PEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA
|
|
- Susanti Susanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 Insiu Teknologi Sepuluh Nopember - ITS Surabaya fr.hakim@yahoo.co.id Absrak Dalam ugas akhir ini akan dilakukan pemodelan dan prediksi rafik menggunakan meode ARIMA. Peneliian ini akan dipelajari dengan menggunakan daa rafik voice GSM (Global Sysem for Mobile communicaion) di area Surabaya yang melipui daerah perumahan, indusri dan pusa belanja. Daa ersebu merupakan rafik busy hour selama bulan Januari Idenifikasi model dilakukan dengan menganalisa kesasioneran daa rafik, baik dalam mean maupun varian. Kesasioneran daa dalam varian dicek dengan cek lambda Box-Cox. Sedangkan kessioneran daa dalam mean dicek dengan cek ACF maupun PACF. Seelah esimasi model didapakan, dilakukan uji normalisasi residual kormogorov smirnov. Hasil Peneliian menunjukkan bahwa 96,77% pemodelan ARIMA di area perumahan dapa didekai dengan ARIMA dan sisanya 3,23% adalah model ARIMA Sedangkan pada area indusri diperoleh pendekaan model ARIMA sebesar 96,77% dan ARIMA sebesar 3,23%. Hasil yang berbeda ampak pada area pusa belanja dengan prosenase model yang bervariasi, eapi unuk prosenase ebesarnya adalah model ARIMA sebesar 32,26%. Proses validasi pemodelan ARIMA dilakukan dengan membandingkan daa pengukuran dengan daa hasil pembangkian model. Unuk meliha pergeseran real dan perubahan pola anara nilai daa hasil pembangkian dengan daa asli pengukuran bisa diliha berdasarkan grafik series model. Dan unuk meliha pola disribusi daa dapa menggunakan grafik ECDF (Empirical Comulaive Disribuion Funcion). Dimana ECDF menampilkan daa hasil evaluasi sesuai disribusi prosenase kemunculan daa. Kaa Kunci ARIMA, Trafik GSM G 1. PENDAHULUAN LOBAL sysem for mobile communicaion aau lebih dikenal dengan GSM merupakan salah sau sisem komunikasi jarak jauh dengan sisem wireless dan merupakan ssebuah sandar global unuk komunikasi bergerak digial. Spekrum frekuensinya erdiri dari dua sub-band yang masing-masing sebesar 25 MHz. Trafik dapa diarikan sebagai pemakaian. Dimana pemakaian ersebu diukur dalam renang waku erenu (berapa lama, kapan). Pada sisem rafik elekomunikasi pemakaian dapa berupa perukaran informasi daa speech maupun pake daa. Daa rafik GSM adalah daa runun waku yang berbenuk musiman, yakni cenderung mengulangi pola gerak dalam periode musiman, adanya korelasi berunun yang kua pada jarak semusim yaiu waku yang berkaian dengan banyak observasi per periode musim. Asumsi yang pening yang harus dipenuhi dalam memodelkan runun waku adalah asumsi kesasioneran. Apabila asumsi sasioner belum dipenuhi maka dere belum dapa dimodelkan. Namun, dere yang nonsasioner dapa diransformasikan menjadi dere yang sasioner. 2. PEMILIHAN MODEL ARIMA ARIMA (Auoregresive Inegraed Moving Average) adalah model saisik yang digunakan unuk melakukan analisa sifa-sifa dari daa runun waku erhadap daa-daa yang elah lalu, sehingga didapakan suau persamaan model yang menggambarkan hubungan dari daa runun waku ersebu. Dalam melakukan pendekaan model menggunakan ARIMA, proses pemilihan model dilakukan dengan mengamai disribusi dari koefisien auokorelasi (ACF) dan koefisien parsial auokorelasi (PACF). Sasionerias merupakan isilah yang sanga pening dalam analisis ime series, khususnya pada pemodelan ARIMA. Suau dere pengamaan aau daa yang diperoleh dikaakan sasioner jika proses idak berubah seiring perubahan waku. Dimana raa-raa dere pengamaan disepanjang waku selalu konsan. Jika daa belum sasioner erhadap varians maka perlu dilakukan ransformasi, dimana salah sau ransformasi yang dapa digunakan adalah ransformasi Box-Cox. Namun bila daa belum sasioner erhadap mean, maka dilakukan proses difference. Unuk mendapakan validasi model maka erlebih dahulu kia melakukan proses ransformasi boxcox unuk menenukan nilai dari iap daa pembangkian apakah elah saioner aaukah belum. Apabila daa ersebu belum saioner maka diperlukan ransformasi λ. Transformasi erganung dari nilai λ yang di enukan: 0,maka Z = ln Z 0,5 λ (lambda) 0,5 maka Z = Z 0,5-0,5 maka Z = 1/ Z 1 maka idak perlu ransformasi 1
