Mahasiswa Jurusan Statistika FMIPA-ITS ( ) Abstrak
|
|
- Doddy Atmadjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PEMODELAN DAYA LISTRIK DENGAN PENDEKATAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH). (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) Firoh Amalia, Drs. Haryono, MSIE Mahasiswa Jurusan Saisia FMIPA-ITS ( ) Dosen Jurusan Saisia FMIPA-ITS Absra Salah sau upaya yang dapa dilauan unu menjaga esabilan produsi yaiu dengan melauan pemodelan produsi unu mengeahui pola produsi. Pada beberapa asus erdapa auoorelasi anar pengamaan. Pengamaan yang berauoorelasi dapa dimodelan dengan meode ARIMA. Dalam meode ini diperluan asumsi residual whienoise sehingga diperoleh residual yang independen. Pada daa daya lisri erjadi heerosedasisias arena perminaan daya lisri berbeda iap selang wau erenu sehingga asumsi ersebu ida erpenuhi dan perlu dilauan pemodelan varians residual. Dalam peneliian ini pemodelan ersebu dilauan dengan menggunaan model Generalized Auoregressive Condiional Heeroscedasiciy (GARCH). Kaa unci: Auoorelasi, EWMA residual, ARIMA, GARCH.. Pendahuluan Pengendalian ualias sanga pening bagi perusahaan dalam memperahanan muu produ yang dihasilan. Kualias produ yang selalu erjaga aan menean biaya perbaian dan pengembalian produ sera memberi epuasan bagi onsumen. Pengendalian produsi aan menghasilan efisiensi proses produsi sehingga dapa meminimuman biaya produsi dan memberian eunungan yang masimal bagi perusahaan. Salah sau upaya yang dapa dilauan yaiu dengan melauan pemodelan produsi unu mengeahui pola produsi. Sering dalam proses produsi pengamaan berauoorelasi aau erdapa eeraian anar pengamaan pada variabel erenu pada suau wau dengan pengamaan pada variabel iu sendiri pada wau sebelumnya. Adanya auooelasi ini menyebaban perlunya dilauan pemodelan ime series. Pengamaan yang berauoorelasi dapa dimodelan dengan menggunaan model ARIMA. Model ARIMA membuuhan pemenuhan asumsi residual bersifa whie-noise yaiu independen, ideni dan berdisribusi normal. Residual bersifa independen yaiu ida ada orelasi anar residual. Residual bersifa independen dimana varians residual model homogen dengan aa lain varians residual sama. Auoorelasi proses salah saunya dapa erjadi pada produsi daya lisri. Daa produsi daya lisri memilii auoorelasi. Daya lisri yang diprodusi saa ini berpengaruh erhadap produsi daya lisri beriunya. Daa daya lisri ida dapa diasumsian independen. Pada peneliian ini digunaan daa daya lisri PT. Pembangian Jawa Bali Uni Pembangian Gresi selama bulan Mare 00. Pengendalian ualias produsi daya lisri pening dilauan dalam ranga menjaga efisiensi mesin dan produivias pembangi. Daa daya lisri yang diprodusi memilii
2 auoorelasi sehingga daa ida bersifa independen. Keadaan ini mengaibaan perlu dilauan pendeaan ime series. Dalam model ARIMA diperluan pemenuhan asumsi residual whie-noise. Jia asumsi ersebu ida erpenuhi, maa diperluan meode lain unu mengaasi masalah ersebu. Daa daya lisri yang diprodusi mempunyai indiasi varians ida homogen arena perminaan lisri berbeda seiap selang waunya. Adanya unsur heerosedasisias ersebu mengaibaan pemodelan dengan ARIMA ida lagi valid sehingga diperluan meode lain unu memodelan unsur heerosedasisias ersebu. Dalam peneliian ini pemodelan ersebu dilauan dengan menggunaan meode Generalized Auoregressive Condiional Heeroscedasiciy (GARCH).. Tinjauan Pusaa Model ARIMA Time Series Dere Wau (Time series) adalah serangaian pengamaan erhadap suau variabel yang diambil dari wau e-wau dan dicaa secara beruruan menuru uruan wau ejadiannya dengan inerval wau yang eap (Wei, 990). Model ARIMA ime series erdiri dari dua aspe yaiu aspe auoregressive dan moving average. Secara umum, model ARIMA diulisan dengan noasi ARIMA (p,d,q) dimana p menyaaan orde dari proses auoregressive (AR), menyaaan pembedaan (differencing), dan q menyaaan orde dari proses moving average (MA). Unu suau proses {x } yang sasioner, dengan E ( Z ) µ dan Var ( x ) E ( x µ ) σ adalah onsan, sera Cov ( x, xs ) yang merupaan fungsi selisih wau ( -s ). Persamaan dari