BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang"

Transkripsi

1 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 masa yang akan datang. Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa depan, berdasarkan data yang relevan pada masa lalu. Dalam rangka usaha untuk melihat dan mengkaji situasi dan kondisi masa depan harus dilakukan peramalan, oleh karena itu perlu diperkirakan atau diramalkan situasi apa dan kondisi bagaimana yang akan terjadi pada masa depan. Efektif tidaknya suatu rencana yang disusun sangat ditentukan oleh kemampuan para penyusunnya untuk meramalkan situasi dan kondisi pada saat rencana itu dilaksanakan. Oleh karena eratnya kaitan antara perencanaan dan peramalan, maka dapat dilihat bahwa dalam penyusunan rencana, sebenarnya telah terlihat masalah peramalan. Dengan demikian dapat dikatakan bahwa peramalan merupakan dasar untuk penyusunan rencana.

2 Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi pada waktu keputusan itu dilaksanakan. Apabila kurang tepat ramalan yang kita susun, maka kurang baik keputusan yang kita ambil. 2.2 Peranan Teknik Peramalan Dengan adanya sejumlah besar metode peramalan yang tersedia, maka masalah yang timbul bagi para praktisi adalah memahami bagaimana karakteristik suatu metode peramalan akan cocok bagi situasi pengambilan keputusan tertentu. Sering terdapat senjang waktu (time lag) antara kesadaran akan peristiwa atau kebutuhan mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang (lead time) itu merupakan suatu alasan bagi perencanaan dan peramalan. Jika waktu tenggangnya ini nol atau sangat kecil, maka perencanaan tidak perlukan dan jika waktu tenggang ini panjang sedangkan hasil peristiwa akhir tergantung pada faktor-faktor yang dapat diketahui, maka perencanaan dapat memegang sebagai peranan yang penting untuk mengambil keputusan. 2.3 Jenis-jenis Peramalan Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari cara melihatnya. Berdasarkan sifatnya peramalan dapat dibedakan menjadi 2 (dua) macam yaitu peramalan kualitatif dan peramalan kuantitatif.

3 2.3.1 Peramalan kualitatif Peramalan kualitatif merupakan peramalan yang didasarkan atas data kualitatif pada masa lalu. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, pendapat dan pengetahuan serta pengalaman penyusunnya Peramalan Kuantitatif Peramalan kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan dalam peramalan tersebut. Baik tidaknya metode yang digunakan ditentukan oleh perbedaan antara penyimpangan hasil ramalan dengan kenyataan yang terjadi. Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi sebagai berikut : 1. Menganalisa data masa lalu. 2. Menentukan metode yang dipergunakan. 3. Memproyeksikan data yang lalu dengan menggunakan metode yang akan dipergunakan dan mempertimbangkan adanya beberapa faktor perubahan. Metode peramalan kuantitatif dibagi atas dua bagian yaitu : a. Analisa deret berkala (time series), yang berdasarkan hasil ramalan yang disusun atas pola hubungan antara variabel yang dicari dengan variabel waktu yang mempengaruhinya. Analisa deret berkala ini mancakup : Metode Pemulusan (Smoothing) Metode Box jenkins

4 Metode Variasi Musiman b. Metode kausal yaitu peramalan yang mengamsusikan bahwa faktor yang diramalkan sebab akibat dengan satu atau lebih variabel bebas. Metode ini berdasarkan hasil yang disusun atas pola hubungan antara variabel yang dicari dengan variabel-variabel yang mempengaruhinya yang bukan waktu. Metode Regresi dan Korelasi Metode Ekonometrik Metode Input-Output 2.4 Pemilihan Teknik dan Metode Peramalan Penggunaan peramalan dalam pengambilan keputusan oleh setiap pimpinan, baik pimpinan perusahaan maupun pimpinan organisasi pemerintah merupakan hal yang sangat penting. Demikian pula seorang peneliti sering menggunakan peramalan dalam penelitian yang dilakukan, akaan tetapi perlu adanya pedoman yang dapat dipergunakan untuk memilih teknik dan metode peramalan yang tepat untuk suatu situasi tertentu. Dalam pemilihan teknik-teknik dan metode peramalan, pertama perlu diketahui ciri-ciri penting, yang perlu diperhatikan untuk pengambilan keputusan dan analisa keadaan dalam mempersiapkan peramalan.

5 Adapun enam faktor utama yang dapat diidentifikasikan sebagai teknik dan metode peramalan, yaitu : 1. Horison waktu Merupakan pemilihan yang didasarkan atas jangka waktu permalan yaitu : a. Peramalan yang segera dilakukan dalam waktu kurang dari satu bulan b. Peramaln jangka pendek dengan waktu antara satu sampai tiga bulan c. Peramalan jangka menengah dengan waktu antara tiga bulan sampai dua tahun d. Peramalan jangka panjang dengan waktu dua tahun ke atas 2. Pola Data Salah satu dasar pemilihan metoda permalan adalah dengan memperhatikan pola data yang diramalkan. Ada empat jenis pola data mendasar yang terdapat dalam suatu dereran data yaitu : a. Pola Horisontal (H) terjadi bilamana berfluktuasi disekitar nilai ratarata yang konstan, (Derat seperti ini adalah stasioner terhadap nilai rata-ratanya). b. Pola Musiman (M) terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (Misalnya : kuartalan, bulanan, mingguan atau hari-hari pada minggu tertentu). c. Pola Siklus (C) terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. d. Pola Trend (T) terjadi bilamana terdapat kenaikan atau penurunan jangka panjang dalam data.

