PERAMALAN BEBAN HARIAN PEMAKAIAN LISTRIK WILAYAH JAWA-BALI
|
|
- Hamdani Atmadjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PERAMALAN BEBAN HARIAN PEMAKAIAN LISTRIK WILAYAH JAWA-BALI Ibrahim Ali Marwan dan Drs. Kresnayana Yahya, M.Sc 2 Mahasiswa Jurusan Statistika, ITS, Surabaya 2 Dosen Pembimbing, Jurusan Statistika, ITS, Surabaya ibrahim_ali_marwan@yahoo.com; kresna49@yahoo.com; Abstrak Listrik merupakan bentuk energi yang mengalir melalui jaringan kabel dan merupakan bentuk energi yang paling penting bagi manusia saat ini. Dalam sistem kelistrikan Jawa-Bali perlu pengaturan kesesuian antara kebutuhan daya oleh konsumen (demand) yang semakin meningkat dengan kesediaan daya yang dapat dibangkitkan oleh pembangkit (supply). Untuk mengatasi permasalahan ini, dibutuhkan rencana perkiraan beban listrik kedepannya. Metode yang digunakan untuk peramalan beban listrik kedepannya adalah menggunakan metode ARIMA musiman berganda. Data yang digunakan dalam penelitian ini adalah data beban harian per-setengah dari PLN P3B Jawa-Bali bulan Desember 200. Hari dengan beban puncak (peak load) dalam setiap minggu dibulan Desember 200 terjadi pada hari Kamis sedangkan untuk hari Sabtu dan Minggu, serta beban pada hari khusus juga berada di bawah rata-rata konsumsi listrik hari aktif kerja. Region I (DKI Jakarta & Banten) yaitu sekitar 42%, Region II (Jawa Barat) yaitu sekitar 2%, Region III (Jawa Tengah-DIY) yaitu sekitar 4%, serta Region IV & SRB (Jatim-Bali) yaitu sekitar 23%. Model terbaik untuk melakukan peramalan beban harian sistem Jawa-Bali adalah model A ( [ ]) dengan penambahan outlier. Kata kunci : Ketenagalistrikan, Beban Listrik, ARIMA Musiman Berganda, Deteksi Outlier.. PENDAHULUAN Listrik merupakan bentuk energi yang mengalir melalui jaringan kabel dan merupakan bentuk energi yang paling penting bagi manusia saat ini. Pemanfaatan secara optimum bentuk energi ini oleh masyarakat dapat dibantu dengan sistem distribusi yang efektif. PT PLN (Perusahaan Listrik Negara) merupakan BUMN (Badan Usaha Milik Negara) yang bertugas untuk menyediakan kebutuhan listrik di Indonesia. Mulai tahun 2000 terbentuk Organisasi dan Tata Kerja Unit Bisnis Strategis Penyaluran dan Pusat Pengatur Beban Jawa-Bali atau disebut P3B Jawa- Bali. P3B Jawa-Bali ini terdiri dari 4 region yaitu Region I untuk wilayah Jakarta-Banten, Region II untuk wilayah Jawa Barat, Region III untuk wilayah Jawa Tengah-DIY, dan Region IV & SRB (Sub Region Bali) untuk wilayah Jawa Timur-Bali. Menurut data dari P3B diketahui bahwa Peak Load pada tahun 200 adalah sekitar 8.00 MW yang mana naik sekitar 5,7% di atas tahun 2009 dengan daya mampu netto (DMN) sebesar MW, sedangkan alokasi cadangan daya adalah sebesar daya pembangkit terbesar saat ini yaitu sekitar 660 MW yang berasal dari PLTU Batubara di Paiton. Sumber permintaan energi listrik adalah sangat variatif baik perumahan maupun komersil, dan semakin hari semakin meningkat, sedangkan sumber supply listrik yang cenderung terbatas. Untuk mengatasi permasalahan ini, dibutuhkan kesesuaian antara demand dan supply, sehingga dibutuhkan perencanaan rencana operasi, sebagai acuan operasional pembangkit dalam menentukan pembangkit mana yang harus disiapkan untuk memenuhi kebutuhan dari pelanggan, agar tidak terjadi pemadaman listrik, yang dikarenakan demand lebih besar daripada supply. Perkiraan yang dibuat didasarkan pada beban harian daya listrik pada waktu sebelumnya. Metode ARIMA Musiman Berganda adalah pendekatan yang paling banyak digunakan dalam pembentukan model dan peramalan beban listrik harian. Ide terpenting dari metode ini adalah penggunaan pola musiman berganda yaitu 2 pola musiman yang berbeda yaitu pola musiman harian dan mingguan.
