JURNAL SAINS DAN SENI ITS Vol. 4, No.1, (2015) ( X Print)
|
|
- Susanti Sudirman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL SAINS AN SENI ITS Vol. 4, No., (5) (3-98X Print) -43 Pendekatan Percentile Error Bootstrap pada Model ouble Seasonal Holt-inters, ouble Seasonal ARIMA, dan Naïve untuk Peramalan Ben Listrik Jangka Pendek Area Jawa Timur-Bali Hidayatul Khusna dan Suhartono Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Suraya 6 Indonesia suhartono@statistika.its.ac.id Abstrak Interval prediksi pada model double seasonal Holtinters (SH) tidak dapat dikonstruksi dengan cara analitis. Jika digunakan untuk meramal jauh ke depan, model double seasonal ARIMA memiliki varians error yang semakin besar sehingga interval prediksi menjadi semakin ler. Sementara model Naïve untuk data musiman memiliki varians error yang semakin besar setiap kelipatan periode musiman. Penelitian ini bertujuan untuk meramalkan ben listrik area Jawa Timur-Bali menggunakan pendekatan percentile error bootstrap (PEB) pada model SH, SARIMA, dan Naïve. ata yang digunakan adalah ben listrik per setengah jam dalam satuan Mega att (M) dari periode Januari 3 hingga 3 September 4. Hasil penelitian menunjukkan hwa model SARIMA merupakan model terik berdasarkan kriteria out-sample smape, kriteria in-sample AIC-SBC, serta kriteria out-sample rata-rata ler interval prediksi. engan demikian, dapat disimpulkan hwa model terik untuk peramalan ben listrik jangka pendek area Jawa Timur-Bali adalah model SARIMA dengan interval prediksi yang dikonstruksi menggunakan pendekatan percentile error bootstrap. Bootstrap merupakan salah satu pendekatan komputatif yang dapat menjadi alternatif untuk mengkonstruksi interval prediksi tanpa mensyaratkan asumsi residual berdistribusi Normal. Hyndman et al. [5] menerapkan bootstrap berdasarkan error menggunakan percentile error bootstrap. Hyndman dan Fan [6] juga mengemngkan bootstrap pada data yang memiliki pola double seasonal menggunakan double seasonal block bootstrapping. Kedua metode ini pernah diterapkan oleh Lailiya [7] pada model double seasonal Holtinters. Hasilnya, masing-masing metode memiliki kelebihan dalam hal ler serta akurasi interval prediksi. Penelitian ini bertujuan untuk menerapkan pendekatan percentile error bootstrap pada model double seasonal Holt-inters, double seasonal ARIMA, dan Naïve untuk peramalan ben listrik jangka pendek area Jawa Timur-Bali sehingga diperoleh model terik dengan interval prediksi yang stabil serta memiliki akurasi yang lebih tinggi. Kata Kunci ben listrik, double seasonal ARIMA, double seasonal Holt-inters, Naïve, percentile error bootstrap. II. TINJAUAN PUSTAKA I. PENAHULUAN ISTRIK telah menjadi kebutuhan primer gi masyarakat. Segai pusat pemerintahan dan perekonomian, wilayah distribusi Jawa-Bali mendominasi sekitar 8% dari total kebutuhan listrik nasional pada tahun 3 []. Listrik memiliki karakteristik tidak dapat disimpan. Karena itu, listrik harus dingkitkan hanya jika diperlukan. PT. PLN perlu melakukan pengoptimalan pendistribusian listrik hingga skala operasional melalui peramalan ben listrik per setengah jam. Penelitian tentang peramalan ben listrik telah nyak dilakukan, diantaranya oleh Puspitasari [] menggunakan Two Level Seasonal Autoregressive Hibrida ARIMA-ANFIS dan Utomo [3] menggunakan SARFIMA. Keduanya hanya melakukan peramalan titik. Taylor dan McSharry [4] melakukan penelitian tentang ben listrik jangka pendek di Eropa dan menyatakan hwa metode ouble Seasonal Holtinters lebih akurat dindingkan metode PCA dan Seasonal ARMA. L A. ouble Seasonal Holt-inters Model multiplicative untuk double seasonal Holt-inters dituliskan sesuai persamaan berikut [6] level : lt ' ' lt bt t s t s : bt ' lt l ' b t t seasonal : t t s ltt s trend () () (3) seasonal : t t s l t t s (4) error (5) forecast : e lt bt h t t s h t s h het. : Yˆt h lt bt h t s h t s h (6) dengan s adalah periode seasonal, lt adalah indeks level pada waktu ke-t, bt adalah indeks trend pada waktu ke-t, t adalah indeks seasonal (daily) pada waktu ke-t, t adalah indeks seasonal (weekly) pada waktu ke-t, et adalah error pada waktu ke-t, α' adalah parameter penghalus level, β' adalah parameter penghalus trend, δ adalah parameter penghalus
