2. Kajian Pustaka. Gambar 1 Tahapan Metode ARIMA. Uji stasioneritas data. Penggunaan Model untuk Peramalan. Identifikasi Model Dugaan
|
|
- Inge Johan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 1. Latar Belakang Informasi cuaca merupakan kebutuhan utama untuk mendukung kegiatan di berbagai sektor. Informasi tersebut dapat berupa prakiraan curah hujan. Curah hujan di Indonesia sangat dipengaruhi oleh anomali iklim El-Nino dan La Nina. Anomali tersebut sangat sering terjadi dengan ditandainya kondisi iklim dan cuaca yang sangat ekstrim dan dengan durasi kejadian yang semakin panjang sehingga menimbulkan dampak yang cukup signifikan terhadap berbagai sektor[1]. Daerah tropis seperti di Indonesia, memiliki musim penghujan pada bulan November Februari dan musim kemarau pada bulan Maret Oktober, Anomali El-Nino dan La-Lina sangat mempengaruhi terhadap pergeseran pola curah hujan, perubahan besaran curah hujan, intensitas curah hujan dan pengaruhnya terhadap perubahan suhu udara. Akibat lebih lanjut berdampak pada musim kemarau yang berkepanjangan, kekeringan yang dapat menimbulkan kebakaran hutan, banjir, pengaturan drainase dan pengaruhnya terhadap tanaman seperti hama dan penyakit tanaman[2]. Kedua anomali tersebut juga berdampak pada peningkatan curah hujan pada saat musim kemarau serta menyebabkan majunya awal musim hujan [3]. Dampak yang sangat berpengaruh terhadap berbagai sektor tersebut diperlukan antisipasi yang mungkin dapat mengurangi atau miminimalkan dampak yang mungkin terjadi. Salah satu antisipasinya dapat berupa peramalan atau prediksi pola curah hujan yang akan datang, sehingga hasil yang didapatkan dapat digunakan sebagai acuan untuk meminimalkan dampak yang mungkin terjadi di masa mendatang. Menanggapi dampak tersebut maka dibutuhkan penyusunan metode dalam bentuk simulasi komputer untuk identifikasi pola spasial prediksi curah hujan, dalam hal ini prediksi atau peramalan curah hujan menggunakan pendekatan metode Autoregressive Integrated Moving Average (ARIMA) dan pola spasial menggunakan data spasial dalam bentuk Choropleth untuk visualisasi pembagian klasifikasi zona iklim menurut Oldeman. ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA sangat baik ketepatannya untuk peramalan jangka pendek karena menggunakan nilai standard error estimate yang paling kecil, sedangkan untuk peramalan jangka panjang ketepatan peramalannya kurang baik. Biasanya akan cenderung flat (mendatar/konstan) untuk periode yang cukup panjang. Model Autoregresif Integrated Moving Average (ARIMA) adalah model yang secara penuh mengabaikan independen variabel dalam membuat peramalan. ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika observasi dari deret waktu (time series) secara statistik berhubungan satu sama lain [4]. Data spasial dapat didefinisikan sebagai data yang memiliki referensi keruangan (geografi). Setiap bagian dari data tersebut selain memberikan gambaran tentang suatu fenomena, juga selalu dapat memberikan informasi mengenai lokasi dan juga persebaran dari fenomena tersebut dalam suatu ruang (wilayah). Apabila dikaitkan dengan cara penyajian data, maka peta merupakan bentuk atau cara penyajian data spasial yang paling tepat[5]. Pada penelitian ini akan dilakukan pemodelan spasial prediksi curah hujan di 118 kecamatan di wilayah Laboratorium Penelitian Hama dan Penyakit Tanaman (LPHP) Surakarta menggunakan metode ARIMA (Autoregresif Integrated Moving Average) dan ditampilkan dalam bentuk spasial. Data yang digunakan dalam penelitian ini adalah data curah hujan bulanan tingkat kecamatan di wilayah LPHP Surakarta periode Hasil prediksi curah hujan digunakan sebagai acuan dalam pemodelan spasial klasifikasi zona iklim di wilayah LPHP Surakarta berdasarkan klasifikasi iklim menurut Oldeman. 2
2 2. Kajian Pustaka Konsep Arima (Autoregresif Integrated Moving Average) pertama kali dikembangkan oleh George Box dan Gwilym Jenkins untuk pemodelan analisis deret waktu. ARIMA mewakili tiga pemodelan yaitu dari autoregressive model (AR), moving average(ma), dan autoregressive dan moving average model (ARMA)[6]. Prinsip dasar model ARIMA adalah mengubah data runtun waktu non stasioner menjadi data stasioner dengan melakukan diferensiasi [7]. Secara umum model ARIMA dirumuskan dengan notasi sebagai berikut. ARIMA (p,d,q)(p,d,q) S dengan, p menunjukkan orde atau derajat autoregressive (AR) d menunjukkan orde atau derajat differencing (pembedaan) dan q menunjukkan orde atau derajat moving average (MA). Notasi (p,d,q) menunjukkan bagian yang tidak musiman dari model, notasi (P,D,Q) menunjukkan bagian yang musiman dari model, dan S menunjukkan jumlah periode per musim. Runtun waktu adalah serangkaian pengamatan terhadap suatu peristiwa, kejadian, gejala atau variabel yang diambil dari waktu ke waktu, dicatat secara teliti menurut urut-urutan waktu terjadinya dan kemudian disusun sebagai data statistik [8]. Langkah langkah penerapan metode ARIMA secara berturut turut adalah : (1) Identifikasi Model, (2) Estimasi Model, (3) Diagnostic checking (4) Peramalan [9], berikut akan disajikan tahapan dalam bentuk flowchart seperti pada Gambar 1. Uji stasioneritas data Identifikasi Model Dugaan Estimasi Parameter Model Penggunaan Model untuk Peramalan Diagnostic checking Apakah model sesuai? Gambar 1 Tahapan Metode ARIMA Metode ARIMA hanya dapat diterapkan, menjelaskan, atau mewakili series yang stasioner atau telah dijadikan stasioner melalui proses differencing. Stasioneritas berarti bahwa tidak terdapat pertumbuhan atau penurunan pada data. Data secara kasarnya harus horisontal sepanjang sumbu waktu. [10]. Pada tahap identifikasi, penentuan apakah suatu data runtun waktu dimodelkan dengan AR, MA atau ARIMA tergantung pada pola autocorrelation function (ACF) dan Partial autocorrelation function (PACF). ACF merupakan suatu hubungan linear pada data time series yang dipisahkan oleh waktu k, dalam ACF ini dapat digunakan untuk mengidentifikasi model time series dan melihat kestasioneran data dalam mean. PACF mengukur korelasi antar pengamatan dengan jeda k (waktu) dan dengan mengontrol korelasi antar dua pengamatan dengan jeda kurang dari k (waktu). k disebut juga koefisien regresi parsial. Model AR digunakan jika plot ACFnya dies down sementara PACF-nya cut off. Model MA digunakan jika plot ACF-nya cut off dan plot ACF-nya dies down. Model ARIMA digunakan jika kedua plot ACF dan PACF sama-sama dies down [11]. Model sementara untuk suatu runtun waktu sudah diidentifikasikan, langkah selanjutnya adalah mencari estimasi terbaik untuk parameter-parameter dalam model sementara tersebut dengan cara membandingkan nilai AIC, dan nilai likelihood [12]. Model dengan nilai likelihood yang tinggi dan nilai AIC yang rendah digunakan sebagai model peramalan. 3