ovarians anara x dan x + adalah (Wei, 990) γ Covx (, x + ) E( x µ )( x + µ ) () dan orelasi anara x dan x + adalah (Wei,990) Jia diberian suau observasi ime series x, x,..., x n maa fungsi auoorelasi (ACF) sampel dapa dihiung dengan menggunaan perumusan sebagai beriu : ˆ γ ˆ ρ ) γ 0,,,...n- n ( x x) ( x + n 0 ( x x) x) () Auoorelasi Parsial digunaan unu menguur inga eeraan anara x dan x, apabila pengaruh dari lag wau,, 3,..., - dianggap erpisah. Fungsi Auoorelasi Parsial dapa dirumusan sebagai beriu: φ corr( x, x x, x,..., x + ) (3) Perhiungan nilai PACF dimulai dari menghiung ˆ φ ˆρ, sedangan unu φˆ menghiung dengan menggunaan perumusan sebagai beriu (Wei, 990): ρˆ + ˆ φ j j ρˆ + j ˆ φ +, + (4) ˆ φ ρˆ j Model ARIMA (p, d, q) yang dienalan oleh Box dan Jenins dengan orde p sebagai operaor dari AR, orde d merupaan differencing, dan orde q sebagai operaor dari MA. Benu persamaan unu model ARIMA adalah (Wei, 990) : Fungsi orde (p) unu operaor dari AR yang elah sasioner: φ B θ 0 + θ ( B) a d p ( )( B) x a j j (5) (6) Fungsi dari orde (q) unu operaor MA yang elah sasioner (7) Idenifiasi Model ARIMA dan Peneapan Model Semenara Idenifiasi model ARIMA Box-Jenins dapa dijadian sebagai langah dalam mengidenifiasi adanya eidasasioneran model. Bila daa ida sasioner dalam mean maa harus di differencing dan jia ida sasioner dalam varians maa harus diransformasi. Peneapan model semenara dilauan dengan meliha lag yang signifian q
3 pada plo ACF unu mengidenifiasi orde MA dan pada plo PACF unu menenuan orde AR. Uji Signifiansi Model ARIMA Model ARIMA yang bai adalah model yang menunjuan bahwa penasiran parameernya signifian berbeda dengan nol. Secara umum, misalan θ adalah suau parameer pada model ARIMA Box-Jenins dan θˆ adalah nilai asiran dari parameer ersebu, sera SE( ˆ θ ) adalah sandar error dari θˆ, maa uji esignifianan parameer dapa dilauan dengan hipoesis sebagai beriu: H 0 : θ 0 H : θ 0 dengan saisi uji: ˆ θ (8) SE( ˆ) θ > p Tola H 0 jia α df n n, n p banyanya parameer aau ola H 0 jia p- value <α. Diagnosic Checing Pemerisaan diagnosi pada residual melipui uji asumsi whie noise yang melipui residual independen, ideni, dan berdisribusi normal (0, σ a ). Pengujian independensi residual dilauan dengan menggunaan uji L-jung Box dengan hipoesis: H 0 : ρ ρ... ρ 0 H : minimal ada sau nilai ρ 0, dimana,,..., K. dengan saisi uji: K ( n + ) ( n ) ˆ ρ Q n (9) dimana n adalah banya pengamaan dan ρˆ adalah sampel ACF residual pada lag e-. Daerah Kriis Q > χ ( α, K m) aau p-value < α 5%. Unu mengeahui apaah residual berdisribusi normal aau ida dilauan uji Kolmogorov Smirnov dengan hipoesis sebagai beriu (Daniel, 989): H 0 : F ( a ) F0 ( a) (residual berdisribusi normal) H : F( a ) F0 ( a ) (residual ida berdisribusi normal) dengan saisi uji: D Sup S( a ) F0 ( a ) (0) a dimana D adalah ja-ra erjauh anara S ( a ) dan F 0( a ), S ( a ), F 0( a ), S up masing-masing merupaan fungsi Kolmogorov peluang umulaif yang dihiung dari daa sampel, fungsi peluang umulaif disribusi normal, dan nilai supremum unu semua a. Daerah Kriis: To-la H 0 jia D D( α, n) aau p-value < α, dengan α 5%. Salah sau cara yang dapa digunaan unu menduga ehomogenan varians adalah memodelan varians dalam proses AR(q) dengan menggunaan uadra dari residual. Model ini dapa diulisan sebagai beriu : ˆ ε α 0 + αεˆ - + αεˆ αqεˆ -q + v. () Unu mengeahui ehomogenan varians (residual ideni) dapa diuji dengan menggunaan uji Ljung Box dari uadra residual hasil pemodelan (Wang, Gelder, Vrijling dan Ma, 005) dan uji Lagrange Muliplier (Luepohl dan Krazig, 004). Selain iu, heerosedasisias dapa dideesi dengan meliha plo ACF dan PACF dari uadra residual (Tsay dalam Noviany, 009). Pengujian Ljung Box dari uadra residual hasil pemodelan, dengan hipoesis sebagai beriu : H 0 : ρ ρ... ρ 0 H : minimal ada sau nilai ρ 0, dimana,,..., K. dengan saisi uji: K ( n + ) ( n ) ˆ ρ Q n () dimana n adalah banya pengamaan dan ρˆ adalah sampel ACF uadra residual pada lag e-. Daerah Kriis Q > χ ( α, K m) aau p-value < α 5%. Pengambilan epuusan, jia H 0 diola maa varians residual ida homogen. Pemilihan Model Terbai Pada Permodelan daa ime series, ada emunginan erdapa beberapa model yang sesuai yaiu semua parameernya signifian, 3
