885 Februari 39, Mare 3,34 April 3,59 Mei 3,743 Juni 33,957 Juli 35,7 Agusus 36,386 epember 37,6 Oober 38,85 opember 3,9 Desember 3,44 Badan Pusa aisi Propinsi Kalimanan Timur. 9. Indes Harga Perdagangan Besar Provinsi Kalimanan Timur. amarinda: BP Provinsi Kalimanan Timur. Maridais, pyros D. 98. Meode Dan Apliasi Peramalan Jilid. ew Yor: Bina Karya Asara. Ross, M. heldon ochasic Proccesses econd Ediion. ew Yor: John Wiley & ons. ubagyo, Pangesu. 3. aisi Desripif. Yogyaara: BPFE-YOGYAKARTA. Wei, W.. Willian. 6. Time eries Analysis Univariae And Mulivariae Mehods econd Ediion. ew Yor: Pearson Addison Wesley. Dari model ARFIMA (;4,3;), dapa dieahui bahwa daa IHPB Provinsi Kalimanan Timur Bulan Januari - Desember 6 dan Januari 9 - epember 3 dipengaruhi oleh IHPB dari bulan-bulan sebelumnya. Dari Tabel. dieahui bahwa eradi peningaan nilai IHPB pada bulan Oober 3 hingga bulan-bulan selanunya sampai Desember 4. Berdasaran hasil peneliian yang diperoleh, maa penulis dapa menari esimpulan sebagai beriu :. Model unu peramalan IHPB Provinsi Kalimanan Timur periode Januari Desember 6 dan Januari 9-epember 3 adalah model ARFIMA (;4,3;) yang berbenu : 4,3 B 7,76B a Dari model ARFIMA (;4,3;) dieahui nilai MAPEnya adalah 7,76 dan daa IHPB Provinsi Kalimanan Timur dipengaruhi oleh daa IHPB dari bulan-bulan sebelumnya.. Hasil peramalan IHPB Provinsi Kalimanan Timur periode periode bulan Januari - Desember 6 dan Januari 9 - epember 3 eradi peningaan nilai IHPB pada bulan Oober 3 hingga bulan-bulan selanunya sampai Desember 4. Dafar Pusaa Aswi dan uarna. 6. Analisis Dere Wau: Teori dan Apliasi. Maassar: Andira Publisher. Program udi aisia FMIPA Universias Mulawarman 45

10 Jurnal EKPOEIAL Volume 5, omor, opember 4 I Program udi aisia FMIPA Universias Mulawarman

Mahasiswa Jurusan Statistika FMIPA-ITS ( ) Abstrak

Mahasiswa Jurusan Statistika FMIPA-ITS ( ) Abstrak PEMODELAN DAYA LISTRIK DENGAN PENDEKATAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH). (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) Firoh Amalia, Drs. Haryono, MSIE Mahasiswa

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Pada bab ini aan diemuaan beberapa onsep dasar yang beraian dengan analisis runun wau, dianaranya onsep enang esasioneran, fungsi auoorelasi dan fungsi auoorelasi parsial, macam-macam

Lebih terperinci

Prediksi Curah Hujan Kota Samarinda pada Tahun 2014 dengan Metode Filter Kalman. Rainfall Prediction Samarinda in 2014 with Kalman Filter Method

Prediksi Curah Hujan Kota Samarinda pada Tahun 2014 dengan Metode Filter Kalman. Rainfall Prediction Samarinda in 2014 with Kalman Filter Method Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN 8-789 Predisi Curah Hujan Koa Samarinda pada Tahun dengan Meode Filer Kalman Rainfall Predicion Samarinda in wih Kalman Filer Mehod Ea Syafiri Andarini, Sri

Lebih terperinci

PERBANDINGAN METODE TIME SERIES REGRESSION DAN ARIMAX PADA PEMODELAN DATA PENJUALAN PAKAIAN DI BOYOLALI ABSTRAK

PERBANDINGAN METODE TIME SERIES REGRESSION DAN ARIMAX PADA PEMODELAN DATA PENJUALAN PAKAIAN DI BOYOLALI ABSTRAK PERBANDINGAN METODE TIME SERIES REGRESSION DAN ARIMAX PADA PEMODELAN DATA PENJUALAN PAKAIAN DI BOYOLALI Ardia Suma Perdana (1308 100 503 Dosen Pembimbing: Ir. Dwiamono A. W., M.Iom JURUSAN STATISTIKA Faulas

