PENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS (ARIMA)
|
|
- Sri Johan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 (ARIMA) Eddy Hermawan Bidang Pemodelan Iklim Pusa Pemanfaaan Sains Amosfer dan Iklim LAPAN Jln. Dr. Djundjunan 133, Bandung eddy_lapan@yahoo.com Absrak Sudi ini menekankan peningnya pengembangan model prediksi Madden-Julian Oscillaion (MJO) sebagai osilasi (embuan) dominan yang ada di kawasan Indonesia dan sekiarnya. Banyak meode yang digunakan, mulai yang berbasis dinamik, saisik aaupun kombinasi keduanya. Pada makalah ini, kami lebih mefokuskan kepada penggunaan meode analisis dere waku (ime-series) saisik Box-Jenkins dalam memprediksi perubahan aau flukuasi besarnya radiasi gelombang panjang (dikenal sebagai OLR = Ougoing Longwave Radiaion) sebagai salah sau parameer pening dalam memprediksi erjadinya MJO di aas kawasan Indonesia. Analisis meode ini ini dibagi dalam iga ahap, yaiu : idenifikasi model, penaksiran parameer dan uji diagnosik yang digunakan unuk menganalisis daa dere waku sasioner maupun idak sasioner. Kenyaaan yang ada menunjukkan bahwa daa ime-series yang dianalisis, umumnya idaklah bersifa sasioner (membenuk pola aau keerauran erenu). Padahal ini adalah syara uama yang harus dipenuhi, bila kia ingin membua model prediksinya. Oleh karena iu, maka perlu dilakukan differencing aau ransformasi unuk mensasionerkan daa ime-series adi. Sebagai salah sau parameer uama dalam mengkaji fenomena MJO, maka dalam sudi ini, digunakan daa anomali penad OLR (dalam sauan Wa/m 2 ) yang berada di aas kawasan Indonesia, mulai dari 100 o BT, 120 o BT, dan 140 o BT periode 3 Januari 1978 hingga 12 Juni Awalnya, ini merupakan daa ime-series OLR yang idak sasioner. Seelah melalui ahapan analisis Box-Jenkins, maka model ARIMA yang cocok unuk posisi 100 o BT dan 120 o BT adalah sama, yakni ARIMA (2,1,1), semenara unuk posisi 140 o BT adalah ARIMA (1,1,2). Informasi lebih lanju enang model Box-Jenkins yang digunakan, ermasuk ahapan analisis yang dipakai dan berapa lama model adi valid unuk dapa dierapkan, akan kami bahas dalam makalah ini. Kaa kunci : MJO, OLR, dan Box-Jenkins-ARIMA Absrac This sudy is mainly concerned for developing he Madden-Julian Oscillaion (MJO) predicion is one of he mos pre dominan oscillaion over Indonesia and surrounded area. There many mehods are used now, from he dynamic, saisic, or cominaion beween of hem. In his paper, we mainly focussed on he Box-Jenkins analysis of he variabiliy or he flucuaion of Ougoing Longwave Radiaion (OLR) as one of he mos imporan parameer in predicing he MJO phenomena over Indonesia and surrounded area. This mehod analysis is divided ino hree seps : an idenificaion of he model, esimaed parameer, and diagnosic analysis ha generally is used for deecing he saioner or non saioner of one se daa analysis. In he fac, usuallly we find ha one of ime-series daa analysis is nonsaioner. Beside, i is very imporan when we would like o make a predicion. So, we need o make differencing or ransformaion o change from non saioner o saioner daa analysis. Since OLR is defined as one of he mos imporan parameer for deecing he MJO phenomena, in his presen sudy, we applied he penad OLR anomaly over 100 o E, 120 o E, and 140 o E, respecively, for period of January 3, 1978 o June 12, Since OLR is nonsaionary ime series, we ransformed ino saionary ime-series daa analysis. Then, we found ha for 100 o E and 120 o E is same ARIMA (2,1,1), while, for 140 o E is ARIMA (1,1,2). Deailed informaions of he Box-Jenkins mehod analysis including he seps, and for how long ha model can be valid will be discussed in his paper. Keywords : MJO, OLR, dan Box-Jenkins F-425
2 Eddy Hermawan / Pengembangan Model Prediksi PENDAHULUAN Indonesia merupakan sau-saunya kawasan mariim di daerah ekuaor yang dua per iga wilayah didominasi oleh lauan, sehingga wilayah ini memiliki posisi yang sanga unik yang menyebabkan cuaca dan iklim Indonesia dipengaruhi oleh sirkulasi amosfer, baik skala global, regional maupun lokal. Dianara parameer iklim, curah hujan merupakan parameer yang pening. Besarnya variabilias curah hujan di Indonesia baik dalam skala ruang dan waku, umumnya disebabkan oleh dinamika akif dari kumpulan awan-awan Cumulonimbus (Cb) yang dikenal dengan isilah Super Cloud Cluser (SCC), seperi yang dilakukan oleh Mahews (2000) keika menganalisis perilaku aau dinamika SCC adi dengan menggunakan daa radiasi gelombang panjang (Ougoing Longwave Radiaion, OLR). Kumpulan awan yang erbenuk di Samudera Hindia adi umumnya bergerak ke arah imur (easward), dan membenuk pola aau osilasi erenu yang kemudian dikenal dengan isilah Madden Julian Oscillaion (MJO). MJO