2 JURNAL SAINS AN SENI ITS Vol. 4, No., (5) (3-98X Print) seasonal, ω adalah parameter penghalus seasonal, dan parameter error terkoreksi. Langkah-langkah pemodelan double seasonal Holt-inters dapat dijelaskan segai berikut.. Menentukan nilai awal komponen dimana m= 48 (periode seasonal atau daily) dan m= 336 (periode seasonal atau weekly), dilakukan melalui langkah berikut [8]. a. Menentukan nilai awal trend, b, yaitu rata-rata dari/336 dari selisih antara 336 observasi pertama dengan 336 observasi kedua, dan differencing pertama untuk 336 observasi pertama. b. Menentukan nilai awal level, l, yaitu rata-rata dari 6 observasi pertama dikurangi 336,5 kali dari nilai awal trend. c. Menentukan nilai awal seasonal (within-day seasonal),, yaitu rata-rata dari rasio nilai aktual aktual dengan 48 point centered moving average, yang diperoleh dari periode setengah jam pada setiap harinya selama tujuh hari. d. Menentukan nilai awal seasonal (within-week seasonal),, yaitu rata-rata dari rasio nilai aktual dengan 336 point centered moving average, yang diperoleh dari periode setengah jam pada setiap dua minggu, kemudian digi dengan nilai awal.. Menentukan parameter dengan nonliniar optimization, dilakukan melalui langkah berikut [9]. a. Memngkitkan. vektor parameter dari distribusi Uniform hingga. b. Memasukkan masing-masing vektor ke dalam model kemudian dihitung nilai sum of square error (SSE) setiap model. c. Mendapatkan nilai awal parameter dari sepuluh vektor yang memiliki SSE terkecil. d. Melakukan optimasi parameter menggunakna algoritma quasi-newton. e. Mendapatkan satu vektor parameter akhir yang memiliki SSE terkecil. B. ouble Seasonal ARIMA ata konsumsi listrik jangka pendek pada umumnya memiliki pola double seasonal [8,, ]. Karena itu, model ARIMA yng sesuai untuk peramalan ben listrik jangka pendek adalah multiplicative double seasonal ARIMA atau ARIMA ( p, d, q)(p,, Q ) s ( P,, Q )s. Secara matematis, model ARIMA ini dapat ditulis sesuai persamaan berikut p (B) P (Bs ) P (Bs )( B)d ( Bs ) ( Bs ) q (B) Q (Bs ) Q (Bs )at (7) Interval prediksi untuk model multiplicative double seasonal ARIMA dapat ditentukan melalui persamaan berikut {Yˆt (h) z / var[et (h)]} (h) {Yˆt (h) z / var[et (h)]} (8) dengan Yˆt (h) adalah ramalan h tahap ke depan, dan var[et (h)] adalah varians error untuk ramalan h tahap ke depan. C. Metode Naïve Peramalan menggunakan metode Naïve pada data dengan trend linear dapat dituliskan sesuai persamaan berikut [] Yˆt (h) h ( h h ). (9) -44 Jika data time series memuat pola double seasonal, dimana s < s, maka peramalan menggunakan metode double seasonal Naïve dapat dituliskan segai berikut () Yˆt (h) h s.. Percentile Error Bootstrap Percentile error bootstrap dapat diterapkan dengan cara mendapatkan N sampel error untuk setiap tahap peramalan melalui resampling error (ordinary bootstrap), segai berikut [5].. Mendapatkan nilai fit dari model.. Menghitung error yang didapatkan dari selisih antara data aktual dengan nilai fit. 3. Memngkitkan N sampel error untuk setiap h, dimana h,,, H tahap ke depan dan N merupakan bilangan yang sangat besar. Error dingkitkan menggunakan resampling dengan pengemlian (ordinary bootstrap) sehingga untuk memngun interval prediksi gi (h) dibutuhkan N sampel error. 4. Pada setiap ramalan ke-h, N sampel error hasil bootstrap diurutkan dari yang terkecil hingga terbesar. 5. Mendapatkan persentil error / dan / untuk setiap ramalan ke-h. Sehingga, tas atas atas dan tas wah untuk setiap ramalan ke-h adalah segai berikut. (Yˆ ( h ) e ) ( h ) (Yˆt ( h ) e ). (3) [ / ] [ / ] t 6. Mengulangi langkah 3 hingga 5 untuk mendapatkan interval pada setiap peramalan h,3,, H. III. METOE PENELITIAN A. Sumber ata dan Variabel Penelitian ata yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari PT. PLN (Persero) P3B Jawa Bali, gian APB. Variabel penelitian yang digunakan adalah ben listrik per setengah jam yang didistribusikan oleh APB Jawa Timur-Bali periode Januari 3 hingga 5 September 4 (training) serta 6 hingga 3 September 4 (testing). B. Metode Analisis ata Langkah analisis dalam penelitian ini adalah segai berikut.. Melakukan analisis statistik deskriptif.. Melakukan peramalan menggunakan model SH. 3. Melakukan peramalan menggunakan model SARIMA. 4. Melakukan peramalan menggunakan model Naïve. 5. Melakukan peramalan menggunakan pendekatan percentile error bootstrap pada model SH, SARIMA, dan Naïve. 6. Memndingkan akurasi hasil peramalan menggunakan model SH, SARIMA, Naïve serta model dengan pendekatan percentile error bootstrap untuk masing-masing metode. IV. HASIL AN PEMBAHASAN A. Statistika eskriptif ata ben konsumsi listrik area Jawa Timur-Bali yang dicatat setiap setengah jam dari periode Januari 3 hingga 3 September 4 memiliki dua pola musiman, yaitu musiman harian dan musiman mingguan. Pola musiman harian