3 Model ARIMA yang telah ditafsirkan nilai-nilai parameter perlu dilakukan pemeriksaan untuk membuktikan bahwa model tersebut baik untuk melakukan peramalan. Diagnosis model dilakukan untuk mendeteksi adanya korelasi dan kenormalan antar residual. Dalam runtun waktu ada asumsi bahwa residual mengikuti proses white noise yang berarti residual harus independen (tidak berkorelasi) dan berdistribusi normal dengan rata-rata mendekati 0 (μ = 0) dan standar deviasi (σ) tertentu [13]. Jika metode peramalan sudah ditetapkan, maka model ARIMA dapat diterapkan pada data, dan dapat dilakukan perkiraan pada data tersebut untuk beberapa periode ke depan. Choropleth adalah peta tematik dimana area-area dalam peta diberi warna sesuai dengan besaran data statistik yang ditampilkan dalam peta tersebut [14]. data spasial yang biasa digunakan adalah data spasial dalam format ArcView Shapefile (*.shp). Peta choropleth umumnya digunakan untuk menampilkan 1) Identifikasi pola dalam pengamatan spasial dari kewilayahan seperti kecamatan dan kabupaten. 2) Menghasilkan luaran dalam bentuk spasial statistik [15]. Data spasial merupakan data yang menunjukkan posisi geografi dimana setiap karakteristik memiliki satu lokasi yang harus ditentukan dengan cara yang unik. Untuk menentukan posisi secara absolut berdasar sistem koordinat pada area kecil, sistem koordinat yang paling sederhana berupa grid segiempat teratur. Area yang lebih besar, berdasarkan pada proyeksi kartografi yang umum digunakan [16]. Klasifikasi Zona Iklim Oldeman didasarkan kepada jumlah kebutuhan air oleh tanaman, terutama pada tanaman padi dan palawija. Penyusunan tipe iklimnya berdasarkan jumlah bulan basah yang berlangsung secara berturut-turut. Oldeman, L.R (1980) mengungkapkan bahwa kebutuhan air untuk tanaman padi adalah 150 mm per bulan sedangkan untuk tanaman palawija adalah 70 mm/bulan, dengan asumsi bahwa peluang terjadinya hujan yang sama adalah 75% maka untuk mencukupi kebutuhan air tanaman padi 150 mm/bulan diperlukan curah hujan sebesar 220 mm/bulan, sedangkan untuk mencukupi kebutuhan air untuk tanaman palawija diperlukan curah hujan sebesar 120 mm/bulan, sehingga menurut Oldeman suatu bulan dikatakan bulan basah apabila mempunyai curah hujan bulanan lebih besar dari 200 mm dan dikatakan bulan kering apabila curah hujan bulanan lebih kecil dari 100 mm. Lamanya periode pertumbuhan padi terutama ditentukan oleh jenis/varietas yang digunakan, sehingga periode 5 bulan basah berurutan dalan satu tahun dipandang optimal untuk satu kali tanam, jika lebih dari 9 bulan basah maka petani dapat melakukan 2 kali masa tanam. Jika kurang dari 3 bulan basah secara berurutan, tidak dapat membudidayakan padi tanpa irigasi tambahan [17]. Oldeman membagi lima zona iklim dan lima sub zona iklim. Zona iklim merupakan pembagian dari banyaknya jumlah bulan basah berturutturut yang terjadi dalam setahun. Sedangkan sub zona iklim merupakan banyaknya jumlah bulan kering berturut-turut dalam setahun. Pemberian nama Zona iklim berdasarkan huruf yaitu zona A, zona B, zona C, zona D dan zona E sedangkan pemberian nama sub zona berdasarkan angka yaitu sub 1, sub 2, sub 3 sub 4 dan sub 5. Kriteria klasifikasi subzona iklim menurut Oldeman sebagaimana disajikan pada Tabel 1. 4
4 Tabel 1 Kriteria Klasifikasi Zona Iklim Oldeman Zona Klasifikasi Bulan Bulan Basah Kering A A A B B B B C C C C C4 5 7 D D D D D E E E E E E Zona A dapat ditanami padi terus menerus sepanjang tahun. Zona B hanya dapat ditanami padi 2 periode dalam setahun. Zona C, dapat ditanami padi 2 kali panen dalam setahun, dimana penanaman padi yang jatuh saat curah hujan di bawah 200 mm per bulan dilakukan dengan sistem gogo rancah. Zona D, hanya dapat ditanami padi satu kali masa tanam. Zona E, penanaman padi tidak dianjurkan tanpa adanya irigasi yang baik [18]. 3. Metode Penelitian Tahapan penelitian ini dibagi dalam tiga tahap, yaitu : 1. Tahap penyusunan data awal, 2. Desain dan arsitektural simulasi, 3. Pemodelan dan visualisasi. Tahap penyusunan data bertujuan untuk menentukan data, lokasi dan studi pustaka yang digunakan dalam proses penelitian. Tahap penyusunan data awal terdiri dari: 1. Pengumpulan data dengan melakukan survei di Laboratorium Penelitian Hama dan Penyakit (LPHP) Surakarta, 2. Pengumpulan data dengan survei di Dinas Pertanian Kabupaten Boyolali. Tahap desain dan arsitektural simulasi terdiri dari proses input data, peramalan curah hujan menggunakan metode Autoregressive Integrated Moving Average (ARIMA). Adapun data dan variabel yang digunakan dalam penelitian meliputi : 1) Data Curah Hujan tingkat kecamatan di wilayah Laboratorium PHP Surakarta Provinsi Jawa Tengah periode yang terdiri dari Kabupaten Karanganyar, Sukoharjo, Sragen, Wonogiri, Boyolali, dan Kabupaten Klaten. 2) Data spasial wilayah Laboratorium PHP Surakarta Provinsi Jawa Tengah. 5
5 Gambar 2 Wilayah LPHP Surakarta Jawa Tengah (Laboratorium PHP Surakarta Jawa Tengah) Sumber data model secara umum dikelompokkan dalam 2 kategori, yaitu (1) informasi data curah hujan bulanan kecamatan dan (2) data spasial dalam bentuk peta vektor dengan format shapes files. Pemrosesan data menggunakan tool R dari menggunakan package akima, coda, deldir, DBI, e1071, forecast, maptools, RColorBrewer, Rcpp, TSA, tseries. Gambar 3 Desain Arsitektural Model Gambar 3 menunjukkan desain arsitektural model yang dijelaskan sebagai berikut. Pada bagian Data Layer, terdiri dari data curah hujan tingkat kecamatan di wilayah Laboratorium PHP Surakarta Provinsi Jawa Tengah periode yang terdiri dari Kabupaten Karanganyar, Sukoharjo, Sragen, Wonogiri, Boyolali, dan Kabupaten Klaten dan data spasial wilayah Laboratorium PHP Surakarta Provinsi Jawa Tengah. Kedua data tersebut sebagai data inputan pada proses Application Layer. Pada bagian Application Layer, dilakukan proses peramalan curah hujan menggunakan metode ARIMA, dengan pemrosesan data menggunakan tool R untuk mendapatkan hasil peramalan curah hujan periode 6
