Peramalan Jumlah Frekuensi Penumpang Pesawat Terbang Domestik Di Bandar Udara Juanda Dengan Menggunakan Metode ARIMA dan Fungsi Transfer
|
|
- Glenna Lesmana
- 7 tahun lalu
- Tontonan:
Transkripsi
1 1 Peramalan Jumlah Frekuensi Penumpang Pesawat Terbang Domestik Di Bandar Udara Juanda Dengan Menggunakan Metode ARIMA dan Fungsi Transfer 1 Ary Miftakhul Huda, 2 Heri Kuswanto 1 Mahasiswa, 2 Dosen Pembimbing Jurusan Statistika, Fakultas MIPA, Institut Teknologi Sepuluh Nopember (ITS) Jalan Arief Rahman Hakin, Surabaya aryhuda@gmailcom, 2 heri_k@statistikaitsacid Abstrak -Kenaikan jumlah penduduk berbanding lurus dengan kebutuhan penduduk untuk menggunakan jasa transportasi, salah satunya adalah jasa angkutan udara Perkembangan jasa angkutan udara dalam negeri dapat dilihat antara lain dari peningkatan baik jumlah penumpang maupun barang yang diangkut selama 5 tahun terakhir Fenomena kenaikan jumlah penumpang pada perode mendatang dapat dianalisis menggunakan ilmu disiplin statistika, yakni analisis deret waktu dengan menggunakan pendekatanmultivariate time series dan univariate time series Pada multivariate time series menggunakan model fungsi transfer dengan deret input jumlah pesawat, harga minyak dunia dan inflasi serta deret output jumlah penumpang Pada univariate time series menggunakan ARIMA Box Jenkins Berdasarkan kriteria Out-sample, maka model yang terbaik untuk meramalkan jumlah penumpang domestik di Bandar Udara Juanda adalah model univariate time series, yakni ARIMA (1,1,0)(1,0,0) 12 karena memiliki nilai RMSE yang minimummodel terbaik yang didapatkan memiliki makna bahwa peramalan jumlah penumpang domestik di Bandar Udara Juanda bulan ini terkait dengan jumlah penumpang pada 1, 2, 12, 13, 14 bulan sebelumnya Kata Kunci : penumpang, pesawat, inflasi, harga minyak dunia, fungsi transfer I PENDAHULUAN Berdasarkan sensus penduduk tahun 2012, telah terjadi peningkatan jumlah penduduk sekitar 20 juta jiwa dari data sensus sebelumnyakenaikan jumlah penduduk berbanding lurus dengan kebutuhan penduduk untuk menggunakan jasa transportasi, salah satunya adalah jasa angkutan udara Perkembangan jasa angkutan udara dalam negeri dapat dilihat antara lain dari peningkatan baik jumlah penumpang maupun barang yang diangkut selama 5 tahun terakhirfenomena kenaikan jumlah penumpang pada perode mendatang juga dapat dianalisis menggunakan ilmu disiplin statistika, yakni dengan time series analysis Beberapa penelitian telah dilakukan untuk meramalkan jumlah penumpang pesawat terbang Ahadianti (2010) melakukan penelitian untuk mengantisipasi peningkatan perpindahan penduduk pada masa datang Variabel yang mempengaruhi jumlah penumpang pesawat, seperti jumlah penerbangan, harga tiket, harga avtur, dan nilai tukar, sehingga digunakan metode fungsi transfer yang merupakan salah satu cara untuk menyelesaikan masalah bila terdapat lebih dari satu data time serieshasil peramalan pada penelitian ini, jumlah penumpang pesawat diperoleh sebesar penumpang pada bulan Juni 2009Insanil (2010) melakukan peramalan jumlah penumpang dan pesawat sangat penting untuk dapat dijadikan acuan dalam perkembangan dunia transportasi dan pariwisata dengan menggunakan ARI- MA Box-Jenkins dan ARIMAX dengan melibatkan vari-abel dummy lebaran sebagai input Auliardhin (2010) melakukan pemodelan terhadap jumlah penumpang pesawat menggunakan metode perubahan struktur Pemodelan dengan perubahan struktur ini dilakukan melalui 3 cara karena mempertimbangkan hasil dari pemodelan data simulasi Berdasarkan model terbaik dari data jumlah penumpang pesawat dari bulan Januari 2000 sampai dengan Juni 2008, waktu terjadinya perubahan struktur baik pada data penumpang rute Surabaya-Denpasar maupun rute Surabaya-Jakarta bukan merupakan kejadian naiknya harga BBM sehingga kenaikan harga BBM tidak mempengaruhi jumlah penumpang pesawat Model Fungsi Transfer adalah suatu model yang menggambarkan bahwa nilai prediksi masa depan dari suatu time series (disebut output series atau Y t ) adalah berdasarkan pada nilai-nilai masa lalu dari time series itu sendiri dan berdasarkan pula pada satu atau lebih time series yang berhubungan (disebut input series atau X t ) dengan output series tersebut Beberapa penelitian dengan menggunakan metode fungsi transfer telah dilakukan di Indonesia Yuliani (2011) meramalkan perkembangan aset perbankan syariah Indonesia sebagai deret output yang diduga dipengaruhi oleh Dana Pihak Ketiga (DPK) dan total pembiayaan sebagai deret inputmodel fungsi transfer terbaik dan nilai peramalan data aset untuk 12 b ulan ke depan terhadap DPK dan pembiayaan telah didapatkan Xiong and Cai (2006) melakukan penelitian dengan metode fungsi transfer yang dinilai efektif untuk desain pengontrol variabel independen Metode fungsi transfer dinilai sederhana, lugas, mudah dipahami dan dilaksanakan oleh insinyur lapangan Selain itu, dalam penelitian ini, keuntungan dari metode yang diusulkan bahkan lebih signifikan ketika diterapkan pada dimensi yang lebih tinggi proses dengan mode interaksi yang rumit Selain itu, dalam penelitian ini, keuntungan dari metode yang diusulkan bahkan lebih signifikan ketika diterapkan pada dimensi yang lebih tinggi proses dengan mode interaksi yang rumit Garniera, Gilsona, dan Young (2006) melakukan penelitian dengan metode fungsi transfer digunakan pada variabel sistem input yang multiple atau lebih dari satu Analisis simulasi Monte Carlo digunakan untuk menunjukkan sifat dan ketahanan umum pemilihan urutan model dan skema estimasi parameter Hasil yang diperoleh untuk
