APLIKASI MODEL GSTAR PADA PERAMALAN JUMLAH KUNJUNGAN WISATAWAN EMPAT LOKASI WISATA DI BATU
|
|
- Ade Darmadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 APLIKASI MODEL GSTAR PADA PERAMALAN JUMLAH KUNJUNGAN WISATAWAN EMPAT LOKASI WISATA DI BATU Dwi Susani, Susiswo Universias Negeri Malang ABSTRAK: Peneliian ini berujuan unuk mengeahui model peramalan jumlah kunjungan wisaawan pada empa lokasi wisaa di Bau. Empa lokasi ersebu yaiu: Jawa Timur Park, Seleka, Kusuma Agro, dan Songgorii. Model yang digunakan adalah model GSTAR dengan iga bobo lokasi yaiu: bobo lokasi seragam, bobo lokasi inverse jarak, dan bobo lokasi normalisasi korelasi silang. Berdasarkan hasil analisis daa, didapakan model yang sesuai yaiu GSTAR () I( ) unuk keempa lokasi. Pemilihaan model erbaik didasarkan pada nilai RMSE erkecil, sehingga diperoleh model GSTAR ( ) I( ) dengan bobo lokasi inverse jarak. Hasil peramalan periode mendaang, unuk Jawa Timur Park sebanyak 7553 pengunjung, Seleka sebanyak 375, Kusuma Agro sebanyak 53, dan Songgorii sebanyak 6. This sudy aims o deermine forecasing model he number of Visior a Four Tourism Objecs in Bau. The four locaions are: Jawa Timur Park, Seleca, Kusuma Agro, and Songgorii. The model used is he weigh GSTAR wih hree locaions, uniform locaion weigh, invers of disance locaion weigh, and cross correlaion weigh. Based on he resuls of he daa analysis, i was found ha he model fi he GSTAR () I( ) for four locaions. The bes model selecing is based on smalles RMSE value, So ha he mos appropriae model is GSTAR ( ) I( ) wih inverse of disance locaion weigh. Resuls of forecasing fuure periods for Jawa Timur Park as many as visiors, Seleca as many as 375, Kusuma Agro as many as 53, and Songgorii as many as 6. Kaa kunci: GSTAR, Wisaawan, RMSE Model space ime adalah salah sau model yang menggabungkan unsur dependensi waku dan lokasi pada daa dere waku mulivaria. Model space ime Auoregressive (STAR) merupakan gabungan model auoregressive orde p, AR(p) dari Box Jenkins dan model spasial. Model space ime ini masih erdapa kelemahan yaiu unuk semua lokasi dianggap sama, dan model ini diperbaiki oleh Borovka, Lopuhaa, dan Ruchjana () melalui model Generalized Space Time Auoregressive (GSTAR), model ini idak mensyarakan nilai yang sama unuk semua. Ruchjana () melakukan pemodelan dengan GSTAR unuk daa produksi minyak bumi, model yang diperoleh yaiu GSTAR ( ) dengan mariks bobo spasial. Peneliian lain dilakukan oleh Borovka dkk(8), pada hasil produksi eh bulanan di Jawa Bara. Tahun 9 Miraus Shofiyah menerapkan model GSTAR pada daa produksi gas, dengan diperoleh model GSTAR ( ) I(). Beberapa kajian yang dilakukan enang model ersebu masih sediki yang melibakan pola musiman aau seasonal. Bau merupakan koa wisaa yang erkenal di wilayah Jawa Timur. Pemilihan empa wisaa di Bau yang digunakan pada peneliian ini didasarkan pada lama empa rekreasi ersebu didirikan dan adanya wisaawan yang mengunjungi empa wisaa ersebu seiap bulannya pada beberapa ahun-ahun. Dwi Susani adalah mahasiswa jurusan Maemaika FMIPA Universias Negeri Malang. Susiwo adalah dosen jurusan Maemaika FMIPA Universias Negeri Malang
2 sebelumnya. Sehingga berdasarkan krieria ersebu empa wisaa yang digunakan yaiu Jawa Timur Park, Seleka, Kusuma Agro, dan Songgorii. Dengan memperhaikan keerkaian waku dan lokasi pada keempa lokasi wisaa ersebu, Oleh karena iu, pada peneliian ini akan menggunakan model GSTAR (Generalized Space-Time Auoregressive) unuk meramalkan jumlah kunjungan wisaawan pada empa lokasi wisaa di Bau. Model GSTAR merupakan pengembangan dari model STAR, model ini cenderung lebih fleksibel dari model STAR. Perbedaan uama model GSTAR dengan model STAR yaiu erleak pada nilai parameer pada lag spasial yang sama diperbolehkan berlainan. Dalam noasi mariks, Model GSTAR dengan deraja auoregressiv p dan deraja spasial,..., p, GSTAR ( p,..., p ) dapa diuliskan sebagai: dengan ime, p Z W Z e k k k k n k k k (.) diag(,..., ) : mariks diagonal parameer auoregressive lag diag(,..., ): mariks diagonal parameer space ime lag spasial n k k k dan lag ime, Pembobo dipilih sedemikian hingga iid e N I (, nxn ) Bobo lokasi yang digunakan pada peneliian ini anara lain:. Bobo Lokasi Seragam Nilai dari bobo lokasi seragam dihiung dengan rumus: w ij n i w dan w ( k) ( k) ii i j ij dengan ni adalah jumlah lokasi yang berdekaan dengan lokasi i.bobo lokasi ini memberikan nilai bobo yang sama unuk masing masing lokasi. Sehingga bobo lokasi ini seringkali digunakan pada daa yang lokasinya homogen aau mempunyai jarak anar lokasi yang sama.. Bobo Lokasi Inverse jarak Nilai dari bobo lokasi inverse jarak didapakan dari perhiungan berdasarkan jarak sebenarnya anar lokasi. Lokasi yang berdekaan mendapakan nilai bobo yang lebih besar. 3. Bobo Lokasi Normalisasi Korelasi Silang Penenuan bobo lokasi berdasarkan pada normalisasi korelasi silang anar lokasi pada lag waku yang bersesuaian unuk model GSTAR sebagai beriku: rij ( k) wij, dimana i j, k,..., p r ( k) ki ik Menuru Akaike (973,97) dalam Lukepohl (5:7) salah sau krieria dalam penenuan model erbaik adalah menggunakan Akaike s Informaion Crieria (AIC). Suau model dikaakan baik apabila nilai AIC nya paling kecil. Perhiungan nilai AIC sebagai beriku: p AIC p p K T ( ) ln u( ) (.)