6 tahun ke 3. Data hasil peramalan curah hujan dianalisa untuk mendapatkan klasifikasi zona iklim per kecamatan di Surakarta. Hasil analisa berupa data klasifikasi zona iklim di Surakarta merupakan data spasial sebagai acuan untuk melakukan visualisasi. Pada bagian Vizualization Layer data spasial berupa klasifikasi zona iklim di Surakarta divisualisasikan dalam bentuk peta berupa peta choropleth. Tahap terakhir pada penelitian adalah tahap pemodelan dan visualisasi. Tahap ini terdiri dari proses visualisasi dalam bentuk choropleth, yaitu hasil pembagian zona iklim divisualisasikan ke dalam bentuk peta berupa choropleth. 4. Hasil Penelitian dan Pembahasan Perubahan iklim dan cuaca di Indonesia yang sangat ekstrim, dipengaruhi oleh anomali iklim El- Nino dan La-Nina. Metode antisipasi perubahan cuaca yang masih menggunakan data non-spasial perlu dijadikan suatu acuan dalam penelitian ini. Informasi keruangan atau wilayah sangat diperlukan dalam penyampaian informasi atau fenomena yang akan disampaikan, dalam hal ini informasi mengenai curah hujan. Salah satu teknik visualisasi yang digunakan adalah pemetaan menggunakan metode choropleth. Peta choropleth dihasilkan dari data hasil observasi spasial yang dikelompokkan dalam kelas dan masing-masing kelas kemudian diberi simbol tertentu yang mempresentasikan kondisi suatu wilayah. Klasifikasi dapat dilakukan dengan berbagai cara dan kriteria tertentu seperti interval data. Interval data disusun berdasarkan pada nilai jumlah kejadian setiap wilayah, model interval ini umumnya disebut sebagai equal [19]. Pada penelitian ini data awal yang akan diolah adalah data curah hujan tingkat kecamatan yang terdiri dari Kabupaten Karanganyar, Sukoharjo, Sragen, Wonogiri, Boyolali, dan Klaten yang secara keseluruhan terdiri dari 118 kecamatan tahun 2001 sampai Data awal tersebut diolah untuk mencari rata-rata bulanan curah hujan Surakarta tahun Data tersebut kemudian dikalikan dengan prosentase stasiun pengamatan (kecamatan) terhadap seluruh wilayah pengamatan (LPHP Surakarta), untuk mengetahui hubungan curah hujan dengan wilayah sebarannya atau dengan pengaruh luas wilayah terhadap sebaran curah hujannya. Data inilah yang akan diproses untuk mengetahui prediksi curah hujan di wilayah LPHP Surakarta, sebagaimana visualisasi dalam bentuk grafik atau plot disajikan pada Gambar 4. Gambar 4 Plot Data Curah Hujan Bulanan LPHP Surakarta
7 Gambar 4 merupakan grafik dari data runtun waktu rata-rata curah hujan bulanan wilayah LPHP Surakarta tahun Plot tersebut menunjukkan besaran curah hujan dari bulan Januari 2001 sampai bulan Desember Besaran curah hujan dalam bentuk grafik tersebut menunjukkan bahwa data membentuk pola garis secara acak yang disebut bersifat stasioner atau tidak membentuk pola naik atau turun secara teratur (bersifat trend). Metode ARIMA terdiri dari beberapa tahapan yaitu : tahap Identifikasi, tahap Estimasi, tahap Diagnostic Check, dan tahap Forecasting. Sebelum memasuki tahap identifikasi terlebih dahulu menentukan postulasi kelas umum model yang akan digunakan yaitu dengan menentukan orde p, orde d dan orde q. Penentuan orde tersebut diperlukan untuk identifikasi plot Autocorrelation Function (ACF) dan plot Partial Autocorrelation Function (PACF) dari data curah hujan yang sudah stasioner. Bentuk plot ACF dan PACF yang sudah didifferencing (pembedaan deret data) disajikan pada Gambar 5 dan Gambar 6. Gambar 5 Plot ACF dari Data Curah Hujan LPHP Surakarta Gambar 6 Plot PACF dari Data Curah Hujan LPHP Surakarta Gambar 5 dan Gambar 6 menunjukkan bahwa pada pola ACF (lag 1 dan 2) berada di luar batas signifikansi (standart error) dan cenderung dies down (lag 1 ke 2 mengalami penurunan mengikuti bentuk eksponensial atau gelombang sinus. Orde p yang mungkin adalah 1 dan 2. Pola PACF pada gambar pada lag 0, 1, dan 2, garis berada di luar batas signifikansi (standart error). Orde q yang mungkin adalah 0,1 dan 2. Orde d adalah 1 karena pola ACF dan PACF mengalami proses pembedaan data (differencing) selama 1 kali. Berdasarkan penentuan orde pada pola ACF dan PACF didefinisikan bahwa data runtun waktu dimodelkan dengan ARIMA. Penentuan parameter pada model ARIMA dilakukan dengan cara trial and error (mencoba-coba). Diidentifikasi bahwa model yang sesuai untuk data curah hujan bulanan LPHP Surakarta diduga ada 3 model yaitu : 1) ARIMA (1,1,1)(1,1,0) 12. 2) ARIMA (2,1,1)(1,1,1) 12. 3) ARIMA (2,1,0)(0,1,1) 12. 8
8 Pada tahap estimasi, ketiga model dugaan tersebut kemudian dibandingkan berdasarkan perbandingan kriteria nilai (Akaike Information Criteria) AIC dan nilai likelihoodnya. Model ramalan yang baik adalah jika nilai likelihood yang lebih besar dan nilai AIC yang lebih kecil. AIC dan Log Likelihood adalah indikator untuk memutuskan lag yang digunakan. Pada tahap estimasi ini model dugaan yang baik adalah model ARIMA (2,1,1)(1,1,1) 12, karena memiliki nilai AIC yang lebih kecil dan nilai likelihood yang lebih besar, adapun hasil perbandingan estimasi disampaikan pada Gambar 7. Gambar 7 Tahap Estimasi Model Dugaan Gambar 7 menunjukkan bahwa nilai estimasi terbaik adalah model ARIMA (2,1,1)(1,1,1) 12 jika dibandingan dengan nilai estimasi dari model ARIMA(1,1,1)(1,1,0) 12 dan ARIMA (2,1,0)(0,1,1) 12, dengan nilai AIC terkecil yaitu 1163,17 dan nilai Likelihood terbesar yaitu -575,59. Tahap selanjutnya, untuk mengetahui apakah model ARIMA (2,1,1)(1,1,1) 12 merupakan model yang baik untuk melakukan peramalan harus dilakukan pemeriksaan diagnosa (diagnostics check), yakni dengan menguji distribusi estimasi residualnya yaitu menggunakan uji statistik Ljung-Box. Jika estimasi residual terdistribusi secara random, maka model ARIMA yang dihasilkan baik digunakan untuk melakukan peramalan (white noise). Tahap diagnostics check disampaikan pada Gambar 8. 9