2 2 model proses berliku dan kolom distilasi biner industri menggambarkan tentang penerapan praktis dari skema identifikasi yang diusulkan Berdasarkan paparan diatas, penelitian ini menggunakan metode Fungsi Transfer Multi Input sebagai multivariate time seriesmodel dan metode ARIMA Box Jenkins sebagai univariate time series model Kedua metode tersebut dibandingkan untuk mendapatkan model terbaik dalam meramalkan jumlah frekuensi penumpang pesawat terbang domestik di Bandar Udara Juanda Periode peramalan adalah bulanan dan untuk meramalkannya diperhatikan pula faktor-faktor ekonomi seperti inflasi, harga minyak dunia, dan jumlah pesawat yang masuk dan keluar di Bandar Udara Juanda Penelitian ini menggunakan metode fungsi transfer multi input serta topik tentang peramalan jumlah penumpang di Bandar Udara Juanda, yang sama dengan Ahadianti Namun, dalam penelitian Ahadianti (2010) meneliti tentang peramalan jumlah penumpang pesawat dengan rute Surabaya- Balikpapan di Bandar Udara Juanda, sedangkan dalam penelitian ini dilakukan penelitian tentang peramalan jumlah penumpang domestik di Bandar Udara Juanda Selain itu, Ahadianti (2010) menggunakan variabel yang mempengaruhi jumlah penumpang pesawat, seperti jumlah penerbangan, harga tiket, harga avtur, dan nilai tukar sebagai variabel input, sedangkan dalam penelitian ini menggunakan variabel data jumlah pesawat, inflasi dan harga minyak dunia sebagai variabel input,yang diduga mempengaruhi jumlah frekuensi penumpang II TINJAUAN PUSTAKA Tinjauan yang digunakan terdiri atas kajian pustaka serta kajian teori terkait kasus dalam penelitian, yang bertujuan agar dapat menyelesaikan masalah yang ada dalam penelitian A Univariate Time Series (Autoregressive Integrated Moving Average(ARIMA)) Suatu proses dikatakan non-stasioner jika proses tersebut mempunyai rata-rata dan ragam yang tidak konstan untuk sembarang waktu pengamatan Model deret waktu yang nonstasioner dapat dikatakan sebagai proses Auto RegressiveIntegrated Moving Average ordo (p,d,q) atau disingkat ARI-MA (p,d,q), dimana: p a dalah order dari parameter auto-regresif, d adalah besaran yang menyatakan berapa kali dila-kukan differencing pada proses sehingga menjadi proses ya-ng stasioner, dan q a dalah order dari parameter moving ave-rage (Box dan Jenkins, 1976) Pada kenyataannya, tidak se-mua observasi deret waktu membentuk proses yang stasio-ner Metode ARIMA dapat juga digunakan untuk peramalan yang dikembangkan oleh Box Jenkins Metode ini menggunakan pendekatan iteratif pada identifikasi suatu model yang mungkin dari model umum Model terpilih kemudian diperiksa terhadap data historis untuk melihat apakah model ini akurat dalam menjelaskan deret (Hanke, dkk, 2003) Cryer (1986) merumuskan model umum ARIMA sebagai berikut: Model ARIMA(p,d,q) d W = Z t t Wt = φ 1 Wt + + φpwt p + at θ1at θqat q Keterangan : φ = parameter autoregressive θ = parameter moving average p = derajat autoregressive q = derajat moving average a t = galak acak (white noise) B Multivariate Time Series (Fungsi Transfer) Menurut Makridakis dkk (1999) model fungsi transfer bivariat ditulis dalam dua bentuk umum, bentuk pertama adalah sebagai berikut: Y t = v( X t + nt Orde fungsi transfer adalah k (menjadi orde tertinggi untuk proses pembeda-an) dan ini kadang-kadang dapat menjadi lebih besar, sehingga model fungsi trans-fer dapat dituliskan dalam model yang kedua sebagai berikut: ω( y t = X t b + nt δ ( atau y ω( X δ ( t = t b θ ( + a φ( ω = ω ω B ω B ω ( r δ ( = 1 δ1 B δ 2B δ r B 2 q θ ( = 1 θ1 B θ2b θqb 2 p φ( = 1 φ1 B φ2b φ p B t k k B Pernyataan θ( dan φ( menyatakan operator ratarata bergerak atau moving average dan operator autoregresif (AR) untuk gangguan n t Sedangkan untuk r,s,b menunjukkan penentuan parameter (parameterisasi) model fungsi transfer yang menghubungkan y t dengan x t dan p,q menunjukkan pembentukkan parameter dari model gangguan (noise model) Pembentukkan model fungsi transfer untuk deret input (X t ) dan deret output (Y t ) tertentu dalam bentuk data mentah meliputi 4 tahap utama dan beberapa sub utama dan beberapa sub tahap Empat tahap utama tersebut yaitu identifikasi model fungsi transfer, penaksiran parameter model fungsi transfer, dan penggunaan model fungsi transfer untuk peramalan (Makridakis dkk, 1999) C Pemilihan model terbaik Kriteria pemilihan model terbaik, dapat dibagi menjadi dua yakni kriteria untuk in sample dan out sample Untuk kriteria in sample, menggunakan AIC (Akaike s Information Criterion), sedangkan untuk menggunakan RMSE (Root of Mean Square Error) Menurut Wei(1994), salah satu kriteria dalam seleksi pemilihan model terbaik dari beberapa model yang sesuai dapat berdasarkan nilai AIC (A-