paling jelas erliha pada variasi radiasi OLR yang diukur dengan sebuah sensor infra merah pada sebuah saeli yang mengambil pengukuran dari karaker radiaif energi yang diradiasi dari pemanasan permukaan bumi ke pendinginan angkasa. Pengukuran ini memberikan informasi mengenai suhu puncak awan yang dapa digunakan unuk memperkirakan jumlah hujan ropis yang akan jauh di salah sau kawasan erenu. Terkai dengan fenomena di aas, seringkali diemukan daa yang idak sasioner yang menyebabkan gagalnya suau model dibua aau dikembangkan. Banyak meode yang digunakan unuk menjadikan suau daa ime-series yang semula idak sasioner menjadi sasioner. Sau dianaranya adalah meode Box-Jenkins aau yang lebih dikenal dengan isilah ARIMA (AuoRegressive Inegraed Moving Average). Aas dasar iulah, maka paper ini dibua dengan ujuan uamanya memberikan gambaran yang jelas mengenai penggunaan model dere waku Box-Jenkins, khususnya ARIMA dalam memodelkan daa anomali penad OLR, selain menduga besarnya radiasi gelombang panjang (OLR) yang bakal erjadi di waku mendaang. 2. DASAR TEORI 2.1. Karakerisik Iklim di Indonesia Iklim di Indonesia, yang secara geografis merupakan benua mariim, dicirikan oleh keragaman curah hujan yang cukup besar anar daerah. Selain mendapa pengaruh dari sirkulasi udara pada skala global maupun regional, pembenukan awan dan hujan di Indonesia juga dipengaruhi kondisi local, seperi opografi dan suhu permukaan lau di perairan Indonesia. Karakerisik iklim, khususnya hujan dapa dianalisis secara akura berdasarkan daa iklim dari sasiun meeorologi. Namun unuk analisis spasial, hal ini sanga dienukan oleh kerapaan jaringan penakar hujan. Unuk daerah-daerah dengan jaringan penakar hujan yang cukup rapa dan meraa hal ersebu idak menjadi masalah. Namun dengan kondisi Indonesia yang erdiri dari berbagai macam propinsi yang erenang pada posisi 95 o BT o BT, erliha bahwa kerapaan jaringan penakar hujan idak sama unuk seluruh propinsi. Salah sau alernaif unuk menganalisis karakerisik iklim secara spasial adalah dengan daa OLR. Hal ini karena OLR merupakan radiasi gelombang panjang yang dipancarkan oleh permukaan bumi dan besarnya sanga dipengaruhi oleh kondisi amosfer eruama awan karena jumlahnya relaif cukup besar dan sanga dinamis dibandingkan bahan-bahan penyerap OLR lainnya di amosfer Pengerian Daa Dere Waku Daa dere waku adalah himpunan observasi yang dibangun beruruan dalam waku. Noasi Z berari observasi pada waku. Waku bisa merupakan ahun, bulan, hari, jam aau waku lainnya erganung siuasi. Karena akan memodelkan himpunan observasi yang penuh dengan keidakpasian, maka diasumsikan unuk seiap waku, Z adalah variabel acak. F-426
3 Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 Rangkaian dari variabel acak { Z, Z,...} aau {..., Z, Z, Z, Z,...} dinamakan proses sokasik (Cryer, 1986: 9). Terdapa dua macam daa dere waku, yaiu: 1. Dere waku diskri, yaiu suau dere waku dimana himpunan T 0 dari waku ke waku pengamaan dilakukan dengan himpunan diskri, seperi harian, bulanan, dan lain-lain. 2. Dere waku koninu, yaiu daa yang diperoleh jika observasi dicaa pada suau T =. inerval waku erenu. Misalnya dalam inerval lima meni aau 0 [ 0,5] z diasumsikan sebagai suau nilai (realisasi) dari suau variabel acak ( ) Observasi ( ) Z. Sebagai conoh, banyaknya binik maahari ahun 1850 dipandang sebagai Z( ), seelah dilakukan observasi didapa z( ) yang merupakan realisasi dari variabel acak Z( ). Dengan demikian dere waku ( ) { z, T 0 } adalah suau realisasi dari variabel acak ( ) dienukan oleh disribusi peluang. { Z, T 0 }. Perilaku Z( ) 2.3. Model Dere Waku Tidak Sasioner : ARIMA Tidak selamanya daa yang akan dianalisis akan menunjukkan kesasioneran. Daa yang idak sasioner seringkali didapakan di kehidupan nyaa. Dere waku anpa mean yang konsan misalnya, ermasuk idak sasioner. Salah sau cara mensasionerkan daa adalah melalui differencing (pembedaan). Tinjau model AR (1): Z = φz 1 + a (2.1) Terliha dari persamaan (2.1) bahwa a idak berkolerasi dengan Z 1, Z 2,.... Agar solusinya sasioner memenuhi persamaan (2.19) haruslah 1 < φ <1. Jika φ =1, maka persamaan (2.1) menjadi Z = Z 1 + a (2.2) aau Z = a (2.3) dimana Z = Z Z 1 adalah pembedaan perama dari Z. Proses sasioner dapa diperoleh dari hasil pembedaan daa yang idak sasioner. Variabel Z dikaakan model inegrasi auoregresif-moving average jika dibedakan sebanyak d kali dan merupakan proses ARMA yang sasioner. Disingka ARIMA (p,d,q). Biasanya ingka pembedaannya d=1 aau 2. Secara umum persamaan unuk model ARIMA (p,1,q), W= φ 1W 1 + φ 2W φ pw p+ a θ1a 1 θ2a 2... θqa q (2.4) dimana W = Z Z 1, sehingga Z Z = φ Z Z + φ Z Z + acak { } ( ) ( ) φ p Z p Z p 1 a θ1a 1 θ2a 2... θqa q ( ) + + (2.5) Sehingga model ARIMA (1,1,1) memenuhi persamaan: 1 B 1 φ B Z = 1 θ B a (2.6) ( )( ) ( ) Penaksir Parameer Meode Maksimum Likelihood Unuk suau himpunan observasi Z1, Z2,..., Z n, fungsi likelihood L didefinisikan sebagai peluang (pada) yang diperoleh dari daa yang diobservasi. Unuk model ARIMA, L merupakan 2 fungsi dari φθ,, µ dan σ a yang didapa dari observasi Z 1, Z 2,..., Z n. Penaksir maksimum likelihood kemudian didefinisikan sebagai kemungkinan nilai-nilai parameer dimana daa diobservasi yaiu nilai dari fungsi maksimum likelihood. F-427