9 Gambar 8 Plot ACF Residual dan p-value dari Uji Statistik Ljung-Box Hasil diagnostics check yang digambarkan pada Gambar 8 dapat disimpulkan bahwa residual model ARIMA (2,1,1)(1,1,1) 12 telah terdistribusi secara random (white noise), hal ini ditunjukkan oleh p- value dari uji Ljung-Box yang semuanya lebih besar dari 5% atau 0,05 (alpha atau tingkat signifikansi pengujian). Karena model ARIMA (2,1,1)(1,1,1) 12 memiliki estimasi residual yang terdistribusi secara random, maka model tersebut sudah baik digunakan untuk meramalkan nilai data. Pada tahap peramalan dalam hal ini menggunakan model ARIMA (2,1,1)(1,1,1) 12 dilakukan peramalan data selama 3 tahun ke depan. Visualisasi hasil peramalan curah hujan di Wilayah LPHP Surakarta disampaikan dalam bentuk plot (grafik) seperti pada Gambar 9. Gambar 9 Plot Peramalan Curah Hujan Data Curah Hujan LPHP Surakarta 10
10 Gambar 9 adalah grafik hasil prediksi curah hujan selama 3 tahun. Garis hitam menunjukkan pola curah hujan tahun Garis merah adalah hasil peramalan selama 3 tahun. Garis hijau menunjukkan batas atas atau nilai maksimum peramalan, sedangkan garis orange menunjukkan batas minimun peramalan. Hasil prediksi untuk tahun ke 3 disajikan pada Tabel 2. Tabel 2 Hasil Prediksi Curah Hujan Tahun ke 3 Bulan Curah Hujan Curah Hujan Prediksi Minimum Maximum Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Data prediksi curah hujan yang didapat diperlukan pengembalian fungsi sesuai dengan pengolahan data awal, yaitu masing-masing data prediksi curah hujan bulanan dikalikan dengan jumlah seluruh kecamatan yaitu 118 kecamatan, kemudian dikalikan dengan prosentase kewilayahan masing-masing kecamatan terhadap wilayah total LPHP Surakarta. Proses ini dilakukan untuk mendapatkan data prediksi curah hujan bulanan masing-masing kecamatan di wilayah LPHP Surakarta. 11
11 Gambar 10 Choropleth Prediksi Curah Hujan Tahun Ke 3 Bulan Januari-Juni Wilayah LPHP Surakarta Tahapan akhir dari penelitian ini adalah pemodelan spasial atau visualisasi data curah hujan menggunakan metode grafis choropleth, yaitu pemodelan spasial hubungan kewilayahan yaitu wilayah LPHP Surakarta terhadap hasil fenomena yang diperoleh yaitu data prediksi curah hujan bulanan selama 3 tahun wilayah LPHP Surakarta. Visualisasi ini tersedia pada package maptools dan RColorBrewer. Adapun peta choropleth sebagaimana disajikan pada Gambar 10 dan Gambar
12 Gambar 11 Choropleth Prediksi Curah Hujan Tahun Ke 3 Bulan Juli-Desember Wilayah LPHP Surakarta Pembagian warna dalam peta choropleth seperti yang disajikan pada Gambar 10 dan Gambar 11 berdasarkan pada interval pembagian kelas yang disajikan pada Gambar 12. Gambar 12 Legend Map (equel interval) 13
13 Besaran curah hujan di wilayah LPHP Surakarta pada prediksi curah hujan tahun ke tiga perubahannya dapat terlihat dari bulan ke bulan. Besaran curah hujan selama satu tahun yaitu pada prediksi tahun ketiga dapat dikelompokkan dalam zona iklim menurut besaran curah hujannya. Pembagian zona iklim di wilayah LPHP Surakarta pada prediksi curah hujan tahun ketiga, pembagiannya berdasarkan pada klasifikasi zona iklim menurut Oldeman. Hasil klasifikasi zona iklim wilayah LPHP Surakarta disajikan pada Gambar 13. Gambar 13 Klasifikasi Zona Iklim Wilayah LPHP Surakarta Prediksi Tahun Ke 3 Berdasarkan pada Gambar 13 yaitu klasifikasi zona iklim wilayah LPHP Surakarta prediksi tahun ketiga secara rinci wilayah pembagian disajikan sebagaimana pada Tabel 3. Tabel 3 Klasifikasi Zona Iklim Wilayah LPHP Surakarta Prediksi Tahun Ke 3 Zona Iklim No Data Zona A Zona B Kecamatan (84)jatiyoso, (120)Laweyan, (121)Serengan, (122)Pasar-Kliwon, (123)Jebres, (124)Banjarsari (2)Ampel, (17)Kemusu, (18)Wonosegoro, (62)Giriwoyo, (65)Tirtomoyo, (67)Baturetno, (68)Eromoko, (73)Ngadirojo. (4)Musuk, (19)Juwangi, (58)Wonogiri, (60)Paranggupito, (64)Karang Tengah, (66)Nguntoronadi, (69)Wuryantoro, (70)Manyaran, (76)Kismantoro, (79)Slogohimo, (95)Gondangrejo, (114)Sb.Lawang, 14
14 Zona C Zona D Zona E (119)Jenar (1)Selo, (3)Cepogo, (12)Nogosari, (15)Klego, (16)Andong, (42)Kemalang, (50)Nguter, (52)Polokarto, (61)Giritontro, (63)Batuwarno, (71)Selogiri, (74)Sidoharjo, (75)Jatiroto, (77)Purwantoro, (81)Jatipurno, (82)Girimarto, (85)Jumapolo, (86)Jumantono, (88)Tawangmangu, (89)Ngargoyoso, (97)Mojogedang, (99)Jenawi, (103)Kedawung, (111)Tanon, (113)Miri, (118)Tangen. (5)Boyolali, (6)Mojosongo, (10)Sambi, (13)Simo, (14)Karanggede, (23)Bayat, (46)Weru, (47)Bulu, (48)Tawangsari, (49)Sukoharjo, (51)Bendosari, (78)Bulukerto, (80)Jatisrono, (83)Jatipuro, (91)Karanganyar, (98)Kerjo, (100)Kalijambe, (101)Plupuh, (102)Masaran, (104)Sambirejo, (105)Gondang, (108)Karangmalang, (110)Sidoharjo, (112)Gemolong, (115)Mondokan, (116)Sukodono, (117)Gesi. (7)Teras, (8)Sawit, (9)Banyudono, (11)Ngemplak, (20)Prambanan, (21)Gantiwarno, (22)Wedi, (24)Cawas, (25)Trucuk, (26)Kalikotes, (27)Kebonarum, (28)Jogonalan, (29)Manisrenggo, (30)Karangnongko, (31)Ngawen, (32)Ceper, (33)Pedan, (34)Karangdowo, (35)Juwiring, (36)Wonosari, (37)Delanggu, (38)Polanharjo, (39)Karanganom, (40)Tulung, (41)Jatinom, (43)Klaten Selatan, (44)Klaten Tengah, (45)Klaten Utara, (53)Mojolaban, (54)Grogol, (55)Baki, (56)Gatak, (57)Kartasura, (59)Pracimantoro, (72)Puh Pelem, (87)Matesih, (90)Karangpandan, (92)Tasikmadu, (93)Jaten, (94)Colomadu, (96)Kebakramat, (106)Sb.Macan, (107)Ngrampal, (109)Sragen. Berdasarkan pada Tabel 3, dapat diketahui bahwa wilayah yang termasuk dalam Zona A dapat ditanami padi terus-menerus sepanjang tahun. Wilayah yang termasuk dalam Zona B hanya dapat ditanami padi 2 periode dalam setahun. Wilayah yang termasuk dalam Zona C dapat ditanami padi 2 kali panen dalam setahun, dimana penanaman padi yang jatuh saat curah hujan di bawah 200 mm per bulan dilakukan dengan sistem gogo rancah. Wilayah yang termasuk dalam Zona D dapat ditanami padi 1 kali masa tanam. Wilayah yang termasuk dalam Zona E penanaman padi tidak dianjurkan tanpa adanya irigasi yang baik. Pembagian zona iklim terbagi lagi menjadi subzona iklim yang didasarkan dari jumlah bulan basah secara berturut-turut dalam setahun dan jumlah bulan kering secara berturut-turut dalam setahun. Visualisasi spasial klasifikasi sub zona iklim disajikan sebagaimana pada Gambar