2 Tabel 1. Differencing Trafik Pembeda 1 Diff 1 Daa rafik voice GSM 10,27 * * 6,21 10,27-4,06 4,37 6,21-1,84 Apakah Sasioner dalam varians Cek dengan Box-Cox λ = 1 Transformasi : λ = 0 --> Ln [Z] λ = > Z 0.5 λ = > 1/Z 0.5 2,57 4,37-1,8 1,56 2,57-1,01 4,01 1,56 2,45 7,49 4,01 3,48 Apakah Sasioner dalam mean Cek ACF & PACF Differencing 10,85 7,49 3,36 16,17 10,85 5,32 16,02 16,17-0,15 Idenifikasi ACF & PACF 16,11 16,02 0,09 Proses difference merupakan suau proses unuk membua daa agar sasioner erhadap mean. Dimana prinsip dari meode ini yaiu dengan mecari selisih dari sau periode daa erhadap daa berikunya. Sampai diperoleh daa baru hasil differencing yang sasioner erhadap mean. ACF aau fungsi korelasi adalah suau regresi dimana menunjukkan hubungan anara dua variasi daa, sehingga pada akhirnya dapa digunakan unuk menggambarkan apa yang erjadi pada sau variabel bila erjadi perubahan pada variabel yang lain. Koefisien auokorelasi parsial mengukur ingka keeraan hubungan anara X dengan X -k. Sedangkan Pengaruh dari imelag 1,2,3... dan seerusnya sampai k-1 dianggap konsan. Dengan kaa lain fungsi auokorelasi parsial mengukur deraja hubungan anara nilai sekarang dengan nilai sebelumnya (unuk imelag erenu). 3. METODOLOGI Seelah daa rafik erkumpul dari proses pengambilan di servo analyica, maka selanjunya adalah melakukan pemodelan ARIMA. Gambar 1a merupakan diagram alir dari pemodelan ARIMA, sedangkan gambar 1b adalah unuk menenukan model yang erbaik dengan nilai MSE erkecil. Dimana kedua proses ersebu didekai dengan menggunakan sofware Miniab. Miniab ini merupakan sisem sofware yang didisain khusus unuk pengolahan saisik daa. Miniab dapa memberikan kemudahan bagi siapapun yang akan mengolah daa sesuai dengan yang dibuuhkan. Daa yang diolah ersebebu dapa diampilkan berdasarkan predefine seleced dari sebuah menu unuk menghasilkan model berupa eks maupun grafik. Dugaan ARIMA Gambar 1a. Diagram Alir Pemodelan ARIMA [7] Dugaan ARIMA Esimasi Parameer : dela & phi Cek p-value < 0.05 Diagnosa *Uji Ljung-Box : Whie noise residual p-value > 0.05 Diagnosa **Uji normalisasi residual kolmogorov - Smirnov p-value > 0.05 Gambar 1b. Diagram Alir Penenuan Model ARIMA Idenifikasi model dilakukan dengan menganalisa kesasioneran daa rafik, baik dalam mean maupun varians. Kesasioneran daa dalam varians dicek dengan cek lambda Box-Cox. Sedangkan kessioneran daa dalam mean dicek dengan cek ACF maupun PACF. Dan seelah esimasi model didapakan, dilakukan uji normalisasi residual kormogorov smirnov. 2
3 Gambar 2. Grafik ime series daa rafik peranggal 1 Jan 2011 area pusa belanja Tabel 2. Idenifikasi ACF dan PACF Model ACF PACF MA (q) : moving average of Cus off afer lag q Dies down order q AR (p) : auoregressive of Dies down Cus of afer lag p order p ARMA (p,q) : Mixed Dies down Dies down auoregressive-moving average of order (p,q) AR (p) or MA (q) Cus of afer lag q Cus of afer lag p No order AR or MA (whie noise or random process) No spike No spike Gambar 3. Box-cox sebelum ransformasi dengan lamda 0.00 Gambar 5. PACF cu off seelah lag 1 Gambar 4. Box-cox seelah ransformasi dengan lamda 1.00 Pada gambar 2 diunjukkan sau even daa rafik peranggal 1 januari 2011 pada area pusa belanja. Berdasarkan gambar 2 erliha ada peningkaan rafik mulai jam 10 pagi dan rafik kembali urun seelah jam 11 malam. Selanjunya unuk mengeahui apakah daa rafik ersebu sasioner dalam varian maka pengecekan nilai lamda sanga berpengaruh dalam melakukan pendekaan ARIMA model. Hasil es box-cox dari daa rafik pada gambar 3 menunjukkan bahwa nilai lamda 