4 residual memenuhi asumsi whie noise. Dalam peneliian ini hanya digunaan rieria insample arena penerapan meode ime series yang digunaan hanya unu memilih model yang erbai dan ida sampai pada peramalan daa beriunya. Krieria in-sample yang digunaan adalah sebagai beriu:. AIC (Aaie s Informaion Crierion) Krieria AIC dirumusan sebagai beriu (Wei, 990): AIC(M) nln ˆ σ a + M (3) dengan n adalah banyanya residual, ˆa σ adalah esimasi maximum lielihood dari varians residual( σ a ), M adalah order opimal dari model, sebagai fungsi p dan q sehingga AIC minimum.. SBC (Schwar z Bayesian Crierion) Schwarz (978) di dalam Wei (990) menggunaan rieria Bayesian dalam pemilihan model erbai yang disebu dengan SBC dengan perumusan sebagai beriu : SBC(M) nln ˆ σ a + M ln n (4) dengan n dan ˆa σ adalah banyanya jumlah residual dan esimasi maximum lielihood dari varians residual( σ a ), se-dangan M adalah jumlah parameer dalam model. Model GARCH (Generalized Auoregressive Condiional Condiional Heerosedasiciy) Pada ahun 986, Bollerslev mengembangan model yang dienalan Engle dengan eni varians bersyara yang menganggap nilai ramalan residual mengiui proses ARMA (p, q). Model ini emudian disebu Auoregressive Condiional Heeroedasiciy (GARCH(p, q)). Model GARCH(p, q) ini dinyaaan dalam persamaan (Wei, 006) : σ α αpa p + βσ βqσ p dimana: σ varians residual (5) a uadra residual model ARIMA e ~ iid N(0,) Tasiran residual dapa diperoleh dari: ε σ e (6) Idenifiasi model GARCH sama dengan idenifiasi model ARIMA dengan meliha lag signifian pada plo ACF dan PACF dari uadra residual. Pada pengendalian ualias dalam peneliian ini digunaan residual dari model ime series sebagai daa inpu dalam diagram onrol sehingga erbenu diagram onrol EWMA residual. Diagram onrol EWMA residual bai dalam menganalisis pergeseran mean dan varians proses unu pengamaan yang berauoorelasi (Lu dan Reynold, 999). 3. Meodologi Sumber Daa Daa yang aan digunaan dalam peneliian ini adalah daa seunder yang merupaan daa produsi daya lisri iap seengah jam pada PLTU uni 3 selama bulan Mare 00. Variabel Peneliian Variabel peneliian yang digunaan dalam peneliian ini adalah daya lisri yang diprodusi iap seengah jam X daya lisri yang diprodusi pada seengah jam e-. dimana,, 3,..., 488 Langah-Langah Analisis Langah-langah analisis dalam penyusunan peneliian ini adalah sebagai beriu:. Memerisa auoorelasi daa daya lisri yang diprodusi. Membua model ARIMA dari daa daya lisri yang diprodusi Adapun langah-langah dalam membua model ARIMA adalah sebagai beriu: a. Mengidenifiasi model ARIMA unu mengeahui esasioneran daa erhadap mean dan varians dengan meliha plo ime series dan plo ACF b. Jia daa ida sasioner erhadap mean, maa dilauan differencing jia ida sasioner erhadap varians maa dilauan ransformasi c. Meneapan model-model semenara dengan meliha plo PACF dan ACF pada lag yang signifian d. Melauan pendugaan dan pengujian parameer model 4
5 e. Melauan diagnosic checing erhadap residual f. Melauan pemilihan model erbai g. Mendapaan model erbai 3. Mendapaan residual dari model ARIMA yang diperoleh 4. Membua model GARCH 5. Mendapaan residual dari model yang sesuai 4. Analisis dan Pembahasan Nilai-nilai auoorelasi daya lisri menunjuan bahwa erdapa auoorelasi yang cuup besar anara daya lisri pada seengah jam e- dan daya lisri pada seengah jam e -. Nilai ACF pada lag perama sebesar 0,9553 dan pada lag edua sebesar 0, Plo ACF urun secara lamba dan nilai ACF pada lag e- ida jauh berbeda dengan nilai ACF pada lag e -. Hal ini menunjuan adanya auoorelasi daa. Dalam pembuaan diagram onrol residual digunaan pendeaan ime series pada daa yang berauoorelasi. Meode ARIMA digunaan dalam pembuaan diagram onrol residual unu memperoleh residual yang ida berauoorelasi. Beriu penenuan model ARIMA produsi daya lisri. Idenifiasi Model ARIMA Langah awal dalam membua model ARIMA adalah melauan idenifiasi model ARIMA dengan menggunaan