3 3 kaike s Information Criterion) Adapun persamaan matematik dari AIC (Akaike s Information Criterion) adalah sebagai berikut : AIC = n ln( σ 2 a ) + 2M dimana : n = banyaknya pengamatan efektif dalam proses pendugaan parameter 2 σ a = penduga Maximum Likelihood dari ragam sisaan M = banyaknya paremeter yang diduga dalam model Kriteria model terbaik adalah model dengan nilai AIC terkecil RMSE digunakan untuk mendapatkan informasi dari keseluruhan standar deviasi yang muncul saat menunjukkan perbedaan hubungan atau model yang dimilki Adapun rumus perhitungan RMSE adalah sebagai berikut n 1 2 RMSE = e t n t= 1 III METODOLOGI PENELITIAN Data yang digunakan dalam penelitian ini adalah data sekunder,yaitu data SLALU (Statistik Lalu Lintas Udara) dari PT Angkasa Pura 1 (Persero) Data yang diambil dari SLALU PT Angkasa Pura 1 (Persero) adalah jumlah penum-pang dan jumlah pesawat terbang di penerbangan domestik dalam periode bulanan mulai dari Januari 2000 sampai De-sember 2011 Data inflasi dan harga minyak dunia diperoleh dari website Badan Pusat Statistik(BPS), mulai dari Januari 2000 sampai Desember 2011 de ngan periode bulanan Ada-pun variabel yang digunakan dalam penelitian adalah varibel prediktor dan variabel responvariabel yang digunakan sebagai prediktor adalah Jumlah Pesawat Penerbangan Domestik di Bandar Udara Juanda, Laju Inflasi, dan Harga Minyak DuniaVariabel yang digunakan sebagai respon adalah jumlah penumpang pesawat terbang domestik di Bandar Udara JuandaData yang digunakan untuk variabel Jumlah Pesawat Penerbangan Domestik di Bandar Udara Juandadan jumlah penumpang pesawat terbang domestik di Bandar U- dara Juanda adalah data SLALU(Statistik Lalu Lintas Udara), dengan periode bulanan Sedangkan untuk variabel data Laju Inflasi dan variabel Harga Minyak merupakan data sekunder dari website Badan Pusat Statistik dengan periode bulanan Skala pengurukuran untuk masing-masing variabel a- dalah skala rasio Langkahanalisisyangdilakukanuntukmencapaitujuandaripenelitianiniadalah sebagai berikut Tahap 1 : Identifikasi Bentuk Model Identifikasi model meliputi tahapan-tahapan seperti berikut a Mempersiapkan deret input (deret dari data jumlah pesawat, harga minyak dunia, dan inflasi) dan output (deret dari data jumlah penumpang pesawat terbang) agar memperoleh deret input dan output yang stationer b Menentukan model ARIMA untuk deret input dan melakukan prewhitening pada deret tersebut untuk memperoleh deret yang white noise αα tt Φx( αt = Xt θx( pada persamaan c Melakukan prewhitening pada deret output untuk Φ memperoleh ββ tt pada persamaan x( β t = yt x B θ ( ) d Mendeteksi Cross Correlation (CCF) dan autokorelasi untuk deret input dan deret output yang telah mengalami Cαβ ( k) proses prewhitening pada persamaan rαβ ( k) = S S α β e Menetapkan nilai-nilai (b, r, s) yang menghubungkan deret input dan output f Penaksiran model transfer function sementara berdasarkan nilai (b,r,s) yang ditetapkan sebelumnya, ω( sehingga diperoleh persamaan v( xt = x t b δ ( g Melakukan penaksiran awal deret noise (n t ) dan perhitungan autokorelasi serta parsial korelasinya dengan persamaan nt = yt v0 xt v1xt vg xt g h Menetapkan ppnn, qqnn untuk model ARIMA pp nn, 0, qq nn dari deret noise (nn tt ) dengan persamaan φ n ( B ) nt = θ n ( at Tahap 2 : Penaksiran Parameter Model Transfer function Penaksiran parameter dari model transfer function dengan menggunakan metode Conditional Least Square Tahap 3 : Uji Diagnostik Model Transfer function Pengujian kebaikan dari model yang diperoleh pada tahap sebelumnya Tahap 4 : Penggunaan Model Transfer function untuk Peramalan Peramalan jumlah penumpang pesawat terbang di Bandar Udara Juanda untuk 12 b ulan ke depan dengan menggunakan model transfer function akhir IV ANALISIS DAN PEMBAHASAN A Statistika Deskriptif Jumlah Penumpang Domestik di Bandar Udara Juanda Rata-rata dari jumlah penumpang domestik di Bandar Udara Juanda dari tahun 2000 sampai tahun 2011 terus bertambah tiap tahunnya Hal ini memiliki makna bahwa kebutuhan masyarakat Indonesia mengenai sarana transportasi tiap tahu terus meningkat Nilai standart deviasi jumlah penumpang sebesar , hal ini berarti bahwa jumlah penumpang tiap bulannya memimiliki variasi yang tinggi Jumlah penumpang paling banyak tercatat di PT Angkasa Pura dari tahun 2000 sampai 2011 a dalah sebanyak orang, sedangkan jumlah penumpang paling sedikit tercatat di PT Angkasa Pura dari tahun 2000 sampai 2011 adalah sebanyak orang B Peramalan Jumlah Penumpang dengan Univariate Time Series Dalam penentuan model peramalan jumlah penumpang dengan univariate time series, dapat dilihat dari time series
4 4 plot dari data jumlah penumpang untuk mengetahui pola dan karakteristik data penumpang Gambar 41 Time Series Plot Jumlah Penumpang Berdasarkan Gambar 41, secara visual terlihat bahwa data jumlah penumpang tidak stationer dalam mean, sehingga perlu dilakukan proses differencing orde 1 non musiman Setelah mengalami proses itu, data jumlah penumpang sudah stationer maka dilakukan pengujian estimasi parameter dengan menggunakan statistik uji tmodel dugaan ARIMA harus dicek residualnya apakah sudah memenuhi a- sumsi white noisedengan L-Jung Box TestSelanjutnya, dilakukan pengujian residual berdistribusi normal dengan Kolmogorov Smirnov Berdasarkan hasil pengujian dengan Kolmogorov Smirnov, ketiga model yakni model ARI- MA(0,1,1[13])(1,0,0) 12, ARIMA (0,1,1)(1,0,0) 12 tidak berdistribusi normal karena p-value dari residual memiliki nilai yang kurang dari nilai α=0,05 Namun, pada model ARI- MA(1,1,0)(1,0,0) 12 telah berdistribusi normal karena p-value dari residual memiliki nilai yang lebih dari nilai α=0,05 Tabel 41 Pemilihan Model Terbaik Jumlah Penumpang Model ARIMA AIC (0,1,1[13])(1,0,0) ,2007 (1,1,0)(1,0,0) ,1818 (0,1,1)(1,0,0) ,6642 Model terbaik yang digunakan untuk memodelkan jumlah penumpang adalah model ARIMA (1,1,0)(1,0,0) 12 karena