15 Gambar 14 Klasifikasi Subzona Iklim Wilayah LPHP Surakarta Klasifikasi Subzona iklim menurut Oldeman seperti yang disajikan pada Tabel 1 berdasarkan pada jumlah bulan hujan secara berturut-turut dan jumlah bulan kering secara berturut-turut dalam satu tahun. Klasifikasi Subzona iklim di wilayah LPHP Surakarta secara rinci dengan wilayah pembagian sebagaimana disajikan pada Tabel 4. Tabel 4 Klasifikasi Subzona Iklim Wilayah LPHP Surakarta Prediksi Tahun Ke 3 Zona Sub Zona Kecamatan A A1 (17)Kemusu, (18)Wonosegoro, (62)Giriwoyo, (65)Tirtomoyo, (67)Baturetno, (68)Eromoko, (73)Ngadirojo A2 (2)Ampel B B1 (19)Juwangi, (58)Wonogiri, (60)Paranggupito, (64)Karang Tengah, (66)Nguntoronadi, (69)Wuryantoro, (70)Manyaran, (76)Kismantoro, (79)Slogohimo, (95)Gondangrejo, (114)Sb. Lawang, (119)Jenar. B2 - B3 (4)Musuk C C1 (12)Nogosari, (15)Klego, (16)Andong, (42)Kemalang, (50)Nguter, (52)Polokarto, (61)Giritontro, (63)Batuwarno, (71)Selogiri, (74)Sidoharjo,, (75)Jatiroto, (77)Purwantoro, (81)Jatipurno, (82)Girimarto, (85)Jumapolo, (86)Jumantono, (88)Tawangmangu, (89)Ngargoyoso, (97)Mojogedang, (99)Jenawi, (103)Kedawung, (111)Tanon, (113)Miri, (118)Tangen. C2-16
16 C3 (1)Selo C4 (3)Cepogo D D1 (13)Simo, (47)Bulu, (51)Bendosari, (98)Kerjo, (100)Kalijambe, (101)Plupuh, (104)Sambirejo, (115)Mondokan. D2 (6)Mojosongo, (10)Sambi, (46)Weru, (49)Sukoharjo, (91)Karanganyar, (102)Masaran, (108)Karangmalang, (110)Sidoharjo, (116)Sukodono. D3 (14)Karanggede, (23)Bayat, (48)Tawangsari, (78)Bulukerto, (80)Jatisrono, (83)Jatipuro, (105)Gondang, (112)Gemolong, (117)Gesi. D4 (5)Boyolali E E1 (8)Sawit E2 - E3 (7)Teras, (11)Ngemplak, (24)Cawas, (25)Trucuk, (34)Karangdowo, (35)Juwiring, (36)Wonosari, (40)Tulung, (41)Jatinom, (53)Mojolaban, (54)Grogol, (72)Puh Pelem, (90)Karangpandan, (96)Kebakramat, (106)Sb.Macan, (107)Ngrampal. E4 (9)Banyudono, (20)Prambanan, (21)Gantiwarno, (22)Wedi, (28)Jogonalan, (29)Manisrenggo, (30)Karangnongko, (32)Ceper, (38)Polanharjo, (39)Karanganom, (55)Baki, (56)Gatak, (57)Kartasura, (87)Matesih, (92)Tasikmadu, (93)Jaten, (109)Sragen. E5 (26)Kalikotes, (27)Kebonarum, (31)Ngawen, (33)Pedan, (37)Delanggu, (43)Klaten Selatan, (44)Klaten Tengah, (45)Klaten Utara, (59)Pracimantoro, (94)Colomadu. 5. Simpulan Berdasarkan hasil penelitian dan pembahasan dapat ditarik kesimpulan bahwa dengan menggunakan peta choropleth dapat diketahui kesamaan besaran curah hujan antar wilayah kecamatan. Peta choropleth yang berisi informasi prediksi curah hujan wilayah LPHP Surakarta dapat diklasifikasikan menjadi zona-zona iklim menurut kebutuhan air oleh tanaman terutama padi dan palawija. Wilayah LPHP Surakarta terbagi menjadi 5 zona iklim yaitu Zona A dapat ditanami padi terusmenerus sepanjang tahun. Wilayah yang termasuk dalam Zona B hanya dapat ditanami padi 2 periode dalam setahun. Wilayah yang termasuk dalam Zona C dapat ditanami padi 2 kali panen dalam setahun, dimana penanaman padi yang jatuh saat curah hujan di bawah 200 mm per bulan dilakukan dengan sistem gogo rancah. Wilayah yang termasuk dalam Zona D dapat ditanami padi 1 kali masa tanam. Wilayah yang termasuk dalam Zona E penanaman padi tidak dianjurkan tanpa adanya irigasi yang baik. Pembagian klasifikasi zona iklim tersebut dapat divisualisasikan dengan menggunakan visualisasi spasial dalam bentuk peta choropleth. 6. Daftar Pustaka [1] As-syakur, A.R., Identifikasi Hubungan Fluktuasi Nilai SOI Terhadap Curah Hujan Bulanan Di Kawasan Batukaru-Bedugul, Bali. Jurnal Bumi Lestari, 7(2), pp Diakses tanggal 10 Februari [2] Irawan, Bambang, 2006, Fenomena Anomali Iklim El NINO dan LA NINA: Kecenderungan Jangka Panjang dan Pengaruhnya terhadap Produksi Pangan, Bogor, Pusat Analisis Sosial Ekonomi dan Kebijakan Pertanian. Diakses tanggal 12 Februari
17 [3] Hilmanto, Rudi. Indikator Ekologi Pada Waktu Tanam Sebagai Inovasi Masyarakat Lokal Dalam Menghadapi Dampak Negatif Perubahan Iklim. Jurusan Kehutanan Fakultas Pertanian Universitas Lampung. Bandar Lampung. Diakses tanggal 8 Februari [4] ARIMA (Autoregressive Integrated Moving Average). Diakses tanggal 19 Februari [5] Penyajian Data Spasial. Kementrian Kehutanan Republik Indonesia. Diakses tanggal 22 Februari [6] Wijaya, Arif Memprediksi Temperature Udara Per bulan di Jakarta Dengan Menggunakan Metode ARIMA. Jurusan Ganda Teknik Informatika Statistika Universitas Bina Nusantara. [7] Soesetijo, Sis., Febrianto Budimulyono, Lukas Hadi Purnama, Welly Wellandow Santoso, Hendrik Setiawan,2011. Perbandingan Model Arima pada Data Spasial Trafik Internet Agregat. Jurusan Teknik Elektro Universitas Surabaya, Surabaya. Diakses tanggal 14 Februari [8] Istiqomah, Aplikasi Model Arima untuk Forecasting Produksi Gula Pada PT. Perkebunan Nusantara IX (Persero). Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Semarang. Semarang. Diakses tanggal 27 Februari [9] Sadeq, Ahmad Analisis Prediksi Indeks Harga Saham Gabungan dengan Metode ARIMA. Program Studi Magister Manajemen Program Pasca Sarjana Universitas Diponegoro. Semarang. Diakses tanggal 26 Februari [10] Mulyono, Sri, 2000, Peramalan Harga Saham dan Nilai Tukar : Teknik Box- Jenkins, Ekonomi dan Keuangan Indonesia, Vol. XLVIII No.2 [11] Arista, Linda Aplikasi Metode Arima Untuk Perkiraan Jumlah Wisatawan Asing Di Pulau Samosir Sumatera Utara Tahun Berdasarkan Data Tahun Departemen Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara Medan. Diakses tanggal 18 Februari [12] Arsyad, L Peramalan Bisnis. Jakarta: Ghalia Indonesia [13] Iriawan, N Mengolah Data Statistik dengan Mudah Menggunakan Minitab 14. Yogyakarta: Andi Offset. [14] Nugroho, Budi Haryo Urban Risk Analysis Based On Earthquake Hazard Vulnerability Area In Bantul Regency. Bogor 18
