ESTIMASI MODEL UNTUK DATA DEPENDEN DENGAN METODE CROSS VALIDATION. Oleh: Tarno Program Studi Statistika FMIPA UNDIP Semarang
|
|
- Handoko Sumadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 dependen daa. One of he daa ha caegorized ino dependen daa is a ime series. To consruc he mahemaical model for a ime series daa, we mus have a leas 50 series. In pracices we ofen have some problem as long as we collec he ime series daa. So we don ge ideal daa relaed o number of sample. To solve his problem, we can generae observaion daa. There are several mehods ha can be used o generae daa such as cross-validaion and boosrap. Applicaion of cross-validaion mehod o generae ime series daa can be done randomly, bu we mus generae he daa based on balanced incomplee block design. The basic principle of cross-validaion mehod is he daa divided ino wo pars hose are consrucion daa and validaion daa. Consrucion daa are drawn from observaion daa based on moving block and hen we consruc he model wih Box-Jenkins mehod and verify he model wih validaion daa. Do his process for differen blocks as replicaion samples of cross-validaion mehod, such ha we can consruc he bes model ha minimized loss funcion for predicion errors. Key words: ime series daa, esimae model, cross-validaion 1. PENDAHULUAN Model runun waku dibangun memiliki alasan uama yaiu unuk prediksi beberapa waku ke depan yang mempunyai nilai sraegis dan ekonomis. Unuk mendapakan nilai prediksi yang akura diperlukan sejumlah daa hisoris masa lampau yang cukup panjang. Panjang runun waku yang ideal unuk membua model prediksi yang akura dibuuhkan minimal 50 dere observasi []. Namun dalam prakeknya, idak jarang diemui kendala unuk mendapakan sederean daa observasi yang panjangnya ideal. Unuk mengaasi hal iu, idak perlu dilakukan pengumpulan daa ke lapangan karena banyak membuuhkan enaga, waku dan biaya, eapi cukup dilakukan dengan cara pembangkian daa observasi secara acak dengan banuan kompuer. Salah sau meode yang dapa digunakan unuk membangkiakan daa ersebu adalah meode validasisilang [1],[]. Meode validasi-silang biasanya banyak dierapkan pada daa independen dan berdisribusi idenik. Namun dalam prakek, daa yang dikumpulkan idak selalu memiliki sifa independen dan berdisribusi idenik. Hal inilah yang mendorong perlunya dilakukan kajian enang penerapan meode validasi-silang pada daa runun waku aau daa dependen yang lain. Suau runun waku merupakan barisan observasi yang diindekkan dengan waku dan biasanya berkorelasi. Daa dependen lainnya ermasuk m-dependen daa, Markov chains, sera proses sokhasik sasioner lainnya idak diindekkan dengan waku [1]. Meode validasi-silang elah banyak dierapkan pada daa independen dan berdisribusi idenik, namun memiliki keerbaasan dalam hal penerapannya pada masalah daa dependen. Secara umum, penerapan meode validasi-silang unuk daa dependen, seringkali gagal unuk menangkap srukur keerganungan daa ersebu dan diperlukan adanya modifikasi nonrivial dalam hal menghasilkan esimaor variansi yang valid dan prosedur inferensi lainnya [1]. 75
2 Media Saisika, Vol. 1, No., Desember 008: 75-8 Kendala yang dihadapi pada saa penerapan meode validasi-silang unuk pemodelan daa runun waku adalah dalam hal proses pembangkian daa unuk konsruksi model, karena prinsip dasar pembangkian daa dengan validasi-silang didasarkan pada sampel acak sederhana. Sedangkan pembangkian daa unuk pemodelan runun waku harus berdasarkan prosedur rancangan acak blok ak lengkap berimbang [1]. Unuk menyusun model dari sekumpulan daa observasi dengan meode validasisilang, prosedur uama yang harus dilakukan adalah mengelompokkan daa observasi menjadi dua bagian yaiu: daa konruksi dan daa validasi. Apabila daa observasi berukuran n, dan daa konruksi yang dibangkikan berukuran d (d<n) maka daa validasi berukuran (n-d). Daa konsruksi berukuran d digunakan unuk menyusun model, sedangkan sisanya digunakan unuk validasi, sehingga nilai residual (error prediksi) dapa diesimasi []. Berdasarkan argumen ersebu, muncul suau permasalahan erkai dengan pemodelan daa dependen khususnya daa runun waku, yaiu bagaimana prosedur pembangkian daa konsruksi model berdasarkan rancangan acak blok ak lengkap berimbang sera proses validasi modelnya, sehingga dihasilkan model yang akura dengan menimalkan fungsi kerugian unuk error prediksi.. RUNTUN WAKTU DAN m-dependent DATA Barisan variabel random {Z, = 0, ±1, ±, ±3,.