6

7 3. Jenis dari model Banyak metode peramalan telah menganggap adanya beberapa model dari keadaan yang diramalkan. Model-model ini merupakan suatu deret dimana waktu digambarkan sebagai unsur yang penting untuk menentukan perubahan-perubahan dalam pola, memungkinkan secara sistematik dapat dijelaskan dengan analisa regresi atau korelasi. Model tersebut mempunyai kemampuan yang berbeda dalam analisa keadaan untuk mengambil keputusan. 4. Biaya yang dibutuhkan Biaya yang tercakup dalam penggunaan suatu prosedur ramalan yaitu biaya-biaya, pengembangan, penyimpangan data, operasi pelaksana dan kesempatan dalam penggunaan dalam teknik-teknik dan metode lainnya. Adanya perbedaan yang nyata dalam jumlah biaya mempunyai pengaruh dalam penggunaan metode tertentu untuk suatu keadaan yang dihadapi. 5. Ketepatan metode peramalan Tingkat ketepatan yang dibutuhkan sangat erat hubungannya dengan tingkat perincian yang dibutuhkan dalam suatu peramalan. Dalam mengambil keputusan, variasi atau penyimpangan atas peramalan yang dilakukan antara 10% sampai 15% bagi maksud-maksud yang diharapkan, sedangkan untuk hal atau kasus lain mungkin menganggap bahwa adanya variasi atau penyimpangan atas ramalan sebesar 5% adalah cukup berbahaya.

8 6. Kemudahan dalam penerapan Dalam penggunaaan metode peramalan untuk manajemen dan analisis adalah metode-metode yang dapat dimengerti dan mudah diaplikasikan yang akan dipergunakan dalam pengambilan keputusan dan analisa. 2.5 Kestasioneran Data Deret Berkala Dalam tahap identifikasi model ARIMA sementara, hal pertama yang harus dilihat apakah suatu deret berkala sudah stasioner baik dalam rataan maupun ragam. Hal ini dikarenakan bahwa syarat utama dalam pembuatan model ARIMA adalah deret berkala yang stasioner Pembedaan (Differencing) Untuk melihat apakah suatu deret berkala X 1, X 2,..., X n sudah stasioner, dapat dilihat plot nilai deret waktu terhadap waktu t 1, t 2,..., t n Jika n buah nilai tersebut berfluktuasi sekitar ragam yang konstan dan nilai tengah yang konstan, maka dapat dikatakan deret tersebut konstan. Data deret berkala yang tidak stasioner dalam nilai tengah dapat distasionerkan dengan pembedaan (difference) drajat d. Notasi yang bermamfa at adalah operator shift mundur (backward shift) B, yang penggunaannya adalah sebagai berikut : Misalakan ada suatu deret data X 1, X 2,..., X t maka untuk memperkirakan X 1 dilakukan dengan mengurangi satu periode kebelakangnya dengan cara :

9 B X t = X t 1 Dengan kata lain, notasi B yang dipasang pada X t, mempunyai pengaruh menggeser data 1 periode kebelakang. Pembedaan pertama dapat dirumuskan X 1 t = X t 1 (2.1) Menggunakan operator shift mundur persamaan dapat menjadi X 1 t = X t - B X t = (1-B) X t Sedang pembedaan kedua adalah X t = X t - X t 1 = (X t - X t 1 ) (X t 1 - X t 2 ) = X t - 2 X t 1 + X t 2 = (1-2B + B 2 ) X t = (1 B) 2 X t Secara umum pembedaan d dirumuskan X = (1 B) d X t (2.2) t 2.6 Koefisien Autokorelasi Dalam analisis deret berkala, salah satu statistik kunci adalah koefisien autokorelasi, autokorelasi dapat diartikan sebagai korelasi linier deret berkala dengan deret berkala itu sendiri dengan selisih waktu (lag) 0, 1, 2 periode atau lebih. Koefisien autokorelasi deret X t yang stasioner untuk lag ke-k, dihitung dengan rumus sebagai berikut :

10 r k = n =k (X t X )(X t +k X ) i =1 (2.3) (X t X ) 2 Dengan : r k = Autokorelasi pada lag ke-k X t = Nilai pengamatan ke-t X t +k = Nilai pengamatan saat ke-t+k X = Rata-rata pengamatan 2.7 Koefisien Autokorelasi Parsial Koefisien autokorelasi parsial digunakan untuk model autukorelasi parsial digunakan untuk mengukur tingkat hubungan antara X t dan X t +k apabila pengaruh dari selisih waktu 1,2,3,...(k-1) dianggap terpisah. Salah satu tujuan dalam analisis deret berkala adalah untuk menetapkan model ARIMA yang tepat untuk peramalan. Autokorelasi parsial pada lag ke-k ( φ kk ) adalah sebagai koefisien autoregresif terakhir dari model AR (k), dan memenuhi persamaan sebagai berikut : P j = φ k 1 ρ j 1 + φ k 1 ρ j φ kk ρ j k ;j = 1,2,...,k (2.4) Pendugaan koefisien autokorelasi parsial dapat dilakukan subsitusi r j untuk O j dan menyelesaikan persamaan diatas dengan metode rekursif, Simpangan baku dari penduga φ kk adalah 1/ n, dimana n adalah jumlah pengamatan dikurangi lag (k).