18 Diakses tanggal 21 Februari [15] Yulianto, J.P, Sri, Sri Hartati. Pemodelan Spasial Luas Tambah Serangan Wereng Batang Coklat pada Komoditas Padi Tahun 2010 di Wilayah PHP Surakarta Menggunakan Kombinasi Teknik Moran s I dan Geary s C. Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Gadjah Mada Yogyakarta: Yogyakarta. [16] Tuman, 2001, Overview of GIS, Diakses tanggal 17 Februari [17] As-syakur, A.R., I W. Nuarsa, I N. Sunarta Pemutakhiran peta agroklimat klasifikasi Oldeman di Pulau Lombok dengan Aplikasi Sistem Informasi Geografi. Pusat Penelitian Lingkungan Hidup (PPLH), Jurusan Agroekoteknologi Fakultas Pertanian, Universitas Udayana, Bali Diakses tanggal 15 Februari [18] Oldeman, L.R The Agroclimatie Classification of Rice Growing Enviroiment in Indonesia. IRRI Phillipine [19] Trisetyo, Ade Deteksi Spatial Outlier pada Data Hasil Pilkada Kota Bogor berdasarkan Tempat Pemungutan Suara. Fakultas Matematika dan Ilmu Pengetahuan Alam. Institut Pertanian Bogor. Bogor atr.pdf?sequence=12. Diakses tanggal 25 Februari
Kajian Pustaka Analisis runtun waktu
1. Pendahuluan Di Indonesia, pengaruh pemanasan global menyebabkan perubahan iklim antara lain curah hujan dibawah normal, sehingga masa tanam terganggu. Pada tahun 1995 hingga 2005, total tanaman padi
Lebih terperinciTATA LOKA VOLUME 4 NOMOR 4,NOVEMBER 2012, BIRO PENERBIT PLANOLOGI UNDIP
TATA LOKA VOLUME 4 NOMOR 4,NOVEMBER 212, 259-281 212 BIRO PENERBIT PLANOLOGI UNDIP T A T A L O K A Model Zonasi Ketahanan Pangan dengan Pendekatan Partisipatif di Wilayah Soloraya Mapping Model of Food
Lebih terperinciNASKAH PUBLIKASI ILMIAH
NASKAH PUBLIKASI ILMIAH STUDI PEMILIHAN METODE TRANSPORTASI YANG OPTIMAL PADA ALOKASI RASKIN DARI GUDANG KE KECAMATAN (Studi Kasus: Perum Bulog Sub Divre III Surakarta) Diajukan Sebagai Syarat Memperoleh
Lebih terperinciBAB 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 terperinciBAB 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 terperinciPREDIKSI 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 terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciBAB 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 terperinciKARAKTERISTIK SOSIAL EKONOMI SEBAGAI DETERMINAN PENGELOLAAN DAS BENGAWAN SOLO
KARAKTERISTIK SOSIAL EKONOMI SEBAGAI DETERMINAN PENGELOLAAN DAS BENGAWAN SOLO Sri Rum Giyarsih * The socio-economic dimension of the population is among important aspects in watershed management. These
Lebih terperinciLAPORAN 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 terperinciPENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. APPLICATION OF ARIMA TO FORECASTING STOCK PRICE OF PT. TELOKM Tbk.
PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. Djoni Hatidja ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi, Manado 955 email: dhatidja@yahoo.com ABSTRAK Penelitian ini
Lebih terperinciBAB 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 terperinciPEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER
PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK
Lebih terperinciPERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)
M-11 2) PERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) Naili Farkhatul Jannah 1), Muhammad Bahtiar Isna Fuady 2), Sefri
Lebih terperinciANALISIS SPASIAL INDEKS KEKERINGAN KABUPATEN SUKOHARJO MENGGUNAKAN METODE SPI (STANDARDIZED PRECIPITATION INDEX)
ANALISIS SPASIAL INDEKS KEKERINGAN KABUPATEN SUKOHARJO MENGGUNAKAN METODE SPI (STANDARDIZED PRECIPITATION INDEX) Rahmanita Lestari, Nurul Hidayah, dan Ambar Asmoro Fakultas Geografi UMS E-mail: rahmanovic1993@gmail.com
Lebih terperinciPENDUGAAN 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 terperinciFORECASTING 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 terperinciBAB 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 terperinciAnalisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus
Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia Oleh : Pomi Kartin Yunus 1306030040 Latar Belakang Industri manufaktur yang berkembang pesat
Lebih terperinciPemodelan ARIMA Non- Musim Musi am
Pemodelan ARIMA Non- Musimam ARIMA ARIMA(Auto Regresif Integrated Moving Average) merupakan suatu metode analisis runtun waktu(time series) ARIMA(p,d,q) Dengan AR : p =orde dari proses autoreggresif I
Lebih terperinciBAB 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 terperinciBAB 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 terperinci1. Latar Belakang. 2. Tinjauan Pustaka
1. Latar Belakang Indonesia mempunyai kompleksitas dalam fenomena cuaca dan iklim. Atmosfer diatas Indonesia sangat kompleks dan pembentukan awannya sangat unik. Secara latitudinal dan longitudinal, Indonesia
Lebih terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
Lebih terperinciPERAMALAN 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 terperinci1. Pendahuluan Indonesia merupakan negara agraris dengan luas lahan pertanian komoditas padi sekitar 7,8 juta hektar. Komoditas padi tersebut sering
4 1. Pendahuluan Indonesia merupakan negara agraris dengan luas lahan pertanian komoditas padi sekitar 7,8 juta hektar. Komoditas padi tersebut sering menghadapi masalah yang menyebabkan penurunan hasil
Lebih terperinci1.Pendahuluan. 2. Kajian Pustaka
1.Pendahuluan Curah hujan atau keadaan cuaca yang terjadi di suatu daerah tertentu pada dasarnya dapat diperhitungkan, atau diramalkan. Secara ilmu pengetahuan, curah hujan pada suatu tempat dapat dihitung
Lebih terperinciBAB 2 LANDASAN TEORI Pengertian Data Deret Berkala
BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian
Lebih terperinciAbstrak
PENENTUAN KEJADIAN EL-NINO DAN LA-NINA BERDASARKAN NILAI SOUTHERN OSCILATION INDEKS Heni Maulidiya ), Andi Ihwan, M.Si ), Muh. Ishak Jumarang, M.Si ) ) Prodi Fisika FMIPA UNTAN Email : lidiya788@yahoo.co.id
Lebih terperinciMODEL ARMA (AUTOREGRESSIVE MOVING AVERAGE) UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN SEMARANG JAWA TENGAH - INDONESIA. Salatiga, Jawa Tengah, Indonesia
MODEL ARMA (AUTOREGRESSIVE MOVING AVERAGE) UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN SEMARANG JAWA TENGAH - INDONESIA Adi Nugroho 1, Bistok Hasiholan Simanjuntak 2 1 Staf pengajar di Fakultas Teknologi Informasi
Lebih terperinciAnalisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan
SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.