3 3 ' dimana: ( ) T ˆˆ u p T u u adalah mariks aksiran kovarian residual dari model VAR(p), T merupakan jumlah residual, K merupakan jumlah variabel. RMSE digunakan unuk memperoleh gambaran keseluruhan sandar deviasi yang muncul saa menujukkan perbedaan anar model. Besarnya nilai RMSE dapa dihiung dengan: RMSE m MSE ( Z ˆ dengan m : Z ) m banyaknya ramalan yang dilakukan, Z : daa sebenarnya, Z ˆ : daa hasil ramalan. Nilai RMSE berkisar anara sampai. Semakin kecil nilai RMSE maka model semakin bagus. METODE Daa yang digunakan dalam peneliian ini adalah daa sekunder yang diperoleh dari BPS koa Bau yang berupa daa jumlah kunjungan wisaawan empa lokasi wisaa di Bau pada ahun -. Variabel yang digunakan dalam peneliian ini, yaiu: Jumlah kunjungan wisaawan ke Jawa Timur Park ( Z ), Jumlah kunjungan wisaawan ke Seleka ( Z ), Jumlah kunjungan wisaawan ke Kusuma Agro( Z 3), Jumlah kunjungan wisaawan ke Songgorii ( Z ).Langkahlangkah yang dilakukan dalam peneliian ini adalah:. Mendeskripsikan daa jumlah kunjungan wisaawan dan juga memplo daa ersebu.. Memeriksa kesasioneran daa dengan cara meliha plo ACF. Apabila daa idak sasioner erhadap varian maka dilakukan ransformasi unuk meliha kesasioneran dalam varian dapa diliha dari plo Box-Cox. Jika daa idak sasioner erhadap mean dapa dilakukan differencing pada daa, unuk meliha kesasioneran erhadap mean dapa meliha skema mariks korelasi silang (MACF). 3. Idenifikasi daa musiman dengan meliha skema mariks korelasi silang dengan adanya nilai lag nyaa pada lag dan seerusnya, dan juga dapa diliha dari plo daa awal, jika pada waku waku erenu mengalami naik aau urun secara bersamaan.. Menenukan MACF, MPACF dan nilai AIC. 5. Mengidenifikasi orde model dengan meliha hasil dari MACF dan MPACF, sera memilih model erbaik dengan meliha nilai AIC erkecil. 6. Menghiung bobo lokasi seragam, bobo lokasi invers jarak, dan bobo lokasi normalisasi silang. 7. Meneukan parameer auoregressive unuk masing masing bobo lokasi. 8. Memperoleh model GSTAR unuk masing masing bobo lokasi. 9. Melakukan uji kenormalan residual dengan menggunakan Q-Q Plo.. Melakukan uji whie noise residual dengan menggunakan plo MACF dan meliha nilai AIC minimum pada lag.. Menghiung nilai RMSE masing-masing model.. Memilih model erbaik berdasarkan nilai RMSE erkecil.
4 Kusuma Agro Songgorii Jaim Park Seleka HASIL DAN PEMBAHASAN Plo daa dari empa variabel anara lain: Jawa Timur Park ( Z ), Seleka ( Z ), Kusuma Agro ( Z 3), dan Songgorii ( Z ) dapa diliha pada gambar beriku: Time Series Plo of Jaim Park Time Series Plo of Seleka Index Index Time Series Plo of Kusuma Agro Time Series Plo of Songgorii Index Z 5 Index Gambar Plo Daa dari Variabel, Z, Z3, Z Besarnya pengaruh sau variabel dengan variabel yang lain pada suau waku dapa diliha melelui nilai korelasi anar lokasi pada mariks korelasi anar lokasi beriku: Correlaions: Jaim Park; Seleka; Kusuma Agro; Songgorii Jaim Park Seleka Kusuma Agro Seleka,63, Kusuma Agro -,9 -,6,7,956 Songgorii,365,69,,7,8, Cell Conens: Pearson correlaion P-Value Gambar Nilai korelasi anar variabel Pada Gambar erdapa nilai p value yang lebih dari sebesar,5 pada Kusuma Agro Jaim Park dan Kusuma Agro Seleka yang berari menggambarkan idak adanya keerkaian anar lokasi ersebu. Teapi nilai p value anar lokasi yang lain memiliki nilai yang kurang dari α yang menunjukkan adanya hubungan keerkaian anar lokasi. Pada pemodelan ime series ada dua asumsi yang harus dipenuhi yaiu daa harus sasioner dan residual harus whie noise. Unuk mengidenifikasi model asumsi yang perama harus dipenuhi adalah daa sasioner dalam varian dan mean. Sasioner dapa diliha dari plo daa pada Gambar yang memperlihakan bahwa daa idak sasioner erhadap varian dan mean. Unuk mensasionerkan daa erhadap varian maka dilakukan dengan ransformasi Box-Cox. Apabila nilai mendekai aau sama dengan, maka daa sasioner erhadap varian. Nilai dapa diliha dari Plo Box-Cox
5 5 Daa awal jumlah kunjungan wisaawan ke Jawa Timur Park memiliki nilai lamda sebesar sehingga dilakukan ransformasi menjadi ln Z. Plo Box Cox dari ranformasi diperoleh nilai lamda -,5 sehingga diperlukan ransformasi kembali dengan daa dari hasil ln Z menjadi dan menghasilkan lamda ln Z sebesar,7 yang mengindikasikan bahwa daa elah sasioner dalam varian. Daa awal jumlah kunjungan wisaawan ke Seleka memiliki nilai lamda sebesar,5 sehingga dilakukan ransformasi menjadi Z. Plo Box Cox dari ranformasi diperoleh nilai lamda,5 sehingga diperlukan ransformasi kembali dengan daa dari hasil Z menjadi Z dan menghasilkan lamda sebesar yang mengindikasikan bahwa daa elah sasioner dalam varian. Daa awal jumlah kunjungan wisaawan ke Kusuma Agro memiliki nilai lamda sebesar sehingga dilakukan ransformasi daa awal menjadi ln Z. Plo Box Cox dari ranformasi diperoleh nilai lamda mengindikasikan bahwa daa elah sasioner erhadap varian. Daa awal jumlah kunjungan wisaawan ke Songgorii memiliki nilai lamda sebesar sehingga dilakukan ransformasi daa awal menjadi ln Z. Plo Box Cox dari ranformasi diperoleh nilai lamda,85 sehingga diperlukan,85 ransformasi kembali dengan daa dari hasil ln Z menjadi (ln Z ) dan menghasilkan lamda sebesar yang mengindikasikan bahwa daa elah sasioner dalam varian. Selanjunya sasionerias dalam mean. Unuk mensasionerkan daa dalam mean dilakukan dengan differencing.,85 Schemaic Represenaion of Cross Correlaions Variable/ Lag Jaim_park Seleka Kusuma_Agro Songgorii is > *sd error, - is < -*sd error,. is beween Gambar 3 Skema Mariks Korelasi Silang variabel hasil differencing Dari MACF hasil differencing Gambar 3 erliha bahwa pada semua lag erdapa nilai korelasi silang yang keluar. Hal ini diunjukkan dengan adanya simbol (+) dan (-) hampir pada seiap lag, yang berari erdapa hubungan korelasi posiif dan juga korelasi negaif, sehingga dapa dikaakan bahwa daa variabel ersebu idak sasioner dalam mean. Pada plo Gambar menunjukkan bahwa daa memiliki nilai inggi pada bulan bulan erenu, yang berari bahwa daa berpola musiman. Hal ini juga diunjukkan pada gambar dimana pada lag erdapa banyaknya simbol (+) dan (-), maka perlu dilakukan differencing kembali menggunakan differencing unuk menghilangkan musiman.