plo ime series dan plo ACF unu meliha esasioneran daa Time Series Plo of daya yang hanya dilauan differencing saja sehingga pada daa ini ida dilauan ransformasi. Dari plo ACF erliha bahwa nilai ACF mempunyai pola musiman dimana nilai ACF punca berada pada lag 48 dan elipaannya.unu mengaasi eidasasioneran ersebu dilauan differencing musiman dan non musiman (,48). C Time Series Plo of C Gambar 4 Plo Time Series daya lisri seelah dilauan differencing (,48) Seelah dilauan differencing diperoleh daa yang sasioner erhadap mean yang erliha dari fluuasi daa yang berada di seiar garis engah grafi. Peneapan Model Semenara Peneapan model semenara dilauan dengan meliha lag yang signifian pada plo ACF dan PACF. Parial Auocorrelaion,0 0,8 0,6 0,4 0, 0,0-0, -0,4-0,6-0,8 -,0 745 Index Parial Auocorrelaion Funcion for C8 (wih 5% significance limis for he parial auocorrelaions) Gambar 5 Plo PACF daya lisri seelah didifferencing,48 50 Lag daya 70 Auocorrelaion Funcion for C8 (wih 5% significance limis for he auocorrelaions), Index Gambar 3. Plo Time Series daya lisri Plo di aas menunjuan bahwa daa daya lisri belum sasioner dalam mean dan varians sehingga perlu dilauan ransformasi dan differencing. Pada daa ini seelah dilauan ransformasi dan differencing sebanya sau ali, plo ime series dan ACF yang diperoleh sama dengan plo pada daa Auocorrelaion 0,8 0,6 0,4 0, 0,0-0, -0,4-0,6-0,8 -, Lag Gambar 6 Plo ACF daya lisri seelah didifferencing,
6 Lag yang signifian pada plo PACF menujuan orde AR pada model ARIMA sedangan lag yang signifian pada plo ACF menunjuan orde MA pada model ARIMA. Dari plo ACF dai daa yang elah sasioner, nilai ACF yang signifian erdapa pada lag,, 48 dan sedangan pada plo PACF nilai yang signifian berada pada lag,, 48 sehingga model ARIMA yang mungin adalah (,,)(,,) 48,(,,)(,,) 48, (,,)(,,0) 48, (,,)(,,0) 48 dan ombinasi model lainnya. Esimasi Parameer Langah selanjunya dilauan esimasi parameer dengan perumusan hipoesis : H 0 : θ 0 H : θ 0 Seelah melauan uji parameer, dari berbagai model yang mungin beriu modelmodel yang mempunyai parameer yang signifian (P-value < α5%): ARIMA(,,)(,,0) 48, ARIMA(,,0)(,,0) 48, ARIMA(,,)(,,0) 48, ARIMA(,,)(,,0) 48, dan ARIMA(,,)(,,0) 48 Pemerisaan Asumsi Residual Residual model ARIMA harus memenuhi asumsi whie-noise dimana residual bersifa independen, ideni, dan berdisribusi normal (0, σ a ). Pemerisaan asumsi residual ersebu melipui empa rieria yaiu independensi residual, enormalan residual dan ehomogenan varians residual. Uji Independensi Residual Salah sau asumsi residual yang harus dipenuhi adalah independen. Pemerisaan asumsi ini dapa dilauan dengan menggunaan uji Ljung-Box dengan hipoesis sebagai beriu : H 0 : ρ ρ... 0 ρk H : minimal ada sau ρ i yang ida sama dengan nol unu i,,...,k Saisi uji: K ( ) Q n n + ( n ) ˆ ρ Nilai P-value uji Ljung Box dari seluruh model yang mungin bernilai 0,00 sehingga dapa disimpulan bahwa model-model ARIMA ersebu ida independen. Uji Kenormalan Residual Pemerisaan asumsi residual selanjunya adalah dengan menguji asumsi residual berdisribusi normal edua model ARIMA ersebu dengan hipoesis sebagai beriu : H 0 : F ( a ) F0 ( a) (residual berdisribusi normal) H : F( a ) F0 ( a ) (residual ida berdisribusi normal) Saisi uji: D Sup S a ) F ( a ) a ( 0 dengan α sebesar 5% Tabel. Nilai P-value Uji Kenormalan Residual Model P-value ARIMA(,,)(,,0) 48 <0,00 ARIMA(,,0)(,,0) 48, <0,00 ARIMA(,,)(,,0) 48 0 <0,00 ARIMA(,,)(,,0) 48 <0,00 ARIMA(,,)(,,0) 48 0 <0,00 Dari edua plo di aas dapa diiha bahwa model-model ida signifian. Hal iu dapa diliha dari nilai P-value yang urang dari 0.00 dimana nilai ersebu lebih ecil dari nilai oleransi 5 % sehingga H 0 diola. Uji Kehomogenan Varians Residual Salah sau cara yang dapa digunaan unu menduga ehomogenan varians adalah memodelan varians dalam proses AR(q) dengan menggunaan uadra dari residual. Unu mengeahui ehomogenan varians (residual ideni) dapa diuji dengan menggunaan uji Ljung Box dari uadra residual hasil pemodelan. H 0 : ρ... ρ65 0 ρ 6