} dikaakan sasioner kua, apabila unuk sebarang bilangan bula q dan p > 0, {Z 1, Z,,Z p } mempunyai disribusi yang sama dengan {Z 1+q, Z +q,,z p+q }. Semua barisan variabel random yang sedang dibicarakan diasumsikan sasioner. m-depende adalah srukur keerganungan yang paling sederhana dalam aplikasi saisik. Barisan variabel random {Z, = 0, ±1, ±, ±3,.} dikaakan sebagai m-dependen jika erdapa bilangan bula nonnegaive m sedemikian hingga unuk seiap bilangan bula, {, Z -1, Z } dan {Z +m+1, Z +m+, } saling independen. Dari definisi ersebu, Z i adalah independen dan berdisribusi idenik apabila m=0. Jika m 1, maka Z i dependen. Sebagai conoh, model moving average. Suau model moving average (MA) adalah suau model runun waku, dimana daa {y, = 0, ±1, ±, ±3,.} dapa dinyaakan sebagai y = μ + ε θ1ε 1 θε θmε m (1) dengan m bilangan bula posiif, μ dan θ j, j = 1,,... m adalah parameer yang idak dikeahui sera ε merupakan variabel random independen dan berdisribusi idenik dengan mean 0 dan variansi σ. Hal ini dapa diunjukkan bahwa {y, = 0, ±1, ±, ±3,.} merupakan suau dere m-dependen, yaiu: m cov(y, y+ p) = σ θ jθ j p unuk 1 p m ( θ 0 = 1 j= p cov(y, y+ p) = 0 unuk p > m. ) dan Barisan variabel random dependen {y, = 0, ±1, ±, ±3,.} sering disebu sebagai suau runun waku (ime series), walaupun variabel random ersebu idak diindekkan dengan waku. Dalam prakek banyak runun waku yang dinyaakan sebagai kombinasi linier dari variable random independen. Salah sau conohnya adalah model moving average pada conoh 1 di aas. Type runun waku yang sanga pening dan sering dibicarakan adalah model Auoregresive (AR). 76
3 Esimasi Model Unuk Daa Dependen... (Tarno) Suau runun waku {y, = 0, ±1, ±, ±3,.} disebu sebagai suau runun waku auoregressive order p apabila y = μ + ε + φ 1y 1 + φy φpy p () dengan p suau bilangan bula nonnegaip μ danφj, j = 1,,... p adalah parameer yang idak dikeahui sera ε merupakan variabel random independen dan berdisribusi idenik dengan mean 0 dan variansi σ. Suau runun waku auoregressive dikaakan sasioner apabila: p akar-akar dari: 1+ φ 1 B + φb φpb = 0 erleak di luar lingkaran sauan. Model runun waku yang merupakan model campuran anara model auoregressive dan model average disebu model auoregresive moving average (ARMA). Suau barisan variable random {y, = 0, ±1, ±, ±3,.} disebu sebagai suau runun waku Auoregressive Moving Average order (p,q) dinyaakan sebagai ARMA(p,q) apabila: y = μ + φ 1y 1 + φy φpy p + ε θ1ε 1 θε θqε q (3) dengan p dan q suau bilangan bula nonnegaip, μ, φ i, θ j ; i = 1,,... p; j = 1,,..., q adalah parameer yang idak dikeahui sera ε merupakan variabel random independen dan berdisribusi idenik dengan mean 0 dan variansi σ. Suau runun waku auoregressive moving average ARMA(p,q) dikaakan sasioner apabila: p akar-akar dari: 1+ φ 1 B + φb φpb = 0 dan q akar-akar dari: 1 θ 1 B θb θqb = 0 erleak di luar lingkaran sauan. Secara umum model runun waku AR, MA dan ARMA ersebu merupakan model sasioner, sedangkan model runun waku nonsasioner dinyaakan sebagai model Auoregresive Inegried Moving Average (ARIMA). Jika didefinisikan w sebagai barisan selisih w = y - y -1 maka proses umum ARMA w = μ + φ 1w 1 + φw φpw p + ε θ1ε 1 θε θqε q (4) dapa diulis sebagai y = μ + y-1 + φ1(y 1 y ) + φ(y y 3) φp(y p y p 1) + ε (5) θ1ε 1 θε θqε q Dari w = y - y -1 maka y = y -1 + w y -1 = y - + w -1 y - = y -3 + w - dan seerusnya, sehingga diperoleh bahwa y = w + w -1 +w - +. Ini berari bahwa y dapa dipandang sebagai inegrasi runun waku w dan model runun waku (4) dipandang sebagai model proses ARIMA. 3. ESTIMASI MODEL DENGAN METODE BOX-JENKINS Prosedur esimasi model AR, MA aau ARMA dengan meode Box-Jenkins, secara umum dapa dilakukan dengan langkah-langkah sebagai beriku. 1. Idenifikasi Model Sebelum melakukan idenifikasi model, berdasarkan daa observasi erlebih dahulu dilakukan pengujian erhadap sasionerias daa. Apabila syara sasionerias dipenuhi maka dapa dilanjukan dengan menenukan fungsi auokorelasi dan 77