11 2.8 Model Regresi Diri (AR) Proses regresi ini menyatakan ketergantungan nilai pengamatan X t terhadap X t 1. X t 2..., X t p. Model regresi diri derajat p dilambangkan dengan AR (p) atau ARIMA (p,0,0). Model regresi diri adalah sebagai berikut : X t = µ + φ 1 X t 1 + φ 2 X t φ p X t p + e t (2.5) Dengan : X t `= Pengamatan deret berkala ke-t µ = Nilai konstan φ p = Parameter autoregresike-p, (p= 1,2,...n) X t p = Variabel pertama pada periode ke-(t-p);(p=1,2..,n) e t = Kesalahan pada saat t Untuk model AR(1) kondisi stasioner akan terpenuhi jika φ 1 < 1. Sedangkan model AR (2) akan memenuhi syarat stasioner jika φ 1 + φ 2 < 2 φ 2 φ 1 < 2 dan φ 2 < Model Rataan Bergerak (MA) Proses rataan bergerak menyatakan ketergantungan nilai X t terhadap e t e t 1,..., e t r. Model rataan bergerak derajat q dilambangkan MA (q) atau ARIMA (0,0,q) dan ditulis sebagai berikut : X t = µ - θ 1 e t 1 - θ 2 e t θ q e t q + e t (2.6)

12

13 Dengan : X t = Pengamatan deret berkala µ = Nilai konstan θ q = Parameter moving average ke-q;(q = 1,2,...,n) e t q = Variabel pertama pada saat t-q; (q = 1,2,...,n) e t = Kesalahan pada saat t 2.10 Model Campuran AR dan MA Dalam pembuatan model empiris dari deret berkala sering ditemukan bahwa model regresi diri (AR) dan rataan bergerak (MA). Model campuran regresi diri dan rataan bergerak derajat (p,q) dapat ditulis sebagai berikut : X t = µ + φ 1 X t 1 + φ 2 X t φ p X t p - θ 1 e t 1 - θ 2 e t θ q e t q + e t (2.7) Atau ditulis φ p (B) X t = µ + θ q (B) e t Dan disingkat ARMA (p,q) Model ARMA (p.q) dapat diperluas untuk deret berkala yang tidak stasioner. Dengan operator pembeda derajat d X t, model ARMA(p,q) menjadi d φ p (B) X t = µ + θ q (B) e t Dan model ini disingkat ARIMA (p,d,q)

14 Untuk data yang dikumpulkan secara bulanan, pembedaan satu musim penuh (tahun) dapat dihitung X t - X t 12 = (1 - B 12 ) X t. Sehingga untuk model ARIMA (p.d.q) (P,D.Q) s dengan s adalah jumlah periode permusim Model Fungsi Transfer Model fungsi transfer merupakan pengembangan dari model ARIMA satu peubah. Jika deret berkala Y t berhubungan dengan satu atau lebih deret berkala lain X t maka dapat dibuat suatu model berdasarkan informasi deret berkala X t, untuk menduga nilai Y t model yang dihasilkan disebut fungsi transfer. Dalam penelitian ini, pembuatan fungsi transfer hanya dibatasi untuk dua deret berkala yaitu Y t sebagai deret output dan X t sebagai deret output atau disebut fungsi transfer dwipeubah. Gambar 2.1 memperlihatakan secara ringkas unsur unsur yang berkaitan dengan model fungsi transfer. Terdapat deret berkala output, disebut Y t, yang diperkirakan akan dipengaruhi oleh deret berkala input X t, dan input-input lain yang disebut gangguan (noise) N t, seluruh sistem tersebut adalah dinamis. Dengan kata lain, deret input X t memberikan pengaruhnya terhadap fungsi transfer, mendistribusikan dampak X t melalui beberapa periode akan datang. Tujuan pemodelan fungsi transfer adalah untuk menetapkan model sederhana, menghubungkan Y t dengan X t dan N t. Tujuan utama pemodelan ini adalah untuk

15 menetapkan peranan indikator penentu (leading indicator) deret input dalam rangka menetapkan deret output. Deret Input Fungsi Transfer deret Output ( X t ) (Y t ) Seluruh Pengaruh lain ( N t ) Gambar 2.1 Konsep Fungsi Transfer Fungsi transfer bivariat ditulis dalam bentuk Dengan : Y t = ν (B) X t + N t (2.8) Y t = Deret output X t = Deret input N t = Faktor yang mempengaruhi Y t (disebut gangguan) 2 k ν (B) = (ν 0 + ν 1 B +ν 2 B ν k B ), dengan k adalah orde fungsi transfer dan B operator shif mundur Deret input dan output perlu ditrans-formasikan untuk mengatasi ragam yang tidak stasioner, dibedakan untuk mengatasi nilai tengah yang tidak stasioner, serta dihilangkan unsur musimannya. Jadi pada persamaan (2.8) harus merupakan nilai yang telah ditransformasikan. Selanjutnya untuk penulisan persamaan digunakan huruf kecil.

16 Secara lebih singkat, fungsi transfer ditulis sebagai berikut y t = ω(b) δ (B) x t b + n t (2.9) Atau y t = ω(b) δ (B) x t b + θ (B) a φ(b) t (2.10) Dengan : ω(b) = ω 0 - ω 1 B - ω 2 B ω s B 2 s δ (B) = 1 - δ 1 B - δ 2 B δ r B 2 r θ (B) = 1 - θ 1 B -θ 2 B θ q B 2 q φ (B) = 1 - φ 1 B - φ 2 B φ p B 2 p y t = Nilai Y t yang telah ditransformasikan dan dibedakan x t = Nilai X t yang telah di transformasikan dan dibedakan r,s,p,q dan b = Konstanta Fungsi ν (B) merupakan rasio dari fungsi ω(b) dan δ (B) dan akan mempunyai jumlah suku yang tak terhingga, sehingga akan terdapat bobot ν yang tak terhingga jumlahnya. Dengan demikian persamaan (2.10) merupakan suatu gambaran yang lebih singkat. Dari persamaan (2.8) dapat dilihat bahwa sebagai faktor penentunya adalah konstanta (r,s,b) dan (p,q). Konstanta (r,s,b) menunjukkan parameter dari fungsi transfer yang menghubungkan Y t dan X t, Sedangkan (p,q) merupakan parameter model gangguan. Subskrip (t-b) menunjukkan keterlambatan b periode sebelum x mempengaruhi y atau dapat dikatakan bahwa X t, pertama kali mempengaruhi Y t +b.