2 Pemodelan sebelumnya tentang beban harian telah dilakukan dengan menggunakan metode ARIMA Musiman Berganda untuk model peramalan konsumsi listrik jangka pendek per-jam untuk daerah Mengare, Gresik (Sa diyah, 2008), dan metode E-RNN juga untuk model peramalan konsumsi listrik jangka pendek per-jam di Mengare, Gresik (Endharta, 2009). Disamping metode tersebut, dengan mengaplikasikan ARIMA adalah Moenandar (2009) dan Shofiya (2009) yang keduanya mengaplikasikan ARIMA untuk peramalan produksi Minyak Bumi dan Gas di Pertamina-Petrochina East Java. Pranoto (2006) yang melakukan perancangan sistem peramalan pemakaian listrik dengan metode GARCH dan untuk di luar Indonesia penelitian tetang beban listrik menggunakan ARIMA musiman berganda yaitu pemodelan dan peramalan beban listrik di Brazil dan Inggris oleh Taylor dkk. (2006). 2. TINJAUAN PUSTAKA Analisis Time Series adalah salah satu metode statistika yang diterapkan untuk meramalkan keadaan yang akan terjadi dimasa yang akan datang dalam rangka pengambilan keputusan (Wei, 2006). Asumsi awal dalam pembentukan model analisis Time Series adalah mengasumsikan bahwa data dalam keadaan stasioner. Jika data belum stasioner dalam varians maka dilakukan transformasi pada data. Salah satu transformasi yang dapat digunakan adalah transformasi Box- Cox. Namun bila data belum stasioner dalam mean maka dilakukan proses differencing. Salah satu analisis Time Series yang sering digunakan adalah model ARIMA (Autoregressive Integrated Moving Average). Berdasarkan kestasioneran data, ARIMA di kelompokan menjadi 2 kategori yaitu model Stasioner dan Non-Stasioner. Model Stasioner yang umum digunakan adalah model Autoregressive Moving Average (ARMA), yang mana model ini mengandung model Autoregressive (AR) dan model Moving Average (MA). Model ARMA adalah sebagai berikut: Atau dapat juga ditulis sebagai, () (2) Model Non-Stasioner yang biasa dan umum digunakan adalah ARIMA (Autoregressive Integrated Moving Average) yang mana model tersebut terdiri atas model AR dan MA serta mengandung pola musiman (Seasonal) atau trend. Model ARIMA adalah sebagai berikut: (3) Untuk model ARIMA pola musiman dengan orde (p,d,q)(p,d,q) S dengan S adalah pola musiman, secara matematis dapat dijelaskan sebagai berikut: Dalam ARIMA Non-Stasioner, kadang kala kita akan menghadapi pola musiman berganda (Multiple Seasonal), atau dapat ditulis ARIMA (p,d,q) (P,D,Q ) S (P 2,D 2,Q 2 ) S2 atau secara matematis dapat ditulis sebagai berikut: dimana, S dan S2 adalah pola musiman yang berbeda. Outlier adalah data yang memiliki nilai sangat besar ataupun sangat kecil dibandingkan dengan data observasi lainnya dalam suatu set data yang sama. Salah satu cara untuk mengatasi permasalahan ini adalah dengan memasukkan outlier ke dalam model atau dengan kata lain, memodelkan outlier yang ada pada data. Ada empat jenis outlier, yaitu Innovational Outlier (IO), Additive Outlier (AO), Temporary Change (TC), dan Level Shift (LS). Gambar untuk masing-masing jenis outlier tersebut dapat dijelaskan pada Gambar. 2
3 Gambar. Jenis Outlier. (a) Additive outlier, (b) Innovative outlier, (c) Temporary change, dan (d) Level shift Model Outlier umum dengan k outlier dapat dituliskan sebagai berikut dengan dan adalah variabel yang menunjukkan adanya outlier pada waktu ke-, dinotasikan sebagai berikut: tidak termasuk listrik yang dipakai untuk komunikasi, elektronika, atau isyarat. Untuk wilayah Jawa-Bali, pendistribusian tenaga listrik diatur oleh anak cabang dari PT. PLN (Persero) yaitu PLN P3B Jawa-Bali (Penyaluran dan Pusat Pengatur Beban Jawa-Bali). P3B Jawa-Bali mengatur operasi dari pembangkit listrik yang ada di wilayah Jawa dan Bali. Unit ini mengatur kapan pembangkit harus dinyalakan (Start) dan kapan harus dimatikan (Off), serta menentukan pembangkit mana yang harus dinyalakan setiap harinya, agar kebutuhan listrik oleh pelanggan selalu terpenuhi. Sistem penyaluran listrik di tiap Region merupakan satu kesatuan yang tidak dapat dipisahkan antar satu dengan lainnya, karena disaat salah satu atau beberapa pembangkit di suatu Region sedang Off atau dalam keadaan maintenance, maka pembangkit yang lain harus mengisi kekosongan (back up) agar demand beban dari konsumen dapat terus terpenuhi. Setiap harinya operator (Dispatcher) mengatur alokasi dispatch pembangkit mana yang harus diaktifkan, dimatikan, diturunkan, dan dinaikan dayanya sesuai rencana operasional harian (ROH), berdasarkan tingkat keekonomisan bahan bakar setiap pembangkitnya yang disajikan pada Loadstack Gambar 2. Additive Outlier (AO) Level Shift (LS) { { Pada penelitian ini hanya digunakan 2 jenis outlier ini. Penilaian model terbaik didasarkan pada kesalahan (error) yang dihasilkan. Untuk data insample, kriteria kebaikan model yang digunakan adalah AIC (Akaike s Information Criterion): ( ) Sedangkan untuk data out-sample digunakan MAPE (Mean Absolute Percentage Error): Dimana, n adalah jumlah pengamatan. Tenaga listrik adalah suatu bentuk energi sekunder yang dibangkitkan, ditransmisikan, dan didistribusikan untuk segala macam keperluan, 3 Gambar 2. Loadstack harian pembangkit sistem Jawa-Bali 200 Untuk beberapa pembangkit, tidak bisa langsung melakukan Start mesin secara mendadak, sehingga perlu alokasi mana pembangkit yang terlebih dahulu untuk menyala dan mana yang berikutnya, untuk membantu pembangkit lainnya agar demand dari konsumen tetap terpenuhi pada hari itu. Untuk urutan pembangkit yang akan dinyalakan terlebih dahulu