4 Media Saisika, Vol. 1, No., Desember 008: 75-8 fungsi auokorelasi parsial. Berdasarkan nilai auokorelasi dan auokorelasi parsial ersebu dapa dilakukan idenifikasi model berdasarkan ciri-ciri model AR(p), MA(q) aau ARMA(p,q) seperi yang ercanum dalam abel 1 beriku. Tabel 1. Ciri-ciri eoriis F.a.k dan F.a.k.p unuk proses sasioner 3 Model AR(p) Fungsi Auokorelasi (F.a.k) Turun secara eksponensial aau berbenuk sinusoida Fungsi Auokorelasi Parsial (F.a.k.p) Terpoong seelah lag p MA(q) Terpoong seelah lag q ARMA(p,q) Terpoong seelah lag (q-p) Turun secara eksponensial aau berbenuk sinusoida Terpoong seelah lag (p-q). Esimasi parameer Apabila idenifikasi model elah dilakukan, maka ahapan berikunya adalah esimasi awal parameer model. Unuk menguji apakah parameer erkai dengan model yang elah diidenifikasi ersebu signifikan aau idak, maka dilakukan langkah-langkah pengujian hipoesis sebagai beriku. Sebagai conoh, apabila model yang diidenifikasi adalah model AR maka langkah-langkah pengujian sigifikansi parameer modelnya adalah sebagai beriku: a. Perumusan hipoesis H 0 : parameer ( φ j ) = 0 H 1 : parameer ( φ j ) 0 b. Tingka signifikansi α c. Saisik uji ˆ φ j = berdisribusi dengan deraja bebas (n-k-1) se( ˆ φ j ) d. Krieria penolakan Dengan menggunakan ingka signifikansi α, maka H 0 akan diolak apabila hiung α/;(n-k-1) e. Kesimpulan Apabila H 0 diolak maka dapa disimpulkan bahwa parameer model φ signifikan. j 3. Verifikasi model Verifikasi model dilakukan unuk memasikan apakah model yang elah diesimasi pada langkah ersebu merupakan model erbaik aau bukan dengan cara melakukan underfi aau overfi. Model erbaik dipilih berdasarkan nilai fungsi kerugian yang minimal. Disamping iu juga dilakukan pengujian erhadap independensi nilai residual dengan uji chi-square (Box-Pierce). 78
5 Esimasi Model Unuk Daa Dependen... (Tarno) 4. Prediksi (forecasing) Model erbaik yang dipilih pada langkah ke-3 dapa digunakan unuk prediksi beberapa langkah ke depan. 4. ESTIMASI MODEL DENGAN VALIDASI SILANG Prosedur esimasi model runun waku dengan menggunakan meode validasi-silang dapa dilakukan dengan langkah-langkah sebagai beriku. 1. Daa observasi {y 1, y,, y -1,, y n ) yang berukuran n dikelompokkan menjadi dua bagian yaiu: daa konsruksi (DK) dan daa validasi (DV). Pengambilan daa konsruksi dilakukan dengan prinsip rancangan acak blok ak lengkap berimbang dengan ukuran sampel kaakanlah d (1<d<n), sehingga sisanya merupakan daa validasi berukuran α = (n-d). Dengan demikian jika A sebagai himpunan validasi alernaive maka A={α}.. Berdasarkan daa konsruksi ersebu, lakukan esimasi model dengan meode ARIMA dari Box-Jenkins. 3. Lakukan validasi model yang diperoleh pada langkah ke- dengan membenuk fungsi kerugian (loss funcion) L( ŷ,y ). Fungsi kerugian yang dapa dibenuk berupa: L( ŷ,y ) = ( ŷ -y ) yang disebu error kuadra aau raa-raa error kuadra. 4. Ulangi langkah 1 sampai dengan 3 ersebu, kemudian enukan model erbaik berdasarkan nilai fungsi kerugian yang minimal. 5. Ulangi langkah 1 sampai dengan 4 dengan cara memvariasikan ukuran sampel d unuk daa konsruksi, sehingga diperoleh esimasi model yang opimal yaiu yang meminimalkan fungsi kerugian unuk berbagai nilai d yang mungkin. 6. Teapkan model erbaik yang dapa digunakan unuk prediksi beberapa langkah ke depan. Jika diberikan daa runun waku hasil observasi: {y 1, y,, y -1,, y n ), dan DK: Ey ={y 1, y,, y -1 } daa observasi hingga -1, sera DV:{α, α A}: himpunan validasi alernaif, maka proses validasi model dapa digambarkan seperi bagan singka beriku. Ey ={y 1, y,, y -1 } A= alernaive validasi α ŷ (α, Ey ) y - L( ŷ,y ) Gambar 1. Skema proses validasi model ŷ (α, Ey ): prediksi dari y unuk alernaive esimasi α pada Ey. L( ŷ,y ) : fungsi kerugian unuk error prediksi 79