3 JURNAL SAINS AN SENI ITS Vol. 4, No., (5) (3-98X Print) dan mingguan pada sampel data di Bulan September 4 dapat diamati pada gamr Index (Setengah Jam) Gamr. Time Series Plot Ben Konsumsi Listrik 48 Total Tanpa Jul-Agt 3-4 Jul-Agt 3 Jul-Agt Mean :3 :3 5: 7:3 : :3 Pukul 5: 7:3 : :3 Gamr. Plot Rata-rata Ben Konsumsi Listrik Per Setengah Jam Total Tanpa Jul-Agt 3-4 Jul-A gt 3 Jul-A gt 4 Varians Yˆt h lt bt h (,8)h et t 48 h t 336 h dengan :3 :3 5: 7:3 : :3 5: 7:3 : :3 Pukul Gamr 3. Plot Varians Ben Konsumsi Listrik Per Setengah Jam Tabel Proyeksi Kebutuhan Listrik Jawa Timur-Bali [3] Sektor Rumah Tangga 8,4 9,49,7,3 3,44 5, 6,78 Usaha,75 3,6 3,4 3,78 4,8 4,63 5, Umum,,3,35,5,69,9,4 Jatim-Bali menyalakan bergai peralatan elektronik sehingga ben konsumsi listrik melonjak tinggi. Selain itu, rata-rata ben konsumsi listrik tiap setengah jam khusus periode Juli hingga Agustus 3 bernilai paling rendah. Sementara rata-rata ben konsumsi listrik tiap setengah jam khusus periode Juli hingga Agustus 4 bernilai paling tinggi khususnya pada jam-jam di malam hari telah melebihi rata-rata ben konsumsi listrik per setengah jam secara keseluruhan dari periode Januari 3 hingga September 4. Hal ini menunjukkan adanya kenaikan trend pemakaian listrik dari periode 3 hingga 4 dengan proporsi tertinggi terjadi pada malam hari. Gamr 3 menjelaskan hwa ben konsumsi listrik memiliki variasi yang tinggi saat siang hari. Sedangkan pada malam hari, pola konsumsi energi listrik didominasi oleh sektor rumah tangga sehingga tidak memiliki fluktuasi konsumsi energi listrik yang tinggi. Hal yang menarik pada gamr 3 adalah varians ben konsumsi listrik tiap setengah jam khusus periode Juli hingga Agustus 3 serta Juli hingga Agustus 4 ternyata lebih tinggi daripada varians ben konsumsi listrik tiap setengah jam secara keseluruhan dari periode Januari 3 hingga September 4. Hal ini menunjukkan hwa tingginya varians ben konsumsi listrik tiap setengah jam secara keseluruhan dari periode Januari 3 hingga September 4 paling besar disumng oleh varians ben konsumsi listrik di sekitar Idul Fitri 3 dan Idul Fitri 4. B. Peramalan dengan SH Peramalan pada data training menggunakan model SH diperoleh persamaan peramalan titik segai berikut 3 Industri -45 9,87,3,95 4,76 6,8 9,5,86,3 5,9 8,4 3,8 36, 4,7 45,9 i Jawa Timur-Bali, industri merupakan konsumen listrik yang lebih dominan. Akan tetapi, selisih kebutuhannya dengan rumah tangga tidak terlalu besar [3]. Karena itu, dapat diamati pada gamr hwa rata-rata ben konsumsi listrik terendah terjadi pada pukul 7. pagi seiring dengan dimulainya aktivitas masyarakat untuk bekerja di luar rumah. Sedangkan rata-rata ben konsumsi listrik mencapai puncak tertingginya pada pukul 8.3 seiring berakhirnya segian besar aktivitas masyarakat untuk bekerja di luar rumah. Menjelang malam hari, semua fasilitas umum membutuhkan energi listrik yang tinggi, termasuk segai penerangan jalan. Segian besar masyarakat yang kemli ke rumah perlu lt (,547),547 lt bt t 48 t 336 bt (, 466) lt l,466 b t t t (, ), t 48 l t t 336 t (, 8), 8 t 336 l t t 48 et lt bt h. t 48 h t 336 h Parameter β atau parameter penghalus untuk efek trend memiliki nilai yang sangat kecil. Hal ini mengindikasikan hwa data in-sample hampir tidak memiliki efek trend. Sementara parameter ϕ yang merupakan parameter untuk error terkoreksi memiliki nilai yang cukup besar mengindikasikan hwa model yang terbentuk memerlukan adjustment dengan AR() akit residual model masih memiliki nilai ACF yang signifikan. C. Peramalan dengan SARIMA Pemodelan SARIMA dengan prosedur Box-Jenkins diawali dengan identifikasi stasioneritas data dalam mean dan varians. Stasioneritas data dalam mean dapat diidentifikasi melalui plot ACF. Plot ACF pada gamr 4 memiliki pola turun sangat lamt mengindikasikan hwa data tidak stasioner dalam mean sehingga perlu dilakukan differencing orde serta orde musiman pada lag 48 dan lag 336.
4 JURNAL SAINS AN SENI ITS Vol. 4, No., (5) (3-98X Print) Berdasarkan plot ACF dan PACF dari data yang telah stasioner, diperoleh dua model dugaan yang telah memiliki parameter signifikan serta residual white noise yaitu model ARIMA([,5,6,7,8,9,,,8,9,3,3,33,34,4,44,45,47],,[,3,5,7,8,3,,35,36,4])(,,)48(,,)336 dan model ARIMA([,5,6,7,8,9,,,8,9,3,3,3,33,34],,[, 3,5,7,8,3,,35,36])(,,)48(,,)336. Model kedua memiliki out-sample smape serta persentase error yang lebih kecil sehingga dipilih segai model terik. Secara matematis, model SARIMA terik dapat dituliskan segai berikut at dan at. E. Peramalan dengan Pendekatan Percentile Error Bootstrap Model SH yang terbentuk selanjutnya digunakan untuk meramal hingga tahap ke depan untuk dindingkan gamr 5. Sedangkan interval prediksi diperoleh dengan pendekatan percentile error bootstrap berdasarkan residual model SH dengan resampling senyak N. Interval prediksi terlihat stabil dan memiliki jarak yang sempit. Namun, terdapat dari data out-sample yang berada di luar interval prediksi. Artinya, terdapat 9, persen data yang tidak tercakup dalam interval prediksi at.at.79at 3.at 5.5at 7.6at 8.3at 3.8at 84.85at at at 339.8at 34.at 343.3at 344.at 349.at 358.at 37.at at Autocorrelation Gamr 6. Interval Prediksi Model SARIMA Tabel. Uji Asumsi Residual Model SARIMA Uji L-Jung Box Lag Q p-value 48 4,5, ,97, Uji Kolmogorov-Smirnov p-value,43 <,,43 <, P-value uji Kolmogorov-Smirnov pada tabel