model signifikan parameternya serta memenuhi asumsi residual yang white noise dan berdistribusi normal serta memilki nilai AIC minimum dibandingkan model lainnya Persamaan model ARIMA terbaik untuk meramalkan jumlah penumpang di atas, memiliki makna bahwa peramalan jumlah penumpang di Bandar Udara Juanda bulan ini terkait dengan jumlah penumpang pada 1, 2, 12, 13, 14 bulan sebelumnya C Pembentukan Model Fungsi Transfer Untuk melakukan peramalan jumlah penumpang dengan fungsi transfer, maka harus dilakukan pemilihan model ARIMA terbaik pada deret input, yakni jumlah pesawat, harga minyak dunia, dan inflasipersamaan model ARIMA terbaik untuk memodelkan deret input jumlah pesawat di penerbangan domestik Bandar Udara Juanda adalah ARIMA (1,1,0)(1,0,0) 12 Persamaan model ARIMA tersebut dinilai penting dalam pembentukan model fungsi transfer Persamaan matematis model ARIMA (1,1,0)(1,0,0) 12 memiliki makna bahwa jumlah pesawat pada periode waktu saat ini memiliki keterkaitan dengan jumlah pesawat pada periode 1, 12, 13 bulan sebelumnyapersamaan model ARI Index MA terbaik untuk harga minyak dunia adalah model ARIMA (1,1,0) Persamaan matematis harga minyak dunia memiliki makna bahwa peramalan harga minyak dunia bulan ini terkait dengan harga minyak dunia pada 1, 2, 6 bulan sebelumnya Model terbaik yang digunakan untuk memodelkan inflasi adalah model ARIMA (0,1,1) karena model signifikan parameternya serta memenuhi asumsi residual yang white noise dan berdistribusi normal serta memilki nilai AIC minimum dibandingkan model lainnya Persamaan matematis yang dipeoleh dari model dugaan ARIMA terbaik untuk deret input inflasi, yakni ARIMA (0,1,1) memiliki makna bahwa nilai peramalan inflsi pada bulan ini terkait dengan nilai inflasi pada 1 bulan sebelumnyatahapan selanjutnya dalam pemodelan transfer function adalah prewhitening deret input dan deret output Kemudian, pembentukan model fungsi transfer pada masingmasing deret input Model deret noiseuntuk deret input jumlah pesawat, yakni ARIMA (0,0,1[12,23])dengan keterkaitan antara deret input dengan deret output terjadi pada lag-0 dan lag-12 Model akhir transfer function yang diperoleh, menjelaskan bahwa pola jumlah penumpang domestik di Bandar Udara Juanda pada bulan ini memiliki dependensi dengan jumlah penumpang domestik di Bandar Udara Juanda pada bulan 1 bulan sebelumnya serta memiliki hubungan korelasi secara linear dengan jumlah pesawat pada 12 dan 13 bulan sebelumnya Oleh karena itu, interpretasi dari model deret noisearima(0,0,1[12,23]) dengan keterkaitan terjadi pada lag-0 dan lag-12 dapat digunakan untuk menjelaskan keterkaitan secara linear antara jumlah pesawat terhadap jumlah penumpang domestik di Bandar Udara Juanda Pembentukan model transfer function pada deret input harga minyak dunia dalah model ARIMA (1[12],0,0) orde b=2; r=0; s=0interpretasi dari model akhir transfer function yang adalah pola jumlah penumpang domestik di Bandar Udara Juanda pada bulan ini memiliki dependensi dengan jumlah penumpang domestik di Bandar Udara Juanda pada bulan 1, 2, 12, 13 bulan sebelumnya serta memiliki hubungan korelasi secara linear dengan harga minyak dunia pada 2, 3, 4, 14, 15 bulan sebelumnya Bentukpermodelan daritransfer Function pada Deret Input Inflasiadalah ARIMA (0,0,2[12,24]) dengan orde b=16; r=0; s=0 Berdasarkan model akhir fungsi transfer yang didapat, maka dapat diketahui bahwa jumlah penum-pang domestik di Bandar Udara Juanda bulan ini memiliki dependensi dengan jumlah penumpang domestik di Bandar U- dara Juanda pada 1 bulan sebelumnya serta memiliki hubungan korelasi secara linear dengan inflasi pada 16 dan 17 bulan sebelumnya Pembentukan Model Fungsi Transfer Multi Input dilakukan dengan terlebih dahulu melakukan pengujian signifikansi parameter dengan menggunakan statistika uji t dengan taraf signifikansi α=0,05 salah satunya pada model A- RIMA (0,0,1[12]) Pada model tersebut, telah diketahui bahwa semua parameter model ARIMA, yakni θ 1 dan θ 2 signifikan secara
5 5 statistik dengan p-value yang kurang dari α=0,05, namun pada parameter orde b,r,s pada deret input yakni pada deret input dan harga minyak dunia ( ω 2 ) inflasi ( ω 16 ) tidak signifikan secara statistik karena p-value yang lebih besar dari α=0,05 Deret input yang signifikan secara statistik hanya jumlah pesawat dengan p-value yang kurang dari α=0,05 A- dapun model peramalan jumlah penumpang dengan menggunakan pendekatan Multivariate Time Series, yakni Fungsi Transfer Single Input dengan deret input jumlah pesawat Adapun perbandingan Peramalan Terbaik Jumlah Penumpang antara Univariate Time Series dengan Multivariate Time Series disajikan dalam Tabel 42 Tabel 42 Pemilihan Model Terbaik Jumlah Penumpang Model RMSE ARIMA 0, Fungsi Transfer 0, Berdasarkan kriteria Out-sample, maka model yang terbaik untuk meramalkan jumlah penumpang domestik di Bandar Udara Juanda adalah model univariate time series, yakni ARIMA (1,1,0)(1,0,0) 12 karena memiliki nilai RMSE yang minimum DPeramalan Jumlah Penumpang dengan Univariate Time Series untuk 1 Tahun ke Depan Telah diketahui sebelumnya bahwa model peramalan terbaik untuk meramalkan jumlah penumpang domestik di Bandar Udara Juanda adalah dengan pendekatan univariate time series, yakni model ARIMA (1,1,0)(1,0,0) 12 Adapunperamalan jumlah penumpang pada periode 1 t ahun ke depan digambarkan pada Gambar Gambar 42Ramalan