7 H : minimal ada sau ρ i yang ida sama dengan nol unu i,,...,65 Saisi uji: Q n K ( n + ) ( n ) ˆ ρ ( a ) Nilai saisi Q diperoleh dari uji Ljung Box MINITAB). Dengan mengambil baas signifian sampai lag 65, diperoleh nilai Q sedangan nilai Karena nilai Q > χ( α, K n) χ (0,05,6) maa H 0 diola yang berari varians residual ida homogen. Seelah melauan pemerisaan asumsi residual dapa disimpulan bahwa residual model-model yang mungin ida memenuhi asumsi whie-noise. Hal ini disebaban residual ida independen, ida berdisribusi normal, dan varians residual ida homogen. Varians produsi daya lisri iap selang wau ida sama. Daya lisri diprodusi Pembangi berdasaran perminaan aau onsumsi lisri masyaraa. Penggunaan lisri seiap harinya berbeda-beda pada selang wau erenu sehingga produsi daya lisri berbeda iap selang wau dan mengaibaan varians daya lisri ida homogen. Karena sebab iulah perlu dilauan permodelan dengan menggunaan meode Generalized Auoregressive Condiional Heeroscedasiciy (GARCH). Pemilihan Model Terbai Pada edua model yang mempunyai parameer signifian dilauan pemilihan model erbai dengan rieria AIC dan SBC unu menenuan model mana yang digunaan. Tabel. Nilai Krieria Pemilihan Model Terbai Model AIC SBC ARIMA(,,)(,,0) , ,70 ARIMA (,,0)(,,0) , , ARIMA (,,0)(,,0) , ,70 ARIMA(,,0)(,,0) , ,30 ARIMA(,,)(,,0) , ,73 Berdasaran abel di aas diperoleh model erbai dengan nilai AIC dan SBC erecil yaiu model ARIMA (,,)(,,0) 48 Model GARCH Pembenuan model GARCH pada peneliian ini ida dapa dilauan dengan menggunaan perinah AUTOREG pada sofware SAS arena GARCH residual mempunyai orde subse.. Sehingga model GARCH dilauan dengan menggunaan perinah yang sama dengan perinah model ARMA. GARCH([,9,47,48,49],[,9,47,48,49,65] mempunyai beberapa parameer yang ida signifian dan ida memenuhi asumsi residual whie-noise. Dengan mengubah orde menjadi m [,48] diperoleh model ARCH arena model GARCH hanya mempunyai orde m yang seluruh parameernya signifian eapi ida mempunyai residual yang memenuhi asumsi whie-noise. Model ARCH([,48]) dengan hasil esimasi parameernya dapa diulis dalam persamaan beriu: σˆ,54 + 0,00ˆ + 0,430εˆ -48 ε + a 5. Kesimpulan dan Saran Kesimpulan Kesimpulan yang dapa diambil dari analisa dan pembahasan pada bab sebelumnya adalah sebagai beriu: Pemodelan daya lisri dengan menggunaan meode ARIMA ida memenuhi asumsi residual whie-noise. Kemudian diauan pemodelan varians residual dengan model GARCH. Model GARCH yang diperoleh merupaan mode ARCH([,48]) sebagai beriu: σˆ,54 + 0,00ˆ + 0,430εˆ -48 ε + a Saran Dalam peneliian ini dilauan pemodelan dengan menggunaan meode ARIMA dan dianjuan dengan meode GARCH yang ernyaa ida menghasilan residual yang memenuhi asumsi whie-noise. Unu peneliian selanjunya pada daa daya lisri disaranan unu menggunaan meode ime series yang lain sehingga diperoleh residual yang memenuhi asumsi whie-noise seperi meode Analisis Fourier aau Mixure Auoregressive. 7
8 DAFTAR PUSTAKA Daniel, W.W. (989). Saisia Nonparameri Terapan,Georgia Sae Universiy. Jaara: PT Gramedia. Koehler, AB., Mars, NB.,O'Connell, RT. (00). EWMA Conrol Chars for Auoregressive Processes. Journal of he Operaional Research Sociey (00) 5, Mongomery, Douglas C. (005). Inroducion o Saisical Qualiy Conrol Fifh Ediion. New Yor: John Wiley & Sons, Inc. Tsay, R. S. (00). Analysis of Financial Time Series. New Jersey : John Wiley & Sons, Inc. Wang, W., Van Gelder, P. H. A. J. M., Vrijling, J. K. Ma, J. (005). Tesing and Modelling Auoregressive Condiional Heerosedasiciy of Sreamflow Processes. Journal Nonlinear Processes in Geophysics,, Wei, W.W.S. (990). Time Analysis Univariae and Mulivariae Mehods. New Yor: Addison Wesley Publishing Company, Inc. Wei, W.W.S. (006). Time Analysis Univariae and Mulivariae Mehods. New Yor: Addison Wesley Publishing Company, Inc. 8
PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK)
PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) FITROH AMALIA (1306100073) Dosen Pembimbing: Drs. Haryono, MSIE PENGENDALIAN KUALITAS