4 Eddy Hermawan / Pengembangan Model Prediksi... Ide umum yang melaar belakangi maksimum likelihood adalah sebagai beriku. Misalkan f(, z θ ) merupakan fungsi kepadaan (densiy funcion) dari variabel acak X, dan misalkan θ merupakan parameer fungsi kepadaan. Kalau diamai suau sampel acak Z 1, Z 2,..., Z n, maka penaksir maksimum likelihood dari θ adalah nilai θ yang mempunyai probabilias erbesar unuk menghasilkan sampel yang diamai. Dengan kaa lain, aksiran maksimum likelihood dari θ adalah nilai yang memaksimumkan fungsi kepadaan f(, z θ ). 3. DATA DAN METODE ANALYSIS Daa yang digunakan adalah daa OLR dari anggal 3 Januari 1978 hingga 13 April Semenara ahapan meode analisis yang dipakai erera dalam Diagram beriku. Diagram 3-1: Skema yang memperlihakan Lebih jelasnya, Box dan Jenkins (1976) menjelaskan ahap-ahap yang harus dilaksanakan dalam analisa daa dere waku, yaiu erdiri dari: 3.1. Idenifikasi Model Dalam idenifikasi model, hal perama yang harus dilakukan adalah: (a). Membua plo daa (ime plo) yang bermanfaa unuk meliha secara kasa maa apakah daa sasioner aau idak, (b). Memeriksa plo dari fungsi auokorelasi (ACF) dan fungsi auokorelasi parsial (PACF) unuk meliha model dari daa. Apabila ACF signifikan pada lag (lead ime) q dan PACF menurun secara eksponensial, maka daa dapa dimodelkan dengan model moving average deraja q (MA (q)) dan jika ACF urun secara eksponensial dan PACF signifikan pada lag p, maka daa dapa dimodelkan dengan model auoregresif deraja p (AR (p)). Apabila kedua hal ersebu idak diperoleh, ada kemungkinan model merupakan proses gabungan AR dan MA aau ARMA (p,q). Jadi unuk menenukan orde dari proses AR adalah dengan meliha PACF. Lain halnya dengan model MA unuk menenukan orde dari model ini digunakan ACF. Namun baik ACF maupun PACF dari masing-masing model harus eap diperhaikan karena bisa saja model yang diperoleh adalah model ARMA. Oleh karena iu unuk mengidenifikasi model dere waku lebih baik digunakan kedua-duanya yaiu ACF dan PACF. Beriku ini adalah perilaku ACF dan PACF unuk model AR (p), MA (q), dan ARMA (p,q): Tabel 3-1: Idenifikasi Model Dere Waku AR (p), MA (q), dan ARMA (p,q) AR (p) MA (q) ARMA (p,q) ACF Eksponensial menurun Cu off pada lag ke- q Eksponensial menurun mulai lag ke - p PACF Cu off pada lag ke - p Eksponensial menurun Eksponensial menurun mulai lag ke - q F-428
5 Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 Perlu digarisbawahi bahwa kebanyakan dere waku bersifa idak sasioner dan bahwa aspek-aspek AR dan MA dari model ARIMA hanya berkenaan dengan dere waku yang sasioner. Jika dari ime plo ersebu dere erliha idak sasioner maka perlu dilakukan pembedaan (differencing) unuk menghilangkan keidaksasionerannya Penaksiran Parameer Model Seelah berhasil meneapkan idenifikasi model semenara, selanjunya parameerparameer AR dan MA harus dieapkan. Karena bekerja pada daa, maka parameer-parameer yang ada dalam seiap model idak ercipa dengan sendirinya melainkan berasal dari daa yang ada. Terdapa dua cara yang mendasar unuk mendapakan parameer-parameer ersebu: 1. Dengan cara mencoba-coba (rial and error) yaiu menguji beberapa nilai yang berbeda dan memilih sau nilai ersebu (aau sekumpulan nilai, apabila erdapa lebih dari sau parameer yang akan diaksir) yang meminimumkan jumlah kuadra nilai sisa/ nilai gala (sum of squared residuals). 2. Perbaikan secara ieraif yaiu memilih aksiran awal dan kemudian membiarkan program kompuer memperhaikan penaksiran ersebu secara ieraif Uji Diagnosik Seelah berhasil menaksir nilai-nilai parameer dari model ARIMA yang dieapkan semenara, selanjunya perlu dilakukan pemeriksaan/ uji diagnosik unuk membukikan bahwa model ersebu cukup memadai. Cara yang mendasar dalam uji diagnosik ini perama adalah dengan mempelajari nilai sisa/ nilai gala (residual) unuk meliha apakah masih erdapa beberapa pola yang belum diperhiungkan. Nilai gala (kesalahan) yang eringgal sesudah dilakukan pencocokan model ARIMA, diharapkan hanya merupakan gangguan random. Oleh karena iu, apabila plo fungsi auokorelasi dan auokorelasi parsial dari nilai gala elah diperoleh, diharapkan: 1. Tidak ada auokorelasi yang signifikan. 