Jumlah Penumpang 1 Tahun ke Depan FORECAST L95 U95 Ramalan jumlah penumpang domestik di Bandar Udara Juanda selama 1 tahun ke depan, menjelaskan bahwa jumlah penumpang pada bulan Januari sampai bulan Desember 2013 masih berada dalam batas atas dan batas bawah ramalan Hal ini menun-jukkan bahwa nilai peramalan jumlah penumpang domestik di Bandar Udara Juanda pada bulan Januari hingga Desember 2013 layak digunakan Tabel 43 Ramalan Jumlah Penumpang Tahun 2013 Bulan Jumlah Penumpang Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Pada Tabel 43, peramalan jumlah penumpang domestik di Bandar Udara Juanda selama 1 t ahun ke depan, yakni pada bulan Januari sampai bulan Juli 2013, jumlah penumpang akan mengalami kenaikan, sedangkan jumlah penumpang domestik di-prediksikan menurun pada bulan Agustus 2013 yakni sebesar penumpang Namun, pada bulan September akan naik menjadi penumpang, lalu bulan Oktober diprediksikan turun menjadi penumpang Pada bulan September sampai Desember 2013 d iprediksikan naik kembali hingga mencapai penumpang V KESIMPULAN Berdasarkan hasil-hasil analisis dan pembahasan pada bab sebelumnya, dapat disimpulkan sebagai berikut 1 Model univariate time series (ARIMA Box Jenkins) adalah : Yt = 0,43724Yt + 0,56276Yt 2 + 0,71069Yt 2 0, 31074Yt 3 0,3999Y t4 + a t Persamaan model ARIMA terbaik untuk meramalkan jumlah penumpang di atas, memiliki makna bahwa peramalan jumlah penumpang di Bandar Udara Juanda bulan ini terkait dengan jumlah penumpangpada 1, 2, 12, 13, 14 bulan sebelumnya 2 Model multivariate time series (Fungsi Transfer) adalah: Yt = 0, ,21131Xt , 21131Xt3 + Yt + a t 0,66229 at + 0,28677 at 2 0,62448at 3 Model akhir transfer function yang diperoleh, menjelaskan bahwa pola jumlah penumpang domestik di Bandar Udara Juanda pada bulan ini memiliki dependensi dengan jumlah penumpang domestik di Bandar Udara Juanda pada bulan 1 bulan sebelumnya serta memiliki hubungan korelasi secara linear dengan jumlah pesawat pada 12 dan 13 bulan sebelumnya
6 6 Oleh karena itu, interpretasi dari model deret noise ARI- MA(0,0,1[12,23]) dengan keterkaitan terjadi pada lag-0 dan lag-12 dapat digunakan untuk menjelaskan keterkaitan secara linear antara jumlah pesawat terhadap jumlah penumpang domestik di Bandar Udara Juanda 3 Berdasarkan kriteria Out-sample, maka model yang terbaik untuk meramalkan jumlah penumpang domestik di Bandar Udara Juanda adalah model univariate time series, yakni ARIMA (1,1,0)(1,0,0) 12 karena memiliki nilai RMSE yang minimum 4 Ramalan jumlah penumpang domestik di Bandar Udara Juanda selama 1 tahun ke depan, menjelaskan bahwa pada bulan Januari sampai bulan Juli 2013, akan mengalami kenaikan jumlah penumpang, sedangkan jumlah penumpang diprediksi menurun pada bulan Agustus 2013 Namun, pada bulan September akan naik, lalu bulan Oktober diprediksikan turun Pada bulan September sampai Desember 2013 diprediksikan naik kembali UCAPAN TERIMA KASIH [11] Insanil, M K 2010 Pemodelan dan Peramalan Jumlah Penumpang dan Pesawat Di Terminal Kedatangan Internasional Bandara Juanda Surabaya dengan Metode Variansi Kalender Surabaya : Institut Teknologi Sepuluh Nopember [12] Makridakis, S, Wheelwright, SC, dan McGee, V Alih bahasa Ir Hari Suminto 1999 Metode dan Aplikasi PeramalanEdisi kedua Binarupa Aksara, Jakarta [13] Xiong dan Cai 2006 Effective Transfer Function Method For Decentralized Control System Design Of Multi-Input Multi-Output Processes Journal of Process Control 16 Pages [14] Wei, WWS 1994 Time Series Analysis: Univariate and Multivariate MethodsAddison-Wesley Publishing Company,New York [15] Yuliani, F 2011 Peramalan Aset Dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer Surabaya : Institut Teknologi Sepuluh Nopember Penulis AMH mengucapkan terima kasih kepada Yayasan Karya Salemba Empat yang telah memberikan dana bantuan beasiswa pada periode 2012/2013Penulis juga mengucapkan terima kasih pada Institut Teknologi Sepuluh Nopemberatas dana bantuan khusus Tugas Akhir pada semester gasal periode 2012/2013 DAFTAR PUSTAKA [1] Abraham, B dan Ledolter, J 1983 Statistical Method for Forecasting John Willey and Sons, Inc, Canada [2] Ahadianti 2010 Pemodelan Jumlah Penumpang Pesawat Rute Surabaya-Balikpapan Dengan Menggunakan Metode Fungsi Transfer Multi Input Surabaya : Institut Teknologi Sepuluh Nopember [3] Arsyad, L 1994 Peramalan Bisnis Edisi Pertama Yogyakarta : BPFE [4] Auliardhin, L Pemodelan Jumlah Penumpang Pesawat dengan Perubahan StrukturSurabaya : Institut Teknologi Sepuluh Nopember [5] Badan Pusat Statistik 2012 Hasil Sensus Penduduk Tahun 2012 Jakarta : Badan Pusat Statistik [6] Bappenas 2000 wwwbappenasgoid Bappenas : Jakarta [7] Box, J dan Reisel 1994 Time Series Analysis and Control ForecastingPrentice Hall New Yersey [8] Cryer, JD 1986 Time Series AnalysisPWS-KENT Publising Company, Boston [9] Garniera, et al 2006 An Optimal IV Technique For I- dentifying Continuous-Time Transfer Function Model Of Multiple Input SystemsJournal of Control Engineering Practice 15 pages [10] Hanke, JE, Reitsch, AG dan Wichern, DW 2003 Peramalan Bisnis Edisi Ketujuh Alih Bahasa: Devy Anantanur PT Prenhallindo Jakarta
PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT
PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG LOGO DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT Oleh : Ary Miftakhul Huda (1309 100 061) Dosen Pembimbing : Dr.rer.pol.
