MODEL GENERALIZED SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE
|
|
- Irwan Sanjaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 MODEL GENERALIZED SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (GSARIMA) UNTUK PERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE (DBD) DI KOTA SURABAYA GENERALIZED SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (GSARIMA) MODELS FOR FORECASTING THE NUMBER OF DENGUE HEMORRHAGIC FEVER (DHF) PATIENTS IN SURABAYA Asrirawan 1 *, Heri Kuswano 2, Suharono 3 Insiu Teknologi Sepuluh Nopember (ITS), Surabaya 1* enalmanovani@gmail.com dan Perumdos ITS jln. Teknik Geodesi Blok R 6, Surabaya Insiu Teknologi Sepuluh Nopember (ITS), Surabaya 2 Insiu Teknologi Sepuluh Nopember (ITS), Surabaya 3 ABSTRACT One of he main opics in he sudy of modeling ime series forecasing in he las hree decades is coun daa forecasing. The forecasing of coun daa based on sochasic model has no been applied and is normally Gaussian disribuion. One of sochasic models for coun daa forecasing, which has non-gaussian (negaive binomial) disribuion, is generalized auoregressive moving average (GARMA) models. GARMA models relae componens beween ARMA and predicor variable o a ransformaion of mean parameers of he daa disribuion using a link funcion bu hese models does no involve saionary and seasonal effecs. Generalized seasonal auoregressive inegraed moving average (GSARIMA) models are an exended version of GARMA involving saionary and seasonal effecs. The esimaion of GSARIMA models use an approach ieraively reweighed leas square (IRLS). This paper simulaes GSARIMA models and applies i o dengue hemorrhagic fever (DHF) in Surabaya. Morever, he comparison of he forecasing accuracy rae of hese models wih seasonal auoregressive inegraed moving average (SARIMA) models. Based on he analysis, he resuls of model and forecas using he model GSARIMA has no correc ou relaively beer han he SARIMA by using AIC and mean absolue relaive error (maref) value boh simulaion and DHF daa. Keywords: Dengue Hemorrhagic Fever, GSARIMA, IRLS, Negaive Binomial, SARIMA ABSTRAK Salah sau opik uama dalam kajian pemodelan peramalan dere waku (ime series) pada iga dekade erakhir ini adalah peramalan daa jumlahan (coun daa). Peramalan daa jumlahan berbasis model sokasik masih belum banyak dilakukan dan menggunakan disribusi Gaussian (normal). Salah sau model sokasik dan non- Gaussian (negaif binomial) unuk peramalan daa jumlahan adalah model generalized auoregressive moving average (GARMA). Model GARMA menghubungkan komponen ARMA dengan variabel predikor ke ransformasi parameer raa-raa dari disribusi daa dengan menggunakan fungsi link (link funcion) eapi idak melibakan efek sasioner dan musiman. Model generalized seasonal auoregressive inegraed moving average (GSARIMA) merupakan model pengembangan dari GARMA dengan melibakan efek
2 sasioner dan musiman (seasonal). Esimasi model GSARIMA menggunakan pendekaan ieraively reweighed leas square (IRLS). Model GSARIMA dierapkan pada daa simulasi dan kasus demam berdarah dengue (DBD) di koa Surabaya dan membandingkan ingka akurasi peramalan model ersebu dengan model seasonal auoregressive inegraed moving average (SARIMA). Berdasarkan analisis yang dilakukan, baik simulasi maupun daa DBD, hasil model dan peramalan dengan menggunakan model GSARIMA relaif lebih baik dibandingkan dengan model SARIMA dengan menggunakan nilai AIC dan Maref. Kaakunci: Demam Berdarah Dengue, GSARIMA, IRLS, binomial negaif, SARIMA 1 PENDAHULUAN Salah sau opik uama dalam kajian pemodelan