2. Tidak ada auokorelasi parsial yang signifikan. Kedua yaiu dengan mempelajari saisik sampling dari pemecahan opimum unuk meliha apakah model ersebu masih dapa disederhanakan. Asumsi-asumsi saisik yang mendasari model umum ARIMA, memberikan beberapa angka saisik yang harus dihiung seelah nilai-nilai koefisien opimum diukur. Misalnya saja, unuk seiap koefisien/ nilai parameer yang diperoleh akan erdapa gala sehingga bisa dihiung jumlah kuadra nilai gala. Nilai koefisien yang erpilih adalah yang memiliki jumlah kuadra nilai gala erkecil. Nilai gala dapa diperoleh dari: a = X Xˆ (3.1) 3.4. Forecasing (Prakiraan) Langkah selanjunya yaiu melakukan prakiraan (forecasing) jika model sudah cocok. 4. HASIL DAN PEMBAHASAN 4.1. Posisi 100 BT Plo daa (ime plo), ACF dan PACF unuk posisi 100 o BT sebagai beriku : F-429
6 Eddy Hermawan / Pengembangan Model Prediksi... Gambar 4-1: Plo Posisi 100 o BT Gambar 4-2 : Fungsi Auokorelasi Daa Anomali OLR Posisi 100 o BT Gambar 4-1 di aas memperlihakan bahwa pola daa ime series menunjukkan pola yang sasioner erhadap raa-raa. Gambar 4-2 memperlihakan bahwa ACF signifikan pada lag 1, 3, 4, 5, 9, 10 dan 11. Namun karena signifikansi pada lag 3, 4, 5, 9, 10 dan 11 bukan merupakan suau pengulangan, api lebih merupakan random, maka model yang mencerminkan Gambar 4-1 bisa disederhanakan menjadi model moving average orde 1(MA (1)). Gambar 4-3 : Fungsi Auokorelasi Parsial Daa Anomali OLR Posisi 100 o BT Gambar 4-3 memperlihakan bahwa PACF erdapa dua koefisien yang signifikan. yaiu pada lag 1 dan 2, sehingga dapa dikaakan bahwa model dari daa ersebu auoregresif berorde 1(AR(1)) aau orde 2(AR(2)). Dengan demikian model yang cukup mewakili dari plo daa OLR F-430
7 Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 pada posisi 100 o BT merupakan campuran dari auoregresif dan moving average yaiu ARMA(1,1) aau ARMA(2,1). Benuk model ARMA(1,1): ( 1 φ 1B) Z = ( 1 θ1b) a Benuk model ARMA(2,1): ( 1 φ 2 1B φ2b ) Z = ( 1 θ1b) a Seperi elah dijelaskan di aas bahwa salah sau cara yang mendasar unuk mendapakan parameer adalah dengan mencoba-coba (rial and error), yaiu menguji beberapa nilai berbeda dan memilih sau nilai yang meminimumkan jumlah kuadra nilai gala, maka diperoleh sau nilai parameer yang epa, yaiu parameer dengan model ARMA(2,1) pada Tabel 4-1 beriku ini. Tabel 4-1 : Parameer φ1, φ2 dan θ1 unuk Model ARMA(2,1) Dengan koefisien : φ 1 = ; φ 2 = ; θ 2 = Maka model ARMA(2,1) menjadi Zˆ = 0.775Z 0.463Z a (4.1) Dengan menggunakan model ARMA(2,1) pada persamaan 4.1 akan diperoleh nilai prakiraan. Lebih jelasnya perbandingan daa asli, nilai prakiraan dan nilai gala erliha pada Tabel 4-2. Tabel 4-2: Perbandingan Daa Asli, Nilai Perkiraan, dan Nilai Gala OLR Posisi 100 o BT No PENTAD Z , , ,03 0,93 0,10 0, ,73 0,32-2,05 4, ,12-2,37 0,25 0, ,94-0,77-0,17 0, ,87 0,21 0,66 0, ,41 1,29 1,12 1, ,65 1,77-1,12 1, ,07-0,92 0,85 0, ,32-0,22-0,10 0, ,35 0,35 0, ,05 0,24-0,29 0, ,08-0,12 0,20 0, ,51 0,14 0,37 0,14 JKG 80,62 Z ˆ a 2 a F-431
8 Eddy Hermawan / Pengembangan Model Prediksi... Plo nilai gala, ACF dan PACF erliha pada gambar beriku. Gambar 4-4 : Plo Nilai Gala Gambar 4-5: Fungsi Auokorelasi Nilai Gala Gambar 4-6 : Fungsi Auokorelasi parsial Nilai Gala F-432
9 Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 Gambar 4-7 : Hisogram Nilai Gala Gambar 4-5 dan Gambar 4-6 memperlihakan idak adanya lagi auokorelasi dan auokorelasi parsial yang signifikan. Gambar 4-7 memperlihakan bahwa nilai gala berdisribusi normal dengan mean disekiar nol yaiu dan Tabel 4-2 memperlihakan bahwa jumlah kuadra nilai gala daa OLR posisi 100 o BT sebesar Ini berari semua asumsi dalam uji diagnosik sudah memenuhi, sehingga persamaan 4.1 bisa digunakan dalam langkah selanjunya yaiu memprakirakan besarnya anomali OLR pada lima harian berikunya. Dari model yang elah didapa pada persamaan 4.1, maka diperoleh prakiraan unuk anggal 17 Juni 1980 adalah sebagai beriku Zˆ = 0.775Z Z a 1 Z ˆ 180 = Z Z178 + a179 Z ˆ 180 = 0.775(0.51) 0.463(0.08) (0.37) Z ˆ = Prakiraan lima harian dari anggal 17 Juni 1980 sampai anggal 13 April 1981 erliha pada Tabel 4-3. Tabel 4-3 : Hasil Prakiraan Anomali OLR Daa Lima Harian 17 Juni 1980 sampai 13 April 1981 Posisi 100 o BT No PENTAD Z ,26 0,46-0, ,65-0,09-0, ,72-0,78 0, ,88-0,24-0, ,04-0,52 0, ,01 0,51-0, ,25-0,13-0, ,06-0,22 0, ,11 0,24-0, ,29-0,21-0, Z ˆ a F-433
