Pemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Metode Intervensi dan Regresi Spline ABSTRAK
|
|
- Agus Yuwono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 ABSTRAK Indeks Harga Konsumen (IHK) merupakan suau indeks yang menggambarkan perkembangan dan perubahan harga beberapa jenis barang/jasa dari ahun dasar. Barang-barang/jasa-jasa yang dipanau perubahan harganya dalam IHK dikelompokkan menjadi beberapa kelompok, salah saunya adalah Bahan Makanan. Pada peneliian ini erdapa beberapa perisiwa yang diduga berpengaruh erhadap IHK Bahan Makanan. Kenaikan BBM Okober 2005 dan Mei 2008, sera penurunan harga BBM Desember 2008 diduga mempengaruhi flukuasi IHK. Tahun 200 erjadi lonjakan harga pangan yang juga diduga mempengaruhi IHK. Peneliian ini dilakukan dengan ujuan unuk memperoleh model inervensi, dan model regresi spline dari daa IHK Bahan Makanan. Pendekaan regresi spline yang digunakan dalam peneliian ini yaiu meode MARS dan ASTAR. Hasil yang didapakan kemudian dibandingkan unuk memperoleh model erbaik. Hasil Analisis inervensi dikeahui kenaikan Harga BBM dan kenaikan harga pangan menyebabkan kenaikan IHK Bahan Makanan, sedangkan penurunan Harga BBM menyebabkan penurunan IHK Bahan Makanan. Hasil perbandingan masing-masing meode adalah model inervensi merupakan model erbaik unuk daa IHK Bahan Makanan Nasional dan Surabaya. Kaa Kunci : IHK Bahan Makanan, Model Inervensi, MARS, ASTAR. Pendahuluan Inflasi adalah salah sau inpu yang cukup pening bagi pelaku ekonomi swasa dan pemerinah dalam proses pengambilan kepuusan secara moneer. Di Indonesia ingka inflasi diukur dengan Indeks Harga Konsumen (IHK) yang dihiung dan diumumkan ke publik seiap awal bulan oleh Badan Pusa Saisik (BPS). IHK merupakan suau indeks yang menggambarkan perkembangan dan perubahan harga beberapa jenis barang/jasa dari ahun dasar. IHK dikelompokkan menjadi beberapa kelompok, salah saunya adalah Bahan Makanan. Sebagian besar pengeluaran masyaraka digunakan unuk konsumsi Bahan Makanan sehingga dalam perhiungan IHK umum, komodias Bahan Makanan memiliki bobo lebih inggi dibanding kelompok IHK lainnya di seiap kabupaen/koa di Indonesia. Selama periode ahun 2000 sampai ahun 200, erdapa beberapa perisiwa yang diduga mempunyai pengaruh erhadap harga-harga komodias Indonesia. Kenaikan harga BBM pada Okober 2005 dan Mei 2008, sera penurunan harga BBM pada Desember 2008 diduga mempengaruhi flukuasi IHK Bahan Makanan. Pada Pada ahun 200 erjadi lonjakan harga bahan pangan yang disebabkan fakor cuaca eksrem dan adanya larangan ekspor oleh sebagian negara (BBC Indonesia, 20) yang juga diduga mempengaruhi flukuasi IHK Bahan Makanan. Laju kenaikan harga pangan ahun 200 mulai erasa pada bulan Juni (Merovnews, 200). Unuk perisiwa yang mempunyai pengaruh signifikan erhadap IHK Bahan Makanan dapa menyebabkan perubahan srukur pada daa. Terdapa beberapa meode yang dapa digunakan unuk memodelkan daa Indeks harga Konsumen (IHK) yaiu meode Exponenial smoohing, regresi ime series, ARIMA Box-Jenkins, Neural Nework, meode perubahan Srukur, meode inervensi, dan regresi spline. Pendekaan regresi spline yang digunakan dalam pemodelan yaiu Mulivariae adapive regression Splines (MARS) dan Adapive Splines Threshold Auoregressive (ASTAR). Meode ASTAR adalah penerapan algorima MARS yang digunakan dalam pemodelan ime series non linear, dimana variabel predikor berupa nilai lag dere waku
2 (Lewis dan Sevens, 99). Meode regresi spline diperkirakan meningkakan keepaan dalam memperkirakan IHK, dikarenakan meode ini dapa memodelkan daa yang mengalami perubahan srukur. Sedangkan meode inervensi merupakan meode yang dapa menjelaskan efek dari suau inervensi yang disebabkan oleh fakor eksernal maupun inernal yang erjadi pada suau daa ime series. Peneliian mengenai ASTAR pernah dilakukan oleh Isriana (2009) yang memodelkan daa curah hujan di Jawa Bara. Sedangkan peneliian menggunakan analisis inervensi pernah dilakukan oleh Widyaningsih (2008) yang mengevaluasi dampak bencana lumpur Lapindo pada volume kendaraan di jalan ol Gempol, Sidoarjo. Khusus peneliian yang berkaian dengan pemodelan IHK sudah banyak dilakukan, anara lain Parwiasari (2006) yang memodelkan IHK ransporasi Koa Surabaya yang mengandung perubahan srukur, dan Noviani (2009) yang melakukan pemodelan IHK umum Nasional dengan meode inervensi muli inpu dan GARCH. Dalam peneliian ini akan dilakukan pemodelan IHK Bahan Makanan Nasional dan Koa Surabaya menggunakan meode Inervensi, MARS dan ASTAR. Meode inervensi digunakan jika perisiwa inervensi dikeahui dan kemudian dapa dielii apakah perisiwa ersebu mempunyai efek pada daa series. Sedangkan meode MARS dan ASTAR dapa mendeeksi adanya perubahan srukur. Kedua meode ini menghasilkan model bagi daa IHK Bahan Makanan yang dapa digunakan unuk peramalan. 