peramalan dere waku (ime series) pada iga dekade erakhir ini adalah peramalan daa jumlahan (coun daa). Hal ini juga seperi yang elah diuraikan oleh Gooijer dan Hyndman [1] yang elah melakukan kajian lieraur berkaian dengan perkembangan peramalan dere waku dalam kurun waku 25 ahun, yaiu mulai 1982 sampai dengan 2005, berdasarkan 940 makalah pada jurnal-jurnal bidang peramalan. Gooijer dan Hyndman menyaakan bahwa kajian enang peramalan daa jumlahan yang berbasis model sokasik masih belum banyak dilakukan oleh para penelii bidang peramalan. Yu, Chen, dan Wen [3] mengemukakan bahwa ada dua pendekaan yang sering digunakan unuk memodelkan daa dere waku non-gaussian. Pendekaan perama adalah menggunakan kombinasi linier pada variabel acak disribusi non-gaussian (Gaver & Lewis, 1980; Li & Mcleod, 1987) dan pendekaan yang kedua adalah menransformasi daa dere waku Gaussian kedalam disribusi marginal yang lebih spesifik sehingga mampu digunakan unuk pendekaan non-gaussian [2]. Hal ini juga digunakan oleh Benjamin, Rigby, dan Sasinopoulos [3]. Benjamin e al. mengembangkan model sokasik unuk daa-daa yang mengikui disribusi non-gaussian seperi disribusi Poisson dan binomial negaif. Model ersebu adalah model generalized auoregressive moving average (GARMA). Model GARMA menghubungkan komponen ARMA dengan variabel predikor ke ransformasi parameer raa-raa dari disribusi daa dengan menggunakan fungsi link (link funcion). Fungsi link ini digunakan unuk memasikan bahwa disribusi daa eap dalam domain bilangan riil posiif, sehingga memiliki keepaan prediksi yang lebih akura. Model GARMA sanga fleksibel unuk memodelkan daa jumlahan dengan srukur auoregressive dan aau moving average. Akan eapi, hanya dapa diaplikasikan pada daa yang dianggap sasioner dan idak musiman. Benjamin e al. menggunakan pendekaan ieraively reweighed leas square (IRLS) unuk mengesimasi parameerparameer model GARMA [3].
3 Berdasarkan uraian di aas maka dalam peneliian ini akan dilakukan kajian enang esimasi model GSARIMA dengan menggunakan IRLS dan membandingkan ingka akurasi peramalan model GSARIMA dan SARIMA dengan predikor dan anpa predikor pada daa jumlah penderia Demam Berdarah Dengue (DBD) di koa Surabaya. 2 METODE PENELITIAN 2.4 Daa Simulasi dan DBD Model GSARIMA akan diaplikasikan pada daa jumlah penderia Demam Berdarah Dengue (DBD). Daa yang digunakan pada peneliian ini merupakan daa sekunder yang diperoleh di Dinas Kesehaan Propinsi Jawa Timur. Jumlah daa jumlahan yang digunakan adalah 420 yang diambil mulai bulan januari 1973 sampai bulan desember Unuk daa simulasi, ada dua simulasi yang dilakukan. Simulasi perama adalah simulasi perbandingan esimasi model GSARIMA dengan ransformasi ZQ1 dan ZQ2 [2]. Sedangkan pada simulasi kedua dilakukan perbandingan ingka akurasi peramalan model GSARIMA dan model ARIMA musiman. Program yang digunakan unuk esimasi baik simulasi maupun daa riil adalah R, SAS dan MATLAB. 2.1 Model Binomial Negaif Daa Jumlahan Regresi binomial negaif merupakan salah sau model regresi erapan dari GLM Disribusi binomial negaif memiliki keiga komponen yaiu komponen random, komponen sisemaik dan fungsi link [2]. Adapun benuk fungsi massa peluang binomial negaif adalah: dengan, dan. saa maka disribusi negaif binomial memiliki variansi. Disribusi binomial negaif akan mendekai suau disribusi Poisson yang mengasumsikan mean dan variansi sama yaiu. Konribusi variabel predikor dalam model regresi binomial negaif dinyaakan dalam benuk kombinasi linier anara parameer dengan parameer regresi yang akan diesimasi yaiu:
4 aau dalam mariks diuliskan dalam benuk dengan adalah vekor dari observasi, adalah mariks dari variabel bebas, adalah mariks dari koefisien regresi, dengan. Nilai ekspeasi dari variabel respon Y adalah diskri dan bernilai posiif. Maka, unuk menransformasikan nilai (bilangan riil) ke renang yang sesuai dengan renang pada respon diperlukan suau fungsi link yaiu: 2.2 Model GSARIMA Model GSARIMA dikembangkan berdasarkan model GARMA dengan melibakan efek musiman dan differencing. Diberikan adalah model daa dere waku. Misalkan dengan E y maka dan. Jika y akan mengikui disribusi Poisson. Adapun model GARMA p, q dapa diliha pada model (2):, -, - dimana adalah fungsi link, dan d. B merupakan operaor backshif dengan B y y d dan vekor adalah koefisien unuk vekor dengan x 0 merupakan inercep yang biasanya digunakan nilai x 0 1. Pada kasus GARMA, daa jumlahan dimodelkan dengan menggunakan sebuah fungsi link logarihmic aau ideniy [2]. Jika y mengikui disribusi Poisson dengan nilai mean sebagai beriku:, - Maka ada dua meode ransformasi sebagai beriku yang dapa digunakan: a. Transformasi ZQ1 yang mempunyai benuk: [ ] T dimana y max y, c,0 c 1. b. Transformasi ZQ2 yang mempunyai benuk: [ [ ]]
5 Sehingga model GSARIMA binomial negaif unuk ZQ1 diberikan persamaan 3: * + Sedangkan unuk ZQ2 adalah *, Algorima IRLS Model GARMA menggunakan IRLS elah dilakukan oleh Benjamin e al. [1] berdasarkan proses yang dilakukan oleh Green [5]. Misalnya parameer yang akan diesimasi dinoasikan sebagai beriku. Keiga Parameer ersebu diesimasi menggunakan MLE sehingga log-likelihood unuk daa observasi, dan. Adapun fungsi log-likelihood model GARMA dapa diliha pada persamaan (4) Berdasarkan fungsi score persamaan (2.29). / yang diberikan sebagai beriku: dimana v y Var b'', Var D (McCullagh & Nelder, 1989). Kemudian langkah selanjunya adalah memaksimumkan fungsi log-likelihood dengan menggunakan algorima Fisher Scoring yaiu: ( ) ( ) dimana dan. / yang disebu dengan mariks informasi Fisher, dengan Adapun langkah-langkah algorima IRLS secara umum sebagai beriku: a. Diberikan kemudian hiung nilai:
6 . /. / dimana nilai dan dikonsruksi berdasarkan variabel dependen yang disesuaikan dengan persamaan beriku: unuk. b. Esimasi dengan meregresikan pada. / dengan bobo, ( ) c. Updae ke dan ulangi langkah a dan b sampai esimasi parameer konvergen. Unuk dihiung dengan proses rekursif semenara urunan dari. / dihiung dari proses rekursif parameer regresi, auoregressive dan moving average. * + * + 3 LAYOUT DAN SPESIFIKASI 3.1 Esimasi Parameer Model GSARIMA Seperi elah disebukan dibagian sebelumnya bahwa meode yang digunakan dalam esimasi parameer model GSARIMA binomial negaif adalah IRLS.
7 Secara umum algorima IRLS unuk menenukan nilai esimaor adalah sebagai beriku: a. Menginpu daa sekunder variabel dan b. Membenuk fungsi regresi binomial negaif c. Membenuk fungsi parial likelihood d. Membenuk fungsi e. Menenukan nilai awal parameer yang akan diaksir, unuk berdasarkan model ARIMA yang erbenuk. f. Menenukan urunan perama dari ( ) sehingga diperoleh ( ) g. Menenukan urunan parsial kedua ( ) erhadap parameer sehingga diperoleh marik Hessian ( ) h. Menenukan ekspekasi negaif dari mariks ( ) sehingga diperoleh mariks informasi fisher ( ) kemudian menenukan invers mariks ersebu. i. Menenukan nilai esimasi parameer dengan rumus sebagai beriku: dengan ( ) ( ) ( ) j. Menenukan ierasi updae ke sampai diperoleh esimasi parameer yang konvergen yaiu, dimana adalah vekor yang nilai enri-enrinya sanga kecil. k. Jika belum didapakan nilai yang konvergen maka diulangi pada langkah 5.