Lebih terperinci

ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA

ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang

Lebih terperinci

BAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun

BAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial

Lebih terperinci

BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF

BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap

Lebih terperinci

4. VALIDITAS DAN RELIABILITAS DALAM MEMBUAT EVALUASI

4. VALIDITAS DAN RELIABILITAS DALAM MEMBUAT EVALUASI 4. ALIDITAS DA RELIABILITAS DALAM MEMBUAT EALUASI Tujuan : Seelah mempelajari modul ini mahasiswa mampu membua ala evaluasi bau unu program pembelajaran Evaluasi pembelajaran adalah ahap ahir dalam prosedur

Lebih terperinci

PENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN

PENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN IndoMS Journal on Saisics Vol., No. (04), Page 7-37 PENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN Dinda Ariska Wulandari,

Lebih terperinci

BAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode

BAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode 20 BAB 2 LADASA TEORI 2.1. Pengerian Peramalan Meode Peramalan merupakan bagian dari ilmu Saisika. Salah sau meode peramalan adalah dere waku. Meode ini disebu sebagai meode peramalan dere waku karena

Lebih terperinci

Peramalan Inflasi Menggunakan Model Fungsi Transfer Multi Input. Forcasting Inflation Using Multiple Input Transfer Function Model

Peramalan Inflasi Menggunakan Model Fungsi Transfer Multi Input. Forcasting Inflation Using Multiple Input Transfer Function Model Peramalan Inflasi Menggunakan Model Fungsi Transfer Muli Inpu Forcasing Inflaion Using Muliple Inpu Transfer Funcion Model Novi Adisia, Sri Wahyuningsih, dan Rio Goeanoro 3 Laboraorium Saisika Terapan

Lebih terperinci

Oleh: TANTI MEGASARI Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes

Oleh: TANTI MEGASARI Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes PERAMALAN INDEKS HARGA SAHAM YANG DIPENGARUHI KURS, PERUBAHAN INFLASI, POSISI JUMLAH DEPOSITO BERJANGKA, SUKU BUNGA SBI DAN DEPOSITO MENGGUNAKAN FUNGSI TRANSFER DAN ARCH-GARCH Oleh: TANTI MEGASARI 6 00

Lebih terperinci

Peramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Multi Input. : Nesia Brilliana I.P NRP :

Peramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Multi Input. : Nesia Brilliana I.P NRP : Peramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Muli Inpu Nama : Nesia Brilliana I.P NRP : 20800023 Jurusan : Maemaika Dosen Pembimbing : Dra. Nuri Wahyuningsih, M. Kes Pemberian pupuk

Lebih terperinci

Model GSTAR Termodifikasi untuk Produktivitas Jagung di Boyolali

Model GSTAR Termodifikasi untuk Produktivitas Jagung di Boyolali Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 Model GSTAR Termodifiasi unu Produivias Jagung di Boyolali Prisa Dwi Apriyani ), Hanna Arini Parhusip ), Lili Linawai ) ))) Progdi Maemaia,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan

Lebih terperinci

BAB IV SIMULASI MODEL

BAB IV SIMULASI MODEL 21 BAB IV SIMULASI MODEL Pada bagian ini aan diunjuan simulasi model melalui pendeaan numeri dengan menggunaan ala banu peranga luna Mahemaica. Oleh arena iu dienuan nilai-nilai parameer seperi yang disajian

Lebih terperinci

UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST

UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST Vol. 7. No. 3, 36-44, Desember 004, ISSN : 1410-8518 UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST Budi Warsio, Dwi Ispriyani Jurusan Maemaia FMIPA Universias Diponegoro Absra Tulisan ini membahas

Lebih terperinci

ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI

ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 009 XV-1 ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI Muhammad Sjahid Akbar, Jerry Dwi Trijoyo

Lebih terperinci

Jurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN

Jurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN Peramalan Dengan Meode Smoohing dan Verifikasi Meode Peramalan Dengan Grafik Pengendali Moving Range () (Sudi Kasus: Produksi Air Bersih di PDAM Tira Kencana Samarinda) Forecasing wih Smoohing and Verificaion