0 (nol). Hal ini berari bahwa daa belum sasioner erhadap varian. Maka sesuai dengan langkah ransformasi maka daa Z harus di ln Z erlebih dahulu sampai hasil dari lamda sama dengan 1 sehingga idak perlu diransformasi lagi. Unuk memasikan bahwa nilai lamda seelah diransformasi sudah bernilai 1, maka perlu dicek lagi box-cox seperi gambar 4. Gambar 6. ACF dies down Tahap selanjunya adalah menguji apakah Z elah sasioner erhadap mean dengan meliha pol Auocorrelaion Funcion (ACF) dan Parial Auocorrelaion Funcion (PACF). Dimana ari sasioner adalah apabila suau daa runu waku memiliki raa-raa dan memiliki kecenderungan bergerak menuju raa-raa. Berdasarkan diagram alir model ARIMA, check ACF dan PACF diperlukan dalam menenukan pendekaan model dugaan ARIMA. Dari abel 2 pembacaan ACF dan PACF ini erdiri dari dua macam, yaiu: Cus off ACF dan PACF dikaakan cus off apabila digambar erhadap sumbu waku akan sasioner pada lags yang cukup kecil. Gambar 5 merupakan conoh dari ACF aau PACF dengan nilai cus off pada lag perama (lag 1). 3
4 Dies Down Apabila plo ACF aau PACF mencapai nilai sasioner pada lags yang cukup besar (>5) aau bisa dikaakan urun lamba, maka kondisi ini dikaakan mengalami dies down. Gambar 6 merupakan conoh dies down. Dari daa yang sudah sasioner erhadap varian yaiu diperoleh seelah ransformasi sampai lamda bernilai 1. Kemudian grafik plo PACF pada gambar 5 menunjukkan Z elah sasioner dengan cu off pada lag 1. Dimana nilai lag pada gambar PACF mewakili unuk dugaan ARIMA dengan nilai AR sama dengan 1 sehingga diperoleh dugaan ARIMA Sedangkan unuk mengeahui nilai MA pada ARIMA maka menggunakan lag pada grafik ACF. Seperi gambar 6 menunjukkan Z elah sasioner dengan dies down pada lag 1. Ini berari nilai MA sama dengan 1, sehingga didapa dugaan ARIMA Dari hasil grafik plo ACF dan PACF ersebu menunjukkan daa idak perlu proses differencing karena daa sudah sasioner erhadap mean. Dalam menenukan dugaan ARIMA dimungkinkan erdapa dua aau lebih pemodelan dalam sau even dimana p-value harus memenuhi sesuai dengan syara, maka dipilih MSE erkecil sebagai model yang mendekai. Dari conoh ACF dan PACF pada gambar diaas maka ada dua dugaan model ARIMA yaiu unuk AR 1 maka dugaan ARIMA 1 0 0, dan unuk MA 1 maka dugaan ARIMA Dari hasil esimasi ARIMA pada gambar 7 dapa diliha unuk p-value dela phi memenuhi syara yaiu kurang dari 0,05 dan p-value Ljung box juga memenuhi syara yaiu lebih dari 0,05. Jadi pemodelan daa even ini hasilnya adalah ARIMA dengan koefisien 0,9744 dan MS 0, Sedangkan unuk hasil esimasi ARIMA sesuai gambar 8 idak dapa dijadikan sebagai model ARIMA karena nilai p-value Ljung box idak memenuhi syara yaiu lebih dari 0,05. Dari hasil dugaan ARIMA, juga erdapa daa residual dimana merupakan nilai kesalahan yang muncul akiba pemodelan. Daa residual ini yang digunakan unuk uji normalias dengan meode Kolmogorov-Smirnov. Dimana residual dikaakan memenuhi uji normalias apabila p-value > 0,05. Namun bila ernyaa nilai p-value kurang dari 0,05 dugaan ARIMA masih eap bisa dipakai eapi erdapa disribusi probabilias daa yang agak jauh erhadap garis normal probabilias. Dari hasil grafik pada gambar 9 erliha nilai p- value lebih dari 0,05. Hal ini berari bahwa residual whie noise sudah mengikui disribusi garis normal. Gambar 7. Hasil dugaan ARIMA Gambar 8. Hasil dugaan ARIMA Gambar 9. Probabilias kolmogorov-smirnov 4. HASIL PEMODELAN ARIMA Unuk dapa mencapai ujuan peneliian ini, yaiu mendapakan model erbaik unuk memodelkan daa rafik di Surabaya, maka sesuai dengan meode dan langkah-langkah pemodelan ARIMA diperoleh hasil pemodelan ARIMA dari masing masing area. Dimana sesuai abel 2 hasil rekapiulasi pemodelan ARIMA area perumahan erdapa 2 model yaiu ARIMA dan ARIMA iu unuk ARIMA melipui 30 even kecuali anggal 29 Januari 2011 merupakan ARIMA Sedangkan pada abel 3 hasil rekapiulasi pemodelan ARIMA area indusri juga erdapa 2 model yaiu ARIMA dan ARIMA iu unuk ARIMA melipui 30 even yaiu kecuali anggal 10 Januari 2011 merupakan ARIMA Berbeda dengan area perumahan dan indusri dimana area pusa belanja sesuai hasil rekapiuasi ARIMA menunjukkan lebih banyak variasi model ARIMA. Model erbanyak yaiu ARIMA melipui 10 even, kemudian unuk ARIMA dan ARIMA masing masing sebanyak 8 even. 4