17 Jika persamaan (2.10) telah didefenisikan dan seluruh parameter telah diduga, maka selanjutnya ditentukan model peramalannya. Persamaan (2.10) dikalikan dengan δ (B) dan φ(b), akan menjadi : δ (B) φ (B) y t = φ(b) ω (B) x t b + δ (B) θ (B)a t (2.11) Sebagai contoh, untuk model yang sederhana (1,1,b) (1,1) adalah : y t = (ω 0 ω1b) (1 δ 1 B) x t b + (1 θ 1 B) a (1 φ 1 B) 1 (1 δ 1 B) (1 φ 1 B) y t = (1 φ 1 B) (ω 0 ω1b) x t b + (1 δ 1 B) (1 θ 1 B) a 1 y t =( δ 1 + φ 1 ) y t 1 (δ 1 φ 1 ) y t 2 + ω 0 x t b (ω 0 φ 1 + ω 1 ) x t b 1 + (φ 1 + ω 1 ) x t b 2 + a 1 (δ 1 + θ 1 )a t 1 + (δ 1 θ 1 )a t 2 (2.12) Dengan mengetahui nilai parameter dan nilai y, x dan a dapat dihitung nilai y pada periode yang akan datang Tahapan Pembentukan Model Fungsi Transfer Mempersiapkan Deret Input dan Output Tahap ini mengidentifikasi apakah data mentah (input dan output) sudah stasioner dalam rataan ataupun ragam. Jika belum stasioner perlu dilakukan pembedaan atau transformasi untuk menghilangkan ketidak stasioneran. Disamping itu deret input atau output perlu dihilangkan pengaruh musiman. Hal ini bukan merupakan syarat mutlak, akan tetapi akan mempengaruhi nilai-nilai (r,s.b) yang dihasilkan.

18

19 Pemutihan Deret Input ( x t ) Tahap pemutihan deret input dimaksudkan untuk menghilangkan pola yang diketahui agar yang tersisa hanya merupakan white noise. Sebagai contoh, jika deret input dapat dimodelkan dengan ARIMA ( p x,0, q x ) maka deret input dapat didefenisikan sebagai : φ x (B) x t = θ x (B)α t (2.13) Dengan φ x (B) adalah operator autoregresif, θ x (B) adalah operator rataan bergerak dan α t adalah kesalahan acak. Persamaan (2.13) dapat diubah menjadi α = φ x (B) t y t (2.14) θ (B) x Pemutihan Deret Output ( y t ) Fungsi transfer yang dimaksud diatas adalah memetakan x t ke dalam y t. Sehingga apabila diterapkan suatu transformasi pemutihan terhadap x t maka terhadap y t harus diterapkan transformasi yang sama agar dapat mempertahankan integritas hubungan fungsional. Deret y t yang diputihkan akan menjadi β t dengan persamaan berikut β t = φ x (B) y θ x (B) t (2.15)

20 Perhitungan Korelasi Silang dan Korelasi Diri Dalam pemodelan fungsi transfer, korelasi diri mempunyai peranan yang kedua setelah korelasi silang. Korelasi silang digunakan untuk mengetahui hubungan dua deret waktu x dan y (atau dalam bentuk deret waktu yang diputihkan α dan β ) yang salah satu deret ditambahkan (lag) terhadap deret lainnya. Korelasi silang antara x dan y diduga dengan rumus Dengan : r sy (k ) = C sy (k ) S x S y (2.16) r sy (k ) = korelasi silang Antara deret x dan y pada lag ke k C sy (k ) = covarian antara x dan y pada lag ke k S x = standard deviasi deret x S y = standard deviasi deret y k = 0,1,2,3, Untuk menguji tingkat kepercayaan 95% dari nilai korelasi silang diatas. Barlett melakukan pendekatan perhitungan kesalahan baku dengan rumus SE(r xy 1 (k )) = (n k ) 2 (2.17) Atau se rk = 1 n k Dengan : n = Jumlah pengamatan k = Kelambatan (lag)

21 Untuk perhitungan korelasi diri dapat dilihat dari persamaan (2.3) dan uji Box- Pierce Portmanteau untuk sekumpulan nilai r k didasarkan ada nilai statistik Q yang menyebar mengikuti sebaran khi-kuadrat dengan derajat bebas(m-p-q) m Q = n r 2 (2.18) k =1 Dengan : m n N r k = Lag maksimum = N-d = Jumlah pengamatan asli = Autokorelasi untuk lag ke-k P q = Nilai dari parameter Autoregresif = Nilai Dari Parameter Moving Average (MA) Pendugaan Langsung Bobot Respons Impuls Dari Persamaan (2.9) dengan mengasumsikan b = 0 maka model transfer dapat ditulis y t = ν (B) x t + n t Bila x t Ditransformasikan dengan dan dimasukkan kepersamaan diatas secara keseluruhan maka akan diperoleh φ x (B) y θ x (B) = ν (B) φ x (B) x θ x (B) + φ x (B) n θ x (B) t t t (2.19) Atau β t = ν (B)α t + e t (2.20)

22 Dengan e t adalah deret gangguan ditransformasikan dan diperkirakan tidak berkorelasi dengan α t. Jika kedua sisi persamaan (2.20) dikalikan α t k dan diambil nilai ekspetasinya, maka diperoleh : E[α t k B 1 ] = ν 0 E[α t k α t ] + ν 1 E[α t k α t 1 ] E[α t k e t ] C αβ (k ) = ν k C αα (t k ) + 0 (2.21) ( α t dan e t diasumsikan bebas) Dengan menyusun kembali persamaan (2.21) maka diperoleh : 2 C αβ (k) r αβ (k)s β ν = = (2.22) k 2 S α S α Penetapan Parameter (r,s,b) Parameter r menunjukkan derajat fungsi δ ( B). s menunjukkan derajat fungsi ω ( B), dan b menunjukkan keterlambatan yang dicatat pada subskrip X t-b pada persamaan (2.10). Perhatikan persamaan (2.8),(2.9) dan penetapan ν (B) x t = ω(b) δ (B) x t b (2.23) Apabila pernyataan ν ( B), ω ( B), δ ( B) diperluas dan koefisien-koefisiennya dibandingkan maka didapatkan hubungan sebagai berikut : Vj = 0 Vj = δ 1 ν j δ r ν j r + ω 0 Vj = δ 1 ν j δ r ν j r - ω j b j<b j=b j=b + 1 b + s Vj = δ 1 ν j δ r ν j r j>b + s (2.24)