6 6 Schemaic Represenaion of Cross Correlaions Variable/ Lag Jaim_park Seleka Kusuma_Agro Songgorii is > *sd error, - is < -*sd error,. is beween Gambar Skema Mariks Korelasi Silang variabel hasil differencing dan Pada Gambar MACF seelah di differencing dan menunjukkan bahwa daa yang sudah di ransformasi dan differencing dan dapa dikaakan sasioner erhadap varian dan mean karena hampir seluruh daa berada pada sandar deviasi. Idenifikasi model GSTAR dapa diliha dari MPACF daa yang elah sasioner, kelayakan model, dan AIC yang erbenuk. Schemaic Represenaion of Parial Cross Correlaions Variable/ Lag Jaim_park Seleka Kusuma_Agro Songgorii is > *sd error, - is < -*sd error,. is beween Gambar 5 Skema MPACF dari variabel MPACF pada Gambar 5 merepresenasikan bahwa auokorelasi parsial jumlah wisaawan yang nyaa erdapa pada lag ke-, ke-, ke-3, hingga lag ke-5. Sehingga dugaan model semenara adalah GSTAR ( ) I( ), GSTAR () I( ), GSTAR (3 ) I( ), GSTAR ( ) I( ), dan GSTAR (5 ) I( ). Unuk menenukan model yang sesuai dapa meliha nilai AIC sebagai beriku: Minimum Informaion Crierion Lag MA MA MA MA 3 MA MA 5 AR AR AR AR AR AR Gambar 6 Nilai AIC Nilai AIC erkecil adalah model AR () dan MA () dengan nilai -8\,68 sehingga model yang sesuai adalah GSTAR ( ) I( ). Pada bobo lokasi seragam unuk seiap lokasi bernilai sama yang mengindikasikan bahwa jarak anar lokasi diasumsikan sama. Bobo lokasi seragam di hiung dengan rumus wij dengan ni adalah jumlah lokasi yang ni berdekaan dengan lokasi i. Pada peneliian ini menggunakan lokasi, maka bobo lokasi yang dihasilkan adalah
7 7,333,333,333,333,333,333 w ij,333,333,333,333,333,333 Pada bobo lokasi inverse jarak dihiung berdasarkan jarak anar lokasi yang sebenarnya. Mariks bobo inverse jarak unuk model GSTAR ( ) I( ) yaiu:,,598,353,35,38,3 w ij,58, 96,3, 6, 5, 8 Pada lokasi bobo normalisasi korelasi silang dienukan dengan normalisasi besaran besaran korelasi silang anar lokasi yang bersesuaian. Mariks bobo lokasi normalisasi korelasi silang unuk model GSTAR ( ) I( ) yaiu:,35,59, 97,36, 78,6 w ij, 6,33, 9,39, 65, 66 Pendugaan parameer auoregressive dilakukan berdasarkan bobo lokasi. Hasil pendugaan parameer model GSTAR dengan bobo lokasi seragam sebagai beriku: Tabel Hasil Pendugaan Parameer Dari Tabel diperoleh nilai parameer auoregressive pada beberapa lokasi memiliki p value yang kurang dari α =,5 yang menunjukkan bahwa parameer ersebu nyaa. Sedangkan unuk parameer yang lainnya idak nyaa. Parameer
8 q q q 8 idak nyaa seharusnya dihilangkan dan dilakukan pendugaan ulang. Teapi, dengan perimbangan bobo masing masing lokasi, eliminasi parameer idak dilakukan. Menuru Kesenko (8) dan Armsrong (6) dalam Ike Firianingsih (;5) menyaakan bahwa variabel yang idak nyaa eap dapa digunakan unuk melakukan proses peramalan. Pada pemeriksaan diagnosik erdapa dua hal yang harus dipenuhi asumsi kenormalan residual dan asumsi whie noise residual. Pemeriksaan kenormalan residual berujuan unuk meliha disribusi residual. Pemeriksaan kenormalan residual dilakukan dengan menggunakan Q-Q Plo. Plo Mulivariae Normal Plo Mulivariae Normal dj dj 5 3 Plo Mulivariae Normal Gambar 7 Plo Residual Model dengan Bobo Seragam, Inverse, dan Normalisasi Berdasarkan Gambar 7 bahwa plo-plo residual menyebar disekiar garis diagonal, yang arinya residual model menyebar mulinormal. Schemaic Represenaion of Cross Correlaions Variable/ Lag dj Jaim_park Seleka Kusuma_Agro Songgorii is > *sd error, - is < -*sd error,. is beween Schemaic Represenaion of Cross Correlaions Variable/ Lag Jaim_park Seleka Kusuma_Agro Songgorii is > *sd error, - is < -*sd error,. is beween 5 3 Schemaic Represenaion of Cross Correlaions Variable/ Lag Jaim_park Seleka Kusuma_Agro Songgorii is > *sd error, - is < -*sd error,. is beween Gambar 8 MACF Residual Model dengan Bobo Seragam, Inverse, dan Normalisasi