Lebih terperinciPeramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer
Peramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer 1 Faridah Yuliani dan 2 Dr. rer pol Heri Kuswanto 1,2 Jurusan Statistika
Lebih terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciPemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input
Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input Oleh : Defi Rachmawati 1311 105 007 Dosen Pembimbing :
Lebih terperinciPERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)
PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciOleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si
Oleh : Dwi Listya Nurina 1311105022 Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si Air Bersih BUMN Penyediaan air bersih untuk masyarakat mempunyai peranan yang sangat penting dalam meningkatkan kesehatan
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-300
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (203) 233-20 (230-9X Print) D-300 Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R- dengan Metode Fungsi Transfer
Lebih terperinciPEMODELAN DAN PERAMALAN JUMLAH PENUMPANG DAN PESAWAT DI TERMINAL KEDATANGAN INTERNASIONAL BANDARA JUANDA SURABAYA DENGAN METODE VARIANSI KALENDER
PEMODELAN DAN PERAMALAN JUMLAH PENUMPANG DAN PESAWAT DI TERMINAL KEDATANGAN INTERNASIONAL BANDARA JUANDA SURABAYA DENGAN METODE VARIANSI KALENDER M. Insanil Kamil 0 0 0 m.insanil_kml@yahoo.com Dosen pembimbing:
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-249
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) 2337-3520 (2301-928X Print) D-249 Analisis Fungsi Transfer pada Harga Cabai Merah yang Dipengaruhi oleh Curah Hujan Di Surabaya Putri Rintan Aryasita,
Lebih terperinciLULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI
LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinciMetode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api
Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Efek Variasi Kalender dengan Pendekatan Regresi Time Series Nur Ajizah 1, Resa Septiani Pontoh 2, Toni Toharudin 3 Mahasiswa Program
Lebih terperinciPemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer
TUGAS AKHIR Pemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer Oleh : Fani Felani Farid (1306 100 047) Pembimbing : Drs. Kresnayana Yahya M.Sc Latar Belakang
Lebih terperinciPeramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun
Peramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun NAMA : RITA RAHMADHANI NRP : 1306 030 008 PEMBIMBING: DR. BRODJOL SUTIJO
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Berdasarkan sifatnya peramalan terbagi atas dua yaitu peramalan kualitatif dan peramalan kuantitatif. Metode kuantitatif terbagi atas dua yaitu analisis deret berkala
Lebih terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS Oleh : Agustini Tripena ABSTRACT In this paper, forecasting the consumer price index data and inflation. The method
Lebih terperinciPEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION
PEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION Oleh NYOMAN PANDU WIRADARMA (1308 100 052) Dosen Pembimbing 1
Lebih terperinciKAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q)
UJIAN TUGAS AKHIR KAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q) Disusun oleh : Novan Eko Sudarsono NRP 1206.100.052 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciPEMODELAN FUNGSI TRANSFER UNTUK MERAMALKAN CURAH HUJAN DI KOTA SEMARANG
PEMODELAN FUNGSI TRANSFER UNTUK MERAMALKAN CURAH HUJAN DI KOTA SEMARANG 1 Andayani Nurfaizah, 2 Rochdi Wasono, 3 Siti Hajar Rahmawati 1,2,3 Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinci99.9. Percent maka H 0 diterima, berarti residual normal
Uji residual white noise 2 Lag Q P value 6 3.5 9.49 0.5330 2 6.6 8.3 0.803 8 9.8 26.30 0.9059 24 9.3 33.92 0.6374 K p q Uji residual berdistribusi normal Percent 99.9 99 95 90 80 70 60 50 40 30 20 0 5
Lebih terperinciABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan
Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra A 1, Suyono 2, Ria Arafiyah 3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciBAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER
21 BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 3.1 Model Variasi Kalender Liu (Kamil 2010: 10) menjelaskan bahwa untuk data runtun waktu yang mengandung efek variasi kalender, dituliskan pada persamaan
Lebih terperinciBAB 2 LANDASAN TEORI. Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan datang. Peramalan adalah proses untuk memperkirakan kebutuhan di masa datang
Lebih terperinciPERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA
Saintia Matematika ISSN: 2337-9197 Vol. 2, No. 1 (2014), pp. 55 69. PERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA John Putra S Tampubolon, Normalina Napitupulu, Asima Manurung Abstrak.
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman 323-332 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN FUNGSI TRANSFER DENGAN DETEKSI OUTLIER UNTUK MEMPREDIKSI
Lebih terperinciAnalisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan
SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.
Lebih terperinciPENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK)
PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) FITROH AMALIA (1306100073) Dosen Pembimbing: Drs. Haryono, MSIE PENGENDALIAN KUALITAS
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciHALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL...
HALAMAN PERSETUJUAN PEMBIMBING...iii HALAMAN PENGESAHAN...iv MOTTO... v HALAMAN PERSEMBAHAN... vi KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR TABEL... xi DAFTAR GAMBAR... xii DAFTAR LAMPIRAN... xiv PERNYATAAN...