2. Tinjauan Pusaka Pada bab ini akan dijelaskan enang model inervensi, MARS, ASTAR dan Indeks Harga konsumen. Beriku penjelasan masing-masing model. 2. Analisis Inervensi Pada suau dere waku sering dipengaruhi oleh kejadian-kejadian eksernal seperi hari libur, bencana alam, penjualan, promosi dan adanya perubahan kebijakan. Hal ersebu disebu sebagai kejadian inervensi. Tujuan uama dari analisis ini adalah mengukur besar dan lamanya efek inervensi pada suau ime series (Wei, 990). Benuk umum dari model inervensi adalah : dengan : Y = Variabel respon pada waku I N b S (B) = r (B) = b s ( B) B Y ( B) r I N = Variabel inervensi pada waku, bernilai aau 0 yang menunjukkan ada idaknya pengaruh inervensi pada waku = Error yang mengikui model ARIMA anpa pengaruh inervensi = Delay waku mulai erjadinya efek inervensi B B... 0 B B r r B S S B Secara umum ada dua jenis variabel inervensi, yaiu fungsi Sep dan Pulse. Kejadian inervensi yang erjadi sejak waku T dan seerusnya dalam waku yang panjang disebu fungsi sep. Secara maemais benuk inervensi fungsi sep dinoasikan sebagai beriku : 0, T I S (2), T () 2
3 Sedangkan pada fungsi pulse, kejadian inervensi erjadi hanya pada waku T saja dan idak berlanju pada waku selanjunya. Secara maemais benuk inervensi fungsi pulse dinoasikan seperi pada persamaan (3). 0, T I P (3), T 2.2 Mulivaria Adapive Regression Splines (MARS) Model MARS merupakan kombinasi dari spline dan rekursif parisi. Pemodelan regresi spline diimplemenasikan dengan membenuk kumpulan fungsi basis yang dapa mencapai pendekaan spline orde ke-q* dan mengesimasi koefisien fungsi-fungsi basis menggunakan leas-squares (kuadra erkecil). Esimaor model MARS sebagai beriku : dengan: a 0 a M K m m = Fungsi basis induk K m f ˆ ( x) a s km x m lkm (4) v k, M 0 am. m k = Koefisisen dari fungsi basis ke-m = Maksimum fungsi basis (noconsan fungsi basis) = Jumlah ineraksi x vk, m = Variabel independen l km = Nilai kno dari variabel independen x vk, m v = jumlah variabel independen Misal adalah variabel dependen, adalah variabel independen dan N adalah residual MARS yang mengikui model ARIMA maka diperoleh model MARS sebagai beriku: M K m a a s l N (5) dengan: q ( B) N d ( B)( B) p 0 m. m k km k, m km 2.3 Adapive Splines Auoregressive Threshold (ASTAR) Model ASTAR merupakan pengembangan dari MARS dengan sebagai variabel respon dan sebagai variabel predikor, sehingga model ASTAR dapa diuliskan sebagai beriku: j M K m ams km ( j), k, m a0. lkm m k (6) Pembenukan kno dalam ASTAR sama dengan pembenukan kno dalam MARS. Tiik kno dalam ASTAR biasa disebu hreshold. Pemilihan forward dimulai dengan fungsi dasar konsan B 0( x ) =. Pada seiap langkah forward sepwise, pemilihan jumlah dan lokasi kno secara oomais berdasarkan nilai ASR (Average Sum of Square Residual) yang minimum. Seelah iu dilakukan Algorima backward yang digunakan unuk menghilangkan beberapa fungsi basis dengan ( M S) fungsi basis dimana S M. sehingga diperoleh model yang meminimumkan GCV. 3
4 2.5 Inflasi Secara sederhana inflasi diarikan sebagai meningkanya harga-harga secara umum dan erus menerus. Indikaor yang sering digunakan unuk mengukur ingka inflasi adalah Indeks Harga Konsumen (IHK). Indeks harga konsumen merupakan suau indeks yang menggambarkan perkembangan harga beberapa jenis barang/jasa yang erjadi seelah ahun dasar. Jenis barang/jasa yang erpilih dalam perhiungan IHK disebu sebagai pake komodias dan di Indonesia dieapkan berdasarkan hasil Survey Biaya Hidup (BPS, 2007). 3. Meodologi Peneliian Daa yang digunakan dalam peneliian ini adalah daa sekunder IHK kelompok Bahan Makanan Nasional dan Koa Surabaya yaiu Januari 2000 April 20. Daa yang digunakan unuk pemodelan aau daa in sample yaiu Januari 2000 Desember 200, sedangkan daa yang digunakan unuk validasi aau daa ou sample yaiu Januari 20 April Langkah Analisis dengan meode inervensi Langkah-langkah analisis dalam pembenukan model inervensi sebagai beriku: a. Membagi daa sebelum inervensi dan sesudah inervensi b. pembenukan model ARIMA sebelum inervensi yaiu dengan Idenifikasi model ARIMA, dan pengujian model sebelum inervensi melipui pengujian signifikansi parameer dan diagnosic checking erhadap residual c. Pembenukan model inervensi yaiu dengan ahapan membua plo anara (waku) dengan residual hasil peramalan yang digunakan unuk menenukan orde inervensi (b, s, r) dan kemudian melakukan pengujian parameer pada model inervensi dan cek diagnosa erhadap residual. 