10 Eddy Hermawan / Pengembangan Model Prediksi ,34 0,50-0, ,13-1,35-0, ,89-1,71-1, ,72-1,58-0, ,93-0,03 0,96 Gambar 4-8 : Plo Daa Asli dan Prakiraan Hasil Forecasing Tanggal 17 Juni 1980 sampai Tanggal 13 April 1981 Posisi 100 BT Gambar 4-8 memperlihakan pola daa prakiraan mendekai pola daa asli, akan eapi daa OLR mempunyai pola musiman yang menyebabkan daa menjadi idak sasioner. Unuk menghilangkan pola musimannya, sehingga daa menjadi lebih sasioner maka akan dilakukan pembedaan perama, yaiu : y = z z 1 Beriku ini adalah deskripif saisik daa asli, plo daa pembedaan perama dan deskripif saisiknya. Tabel 4-4 : Deskripif Saisik Daa Asli OLR Posisi 100 o BT F-434
11 Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 Gambar 4-9 : Plo Posisi 100 o BT Pembedaan Perama Tabel 4-5 : Deskripif Saisik Daa OLR Posisi 100 o BT Pembedaan Perama Hasil pembedaan perama ernyaa lebih baik, erliha dari gambar plo daa lebih sasioner dan nilai variansinya lebih kecil dari daa asli. Melalui plo ACF dan PACF daa asli yang dilakukan pembedaan perama, akan dienukan model semenara daa OLR posisi 100 o BT anggal 3 Januari 1978 sampai 12 Juni Gambar 4-10 : Fungsi Auokorelasi Daa Anomali OLR Posisi 100 o BT Pembedaan Perama F-435
12 Eddy Hermawan / Pengembangan Model Prediksi... Gambar 4-11 : Fungsi Auokorelasi Parsial Daa Anomali OLR Posisi 100 o BT Pembedaan Perama Gambar 4-10 memperlihakan bahwa ACF signifikan pada lag 1, 2, 3 dan 4. Namun karena signifikansi pada lag 2, 3 dan 4 bukan merupakan suau pengulangan, api lebih merupakan random, maka model yang mencerminkan Gambar 4-1 bisa disederhanakan menjadi model moving average orde 1(MA (1)). Gambar 4-11 memperlihakan bahwa PACF erpoong pada banyak lag, eapi lag perama dan kedua yang erliha lebih signifikan, sedangkan lag yang lainnya merupakan suau pengulangan saja. Dengan demikian model semenara dari plo daa OLR posisi 100 o BT adalah campuran dari auoregresif, pembedaan perama dan moving average aau model ARIMA ( p,1, q ). Dengan nilai p adalah 1 dan 2, sedangkan nilai q dipilih 1. Seperi elah dijelaskan di aas bahwa salah sau cara yang mendasar unuk mendapakan parameer adalah dengan mencoba-coba (rial and error), yaiu menguji beberapa nilai berbeda dan memilih sau nilai yang meminimumkan jumlah kuadra nilai gala, maka diperoleh sau nilai parameer yang epa, yaiu parameer dengan model ARIMA(2,1,1) pada Tabel 4-6 beriku ini. φ, φ dan θ Tabel 4-6: Parameer unuk Model ARIMA(2,1,1) Dengan koefisien : φ 1 = φ 2 = θ 2 = Maka model ARIMA(2,1,1) menjadi Zˆ = 1.955Z 1.537Z Z 0.995a (4.2) Dengan menggunakan model ARIMA(2,1,1) pada persamaan 4.2 akan diperoleh nilai prakiraan. Lebih jelasnya perbandingan daa asli, nilai prakiraan dan nilai gala erliha pada Tabel 4-7.\ F-436
13 Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 Tabel 4-7 : Perbandingan Daa Asli, Nilai Prakiraan dan Nilai gala OLR Posisi 100 o BT No PENTAD Z , , , ,73 0,23-1,96 3, ,12-2,38 0,26 0, ,94-1,14 0,20 0, ,87 0,21 0,66 0, ,41 1,26 1,15 1, ,65 1,68-1,03 1, ,07-0,90 0,83 0, ,32-0,12-0,20 0, ,44 0,44 0, ,05 0,15-0,20 0, ,08-0,08 0,16 0, ,51 0,07 0,44 0,19 JKG 82,66 Plo nilai gala, ACF dan PACF erliha pada gambar beriku. Z ˆ a 2 a Gambar 4-12 : Plo Nilai Gala F-437
14 Eddy Hermawan / Pengembangan Model Prediksi... Gambar 4-13 : Fungsi Auokorelasi Nilai Gala Gambar 4-14 : Fungsi Auokorelasi Parsial Nilai Gala Gambar 4-15 : Hisogram Nilai Gala Gambar 4-13 dan Gambar 4-14 memperlihakan idak adanya lagi auokorelasi dan auokorelasi parsial yang signifikan. Gambar 4-15 memperlihakan bahwa nilai gala berdisribusi normal dengan mean disekiar nol yaiu dan Tabel 4-7 memperlihakan bahwa jumlah kuadra nilai gala daa OLR posisi 100 o BT sebesar Ini berari semua asumsi dalam uji diagnosik sudah memenuhi, sehingga persamaan 4.2 bisa digunakan dalam langkah selanjunya yaiu memprakirakan besarnya anomali OLR pada lima harian berikunya. F-438
15 Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 Dari model yang elah didapa pada persamaan 4.2, maka diperoleh prakiraan unuk anggal 17 Juni 1980 adalah sebagai beriku Zˆ = 1.955Z Z Z a 1 Z ˆ 180 = Z Z178 + Z177 a 1 Z ˆ 180 = 1.955(0.51) 1.537(0.08) ( 0.05) 0.995(0.44) Z ˆ 180 = 0.41 Prakiraan lima harian dari anggal 17 Juni 1980 sampai anggal 13 April 1981 erliha pada Tabel 4-8 Tabel 4-8 : Hasil Prakiraan Anomali OLR Daa Lima Harian 17 Juni 1980 sampai 13 April 1981 Posisi 100 o BT No PENTAD Z ,26 0,41-0, ,65-0,08-0, ,72-0,81 0, ,88-0,35-0, ,04-0,46 0, ,01 0,44-0, ,25-0,03-0, ,06-0,27 0, ,11 0,16-0, ,29-0,18-0, ,34 0,49-0, ,13-1,41-0, ,89-1,85-1, ,72-1,54-0, ,93 0,02 0,91 Z ˆ a Gambar 4-16 : Plo Daa Asli dan Prakiraan Hasil Prakiraan Tanggal 17 Juni 1980 sampai Tanggal 13 April 1981 Posisi 100 o BT F-439