23 Secara Intuitif, nilai b menyatakan bahwa y t tidak dipengaruhi oleh nilai x t sampai periode t+b atau y t = θ x t + θx t 1 + θx t ω 0 x t b s menyatakan untuk beberapa lama deret output deret (y) secara terus menerus dipebgaruhi oleh nilai-nilai baru deret input (x) atau y dipengaruhi oleh ( x t b, x t b 1,, x t b s ) dan r menyatakan bahwa y t berkaitan dengan nilai-nilai sebelumnya sebagai berikut : y dipengaruhi oleh ( y t 1, y t 2, y t 3,, y t r ) Dalam menentukan parameter (r,s,b) dapat digunakan pedoman berikut : a. Sampai lag waktu ke b, korelasi silang tidak berbeda dari nol secara signifikan b. Untuk s lag waktu selanjutnya, korelasi tidak akan memperlihatkan pola yang jelas c. Untuk r lag waktu selanjutnya, korelasi silang akan memperlihatkan suatu pola yang jelas Penaksiran Awal Deret Gangguan (n t ) Perhitungan nilai taksiran awal deret gangguan n t menggunakan rumus berikut : n t = y t ν 0 x t ν 1 x t 1 ν 2 x t 2... ν g x t g (2.25) dengan g didapat dari hasil lag pada korelasi silang

24 Penetapan (p n,q n ) untuk Model ARIMA (p n,q n ) dari Deret Gangguan (n t ) Tahap ini nilai-nilai n t dianalisis dengan cara ARIMA biasa untuk menetukan apakah terdapat model ARIMA (p n, 0, q n ). Untuk menentukan model ARIMA ini digunakan identifikasi fungsi autokorelasi dan korelasi parsial. Dengan cara ini fungsi φ n (B)n 1 = θ n ( (B)a t (2.26) Penaksiran Parameter Parameter Model Pendugaan Awal Parameter Model Pada tahap ini ditentukan model fungsi transfer secara tentative untuk menaksir nilai awal parameter-parameter ω 0, ω 1,, ω s, δ 1, δ 2,, δ r, φ 1, φ 2,, φ pn dan θ 1,θ 2,,θ qn. Untuk mendapatkan nilai parameter-parameter tersebut digunakan algoritma marquadt dengan iterasi. Misalkan untuk nilai (r,s,b) = (2,2,2) dan deret gangguan mempunyai model ARIMA (2,0,1) model tentative yang digunakan adalah 2 y = (ω ω B ω B ) t (1 δ 1 B δ 2B 2 ) (1 θ x t B) a (1 φ 1 B φ 2 B ) 2 t (2.27) Dari model diatas, tahap selanjutnya adalah menaksir nilai awal parameter parameter ω 0, ω 1, ω 2, δ 1, δ 2, φ 1 dan φ 2 dengan memperhatikan hubungan pada persamaan (2.24) dan persamaan Yule Walker.

25 Penaksiran Akhir Parameter Model Dengan menggunakaan algoritma marquadt pada setiap iterasi nilai parameterparameter selalu diperbarui dan dihitung dengan taksiran a t. untuk memilih nilai parameter terbaik, dilihat nilai jumlah kuadrat sisa (JKS) sampai mendekati nilai minimum Pemeriksaan Diagnostik Model Pemeriksaan ini dilakukan dengan mempelajari nilai sisa akhir a t dengan deret input yang disesuaikan ( α t ). Jika nilai sisa tidak mempunyai pola tertentu, maka model yang didapatkan sudah bersifat acak. Uji Box-Pierce untuk deret stasioner ARIMA (p, d, q), rumusnya : m X 2 ( df ) = n r 2 (k ) k 1 (2.28) Dengan : n m r(k) df = Jumlah pengamatan = Lag terbesar yang diperhatikan = Autokorelasi pada lag ke- k = derajat bebas (m-p-q) sedangkan untuk nilai sisa α t perhitungannya menjadi m X 2 ( m pn qn ) = (n 1 r s b) r 2 k 1

26 xli dengan (r, s, b), p n dan q n merupakan parameter fungsi transfer Peramalan dengan Model Transfer Tujuan peramalan adalah untuk menduga nilai deret waktu untuk masa yang akan dating dengan penyimpangan yang sekecil mungkin. Jika model yang ditetapkan menunjukkan residual yang acakan, maka model itu dapat digunakan untuk maksud peramalan. Model yang digunakan untuk contoh model (1,1,b)(1,1) adalah : y t =( δ 1 + φ 1 ) y t 1 (δ 1 φ 1 ) y t 2 + ω 0 x t b (ω 0 φ 1 + ω 1 ) x t b 1 + (φ 1 + ω 1 ) x t b 2

BAB 2 LANDASAN TEORI. Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan

BAB 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 terperinci

BAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB 2 LANDASAN TEORI Pengertian Data Deret Berkala

BAB 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 terperinci

Metode Deret Berkala Box Jenkins

Metode 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 terperinci

BAB 1 PENDAHULUAN. Di Indonesia meteorologi diasuh dalam Badan Meteorologi dan Geofisika di Jakarta

BAB 1 PENDAHULUAN. Di Indonesia meteorologi diasuh dalam Badan Meteorologi dan Geofisika di Jakarta BAB 1 PENDAHULUAN 1.1. Latar Belakang Di Indonesia meteorologi diasuh dalam Badan Meteorologi dan Geofisika di Jakarta yang sejak tahun enam puluhan telah diterapkan menjadi suatu direktorat perhubungan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT

BAB 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 terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

II. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya

II. 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 terperinci

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang

Lebih terperinci

Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series

Peramalan 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola data yang sistematis (Makridakis, 1999). Peramalan menggunakan pendekatan

Lebih terperinci

Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan

Model 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 terperinci

HALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL...