8 3.2 Simulasi Perbandingan Transformasi Fungsi Link ZQ1 dan ZQ2 Model daa yang dibangkikan adalah model Poisson AR (1) dengan menggunakan dua ransformasi ZQ1 dan ZQ2. Daa series yang dibangkikan sebesar N=1000 dengan sebesar 5. Sedangkan nilai c ada iga yaiu 0,1;0,5; dan 1 sera nilai parameer AR -0,5 dan 0,5. Adapun hasil perbandingan anara fungsi link ZQ1 dan ZQ2 dapa diliha pada able 4.1 di bawah: Tabel 1 Simulasi Perbandingan Esimasi Fungsi Link ZQ1 dan ZQ2 dengan Menggunakan Model Poisson AR (1) pada, ; Model c inercep Maref DIC Log-ZQ1 0,1 101,37 0,48 0, ,5 Log-ZQ1 1,0 100,45 0,47 0, ,7 Log-ZQ2 0,1 99,93 0,49 0, ,4 Log-ZQ2 1,0 101,04 0,49 0, ,5 Berdasarkan Tabel 1 dapa diliha bahwa keika nilai 100 dengan nilai c=0,1 maka ransformasi fungsi link ZQ1 memiliki nilai maref dan DIC yang relaif kecil dibandingkan dengan ransformasi fungsi link ZQ2. Teapi sebaliknya keika nilai c lebih besar (c=1,0) maka nilai ransformasi dari ZQ2 memiliki nilai maref dan DIC yang relaif kecil. Selain iu jika nilai c lebih besar maka dari kedua fungsi link ersebu relaif menaikkan nilai DIC. Sehingga diperoleh kesimpulan bahwa unuk pada saa inercep yang kecil maka fungsi link ZQ1 relaif lebih baik dibandingkan dengan ZQ Simulasi Perbandingan Esimasi Parameer Model GSARIMA Pada bagian ini akan dilakukan simulasi esimasi parameer pada model GSARIMA yang mengikui disribusi binomial negaif. Model GSARIMA yang dibangkikan erdiri aas dua model yaiu model GSARIMA dengan GSARIMA. Tabel 4.5 Simulasi Perbandingan Tingka Akurasi Peramalan GSARIMA dengan SARIMA Model Binomial Negaif ARIMA Model GSARIMA Maref SARIMA 0,525 4, % 0, ,241 9 % 0,542 15, % 0,449 74,44 8 % Keerangan : *) jumlah observasi nol Keerangan*) Dari hasil simulasi esimasi daa bangkian dengan menggunakan disribusi Poisson AR (1) maka diperoleh hasil pada Tabel 4.5. PadaTabel 4.5 dapa diliha bahwa dari
9 Auocorrelaion Parial Auocorrelaion keempa simulasi daa yang dibangkikan ernyaa ingka akurasi peramalan model binomial negaif GSARIMA lebih baik dibandingkan dengan model ARIMA. Raa-raa nilai maref unuk keempa simulasi daa unuk model GSARIMA adalah sebesar 0,502 sedangkan raa-raa nilai maref unuk model SARIMA sebesar 73, Aplikasi pada Daa Jumlah Penderia DBD di Koa Surabaya Tahap awal pemodelan GSARIMA pada kasus jumlah penderia DBD adalah mengidenifikasi orde musiman dan non musiman pada model ARIMA. Berdasarkan hasil analisis daa bahwa daa idak sasioner dalam raa-raa maupun dalam variansi shingga dilakukan ransformasi dan differencing pada lag 1 dan 12. Hasil differencing pada lag 1 dan 12 mengakibakan daa elah menunjukkan sasioner dalam mean. Hal ini dapa diunjukkan plo ACF dan PACF pada Gambar 1. Auocorrelaion Funcion for DiffLag12 (wih 5% significance limis for he auocorrelaions) Parial Auocorrelaion Funcion for DiffLag12 (wih 5% significance limis for he parial auocorrelaions) Lag Lag Gambar 1 Plo fungsi auokorelasi dan fungsi auokorelasi parsial seelah dilakukan differencing pada lag 12 Tabel 4.14 Perbandingan Kebaikan Model dan Peramalan GSARIMA dan ARIMA Model AIC Maref SARIMA (, -) 5198,985 0,954 GSARIMA (, -) 4832,300 0,351 Hasil perbandingan model menunjukkan bahwa model GSARIMA relaif lebih baik jika dibandingkan dengan model SARIMA. Selain iu juga bias dilha dari plo analisis residual dari kedua model perbandingan ersebu. Berdasarkan Gambar 4.7 erliha bahwa nilai residual absolue dari model GSARIMA (raw residual) relaif mendekai iik nol dibandingkan dengan model SARIMA.