9 9 MACF residual digunakan unuk meliha ada idaknya korelasi anar variabel pada lag sehingga dapa dikeahui apakah residual bersifa whie noise. Gambar 8 menunjukkan bahwa simbol yang banyak muncul adalah simbol (.) yang berari idak adanya korelasi eapi masih erdapa simbol (+) dan juga ( ) pada plo sehingga dapa diliha dari nili AIC residual unuk memeriksa residual. Minimum Informaion Crierion Lag MA Minimum Informaion Crierion Lag MA Minimum Informaion Crierion Lag MA Gambar 9 Nilai AIC Residual Model dengan Bobo Seragam, Inverse, dan Normalisasi Nilai AIC erkecil pada Gambar 9 erleak pada lag sehingga residual dapa dikaakan bersifa whie noise. Pemilihan model erbaik dilakukan dengan RMSE (Roo Mean Square Error). Hasil perhiungan RMSE masing masing bobo lokasi model GSTAR ( ) I( ) dapa diliha pada abel beriku, AR AR AR AR AR AR AR AR Tabel Nilai RMSE Bobo Lokasi Jaim Park Seleka Kusuma Agro Songgorii Nilai RMSE Seragam,73973,3,3897 3,577 5,5 Inverse Jarak,7397,38,538 3,5 5,83 Normalisasi,73893,7,36 3,63 5,597 Berdasarkan Tabel menunjukkan model GSTAR ( ) I( ) dengan bobo inverse jarak mempunyai nilai RMSE erkecil, sehingga model erbaik adalah model GSTAR ( ) I( ) dengan bobo inverse jarak, yaiu: Model Lokasi Wisaa Jawa Timur Park Z ( ), 675 Z ( ), Z ( ), 7 Z ( ), Z ( ) 3,383 Z ( ), Z ( ), Z ( ) 3,6 Z( ) e( ) Model Lokasi Wisaa Seleka Z ( ), 95 Z ( ),883 Z ( ), 867 Z ( ), 89 Z ( ) 3 +, 9688 Z ( ),37786 Z ( ), 979 Z ( ) 3 +,8885 Z( ) e( ) Model Lokasi Wisaa Kusuma Agro Z ( ), 63 Z ( ), 7 Z ( ), 6 Z ( ), 9 Z ( ) 3 3, 38 Z ( ), 38 Z ( ),35 Z ( ) 3,798 Z ( ) e ( ) 3 AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR AR
10 Model Lokasi Wisaa Songgorii Z ( ), 8559 Z ( ), 599 Z ( ),38578 Z ( ), 887 Z ( ) 3, 7559 Z ( ), 777 Z ( ),3963 Z ( ),366 Z ( ) e ( ) 3 Seelah didapakan model erbaik model GSTAR ( ) I( ) dengan bobo lokasi inverse jarak, maka selanjunya dapa diperoleh nilai nilai yang akan daang aau peramalan. Peramalan yang dilakukan sebanyak kali, yaiu bulan Januari Desember. Dengan cara mengembalikan daa yang elah di differencing dan ransformasi sebelum menjadi daa yang sasioner. Daa hasil peramalan dikembalikan unuk differencing dan unuk differencing. Selanjunya daa dikembalikan berdasarkan ransformasi yang elah dilakukan pada daa. Sehingga diperoleh hasil peramalannya adalah: Tabel 3 Hasil Peramalan Bulan/Tahun Jaim Park Seleka Kusuma Agro Songgorii Jan/ Feb/ Mare/ April/ Mei/ Juni/ Juli/ Agus/ Sep/ Ok/ Nov/ Des/ Pada Tabel 3 menunjukkan bahwa daa hasil peramalan cenderung konsan pada waku erenu dan menunjukkan nilai dari hasil peramalan idak jauh dari daa sebelum diramalkan. Sehingga hasil peramalan dari model GSTAR () I( ) dapa digunakan sebagai penduga jumlah kedaangan wisaawan periode mendaang. PENUTUP Kesimpulan Dari analisis yang dilakukan, didapakan model erbaik yaiu model GSTAR ( ) I( ) dengan bobo lokasi inverse jarak. Hasil peramalan periode mendaang, unuk Jawa Timur Park sebanyak 7553 pengunjung, Seleka sebanyak 375, Kusuma Agro sebanyak 53, dan Songgorii sebanyak 6. Saran Unuk peneliian selanjunya, sebaiknya diperimbangkan juga fakor fakor lain yang mempengaruhi jumlah kujungan wisaawan pada empa lokasi wisaa di Bau. Selain iu akan lebih baik jika dilakukan lagi peneliian ulang unuk beberapa ahun mendaang, dengan perimbangan bahwa koa Bau elah dijadikan prospek daerah wisaawan lingkup regional.