16 Eddy Hermawan / Pengembangan Model Prediksi... Dari Gambar 4-16 dapa diliha bahwa plo daa prakiraan mendekai daa asli, dengan korelasi sebesar aau 56.4 %. Seiring dengan berjalannya waku akan dikeahui daa baru, dan enu saja daa baru ersebu bisa digunakan unuk memperbaharui model dengan harapan akan meningkakan keepaan dalam prakiraan selanjunya. Sebenarnya Model ARMA (2,1) menghasilkan Jumlah Kuadra Gala (JKG) yang lebih kecil dibandingkan dengan Jumlah Kuadra Gala (JKG) pada Model ARIMA (2,1,1). Akan eapi pada kenyaannya daa OLR (Radiasi Gelombang Panjang) mempunyai pola musiman yang menyebabkan daa idak sasioner. Dengan demikian, kami memilih model ARIMA (2,1,1) merupakan model yang paling cocok aau sesuai unuk daa ime-series OLR 100 o BT. Dengan eknik yang sama, kami mendapakan bahwa model ARIMA (2,1,1), juga merupakan model yang cocok aau sesuai unuk daa ime-series OLR 120 o BT, semenara model ARIMA (1,1,2) merupakan model daa ime-series yang paling sesuai unuk daa OLR 140 o BT seperi erliha jelas pada Gambar 4-17 dan Gambar 4-18 beriku. Gambar 4-17 : Sama dengan Gambar 4-16, eapi unuk daa ime-series OLR 120 o BT Gambar 4-18: Sama dengan Gambar 4-16, eapi unuk daa ime-series OLR 140 o BT 5. KESIMPULAN DAN SARAN 5.1. Kesimpulan Berdasarkan hasil analisis di aas, dapa disimpulkan bahwa melalui meode Box-Jenkins, model yang mendekai unuk daa dere waku anomali OLR (Ougoing Longwave Radiaion) dari anggal 3 Januari 1978 sampai anggal 13 April 1981 pada masing- masing posisi adalah: a. Unuk posisi 100 o BT model yang mendekai adalah ARIMA (2,1,1), arinya prakiraan daa penad OLR pada waku mendaang erganung dari dua waku sebelumnya yang elah dibedakan dan gala sau waku sebelumnya. b. Unuk posisi 120 o BT model yang mendekai adalah ARIMA (2,1,1), arinya prakiraan daa penad OLR pada waku mendaang erganung dari dua waku sebelumnya yang elah dibedakan dan gala sau waku sebelumnya. F-440
17 Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 c. Unuk posisi 140 o BT model yang mendekai adalah ARIMA (1,1,2), arinya prakiraan daa penad OLR pada waku mendaang erganung dari sau waku sebelumnya yang elah dibedakan dan gala dua waku sebelumnya Saran a. Dalam makalah ini belum diperhiungkan fakor-fakor yang mempengaruhi besarnya anomali OLR. Oleh karena iu, kedepannya nani disarnkan unuk memperbaiki model dengan melakukan sudi lebih jauh lagi dengan melibakan fakor- fakor yang mempengaruhi, seperi besar kecilnya lipuan awan (cloud cover) pada posisi 100 o BT, 120 o BT, dan 140 o BT agar diperoleh model yang lebih baik lagi. b. Unuk meningkakan keepaan dalam prakiraan selanjunya, sebaiknya model diperbaharui dengan daa baru yang diperoleh. c. Sofware yang digunakan pada skripsi ini adalah SPSS Kami menyarankan unuk menggunakan sofware-sofware lain yang lebih aplikaif seperi SAS aau MATLAB. DAFTAR RUJUKAN Cryer, J Time Series Analisis. USA: PWS Publisher. Makridakis, S., Wheelwrigh, S. C. and Mcgee, V. E Meode dan Aplikasi Peramalan, Jilid Sau, Edisi Kedua. Jakara: Erlangga. Wei, W. W. S Time Series Analysis, Univariae and Mulivariae Mehods. Torono: Addison Wesley Publisher. hp:// diakses 30 Agusus hp:// diakses 30 Agusus hp:// diakses 30 Agusus diakses 30 Mei F-441
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 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 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 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 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 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
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciDAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function)
DAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Sudi Aplikasi Model Inervensi dengan Sep Funcion) S-3 Kismianini dan Dhoriva Urwaul Wusqa Jurusan Pendidikan Maemaika
Lebih terperinciPENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA
PENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA Leopoldus Ricky Sasongko, Lydia Ninuk Rahayu, dan Alberh Roy Koa 3,,3 Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias
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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciBAB 2 TINJAUAN PUSTAKA. yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu
BAB 2 TINJAUAN PUSTAKA 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan apa yang erjadi pada waku yang akan daang sedangkan rencana merupakan penenuan apa yang akan dilakukan pada waku yang
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa
BAB 2 TINJAUAN TEORITI 2.1. Pengerian-pengerian Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. edangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
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 terperinciJurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember ABSTRAK