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini aan diemuaan beberapa onsep dasar yang beraian dengan analisis runun wau, dianaranya onsep enang esasioneran, fungsi auoorelasi dan fungsi auoorelasi parsial, macam-macam
Lebih 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 terperinciUJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST
Vol. 7. No. 3, 36-44, Desember 004, ISSN : 1410-8518 UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST Budi Warsio, Dwi Ispriyani Jurusan Maemaia FMIPA Universias Diponegoro Absra Tulisan ini membahas
Lebih 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 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 terperinciPrediksi Curah Hujan Kota Samarinda pada Tahun 2014 dengan Metode Filter Kalman. Rainfall Prediction Samarinda in 2014 with Kalman Filter Method
Jurnal EKSPONENSIAL Volume 6, Nomor, Mei ISSN 8-789 Predisi Curah Hujan Koa Samarinda pada Tahun dengan Meode Filer Kalman Rainfall Predicion Samarinda in wih Kalman Filer Mehod Ea Syafiri Andarini, Sri
Lebih 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 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 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 terperinciModel GSTAR Termodifikasi untuk Produktivitas Jagung di Boyolali
Prosiding Semnar Nasional VIII UNNES, 8 Nov 4 Semarang Hal.4-5 Model GSTAR Termodifiasi unu Produivias Jagung di Boyolali Prisa Dwi Apriyani ), Hanna Arini Parhusip ), Lili Linawai ) ))) Progdi Maemaia,
Lebih terperinciPERBANDINGAN METODE TIME SERIES REGRESSION DAN ARIMAX PADA PEMODELAN DATA PENJUALAN PAKAIAN DI BOYOLALI ABSTRAK
PERBANDINGAN METODE TIME SERIES REGRESSION DAN ARIMAX PADA PEMODELAN DATA PENJUALAN PAKAIAN DI BOYOLALI Ardia Suma Perdana (1308 100 503 Dosen Pembimbing: Ir. Dwiamono A. W., M.Iom JURUSAN STATISTIKA Faulas
Lebih 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 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 terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Jurnal EKPOEIAL Volume 5, omor, opember 4 I 85-789 Pemodelan Dan Peramalan Indes Harga Perdagangan Besar (IHPB) Dengan Menggunaan ARFIMA (udi Kasus : IHPB Provinsi Kalimanan Timur bulan Januari Desember
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 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 terperinciANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX
Seminar Nasional Maemaia dan Apliasinya, 1 Oober 17 ANALISIS SURVIVAL LAJU INDEKS KINERJA DOSEN STKIP PGRI TULUNGAGUNG DENGAN MODEL REGRESI COX Maylia Hasyim 1), Dedy Dwi Prasyo ) 1) Program Sudi Pendidian
Lebih 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 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 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 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 terperinciPeramalan Jumlah Wisatawan Di Agrowisata Kusuma Batu Menggunakan Metode Analisis Spektral
JURAL TEKK POMTS Peramalan Jumlah Wisaawan Di Agrowisaa Kusuma Bau Menggunaan Meode Analisis Seral iswaul Maghfiroh, uri Wahyuningsih, Sri Surai Haraiai Jurusan Maemaia, Faulas MPA, nsiu Tenologi Seuluh
Lebih terperinciBAB IV SIMULASI MODEL
21 BAB IV SIMULASI MODEL Pada bagian ini aan diunjuan simulasi model melalui pendeaan numeri dengan menggunaan ala banu peranga luna Mahemaica. Oleh arena iu dienuan nilai-nilai parameer seperi yang disajian
Lebih terperinciPERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi (308 030 060) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si Laar Belakang 2 Laar
Lebih terperinciPeramalan Jumlah Pengunjung Domestik dan Mancanegara di Maharani Zoo & Goa Menggunakan ARIMA Box - Jenkins
Peramalan Jumlah Pengunjung Domesik dan Mancanegara di Maharani oo & Goa Menggunakan ARIMA Box - Jenkins Vivi Kusuma Sulisyawai (3030085) Dosen Pembimbing Dr. Irhamah, S.Si.,M.Si Laar Belakang Rumusan
Lebih 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 terperinciSEMINAR TUGAS AKHIR. Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik. Rina Wijayanti
SEMINAR TUGAS AKHIR Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik Rina Wijayanti 1306100044 Pembimbing Drs. Haryono, MSIE Dedi Dwi Prastyo, S.Si., M.Si.