3.2 Meode MARS Analisis daa dengan meode MARS menggunakan variabel sebagai predikor. Langkah-langkah analisis dalam pembenukan model MARS sevagai beriku a. Menenukan maksimal fungsi basis, minimal jumlah pengamaan dianara knos, deraja bebas dengan rial error sampai diperoleh GCV minimum. b. Penaksiran parameer dengan meode Ordinary Leas Square (OLS). c. Menguji asumsi residual whie noise dengan evaluasi plo ACF residual. d. Pemodelan residual yang idak whie noise dengan ARIMA Box Jenkins, sehingga model daa IHK adalah gabungan model ASTAR dengan ARIMA residual yaiu: f ( ) (7) Dimana, N f () = a0 afb a2fb2... a K FBK = Model ARIMA dari residual ASTAR N 3.3 Model ASTAR dengan Variabel predikor Nilai Lag Dere waku Langkah-langkah analisis dalam pembenukan model ASTAR sebagai beriku: a. Menenukan maksimal fungsi basis, maksimal jumlah ineraksi, minimal jumlah pengamaan dianara knos, deraja bebas dengan rial error sampai diperoleh GCV dan RMSE ou sample minimum. b. Penaksiran parameer dengan meode Ordinary Leas Square (OLS). 4
5 Nasional Surabaya 4. Analisis Daa dan Pembahasan Pada bab ini dilakukan analisis erhadap daa IHK Bahan makananan menggunkan analisis ime series dengan menggunakan meode inervensi dan ASTAR yang berujuan unuk mendapakan model erbaik. 4. Pemodelan Daa IHK Kelompok Bahan Makanan Menggunakan Inervensi Terdapa beberapa kejadian yang diduga mempengaruhi IHK Kelompok Bahan Makanan Nasional. Gambar. menunjukkan bahwa erdapa perubahan pola daa IHK kelompok bahan makanan Nasional dan Surabaya pada waku erjadinya inervensi. Time series plo of Nasional Time Series Plo of Surabaya 50 Oc/2005 Dec/2008 Jun/200 May/ Oc/2005 Dec/2008 Jun/200 May/ Monh Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Year Gambar. Plo Time Series IHK Kelompok Bahan Makanan Nasional dan Surabaya Kejadian inervensi perama ( S, ) yang diduga mempengaruhi daa IHK bahan makanan Nasional adalah kenaikan harga BBM Okober 2005 ( T 70 ). Unuk inervensi kedua ( S 2, ) yaiu kenaikan Harga BBM Mei 2008 ( T 0), inervensi keiga ( S 3, ) yaiu penurunan harga BBM pada Desember 2008 ( T 08 ) dan inervensi keempa ( S 4, ) yaiu kenaikan harga-harga pangan mulai Juni 200 ( T 26 ). 4.. Pemodelan Daa IHK Kelompok Bahan Makanan Nasional dengan Analisis Inervensi Langkah awal dalam pemodelan inervensi adalah pendugaan model sebelum inervensi. Berdasarkan hasil idenifikasi, esimasi, cek diagnosa dan pemilihan model, diperoleh model erbaik daa unuk sebelum inervensi adalah ARIMA (0,,)(0,,) 2. Selanjunya dilakukan penenuan orde seiap inervensi berdasarkan diagram residual. Dugaan orde inervensi digunakan unuk esimasi parameer model inervensi, hasil esimasi dan pengujian signifikansi parameer inervensi dapa diliha pada Tabel. Tabel. Nilai Saisik Uji Model Inervensi Daa IHK Bahan Makanan Nasional Parameer Esimasi hi p-value < <.000 0, Monh Year 2, <.000 3, , , <.000, <.000 5, <.000 6, Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan Jan
6 Pada Tabel, dikeahui p-value semua parameer inervensi lebih kecil dari 0,05, sehingga model inervensi IHK Bahan Makanan Nasional signifikan pada araf signifikansi 5%. Berdasarkan hasil esimasi parameer parameer, model inervensi unuk daa IHK bahan Makanan Nasional dapa diliha pada persamaan (8). = 4,24S, 3,884S, 2 2,24S, 3,878S3, 5 3,99S4, 5,070S4, 3, 999S4, 5 2 ( 0,27B ) a 4,34S 4, 6 (8) 2 ( 0,543B)( B)( B ) Dari persamaan (8), dikeahui inervensi perama menyebabkan kenaikan IHK Bahan Makanan Nasional pada saa inervensi, kemudian urun dua bulan seelah inervensi dan kembali naik iga bulan seelah inervensi. Parameer inervensi kedua ( S 2, ) idak masuk model yang berari inervensi kedua idak memberikan pengaruh yang signifikan pada IHK Bahan Makanan Nasional. Inervensi keiga menyebabkan kenaikan IHK pada 5 bulan seelah inervensi, sedangkan inervensi keempa menyebabkan kenaikan IHK saa inervensi, sau bulan, lima bulan dan enam bulan seelah inervensi Pemodelan Daa IHK Kelompok Bahan Makanan surabaya dengan Analisis Inervensi Langkah awal dalam pemodelan inervensi adalah pendugaan model sebelum inervensi. Berdasarkan hasil idenifikasi, esimasi, cek diagnosa dan pemilihan model, diperoleh model erbaik daa unuk sebelum inervensi adalah ARIMA (0,,0)(0,,) 2. Selanjunya dilakukan penenuan orde seiap inervensi