Lebih terperinciPENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)
PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Liana Kusuma Ningrum dan Winita Sulandari, M.Si. Jurusan Matematika,
Lebih terperinciPREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)
PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado
Lebih terperinciAnalisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus
Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia Oleh : Pomi Kartin Yunus 1306030040 Latar Belakang Industri manufaktur yang berkembang pesat
Lebih terperinciModel Penjualan Plywood PT. Linggarjati Mahardika Mulia
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol., No., Juli 7, Hal. 52-57 p-issn: 25-4596; e-issn: 25-4X Halaman 52 Model Penjualan Plywood PT. Linggarjati Mahardika Mulia
Lebih terperinciANALISIS PENJUALAN BAHAN BAKAR MINYAK (BBM) dari PT. PERTAMINA (PERSERO) UPms V SURABAYA dengan METODE ARIMA BOX JENKINS
ANALISIS PENJUALAN BAHAN BAKAR MINYAK (BBM) dari PT. PERTAMINA (PERSERO) UPms V SURABAYA dengan METODE ARIMA BOX JENKINS Oleh: Rizky Amlia Rachmawati (1306.030.046) Dosen Pembimbing: Dra. Madu Ratna, M.Si
Lebih terperinciSBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n
SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi
Lebih terperinciPENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH Tri Mulyaningsih ), Budi Nurani R ), Soemartini 3) ) Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran
Lebih terperinciAnalisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode
Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode ARIMA Box Jenkins Oleh : Winda Eka Febriana 1307 030 002 Pembimbing : Dra. Wiwiek Setya Winahju, MS Latar Belakang PMI Merupakan
Lebih terperinciPERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER I Ketut Putra Adnyana 1, I Wayan Sumarjaya 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas FMIPA
Lebih terperinciOUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran
OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat
Lebih terperinciBAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT
BAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT Model fungsi transfer multivariat merupakan gabungan dari model ARIMA univariat dan analisis regresi berganda, sehingga menjadi suatu model yang mencampurkan pendekatan
Lebih terperinciPEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA
Jurnal Matematika UNAND Vol. 3 No. 3 Hal. 59 67 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA ANNISA UL UKHRA Program Studi Matematika,
Lebih terperinciPERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA
Saintia Matematika Vol. 1, No. 1 (2013), pp. 1 10. PERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA Lukas Panjaitan, Gim Tarigan, Pengarapen Bangun Abstrak. Dalama makalah
Lebih terperinciTugas Akhir. Peramalan Penjualan Produk Minuman TB Wilayah Pemasaran Jawa Timur dengan Menggunakan Metode VARIMA. Oleh : C. Ade Kurniawan
Tugas Akhir Peramalan Penjualan Produk Minuman TB Wilayah Pemasaran Jawa Timur dengan Menggunakan Metode VARIMA Oleh : C. Ade Kurniawan 1304100022 Latar Belakang Ketidakpastian dalam aliran hulu supply
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciPeramalan Netflow Uang Kartal dengan Model Variasi Kalender dan Model Autoregressive Distributed Lag (ARDL)
Peramalan Netflow Uang Kartal dengan Model Variasi Kalender dan Model Autoregressive Distributed Lag (ARDL) Ainil Karomah dan Suhartono Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciPEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER
PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK
Lebih terperinciModel Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer
Model Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer OLEH : DWI LISTYA NURINI 1311 105 021 DOSEN PEMBIMBING : DR. BRODJOL SUTIJO SU, M.SI Bursa saham atau Pasar
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciPeramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA
JEKT 8 [2] : 136-141 ISSN : 2301-8968 Peramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA Rukini *) Putu Simpen Arini Esthisatari Nawangsih Badan Pusat Statistik
Lebih terperinciAnalisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung
Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung Desy Yuliana Dalimunthe Jurusan Ilmu Ekonomi, Fakultas Ekonomi,
Lebih terperinciLAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins
LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan
Lebih terperinciCetakan I, Agustus 2014 Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura
Hak cipta dilindungi Undang-Undang Cetakan I, Agustus Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura ISBN: ---- Deskripsi halaman sampul : Gambar yang ada pada cover
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pajak merupakan sumber kas negara yang digunakan untuk pembangunan. Undang- Undang Republik Indonesia Nomor 16 Tahun 2000 tentang Ketentuan Umum Dan Tata Cara Perpajakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciBAB I PENDAHULUAN. berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Time Series atau runtun waktu adalah serangkaian data pengamatan yang berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara berurutan
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian dilakukan di Pasar Bunga Rawabelong, Jakarta Barat yang merupakan Unit Pelaksana Teknis (UPT) Pusat Promosi dan Pemasaran Holtikultura
Lebih terperinciPERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)
M-11 2) PERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) Naili Farkhatul Jannah 1), Muhammad Bahtiar Isna Fuady 2), Sefri
Lebih terperinciMetode Deret Berkala Box Jenkins
METODE BOX JENKINS Metode Deret Berkala Box Jenkins Suatu metode peramalan yang sistematis, yang tidak mengasumsikan suatu model tertentu, tetapi menganalisa deret berkala sehingga diperoleh suatu model
Lebih 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 Atiqoh NRP : 1205 100 021 Dosen Pembimbing : 1. Dra. Nuri Wahyuningsih, MKes 2. Drs. Sulistiyo,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciPERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH)
Jurnal Matematika UNAND Vol. 5 No. 4 Hal. 80 88 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE
Lebih terperinciANALISIS DERET BERKALA MULTIVARIAT DENGAN MENGGUNAKAN MODEL FUNGSI TRANSFER: STUDI KASUS CURAH HUJAN DI KOTA MALANG
ANALISIS DERET BERKALA MULTIVARIAT DENGAN MENGGUNAKAN MODEL FUNGSI TRANSFER: STUDI KASUS CURAH HUJAN DI KOTA MALANG Fachrul Ulum Febriansyah dan Abadyo Universitas Negeri Malang E-mail: fachrul.febrian@gmail.com
Lebih terperinciSedangkan model fungsi transfer bentuk kedua adalah sebagai berikut :
1 Metode Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 255 dengan Pendekatan Fungsi Transfer Dwi Listya Nurini, Brodjol Sutijo SU Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih terperinciPeramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2012 Dengan Metode ARIMA BOX-JENKINS
Jurnal EKSPONENSIAL Volume 3, Nomor, Mei 2 ISSN 8-7829 Peramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2 Dengan Metode ARIMA BOX-JENKINS Forecasting The Number
Lebih terperinciKAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 1 a. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal. b. Lakukan pendugaan parameter pada
Lebih terperinciPERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciEFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN
EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN Puji Rahayu 1), Rohmah Nur Istiqomah 2), Eminugroho Ratna Sari 3) 1)2)3) Matematika
Lebih terperinciOPTIMALISASI PERENCANAAN PRODUKSI DENGAN PREEMPTIVE GOAL PROGRAMMING (STUDI KASUS: UD. DODOL MADE MERTA TEJAKULA, SINGARAJA)
OPTIMALISASI PERENCANAAN PRODUKSI DENGAN PREEMPTIVE GOAL PROGRAMMING (STUDI KASUS: UD. DODOL MADE MERTA TEJAKULA, SINGARAJA) Ni Putu Deviyanti 1, Ni Ketut Tari Tastrawati 2, I Wayan Sumarjaya 3 1 Jurusan
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 016 1 Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu: 1. Penentuan model tentatif (spesifikasi model)
Lebih terperinciPERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT
PERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT Novian Endi Gunawan 1, I Wayan Sumarjaya 2, I G.A.M. Srinadi 3 1 Program Studi Matematika,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
Lebih terperinciPERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika Vol. 1, No. 6 (2013), pp. 579 589. PERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS Raisa Ruslan, Agus Salim Harahap, Pasukat Sembiring Abstrak. Dalam
Lebih terperinciPemodelan Inflasi di Kota Semarang, Yogyakarta, dan Surakarta dengan pendekatan GSTAR
JURNAL SAINS DAN SENI POMITS Vol., No., (0) 7-0 (0-X Prin D-7 Pemodelan Inflasi di Kota Semarang, Yogyakarta, dan Surakarta dengan pendekatan GSTAR Laily Awliatul Faizah dan Setiawan Jurusan Statistika,
Lebih terperinciPenerapan Analisa Time Series Terhadap Nilai Matematika di SMAS Alfa Centauri Bandung.
Penerapan Analisa Time Series Terhadap Nilai Matematika di SMAS Alfa Centauri Bandung. Imam Nulhakim, Utriweni Mukhaiyar Institut Teknologi Bandung, Jl.Tamansari no 64, Bandung; imamnul@gmail.com Jl.Tamansari
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu
Lebih terperinciHASIL DAN PEMBAHASAN. Eksplorasi Data
5 korelasi diri, dan plot korelasi diri parsial serta uji Augmented Dickey- Fuller b. Identifikasi Model dengan metode Box-Jenkins c. Pemutihan deret input d. Pemutihan deret output berdasarkan hasil pemutihan
Lebih terperinciANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun )
ANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun 2006 2011) Amelia Crystine 1, Abdul Hoyyi 2, Diah Safitri 3 1 Mahasiswa Jurusan Statistika FSM UNDIP
Lebih terperinciBAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang
Lebih terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
Lebih terperinciModel Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan
METODE BOX JENKINS Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan utk semua tipe pola data. Dapat
Lebih terperinciBAB 2 LANDASAN TEORI Pengertian Data Deret Berkala
BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian
Lebih terperinciPrediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA
Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA Jeine Tando 1, Hanny Komalig 2, Nelson Nainggolan 3* 1,2,3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciANALISIS PERAMALAN ARIMA BOX-JENKINS PADA DATA PENGIRIMAN BARANG
ANALISIS PERAMALAN ARIMA BOX-JENKINS PADA DATA PENGIRIMAN BARANG Anik Rufaidah 1), Muhamad Afif Effindi 2) 1, 2) Sekolah Tinggi Teknik Qomaruddin Gresik Jalan Raya No. 01 Bungah Gresik 61152 e-mail: anikrufaidah99@gmail.com
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan (Forceasting) 2.1.1 Pengertian Peramalan Untuk memajukan suatu usaha harus memiliki pandangan ke depan yakni pada masa yang akan datang. Hal seperti ini yang harus dikaji
Lebih terperinciBAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial
BAB II TINJAUAN PUSTAKA Berikut teori-teori yang mendukung penelitian ini, yaitu konsep dasar peramalan, konsep dasar deret waktu, proses stokastik, proses stasioner, fungsi autokovarians (ACVF) dan fungsi
Lebih terperinciPEMODELAN TINGKAT INFLASI NASIONAL DENGAN MODEL FUNGSI TRANSFER INPUT GANDA SUCI UTAMI FIBRIANI
PEMODELAN TINGKAT INFLASI NASIONAL DENGAN MODEL FUNGSI TRANSFER INPUT GANDA SUCI UTAMI FIBRIANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ii
Lebih terperinciPREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32
PREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32 Nanang WIdodo Penelid Staslun Pengamat Dlrgantara Watukosek, LAPAN ABSTRACT The time series of the monthly number
Lebih terperinciPENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA
KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.
Lebih terperinciPEMODELAN DATA RUNTUK WAKTU PADA DATA PRODUKSI SUSU SAPI DI AMERIKA SEJAK TAHUN
PEMODELAN DATA RUNTUK WAKTU PADA DATA PRODUKSI SUSU SAPI DI AMERIKA SEJAK TAHUN 1962 1975 Jantini Trianasari Natangku dan Fitria Puspitoningrum Mahasiswa Program Studi Matematika Fakultas Sains dan Matematika
Lebih terperinciPeramalan Penjualan Pipa di PT X
Elviani, et al. / Peramalan Penjualan Pipa di PT X / Jurnal Titra, Vol.. 2, No. 2, Juni 2014, pp. 55-60 Peramalan Penjualan Pipa di PT X Cicely Elviani 1, Siana Halim 1 Abstract: In this thesis we modeled
Lebih terperinci