Lebih terperinci(T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES
PROSIDING ISSN : 087-590. Seminar Nasional Saisika November 0 Vol, November 0 (T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES Yahya Ubaid ), Budi Nurani R. ), Mulyana K. 3) )Mahasiswa Program
Lebih terperinci4. VALIDITAS DAN RELIABILITAS DALAM MEMBUAT EVALUASI
4. ALIDITAS DA RELIABILITAS DALAM MEMBUAT EALUASI Tujuan : Seelah mempelajari modul ini mahasiswa mampu membua ala evaluasi bau unu program pembelajaran Evaluasi pembelajaran adalah ahap ahir dalam prosedur
Lebih 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 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 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 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 terperinciMAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS
1. Pendahuluan MAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS CAMPURAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh : Febriana Dwi P. (1306 100 011) Dosen Pembimbing I : Dr. Irhamah, S.Si,
Lebih 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 terperinci( ) r( t) 0 : tingkat pertumbuhan populasi x
III PEMODELAN Model Perumbuan Koninu Terbaasnya sumber-sumber penyoong (ruang, air, maanan, dll) menyebaban populasi dibaasi ole suau daya duung lingungan Perumbuan populasi lamba laun aan menurun dan
Lebih 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 terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG 1.2 TUJUAN
BAB PENDAHUUAN. ATAR BEAKANG Seringali ara enelii aau saisiawan melauan enganalisaan erhada suau eadaan/masalah dimana eadaan yang dihadai adalah besarnya jumlah variabel samel yang diamai. Unu iu erlu
Lebih 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 terperinciPENGGUNAAN METODE PERAMALAN DALAM ANALISIS NILAI TUKAR RUPIAH TERHADAP DOLAR DENGAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY
PENGGUNAAN METODE PERAMALAN DALAM ANALISIS NILAI TUKAR RUPIAH TERHADAP DOLAR DENGAN GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY Hermansah Program Sudi Pendidikan Maemaika, Fakulas Keguruan
Lebih 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 terperinciPemodelan Volatilitas Saham Menggunakan Jaringan Syaraf Tiruan dan Algoritma Genetika
Pemodelan Volailias Saham Menggunakan Jaringan Syaraf Tiruan dan Algorima Geneika Hasbi Yasin 1 1 Jurusan Saisika Undip, hasbiyasin@undip.ac.id Absrak. Flukuasi yang besar dan idak pasi dalam peramalan
Lebih terperinciCONDITIONAL HETEROSCEDASTIC (ARCH) DENGAN METODE RASIO LIKELIHOOD SKRIPSI
ADLN Perpusaaan Universias Airlangga DEEKSI OULIER PADA MODEL AUOREGRESSIVE CONDIIONAL HEEROSCEDASIC ARCH DENGAN MEODE RASIO LIKELIHOOD SKRIPSI FIRIKA RAKHMADYAH DEPAREMEN MAEMAIKA FAKULAS SAINS DAN EKNOLOGI
Lebih terperincimetodologi penelitian
pendahuluan injauan pusaka meodologi peneliian hasil dan pembahasan kesimpulan Pusaka Meodologi Peningkaan Energi lisrik Kebuuhan energi lisrik Pengembangan sisem energi lisrik Peramalan beban lisrik Slide
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 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 terperinciANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS:
ANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS: UDD PMI KOTA SURABAYA) Oleh: Winda Eka Febriana (0500) Pembimbing: Ir. Dwiamono Agus W., MIKom . LATAR BELAKANG DARAH
Lebih 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 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 terperinciTUGAS AKHIR. untuk Analisis Peramalan Data Ekspor Non Migas Indonesia Di Sektor Pertanian, Sektor Perindustrian dan Sektor
TUGAS AKHIR Pendekaan Meode ARIMA Box Jenkins unuk Analisis Peramalan Daa Ekspor Non Migas Indonesia Di Sekor Peranian, Sekor Perindusrian dan Sekor Nurul Laifa Perambangan 307 030 70 Dosen pembimbing
Lebih 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 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 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 terperinciPERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR
TUGAS AKHIR SS 145561 PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR SARIRAZTY DWIJANTARI NRP 1314 030 010 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN
Lebih 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 terperinciKINETIKA REAKSI HOMOGEN SISTEM BATCH
KINETIK REKSI HOMOGEN SISTEM BTH SISTEM REKTOR BTH OLUME TETP REKSI SEDERHN (SERH/IREERSIBEL Beberapa sisem reasi sederhana yang disajian di sini: Reasi ireversibel unimoleuler berorde-sau Reasi ireversibel
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 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 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 terperinciAnalisis Peramalan Jumlah Penumpang Kereta Api Penataran Tujuan Surabaya-Malang
Analisis Peramalan Jumlah Penumpang Kerea Api Penaaran Tujuan Surabaya-Malang Oleh. Andria Prima Diago 08.00.0 Dosen Pembimbing. r. Dwiamono Agus, M.komp Andria Prima Diago 08.00.0 nsiu Teknologi Sepuluh
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 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 terperinciPemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network