bernilai kurang dari,5 sehingga disimpulkan hwa residual kedua model tidak berdistribusi Normal. Hal ini dikarenakan data ben konsumsi listrik jangka pendek area Jawa Timur-Bali memiliki nyak outlier.. Peramalan dengan Naïve Pada peramalan dengan metode SH, diketahui hwa data ben konsumsi listrik area Jawa Timur-Bali memiliki unsur trend meskipun dengan nilai yang sangat kecil. Karena itu, dilakukan peramalan dengan model Naïve seasonal dan Naïve trend-seasonal masing-masing segai berikut Gamr 4. Plot ACF ata Ben Konsumsi Listrik 8 Lag Model Model 36 lcl ucl at at 46.9at 49.6at Gamr 5. Interval Prediksi Hasil Percentile Error Bootstrap pada Model SH.9at at 387.4at 389.6at 39.at at.4at 35.4at at 48.5at 49.6at 5.6at 53.9at 55.at 56.at 6.at 7.at Gamr 7. Interval Prediksi Hasil Percentile Error Bootstrap pada Model SARIMA Model SARIMA terik selanjutnya digunakan untuk meramal hingga tahap ke depan untuk dindingkan gamr 6. Sedangkan interval prediksi pada gamr 7 diperoleh dengan pendekatan percentile error bootstrap berdasarkan residual model SARIMA dengan resampling senyak N=. Menggunakan skala ordinat yang sama, interval prediksi model SARIMA murni terlihat semakin
5 JURNAL SAINS AN SENI ITS Vol. 4, No., (5) (3-98X Print) meler akit membesarnya varians error hasil ramalan. Sedangkan interval prediksi hasil percentile error bootstrap pada model SARIMA terlihat stabil dan memiliki jarak yang sempit. Namun, terdapat 89 dari data out-sample yang berada di luar interval prediksi. Artinya, terdapat,39 persen data out-sample yang tidak tercakup dalam interval prediksi. lcl ucl Gamr 8. Interval Prediksi Model Naïve Seasonal Gamr 9. Interval Prediksi Hasil Percentile Error Bootstrap pada Model Naïve Seasonal -47 berdasarkan residual model Naïve seasonal dengan resampling senyak N=. Interval prediksi hasil percentile error bootstrap pada model Naïve seasonal terlihat stabil daripada interval prediksi model Naïve seasonal murni, memiliki jarak yang sempit serta telah mencakup data secara sempurna. Model Naïve trend-seasonal selanjutnya digunakan untuk meramal hingga tahap ke depan untuk dindingkan gamr. Sedangkan interval prediksi pada gamr diperoleh dengan pendekatan percentile error bootstrap berdasarkan residual model Naïve trend-seasonal dengan resampling senyak N=. Interval prediksi model Naïve seasonal murni terlihat semakin meler setiap kelipatan 336 tahap peramalan akit membesarnya varians error hasil ramalan. Sedangkan interval prediksi hasil percentile error bootstrap pada model Naïve seasonal terlihat stabil, memiliki jarak yang sempit namun terdapat dari data out-sample yang berada di luar interval prediksi. F. Perndingan Akurasi Hasil Ramalan Nilai iterative out-sample smape hasil peramalan titik ben konsumsi listrik jangka pendek area Jawa Timur-Bali menggunakan metode SARIMA, SH, dan Naïve dapat diketahui pada gamr. Model terik berdasarkan kriteria out-sample smape adalah model SARIMA. Selain itu, nilai out-sample MAPE model SARIMA untuk tahap peramalan sebesar,69 persen. Nilai ini lebih rendah dari persen yang merupakan tas maksimal error peramalan yang bisa diterima oleh PT. PLN. lcl ucl ke epan Tabel 3 menunjukkan hwa model SARIMA memiliki AIC dan SBC yang lebih kecil daripada model Naïve seasonal serta Naïve trend-seasonal sehingga dapat disimpulkan hwa model terik berdasarkan kriteria AIC dan SBC adalah model SARIMA. Penting untuk diketahui hwa estimasi parameter model SH tidak diperoleh melalui metode Maximum Likelihood sehingga tidak memiliki kriteria AIC dan SBC. 6 Gamr. Iterative out-sample smape Model SH, SARIMA, dan Naïve 8 Gamr. Interval Prediksi Model Naïve Trend- Seasonal SH SA RIMA Naïv e Seasonal Naïv e Trend-Seasonal 9 smape (persen) Tabel 3. Nilai AIC dan SBC Model SARIMA serta Naïve Gamr. Interval Prediksi Hasil Percentile Error Bootstrap pada Model Naïve Trend- Seasonal Model Naïve seasonal selanjutnya digunakan untuk meramal hingga tahap ke depan untuk dindingkan gamr 8. Sedangkan interval prediksi pada gamr 9 diperoleh dengan pendekatan percentile error bootstrap AIC SBC SARIMA Naïve Seasonal 3448, , 34364, , Naïve Trend -Seasonal 44993, ,4 apat diamati pada tabel 4 hwa interval prediksi yang dikonstruksi menggunakan pendekatan percentile error bootstrap memiliki rata-rata ler interval prediksi yang lebih