10 Gambar 4.7 Plo Raw Residual Model GSARIMA dan Residual Model SARIMA. 4. PUSTAKA [1] Benjamin,M. A., Rigby R. A., dan Sasinopoulos, D. M. (1998) Fiing Non-Gaussian Time Series Models.COMPSTAT Proceedings in Compuaionel Saisics, eds. R. Payne dan P.Green, Heldelburg: Physica-Verlag, [2] Benjamin,M. A., Rigby R. A., dan Sasinopoulos, D. M. (2003). Generalized Auoregressive Moving Average Models.Journal of he American Saisical Associaion, 98, [3] Bowerman, B. L., dan O Connell, R. T. (2003). Forecasing and Time Series: An Applied Approach, 3 h eds. New Jersey: Prenice Hall. [4] Brie, J. T. O., (2009). Toward Malaria Predicion in Sri Lanka: Modelling Spaial and Temporal Variabiliy of Malaria Case Couns. Diserasi Dokor. Neherland: Universias Basel. [5] Brie, J. T. O., Amerasinghe, H. P., dan Vounasou, P. (2013). Generalized Seasonal Auoregressive Inegraed Moving Average Models for Coun Daa wih Applicaion o Malaria Time Series wih Low Case Numbers. Malaria Journal, PLoS ONE, 8(6): e65761.
11 [6] Croson, J. D. (1972). Forecasing and Sock Conrol for Inermien Demands. Operaional Research Quarerly, 23, [7] Cryer, J. D. (1986). Time Series Analysis. Boson: PWS-KENT Publishing Company. [8] Enders, W. (2004). Applied Economeric Time Series, 2 nd eds. John Wiley & Sons, Inc., New York. [9] Garbhi, M., Quenel, P., dan Marrama, L. (2011). Time Series Analysis of Dengue Incidence in Guadeloupe, French Wes Indies: Forecasing Models Using Climae Variables as Predicors. BMC Infec Disease, 11, 166. [10] Gooijer, G. J., Hyndman, J. R. (2006). 25 Years of Time Series Forecasing. Inernaional Journal of Forecasing, 22, [1] Alexander GJ, Resnick BG Using linear and goal programming o immunize bond porfolios. Journal of Banking and Finance 9 (1): [2] Bierwag GO, Khang C An immunizaion sraegy is a minimax sraegy. Journal of Finance 34: [3] Wiggins S Inroducion o Applied Nonlinear Dynamical Sysem and Chaos. New York: Springer-Verlag.
Jurnal Dinamika, April 2015, halaman Vol. 06. No. 1 ISSN
Jurnal Dinamika, April 2015, halaman 61-66 Vol. 06. No. 1 ISSN 2087-7889 SIMULASI PERBANDINGAN METODE PERAMALAN MODEL GENERALIZED SEASONAL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (GSARIMA) DENGAN SEASONAL
Lebih terperinciPemodelan 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 terperinciBAB 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 terperinciKAJIAN 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 terperinciPROSEDUR PEMBENTUKAN MODEL VARIASI KALENDER BERDASARKAN MODEL ARIMAX UNTUK PERAMALAN DATA DENGAN EFEK VARIASI KALENDER
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, November PROSEDUR PEMBENTUKAN MODEL VARIASI KALENDER BERDASARKAN MODEL ARIMAX UNTUK PERAMALAN DATA DENGAN EFEK VARIASI KALENDER Suharono dan
Lebih terperinci*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 terperinciBAB 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 terperinciKARAKTERISTIK 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 terperinciBAB 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 terperinciANALISIS 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 terperinciPEMODELAN 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 terperinciGenteng. = 0,435 Barisan dari [Exp(-7, ,121*X3] Binomial Thinning Operator. Jika Yt-1sukses maka peluang kejadian = 0,435
. Pemodelan Regresi INAR dengan Variabel Predikor Signifikan Geneng = 0,435 Y 0,435oY 1 Z Barisan dari [Exp(-7,988 + 0,1*X3] Binomial Thinning Operaor 35 30 Variable Y_2 PFIT2 25 Jika Y-1sukses maka peluang
Lebih terperinciAbstrak 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 terperinciBAB 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 terperinciBAB 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 terperinciANALISIS 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 terperinciPENAKSIRAN 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 terperinciBAB 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 terperinciPENGAMBILAN 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 terperinciPeramalan 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 terperinciPENGARUH 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 terperinciBAB 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 terperinciOleh: 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
11 BAB I PENDAHULUAN 1.1 Laar Belakang Salah sau masalah analisis persediaan adalah kesulian dalam menenukan reorder poin (iik pemesanan kembali). Reorder poin diperlukan unuk mencegah erjadinya kehabisan
Lebih terperinciBAB 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 terperinciPerbandingan 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 terperinciDAMPAK 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 terperinciPenentuan 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 terperinciPeramalan 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 terperinciBAB 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 terperinciBAB 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 terperinciBAB 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 terperinciBAB 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 terperinciAPLIKASI 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 terperinciKata 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 terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciMODEL 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 terperinciPEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 9 PEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL Y.P.Y. Asmara,
Lebih terperinciModel 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 terperinciBAB 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 terperinciAnalisis Model dan Contoh Numerik
Bab V Analisis Model dan Conoh Numerik Bab V ini membahas analisis model dan conoh numerik. Sub bab V.1 menyajikan analisis model yang erdiri dari analisis model kerusakan produk dan model ongkos garansi.