D-378 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) 2337-3520 (23-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi pada Plaform MK di PT X Menggunakan Meode ARIMA, Neural Nework, dan Hibrida ARIMA-Neural
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 91-100 Online di: hp://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI BREAKPOINT DAN PEMODELAN AUTOREGRESSIVE STRUCTURAL
Lebih terperinciPERAMALAN JUMLAH KEBERANGKATAN PENUMPANG PELAYARAN DALAM NEGERI DARI PELABUHAN TANJUNG PERAK MENGGUNAKAN ARIMA-BOX JENKINS
TUGAS AKHIR SS 4556 PERAMALAN JUMLAH KEBERANGKATAN PENUMPANG PELAYARAN DALAM NEGERI DARI PELABUHAN TANJUNG PERAK MENGGUNAKAN ARIMA-BOX JENKINS Nina Fannani NRP 34 030 02 Dosen Pembimbing Dr. Wahyu Wibowo,
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 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 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 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 terperinciPenerapan Model ARCH/GARCH untuk Peramalan Nilai Tukar Petani ABSTRAK ABSTRACT. Pendahuluan
Jurnal Sains Maemaika dan Saisika, Vol. 4, No., Januari 8 ISSN 46-454 prin/issn 65-8663 online Penerapan Model ARCH/GARCH unuk Peramalan Nilai Tukar Peani Ari Pani Desvina, Inggrid Ocaviani Meijer, Jurusan
Lebih terperinciPERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS Puri Handayani NRP 1314 030 112 Dosen Pembimbing Dr. Brodjol Suijo Suprih Ulama, M.Si. Deparemen
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 terperinciPROSES AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY DENGAN DUGAAN VARIANSI INFLASI INDONESIA
PROSES AUOREGRESSIVE CONDIIONAL HEEROSCEDASICIY DENGAN DUGAAN VARIANSI INFLASI INDONESIA Rianiai Monica, Suyono, dan Vera Maya Sani Jurusan Maemaika FMIPA UNJ Absrak Model-model runun waku konvensional,
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-299
JURNAL SAINS DAN SENI ITS Vol. 4, No., (5) 337-35 (3-98X Prin) D-99 Esimasi Value a Risk (VaR) Porofolio Saham yang Tergabung dalam Indeks LQ45 Periode Agusus 4 sampai Januari 5 Menggunakan Meode Copula
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 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 terperinciPENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 25 32 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN RESIKO INVESTASI DENGAN MODEL GARCH PADA INDEKS HARGA SAHAM PT. INDOFOOD SUKSES MAKMUR TBK.
Lebih terperinciPEMODELAN ARIMA UNTUK KANAL HF LINK MALANG - SURABAYA
PEMODELAN ARIMA UNTUK KANAL HF LINK MALANG - SURABAYA Lissa Rosdiana Noer, Achmad Mauludiyano. Program Sudi Telekomunikasi Mulimedia Jurusan Teknik Elekro Fakulas Teknologi Indusri Insiu Teknologi Sepuluh
Lebih terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih 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 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 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 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 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 terperinciPERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR.
PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,,)(0,,) 2 TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains
Lebih 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 terperinciDosen Pembimbing Dr. Brodjol Sutijo Suprih Ulama, M.Si.
TUGAS AKHIR SS 145561 PERAMALAN NILAI IMPOR NON MIGAS DI JAWA TIMUR DENGAN MENGGUNAKAN METODE ARIMA BOX-JENKINS BOBBY AKBAR NRP 1314 030 002 Dosen Pembimbing Dr Brodjol Suijo Suprih Ulama, MSi DEPARTEMEN
Lebih terperinciPERAMALAN VOLUME PENJUALAN KEDELAI PT. X MENGGUNAKAN METODE ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN VOLUME PENJUALAN KEDELAI PT. X MENGGUNAKAN METODE ARIMA BOX-JENKINS Affanda Abdul Hakim Aminullah NRP 1314 030 048 Dosen Pembimbing : Dr. Brodjol Suijo S.U., M.Si Deparemen
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 terperinci1999 sampai bulan September Data ini diperoleh dari yahoo!finance.
7 999 sampai bulan Sepember 8. Daa ini diperoleh dari yahoo!finance. Meode Langkah-langkah pemodelan nilai harian IHSG secara garis besar dapa diliha pada Lampiran dengan penjelasan sebagai beriku:. Melakukan
Lebih 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 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 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 terperinciJurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN
Jurnal EKSONENSIAL Volume 4, Nomor, Mei 03 ISSN 08-789 eramalan menggunaan Moel ARIMA Musiman an Verifiasi Hasil eramalan engan Grafi engenali Moving Range (Sui Kasus: rousi Air Bersih i DAM Tira Kencana
Lebih 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 terperinciPERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO
PERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO SKRIPSI Disusun Oleh : SITI LIS INA ATUL HIDAYAH 24010211120006 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
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 terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB I PENDAHULUAN. dihitung secara pasti, akibatnya timbul permasalahan yaitu bagaimana
BAB I PENDAHULUAN. Laar Belakang Lisrik merupakan sumber kehidupan yang sanga pening. Dengan adanya lisrik semua roda kehidupan akan berjalan dengan lebih mudah dan cepa, sehingga suau daerah akan lebih
Lebih terperinci