berdasarkan diagram residual. Dugaan orde inervensi digunakan unuk esimasi parameer model inervensi, hasil esimasi dan pengujian signifikansi parameer inervensi dapa diliha pada Tabel 2. Tabel 2. Nilai Saisik Uji Model Inervensi Daa IHK Bahan Makanan Surabaya Parameer Esimasi hi p-value < , 2, , , , , , , <.000 3, Berdasarkan Tabel 2, dengan menggunakan araf signifikansi 5%, diperoleh kesimpulan model inervensi IHK Bahan makanan Surabaya signifikan karena semua p- value lebih kecil dari Sehingga diperoleh model inervensi unuk daa IHK Bahan Makanan Surabaya sebagai beriku: = 3,997S, 4,09S, S, S2, S2, S3, 3,94S 2 ( 0,664B ) a 4 0,534S4, 2,533S4, 3 (9) B ( B ) 3, 2 Dari persamaan (8), dikeahui inervensi perama menyebabkan kenaikan IHK Bahan Makanan Nasional pada saa inervensi, kemudian urun dua bulan seelah inervensi dan kembali naik iga bulan seelah inervensi. Inervensi kedua menyebabkan kenaikan IHK iga bulan dan enam bulan seelah inervensi. Inervensi keiga menyebab- 6
7 kan kenaikan IHK pada saa inervensi dan empa seelah inervensi, sedangkan inervensi keempa menyebabkan kenaikan IHK saa inervensi dan iga bulan seelah inervensi. 4.2 Pemodelan Daa IHK Kelompok Bahan Makanan dengan Meode MARS Pada bagian ini akan dilakukan analisis daa IHK kelompok Bahan Makanan Surabaya menggunakan meode MARS. pemodelan MARS dilakukan dengan variabel ime () sebagai variabel predikor. Pembenukan model dilakukan dengan mengkombinasikan maksimum fungsi basis (M), minimum span (MS) degree of freedom (DF) sehingga diperoleh 2 model Pemodelan MARS Daa IHK Bahan Makanan Nasional Seelah pembenukan model MARS dilakukan pengujian asumsi residual whie noise berdasarkan plo ACF dari residual dan diperoleh hasil bahwa residual model MARS idak memenuhi asumsi whie noise, oleh karena iu dilakukan pemodelan residual dari model MARS menggunakan meode ARIMA. Residual MARS yang dimodelkan adalah yang memiliki nilai GCV minimum pada masing masing DF. Berdasarkan idenifikasi plo ACF dan PACF, dikeahui model ARIMA yang sesuai unuk residual MARS adalah ARIMA ([,2,4,6,8],0,0). Berdasarkan nilai RMSE dan MAPE diperoleh model MARS erbaik yaiu dengan kombinasi M=36, DF=2 dan MS=0. Sehingga diperoleh model MARS sebagai beriku: = dan, 36, (69 ) 0,974( 9) 0,45( 29) 0,697( 39),057( 44),47( 59) 2,223( 64),78( 74),575( 79) 0,797( 84),25( 94) (0),65( 04) 0,435( 4),267( 24) N 0,527N 0,539N2 0,433N4 0,280N 6 0, 365N 8 a Misal l merupakan nilai kno maka penjelasan unuk basis fungsi sebagai beriku: ( l), unuk l ( l) dan 0, unuk l ( l ) ( l ) 0 N, unuk l, unuk l Hasil penjabaran dari model di aas diperoleh model unuk iap periode sebagai beriku: Tabel 3. Model MARS IHK bahan Makanan Nasional pada Seiap Periode No Kenaikan/ Periode Model penurunan 9 = 58,346 0,33 N -0,33 (urun) = 49,58 0,66 N 0,66 (naik) = 62,659 0,2 N 0,20 (naik) = 89,983 0, 487 N -0,487 (urun) = 43,475 0, 57 N 0,570 (naik) = 26,933 0, 847 N -0,847 (urun) = 5,339, 367 N,376 (naik) = 36,936, 689 N,689 (naik) = 94,858 0, 092 N -0,092 (urun) = 29,567, 483 N,483 (naik) = 37,38 0, 686 N 0,686 (naik) = 80,9, 936 N,936 (naik) = 9,858 0, 285 N 0,285 (naik) = 4,995 0, 72 N 0,720 (naik) 5 24 = 9,3, 987 N,987 (naik) 7
8 Dari Tabel 3, dikeahui raa-raa kenaikan IHK per bulan paling inggi pada 24 (Mei 200 dan seerusnya), selanjunya raa-raa eringgi kedua pada saa 95 04, dan eringgi keiga adalah periode 70 74, dimana pada saa 70 aau Okober 2005 erdapa kejadian kenaikan harga BBM. Selain iu, IHK bahan makanan nasional mengalami penurunan paling inggi pada saa (Desember April 2005) Pemodelan MARS Daa IHK Bahan Makanan Surabaya Seelah pembenukan model dilakukan pengujian asumsi residual whie noise berdasarkan plo ACF dari residual dan diperoleh hasil bahwa residual model MARS idak memenuhi asumsi whie noise, oleh karena iu dilakukan pemodelan residual menggunakan meode ARIMA. Residual MARS yang dimodelkan adalah yang memiliki nilai GCV minimum pada masing masing DF. Berdasarkan idenifikasi plo ACF dan PACF, dikeahui model ARIMA yang sesuai unuk residual MARS adalah ARIMA ([,2,4,6,8],0,[8]). Berdasarkan nilai RMSE dan MAPE diperoleh model ASTAR erbaik yaiu dengan menggunakan kombinasi M=36, DF=2 dan MS=0. Sehingga diperoleh model ASTAR pada Persamaan (5). = 3,262 0,344(64 ),8( 9) 0,368( 24),447( 29) 2,( 44) 0,578( 4),733( 24) 0,6( 49) 2,223( 64),063( 69),997( 74),68( 94),967( 04) (5) dimana, N,56N 0 0,497N 2 0,393N 4 0,29N 6 0,420N 8 a 0, 375a 8 Hasil penjabaran dari model di aas diperoleh model unuk iap kno sebagai beriku: Tabel 