Lebih terperinciDAN 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 terperinciPERAMALAN 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 terperinciPemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Metode Intervensi dan Regresi Spline ABSTRAK
Pemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Meode Inervensi dan Regresi Spline Rina Andriani, Dr. Suharono, M.Sc 2 Mahasiswa Jurusan Saisika FMIPA-ITS, 2 Dosen Jurusan Saisika FMIPA-ITS
Lebih terperinciBAB 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 terperinciBAB 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 terperinciPeramalan Inflasi Nasional Berdasarkan Faktor Ekonomi Makro Menggunakan Pendekatan Time Series Klasik dan ANFIS
JURNAL SAINS DAN SENI IS Vol. 4, No., () 2337-3 (2-928X Prin) D-67 Peramalan Inflasi Nasional Berdasarkan Fakor Ekonomi Makro Menggunakan Pendekaan ime Series Klasik dan ANFIS Clara Agusin Sephani, Agus
Lebih terperinciKOINTEGRASI 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 terperinciPENERAPAN 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 terperinciBAB II PERTIDAKSAMAAN CHERNOFF
BAB II PERTIDAKSAMAAN CHERNOFF.1 Pendahuluan Di lapangan, yang menjadi perhaian umumnya adalah besar peluang dari peubah acak pada beberapa nilai aau suau selang, misalkan P(a
Lebih terperinciBAB 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 terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY DAN DIMAS HARI SANOSO Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus
Lebih terperinciANALISIS CRITICAL ROOT VALUE PADA DATA NONSTATIONER
ANALISIS CRITICAL ROOT VALUE PADA DATA NONSTATIONER Abdul Aziz Dosen Jurusan Maemaika Fakulas Sains Teknologi Universias Islam Negeri (UIN) Maulana Malik Ibrahim Malang e-mail : abdulaziz_uinmlg@yahoo.com
Lebih terperinciBAB 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 terperinciPeramalan Outflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Autoregressive (GSTAR)
JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) D-59 Peramalan Ouflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Auoregressive (GSTAR) Rahmah Safiri, Seiawan, dan Imam Safawi
Lebih terperinciPENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS (ARIMA)
Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 PENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian yang dilakukan mengenai analisis perencanaan pengadaan una berdasarkan ramalan ime series volume ekspor una loin beku di PT Tridaya Eramina
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciJurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember ABSTRAK
PERBANDINGAN METODE DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN TES (TRIPLE EXPONENTIAL SMOOTHING) PADA PERAMALAN PENJUALAN ROKOK (STUDI KASUS TOKO UTAMA LUMAJANG) 1 Fajar Riska Perdana (1110651142) 2 Daryano,
Lebih terperinciPeramalan 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 terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
Lebih terperinciPERAMALAN 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 terperinciPENGEMBANGAN MODEL REGRESI DERET WAKTU UNTUK DATA YANG MENGANDUNG VARIASI KALENDER
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, November PENGEMBANGAN MODEL REGRESI DERET WAKTU UNTUK DATA YANG MENGANDUNG VARIASI KALENDER Alfonsus. J. Endhara dan Suharono Mahasiswa S Jurusan