4 adalah dari pembangkit dengan energi yang paling ekonomis yaitu pembangkit yang menggunakan energi Hidro Run River dan panas bumi, akan tetapi jenis pembangkit ini hanya dapat menghasilkan beban sekitar.000 MW secara konstan, kemudian untuk membantu kedua jenis pembangkit tersebut dialokasikan pembangkit dengan bahan bakar batubara yang dapat meningkatkan beban sistem hingga sekitar MW. Kemampuan beban sebesar itu pada saat ini masih belum mencukupi untuk memenuhi kebutuhan dari konsumen, sehingga harus dibantu lagi oleh pembangkit lain, yaitu pembangkit dengan menggunakan pembangkit berbahan bakar Gas, selanjutnya pembangkit BBM yang harganya relatif lebih mahal. Khusus untuk Sub-Region Bali semua pembangkit sampai saat ini masih menggunakan BBM, namun karena Bali adalah daerah wisata international, walaupun pembangkit disana mempergunakan BBM tetapi mesin pembangkit ini harus operasi non-stop (must run). Sedangkan untuk mengatasi Peak Load (beban puncak) digunakan PLTA waduk, walaupun ini merupakan energi yang tergolong ekonomis akan tetapi pembangkit jenis ini memiliki keistimewaan yaitu dapat menghasilkan daya secara spontan dan Start mesin yang relatif cepat. 3. METODOLOGI PENELITIAN Data yang digunakan dalam penelitian ini adalah data beban harian yang merupakan data sekunder dari PLN P3B Jawa-Bali. Data dalam penelitian ini adalah data beban listrik bulan Desember 200 dan Januari 20 serta data beban listrik regional bulan Desember Data beban listrik yang dipakai dalam penelitian ini diduga adanya dependensi terhadap waktu, karena beban listrik di waktu tertentu pasti dipengaruhi oleh waktu sebelumnya, dalam penelitian ini beban dalam skala waktu per-setengah jam agar variabilitas data terhadap waktu dapat terlihat lebih jelas, sehingga dapat terlihat pola yang terjadi pada data beban listrik per-setengah jam tersebut. Tahapan dalam pemodelan permalan beban harian menggunakan metode Time Series adalah sebagai berikut:. Melakukan plotting data rata-rata beban sistem Desember 200 berdasarkan kelompok data, yaitu rata-rata hari kerja, hari libur reguler (Sabtu-Minggu), dan hari khusus untuk mengetahui perbedaan antar kelompok hari-hari tersebut, serta mengidentifikasi share dari tiap Region di Jawa-Bali menggunakan data beban regional Desember Melakukan pemodelan jangka pendek dari data in-sample beban harian menggunakan ARIMA musiman berganda. Adapun langkahlangkah analisis ARIMA musiman berganda adalah sebagai berikut: a. Identifikasi model ARIMA, dalam tahap ini dilakukan plotting data in-sample kemudian diperiksa kestasioneran datanya baik mean (ACF & PACF) maupun variansnya (Box-Cox). Jika data tidak stasioner terhadap varians maka dilakukan transformasi berdasarkan nilai λ pada analisa Box-Cox, jika data tidak stasioner terhadap mean (adanya trend, seasonal harian, dan seasonal mingguan) maka dilakukan differencing. b. Identifikasi model berdasarkan ACF dan PACF yang sudah stasioner untuk menentukan estimasi parameter MA dan AR. c. Cek diagnosa, pada tahap ini residual dicek apakah sudah memenuhi asumsi distribusi normal dan asumsi white noise, bila residual belum memenuhi asumsi white noise, maka model diidentifikasi ulang dengan model ARIMA yang lain. d. Apabila residual model didiagnosa tidak memenuhi asumsi normal, maka dicek apakah ada data yang dianggap outlier menggunakan program paket SAS. Jika sudah diketahui observasi yang dianggap sebagai outlier beserta jenis outliernya, diatasi menggunakan model outlier dengan menggunakan variabel dummy sesuai observasi dan jenis outlier. Apabila residual model dengan outlier telah normal dan white noise, maka selanjutnya adalah pemilihan model terbaik. 4
5 e. Pemilihan model terbaik, dimana model yang dipilih nantinya adalah model yang menghasilkan kriteria pemilihan model (AIC) paling minimum. f. Forecasting beban harian 2 hari kedepan (-2 Januari 20) berdasarkan model awal dan model intervensi. g. Perbandingan ketepatan peramalan beban dengan data out-sample berdasarkan MAPE serta juga dibandingan dengan peramalan yang telah dilakukan oleh P3B. 4. HASIL DAN PEMBAHASAN Untuk mengetahui perilaku konsumen di wilayah Jawa-Bali dapat dilihat berdasarkan karakteristik rata-rata beban listrik per-setengah jam untuk bulan Desember 200. Berdasarkan Gambar 4 dapat dilihat bahwa hari dengan beban puncak (peak load) bulan Desember 200 lebih sering terjadi pada hari Kamis setiap minggunya, ini juga dapat diperjelas pada Gambar 5. Berdasarkan Gambar 5 untuk hari Sabtu dan Minggu beban listrik berada di bawah rata-rata beban listrik hari aktif normal, Begitu juga untuk hari khusus juga berada dibawah ratarata beban harian normal dan memiliki karakteristik yang hampir sama dengan hari Minggu. Data Variable Senin Selasa Rabu Kamis Jumat Sabtu Minggu natal hijriah 3 Des Jam Data Gambar 4. Time Series Plot Rata-Rata Beban Harian Desember Group Khusus Normal Gambar 3. Box Plot Rata-Rata Beban