4. Model MARS IHK bahan Makanan Surabaya pada Seiap Periode No Periode Model Kenaikan/ penurunan 9 = 53,278 0,344 N -0,344 (urun) = 43,26 0,774 N 0,774 (naik) = 52,048 0,376 N 0,376 (naik) = 5,597, 04 N,040 (naik) = 43,475 0, 57 N 0,570 (naik) = 45,536 0, 429 N 0,429 (naik) = 23,52 0, 773 N 0,773 (naik) = 49,827, 836 N,836 (naik) = 97,95 0, 6 N -0,6 (urun) = 7,055 0, 863 N 0,863 (naik) = 92,737 2, 03 N 2,03 (naik) = 8,83 0, 064 N 0,064 (naik) = 45,939 0, 642 N 0,642 (naik) 4 24 = 68,953 2, 375 N 2,375 (naik) Dari abel diaas dikeahui raa-raa kenaikan IHK per bulan paling inggi pada 24 (Bulan Mei 200 dan seerusnya), selanjunya raa-raa kenaikan eringgi kedua pada saa 95 04, dan eringgi keiga adalah periode 70 74, dimana pada saa 70 aau Okober 2005 erdapa kejadian kenaikan harga BBM. Selain iu, IHK bahan makanan nasional mengalami penurunan paling inggi pada saa (Desember 2004 April 2005). N 8
9 4.3 Pemodelan Daa IHK Bahan Makanan Menggunakan ASTAR Pembenukan model ASTAR dilakukan dengan menggunakan maksimum fungsi basis (M) 24 dan 36, minimum span (MS) 0 dan 6 sera degree of freedom (DF) yang digunakan adalah, 2 dan 3 dan maksimum ineraksi (K) yang digunakan adalah,2 dan 3 sehingga diperoleh 36 model. Dari semua kombinasi model dipilih model erbaik berdasarkan nilai GCV, RMSE dan MAPE Pemodelan ASTAR IHK Bahan Makanan Nasional Variabel predikor yang digunakan dalam pemodelan ASTAR IHK Bahan Makanan Nasional adalah, 2, 2, 3 dan 4. Model IHK Bahan Makanan Nasional yang memiliki nilai RMSE ou sample minimum adalah model dengan kombinasi M=24, MS=0, K=2 dan DF=, sehingga diperoleh model ASTAR IHK Bahan Makanan Nasional sebagai beriku: 2,334 0,382( 66,74) 0,824(24,47 4) 5,292( 4 24,47) 0,453( 3 72,828) 0,75( 3 72,828) 5,435( 3 2,97),82( 60,038) 3,975(24,47 4) ( 3 22,5) (24,47 4) 0,03(22,83 2) (24,47 4) ( 2 22,83) 0,036(24,47 4) 0,005( 60,038) ( 4 23,63) ( 60,038) ( 2 8,59) (24,47 4) 0,077( 3 22,28) ( 2 59,047) ( 2 87,327) 0,04( 2 59,047) ( 2 75,349) ( 2 59,047) (8) Berdasarkan persamaan (8), dikeahui model diaas erdiri dari 4 parameer, dimana parameer ersebu erdiri dari sau konsana, ujuh fungsi basis anpa ineraksi dan enam fungsi basis dengan dua ineraksi. Secara sederhana model diaas dapa diulis sebagai beriku: 2,334 0,382BF 0,824BF2 5,292BF3 0,453BF40,75BF5 5,435BF6,82BF7 3,975BF8 0,03BF9 0,036BF0 0,005BF 0,077BF2 0,04BF3 (9) Model Diaas memberikan gambaran bahwa konribusi BF erhadap model sebesar Hal ini berari seiap kenaikan BF akan menyebabkan kenaikan IHK Bahan makanan Nasional sebesar 0,382 sauan. BF merupakan basis fungsi ineraksi anpa ineraksi, yaiu: ( 66,74), unuk 66,74 ( 66,74) 0, unuk 66,74 BF menunjukkan kenaikan IHK erjadi jika IHK sau bulan sebelumnya sebesar 66,74. Sedangkan penjelasan unuk basis fungsi dengan dua ineraksi, misal unuk BF 8 akan menyebabkan penurunan jika IHK sebesar 3,975 sauan jika IHK 4 bulan sebelumnya lebih besar dari 24,47 dan 3 bulan sebelumnya lebih besar dari 22, Pemodelan ASTAR IHK Bahan Makanan Surabaya Variabel predikor yang digunakan adalah, 2 dan 3. Model IHK Bahan Makanan Surabaya yang memiliki nilai RMSE minimum adalah model dengan kombinasi M=36, MS=6, K= dan DF= Model ersebu memiliki nilai GCV sebesar dan RMSE ou sampel.956. Model IHK Bahan Makanan Surabaya dengan dengan menggunakan kombinasi erbaik adalah sebagai beriku: =,763 0,302( 25,4) 0,94( 53,862) 0,348( 97,76) 7 2 0,604( 2 63,788) 0,958( 2 49,248) 0,387( 3 0,84( 3 62,675),008(2,38 3) 2,89( 3 05,50) 2,38) (0) 9
10 Model ASTAR pada Persamaan (0) erdiri dari sepuluh parameer, dimana parameer ersebu erdiri dari sau konsana dan sembilan fungsi basis anpa ineraksi. Secara sederhana model diaas dapa diulis menggunakan persamaan (). = 7,763 0,302BF 0,94BF2 0,348BF3 0,604BF4 0,958BF5 0,387BF6 0,84BF7,008BF8 2,89BF9 () Model di aas memberikan gambaran bahwa konribusi BF erhadap model sebesar 0,302. Hal ini berari seiap kenaikan BF akan menyebabkan kenaikan IHK sebesar sauan. BF merupakan basis fungsi ineraksi anpa ineraksi, yaiu: ( 66,74), unuk 25,4 ( 25.4) 0, unuk 25,4 BF menunjukkan bahwa kenaikan IHK erjadi jika IHK sau bulan sebelumnya lebih besar dari 25, Perbandingan Meode Inervensi, MARS dan ASTAR Unuk menenukan meode erbaik unuk daa IHK Bahan Makanan Nasional, maka dilakukan perbandingan nilai RMSE dan MAPE sera hasil peramalan pada masingmasing model. Hasil peramalan daa IHK Bahan Makanan Nasional pada seiap meode dapa diliha Pada Tabel 5. Tabel 5. Hasil Peramalan IHK bahan Makanan Nasional dan Surabaya IHK Bahan