5 Sisanya 2 even yaiu ARIMA dan 3 even idak memenuhi syara pemodelan ARIMA. Tabel 2. Hasil rekapiulasi model ARIMA area perumahan No ARIMA Even Toal Percen ; ,77% Jan ,23% Tabel 3. Hasil rekapiulasi model ARIMA area indusri Gambar 10. Grafik series daa pengukuran Vs Daa Pembangkian Tabel 4. Hasil rekapiulasi model ARIMA area pusa belanja 5. PEMBANGKITAN DATA PEMODELAN Dari hasil pemodelan ARIMA seiap even perlu dilakukan proses validasi dengan membandingkan daa hasil pembangkian dengan daa asli pengukuran. Dalam proses pembangkian daa ini dilakukan dengan 3 meode pendekaan sekaligus unuk meliha variasi hasilnya. Keiga meode ersebu adalah: 1. Meode esimasi Merupakan nilai prediksi yang diperoleh dasri hasil fiing pada sorage ARIMA. Seiap nilai fi akan mendekai nilai daa asal pada saa proses ARIMA. Sebagai caaan apabila pada saa proses ARIMA daa asal sudah mengalami perubahan baik disasionerkan aaupun proses differencing, maka nilai fi harus diinvers erhadap daa asli sehingga pendekaan nilainya eep sesuai dengan daa asli pengukuran. Unuk melakukan invers diperoleh dengan persaaman yaiu: Y X ' X 1 Dimana: Y () adalah daa hasil bangkian model X () adalah nilai fis pembangkian model X (-1) adalah daa awal yang digunakan sebelum proses differencing 2. Meode formulasi residu Perhiungan nilai perkiraan daa menggunakan pendekaan nilai residu. Nilai residu iu sendiri didapakan dari selisih nilai daa asli erhadap nilai fi ARIMA. Sedangkan unuk memperoleh daa hasil pembangkian model maka diperoleh dengan persamaan yaiu: Gambar 11. Grafik ECDF Daa pengukuran Vs pembangkian ARIMA Z aau Z Z... Z 1 1 p p a a... a 1 1 q a q Dimana: Z = nilai variabel dependen pada waku a = Residual pada waku p = Nilai koefisien dari AR (p) = Nilai koefisien dari MA (q) q δ = konsana 3. Meode disribusi normal Nilai dari disribusi normal ini dibangkikan secara acak berdasarkan nilai mean dan sandar deviaion hasil es probabilias kolmogorovsmirnov. Dimana mean adalah nilai raa raa dari daa yang diproses, sedangkan sandar deviaion adalah suau sample yang memberikan ukuran penyebaran daa. Sebagai ciri dari pembangkian normal ini seiap nilai yang dibangkikan anara sau dengan yang lain idak memiliki hubungan pola keerkaian daa. Sehingga pola dari nilai disribusi normal akan berbeda dengan nilai daa asli pengukuran. Unuk nilai yang hasilnya negaif maka unuk penyesuaian daa rafik maka di bua nol dengan asumsi idak ada rafik. Dari hasil pembakian daa berdasarkan 3 meode diaas, unuk meliha pergeseran real dan perubahan pola anara nilai daa hasil pembangkian dengan daa asli pengukuran bisa diliha berdasarkan gambar 10 grafik series model. Dan unuk meliha pola disribusi daa dapa menggunakan grafik ECDF (Empirical Comulaive Disribuion Funcion) pada gambar 11. 5
6 6. KESIMPULAN Dari masing-masing daa rafik GSM seiap area ersebu kemudian dimodelkan dengan meode ARIMA yang kemudian direkapiulasi unuk mengeahui kecenderungan model. Dari hasil rekapiulasi menunjukkan bahwa area perumahan dan indusri mempunyai kecenderungan model yang sama yaiu ARIMA 1 0 0, sedangkan unuk area pusa belanja hasil model yang diperoleh lebih bervariasi dan yang paling dominan adalah ARIMA (32,26%), ARIMA (25,81%) dan ARIMA (25,81%). Hasil pemodelan membukikan bahwa rafik GSM dapa didekai dengan meode ARIMA, dimana dari 93 daa rafik perhari yang dimodelkan hanya erdapa 3 daa rafik perhari (3,23%) yang idak memenuhi syara pemodelan