11 DAFTAR RUJUKAN Candra K. Agusia.. Model Gsar-I (Generalized Space Time Auoregressive Inegraed) Unuk Daa Pengguna Kb Baru Di Koa Kediri. Minor Thesis: Malang: Universias Brawijaya Cryer, J.D Time Series Analysis. Boson: Duxbury Press Firiyaningsih, Ike.. Perbandingan Bobo Lokasi Seragam, Invers Jarak, Dan Normalisasi Korelasi Silang Model Generalized Space Time Auoregressive (GSTAR) (Sudi Kasus: Harga Sayuran Pada Lima Pasar di Koa Malang). Minor Thesis: Malang: Universias Brawijaya Lukephol, Helmu.5.New Inroducion o Muliple Time Series Analysis. New York: Springer Makridakis, S. dan Wheelwrigh, S.C.999.Meode dan Aplikasi Peramalan.Jakara: Bina Rupa Aksara Mulyana.. Buku Ajar Analisis Daa Dere Waku. Bandung: FMIPA Universias Padjadjaran Nisa, Henny D.K.. Peramalan Debi Air Sungai Branas Dengan Meode Gsar danarima. Undergraduae Thesis: Surabaya: Insiu Teknologi Sepuluh November Ruchjana, B.N.. Pemodelan Kurva Produksi Minyak Bumi Menggunakan Model Generalisasi S-TAR. Bogor: Forum Saisika dan Kompuasi, IPB SAS Insiue Inc. 8. SAS/ETS 9. User s Guide. Cary,NC,USA: SAS Insiue Inc Shofiyah, M.A. 9. Peramalan Daa Produksi Gas dijoin Operaing Body Peramina-Perochina Eas Java (JOB P-PEJ) dengan Model GSTAR dan ARIMA. Undergraduae Thesis: Surabaya: Insiu Teknologi Sepuluh November Suharono dan Aok, R.M.6.Pemilihan Bobo Lokasi yang Opimal pada Model GSTAR, Presened a Naional Mahemaics Conference XIII.Semarang: Universias Negeri Semarang Suharono dan Subanar. 6. The Opimal Deerminaion of Space Weigh in GSTAR Model by using Cross-correlaion Inference. Journal of Quaniaive Mehod, Journal Devoed o he Mahemaical and Saisical Aplicaion in Various Field, (), Wei, William W.S. 6. Time Series Analysis Univariae and Mulivariae Mehods. USA: Temple Universiy
12
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinciPeramalan Outflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Autoregressive (GSTAR)
JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) D-59 Peramalan Ouflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Auoregressive (GSTAR) Rahmah Safiri, Seiawan, dan Imam Safawi
Lebih terperinciBAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun
BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial
Lebih terperinciPeramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk
Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Oleh : Dwi Hapsari K (1306 100 015) Dosen Pembimbing : Dra. Karika Firiasari, M.Si 1 Pendahuluan Laar Belakang, Perumusan Masalah, Tujuan
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciPeramalan Inflasi Menggunakan Model Fungsi Transfer Multi Input. Forcasting Inflation Using Multiple Input Transfer Function Model
Peramalan Inflasi Menggunakan Model Fungsi Transfer Muli Inpu Forcasing Inflaion Using Muliple Inpu Transfer Funcion Model Novi Adisia, Sri Wahyuningsih, dan Rio Goeanoro 3 Laboraorium Saisika Terapan
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih terperinciPENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN
IndoMS Journal on Saisics Vol., No. (04), Page 7-37 PENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN Dinda Ariska Wulandari,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan
Lebih terperinciOleh: TANTI MEGASARI Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes
PERAMALAN INDEKS HARGA SAHAM YANG DIPENGARUHI KURS, PERUBAHAN INFLASI, POSISI JUMLAH DEPOSITO BERJANGKA, SUKU BUNGA SBI DAN DEPOSITO MENGGUNAKAN FUNGSI TRANSFER DAN ARCH-GARCH Oleh: TANTI MEGASARI 6 00
Lebih terperinciAbstrak Hampir seluruh aktivitas manusia di berbagai belahan bumi sangat bergantung terhadap ketersediaan air bersih.
1 Peramalan Volume Produksi Air Bersih di PDAM Kabupaen Bojonegoro berdasarkan Jumlah Pelanggan dan Volume Konsumsi Air Fasha Aulia Pradhani dan Adaul Mukarromah Jurusan Saisika, FMIPA, ITS Jl. Arief Rahman
Lebih terperinciKata Kunci - GSTAR, Inflasi, Invers Jarak, Korelasi Silang, Seragam. I. PENDAHULUAN II. TINJAUAN PUSTAKA
Pemodelan Inflasi di Koa Semarang, Yogyakara, dan Surakara dengan pendekaan GSTAR Laily Awliaul Faizah, Seiawan Jurusan Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember
Lebih terperinciPeramalan Jumlah Pengunjung Domestik dan Mancanegara di Maharani Zoo & Goa Menggunakan ARIMA Box - Jenkins
Peramalan Jumlah Pengunjung Domesik dan Mancanegara di Maharani oo & Goa Menggunakan ARIMA Box - Jenkins Vivi Kusuma Sulisyawai (3030085) Dosen Pembimbing Dr. Irhamah, S.Si.,M.Si Laar Belakang Rumusan
Lebih terperinciDAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII
Bulein Ilmiah Mah. Sa. dan Terapannya (Bimaser) Volume 6, No. 3 (27), hal 83 2. MODEL SPACE-TIME DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII Ella Kurniawai, Naomi Nessyana
Lebih terperinciANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 009 XV-1 ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI Muhammad Sjahid Akbar, Jerry Dwi Trijoyo
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang
Lebih terperinciPeramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Multi Input. : Nesia Brilliana I.P NRP :
Peramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Muli Inpu Nama : Nesia Brilliana I.P NRP : 20800023 Jurusan : Maemaika Dosen Pembimbing : Dra. Nuri Wahyuningsih, M. Kes Pemberian pupuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Peramalan Dengan Meode Smoohing dan Verifikasi Meode Peramalan Dengan Grafik Pengendali Moving Range () (Sudi Kasus: Produksi Air Bersih di PDAM Tira Kencana Samarinda) Forecasing wih Smoohing and Verificaion
Lebih terperinciBAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
20 BAB 2 LADASA TEORI 2.1. Pengerian Peramalan Meode Peramalan merupakan bagian dari ilmu Saisika. Salah sau meode peramalan adalah dere waku. Meode ini disebu sebagai meode peramalan dere waku karena
Lebih terperinciPemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network
D-378 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) 2337-3520 (23-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi pada Plaform MK di PT X Menggunakan Meode ARIMA, Neural Nework, dan Hibrida ARIMA-Neural
Lebih terperinciPEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA
PEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA Fadil Rahman Hakim, Dr. Ir. Achmad Mauludiyano, MT. Program Sudi Telekomunikasi Mulimedia Jurusan Teknik Elekro Fakulas Teknologi Indusri
Lebih terperinciPERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT
Saisika, Vol. 2, No. 2, November 24 PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Sri Wahyuni, 2 Farikhin, Iswahyudi Joko Suprayino Program Sudi Saisika
Lebih terperinciPenentuan Pelebaran Window Time Optimal Pada Data Deret Waktu
1 Penenuan Pelebaran Window Time Opimal Pada Daa Dere Waku (1) Nursya`bani Hendro Prabowo dan (2) Raden Mohamad Aok Deparemen Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam, Insiu Teknologi Sepuluh
Lebih terperinciPERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN (STUDI KASUS KOTA SALATIGA, BULAN JANUARI 2014 JULI 2016)
Prosiding Seminar Maemaika dan Pendidikan Maemaika ISBN: 978-602-622-20-9 hal 935-950 November 206 hp://jurnal.fkip.uns.ac.id PERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN
Lebih terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciKata kunci: Deret waktu, Heteroskedastisitas, IGARCH, Peramalan. Keywords: Time Series, Heteroscedasticity, IGARCH, Forecasting.