Makanan Nasional IHK Bahan Makanan Surabaya Bulan/ Peramalan Peramalan Tahun Akual Akual Inervensi MARS ASTAR Inervensi MARS ASTAR Jan , Feb , Mar , Apr , May , Jun , Jul , Aug , Sep , Oc , Nov , Dec , Pada abel di aas dikeahui hasil peramalan menggunakan meode inervensi, MARS dan ASTAR periode Januari sampai April 20 mendekai nilai akual. Hasil peramalan menggunakan inervensi dan MARS cenderung naik pada seiap bulan, dengan kenaikan hasil peramalan MARS lebih inggi dibanding hasil peramalan menggunakan inervensi. Sedangkan hasil peramalan meode ASTAR pada periode yang lebih panjang memiliki nilai yang flukuaif. Hal ini menunjukkan meode ASTAR menghasilkan nilai peramalan yang idak sabil jika digunakan unuk periode yang lebih panjang. Selanjunya dilakukan dilakukan perbandingan nilai RMSE dan MAPE unuk menenukan meode erbaik. Tabel 6. Nilai RMSE dan MAPE model Inervensi, MARS dan ASTAR IHK Bahan Makanan Nasional IHK Bahan Makanan Surabaya Meode In sample Ou Sample In sample Ou Sample RMSE MAPE RMSE MAPE RMSE MAPE RMSE MAPE Inervensi MARS ASTAR
11 Pada Tabel 6, dikeahui meode inervensi menghasilkan nilai MAPE erkecil unuk daa IHK bahan Makanan Nasional, sehingga model erbaik unuk daa IHK bahan Makanan Nasional adalah Inervensi. Sedangkan pada daa IHK Bahan makanan Surabaya, berdasarkan krieria in sample yang menghasilkan MAPE erkecil dengan menggunakan meode MARS, sedangkan berdasarkan ou sample yang menghasilkan nilai MAPE erkecil adalah meode Inervensi. Pemilihan model erbaik dieapkan berdasarkan krieria ou sample sehingga model erbaik unuk daa IHK bahan makanan Surabaya adalah meode Inervensi. 5. Kesimpulan Berdasarkan hasil analisis dan pembahasan yang elah dilakukan diperoleh kesimpulan sebagai beriku:. Berdasarkan meode inervensi dari empa inervensi erdapa iga inervensi yang mempengaruhi IHK bahan Makanan Nasional yaou kenaikan harga BBM Okober 2005, penurunan harga BBM Desember 2008 dan kenaikan harga-harga pangan Juni 200. Sedangkan pada IHK bahan Makanan Surabaya, semua inervensi berpengaruh signifikan erhadap nilai IHK. 2. Hasil pemodelan MARS dengan variable predikor pada IHK bahan Makanan Nasional yaiu erdapa 4 kno pada daa, sedangkan pada daa IHK bahan Makanan Surabaya erdapa 3 kno. 3. Hasil pemodelan ASTAR diperoleh model unuk daa IHK bahan Makanan Nasional adalah model ASTAR dengan dua ineraksi, dan unuk daa IHK bahan makanan Surabaya adalah model ASTAR anpa ineraksi. 4. Meode erbaik unuk memodelkan dan meramalkan daa IHK Bahan Makanan Nasional dan Surabaya adalah meode inervensi. Dafar Pusaka Anonim. 20. Harga pangan pada Tiik yang Membahayakan. <URL : hp:// > [diunduh Rabu, 26 februari 20] BPS Provinsi Jawa Timur, 2007, Survei Biaya Hidup Koa Bengkulu: Diagram Timbang Indeks Harga Konsumen (IHK), BPS Jawa Timur. Jawa Timur Friedman, J.H., 99, Mulivariae Adapive Regression Splines (wih Discussion), The Annals of Saisics, 9 : -4. Isriana, 2009, Pemodelan Curah Hujan dengan Pendekaan Adapive splines Threshold Auoregressive (ASTAR), Tugas Akhir S Saisika, ITS, Surabaya. Lewis, P.A.W. and Sevens, J.G., 99, Nonlinear of Time Series Using Mulivariae Adapive Regression Splines, J. Amer. Sais. Assoc. Vol. 86. No. 46. Pp. Makridakis, S., Wheelwrigh, S.C. dan McGee, V.E., 999, Meode dan Aplikasi Peramalan Jilid edisi kedua, Bina Rupa Aksara, Jakara Noviani, P.W., 2009, Pemodelan IHK Umum Nasional dengan Meode Inervensi Muli Inpu dan Generalized Auoregressive Condiional Heeroskedaiciy (GARCH), Tugas Akhir S Saisika, ITS, Surabaya. Parwiasari, 2006, Pemodelan Daa IHK Transporasi yang Mengandung Perubahan Srukur, Tesis S2 Saisika, ITS, Surabaya. Wei, W.W. S., 990, Time Analysis Univariae and Mulivariae Mehods. America : Addison Wesley Publishing Company, Inc. Widyaningsih, R., 2008, Model Inervensi unuk Evaluasi Dampak Bencana Lumpur Lapindo Terhadap Volume Kendaraan di Jalan Tol, Tugas Akhir S Saisika, ITS, Surabaya.
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan
Lebih 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciMinggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING. Peramalan Data Time Series
Minggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING Bab ini memperkenalkan model berlaku unuk daa ime series dengan musiman, ren, aau keduana komponen musiman dan ren dan daa sasioner. Meode peramalan
Lebih terperinci(T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF
Seminar Nasional Saisika 12 November 2011 Vol 2, November 2011 (T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF Gumgum Darmawan, Sri Mulyani S Saf Pengajar Jurusan Saisika FMIPA UNPAD