6 JURNAL SAINS AN SENI ITS Vol. 4, No., (5) (3-98X Print) stabil jika dindingkan dengan rata-rata ler interval prediksi tanpa pendekatan percentile error bootstrap. Sementara interval prediksi menggunakan pendekatan percentile error bootstrap pada model SARIMA memiliki rata-rata ler interval prediksi yang paling kecil untuk tahap peramalan satu minggu hingga empat minggu ke depan sehingga dapat disimpulkan hwa interval prediksi terik berdasarkan kriteria rata-rata ler interval prediksi adalah interval prediksi menggunakan pendekatan percentile error bootstrap pada model SARIMA. Tabel 4. Rata-rata Ler interval Prediksi Model SH, SARIMA serta Naïve Tahap Peramalan Metode Hari 7,49 64, 74,6 7,48 493,8 86,59 35,85 SARIMA PEB SARIMA PEB SH Naïve Seasonal PEB Naïve Seasonal Naïve Trend-Seasonal PEB Naïve Trend-Seasonal 5 Hari 56,48 64,59 74,34 7,48 497,5 86,59 349,8 Hari 5 Hari 66,84 4,36 64,5 63,74 74,43 73,73 49,48 575,78 494,44 488,79 86, ,79 35,8 345, apat diketahui pada gamr 3 hwa persentase data yang keluar interval prediksi menggunakan pendekatan percentile error bootstrap pada model Naïve seasonal selalu berada pada titik persen. Artinya, tidak ada satu pun data out-sample yang keluar dari interval prediksi. Oleh karena itu, dapat disimpulkan hwa interval prediksi terik berdasarkan kriteria persentase data out-sample yang keluar interval prediksi adalah interval prediksi menggunakan pendekatan percentile error bootstrap pada model Naïve seasonal. Berdasarkan hasil analisis dapat disimpulkan hwa model terik untuk peramalan ben listrik jangka pendek area Jawa Timur-Bali adalah model SARIMA dengan interval prediksi yang dikonstruksi menggunakan perdekatan percentile error bootstrap dengan out-sample smape sebesar,7 persen; AIC sebesar 3448,4; SBC sebesar 34364,7; rata-rata ler interval prediksi sebesar 63,74; serta,39 persen data yang keluar interval prediksi untuk tahap peramalan. Penelitian berikutnya hendaknya memodelkan ben listrik jangka pendek menggunakan model additive SH. Hal ini dikarenakan karakteristik data ben listrik jangka pendek di Indonesia berbeda dengan karakteristik data ben listrik jangka pendek di luar negeri yang dikemngkan oleh Taylor []. Selain itu, hendaknya melitkan deteksi outlier pada peramalan titik model SARIMA untuk mendapatkan model yang lebih tepat. AFTAR PUSTAKA [] [] [3] [4] SH SARIMA Naïve Seasonal Naïve Trend-Seasonal 5 Error (persen) V. KESIMPULAN [5] 3 [6] 5 [7] 5 [8] h Hari ke epan Gamr 3. Persentase Error Interval Prediksi Hasil Pendekatan Percentile Error Bootstrap pada Model SH, SARIMA, dan Naïve Secara keseluruhan dapat diketahui hwa model terik berdasarkan kriteria out-sample smape, kriteria in-sample AIC-SBC, serta kriteria rata-rata ler interval prediksi adalah model SARIMA. Sementara interval prediksi menggunakan pendekatan percentile error bootstrap pada model Naïve seasonal merupakan interval prediksi terik berdasarkan kriteria persentase data out-sample yang keluar interval prediksi. Akan tetapi, hasil ramalan titik model Naïve seasonal memiliki out-sample smape hingga lebih dari tiga persen. engan demikian, model terik untuk peramalan ben listrik jangka pendek area Jawa Timur-Bali adalah model SARIMA dengan interval prediksi yang dikonstruksi menggunakan perdekatan percentile error bootstrap. -48 [9] [] [] [] [3] Muchlis, M & Permana, A.. 3. Proyeksi Kebutuhan Listrik PLN Tahun 3 s.d.. iambil kemli dari website: diakses pada tanggal September 4 pada pukul 3.4. Puspitasari, I.. Model ua Level Seasonal Autoregressive Hibrida ARIMA-ANFIS Untuk Peramalan Ben Listrik Jangka Pendek i Jawa Bali. Laporan Tugas Akhir Jurusan Statistika. Suraya: ITS. Utomo, P... Penerapan Model SARFIMA untuk Peramalan Ben Konsumsi Listrik Jangka Pendek di Jawa Timur dan Bali. Laporan Tugas Akhir Jurusan Statistika. Suraya: ITS. Taylor, J.. & McSharry, P. E. 8. Short-Term Load Forecasting Methods: An Evaluation Based on European ata. IEEE Transactions on Power Systems,, 3-9. Hyndman, R. J., Koehler, A. B., Snyder, R.. & Grose, S.. A State Space Framework for Automatic Forecasting Using Exponential Smoothing Methods. International Journal of Forecasting, 8, Hyndman, R. J. & Fan, S.. ensity Forecasting for Long-Term Peak Electricity emand. IEEE Transaction on Power System, 5(), Lailiya, A. R. 3. Pendekatan Bootstrap untuk Konstruksi Interval Prediksi pada Model ouble Seasonal Holt-inters. Laporan Tesis Jurusan Statistika. Suraya: ITS. Taylor, J.. 3. Short-Term Electricity emand Forecasting Using ouble Seasonal Exponential Smoothing. Journal of Operational Research Society, 54, Taylor, J... Triple Seasonal Methods for Short-Term Electricity emand Forecasting. European Journal of Operational Research, 4, Mohamed, N., Ahmad, M. H., Ismail, Z. & Suhartono.. ouble Seasonal ARIMA Model for Forecasting Load emand. Matematika, 6, 7-3. Suhartono & Endharta, A. J. 9. Short Term Electricity Load emand Forecasting in Indonesia by Using ouble Seasonal Recurrent Neural Networks. International Journal of Mathematical Models and Methods In Applied Sciences, 3(3), Hanke, J.E. & Reitsch, A.G Business Forecasting (5th Ed.). Prentice Hall. Boedoyo, M. S. 6. Perencanaan Kelistrikan dalam Menunjang Pemngunan Nasional yang Berkesinambungan : Sistem Kelistrikan di Jamali Tahun 3 s.d. Tahun. Terbit 3 Juli 6.