ARIMA. Dari keiga meode pembangkian daa menunjukkan bahwa meode residu hasinya paling mendekai daa aslinya baik secara pola maupun disribusi daa dengan nilai mean dan SDev yang idak berbeda jauh. 7. DAFTAR PUSTAKA [1] Shu, nai. Wireless Traffic Modeling and Predicion Using Seasonal ARIMA Models. Insiue of Elecronics, Informaion and Communicaion Engineers, vol.e-88b, No-10, 2005 [2] Ir. Suwadi, MT., Rekayasa Trafik Telekomuikasi, Handou Kuliah Senral Jaringan Telepon dan Rekayasa Trafik, ITS- Surabaya, 2009 [3] GSM Sysem, Manual Descripion, Ericsson,1998 [4] Karika Senja, Friha., Udiyarsa, Dedhi., Service Qualiy Assurance Telkomsel, Laporan Kerja Prakek, ITS-Surabaya, 2004 [5] Wei, William W.S., Time Series Analysis- Univariae and Mulivariae Mehods, Second Ediion, Addison-Wesley Publishing Company, USA, 2006 [6] Miniab Saisical Sofware, Tuorial and Guide Miniab, Miniab,2004 [7] A. Mauludiyano., G. Hendranoro., M. H. Purnomo., Suharono., Pemodelan ARIMA dan Deeksi Oulier Daa Curah Hujan Sebagai Evaluasi Sisem Radio. Jui (Jurnal ilmiah Teknologi Informasi), vol.7-nomor 3, Januari 2009 [8] A.Mauludiyano, G.Hendranoro, M.H.Purnomo, T.Ramadhany. Pemodelan ARIMA unuk Redaman Hujan pada Linasan Radio Teresrial 28 GHz di Surabaya. Jurnal Peneliian Telekomunikasi, vol. 14-Nomor 2, Desember 2009 [9] Halim, Siana., Dika-Time Series Analysis, Handou Kuliah Teknik Peramalan, UK. Pera- Surabaya, 2006 RIWAYAT PENULIS Fadil Rahman Hakim, lahir di koa Kediri, 29 Nopember Menyelesaikan pendidikan di SDN Puih Kab. Kediri, kemudian meneruskan pendidikan di SLTPN 02 Gampengrejo Kab. Kediri dan SMUN 1 Ponorogo. Selanjunya pada ahun 2004 meneruskan pendidikan Diploma-III di Polieknik Negeri Malang (POLINEMA), lulus pada ahun Dierima di Jurusan Teknik Elekro FTI-ITS pada bulan Juli 2009 melalui Program Linas Jalur, mengambil Bidang Sudi Telekomunikasi Mulimedia. 6
PEMODELAN 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 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 terperinciPemodelan ARIMA Data Trafik Pada Server ITS Net
Pemodelan ARIMA Daa Trafik Pada Server ITS Ne Inna Madiyaningsih, Achmad Mauludiyano Jurusan Teknik Elekro FTI, Insiu Teknologi Sepuluh Nopember Kampus ITS, Kepuih-Sukolilo, Surabaya-60111 Email inna.madiyaningsih@gmail.com
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 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 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
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 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 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 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 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 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 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 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 terperinciModel ARIMAX Dan Deteksi GARCH Untuk Peramalan Inflasi Kota Denpasar Tahun 2014
JEKT Model ARIMAX Dan Deeksi GARCH Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 Rukini *) Badan Pusa Saisik Provinsi Bali ABSTRAK pemerinah dalam mengambil kebijakan unuk menjaga sabilias moneer di masa
Lebih terperinciBAB 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 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 terperinciAnalisis Pola Hubungan Pemodelan ARIMA Curah Hujan dengan Curah Hujan Maksimum, Lama Waktu Hujan, dan Curah Hujan Rata-Rata
Analisis Pola Hubungan Pemodelan ARIMA Curah Hujan dengan Curah Hujan Maksimum, Lama Waku Hujan, dan Curah Hujan Raa-Raa Fahin Fahimah 33 Jurusan Teknik Elekro-FTI, Insiu Teknologi Seuluh Noember Kamus