Lebih terperinci

KAJIAN PEMODELAN DERET WAKTU: METODE VARIASI KALENDER YANG DIPENGARUHI OLEH EFEK VARIASI LIBURAN

KAJIAN PEMODELAN DERET WAKTU: METODE VARIASI KALENDER YANG DIPENGARUHI OLEH EFEK VARIASI LIBURAN JMP : Volume 4 omor, Juni 22, hal. 35-46 KAJIA PEMODELA DERET WAKTU: METODE VARIASI KALEDER YAG DIPEGARUHI OLEH EFEK VARIASI LIBURA Winda Triyani Universias Jenderal Soedirman winda.riyani@gmail.com Rina

Lebih terperinci

Abstrak Hampir seluruh aktivitas manusia di berbagai belahan bumi sangat bergantung terhadap ketersediaan air bersih.

Abstrak Hampir seluruh aktivitas manusia di berbagai belahan bumi sangat bergantung terhadap ketersediaan air bersih. 1 Peramalan Volume Produksi Air Bersih di PDAM Kabupaen Bojonegoro berdasarkan Jumlah Pelanggan dan Volume Konsumsi Air Fasha Aulia Pradhani dan Adaul Mukarromah Jurusan Saisika, FMIPA, ITS Jl. Arief Rahman

Lebih terperinci

Perbandingan Metode Winter Eksponensial Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X

Perbandingan Metode Winter Eksponensial Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X JURAL SAIS DA SEI ITS Vol. 6, o.1, (2017) 2337-3520 (2301-928X Prin) A 1 Perbandingan Meode Winer Eksponensial Smoohing dan Meode Even Based unuk Menenukan Penjualan Produk Terbaik di Perusahaan X Elisa

Lebih terperinci

BAB II TINJAUAN TEORITIS

BAB II TINJAUAN TEORITIS BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan

Lebih terperinci

Kata kunci: Deret waktu, Heteroskedastisitas, IGARCH, Peramalan. Keywords: Time Series, Heteroscedasticity, IGARCH, Forecasting.

Kata kunci: Deret waktu, Heteroskedastisitas, IGARCH, Peramalan. Keywords: Time Series, Heteroscedasticity, IGARCH, Forecasting. METODE INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) UNTUK MEMODELKAN HARGA GABAH DUNIA (INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY TO CAPTURE

Lebih terperinci

ANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX

ANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX Seminar Nasional Maemaia dan Apliasinya, 1 Oober 17 ANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX Maylia Hasyim 1), Dedy Dwi Prasyo ) 1) Program Sudi Pendidian

Lebih terperinci

ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG

ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG ISSN: 9-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 05, Halaman 6-60 Online di: hp://eournal-s.undip.ac.id/index.php/gaussian ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan

Lebih terperinci

*Corresponding Author:

*Corresponding Author: Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion

Lebih terperinci

BAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan

BAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan

Lebih terperinci

PENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Studi Kasus: PT Tembaga Mulia Semanan)

PENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Studi Kasus: PT Tembaga Mulia Semanan) Prosiding Seminar Nasional Manajemen Teknologi Program Sudi MMT-ITS, Surabaya 1 Agusus 2009 PENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Sudi Kasus: PT

Lebih terperinci

BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG 1.2 TUJUAN

BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG 1.2 TUJUAN BAB PENDAHUUAN. ATAR BEAKANG Seringali ara enelii aau saisiawan melauan enganalisaan erhada suau eadaan/masalah dimana eadaan yang dihadai adalah besarnya jumlah variabel samel yang diamai. Unu iu erlu

Lebih terperinci

PENERAPAN METODE TRIPLE EXPONENTIAL SMOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUSAHAAN MEBEL SINAR JEPARA TANJUNGANOM NGANJUK.

PENERAPAN METODE TRIPLE EXPONENTIAL SMOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUSAHAAN MEBEL SINAR JEPARA TANJUNGANOM NGANJUK. PENERAPAN METODE TRIPLE EXPONENTIAL MOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUAHAAN MEBEL INAR JEPARA TANJUNGANOM NGANJUK. ii Rukayah*), Achmad yaichu**) ABTRAK Peneliian ini berujuan unuk

Lebih terperinci

BAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan

BAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,

Lebih terperinci

ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING

ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING Nama: Zahroh Aiqoh 05 00 0 Dosen Pembimbing: Dra. Nuri Wahyuningsih, MKes Drs. Sulisiyo, MT Jurusan Maemaika