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 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 terperinciBAB 1 PENDAHULUAN. Sumber Daya Alam (SDA) yang tersedia merupakan salah satu pelengkap alat
BAB 1 PENDAHULUAN 1.1 Laar Belakang Sumber Daya Alam (SDA) yang ersedia merupakan salah sau pelengkap ala kebuuhan manusia, misalnya anah, air, energi lisrik, energi panas. Energi Lisrik merupakan Sumber
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 terperinciPeramalan Pengguna Kapal Ferry Ujung-Kamal dengan Metode Intervensi
D-480 JURNAL SAINS DAN SENI IS Vol. No. 2 (6) 2337-3 (2-928X Prin) Peramalan Pengguna Kapal Ferry Ujung-Kamal dengan Meode Inervensi Eka Apriliani, dan Irhamah Jurusan Saisika, Fakulas MIPA, Insiu eknologi
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 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 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 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 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 terperinci2 efek dari pengaruh kejadian luar (exernal even) pada daa ime series (Wei, 2006). Bila y adalah daa ime series yang mengandung variasi kalender, maka
. PERAMALAN VOLUME KENDARAAN MASUK DI TOL DUPAK-WARU MENGGUNAKAN MODEL VARIASI KALENDER Yosua D. Charismawan (1304 100 024) Pembimbing : Ir. Dwiamono Agus W.,M.Ikom ABSTRAK Tol Surabaya-Gempol merupakan
Lebih terperinciBab 5 Penaksiran Fungsi Permintaan. Ekonomi Manajerial Manajemen
Bab 5 Penaksiran Fungsi Perminaan 1 Ekonomi Manajerial Manajemen Peranyaan Umum Tenang Perminaan Seberapa besar penerimaan perusahaan akan berubah seelah adanya peningkaan harga? Berapa banyak produk yang
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
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-laju
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 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 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 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 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 TINJAUAN PUSTAKA. yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu
BAB 2 TINJAUAN PUSTAKA 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan apa yang erjadi pada waku yang akan daang sedangkan rencana merupakan penenuan apa yang akan dilakukan pada waku yang
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 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 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 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 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 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 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 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 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 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 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 1 PENDAHULUAN. tahun 1990-an, jumlah produksi pangan terutama beras, cenderung mengalami
11 BAB 1 PENDAHULUAN 1.1. Laar Belakang Keahanan pangan (food securiy) di negara kia ampaknya cukup rapuh. Sejak awal ahun 1990-an, jumlah produksi pangan eruama beras, cenderung mengalami penurunan sehingga
Lebih terperinciBAB 2 LANDASAN TEORI
35 BAB LANDASAN TEORI Meode Dekomposisi biasanya mencoba memisahkan iga komponen erpisah dari pola dasar yang cenderung mencirikan dere daa ekonomi dan bisnis. Komponen ersebu adalah fakor rend (kecendrungan),
Lebih 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. Dalam pelaksanaan pembangunan saat ini, ilmu statistik memegang peranan penting
BAB 1 PENDAHULUAN 1.1. Laar Belakang Dalam pelaksanaan pembangunan saa ini, ilmu saisik memegang peranan pening baik iu di dalam pekerjaan maupun pada kehidupan sehari-hari. Ilmu saisik sekarang elah melaju
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 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 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 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 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 terperinciPENDETEKSIAN DAN PEMODELAN PERUBAHAN STRUKTUR PADA DATA DERET WAKTU (Studi kasus data IHK umum Surabaya dan Kediri tahun )
PENDEEKSIAN DAN PEMODELAN PERUBAHAN SRUKUR PADA DAA DERE WAKU (Sudi kasus daa IHK umum Surabaya dan Kediri ahun 99 ) Arani Indraseianingsih Suharono Dwiamono Agus Widodo ABSRAK Perubahan Srukur (Srucural