Harian Desember 200 Berdasarkan Gambar 3 dapat diketahui bahwa sebaran data pemakaian listrik pada puku sampai dengan pukul 8.00 memiliki keragaman yang lebih tinggi dibandingkan keragaman pada jam-jam lainnya, hal ini dikarenakan pada jam tersebut terdapat perbedaan yang cukup besar antara beban rata-rata hari aktif kerja dengan beban hari libur (reguler maupun khusus), sehingga meng-akibatkan range dan variasi beban pada jam tersebut semakin besar. Beban pemakaian listrik paling tinggi (peak load) terjadi pada pukul 8.30 hingga 9.30, hal ini diduga karena pada saat tersebut pelanggan sudah kembali dari aktifitas mereka dan kembali melakukan aktivitas di rumah, yang menggunakan banyak listrik terutama lampu, serta penggunaan alat-alat elektronik lainnya. Rata-Rata Harian senin selasa rabu kamis jumat sabtu minggu natal hijriah 3 Des Hari Gambar 5. Time Series Plot Beban Harian Tiap Region Selain melihat secara keseluruhan beban sistem Jawa-Bali, dapat juga dilihat perbedaan karakteristik beban antar tiap Region. Tiap Region memiliki share beban yang berbeda terhadap beban sistem secara keseluruhan. Berdasarkan Gambar 6 dapat dilihat pengguna listrik terbesar adalah pada Region I yaitu sekitar 42%, Region II sekitar 2%, Region III sekitar 2% dan Region IV 4% dari sistem keseluruhan. Sehingga dapat dilihat bahwa konsumsi listrik untuk tiap Region tidak merata dan cenderung memiliki karakteristik yang berbeda satu dengan yang lainnya. 5
6 8000 4% 23% 42% Region I Region II 2% Region III Region IV & SRB Beban Listrik Harian Gambar 6. Share Beban Harian Tiap Region Region I memiliki share yang paling besar terhadap sistem, hal ini disebabkan selain banyaknya konsumen rumah tangga, Region ini juga merupakan ibukota negara dan merupakan pusat pemerintahan dan CBD (Central Business District) sehingga pemakaian atau konsumsi listrik di Region ini paling tinggi dibanding Region lain mulai dari siang hari hingga pada malam hari. Region IV yaitu daerah Jatim dan Bali dimana daerah ini merupakan daerah yang sedang berkembang, baik dari sektor industri, perkantoran maupun rumah tinggal, dan juga karena Bali merupakan daerah wisata internasional sehingga pembangkit disana dijaga agar selalu tetap aktif. Untuk Region II, beban pemakaian listrik pada saat jam 00 sampai dengan 7.30 relatif memiliki beban yang sama dengan Region IV, akan tetapi saat memasuki beban pada jam aktif kegiatan, Region II ini masih cenderung dibawah beban Region IV, hal ini dikarenakan perbedaan aktivitas di kedua Region tersebut. Sedangkan untuk Region III merupakan Region yang memiliki share beban paling rendah dibandingkan Region yang lainnya, dikarenakan pada Region III lebih didominasi oleh pemukiman tempat tinggal penduduk dan sangat sedikit pusat industri maupun perkantoran. Setelah kita mengetahui karakteristik dari beban harian, sekarang akan dilakukan pemodelan Time Series untuk melakukan peramalan jangka pendek. Plotting data untuk data beban bulan Desember 200 yang dapat dilihat pada Gambar 7. Asumsi awal yang harus dipenuhi dalam metode ARIMA adalah data harus stasioner Index Gambar 7. Time Series Plot Beban Listrik Harian Desember 200 Untuk mengetahui stasioneritas data dalam varians, dilakukan pengecekan dengan menggunakan Box-Cox, sedangkan dalam mean, dilihat plot ACF data. Untuk diagnosa Box-Cox dapat disajikan pada Gambar 8 berikut: StDev Box-Cox Plot of Beban Listrik Harian -2.5 Lower CL Lambda Upper CL Limit Lambda (using 95.0% confidence) Estimate Lower CL -0.7 Upper CL 0.29 Rounded Value 0 Gambar 8. Box-Cox Plot Beban Listrik Harian Desember 200 Ln Beban Listrik Index Gambar 4.9 Transformasi Beban Listrik Harian Desember 200 Pada Gambar 8 dapat dilihat bahwa lambda λ (Rounded Value) sebesar 0,00 sehingga harus dilakukan transformasi terlebih dahulu, hasil transformasi data menggunakan Box-Cox dapat dilihat pada Gambar 9. Setelah data sudah
7 stasioner terhadap varians, sekarang dicek kestasioneran data terhadap mean berdasarkan plot ACF (Gambar 0). Berdasarkan Plot ACF data in-sample menunjukkan bahwa per 48 lag nilai ACF data berkurang sedikit demi sedikit atau dies down very slowly. Hal ini menunjukkan bahwa data in-sample belum stasioner terhadap mean, yang disebabkan data konsumsi listrik berpola musiman harian. Oleh karena itu, dilakukan differencing 48 lag pada data in-sample. Autocorrelation Lag Gambar 0. ACF Plot Beban Listrik Harian Desember 200 Setelah melakukan differencing untuk lag 48, dicek kembali plot dari ACF setelah dilakukan differencing pada lag 48 yang dapat disajikan pada Gambar. Berdasarkan hasil differencing pada Gambar dapat dilihat bahwa ACF masih turun secara lambat sehingga kita melakukan differencing lagi pada lag, sehingga diperoleh ACF seperti pada Gambar 2. Berdasarkan Gambar 2 dapat lihat bahwa pada lag 336 juga masih dies down slowly, ini diindikasikan terjadi suatu pola seasonal kedua yaitu pola weekly seasonal, yang kemudian harus kembali dilakukan differencing 336 sehingga mendapatkan data yang telah stasioner seperti yang disajikan pada Gambar 3. Double Seasonal (weekly+daily) Autocorrelation Lag Gambar. ACF Plot Beban Harian (Differencing lag 48) Index Gambar 3. Time Series Plot Beban Harian (Differencing lag 48,, dan 336) Karena penelitian ini melakukan differencing 2 pola seasonal inilah yang menyebakan dikatakan model ARIMA musiman berganda. Setelah data stasioner maka selanjutnya adalah menentukan estimasi model awal berdasarkan signifikansi dari plot ACF dan PACF yang telah stasioner yang dijelaskan pada Gambar 4 dan Gambar Autocorrelation Autocorrelation Lag Gambar 2. ACF Plot Beban Harian (Differencing lag 48 dan ) Lag Gambar 4. ACF Plot Beban Harian (Differencing lag 48,, dan 336) 7