PERBANDINGAN METODE DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN TES (TRIPLE EXPONENTIAL SMOOTHING) PADA PERAMALAN PENJUALAN ROKOK (STUDI KASUS TOKO UTAMA LUMAJANG) 1 Fajar Riska Perdana (1110651142) 2 Daryano,
Lebih terperinciBAB 3 LANDASAN TEORI. peramalan, jenis-jenis peramalan, langkah-langkah peramalan, pemilihan teknik dan
BAB 3 LANDASAN TEORI 3. Peramalan Pada sub bab ini akan dibahas mengenai pengerian peramalan, kegunaan meode peramalan, jenis-jenis peramalan, langkah-langkah peramalan, pemilihan eknik dan meode peramalan,
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 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 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 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 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 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 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 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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Air merupakan kebuuhan pokok bagi seiap makhluk hidup di dunia ini ermasuk manusia. Air juga merupakan komponen lingkungan hidup yang pening bagi kelangsungan hidup
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 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 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 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 terperinciESTIMASI MODEL UNTUK DATA DEPENDEN DENGAN METODE CROSS VALIDATION. Oleh: Tarno Program Studi Statistika FMIPA UNDIP Semarang
ESTIMASI MODEL UNTUK DATA DEPENDEN DENGAN METODE CROSS VALIDATION Oleh: Tarno Program Sudi Saisika FMIPA UNDIP Semarang Absrac This paper discuss abou applicaion of cross-validaion mehod for modeling of
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 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 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 RATA-RATA TEMPERATUR UDARA HARIAN KOTA PEKANBARU MENGGUNAKAN MODEL ARIMA (0,1,1) TUGAS AKHIR
PERAMALAN RATA-RATA TEMPERATUR UDARA HARIAN KOTA PEKANBARU MENGGUNAKAN MODEL ARIMA (0,,) TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains pada Jurusan Maemaika Oleh: DEWI
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 terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Definisi Peramalan Peramalan adalah suau kegiaan dalam memperkirakan aau kegiaan ang melipui pembuaan perencanaan di masa ang akan daang dengan menggunakan daa masa lalu dan daa masa
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.. Ruang Lingkup Peneliian Peneliian ini diujukan unuk menenukan meode erbaik yang dapa digunakan dalam meramalkan harga ayam pada enam koa besar di Jawa-Bali. Meode peramalan yang
Lebih terperinciPERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH
Vol.. No., 03 PERAMALAN KURS TRANSAKSI BANK INDONESIA TERHADAP MATA UANG DOLLAR AMERIKA (USD) DENGAN MENGGUNAKAN MODEL ARCH/GARCH Ari Pani Desvina, Sari Marlinda, Jurusan Maemaika Fakulas Sains dan Teknologi
Lebih terperinciPenerapan Model ARIMA Dalam Memprediksi IHSG
Penerapan Model ARIMA Dalam Memprediksi IHSG Bambang Hendrawan Polieknik Baam Parkway Sree, Baam Cenre, Baam 29461, Indonesia e-mail: benks@polibaam.ac.id Absrak: Tujuan peneliian ini adalah unuk mencari
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju-laju
Lebih terperinciBAB II PERTIDAKSAMAAN CHERNOFF
BAB II PERTIDAKSAMAAN CHERNOFF.1 Pendahuluan Di lapangan, yang menjadi perhaian umumnya adalah besar peluang dari peubah acak pada beberapa nilai aau suau selang, misalkan P(a
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 terperincix 4 x 3 x 2 x 5 O x 1 1 Posisi, perpindahan, jarak x 1 t 5 t 4 t 3 t 2 t 1 FI1101 Fisika Dasar IA Pekan #1: Kinematika Satu Dimensi Dr.
Pekan #1: Kinemaika Sau Dimensi 1 Posisi, perpindahan, jarak Tinjau suau benda yang bergerak lurus pada suau arah erenu. Misalnya, ada sebuah mobil yang dapa bergerak maju aau mundur pada suau jalan lurus.
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 I PENDAHULUAN. tepat rencana pembangunan itu dibuat. Untuk dapat memahami keadaan
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam perencanaan pembangunan, daa kependudukan memegang peran yang pening. Makin lengkap dan akura daa kependudukan yang esedia makin mudah dan epa rencana pembangunan
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN EMBAHASAN 4.1 Karakerisik dan Obyek eneliian Secara garis besar profil daa merupakan daa sekunder di peroleh dari pusa daa saisik bursa efek Indonesia yang elah di publikasi, daa di
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 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 terperinciANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Studi kasus pada CV Cita Nasional.