Lebih terperinci

Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk

Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Oleh : Dwi Hapsari K (1306 100 015) Dosen Pembimbing : Dra. Karika Firiasari, M.Si 1 Pendahuluan Laar Belakang, Perumusan Masalah, Tujuan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiaan memperkirakan apa yang akan erjadi pada masa yang akan daang. Ramalan adalah sesuau kegiaan siuasi aau kondisi yang diperkirakan akan erjadi

Lebih terperinci

Peramalan Jumlah Wisatawan Di Agrowisata Kusuma Batu Menggunakan Metode Analisis Spektral

Peramalan Jumlah Wisatawan Di Agrowisata Kusuma Batu Menggunakan Metode Analisis Spektral JURAL TEKK POMTS Peramalan Jumlah Wisaawan Di Agrowisaa Kusuma Bau Menggunaan Meode Analisis Seral iswaul Maghfiroh, uri Wahyuningsih, Sri Surai Haraiai Jurusan Maemaia, Faulas MPA, nsiu Tenologi Seuluh

Lebih terperinci

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi

Lebih terperinci

Pemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun

Pemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro

Lebih terperinci

BAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun

BAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun 43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C

Lebih terperinci

DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII

DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII Bulein Ilmiah Mah. Sa. dan Terapannya (Bimaser) Volume 6, No. 3 (27), hal 83 2. MODEL SPACE-TIME DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII Ella Kurniawai, Naomi Nessyana

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa

BAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa BAB 2 TINJAUAN TEORITI 2.1. Pengerian-pengerian Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. edangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan

Lebih terperinci

PERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH

PERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH Vol.. No., 03 PERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH Ari Pani Desvina, Sari Marlinda, Jurusan Maemaika Fakulas Sains dan Teknologi

Lebih terperinci

PENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA

PENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA PENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA Maskur Efendi ), Widandi Soeopo 2), Piojo Tri Juwono 2) ) Mahasiswa Magiser

Lebih terperinci

APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND

APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi

Lebih terperinci

InfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 1, No.2, September 2012

InfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 1, No.2, September 2012 InfiniyJurnal Ilmiah Program Sudi Maemaia STKIP Siliwangi Bandung, Vol 1, No.2, Sepember 2012 GRUP PERMUTASI SIKLIS DALAM PERMAINAN SUIT Oleh: Bagus Ardi Sapuro Jurusan Pendidian Maemaia, IKIP PGRI Semarang

Lebih terperinci

PERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN (STUDI KASUS KOTA SALATIGA, BULAN JANUARI 2014 JULI 2016)

PERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN (STUDI KASUS KOTA SALATIGA, BULAN JANUARI 2014 JULI 2016) Prosiding Seminar Maemaika dan Pendidikan Maemaika ISBN: 978-602-622-20-9 hal 935-950 November 206 hp://jurnal.fkip.uns.ac.id PERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN

Lebih terperinci

PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT

PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Saisika, Vol. 2, No. 2, November 24 PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Sri Wahyuni, 2 Farikhin, Iswahyudi Joko Suprayino Program Sudi Saisika

Lebih terperinci

Model ARIMAX Dan Deteksi GARCH Untuk Peramalan Inflasi Kota Denpasar Tahun 2014

Model ARIMAX Dan Deteksi GARCH Untuk Peramalan Inflasi Kota Denpasar Tahun 2014 JEKT Model ARIMAX Dan Deeksi GARCH Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 Rukini *) Badan Pusa Saisik Provinsi Bali ABSTRAK pemerinah dalam mengambil kebijakan unuk menjaga sabilias moneer di masa

Lebih terperinci

PEMODELAN ARFIMA NONSTASIONER MELALUI METODE MODIFIKASI GPH ( GEWEKE AND PORTER- HUDAK) ABSTRAK

PEMODELAN ARFIMA NONSTASIONER MELALUI METODE MODIFIKASI GPH ( GEWEKE AND PORTER- HUDAK) ABSTRAK PEMODELAN ARFIMA NONSTASIONER MELALUI METODE MODIFIKASI GPH ( GEWEKE AND PORTER- HUDAK) Gumgum Darmawan Saf Pengajar Jurusan Saisia FMIPA UNPAD e-mail : gumsa_973@yahoo.com ABSTRAK Paa maalah ini aan i