Lebih terperinciANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA
ANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA FATHIN FAHIMAH 226133 DOSEN PEMBIMBING Prof. Ir. Gamantyo Hendrantoro, M.Eng.
Lebih terperincid. Sebelah Utara berbatasan dengan Kabupaten Boyolali (Jateng)
BAB II DISKRIPSI DAERAH 2.1 Letak Geografi Kabupaten Klaten termasuk daerah di Propinsi Jawa Tengah dan merupakan daerah perbatasan antara Propinsi Jawa Tengah dengan Propinsi Daerah Istimewa Yogyakarta.
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pajak merupakan sumber kas negara yang digunakan untuk pembangunan. Undang- Undang Republik Indonesia Nomor 16 Tahun 2000 tentang Ketentuan Umum Dan Tata Cara Perpajakan
Lebih terperinciIII. 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 terperinciPERAMALAN 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 terperinciAnalisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung
Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung Desy Yuliana Dalimunthe Jurusan Ilmu Ekonomi, Fakultas Ekonomi,
Lebih terperinciPerbandingan 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 terperinciMetode Deret Berkala Box Jenkins
METODE BOX JENKINS Metode Deret Berkala Box Jenkins Suatu metode peramalan yang sistematis, yang tidak mengasumsikan suatu model tertentu, tetapi menganalisa deret berkala sehingga diperoleh suatu model
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciLULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI
LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat
Lebih terperinciPEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH
JIMT Vol. 12 No. 2 Desember 2016 (Hal 149-159) ISSN : 2450 766X PEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH 1 Y. Wigati, 2 Rais, 3 I.T.
Lebih terperinciPERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Lebih terperinciPERAMALAN 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 terperinciPERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA
Jurnal UJMC, Volume 2, Nomor 1, Hal. 28-35 pissn : 2460-3333 eissn: 2579-907X PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA Novita Eka Chandra 1 dan Sarinem 2 1 Universitas
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah. Teknologi informasi telah berkembang dengan relatif pesat. Di era
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi informasi telah berkembang dengan relatif pesat. Di era informasi seperti sekarang ini kebutuhan akan informasi semakin meningkat, terutama dengan
Lebih terperinciPrediksi Curah Hujan Bulanan Untuk Kegiatan Pertanian/Perkebunan. Menggunakan Metoda SARIMA. (Seasonal Autoregressive Integrated Moving Average) :
Prediksi Curah Hujan Bulanan Untuk Kegiatan Pertanian/Perkebunan Menggunakan Metoda SARIMA (Seasonal Autoregressive Integrated Moving Average) : Studi Kasus di Kabupaten Semarang Jawa Tengah Indonesia
Lebih terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih terperinciOUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran
OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat
Lebih terperinciPERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika Vol. 1, No. 6 (2013), pp. 579 589. PERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS Raisa Ruslan, Agus Salim Harahap, Pasukat Sembiring Abstrak. Dalam
Lebih terperinciI. PENDAHULUAN A. Latar Belakang
I. PENDAHULUAN A. Latar Belakang Sektor pertanian dalam perekonomian nasional merupakan sektor yang cukup baik dan terbukti mampu bertahan pada saat krisis Indonesia tahun 1997-1998. Pembangunan sektor
Lebih terperinciModel Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan
METODE BOX JENKINS Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan utk semua tipe pola data. Dapat
Lebih terperinciJurnal. Oleh: Benny Christian Mardiatma NIM :
Prediksi Spasial Curah Hujan di Wilayah Surakarta Menggunakan Metode ARIMA (Autoregressive Integrated Moving Average) untuk Menentukan Klasifikasi Zona Iklim Jurnal Oleh: Benny Christian Mardiatma NIM
Lebih terperinciTREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA)
TREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) Jerhi Wahyu Fernanda, Wisnaningsih S, Emilia Boavida,, Prodi Rekam Medis Informasi Kesehatan Institut Ilmu Kesehatan
Lebih terperinciPengenalan Analisis Deret Waktu (Time Series Analysis) MA 2081 Statistika Dasar 30 April 2012
Pengenalan Analisis Deret Waktu (Time Series Analysis) ) MA 208 Statistika Dasar 0 April 202 Utriweni Mukhaiyar Ilustrasi Berikut adalah data rata-rata curah hujan bulanan yang diamati dari Stasiun Padaherang
Lebih terperinciPERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA
Saintia Matematika ISSN: 2337-9197 Vol. 2, No. 1 (2014), pp. 55 69. PERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA John Putra S Tampubolon, Normalina Napitupulu, Asima Manurung Abstrak.
Lebih terperinci1. I Wayan Sumarjaya, S.Si, M.Stats. 2. I Gusti Ayu Made Srinadi, S.Si, M.Si. ABSTRAK
Judul : Peramalan Curah Hujan Menggunakan Metode Analisis Spektral Nama : Ni Putu Mirah Sri Wahyuni NIM : 1208405018 Pembimbing : 1. I Wayan Sumarjaya, S.Si, M.Stats. 2. I Gusti Ayu Made Srinadi, S.Si,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-249
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) 2337-3520 (2301-928X Print) D-249 Analisis Fungsi Transfer pada Harga Cabai Merah yang Dipengaruhi oleh Curah Hujan Di Surabaya Putri Rintan Aryasita,
Lebih terperinciBAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial
BAB II TINJAUAN PUSTAKA Berikut teori-teori yang mendukung penelitian ini, yaitu konsep dasar peramalan, konsep dasar deret waktu, proses stokastik, proses stasioner, fungsi autokovarians (ACVF) dan fungsi
Lebih terperinciThe stress interaction index SX = (1-CDX/100) (1-CWX/100) (1- HDX/100) (1-HWX/100) dimana ;
5 yang telah tersedia di dalam model Climex. 3.3.3 Penentuan Input Iklim untuk model Climex Compare Location memiliki 2 input file yaitu data letak geografis (.LOC) dan data iklim rata-rata bulanan Kabupaten
Lebih terperinci1. Pendahuluan 2. Kajian Pustaka Curah Hujan
1. Pendahuluan Industri kelapa sawit di Indonesia dewasa ini telah berkembang pesat sebagai penghasil kelapa sawit terbesar di dunia. Investasi kelapa sawit di Indonesia dewasa ini adalah sebagai hasil
Lebih terperinciPrediksi Curah Hujan dengan Model Deret Waktu dan Prakiraan Krigging pada 12 Stasiun di Bogor Periode Januari Desember 2014.