HALAMAN 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 terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Peramalan pada dasarnya merupakan proses menyusun informasi tentang kejadian masa lampau yang berurutan untuk menduga kejadian di masa depan (Frechtling, 2001:

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi

BAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan

Lebih terperinci

BAB 2 TINJAUAN TEORITIS

BAB 2 TINJAUAN TEORITIS BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan meramalkan atau memprediksi apa yang akan terjadi dimasa yang akan datang dengan waktu tenggang (lead time) yang relative lama,

Lebih terperinci

HASIL DAN PEMBAHASAN. Eksplorasi Data

HASIL 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 terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto

BAB 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto 18 BAB 2 TINJAUAN TEORITIS 2.1 Produk Domestik Regional Bruto Dalam menghitung pendapatan regional, dipakai konsep domestik. Berarti seluruh nilai tambah yang ditimbulkan oleh berbagai sektor atau lapangan

Lebih terperinci

PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS

PERAMALAN 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 terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.. Konsep Dasar Analisis Runtun Waktu Pada bagian ini akan dikemukakan beberapa definisi yang menyangkut pengertian dan konsep dasar analisis runtun waktu. Definisi Runtun waktu

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 DATA MINING Data Mining adalah analisis otomatis dari data yang berjumlah banyak atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1. Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan

Lebih terperinci

SBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n

SBAB 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 terperinci

III. METODE PENELITIAN

III. 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 terperinci

BAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LADASA TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama (assaury, 1991). Sedangkan ramalan adalah

Lebih terperinci

BAB III PEMBAHARUAN PERAMALAN. Pada bab ini akan dibahas tentang proses pembaharuan peramalan.

BAB III PEMBAHARUAN PERAMALAN. Pada bab ini akan dibahas tentang proses pembaharuan peramalan. BAB III PEMBAHARUAN PERAMALAN Pada bab ini akan dibahas tentang proses pembaharuan peramalan. Sebelum dilakukan proses pembaharuan peramalan, terlebih dahulu dilakukan proses peramalan dan uji kestabilitasan

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. Adanya waktu tenggang (lead time) merupakan alasan utama bagi perencanaan dan

BAB 2 TINJAUAN TEORITIS. Adanya waktu tenggang (lead time) merupakan alasan utama bagi perencanaan dan BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Adanya waktu tenggang (lead time) merupakan alasan utama bagi perencanaan dan peramalan. Jika waktu tenggang ini nol atau sangat kecil, maka perencanaan

Lebih terperinci

FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA

FORECASTING 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 terperinci

PREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)

PREDIKSI 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 terperinci

PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA

PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA Tanti Octavia 1), Yulia 2), Lydia 3) 1) Program Studi Teknik Industri, Universitas

Lebih terperinci

Pemodelan 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 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 terperinci

PERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS

PERAMALAN 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 terperinci

BAB 5 HASIL DAN PEMBAHASAN. Berikut dibawah ini adalah data yang didapat dari GK AUTO. Tabel 5.1 Data Variabel

BAB 5 HASIL DAN PEMBAHASAN. Berikut dibawah ini adalah data yang didapat dari GK AUTO. Tabel 5.1 Data Variabel BAB 5 HASIL DAN PEMBAHASAN 5.1 Penyajian Data Berikut dibawah ini adalah data yang didapat dari GK AUTO. Tabel 5.1 Data Variabel Tanggal Laba (Y) Kurs Dollar (X1) Penjualan (X2) Advertise (X3) Jan-03 184,002,000

Lebih terperinci

PERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA

PERAMALAN 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 terperinci

BAB 2 TINJAUAN TEORI. akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan

BAB 2 TINJAUAN TEORI. akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan BAB 2 TINJAUAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan

Lebih terperinci

BAB II LANDASAN TEORI. Peramalan adalah proses perkiraan (pengukuran) besarnya atau jumlah

BAB II LANDASAN TEORI. Peramalan adalah proses perkiraan (pengukuran) besarnya atau jumlah BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Definisi dan Tujuan Peramalan Peramalan adalah proses perkiraan (pengukuran) besarnya atau jumlah sesuatu pada waktu yang akan datang berdasarkan data pada masa

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Pada bab ini, peneliti akan memberikan penjelasan tentang teori metode backpropagation jaringan syaraf tiruan dan metode deret berkala ARIMA(Boxjenkins) sehingga dapat mempermudah

Lebih terperinci

PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA

PENDUGAAN 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 terperinci

LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins

LAPORAN 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 terperinci

Peramalan 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 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 terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan

Lebih terperinci

Application of ARIMA Models

Application of ARIMA Models Application of ARIMA Models We have learned how to model using ARIMA Stages: 1. Verify whether the data we are analyzing is a stationary data using ACF or other methods 2. If the data is not stationer,

Lebih terperinci

PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER

PERAMALAN 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 terperinci

II. TINJAUAN PUSTAKA. Time series merupakan serangkaian observasi terhadap suatu variabel yang

II. TINJAUAN PUSTAKA. Time series merupakan serangkaian observasi terhadap suatu variabel yang II. TINJAUAN PUSTAKA 2.1 Analisis Deret Waktu (time series) Time series merupakan serangkaian observasi terhadap suatu variabel yang diambil secara beruntun berdasarkan interval waktu yang tetap (Wei,