Lebih terperinciPEMODELAN 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 terperinciAPLIKASI MODEL GSTAR PADA PERAMALAN JUMLAH KUNJUNGAN WISATAWAN EMPAT LOKASI WISATA DI BATU
APLIKASI MODEL GSTAR PADA PERAMALAN JUMLAH KUNJUNGAN WISATAWAN EMPAT LOKASI WISATA DI BATU Dwi Susani, Susiswo Universias Negeri Malang E-mail: dwisusani39@gmail.com ABSTRAK: Peneliian ini berujuan unuk
Lebih terperinciARIMA (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 terperinciANALISIS 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 terperinciIDENTIFIKASI 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 terperinciPREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED
PREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED Wahyuda 1, Budi Sanosa 2, Nani Kurniai 3 1 Teknik Indusri Universias Mulawarman-Samarinda
Lebih terperinciPENERAPAN 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 terperinciPERAMALAN JUMAH MOBIL PRIBADI YANG BERADA DI KOTA SURABAYA
TUGAS AKHIR SS 145561 PERAMALAN JUMAH MOBIL PRIBADI YANG BERADA DI KOTA SURABAYA RIZKI FEBRIASTO NRP 1314 030 102 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN STATISTIKA BISNIS Fakulas Vokasi
Lebih terperinciANALISIS 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 terperinciPERAMALAN NILAI NAV RMF, EQUITY DAN FIXED FUND PT. PRUDENTIAL LIFE ASSURANCE DENGAN MODEL VARIMA DAN ARIMA
Gunawan: PERAMALAN NILAI NAV RMF, EQUITY, DAN FIXED FUND PT. PRUDENTIAL LIFE 9 PERAMALAN NILAI NAV RMF, EQUITY DAN FIXED FUND PT. PRUDENTIAL LIFE ASSURANCE DENGAN MODEL VARIMA DAN ARIMA Eric Gunawan ),
Lebih terperinciSIMULASI PERGERAKAN TINGKAT BUNGA BERDASARKAN MODEL VASICEK
Jurnal Maemaika Murni dan Terapan εpsilon Vol.9 No.2 (215) Hal. 15-24 SIMULASI PEGEAKAN TINGKAT BUNGA BEDASAKAN MODEL VASICEK Shanika Marha, Dadan Kusnandar, Naomi N. Debaaraja Fakulas MIPA Universias
Lebih terperinciESTIMASI 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 terperinciMA5182 Topik dalam Statistika I: Statistika Spasial 22 November 2012 Utriweni Mukhaiyar
Space-ime Models MA58 Topik dalam Saisika I: Saisika Spasial ovember Uriweni Mukhaiyar Analisis Saisik Box&Jenkins Ieraion Posulae General Class of Models ACF, PACF, diff Daa Analysis Compound Poisson
Lebih terperinciFORECASTING & 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 terperinciBAB 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 terperinciPERHITUNGAN VALUE AT RISK (VaR) DENGAN SIMULASI MONTE CARLO (STUDI KASUS SAHAM PT. XL ACIATA.Tbk)
Jurnal UJMC, Volume 3, Nomor 1, Hal. 15-0 pissn : 460-3333 eissn : 579-907X ERHITUNGAN VAUE AT RISK (VaR) DENGAN SIMUASI MONTE CARO (STUDI KASUS SAHAM T. X ACIATA.Tbk) Sii Alfiaur Rohmaniah 1 1 Universias
Lebih terperinciAnalisis 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 terperinciPERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS TRI EMIRA RISMAYANTI NRP 1314 030 070 Dosen Pembimbing Dr. Brodjol Suijo
Lebih terperinciSekilas 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 terperinciJurnal 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 terperinciSEBARAN STASIONER PADA SISTEM BONUS-MALUS SWISS SERTA MODIFIKASINYA (Cherry Galatia Ballangan)
SEBARAN STASIONER PADA SISTEM BONUS-MALUS SWISS SERTA MODIFIKASINYA (Cherry Galaia Ballangan) SEBARAN STASIONER PADA SISTEM BONUS-MALUS SWISS SERTA MODIFIKASINYA (Saionary Disribuion of Swiss Bonus-Malus