6 Media Saisika, Vol. 1, No., Desember 008: 75-8 SIMULASI Unuk memberikan ilusrasi enang implemenasi secara prakis esimasi model runun waku dengan meode validasi silang, Tabel beriku memperlihakan hasil simulasi erhadap sekumpulan daa raa-raa jumlah produk caca harian dari sebuah pabrik yang dicaa selama 45 hari [3]. Tabel. Hasil simulasi esimasi model AR dengan validasi-silang Ukuran sampel Esimasi Parameer Model AR(1) Loss Funcion DK DV Parameer (φˆ ) Konsan ( μˆ ) (MSE) Dari Tabel. erliha bahwa unuk daa observasi berukuran 45, dengan memvariasikan daa konsruksi (DK) sera daa validasi (DV) unuk berbagai ukuran diperoleh fungsi kerugian (MSE) minimal 0, , sehingga esimasi modelnya adalah: y = y KESIMPULAN Dalam proses pembangkian daa runun waku (daa dependen) dengan meode validasi-silang idak dapa dilakukan secara random erhadap daa observasi, namun harus dilakukan dengan prinsip rancangan blok ak lengkap berimbang (balanced incomplee block design). Prinsip dasar dari meode validasi-silang adalah membagi daa menjadi dua bagian yaiu daa konsruksi dan daa validasi. Daa konsruksi diambil dari sekumpulan daa secara blok kemudian dilakukan esimasi model dengan meode ARIMA Box-Jenkins. Seelah diperoleh esimasi model, dilakukan validasi model erhadap sisa daa (daa validasi). Proses ersebu diulang-ulang unuk blok yang berbeda sehingga diperoleh esimasi model yang erbaik dengan meminimalkan fungsi kerugian (loss funcion) unuk error prediksi. DAFTAR PUSTAKA 1. Shao, J. & Tu, D, The Jackknife and Boosrap, Springer-Verlag, New York, Urban Hjorh, Compuer Inensive Saisical Mehods: Validaion Model Selecion and Boosrap, Chapman & Hall, London, Wei, Time Series Analysis: Univariae and Mulivariae Mehods, Addison-Wesley Publishing Company-Inc. USA,
7 Esimasi Model Unuk Daa Dependen... (Tarno) LAMPIRAN Daa raa-raa jumlah produk caca dari suau pabrik selama 45 hari [3]. No y No y No y
8 Media Saisika, Vol. 1, No., Desember 008:
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciMuhammad Firdaus, Ph.D
Muhammad Firdaus, Ph.D DEPARTEMEN ILMU EKONOMI FEM-IPB 010 PENGERTIAN GARIS REGRESI Garis regresi adalah garis yang memplokan hubungan variabel dependen (respon, idak bebas, yang dipengaruhi) dengan variabel
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 terperinciPERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi (308 030 060) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si Laar Belakang 2 Laar
Lebih terperinciBAB 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 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 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 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 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 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 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 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 terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Peramalan Dengan Meode Smoohing dan Verifikasi Meode Peramalan Dengan Grafik Pengendali Moving Range () (Sudi Kasus: Produksi Air Bersih di PDAM Tira Kencana Samarinda) Forecasing wih Smoohing and Verificaion
Lebih terperinciBAB 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 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 terperinciBagian 7. Jawab. Uji Hipotesis. Beberapa Uji Hipotesis pada Statistika Parametrik. Beberapa Uji Hipotesis pada Statistika Nonparametrik
Jawab p = proporsi sekrearis di seluruh perkanoran di Bandung yang diperlengkapi dengan kompuer di ruang kerjanya Karena p idak dikeahui, asumsikan nilainya.5 q = 1 p =.5 Tingka keyakinan 95% =.5 dan /
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 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 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 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 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 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 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 terperinciBAB IV METODOLOGI PENELITIAN
BAB IV METODOLOGI PENELITIAN Dalam peneliian ini, penulis akan menggunakan life cycle model (LCM) yang dikembangkan oleh Modigliani (1986). Model ini merupakan eori sandar unuk menjelaskan perubahan dari
Lebih terperinciPemodelan Volatilitas Saham Menggunakan Jaringan Syaraf Tiruan dan Algoritma Genetika
Pemodelan Volailias Saham Menggunakan Jaringan Syaraf Tiruan dan Algorima Geneika Hasbi Yasin 1 1 Jurusan Saisika Undip, hasbiyasin@undip.ac.id Absrak. Flukuasi yang besar dan idak pasi dalam peramalan