8 Partial Autocorrelation Lag Gambar 5. PACF Plot Beban Harian (Differencing lag 48,, dan 336) Berdasarkan lag-lag yang keluar pada plot ACF dan PACF data differencing 48,, dan 336, model ARIMA dugaan awal dituliskan dalam Tabel. Model yang baik adalah model yang parameterparameternya signifikan atau P-value lebih kecil daripada 0,05 dengan nilai AIC paling minimun. Tabel. Nilai Uji Signifikasi Parameter Model Awal Parameter Koefisien P-Value <0, <0,00 Sehingga model yang diperoleh adalah, ( [ ]) Setelah menentukan dugaan awal untuk model peramalan harian, tahap selanjutnya adalah pengecekan asumsi residual yaitu white noise dan normalitas. Yang pertama adalah pengecekan asumsi white noise dapat disajikan pada Tabel 2 berikut: Tabel 2. Nilai Uji Chi-Square Residual Model Hingga Lag Chi-Square Df P_Value Yang kedua adalah asumsi residual berdistribusi normal. Berdasarkan statistik uji Kolmogorov- Smirnov, residual model dicek kenormalan datanya. Berdasarkan program SAS diperoleh hasil P-value <0,00, artinya residual belum memenuhi asumsi normal, diindikasikan adanya pengaruh outlier terhadap model, sehingga untuk mengatasi masalah ini outlier diikutkan dalam model. Menggunakan bantuan dari Program SAS, diperoleh outlier yang diindikasikan mem-pengaruhi 8 model, untuk mengatasi masalah ini outlier akan diikutkan dalam model hasil pemodelan dengan outlier dapat disajikan pada Tabel 3 berikut: Tabel 3. Nilai Uji Signifikasi Parameter Model Harian Dengan Outlier Parameter Estimate Standar Error t- value p- value Pada estimasi parameter dengan menggunakan 5 additive outlier dan 2 level shift, diperoleh hasil seperti pada Tabel 3. Dari nilai P-Value yang diperoleh yaitu <0,00, dapat disimpulkan bahwa seluruh outlier tersebut signifikan terhadap model awal. Setelah signifikansi parameter diuji, dilakukan cek diagnosa kembali terhadap residual. Yang pertama adalah cek asumsi white noise dapat disajikan pada Tabel 4. Tabel 4. Nilai Uji Chi-Square Residual Model Dengan Outlier Hingga Lag Chi-Square DF P-Value 2 2,08 8 0, , , , ,5027 Variable <.000 X <.000 X X <.000 X <.000 ao <.000 ao <.000 ao <.000 ao <.000 ao <.000 ls <.000 ls <.000 ls <.000 ls <.000 ls <.000 ls <.000 ls <.000 ls <.000 ls <.000 ls <.000 ls <.000 ls332 Berdasarkan Tabel 4 dapat diketahui bahwa residual model sudah memenuhi asumsi white noise. Hal ini ditunjukkan dengan P-value yang lebih besar daripada 0,05. Yang kedua adalah asumsi residual berdistribusi normal. Berdasarkan statistik uji Kolmogorov-Smirnov, residual model dicek kenormalan datanya. Berdasarkan program SAS diperoleh hasil P-value >.500, artinya residual sudah memenuhi asumsi normal, probability plot sesudah penanganan outlier dapat disajikan pada Gambar 6.
9 Percent RESIDUAL_ Mean StDev N 03 KS 2 P-Value >0.50 Gambar 6. Probability Plot Residual Sebelum Deteksi Outlier dan Setelah Deteksi Outlier Hal ini juga mengakibatkan perubahan error pada in-sample seperti yang dijelaskan pada Tabel 5. Tabel 5. Perbandingan Error Model Harian Sebelum dan Sesudah Deteksi Outlier Kategori Sebelum Sesudah AIC Berdasarkan Tabel 5 dapat dijelaskan bahwa model yang telah dilakukan penanganan outlier lebih baik dibandingkan dengan model sebelum dilakukan penanganan outlier, sehingga kita memakai model yang terbaik yaitu model dengan penanganan outlier. Adapun secara matematis dapat dituliskan model terbaik yang digunakan sebagai berikut: Dengan ringkasan dari outlier tersebut disajikan pada Tabel 4.6 berikut. Tabel 6. Ringkasan Outlier T Beban Tanggal Hari Jam Type Efek Senin 2.30 AO Rabu AO Minggu AO Kamis AO Rabu AO Selasa LS Selasa LS Selasa 6.30 LS Selasa 7.30 LS Senin 8.00 LS Rabu LS Kamis 3.00 LS Jumat LS Sabtu LS T Beban Tanggal Hari Jam Type Efek Minggu LS Selasa 8.00 LS Setelah dilakukan penangan outlier kemudian dilakukan perbandingan forecast antara model awal, model dengan setelah penanganan outlier dan forecast milik P3B. Untuk perbandingan forecast 2 hari kedepan dapat disajikan dalam Gambar 7. Berdasarkan Gambar 7 dapat dilihat bahwa hasil peramalan dari beban harian menggunakan model ARIMA dengan penanangan outlier sudah cenderung mendekati realisasi. Data Lead Time Variable F_P3B F_Awal Realisasi F_Out Gambar 7. Perbandingan Forecast P3B, Sebelum dan Sesudah Deteksi Outlier 2 Hari Kedepan Data out-sample yang digunakan adalah Januari (Sabtu) dan 2 Januari (Minggu), seperti yang kita ketahui bersama bahwa pada Januari merupakan hari libur khusus (tahun baru). Hal ini menyebabkan forecast yang dilakukan menggunakan ARIMA pada tanggal dan jam mengalami over forecasting. Untuk itu cara membandingkan out-sample nantinya lebih baik dilakukan pengecekan error forecasting satu per satu setiap data setengah jam kedepannya. Pertama kita lihat untuk forecast pada pukul , pada waktu ini forecast menggunakan model ARIMA dengan outlier lebih baik daripada ROH P3B dikarenakan error yang dihasilkan ARIMA lebih kecil dibandingkan ROH P3B serperti yang dijelaskan pada Gambar 8. Kemudian pada pukul forecast menggunakan model ARIMA dengan outlier tidak lebih baik dibandingkan forecast yang dilakukan oleh P3B, dan cenderung over forecasting. Hal ini juga diakibatkan karena adanya perubahan pola data yang seharusnya diramalkan untuk hari Sabtu, akan tetapi pada tanggal ini merupakan