Jur. Ris. & Apl. Mat. Vol. 1 (2017), no. 1, 1-52 Jurnal Riset dan Aplikasi Matematika e-issn: 2581-0154 URL: journal.unesa.ac.id/index.php/jram Prediksi Curah Hujan dengan Model Deret Waktu dan Prakiraan
Lebih terperinciBAB 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 terperinciPEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA. Nur Hukim
TE 091399 TUGAS AKHIR- 4 SKS PEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA Oleh Nur Hukim Dosen Pembimbing Prof. Ir. Gamantyo Hendrantoro, M.Eng. Ph.D Ir. Achmad
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinciIII. 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 terperinciSBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n
SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi
Lebih terperinciPERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA
Saintia Matematika Vol. 1, No. 1 (2013), pp. 1 10. PERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA Lukas Panjaitan, Gim Tarigan, Pengarapen Bangun Abstrak. Dalama makalah
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER I Ketut Putra Adnyana 1, I Wayan Sumarjaya 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas FMIPA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciVERIFIKASI MODEL ARIMA MUSIMAN MENGGUNAKAN PETA KENDALI MOVING RANGE
VERIFIKASI MODEL ARIMA MUSIMAN MENGGUNAKAN PETA KENDALI MOVING RANGE (Studi Kasus : Kecepatan Rata-rata Angin di Badan Meteorologi Klimatologi dan Geofisika Stasiun Meteorologi Maritim Semarang) SKRIPSI
Lebih terperinciBAB 4 Hasil dan Pembahasan
BAB 4 Hasil dan Pembahasan Bab ini membahas tentang implementasi pemodelan prediksi produksi panen komoditas padi menggunakan metode regresi linier yang diolah menggunakan R Studio. 4.1 Pengolahan Data
Lebih terperinciPENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)
PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Liana Kusuma Ningrum dan Winita Sulandari, M.Si. Jurusan Matematika,
Lebih terperinciMetode Box - Jenkins (ARIMA)
Metode Box - Jenkins (ARIMA) Metode peramalan saat ini cukup banyak dengan berbagai kelebihan masing-masing. kelebihan ini bisa mencakup variabel yang digunakan dan jenis data time seriesnya. nah, dalam
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel ARIMA menggunakan variabel dependen harga saham LQ45 dan variabel independen harga saham LQ45 periode sebelumnya, sedangkan ARCH/GARCH menggunakan variabel dependen
Lebih terperinciAnalisis Geospasial untuk Deteksi Kekeringan Meteorologis di Wilayah Kabupaten Boyolali dan Kabupaten Klaten Artikel Ilmiah
Analisis Geospasial untuk Deteksi Kekeringan Meteorologis di Wilayah Kabupaten Boyolali dan Kabupaten Klaten Artikel Ilmiah Peneliti : Yan Estevan Verdinan (672123) Program Studi Teknik Informatika Fakultas
Lebih terperinciPENDAHULUAN A. Latar Belakang
digilib.uns.ac.id 1 I. PENDAHULUAN A. Latar Belakang Pangan merupakan segala sesuatu yang berasal dari sumber hayati dan air, baik yang diolah maupun tidak diolah, yang diperuntukkan sebagai makanan dan
Lebih terperinciBab 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 terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
Lebih terperinciKAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciPrediksi 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 terperinciBAB I PENDAHULUAN. karena produksi padi Indonesia yang masih rendah dan ditambah dengan. diperbaiki dengan manajemen pascapanen yang benar.
BAB I PENDAHULUAN 1.1. Latar Belakang Padi merupakan tanaman pangan utama di Indonesia karena sebagian besar penduduk Indonesia mengkonsumsi beras sebagai sumber karbohidrat. Kebutuhan pangan pokok beras
Lebih terperinciBAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang
Lebih terperinciKEPUTUSAN KOMISI PEMILIHAN UMUM KABUPATEN KLATEN. NOMOR : /PP.05.3-Kpt/3310/KPU-Kab/ /2017 TENTANG
DRAFT KEPUTUSAN KOMISI PEMILIHAN UMUM KABUPATEN KLATEN NOMOR : /PP.05.3-Kpt/3310/KPU-Kab/ /2017 TENTANG PEMBENTUKAN DAN PENGANGKATAN ANGGOTA PANITIA PEMUNGUTAN SUARA (PPS) SE KABUPATEN KLATEN DALAM PEMILIHAN
Lebih terperinciANALISA BOX JENKINS PADA PEMBENTUKAN MODEL PRODUKSI PREMI ASURANSI KENDARAAN BERMOTOR RODA EMPAT
ANALISA BOX JENKINS PADA PEMBENTUKAN MODEL PRODUKSI PREMI ASURANSI KENDARAAN BERMOTOR RODA EMPAT Mei Taripar Pardamean S.,SKom Jl. Makmur No.1 Ciracas Jakarta Timur mtp95@yahoo.com ABSTRAK Tujuan dari
Lebih terperinciPENERAPAN METODE ARIMA DALAM MERAMALKAN INDEKS HARGA KONSUMEN (IHK) INDONESIA TAHUN 2013
La Pimpi //Paradigma, Vol. 17 No. 2, Oktober 2013, hlm. 35-46 PENERAPAN METODE ARIMA DALAM MERAMALKAN INDEKS HARGA KONSUMEN (IHK) INDONESIA TAHUN 2013 1) La Pimpi 1 Staf Pengajar Jurusan Matematika, FMIPA,
Lebih terperinciPerancangan Kalender Tanam Berdasarkan Data Klimatologi Menggunakan Metode Forecasting Holt-Winters (Studi Kasus : Boyolali) Artikel Ilmiah
Perancangan Kalender Tanam Berdasarkan Data Klimatologi Menggunakan Metode Forecasting Holt-Winters (Studi Kasus : Boyolali) Artikel Ilmiah Peneliti : Gabriel Alvin Pryanto (672006257) Kristoko Dwi Hartomo,
Lebih terperinciHALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL...
HALAMAN PERSETUJUAN PEMBIMBING...iii HALAMAN PENGESAHAN...iv MOTTO... v HALAMAN PERSEMBAHAN... vi KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR TABEL... xi DAFTAR GAMBAR... xii DAFTAR LAMPIRAN... xiv PERNYATAAN...
Lebih terperinciArtikel Ilmiah. Peneliti : Auditya Gianina Bernadine Amaheka ( ) Michael Bezaleel Wenas, S.Kom., M.Cs.
Analisis Peramalan Penerimaan Pajak Kendaraan Bermotor dengan Metode Autoregressive Integrated Moving Average (ARIMA) (Studi Kasus : Dinas Pendapatan dan Pengelolaan Aset Daerah Provinsi Jawa Tengah) Artikel
Lebih terperinciPERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI ABSTRAK
PERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI Trio Yonathan Teja Kusuma 1, Sandra Praharani Nur Asmoro 2 1,2)
Lebih terperinciPEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER
1 PEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER Muhammad Zainuddin Fanani, Achmad Mauludiyanto Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciPERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT
PERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT Novian Endi Gunawan 1, I Wayan Sumarjaya 2, I G.A.M. Srinadi 3 1 Program Studi Matematika,
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP
PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP SKRIPSI Disusun oleh : DITA RULIANA SARI NIM. 24010211140084 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan
Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra A 1, Suyono 2, Ria Arafiyah 3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciPENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH Tri Mulyaningsih ), Budi Nurani R ), Soemartini 3) ) Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran
Lebih terperinciPerbedaan Metode Geary s C dan G* Statistik untuk Mendeteksi Serangan Hama Penyakit Utama Padi di Surakarta (Jawa Tengah)
Perbedaan Metode Geary s C dan G* Statistik untuk Mendeteksi Serangan Hama Penyakit Utama Padi di Surakarta (Jawa Tengah) Poster Ilmiah Diajukan kepada Fakultas Teknologi Informasi untuk memperoleh Gelar
Lebih terperinciRINGKASAN RANCANGAN PERUBAHAN APBD MENURUT URUSAN PEMERINTAHAN DAERAH DAN ORGANISASI
Lampiran II PERDA APBD TA. Nomor 2016 :...TAHUN 2016 Tanggal : 21 September 2016 PEMERINTAH KABUPATEN KLATEN RINGKASAN RANCANGAN APBD MENURUT URUSAN PEMERINTAHAN DAERAH DAN ORGANISASI TAHUN ANGGARAN 2016
Lebih terperinci