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman Online di: ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 701-710 Online di: hp://ejournal-s1.undip.ac.id/index.php/gaussian VERIFIKASI MODEL ARIMA MUSIMAN MENGGUNAKAN PETA KENDALI MOVING

Lebih terperinci

Model Dinamis: Autoregressive Dan Distribusi Lag (Studi Kasus : Pengaruh Kurs Dollar Amerika Terhadap Produk Domestik Regional Bruto (PDRB))

Model Dinamis: Autoregressive Dan Distribusi Lag (Studi Kasus : Pengaruh Kurs Dollar Amerika Terhadap Produk Domestik Regional Bruto (PDRB)) Model Dinamis: Auoregressive Dan Disribusi Lag (Sudi Kasus : Pengaruh Kurs Dollar Amerika Terhadap Produk Domesik Regional Bruo (PDRB)) Dynamic Model : Auoregressive and Disribuion Lag (Case Sudy: Effecs

Lebih terperinci

DAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function)

DAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function) DAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Sudi Aplikasi Model Inervensi dengan Sep Funcion) S-3 Kismianini dan Dhoriva Urwaul Wusqa Jurusan Pendidikan Maemaika

Lebih terperinci

IDENTIFIKASI POLA DATA TIME SERIES

IDENTIFIKASI POLA DATA TIME SERIES IDENTIFIKASI POLA DATA TIME SERIES Daa merupakan bagian pening dalam peramalan. Beriku adalah empa krieria yang dapa digunakan sebagai acuan agar daa dapa digunakan dalam peramalan.. Daa harus dapa dipercaya

Lebih terperinci

KARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL. Sudarno Staf Pengajar Program Studi Statistika FMIPA UNDIP

KARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL. Sudarno Staf Pengajar Program Studi Statistika FMIPA UNDIP Karakerisik Umur Produk (Sudarno) KARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL Sudarno Saf Pengajar Program Sudi Saisika FMIPA UNDIP Absrac Long life of produc can reflec is qualiy. Generally, good producs

Lebih terperinci

Analisis Peramalan Jumlah Permintaan Kerudung di Industri Kecil Kerudung Arin di Surabaya dengan Metode Variasi Kalender

Analisis Peramalan Jumlah Permintaan Kerudung di Industri Kecil Kerudung Arin di Surabaya dengan Metode Variasi Kalender Analisis Peramalan Jumlah Perminaan Kerudung di Indusri Kecil Kerudung Arin di Surabaya dengan Meode Variasi Kalender Disusun oleh : Sely Enggar Rusiano 307 030 030 Dosen Pembimbing : Dr. Irhamah, M.Si

Lebih terperinci

PENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA

PENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA PENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA Leopoldus Ricky Sasongko, Lydia Ninuk Rahayu, dan Alberh Roy Koa 3,,3 Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias

Lebih terperinci

PEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA

PEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA PEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA Fadil Rahman Hakim, Dr. Ir. Achmad Mauludiyano, MT. Program Sudi Telekomunikasi Mulimedia Jurusan Teknik Elekro Fakulas Teknologi Indusri

Lebih terperinci

CONDITIONAL HETEROSCEDASTIC (ARCH) DENGAN METODE RASIO LIKELIHOOD SKRIPSI

CONDITIONAL HETEROSCEDASTIC (ARCH) DENGAN METODE RASIO LIKELIHOOD SKRIPSI ADLN Perpusaaan Universias Airlangga DEEKSI OULIER PADA MODEL AUOREGRESSIVE CONDIIONAL HEEROSCEDASIC ARCH DENGAN MEODE RASIO LIKELIHOOD SKRIPSI FIRIKA RAKHMADYAH DEPAREMEN MAEMAIKA FAKULAS SAINS DAN EKNOLOGI

Lebih terperinci

Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN

Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN Jurnal EKSONENSIAL Volume 4, Nomor, Mei 03 ISSN 08-789 eramalan menggunaan Moel ARIMA Musiman an Verifiasi Hasil eramalan engan Grafi engenali Moving Range (Sui Kasus: rousi Air Bersih i DAM Tira Kencana

Lebih terperinci

Peramalan Jumlah Pengunjung Domestik dan Mancanegara di Maharani Zoo & Goa Menggunakan ARIMA Box - Jenkins