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 terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-300
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (203) 233-20 (230-9X Print) D-300 Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R- dengan Metode Fungsi Transfer
Lebih terperinciPeramalan Kandungan Particulate Matter (PM10) dalam Udara Ambien Kota Surabaya Menggunakan Double Seasonal ARIMA (DSARIMA)
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (215) 2337-352 (231-928X Print) D-242 Peramalan Kandungan Particulate Matter (PM1) dalam Udara Ambien Kota Surabaya Menggunakan Double Seasonal ARIMA (DSARIMA) Bernadeta
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinciPemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input
Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input Oleh : Defi Rachmawati 1311 105 007 Dosen Pembimbing :
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciEFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN
EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN Puji Rahayu 1), Rohmah Nur Istiqomah 2), Eminugroho Ratna Sari 3) 1)2)3) Matematika
Lebih terperinciProgram Studi Matematika, Institut Teknologi Kalimantan, Balikpapan
J. Math. and Its Appl. E-ISSN: 2579-8936 P-ISSN: 1829-605X Vol. 14, No. 2, Desember 2017, 25-37 Perbandingan Metode ARIMA dan Double Exponential Smoothing pada Peramalan Harga Saham LQ45 Tiga Perusahaan
Lebih terperinciPERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK
PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA Gumgum Darmawan 1), Suhartono 2) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD 2) Staf Pengajar
Lebih terperinciPERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)
PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih terperinciPemodelan Beban Sistem Listrik Jawa-Bali dengan Menggunakan Pendekatan Flexible Seasonality Forecasting
Prosiding Seminar Nasional Matematika, Universitas Jember, 19 November 2014 121 Pemodelan Beban Sistem Listrik Jawa-Bali dengan Menggunakan Pendekatan Flexible Seasonality Forecasting (Electricity Demand
Lebih terperinciPERAMALAN BEBAN HARIAN PEMAKAIAN LISTRIK WILAYAH JAWA-BALI
PERAMALAN BEBAN HARIAN PEMAKAIAN LISTRIK WILAYAH JAWA-BALI Ibrahim Ali Marwan dan Drs. Kresnayana Yahya, M.Sc 2 Mahasiswa Jurusan Statistika, ITS, Surabaya 2 Dosen Pembimbing, Jurusan Statistika, ITS,
Lebih terperinciPERAMALAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK GARDU INDUK BAWEN DENGAN DSARIMA. Abstract
Peramalan (Marita S) PERAMALAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK GARDU INDUK BAWEN DENGAN DSARIMA Marita Saptyani 1, Winita Sulandari 2, Pangadi 2 2 Staf Pengajar Jurusan FMIPA UNS winita@mipa.uns.ac.id
Lebih terperinciPENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)
PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Liana Kusuma Ningrum dan Winita Sulandari, M.Si. Jurusan Matematika,
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciDeteksi Outlier pada Model ARIMA Musiman Ganda untuk Peramalan Beban Listrik Jangka Pendek di Jawa Timur
JURNAL SAINS DAN SENI ITS Vol. 4, No., (5) 337-35 (30-98X Print) D-3 Deteksi Outlier pada Model ARIMA Musiman Ganda untuk Peramalan Beban Listrik Jangka Pendek di Jawa Timur Indah Kurnia Putri dan Suhartono
Lebih terperinciMetode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api
Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Efek Variasi Kalender dengan Pendekatan Regresi Time Series Nur Ajizah 1, Resa Septiani Pontoh 2, Toni Toharudin 3 Mahasiswa Program
Lebih terperinciPEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER
PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciAnalisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus
Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia Oleh : Pomi Kartin Yunus 1306030040 Latar Belakang Industri manufaktur yang berkembang pesat
Lebih terperinciKAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q)
UJIAN TUGAS AKHIR KAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q) Disusun oleh : Novan Eko Sudarsono NRP 1206.100.052 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciMODEL 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 terperinciAnalisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan
SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan
Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra A 1, Suyono 2, Ria Arafiyah 3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciPeramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Peramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model Ni Kadek Sukerti STMIK STIKOM Bali Jl. Raya Puputan
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-249
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) 2337-3520 (2301-928X Print) D-249 Analisis Fungsi Transfer pada Harga Cabai Merah yang Dipengaruhi oleh Curah Hujan Di Surabaya Putri Rintan Aryasita,
Lebih terperinciPeramalan Harga Beras di Perum BULOG Divre Jatim
Peramalan Harga Beras di Perum BULOG Divre Jatim Disusun oleh : Woro Morphi H (1309030010) Dosen Pembimbing : Dr. Suhartono, S.Si, M.Sc Pendahuluan Latar Belakang, Perumusan Masalah,Tujuan Penelitian,
Lebih terperinciPENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK)
PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) FITROH AMALIA (1306100073) Dosen Pembimbing: Drs. Haryono, MSIE PENGENDALIAN KUALITAS
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciPEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA
Jurnal Matematika UNAND Vol. 3 No. 3 Hal. 59 67 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA ANNISA UL UKHRA Program Studi Matematika,
Lebih terperinciPENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI
TUGAS AKHIR - ST 1325 PENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI I G B ADI SUDIARSANA NRP 1303100058 Dosen Pembimbing Ir. Dwiatmono Agus Widodo,
Lebih terperinciPREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)
PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado
Lebih terperinciPERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN
PERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN MENGGUNAKAN HYBRID AUTOREGRESSIVE INTEGRATED MOVING AVERAGE NEURAL NETWORK Disusun oleh : Berta Elvionita Fitriani 24010211120005
Lebih terperinciDAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian...
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii HALAMAN PERNYATAAN... iii NASKAH SOAL TUGAS AKHIR... iv HALAMAN PERSEMBAHAN... v INTISARI... vi KATA PENGANTAR... vii UCAPAN TERIMA KASIH... viii
Lebih terperinciPeramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA
JEKT 8 [2] : 136-141 ISSN : 2301-8968 Peramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA Rukini *) Putu Simpen Arini Esthisatari Nawangsih Badan Pusat Statistik
Lebih terperinciMODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE
MODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE Data yang digunakan adalah data M2Trend.wf1 (buku rujukan pertama, bab-8). Model analisisnya adalah Xt = M2 diregresikan dengan t = waktu. Model yang akan
Lebih terperinciOUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran
OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS Oleh : Agustini Tripena ABSTRACT In this paper, forecasting the consumer price index data and inflation. The method
Lebih terperinciLULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI
LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciPemodelan Nilai Tukar Rupiah terhadap Dollar Amerika Serikat Menggunakan ARFIMA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 Pemodelan Nilai Tukar Rupiah terhadap Dollar Amerika Serikat Menggunakan ARFIMA 1 Harnum Annisa Prafitia dan 2 Irhamah
Lebih terperinciEvaluasi Desain Terminal Penumpang Bandara New Yogyakarta International Airport
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) E-53 Evaluasi Desain Terminal Penumpang Bandara New Yogyakarta International Airport Deanty Putri Maritsa dan Ervina Ahyudanari
Lebih terperinciPEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH
JIMT Vol. 12 No. 2 Desember 2016 (Hal 149-159) ISSN : 2450 766X PEMODELAN TIME SERIES DENGAN PROSES ARIMA UNTUK PREDIKSI INDEKS HARGA KONSUMEN (IHK) DI PALU SULAWESI TENGAH 1 Y. Wigati, 2 Rais, 3 I.T.