METODE INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) UNTUK MEMODELKAN HARGA GABAH DUNIA (INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY TO CAPTURE
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciPemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Metode Intervensi dan Regresi Spline ABSTRAK
Pemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Meode Inervensi dan Regresi Spline Rina Andriani, Dr. Suharono, M.Sc 2 Mahasiswa Jurusan Saisika FMIPA-ITS, 2 Dosen Jurusan Saisika FMIPA-ITS
Lebih terperinciARIMA (Autoregressive Integrated Moving Average)
ARIMA (Auoregressive Inegraed Moving Average) I. Prinsip Dasar dan Tujuan Analisis. Prinsip Dasar ARIMA sering juga disebu meode runun waku Box-Jenkins. ARIMA sanga baik keepaannya unuk peramalan jangka
Lebih terperinciKAJIAN PEMODELAN DERET WAKTU: METODE VARIASI KALENDER YANG DIPENGARUHI OLEH EFEK VARIASI LIBURAN
JMP : Volume 4 omor, Juni 22, hal. 35-46 KAJIA PEMODELA DERET WAKTU: METODE VARIASI KALEDER YAG DIPEGARUHI OLEH EFEK VARIASI LIBURA Winda Triyani Universias Jenderal Soedirman winda.riyani@gmail.com Rina
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER. Muflih Rori Putra Harahap
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER Muflih Rori Pura Harahap 30 00 052 Pembimbing : Dr. Drs. Agus Suharsono, M.S. LATAR BELAKANG PENDAHULUAN
Lebih terperinciANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
ISSN: 9-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 05, Halaman 6-60 Online di: hp://eournal-s.undip.ac.id/index.php/gaussian ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
Lebih terperinciPENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA
PENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA Maskur Efendi ), Widandi Soeopo 2), Piojo Tri Juwono 2) ) Mahasiswa Magiser
Lebih terperinciPEMODELAN PRODUKSI SEKTOR PERTANIAN
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime
Lebih terperinciBAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,
Lebih terperinciModel ARIMAX Dan Deteksi GARCH Untuk Peramalan Inflasi Kota Denpasar Tahun 2014
JEKT Model ARIMAX Dan Deeksi GARCH Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 Rukini *) Badan Pusa Saisik Provinsi Bali ABSTRAK pemerinah dalam mengambil kebijakan unuk menjaga sabilias moneer di masa
Lebih terperinci*Corresponding Author:
Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion
Lebih terperinciPerbandingan Metode Winter Eksponensial Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X
JURAL SAIS DA SEI ITS Vol. 6, o.1, (2017) 2337-3520 (2301-928X Prin) A 1 Perbandingan Meode Winer Eksponensial Smoohing dan Meode Even Based unuk Menenukan Penjualan Produk Terbaik di Perusahaan X Elisa
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiaan memperkirakan apa yang akan erjadi pada masa yang akan daang. Ramalan adalah sesuau kegiaan siuasi aau kondisi yang diperkirakan akan erjadi
Lebih terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY DAN DIMAS HARI SANOSO Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus
Lebih terperinciPemodelan VAR-NN dan GSTAR-NN untuk Peramalan Curah Hujan di Kabupaten Malang
JURNAL SAINS DAN SENI POMITS Vol., No., () - (-X Prin) D- Pemodelan VAR-NN dan GSTAR-NN unuk Peramalan Curah Hujan di Kabupaen Malang Kadek Ardya Novi Diani dan Seiawan dan Suharono Saisika, Fakulas Maemaika
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinciPERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi (308 030 060) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si Laar Belakang 2 Laar
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING
ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING Nama: Zahroh Aiqoh 05 00 0 Dosen Pembimbing: Dra. Nuri Wahyuningsih, MKes Drs. Sulisiyo, MT Jurusan Maemaika
Lebih terperinciPERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR
TUGAS AKHIR SS 145561 PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR SARIRAZTY DWIJANTARI NRP 1314 030 010 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN
Lebih terperinciPENENTUAN KONSTANTA PEMULUSAN YANG MEMINIMALKAN MAPE DAN MAD MENGGUNAKAN DATA SEKUNDER BEA DAN CUKAI KPPBC TMP C CILACAP
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PENENTUAN KONSTANTA PEMULUSAN YANG MEMINIMALKAN MAPE DAN MAD MENGGUNAKAN DATA SEKUNDER BEA DAN CUKAI KPPBC
Lebih terperinciBAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel
BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih terperinciMODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR
MODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR S - 27 Rukini, Suharono2 2,2 Jurusan Saisika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciAnalisis Peramalan Jumlah Permintaan Kerudung di Industri Kecil Kerudung Arin di Surabaya dengan Metode Variasi Kalender
Analisis Peramalan Jumlah Perminaan Kerudung di Indusri Kecil Kerudung Arin di Surabaya dengan Meode Variasi Kalender Disusun oleh : Sely Enggar Rusiano 307 030 030 Dosen Pembimbing : Dr. Irhamah, M.Si
Lebih terperinciMODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI
MODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI Diajukan kepada Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Negeri Yogyakara unuk memenuhi