Peramalan Jumlah Pengunjung Domestik dan Mancanegara di Maharani Zoo & Goa Menggunakan ARIMA Box - Jenkins Peramalan Jumlah Pengunjung Domesik dan Mancanegara di Maharani oo & Goa Menggunakan ARIMA Box - Jenkins Vivi Kusuma Sulisyawai (3030085) Dosen Pembimbing Dr. Irhamah, S.Si.,M.Si Laar Belakang Rumusan

Lebih terperinci

MODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI

MODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI MODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI Diajukan kepada Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Negeri Yogyakara unuk memenuhi

Lebih terperinci

TUGAS AKHIR. untuk Analisis Peramalan Data Ekspor Non Migas Indonesia Di Sektor Pertanian, Sektor Perindustrian dan Sektor

TUGAS AKHIR. untuk Analisis Peramalan Data Ekspor Non Migas Indonesia Di Sektor Pertanian, Sektor Perindustrian dan Sektor TUGAS AKHIR Pendekaan Meode ARIMA Box Jenkins unuk Analisis Peramalan Daa Ekspor Non Migas Indonesia Di Sekor Peranian, Sekor Perindusrian dan Sekor Nurul Laifa Perambangan 307 030 70 Dosen pembimbing

Lebih terperinci

BAB 2 TINJAUAN TEORI

BAB 2 TINJAUAN TEORI 7 BAB 2 TINJAUAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan

Lebih terperinci

TRANSMISI VERTIKAL HARGA BERAS DI PROPINSI LAMPUNG (Vertical Transmission For Rice Price In Lampung Province)

TRANSMISI VERTIKAL HARGA BERAS DI PROPINSI LAMPUNG (Vertical Transmission For Rice Price In Lampung Province) Transmisi Verial Harga Beras... (Reni L., D.H. Darwano dan Jangung H. M.) 85 TRANSMISI VERTIKAL HARGA BERAS DI PROPINSI LAMPUNG (Verical Transmission For Rice Price In Lampung Province) Oleh : Reno Lanarsih

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang

BAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang

Lebih terperinci

ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER. Muflih Rori Putra Harahap

ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER. Muflih Rori Putra Harahap ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER Muflih Rori Pura Harahap 30 00 052 Pembimbing : Dr. Drs. Agus Suharsono, M.S. LATAR BELAKANG PENDAHULUAN

Lebih terperinci

BAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel

BAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah

Lebih terperinci

PEMODELAN PRODUKSI SEKTOR PERTANIAN

PEMODELAN PRODUKSI SEKTOR PERTANIAN Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime

Lebih terperinci

KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES. Abstrak

KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES. Abstrak KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES Universias Muhammadiyah Purwokero malim.muhammad@gmail.com Absrak Pada persamaan regresi linier sederhana dimana variabel dependen dan variabel independen

Lebih terperinci

PENERAPAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (GARCH) DALAM PERAMALAN NILAI TUKAR DOLAR TERHADAP RUPIAH

PENERAPAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (GARCH) DALAM PERAMALAN NILAI TUKAR DOLAR TERHADAP RUPIAH Penerapan Model Generalized Auoregressive Condiional Heeroscedasic (Garch) PENERAPAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (GARCH) DALAM PERAMALAN NILAI TUKAR DOLAR TERHADAP RUPIAH

Lebih terperinci

PENGGUNAAN METODE PERAMALAN DALAM ANALISIS NILAI TUKAR RUPIAH TERHADAP DOLAR DENGAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY

PENGGUNAAN METODE PERAMALAN DALAM ANALISIS NILAI TUKAR RUPIAH TERHADAP DOLAR DENGAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY PENGGUNAAN METODE PERAMALAN DALAM ANALISIS NILAI TUKAR RUPIAH TERHADAP DOLAR DENGAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY Hermansah Program Sudi Pendidikan Maemaika, Fakulas Keguruan

Lebih terperinci

BAB 4 ANALISIS DAN PEMBAHASAN

BAB 4 ANALISIS DAN PEMBAHASAN BAB 4 ANALISIS DAN EMBAHASAN 4.1 Karakerisik dan Obyek eneliian Secara garis besar profil daa merupakan daa sekunder di peroleh dari pusa daa saisik bursa efek Indonesia yang elah di publikasi, daa di

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Definisi Peramalan Peramalan adalah suau kegiaan dalam memperkirakan aau kegiaan ang melipui pembuaan perencanaan di masa ang akan daang dengan menggunakan daa masa lalu dan daa masa

Lebih terperinci

PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS

PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi (308 030 060) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si Laar Belakang 2 Laar

Lebih terperinci

ANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Studi kasus pada CV Cita Nasional.

ANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Studi kasus pada CV Cita Nasional. JURNAL ILMIAH RANGGAGADING Volume 7 No. 1, April 7 : 3-9 ANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Sudi kasus pada CV Cia Nasional. Oleh Emmy Supariyani* dan M. Adi Nugroho *Dosen

Lebih terperinci

PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR.

PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR. PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,,)(0,,) 2 TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains

Lebih terperinci

PERAMALAN JUMLAH PENUMPANG PADA PT

PERAMALAN JUMLAH PENUMPANG PADA PT PERAMALAN JUMLAH PENUMPANG PADA PT. ANGKASA PURA I (PERSERO) KANTOR CABANG BANDAR UDARA INTERNASIONAL ADISUTJIPTO YOGYAKARTA DENGAN METODE WINTER S EXPONENTIAL SMOOTHING DAN SEASONAL ARIMA SKRIPSI Diajukan

Lebih terperinci

PERAMALAN CURAH HUJAN DENGAN WAVELET

PERAMALAN CURAH HUJAN DENGAN WAVELET PERAMALAN CURAH HUJAN DENGAN WAVELET Garini Widosari 1 T-7 1 Polieknik Negeri Samarinda 1 garini_72@yahoo.com Absrak Peramalan adalah salah sau unsur yang sanga pening dalam pengambilan kepuusan. Peranan

Lebih terperinci

ANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS:

ANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS: ANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS: UDD PMI KOTA SURABAYA) Oleh: Winda Eka Febriana (0500) Pembimbing: Ir. Dwiamono Agus W., MIKom . LATAR BELAKANG DARAH

Lebih terperinci

Peramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis

Peramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,

Lebih terperinci

BAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu

BAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,

Lebih terperinci

Penentuan Pelebaran Window Time Optimal Pada Data Deret Waktu

Penentuan Pelebaran Window Time Optimal Pada Data Deret Waktu 1 Penenuan Pelebaran Window Time Opimal Pada Daa Dere Waku (1) Nursya`bani Hendro Prabowo dan (2) Raden Mohamad Aok Deparemen Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam, Insiu Teknologi Sepuluh

Lebih terperinci

Sekilas Pandang. Modul 1 PENDAHULUAN

Sekilas Pandang. Modul 1 PENDAHULUAN Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,

Lebih terperinci

PENERAPAN MODEL VECTOR AUTOREGRESSIVE (VAR) UNTUK PERAMALAN CURAH HUJAN KOTA PEKANBARU

PENERAPAN MODEL VECTOR AUTOREGRESSIVE (VAR) UNTUK PERAMALAN CURAH HUJAN KOTA PEKANBARU Jurnal Sains, Teknologi dan Indusri, Vol. 11, No., Juni, pp. 151-159 ISSN 93-3 prin/issn 07-0939 online PENERAPAN MODEL VECTOR AUTOREGRESSIVE (VAR) UNTUK PERAMALAN CURAH HUJAN KOTA PEKANBARU 1 Ari Pani

Lebih terperinci

BAB IV METODOLOGI PENELITIAN

BAB IV METODOLOGI PENELITIAN BAB IV METODOLOGI PENELITIAN Dalam peneliian ini, penulis akan menggunakan life cycle model (LCM) yang dikembangkan oleh Modigliani (1986). Model ini merupakan eori sandar unuk menjelaskan perubahan dari

Lebih terperinci

Penerapan Model ARIMA Dalam Memprediksi IHSG

Penerapan Model ARIMA Dalam Memprediksi IHSG Penerapan Model ARIMA Dalam Memprediksi IHSG Bambang Hendrawan Polieknik Baam Parkway Sree, Baam Cenre, Baam 29461, Indonesia e-mail: benks@polibaam.ac.id Absrak: Tujuan peneliian ini adalah unuk mencari

Lebih terperinci

MODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR

MODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR MODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR S - 27 Rukini, Suharono2 2,2 Jurusan Saisika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember (ITS) Surabaya

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 35 BAB LANDASAN TEORI Meode Dekomposisi biasanya mencoba memisahkan iga komponen erpisah dari pola dasar yang cenderung mencirikan dere daa ekonomi dan bisnis. Komponen ersebu adalah fakor rend (kecendrungan),