Lebih terperinciPENENTUAN 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 terperinciMODEL 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 terperinciPeramalan Return Saham Bank Central Asia Menggunakan Self Exciting Threshold Autoregressive Genetic Algorithm
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Prin) D-71 Peramalan Reurn Saham Bank Cenral Asia Menggunakan Self Exciing Threshold Auoregressive Geneic Algorihm Tesalonika Puri dan
Lebih terperinciPENGGUNAAN KONSEP FUNGSI CONVEX UNTUK MENENTUKAN SENSITIVITAS HARGA OBLIGASI
PENGGUNAAN ONSEP FUNGSI CONVEX UNU MENENUAN SENSIIVIAS HARGA OBLIGASI 1 Zelmi Widyanuara, 2 Ei urniai, Dra., M.Si., 3 Icih Sukarsih, S.Si., M.Si. Maemaika, Universias Islam Bandung, Jl. amansari No.1 Bandung
Lebih terperinciMuhammad Firdaus, Ph.D
Muhammad Firdaus, Ph.D DEPARTEMEN ILMU EKONOMI FEM-IPB 010 PENGERTIAN GARIS REGRESI Garis regresi adalah garis yang memplokan hubungan variabel dependen (respon, idak bebas, yang dipengaruhi) dengan variabel
Lebih terperinciPERAMALAN 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 terperinciMetode Regresi Linier
Modul 1 Meode Regresi Linier Prof. DR. Maman Djauhari A PENDAHULUAN nalisis regresi linier, baik yang sederhana maupun yang ganda, elah Anda pelajari dalam maa kuliah Meode Saisika II. Dengan demikian
Lebih terperinciPENENTUAN KONSTANTA PEMULUSAN YANG MEMINIMALKAN MAPE DAN MAD MENGGUNAKAN DATA SEKUNDER BEA DAN CUKAI KPPBC TMP C CILACAP
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PENENTUAN KONSTANTA PEMULUSAN YANG MEMINIMALKAN MAPE DAN MAD MENGGUNAKAN DATA SEKUNDER BEA DAN CUKAI KPPBC
Lebih terperinciPERAMALAN 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 terperinciBAB 1 PENDAHULUAN. Pertumbuhan ekonomi merupakan salah satu ukuran dari hasil pembangunan yang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju perumbuhan
Lebih terperinciBAB III METODE PENELITIAN
3. METODE PENELITIAN 3.1. Kerangka Pikir BAB III METODE PENELITIAN Peneliian ini diujukan unuk membukikan adanya hubungan dan pengaruh dari nilai ukar Rupiah erhadap Dollar Amerika Serika (exchange rae),
Lebih terperinciPERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS Mohammad Fariq NRP 1314 030 015 Dosen Pembimbing Dra. Sri Mumpuni Renaningsih,
Lebih terperinciBAB 1 PENDAHULUAN. Propinsi Sumatera Utara merupakan salah satu propinsi yang mempunyai
BAB 1 PENDAHULUAN 1.1 Laar Belakang Propinsi Sumaera Uara merupakan salah sau propinsi yang mempunyai perkembangan yang pesa di bidang ransporasi, khususnya perkembangan kendaraan bermoor. Hal ini dapa
Lebih terperinciPERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN
PERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN Yuli Wahyuningsih (), Brodjol Suijo S. U (), Suharono () Mahasiswa Jurusan Saisika, FMIPA, Insiu Teknologi
Lebih terperinciProsiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : ; e-issn :
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PERAMALAN VOLUME PENGGUNAAN AIR BERSIH DENGAN METODE WINTERS EPONENTIAL SMOOTHING UNTUK MENENTUKAN VOLUME
Lebih terperinciADOPSI REGRESI BEDA UNTUK MENGATASI BIAS VARIABEL TEROMISI DALAM REGRESI DERET WAKTU: MODEL KEHILANGAN AIR DISTRIBUSI DI PDAM SUKABUMI
ADOPSI REGRESI BEDA UNTUK MENGATASI BIAS VARIABEL TEROMISI DALAM REGRESI DERET WAKTU: MODEL KEHILANGAN AIR DISTRIBUSI DI PDAM SUKABUMI Yusep Suparman Universias Padjadjaran yusep.suparman@unpad.ac.id ABSTRAK.
Lebih terperinci