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Air merupakan kebuuhan pokok bagi seiap makhluk hidup di dunia ini ermasuk manusia. Air juga merupakan komponen lingkungan hidup yang pening bagi kelangsungan hidup
Lebih terperinciPrediksi Penjualan Sepeda Motor Honda di Kabupaten dan Kotamadya Malang dengan Metode Peramalan Hierarki. Oleh : Rika Susanti
Prediksi Penjualan Sepeda Moor Honda di Kabupaen dan Koamadya Malang dengan Meode Peramalan Hierarki Oleh : Rika Susani 1310100066 Dosen Pembimbing Co. Pembimbing : Dra. Desri Susilaningrum, M.Si. : Dr.
Lebih terperinciPerancangan Sistem Peramalan Penjualan Barang Pada UD Achmad Jaya Dengan Metode Triple Exponential Smoothing
Jurnal Ilmiah Teknologi dan Informaika ASIA (JITIKA) Vol.10, No.2, Agusus 2016 ISSN: 0852-730X Perancangan Sisem Peramalan Penjualan Barang Pada UD Achmad Jaya Dengan Meode Triple Exponenial Smoohing Tria
Lebih terperinciANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Studi kasus pada CV Cita Nasional.
JURNAL ILMIAH RANGGAGADING Volume 7 No. 1, April 7 : 3-9 ANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Sudi kasus pada CV Cia Nasional. Oleh Emmy Supariyani* dan M. Adi Nugroho *Dosen
Lebih 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 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 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 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 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis Peneliian Jenis peneliian kuaniaif ini dengan pendekaan eksperimen, yaiu peneliian yang dilakukan dengan mengadakan manipulasi erhadap objek peneliian sera adanya konrol.
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
BAB 3 METODOLOGI PEMECAHAN MASALAH 3.1 Tahapan Pemecahan Masalah Tahapan pemecahan masalah berfungsi unuk memudahkan dalam mencari jawaban dalam proses peneliian yang dilakukan agar sesuai dengan arah
Lebih terperinciPemodelan Produksi Minyak dan Gas Bumi di PT. Z Menggunakan Metode ARIMA, FFNN, dan Hybrid ARIMA-FFNN
D-444 JURNAL SANS DAN SEN TS Vol. 5 No. 2 (206) 27-520 (20-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi di PT. Z Menggunakan Meode ARMA, FFNN, dan Hybrid ARMA-FFNN Daniar Kusumaning Ayu, Desri Susilaningrum
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 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 terperinciPENERAPAN METODE TRIPLE EXPONENTIAL SMOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUSAHAAN MEBEL SINAR JEPARA TANJUNGANOM NGANJUK.
PENERAPAN METODE TRIPLE EXPONENTIAL MOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUAHAAN MEBEL INAR JEPARA TANJUNGANOM NGANJUK. ii Rukayah*), Achmad yaichu**) ABTRAK Peneliian ini berujuan unuk
Lebih 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 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 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 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 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 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 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 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 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 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 terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.. Ruang Lingkup Peneliian Peneliian ini diujukan unuk menenukan meode erbaik yang dapa digunakan dalam meramalkan harga ayam pada enam koa besar di Jawa-Bali. Meode peramalan yang
Lebih terperinciKata Kunci - GSTAR, Inflasi, Invers Jarak, Korelasi Silang, Seragam. I. PENDAHULUAN II. TINJAUAN PUSTAKA
Pemodelan Inflasi di Koa Semarang, Yogyakara, dan Surakara dengan pendekaan GSTAR Laily Awliaul Faizah, Seiawan Jurusan Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Definisi Peramalan Peramalan adalah suau kegiaan dalam memperkirakan aau kegiaan ang melipui pembuaan perencanaan di masa ang akan daang dengan menggunakan daa masa lalu dan daa masa
Lebih terperinciBAB I PENDAHULUAN. universal, disemua negara tanpa memandang ukuran dan tingkat. kompleks karena pendekatan pembangunan sangat menekankan pada
BAB I PENDAHULUAN A. Laar Belakang Disparias pembangunan ekonomi anar daerah merupakan fenomena universal, disemua negara anpa memandang ukuran dan ingka pembangunannya. Disparias pembangunan merupakan
Lebih terperinciAPLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
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 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 terperinci