Lebih terperinci

FORECASTING & ARIMA. Dwi Martani. 1/26/2010 Statistik untuk Bisnis 9 1

FORECASTING & ARIMA. Dwi Martani. 1/26/2010 Statistik untuk Bisnis 9 1 FORECASTING & ARIMA Dwi Marani /26/200 Saisik unuk Bisnis 9 DERET BERKALA (TIME SERIES) Suau dere berkala merupakan suau himpunan observasi dimana variabel yang digunakan diukur dalam uruan periode waku,

Lebih terperinci

Penerapan Model ARCH/GARCH untuk Peramalan Nilai Tukar Petani ABSTRAK ABSTRACT. Pendahuluan

Penerapan Model ARCH/GARCH untuk Peramalan Nilai Tukar Petani ABSTRAK ABSTRACT. Pendahuluan Jurnal Sains Maemaika dan Saisika, Vol. 4, No., Januari 8 ISSN 46-454 prin/issn 65-8663 online Penerapan Model ARCH/GARCH unuk Peramalan Nilai Tukar Peani Ari Pani Desvina, Inggrid Ocaviani Meijer, Jurusan

Lebih terperinci

1999 sampai bulan September Data ini diperoleh dari yahoo!finance.

1999 sampai bulan September Data ini diperoleh dari yahoo!finance. 7 999 sampai bulan Sepember 8. Daa ini diperoleh dari yahoo!finance. Meode Langkah-langkah pemodelan nilai harian IHSG secara garis besar dapa diliha pada Lampiran dengan penjelasan sebagai beriku:. Melakukan

Lebih terperinci

MAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS

MAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS 1. Pendahuluan MAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS CAMPURAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh : Febriana Dwi P. (1306 100 011) Dosen Pembimbing I : Dr. Irhamah, S.Si,

Lebih terperinci

PENERAPAN METODE BOX-JENKINS UNTUK MEMPREDIKSI JUMLAH MAHASISWA UNIVERSITAS ISLAM NEGERI SUSKA RIAU

PENERAPAN METODE BOX-JENKINS UNTUK MEMPREDIKSI JUMLAH MAHASISWA UNIVERSITAS ISLAM NEGERI SUSKA RIAU Jurnal Sains, Teknologi dan Indusri, Vol., No., Desember 4, pp. 8 89 ISSN 693-39 prin/issn 47-939 online PENERAPAN METODE BOX-JENKINS UNTUK MEMPREDIKSI JUMLAH MAHASISWA UNIVERSITAS ISLAM NEGERI SUSKA RIAU

Lebih terperinci

Pemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network

Pemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network D-378 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) 2337-3520 (23-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi pada Plaform MK di PT X Menggunakan Meode ARIMA, Neural Nework, dan Hibrida ARIMA-Neural

Lebih terperinci

Pengaruh variabel makroekonomi..., 24 Serbio Harerio, Universitas FE UI, 2009Indonesia

Pengaruh variabel makroekonomi..., 24 Serbio Harerio, Universitas FE UI, 2009Indonesia BAB 3 DATA DAN METODOLOGI 3.1 Variabel-Variabel Peneliian 3.1.1 Variabel dependen Variabel dependen yang digunakan adalah reurn Indeks Harga Saham Gabungan yang dihiung dari perubahan logarima naural IHSG

Lebih terperinci

PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR

PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR TUGAS AKHIR SS 145561 PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR SARIRAZTY DWIJANTARI NRP 1314 030 010 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN

Lebih terperinci

( ) r( t) 0 : tingkat pertumbuhan populasi x

( ) r( t) 0 : tingkat pertumbuhan populasi x III PEMODELAN Model Perumbuan Koninu Terbaasnya sumber-sumber penyoong (ruang, air, maanan, dll) menyebaban populasi dibaasi ole suau daya duung lingungan Perumbuan populasi lamba laun aan menurun dan

Lebih terperinci

ARIMA (Autoregressive Integrated Moving Average)

ARIMA (Autoregressive Integrated Moving Average) ARIMA (Auoregressive Inegraed Moving Average) I. Prinsip Dasar dan Tujuan Analisis. Prinsip Dasar ARIMA sering juga disebu meode runun waku Box-Jenkins. ARIMA sanga baik keepaannya unuk peramalan jangka

Lebih terperinci