10 libur khusus sehingga pola bebannya pun ikut berubah. Perubahan ini juga mengakibatkan MAPE yang dihasilkan ARIMA pada lead time tersebut bertambah besar hingga mencapai 6% seperti yang ditunjukkan pada Gambar 9. menggunakan model ARIMA dengan outlier dapat dilihat pada Tabel 7. Tabel 4.7 Ramalan Beban Harian 2 Hari Kedepan Ramalan Januari Variable res-baim res-p3b Data Lead Time Gambar 8. Perbandingan Error Peramalan ARIMA (outlier) dan ROH P3B Ramalan 2 Januari Data Variable mape arima mape p3b Lead Time Gambar 9. Perbandingan MAPE Peramalan ARIMA (outlier) dan ROH P3B Pada waktu beban puncak itu sendiri, yaitu pada pukul dapat dilihat bahwa error yang dihasilkan oleh ARIMA lebih baik dibandingkan dengan ROH P3B sehingga model ARIMA yang digunakan disini lebih sensitif untuk memprediksi kemungkinan beban puncak yang akan terjadi kedepannya. Selanjutnya forecast dilanjutkan untuk hari kedua yaitu tanggal 2 Januari 20. Dapat dilihat error forecasting yang dihasilkan oleh ARIMA dengan outlier semakin mendekati error peramalan yang dilakukan oleh P3B, akan tetapi berdasarkan Gambar 9 dapat dilihat bahwa Peramalan dengan ARIMA memiliki error yang jauh lebih baik dari peramalan yang dilakukan oleh P3B saat lead forecast yang digunakan hingga 6 jam kedepan. Adapun forecast untuk 2 hari kedepan KESIMPULAN DAN SARAN Berdasarkan hasil dan pembahasan yang telah dilakukan, dapat disimpulkan: Hari dengan beban puncak (peak load) dalam setiap minggu di bulan Desember 200 terjadi pada hari Kamis, sedangkan untuk hari Sabtu dan Minggu berada di bawah rata-rata konsumsi listrik hari aktif kerja, begitu juga untuk beban pada hari khusus. Region I (DKI Jakarta & Banten) memiliki share yang paling besar terhadap sistem yaitu sekitar 42%, kemudian diikuti oleh Region IV & SRB (Jatim & Bali) dan II (Jawa Barat) masing masing 23% dan 2%, dan untuk share paling rendah adalah dari Region III yaitu sekitar 4%. Model Time Series yang cocok untuk meramalkan beban harian yang terjadi di Jawa-Bali adalah. ( [ ])
11 dengan penambahan outlier, atau secara matematis dapat ditulis: Dengan AIC sebesar Harus selalu diingat bahwa tak ada yang bisa menjamin ketepatan perhitungan pada penelitian ini karena perubahan beban listrik tidak luput dari intervensi-intervensi yang terjadi dinegara ini baik dari variabel kalender maupun dari pemerintah. Untuk penelitian lainnya tentang peramalan beban harian, disarankan untuk mencoba menggunakan pendekatan Metode ARCH atau GARCH, TLSAR, dan Metode Neural Network untuk melakukan pemodelan dan melakukan peramalan (forecasting). Dalam melakukan running program menggunakan program SAS dengan data yang sangat banyak disarankan juga menggunakan peranti pengolah data yang cukup mutakhir agar dapat melakukan pemodelan dengan waktu yang efisien. DAFTAR PUSTAKA Endharta, A.J.(2009). Peramalan Konsumsi Lstrik Jangka Pendek Dengan Elman-Recurrent Neural Network, Tugas Akhir, Institut Teknologi Sepuluh Nopember (ITS),Surabaya Moenandar, M.E. (2009). Penerapan Model GSTAR dan ARIMA Unuk Peramalan Data Produksi Minyak Bumi di Joint Operating Body Pertamina-Petrochina East Java (JOB P-PEJ), Tugas Akhir, Institut Teknologi Sepuluh Nopember (ITS),Surabaya Pranoto, J. (2006). Perancangan Sistem Peramalan Pemakaian Daya Max (kva) Untuk Menentukan Disintensif Pelanggan Pada PT.PLN (Persero) dengan menggunakan Metode GARCH, Tugas Akhir, Sekolah Tinggi Manajemen Informatika dan Teknik Komputer (STIKOM), Surabaya Sa diyah, H. (2008). Mel Arima Musiman Ganda Untuk Peramalan Beban Listrik Jangka Pendek di PT. PLN (Persero) Gresik, Tugas Akhir, Institut Teknologi Sepuluh Nopember (ITS), Surabaya Shofiya, M. (2009). Peramalan Data Produksi Gas Di Joint Operating Body Pertamina- Petrochina East Java (JOB P-PEJ) Dengan Model GSTAR dan ARIMA, Tugas Akhir, Institut Teknologi Sepuluh Nopember (ITS),Surabaya Taylor, J.W, Menezes, L.M., and McSharry, P.E. (2006). A comparison of univariate methods for forecasting electricity demand up to a day ahead, 22, -6. Wei, W.W.S. (2006). Time Series Analysis, Univariate and Multvariate Methods. 2nd Edition, Pearson Addison Wesley, Boston.
PERAMALAN 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 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 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 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 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 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 WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA FATHIN FAHIMAH 226133 DOSEN PEMBIMBING Prof. Ir. Gamantyo Hendrantoro, M.Eng.