Lebih terperinciPENERAPAN 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 terperinciPERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA OLEH GUMGUM DARMAWAN, SUHARTONO
PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA OLEH GUMGUM DARMAWAN, SUHARTONO PENDAHULUAN MODEL DATA DERET WAKTU BERDASARKAN PARAMETER PEMBEDA
Lebih terperinciBAB I PENDAHULUAN. Peramalan merupakan suatu kegiatan memprediksi nilai dari suatu
BAB I PENDAHULUAN A. LATAR BELAKANG Peramalan merupakan suatu kegiatan memprediksi nilai dari suatu variabel berdasarkan nilai yang diketahui dari variabel tersebut pada masa lalu atau variabel yang berhubungan.
Lebih terperinciGARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: S1 SISTEM INFORMASI Semester : Genap
GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: S1 SISTEM INFORMASI Semester : Genap Berlaku mulai: Genap/2010 MATA KULIAH : TEKNIK PERAMALAN KODE MATA KULIAH/ SKS : 410103096 / 3 SKS MATA KULIAH PRASYARAT
Lebih terperinciPeramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer
Peramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer 1 Faridah Yuliani dan 2 Dr. rer pol Heri Kuswanto 1,2 Jurusan Statistika
Lebih terperinciModel Hibrida ARIMA dan Fuzzy Time Series Markov Chain
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Model Hibrida ARIMA dan Fuzzy Time Series Markov Chain Dennis Frisca Ayudya, Dewi Retno Sari Saputro Program Studi Matematika Universitas Sebelas Maret
Lebih terperinciPemodelan Inflasi di Kota Semarang, Yogyakarta, dan Surakarta dengan pendekatan GSTAR
JURNAL SAINS DAN SENI POMITS Vol., No., (0) 7-0 (0-X Prin D-7 Pemodelan Inflasi di Kota Semarang, Yogyakarta, dan Surakarta dengan pendekatan GSTAR Laily Awliatul Faizah dan Setiawan Jurusan Statistika,
Lebih terperinciMODEL TERBAIK ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK
MODEL TERBAIK ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK Moh. Yamin Darsyah 1, Muhammad Saifudin Nur 2 1,2 Progam Studi Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Muhammadiyah
Lebih terperinciPEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER
1 PEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER Muhammad Zainuddin Fanani, Achmad Mauludiyanto Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciPERAMALAN BANYAKNYA PELANGGAN LISTRIK MENGGUNAKAN MODEL HARVEY
BIAStatistics (2016) Vol. 10, No. 1, hal. 38-51 PERAMALAN BANYAKNYA PELANGGAN LISTRIK MENGGUNAKAN MODEL HARVEY Ami Andriania 1, Gumgum Darmawan 2, Resa Septiani Pontoh 2 1 Mahasiswa Dept. Statistika, FMIPA,
Lebih terperinciBAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER
21 BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 3.1 Model Variasi Kalender Liu (Kamil 2010: 10) menjelaskan bahwa untuk data runtun waktu yang mengandung efek variasi kalender, dituliskan pada persamaan
Lebih terperinciThe 4 th Univesity Research Coloquium 2016 PERBANDINGAN MODEL ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK
PERBANDINGAN MODEL ARIMA DAN WINTER PADA PERAMALAN DATA SAHAM BANK Moh. Yamin Darsyah 1, Muhammad Saifudin Nur 2 1,2 Progam Studi Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Muhammadiyah
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
Lebih terperinciPeramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins
Peramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins Ari Pani Desvina 1, Melina Anggriani 2,2 Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau Jl. HR.
Lebih terperinciVI 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 terperinciBAB 3 LANGKAH PEMECAHAN MASALAH. Seiring dengan meningkatknya pangsa pasar, permintaan konsumen juga menjadi
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Seiring dengan meningkatknya pangsa pasar, permintaan konsumen juga menjadi semakin sulit untuk diperkirakan. Selama ini, manajer PT. Focus
Lebih terperinciPENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH Tri Mulyaningsih ), Budi Nurani R ), Soemartini 3) ) Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran
Lebih terperinciPERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA
Saintia Matematika ISSN: 2337-9197 Vol. 2, No. 1 (2014), pp. 55 69. PERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA John Putra S Tampubolon, Normalina Napitupulu, Asima Manurung Abstrak.