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 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 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 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 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 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 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 terperinciPENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA
PENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA Maskur Efendi ), Widandi Soeopo 2), Piojo Tri Juwono 2) ) Mahasiswa Magiser
Lebih terperinciBAB 2 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 terperinciPeramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk
Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Oleh : Dwi Hapsari K (1306 100 015) Dosen Pembimbing : Dra. Karika Firiasari, M.Si 1 Pendahuluan Laar Belakang, Perumusan Masalah, Tujuan
Lebih terperinciBab 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 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 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 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 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 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 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. 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 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 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 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 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 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 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 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 terperinciPemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Metode Intervensi dan Regresi Spline ABSTRAK
Pemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Meode Inervensi dan Regresi Spline Rina Andriani, Dr. Suharono, M.Sc 2 Mahasiswa Jurusan Saisika FMIPA-ITS, 2 Dosen Jurusan Saisika FMIPA-ITS
Lebih terperinciBAB 2 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 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 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 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 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 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 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 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 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 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 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 terperinciJURNAL TEKNIK POMITS Vol. 2, No. 2, (2013) ISSN: ( Print) D-108
JURNAL TEKNIK POMITS Vol., No., (013) ISSN: 337-3539 (301-971 Prin) D-108 Simulasi Peredaman Gearan Mesin Roasi Menggunakan Dynamic Vibraion Absorber () Yudhkarisma Firi, dan Yerri Susaio Jurusan Teknik
Lebih terperinciPERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN (STUDI KASUS KOTA SALATIGA, BULAN JANUARI 2014 JULI 2016)
Prosiding Seminar Maemaika dan Pendidikan Maemaika ISBN: 978-602-622-20-9 hal 935-950 November 206 hp://jurnal.fkip.uns.ac.id PERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN
Lebih terperinciBAB 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 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 terperinciPERAMALAN CURAH HUJAN DENGAN WAVELET
PERAMALAN CURAH HUJAN DENGAN WAVELET Garini Widosari 1 T-7 1 Polieknik Negeri Samarinda 1 garini_72@yahoo.com Absrak Peramalan adalah salah sau unsur yang sanga pening dalam pengambilan kepuusan. Peranan
Lebih 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 terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
Lebih 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 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 terperinciPenerapan Model ARIMA Dalam Memprediksi IHSG