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 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 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 terperinciBAB IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
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 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 terperinciPeramalan Harga Beras di Perum BULOG Divre Jatim
Peramalan Harga Beras di Perum BULOG Divre Jatim Disusun oleh : Woro Morphi H (1309030010) Dosen Pembimbing : Dr. Suhartono, S.Si, M.Sc Pendahuluan Latar Belakang, Perumusan Masalah,Tujuan Penelitian,
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 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 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 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 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 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 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 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 terperinciPERAMALAN TRAFIK SMS AREA JABOTABEK DENGAN METODE ARIMA
JURNAL TEKNIK POMITS Vol. 1, No. 1, (212) 1-6 1 PERAMALAN TRAFIK SMS AREA JABOTABEK DENGAN METODE ARIMA Lusi Alvina Tofani, Achmad Mauludiyanto Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember
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 terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 737-745 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN DAYA LISTRIK BERDASARKAN JUMLAH PELANGGAN PLN MENGGUNAKAN
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 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 terperinciPENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus: KA Argo Muria)
PENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus: KA Argo Muria) SKRIPSI Disusun oleh : TITIS NUR UTAMI 24010212140052 DEPARTEMEN
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 Permintaan Pengujian Sampel Di Laboratorium Kimia Dan Fisika. Baristand Industri Surabaya)
Peramalan Permintaan Pengujian di Lab. Kimia dan Fisika (Aneke Rintiasti, Erna Hartati, Nunun Hilyatul M.) Peramalan Permintaan Pengujian Sampel Di Laboratorium Kimia Dan Fisika Baristand Industri Surabaya
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 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 terperinciPemodelan Nilai Tukar Rupiah terhadap Dollar Amerika Serikat Menggunakan ARFIMA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 Pemodelan Nilai Tukar Rupiah terhadap Dollar Amerika Serikat Menggunakan ARFIMA 1 Harnum Annisa Prafitia dan 2 Irhamah
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 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 terperinciPEMODELAN ARIMA REDAMAN HUJAN DENGAN EFEK DETECTION OUTLIER DAN AKAIKE INFORMATION TEST
PEMODELAN ARIMA REDAMAN HUJAN DENGAN EFEK DETECTION OUTLIER DAN AKAIKE INFORMATION TEST Afif Arumahendra 2206 100 041 Email : mahe_354@yahoo.com Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember
Lebih terperinciPENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI
TUGAS AKHIR - ST 1325 PENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI I G B ADI SUDIARSANA NRP 1303100058 Dosen Pembimbing Ir. Dwiatmono Agus Widodo,
Lebih terperinciPENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus : KA Argo Muria)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 131-140 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN
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 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 terperinciPeramalan Kandungan Particulate Matter (PM10) dalam Udara Ambien Kota Surabaya Menggunakan Double Seasonal ARIMA (DSARIMA)
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (215) 2337-352 (231-928X Print) D-242 Peramalan Kandungan Particulate Matter (PM1) dalam Udara Ambien Kota Surabaya Menggunakan Double Seasonal ARIMA (DSARIMA) Bernadeta
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 terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
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 terperinciPERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL. Oleh: Niswatul Maghfiroh NRP.
PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL Oleh: Niswatul Maghfiroh NRP. 1208100065 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER
1 PEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER Muhammad Zainuddin Fanani, Achmad Mauludiyanto Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciProgram Studi Matematika, Institut Teknologi Kalimantan, Balikpapan
J. Math. and Its Appl. E-ISSN: 2579-8936 P-ISSN: 1829-605X Vol. 14, No. 2, Desember 2017, 25-37 Perbandingan Metode ARIMA dan Double Exponential Smoothing pada Peramalan Harga Saham LQ45 Tiga Perusahaan
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 INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI. Oleh: IRLIZANTY YULYANTIKA RAHADI
PERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI Oleh: IRLIZANTY YULYANTIKA RAHADI 6 4 Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes Abstrak Indeks harga saham merupakan suatu indikator yang
Lebih terperinciDeteksi Outlier pada Model ARIMA Musiman Ganda untuk Peramalan Beban Listrik Jangka Pendek di Jawa Timur
JURNAL SAINS DAN SENI ITS Vol. 4, No., (5) 337-35 (30-98X Print) D-3 Deteksi Outlier pada Model ARIMA Musiman Ganda untuk Peramalan Beban Listrik Jangka Pendek di Jawa Timur Indah Kurnia Putri dan Suhartono
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 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 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 terperinciPERAMALAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK GARDU INDUK BAWEN DENGAN DSARIMA. Abstract
Peramalan (Marita S) PERAMALAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK GARDU INDUK BAWEN DENGAN DSARIMA Marita Saptyani 1, Winita Sulandari 2, Pangadi 2 2 Staf Pengajar Jurusan FMIPA UNS winita@mipa.uns.ac.id
Lebih terperinciPERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL
E-Jurnal Matematika Vol. 5 (4), November 2016, pp. 183-193 ISSN: 2303-1751 PERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL Ni Putu Mirah Sri Wahyuni 1, I Wayan Sumarjaya 2, I Gusti Ayu Made
Lebih terperinciPEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG MILIMETER
Mauludiyanto, Pemodelan ARIMA dan Deteksi Outlier Data Curah Hujan Sebagai Evaluasi Sistem Radio Gelombang Milimeter PEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG
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 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 terperinciMeytaliana F Dosen Pembimbing: Prof. Dr. Basuki Widodo, M.Sc. Dra. Nuri Wahyuningsih, M.Kes.