Lebih terperinciAnalisis Peramalan Jumlah Penumpang Kereta Api Penataran Tujuan Surabaya-Malang
Analisis Peramalan Jumlah Penumpang Kerea Api Penaaran Tujuan Surabaya-Malang Oleh. Andria Prima Diago 08.00.0 Dosen Pembimbing. r. Dwiamono Agus, M.komp Andria Prima Diago 08.00.0 nsiu Teknologi Sepuluh
Lebih terperinciPENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Studi Kasus: PT Tembaga Mulia Semanan)
Prosiding Seminar Nasional Manajemen Teknologi Program Sudi MMT-ITS, Surabaya 1 Agusus 2009 PENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Sudi Kasus: PT
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
Lebih terperinciPeramalan Inflasi Nasional Berdasarkan Faktor Ekonomi Makro Menggunakan Pendekatan Time Series Klasik dan ANFIS
JURNAL SAINS DAN SENI IS Vol. 4, No., () 2337-3 (2-928X Prin) D-67 Peramalan Inflasi Nasional Berdasarkan Fakor Ekonomi Makro Menggunakan Pendekaan ime Series Klasik dan ANFIS Clara Agusin Sephani, Agus
Lebih terperinciMA5182 Topik dalam Statistika I: Statistika Spasial 22 November 2012 Utriweni Mukhaiyar
Space-ime Models MA58 Topik dalam Saisika I: Saisika Spasial ovember Uriweni Mukhaiyar Analisis Saisik Box&Jenkins Ieraion Posulae General Class of Models ACF, PACF, diff Daa Analysis Compound Poisson
Lebih terperinciContagions Effect Kurs 5 Negara ASEAN (Association of Southeast Asian Nations) Menggunakan Vector Autoregressive (VAR)
JURNAL SAINS DAN SENI POMITS Vol. 2, No., (203) 2337-3520 (230-928X Prin) D-8 Conagions Effec Kurs 5 Negara ASEAN (Associaion of Souheas Asian Naions) Menggunakan Vecor Auoregressive (VAR) Mirna Chairany,
Lebih terperinciPrediksi Penjualan Sepeda Motor Honda di Kabupaten dan Kotamadya Malang dengan Metode Peramalan Hierarki. Oleh : Rika Susanti
Prediksi Penjualan Sepeda Moor Honda di Kabupaen dan Koamadya Malang dengan Meode Peramalan Hierarki Oleh : Rika Susani 1310100066 Dosen Pembimbing Co. Pembimbing : Dra. Desri Susilaningrum, M.Si. : Dr.
Lebih terperinciProsiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : ; e-issn :
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PERAMALAN VOLUME PENGGUNAAN AIR BERSIH DENGAN METODE WINTERS EPONENTIAL SMOOTHING UNTUK MENENTUKAN VOLUME
Lebih terperinciPENERAPAN METODE TRIPLE EXPONENTIAL SMOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUSAHAAN MEBEL SINAR JEPARA TANJUNGANOM NGANJUK.
PENERAPAN METODE TRIPLE EXPONENTIAL MOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUAHAAN MEBEL INAR JEPARA TANJUNGANOM NGANJUK. ii Rukayah*), Achmad yaichu**) ABTRAK Peneliian ini berujuan unuk
Lebih terperinciAPLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
Lebih terperinciPemulusan Eksponensial dengan Metode Holt Winter Additive Damped
Pemulusan Eksponensial dengan Meode Hol Winer Addiive Damped Hurul in 1),Dr. Erna Tri Herdiani, M.Si 2), Andi Kresna Jaya, S.Si., M.Si 3) Program Sudi Saisika Jurusan Maemaika FMIPA Unhas Jln. Perinis
Lebih terperinciPeramalan Harga Saham Jakarta Islamic Index Menggunakan Metode Vector Autoregressive
D-408 JURNAL SAINS DAN SENI ITS Vol. 5 No. (06) 337-350 (30-98 Prin) Peramalan Harga Saham Jakara Islamic Menggunakan Meode Vecor Auoregressive Farida Nur Hayai dan Brodjol Suijo S.U Jurusan Saisika Fakulas
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian yang dilakukan mengenai analisis perencanaan pengadaan una berdasarkan ramalan ime series volume ekspor una loin beku di PT Tridaya Eramina
Lebih terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih terperinciPENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS (ARIMA)
Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 PENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS
Lebih terperinciBab 5 Penaksiran Fungsi Permintaan. Ekonomi Manajerial Manajemen
Bab 5 Penaksiran Fungsi Perminaan 1 Ekonomi Manajerial Manajemen Peranyaan Umum Tenang Perminaan Seberapa besar penerimaan perusahaan akan berubah seelah adanya peningkaan harga? Berapa banyak produk yang
Lebih terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih terperinciMAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS
1. Pendahuluan MAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS CAMPURAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh : Febriana Dwi P. (1306 100 011) Dosen Pembimbing I : Dr. Irhamah, S.Si,
Lebih terperinciTUGAS AKHIR. untuk Analisis Peramalan Data Ekspor Non Migas Indonesia Di Sektor Pertanian, Sektor Perindustrian dan Sektor
TUGAS AKHIR Pendekaan Meode ARIMA Box Jenkins unuk Analisis Peramalan Daa Ekspor Non Migas Indonesia Di Sekor Peranian, Sekor Perindusrian dan Sekor Nurul Laifa Perambangan 307 030 70 Dosen pembimbing
Lebih terperinciPREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED
PREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED Wahyuda 1, Budi Sanosa 2, Nani Kurniai 3 1 Teknik Indusri Universias Mulawarman-Samarinda
Lebih terperinciPeramalan Return Saham Bank Central Asia Menggunakan Self Exciting Threshold Autoregressive Genetic Algorithm
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Prin) D-71 Peramalan Reurn Saham Bank Cenral Asia Menggunakan Self Exciing Threshold Auoregressive Geneic Algorihm Tesalonika Puri dan
Lebih terperinci1999 sampai bulan September Data ini diperoleh dari yahoo!finance.