Lebih terperinci

METODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015

METODE 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 terperinci

MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI

MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta

Lebih terperinci

PERAMALAN JUMLAH WISATAWAN MANCANEGARA YANG BERKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER KOMPETENSI STATISTIKA SKRIPSI

PERAMALAN JUMLAH WISATAWAN MANCANEGARA YANG BERKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER KOMPETENSI STATISTIKA SKRIPSI PERAMALAN JUMLAH WISATAWAN MANCANEGARA YANG BERKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER KOMPETENSI STATISTIKA SKRIPSI I KETUT PUTRA ADNYANA 1208405010 LEMBAR JUDUL JURUSAN MATEMATIKA FAKULTAS MATEMATIKA

Lebih terperinci

BAB III METODE DEKOMPOSISI X-11-ARIMA. Metode Census II telah dikembangkan oleh Biro Sensus Amerika Serikat.

BAB III METODE DEKOMPOSISI X-11-ARIMA. Metode Census II telah dikembangkan oleh Biro Sensus Amerika Serikat. BAB III METODE DEKOMPOSISI X-11-ARIMA 3.1 Pendahuluan Metode Census II telah dikembangkan oleh Biro Sensus Amerika Serikat. Metode Cencus II memiliki beberapa jenis metode dan perbaikan sejak metode pertama

Lebih terperinci

PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. APPLICATION OF ARIMA TO FORECASTING STOCK PRICE OF PT. TELOKM Tbk.

PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. APPLICATION OF ARIMA TO FORECASTING STOCK PRICE OF PT. TELOKM Tbk. PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. Djoni Hatidja ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi, Manado 955 email: dhatidja@yahoo.com ABSTRAK Penelitian ini

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA

BAB 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 terperinci

Sedangkan model fungsi transfer bentuk kedua adalah sebagai berikut :

Sedangkan 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 terperinci

BAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegitan yang memperkirakan apa yang akan

BAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegitan yang memperkirakan apa yang akan BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (Forecasting) adalah suatu kegitan yang memperkirakan apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Kegunaan peramalan

Lebih terperinci

BAB IV ANALISIS DAN PEMBAHASAN

BAB 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 terperinci

VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER

VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER 6.1. Analisis Pola Data Penjualan Ayam Broiler Data penjualan ayam broiler adalah data bulanan yang diperoleh dari bulan Januari 2006

Lebih terperinci

PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP

PERAMALAN 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 terperinci

ANALISIS 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 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 terperinci

LULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI

LULIK 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 terperinci

PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT

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 terperinci

PERAMALAN KECEPATAN ANGIN BULANAN DI MEDAN BERDASARKAN TEKANAN UDARA DENGAN FUNGSI TRANSFER TUGAS AKHIR

PERAMALAN KECEPATAN ANGIN BULANAN DI MEDAN BERDASARKAN TEKANAN UDARA DENGAN FUNGSI TRANSFER TUGAS AKHIR PERAMALAN KECEPATAN ANGIN BULANAN DI MEDAN BERDASARKAN TEKANAN UDARA DENGAN FUNGSI TRANSFER TUGAS AKHIR Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ahli Madya YUSRINA BATUBARA 072407019

Lebih terperinci

Analisis 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 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 terperinci

PETUNJUK PRAKTIKUM MATAKULIAH : METODE RUNTUN WAKTU

PETUNJUK PRAKTIKUM MATAKULIAH : METODE RUNTUN WAKTU PETUNJUK PRAKTIKUM MATAKULIAH : METODE RUNTUN WAKTU Disusun Oleh : ENTIT PUSPITA NIP : 132086616 JURUSAN PENDIDIKAN MATEMATIKA FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN

Lebih terperinci

PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA

PERAMALAN 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 terperinci

BAB II KAJIAN PUSTAKA. dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat

BAB II KAJIAN PUSTAKA. dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat BAB II KAJIAN PUSTAKA 2.1 Konsep Dasar Runtun Waktu Data runtun waktu (time series) merupakan data yang dikumpulkan, dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat berupa

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian terhadap populasi yang sangat besar, kita perlu melakukan suatu penarikan sampel. Hal ini dikarenakan tidak selamanya kita dapat

Lebih terperinci

Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA

Prediksi 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 terperinci

ANALISA BOX JENKINS PADA PEMBENTUKAN MODEL PRODUKSI PREMI ASURANSI KENDARAAN BERMOTOR RODA EMPAT

ANALISA BOX JENKINS PADA PEMBENTUKAN MODEL PRODUKSI PREMI ASURANSI KENDARAAN BERMOTOR RODA EMPAT ANALISA BOX JENKINS PADA PEMBENTUKAN MODEL PRODUKSI PREMI ASURANSI KENDARAAN BERMOTOR RODA EMPAT Mei Taripar Pardamean S.,SKom Jl. Makmur No.1 Ciracas Jakarta Timur mtp95@yahoo.com ABSTRAK Tujuan dari

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Curah Hujan Curah hujan adalah jumlah air yang jatuh di permukaan tanah datar selama periode tertentu yang diukur dengan satuan tinggi milimeter (mm) di atas permukaan horizontal.