JURNAL ILMIAH RANGGAGADING Volume 7 No. 1, April 7 : 3-9 ANALISIS DIRECT SELLING COST DALAM MENINGKATKAN VOLUME PENJUALAN Sudi kasus pada CV Cia Nasional. Oleh Emmy Supariyani* dan M. Adi Nugroho *Dosen
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 terperinciModel Dinamis: Autoregressive Dan Distribusi Lag (Studi Kasus : Pengaruh Kurs Dollar Amerika Terhadap Produk Domestik Regional Bruto (PDRB))
Model Dinamis: Auoregressive Dan Disribusi Lag (Sudi Kasus : Pengaruh Kurs Dollar Amerika Terhadap Produk Domesik Regional Bruo (PDRB)) Dynamic Model : Auoregressive and Disribuion Lag (Case Sudy: Effecs
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN A. Jenis dan Pendekaan Peneliian Jenis peneliian yang digunakan dalam peneliian ini adalah peneliian evaluasi dan pendekaannya menggunakan pendekaan kualiaif non inerakif (non
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Persediaan Persediaan adalah barang yang disimpan unuk pemakaian lebih lanju aau dijual. Persediaan dapa berupa bahan baku, barang seengah jadi aau barang jadi maupun
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 terperinciPENERAPAN METODE BOX-JENKINS UNTUK MEMPREDIKSI JUMLAH MAHASISWA UNIVERSITAS ISLAM NEGERI SUSKA RIAU
Jurnal Sains, Teknologi dan Indusri, Vol., No., Desember 4, pp. 8 89 ISSN 693-39 prin/issn 47-939 online PENERAPAN METODE BOX-JENKINS UNTUK MEMPREDIKSI JUMLAH MAHASISWA UNIVERSITAS ISLAM NEGERI SUSKA RIAU
Lebih terperinciBAB 2 KINEMATIKA. A. Posisi, Jarak, dan Perpindahan
BAB 2 KINEMATIKA Tujuan Pembelajaran 1. Menjelaskan perbedaan jarak dengan perpindahan, dan kelajuan dengan kecepaan 2. Menyelidiki hubungan posisi, kecepaan, dan percepaan erhadap waku pada gerak lurus
Lebih terperinciPERAMALAN JUMLAH PENUMPANG PADA PT
PERAMALAN JUMLAH PENUMPANG PADA PT. ANGKASA PURA I (PERSERO) KANTOR CABANG BANDAR UDARA INTERNASIONAL ADISUTJIPTO YOGYAKARTA DENGAN METODE WINTER S EXPONENTIAL SMOOTHING DAN SEASONAL ARIMA SKRIPSI Diajukan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
11 BAB I PENDAHULUAN 1.1 Laar Belakang Salah sau masalah analisis persediaan adalah kesulian dalam menenukan reorder poin (iik pemesanan kembali). Reorder poin diperlukan unuk mencegah erjadinya kehabisan
Lebih terperinciAnalisis Model dan Contoh Numerik
Bab V Analisis Model dan Conoh Numerik Bab V ini membahas analisis model dan conoh numerik. Sub bab V.1 menyajikan analisis model yang erdiri dari analisis model kerusakan produk dan model ongkos garansi.
Lebih terperinciPERAMALAN JUMLAH PENDERITA TUMOR JINAK (NEOPLASMA) DI RSUD ARIFIN ACHMAD PEKANBARU DENGAN MENGGUNAKAN MODEL ARIMA(0,1,1) TUGAS AKHIR.
PERAMALAN JUMLAH PENDERITA TUMOR JINAK (NEOPLASMA) DI RSUD ARIFIN ACHMAD PEKANBARU DENGAN MENGGUNAKAN MODEL ARIMA(,1,1) TUGAS AKHIR Diajukan Sebagai Salah Sau Syara Unuk Memperoleh Gelar Sarjana Sains
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan ekonomi merupakan salah satu ukuran dari hasil pembangunan yang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju perumbuhan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu
BAB 2 TINJAUAN PUSTAKA 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan apa yang erjadi pada waku yang akan daang sedangkan rencana merupakan penenuan apa yang akan dilakukan pada waku yang
Lebih terperinciFORECASTING & ARIMA. Dwi Martani. 1/26/2010 Statistik untuk Bisnis 9 1
FORECASTING & ARIMA Dwi Marani /26/200 Saisik unuk Bisnis 9 DERET BERKALA (TIME SERIES) Suau dere berkala merupakan suau himpunan observasi dimana variabel yang digunakan diukur dalam uruan periode waku,
Lebih terperinciMetode Regresi Linier
Modul 1 Meode Regresi Linier Prof. DR. Maman Djauhari A PENDAHULUAN nalisis regresi linier, baik yang sederhana maupun yang ganda, elah Anda pelajari dalam maa kuliah Meode Saisika II. Dengan demikian
Lebih terperinciPerancangan Sistem Peramalan Penjualan Barang Pada UD Achmad Jaya Dengan Metode Triple Exponential Smoothing
Jurnal Ilmiah Teknologi dan Informaika ASIA (JITIKA) Vol.10, No.2, Agusus 2016 ISSN: 0852-730X Perancangan Sisem Peramalan Penjualan Barang Pada UD Achmad Jaya Dengan Meode Triple Exponenial Smoohing Tria
Lebih terperinciBAB 1 PENDAHULUAN. tahun 1990-an, jumlah produksi pangan terutama beras, cenderung mengalami
11 BAB 1 PENDAHULUAN 1.1. Laar Belakang Keahanan pangan (food securiy) di negara kia ampaknya cukup rapuh. Sejak awal ahun 1990-an, jumlah produksi pangan eruama beras, cenderung mengalami penurunan sehingga
Lebih terperinciBAB III METODE PENELITIAN
A III METODE PEELITIA Salah sau komponen peneliian yang mempunyai ari pening dalam kaiannya dengan proses sudi secara komprehensif adalah komponen meode peneliian. Meode peneliian menjelaskan bagaimana
Lebih terperinci