Lebih terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
Lebih terperinciPERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT
PERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT Novian Endi Gunawan 1, I Wayan Sumarjaya 2, I G.A.M. Srinadi 3 1 Program Studi Matematika,
Lebih terperinciSEASONAL ARIMA Arum Handini Primandari
SEASONAL ARIMA Arum Handini Primandari ALLPPT.com _ Free PowerPoint Templates, Diagrams and Charts ARIMA Musiman Pola musiman dalam runtun waktu adalah perubahan pola yang berulang dalam kurun waktu s;
Lebih terperinciPeramalan Penjualan Pipa di PT X
Elviani, et al. / Peramalan Penjualan Pipa di PT X / Jurnal Titra, Vol.. 2, No. 2, Juni 2014, pp. 55-60 Peramalan Penjualan Pipa di PT X Cicely Elviani 1, Siana Halim 1 Abstract: In this thesis we modeled
Lebih terperinciMETODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU ABSTRACT
METODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU Encik Rosalina 1, Sigit Sugiarto 2, M.D.H. Gamal 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan
Lebih terperinciPREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32
PREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32 Nanang WIdodo Penelid Staslun Pengamat Dlrgantara Watukosek, LAPAN ABSTRACT The time series of the monthly number
Lebih terperinciPerbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG
JURNAL SAINS DAN SENI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) A-34 Perbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG Mey Lista Tauryawati
Lebih terperinciPEMODELAN ARIMA UNTUK PREDIKSI KENAIKAN MUKA AIR LAUT DAN DAMPAKNYA TERHADAP LUAS SEBARAN ROB DI KOTA AMBON
PEMODELAN ARIMA UNTUK PREDIKSI KENAIKAN MUKA AIR LAUT DAN DAMPAKNYA TERHADAP LUAS SEBARAN ROB DI KOTA AMBON (MODELS OF ARIMA TO PREDICT RISING SEA AND ITS IMPACT FOR THE WIDESPREAD DISTRIBUTION OF ROB
Lebih terperinciModel Penjualan Plywood PT. Linggarjati Mahardika Mulia
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol., No., Juli 7, Hal. 52-57 p-issn: 25-4596; e-issn: 25-4X Halaman 52 Model Penjualan Plywood PT. Linggarjati Mahardika Mulia
Lebih terperinciPemodelan Inflasi Nasional dengan Self-Exciting Threshold Autoregressive
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Pemodelan Inflasi Nasional dengan Self-Exciting Threshold Autoregressive Gusti Ayu Made Arna Putri 1), Ni Putu Nanik Hendayanti
Lebih terperinciPERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL. Oleh: Niswatul Maghfiroh NRP.
PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL Oleh: Niswatul Maghfiroh NRP. 1208100065 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPemodelan ARIMA Non- Musim Musi am
Pemodelan ARIMA Non- Musimam ARIMA ARIMA(Auto Regresif Integrated Moving Average) merupakan suatu metode analisis runtun waktu(time series) ARIMA(p,d,q) Dengan AR : p =orde dari proses autoreggresif I
Lebih terperinciData Mining Peramalan Konsumsi Listrik dengan Pendekatan Cluster Time Series sebagai Preprocessing
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Print) D-121 Data Mining Peramalan Konsumsi Listrik dengan Pendekatan Time Series sebagai Preprocessing M. Alfan Alfian Riyadi, Kartika
Lebih terperinciPERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciPENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA
KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.
Lebih terperinciANALISIS 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 terperinciBab IV. Pembahasan dan Hasil Penelitian
Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai
Lebih terperinciPERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)
M-11 2) PERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) Naili Farkhatul Jannah 1), Muhammad Bahtiar Isna Fuady 2), Sefri
Lebih terperinciPENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU
PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU Romy Biri ), Yohanes A.R. Langi ), Marline S. Paendong ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi Jl.
Lebih terperinciProsiding Seminar Nasional MIPA 2016
Peramalan Jumlah Penumpang Kereta Api Lodaya Jurusan Bandung-Solo Menggunakan Model Reg-ARIMA Dengan Variasi Kalender (Studi Kasus: PT. Kereta Api Indonesia) Dyah Puspita Sari*, Gumgum Darmawan, Soemartini
Lebih terperinciKAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciPENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus: KA Argo Muria)
PENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus: KA Argo Muria) SKRIPSI Disusun oleh : TITIS NUR UTAMI 24010212140052 DEPARTEMEN
Lebih terperinciBAB 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 terperinciBAB 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 terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1. Peramalan 2.1.1. Pengertian dan Kegunaan Peramalan Peramalan (forecasting) menurut Sofjan Assauri (1984) adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
Lebih terperinciPERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-403
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 201-9271 A-0 Implementasi Fuzzy Neural Network untuk Memperkirakan Jumlah Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Ani Rahmadiani dan Wiwik
Lebih terperinciTREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA)
TREND ANALYSIS INFANT MORTALITY RATE DENGAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) Jerhi Wahyu Fernanda, Wisnaningsih S, Emilia Boavida,, Prodi Rekam Medis Informasi Kesehatan Institut Ilmu Kesehatan
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK BERDASARKAN DATA HISTORIS MENGGUNAKAN METODE GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (GARCH)
UNIVERSITAS INDONESIA PERAMALAN BEBAN LISTRIK JANGKA PENDEK BERDASARKAN DATA HISTORIS MENGGUNAKAN METODE GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (GARCH) SKRIPSI BAGUS DWIANTORO 0806455111
Lebih terperinciHASIL DAN PEMBAHASAN. Eksplorasi Data
5 korelasi diri, dan plot korelasi diri parsial serta uji Augmented Dickey- Fuller b. Identifikasi Model dengan metode Box-Jenkins c. Pemutihan deret input d. Pemutihan deret output berdasarkan hasil pemutihan
Lebih terperinciPRISMA FISIKA, Vol. III, No. 3 (2015), Hal ISSN :
PRISMA FISIKA, Vol. III, No. (05), Hal. 79-86 ISSN : 7-80 Pemodelan Kebutuhan Daya Listrik Di Pt. PLN (Persero) Area Pontianak dengan Menggunakan Metode Gauss-Newton Mei Sari Soleha ), Joko Sampurno *),
Lebih terperinciMODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPeramalan 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 terperinciBAB 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 terperinciMODEL ARMA (AUTOREGRESSIVE MOVING AVERAGE) UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN SEMARANG JAWA TENGAH - INDONESIA. Salatiga, Jawa Tengah, Indonesia
MODEL ARMA (AUTOREGRESSIVE MOVING AVERAGE) UNTUK PREDIKSI CURAH HUJAN DI KABUPATEN SEMARANG JAWA TENGAH - INDONESIA Adi Nugroho 1, Bistok Hasiholan Simanjuntak 2 1 Staf pengajar di Fakultas Teknologi Informasi
Lebih terperinci