Lebih terperinci

BAB II LANDASAN TEORI. nonstasioneritas, Autocorrelation Function (ACF) dan Parsial Autocorrelation

BAB II LANDASAN TEORI. nonstasioneritas, Autocorrelation Function (ACF) dan Parsial Autocorrelation BAB II LANDASAN TEORI Pada Bab II akan dijelaskan pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya yaitu peramalan data runtun waktu (time series), konsep dasar

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang. Peramalan diperlukan karena adanya kesenjangan waktu

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Konsep Peramalan Peramalan ( forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi modern

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Salah satu indikator tingkat kesejahteraan rakyat dapat dilihat dari perkembangan angka kematian balita, dikarenakan kematian balita berkaitan erat dengan keadaan ekonomi,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan adalah suatu proses memperkirakan secara sistematik tentang sesuatu yang paling mungkin terjadi di masa depan berdasarkan informasi di masa lalu

Lebih terperinci

PEMODELAN FUNGSI TRANSFER UNTUK MERAMALKAN CURAH HUJAN DI KOTA SEMARANG

PEMODELAN 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 terperinci

BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG

BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan (Assauri, Sofyan. 1991) adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah

Lebih terperinci

ANALISIS KELAYAKAN RENCANA PEMBUKAAN SHOWROOM MOBIL OLEH PT XYZ BERDASARKAN RAMALAN PERMINTAAN DI BANDA ACEH

ANALISIS KELAYAKAN RENCANA PEMBUKAAN SHOWROOM MOBIL OLEH PT XYZ BERDASARKAN RAMALAN PERMINTAAN DI BANDA ACEH Saintia Matematika Vol. 1, No. 1 (2013), pp. 41 50. ANALISIS KELAYAKAN RENCANA PEMBUKAAN SHOWROOM MOBIL OLEH PT XYZ BERDASARKAN RAMALAN PERMINTAAN DI BANDA ACEH Maradu Naipospos, Pengarapen Bangun, Gim

Lebih terperinci

PERBANDINGAN UJI PORTMANTEAU UNTUK KORELASI DIRI SISAAN PADA MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) KURNIA SEKAR NEGARI

PERBANDINGAN UJI PORTMANTEAU UNTUK KORELASI DIRI SISAAN PADA MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) KURNIA SEKAR NEGARI PERBANDINGAN UJI PORTMANTEAU UNTUK KORELASI DIRI SISAAN PADA MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) KURNIA SEKAR NEGARI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

Lebih terperinci

BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER

BAB 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 terperinci

Peramalan Permintaan Paving Blok dengan Metode ARIMA

Peramalan Permintaan Paving Blok dengan Metode ARIMA Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Peramalan Permintaan Paving Blok dengan Metode ARIMA Adin Nofiyanto 1,Radityo Adi Nugroho 2, Dwi Kartini 3 1,2,3 Program

Lebih terperinci

Peramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2012 Dengan Metode ARIMA BOX-JENKINS

Peramalam 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 terperinci

ANALISIS INTERVENSI FUNGSI STEP

ANALISIS INTERVENSI FUNGSI STEP ANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun 2006 2011) SKRIPSI Diajukan Sebagai Syarat untuk Memperoleh Gelar Sarjana Sains Pada Jurusan Statistika

Lebih terperinci

BAB 2 LANDASAN TEORI. variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan

BAB 2 LANDASAN TEORI. variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan bagian

Lebih terperinci

HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN 36 HASIL DAN PEMBAHASAN Deskripsi Data Penelitian ini diawali dengan melihat ketergantungan antar lokasi dan waktu. Lokasi-lokasi dalam penelitian ini saling berhubungan, hal ini ditunjukkan dengan nilai

Lebih terperinci

A. Judul : PEMODELAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN DI KABUPATEN BANDUNG

A. Judul : PEMODELAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN DI KABUPATEN BANDUNG A. Judul : PEMODELAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN DI KABUPATEN BANDUNG B. Latar Belakang Informasi tentang curah hujan merupakan perihal penting yang berpengaruh terhadap berbagai macam aktifitas

Lebih terperinci

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang terjadi pada masa yang akan datang.

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang terjadi pada masa yang akan datang. BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang terjadi pada masa yang akan datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang

Lebih terperinci

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama ( assaury, 1991). Sedangkan ramalan

Lebih terperinci

PEMODELAN 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 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 terperinci

Spesifikasi Model. a. ACF

Spesifikasi Model. a. ACF Dept. Statistika IPB, 0 Spesifikasi Model Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu:. Penentuan model tentatif (spesifikasi model) berdasarkan data contoh untuk mengidentifikasi

Lebih terperinci

PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH

PENDEKATAN 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 terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman Online di: ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 705-714 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENDEKATAN MODEL FUNGSI TRANSFER MULTI INPUT UNTUK ANALISIS

Lebih terperinci

PENERAPAN METODE ARIMA DALAM MERAMALKAN INDEKS HARGA KONSUMEN (IHK) INDONESIA TAHUN 2013

PENERAPAN METODE ARIMA DALAM MERAMALKAN INDEKS HARGA KONSUMEN (IHK) INDONESIA TAHUN 2013 La Pimpi //Paradigma, Vol. 17 No. 2, Oktober 2013, hlm. 35-46 PENERAPAN METODE ARIMA DALAM MERAMALKAN INDEKS HARGA KONSUMEN (IHK) INDONESIA TAHUN 2013 1) La Pimpi 1 Staf Pengajar Jurusan Matematika, FMIPA,

Lebih terperinci

BAB III UJI STATISTIK PORTMANTEAU DALAM VERIFIKASI MODEL RUNTUN WAKTU

BAB III UJI STATISTIK PORTMANTEAU DALAM VERIFIKASI MODEL RUNTUN WAKTU BAB III UJI STATISTIK PORTMANTEAU DALAM VERIFIKASI MODEL RUNTUN WAKTU Salah satu langkah yang paling penting dala ebangun suatu odel runtun waktu adalah dari diagnosisnya dengan elakukan peeriksaan apakah

Lebih terperinci

EFEKTIVITAS 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 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 terperinci

PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO

PERBANDINGAN 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 terperinci