Penerapan Model ARIMA Dalam Memprediksi IHSG Bambang Hendrawan Polieknik Baam Parkway Sree, Baam Cenre, Baam 29461, Indonesia e-mail: benks@polibaam.ac.id Absrak: Tujuan peneliian ini adalah unuk mencari
Lebih 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 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 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 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 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 terperincix 4 x 3 x 2 x 5 O x 1 1 Posisi, perpindahan, jarak x 1 t 5 t 4 t 3 t 2 t 1 FI1101 Fisika Dasar IA Pekan #1: Kinematika Satu Dimensi Dr.
Pekan #1: Kinemaika Sau Dimensi 1 Posisi, perpindahan, jarak Tinjau suau benda yang bergerak lurus pada suau arah erenu. Misalnya, ada sebuah mobil yang dapa bergerak maju aau mundur pada suau jalan lurus.
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 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 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 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 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 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 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 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 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 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 terperinciMuhammad Firdaus, Ph.D
Muhammad Firdaus, Ph.D DEPARTEMEN ILMU EKONOMI FEM-IPB 010 PENGERTIAN GARIS REGRESI Garis regresi adalah garis yang memplokan hubungan variabel dependen (respon, idak bebas, yang dipengaruhi) dengan variabel
Lebih terperinciPeramalan 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 terperinciPERAMALAN JUMLAH PENUMPANG PADA PT
PERAMALAN JUMLAH PENUMPANG PADA PT. ANGKASA PURA I (PERSERO) KANTOR CABANG BANDAR UDARA INTERNASIONAL ADISUTJIPTO YOGYAKARTA DENGAN METODE WINTER S EXPONENTIAL SMOOTHING DAN SEASONAL ARIMA SKRIPSI Diajukan
Lebih 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 terperinciBAB 1 PENDAHULUAN. Propinsi Sumatera Utara merupakan salah satu propinsi yang mempunyai
BAB 1 PENDAHULUAN 1.1 Laar Belakang Propinsi Sumaera Uara merupakan salah sau propinsi yang mempunyai perkembangan yang pesa di bidang ransporasi, khususnya perkembangan kendaraan bermoor. Hal ini dapa
Lebih terperinciPERAMALAN 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 terperinciBAB IV METODOLOGI PENELITIAN
BAB IV METODOLOGI PENELITIAN Dalam peneliian ini, penulis akan menggunakan life cycle model (LCM) yang dikembangkan oleh Modigliani (1986). Model ini merupakan eori sandar unuk menjelaskan perubahan dari
Lebih 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN III.1 Model Peneliian Dalam menganalisa efekifias kebijakan pemerinah, maka model yang digunakan dalam skripsi ini adalah model yang diurunkan dari eori kekuaan monopoli,
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 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 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 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa
BAB 2 TINJAUAN TEORITI 2.1. Pengerian-pengerian Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. edangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciIII. METODE PENELITIAN. Data yang digunakan adalah data sekunder runtun waktu (time series) bulanan
III. METODE PENELITIAN A. Jenis dan Sumber Daa Daa yang digunakan adalah daa sekunder runun waku (ime series) bulanan dari 2002:01 sampai dengan 2009:06 yang bersumber dari Laporan dan websie Bank Indonesia
Lebih terperinciPENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS (ARIMA)
Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 PENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS
Lebih 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 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 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 terperinci