ESTIMASI PARAMETER AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) (STUDI KASUS PERAMALAN CURAH HUJAN DAS BRANGKAL MOJOKERTO) Meytaliana F. 1210100014
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 terperinciPERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK
PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA Gumgum Darmawan 1), Suhartono 2) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD 2) Staf Pengajar
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 terperinciPEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG MILIMETER
Mauludiyanto, Pemodelan ARIMA dan Deteksi Outlier Data Curah Hujan Sebagai Evaluasi Sistem Radio Gelombang Milimeter PEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tenaga listrik merupakan kebutuhan yang sangat penting bagi manusia dalam melakukan aktifitasnya sehari-hari. Peralatan rumah tangga maupun industri hampir semuanya
Lebih terperinciPERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010
Statistika, Vol., No., Mei PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI Reksa Nila Anityaloka, Atika Nurani Ambarwati Program Studi S Statistika Universitas Muhammadiyah
Lebih terperinciPemodelan ARIMA Non- Musim Musi am
Pemodelan ARIMA Non- Musimam ARIMA ARIMA(Auto Regresif Integrated Moving Average) merupakan suatu metode analisis runtun waktu(time series) ARIMA(p,d,q) Dengan AR : p =orde dari proses autoreggresif I
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 terperinciPERAMALANAN PENERIMAAN JUMLAH PAJAK DAERAH SEBAGAI PENYUMBANG PENDAPATAN ASLI DAERAH DI KABUPATEN BLITAR
TUGAS AKHIR SS 145561 PERAMALANAN PENERIMAAN JUMLAH PAJAK DAERAH SEBAGAI PENYUMBANG PENDAPATAN ASLI DAERAH DI KABUPATEN BLITAR Intan Priandini NRP 1314 030 109 Dosen Pembimbing Dra. Destri Susilaningrum,
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 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 terperinciPemodelan Beban Sistem Listrik Jawa-Bali dengan Menggunakan Pendekatan Flexible Seasonality Forecasting
Prosiding Seminar Nasional Matematika, Universitas Jember, 19 November 2014 121 Pemodelan Beban Sistem Listrik Jawa-Bali dengan Menggunakan Pendekatan Flexible Seasonality Forecasting (Electricity Demand
Lebih terperinciPrediksi Wisatawan Mancanegara Ke Jawa Barat Melalui Pintu Masuk Bandara Husein Sastranegara dan Pelabuhan Muarajati Menggunakan Metode SARIMA
Politeknik Negeri Bandung July 26-27, Prediksi Wisatawan Mancanegara Ke Jawa Barat Melalui Pintu Masuk Bandara Husein Sastranegara dan Pelabuhan Muarajati Menggunakan Metode SARIMA Agus Supriatna 1, Betty
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 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 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 terperinciPEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA. Nur Hukim
TE 091399 TUGAS AKHIR- 4 SKS PEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA Oleh Nur Hukim Dosen Pembimbing Prof. Ir. Gamantyo Hendrantoro, M.Eng. Ph.D Ir. Achmad
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 IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciPERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA
Jurnal UJMC, Volume 2, Nomor 1, Hal. 28-35 pissn : 2460-3333 eissn: 2579-907X PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA Novita Eka Chandra 1 dan Sarinem 2 1 Universitas
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 terperinciMODEL TERBAIK ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK
MODEL TERBAIK ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK Moh. Yamin Darsyah 1, Muhammad Saifudin Nur 2 1,2 Progam Studi Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Muhammadiyah
Lebih terperinciPEMILIHAN MODEL TERBAIK DAN PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA (WISMAN) KE BALI TAHUN 2014
66 Jurnal Buletin Studi Ekonomi, Vol. 20 No., Februari 205 PEMILIHAN MODEL TERBAIK DAN PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA (WISMAN) KE BALI TAHUN 204 Rukini I Wayan Sukadana 2 Luh Gede Meydianawathi
Lebih terperinciPERAMALAN 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 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 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 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 terperinciPENGGUNAAN METODE VaR(Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT.TELKOM DENGAN PENDEKATAN MODEL GARCH-M
PENGGUNAAN METODE VaR(Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT.TELKOM DENGAN PENDEKATAN MODEL GARCH-M Oleh: NURKHOIRIYAH 1205100050 Dosen Pembimbing: Dra. Nuri Wahyuningsih, M.Kes. 1 Latar
Lebih terperinci4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :
4 BAB IV HASIL PEMBAHASAN DAN EVALUASI Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtut waktu. Data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data harga
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 terperinciThe 4 th Univesity Research Coloquium 2016 PERBANDINGAN MODEL ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK
PERBANDINGAN MODEL ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK Moh. Yamin Darsyah 1, Muhammad Saifudin Nur 2 1,2 Progam Studi Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Muhammadiyah
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP
PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP SKRIPSI Disusun oleh : DITA RULIANA SARI NIM. 24010211140084 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciPeramalan Volume Distribusi Air di PDAM Kabupaten Bojonegoro dengan Metode ARIMA Box- Jenkins
Peramalan Volume Distribusi Air di PDAM Kabupaten Bojonegoro dengan Metode ARIMA Box- Jenkins Fastha Aulia P / 1309030018 Pembimbing: Ir.Dwiatmono Agus M.Ikomp Latar Belakang Air sebagai sumber kehidupan
Lebih terperinciPemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD
Pemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD Charisma Arianti, Arief Wibowo Departemen Biostatistika dan Kependudukan Fakultas Kesehatan Masyarakat Universitas Airlangga Surabaya Alamat Korespondensi:
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 33-42 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS INTERVENSI KENAIKAN HARGA BBM TERHADAP PERMINTAAN BBM
Lebih terperinciIII. METODE PENELITIAN
15 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perkembangan ekonomi dan bisnis dewasa ini semakin cepat dan pesat. Bisnis dan usaha yang semakin berkembang ini ditandai dengan semakin banyaknya
Lebih terperinciPERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN
PERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN MENGGUNAKAN HYBRID AUTOREGRESSIVE INTEGRATED MOVING AVERAGE NEURAL NETWORK Disusun oleh : Berta Elvionita Fitriani 24010211120005
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 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 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 terperinciSTUDI PERAMALAN (FORECASTING) KURVA BEBAN HARIAN LISTRIK JANGKA PENDEK MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE(ARIMA)
Vol: 2 No.1 Maret 213 ISSN : 232-2949 STUDI PERAMALAN (FORECASTING) KURVA BEBAN HARIAN LISTRIK JANGKA PENDEK MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE(ARIMA) Syafii, dan Edyan Noveri
Lebih terperinciSEMINAR TUGAS AKHIR. Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik. Rina Wijayanti
SEMINAR TUGAS AKHIR Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik Rina Wijayanti 1306100044 Pembimbing Drs. Haryono, MSIE Dedi Dwi Prastyo, S.Si., M.Si.
Lebih terperinci