7 999 sampai bulan Sepember 8. Daa ini diperoleh dari yahoo!finance. Meode Langkah-langkah pemodelan nilai harian IHSG secara garis besar dapa diliha pada Lampiran dengan penjelasan sebagai beriku:. Melakukan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 91-100 Online di: hp://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI BREAKPOINT DAN PEMODELAN AUTOREGRESSIVE STRUCTURAL
Lebih terperinciKARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL. Sudarno Staf Pengajar Program Studi Statistika FMIPA UNDIP
Karakerisik Umur Produk (Sudarno) KARAKTERISTIK UMUR PRODUK PADA MODEL WEIBULL Sudarno Saf Pengajar Program Sudi Saisika FMIPA UNDIP Absrac Long life of produc can reflec is qualiy. Generally, good producs
Lebih terperinciPeramalan Pengguna Kapal Ferry Ujung-Kamal dengan Metode Intervensi
D-480 JURNAL SAINS DAN SENI IS Vol. No. 2 (6) 2337-3 (2-928X Prin) Peramalan Pengguna Kapal Ferry Ujung-Kamal dengan Meode Inervensi Eka Apriliani, dan Irhamah Jurusan Saisika, Fakulas MIPA, Insiu eknologi
Lebih terperinciIDENTIFIKASI POLA DATA TIME SERIES
IDENTIFIKASI POLA DATA TIME SERIES Daa merupakan bagian pening dalam peramalan. Beriku adalah empa krieria yang dapa digunakan sebagai acuan agar daa dapa digunakan dalam peramalan.. Daa harus dapa dipercaya
Lebih terperinciPeramalan Kebutuhan Bahan Bakar Premium di Depot Ampenan dengan Metode Hibrida Arima- Neural Network untuk Optimasi Persediaan
JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 202) ISSN: 230-928X D-94 Peramalan Kebuuhan Bahan Bakar Premium di Depo Ampenan dengan Meode Hibrida Arima- Neural Nework unuk Opimasi Persediaan Okivianis Kusumaningrum,
Lebih terperinciBAB 2 TINJAUAN TEORI
7 BAB 2 TINJAUAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciPERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS TRI EMIRA RISMAYANTI NRP 1314 030 070 Dosen Pembimbing Dr. Brodjol Suijo
Lebih terperinciPERAMALAN NILAI NAV RMF, EQUITY DAN FIXED FUND PT. PRUDENTIAL LIFE ASSURANCE DENGAN MODEL VARIMA DAN ARIMA
Gunawan: PERAMALAN NILAI NAV RMF, EQUITY, DAN FIXED FUND PT. PRUDENTIAL LIFE 9 PERAMALAN NILAI NAV RMF, EQUITY DAN FIXED FUND PT. PRUDENTIAL LIFE ASSURANCE DENGAN MODEL VARIMA DAN ARIMA Eric Gunawan ),
Lebih terperinciPERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR.
PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,,)(0,,) 2 TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains
Lebih terperinciPERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS Puri Handayani NRP 1314 030 112 Dosen Pembimbing Dr. Brodjol Suijo Suprih Ulama, M.Si. Deparemen
Lebih terperinci2 efek dari pengaruh kejadian luar (exernal even) pada daa ime series (Wei, 2006). Bila y adalah daa ime series yang mengandung variasi kalender, maka
. PERAMALAN VOLUME KENDARAAN MASUK DI TOL DUPAK-WARU MENGGUNAKAN MODEL VARIASI KALENDER Yosua D. Charismawan (1304 100 024) Pembimbing : Ir. Dwiamono Agus W.,M.Ikom ABSTRAK Tol Surabaya-Gempol merupakan
Lebih terperinciPENDEKATAN PERAMALAN TINGKAT KONSUMSI MINYAK DI INDONESIA DENGAN MENGGUNAKAN METODE BOX-JENKINS
PENDEKATAN PERAMALAN TINGKAT KONSUMSI MINYAK DI INDONESIA DENGAN MENGGUNAKAN METODE BOX-JENKINS Ari Pani Desvina, Abdur Rahman Siddiq Jurusan Maemaika Fakulas Sains dan Teknologi UIN Suska Riau E-mail:
Lebih terperinciDosen Pembimbing Dr. Brodjol Sutijo Suprih Ulama, M.Si.
TUGAS AKHIR SS 145561 PERAMALAN NILAI IMPOR NON MIGAS DI JAWA TIMUR DENGAN MENGGUNAKAN METODE ARIMA BOX-JENKINS BOBBY AKBAR NRP 1314 030 002 Dosen Pembimbing Dr Brodjol Suijo Suprih Ulama, MSi DEPARTEMEN
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO
PERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO SKRIPSI Disusun Oleh : SITI LIS INA ATUL HIDAYAH 24010211120006 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinci(T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES
PROSIDING ISSN : 087-590. Seminar Nasional Saisika November 0 Vol, November 0 (T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES Yahya Ubaid ), Budi Nurani R. ), Mulyana K. 3) )Mahasiswa Program
Lebih terperinciISSN : e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 3732
ISSN : 355-9365 e-proceeding of Engineering : Vol.3, No. Agusus 016 Page 373 Sifa Asimeris Model Prediksi Generalized Auoregressive Condiional Heerocedasiciy (GARCH) dan Sochasic Volailiy Auoregressive
Lebih terperinciPEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 9 PEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL Y.P.Y. Asmara,
Lebih terperinciPenerapan Model ARCH/GARCH untuk Peramalan Nilai Tukar Petani ABSTRAK ABSTRACT. Pendahuluan
Jurnal Sains Maemaika dan Saisika, Vol. 4, No., Januari 8 ISSN 46-454 prin/issn 65-8663 online Penerapan Model ARCH/GARCH unuk Peramalan Nilai Tukar Peani Ari Pani Desvina, Inggrid Ocaviani Meijer, Jurusan
Lebih terperinci(T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF
Seminar Nasional Saisika 12 November 2011 Vol 2, November 2011 (T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF Gumgum Darmawan, Sri Mulyani S Saf Pengajar Jurusan Saisika FMIPA UNPAD
Lebih terperinciBAB 2 LANDASAN TEORI
35 BAB LANDASAN TEORI Meode Dekomposisi biasanya mencoba memisahkan iga komponen erpisah dari pola dasar yang cenderung mencirikan dere daa ekonomi dan bisnis. Komponen ersebu adalah fakor rend (kecendrungan),
Lebih terperinciPENERAPAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (GARCH) DALAM PERAMALAN NILAI TUKAR DOLAR TERHADAP RUPIAH
Penerapan Model Generalized Auoregressive Condiional Heeroscedasic (Garch) PENERAPAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC (GARCH) DALAM PERAMALAN NILAI TUKAR DOLAR TERHADAP RUPIAH
Lebih terperinci