Lebih terperinciBab 5 Penaksiran Fungsi Permintaan. Ekonomi Manajerial Manajemen
Bab 5 Penaksiran Fungsi Perminaan 1 Ekonomi Manajerial Manajemen Peranyaan Umum Tenang Perminaan Seberapa besar penerimaan perusahaan akan berubah seelah adanya peningkaan harga? Berapa banyak produk yang
Lebih terperinciKOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES. Abstrak
KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES Universias Muhammadiyah Purwokero malim.muhammad@gmail.com Absrak Pada persamaan regresi linier sederhana dimana variabel dependen dan variabel independen
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 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 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 terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciBAB 2 LANDASAN TEORI
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 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 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 terperinciStatistika Inferensi Tentang Ratarata Dua Populasi Independen
Saisika Inferensi Tenang aaraa Dua Populasi Independen Populasi aa-raa = µ (idak dikeahui) Sampel Ukuran = n (besar) aa-raa = X Deviasi Sandar = S Uji Hipoesis enang Perbedaan aa-raa Sampel Besar Saisik
Lebih terperinciPENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS (ARIMA)
Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 PENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah persediaan merupakan masalah yang sanga pening dalam perusahaan. Persediaan mempunyai pengaruh besar erhadap kegiaan produksi. Masalah persediaan dapa diaasi
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
BAB 3 METODOLOGI PEMECAHAN MASALAH 3.1 Tahapan Pemecahan Masalah Tahapan pemecahan masalah berfungsi unuk memudahkan dalam mencari jawaban dalam proses peneliian yang dilakukan agar sesuai dengan arah
Lebih terperinciPERAMALAN CURAH HUJAN DENGAN WAVELET
PERAMALAN CURAH HUJAN DENGAN WAVELET Garini Widosari 1 T-7 1 Polieknik Negeri Samarinda 1 garini_72@yahoo.com Absrak Peramalan adalah salah sau unsur yang sanga pening dalam pengambilan kepuusan. Peranan
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 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 IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.. Hasil Peneliian 4... Daa Hasil Peneliian Dari hasil peneliian diperoleh daa kemampuan dribble. hasilnya sebagai mana pada abel I (dilampirkan) 4... Deskripsi
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 terperinciPeramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Multi Input. : Nesia Brilliana I.P NRP :
Peramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Muli Inpu Nama : Nesia Brilliana I.P NRP : 20800023 Jurusan : Maemaika Dosen Pembimbing : Dra. Nuri Wahyuningsih, M. Kes Pemberian pupuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 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 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 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 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 terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih 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 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 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 terperinciBAB III METODOLOGI PENELITIAN
perpusakaan.uns.ac.id BAB III METODOLOGI PENELITIAN A. Ruang Lingkup Peneliian Peneliian ini dilaksanakan di Indonesia dengan periode ahun 984 sampai dengan ahun 0. Peneliian ini memfokuskan pada fakor-fakor
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 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 terperinciPERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS TRI EMIRA RISMAYANTI NRP 1314 030 070 Dosen Pembimbing Dr. Brodjol Suijo
Lebih 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 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 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 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 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 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 terperinciPENGUJIAN HIPOTESIS. pernyataan atau dugaan mengenai satu atau lebih populasi.
PENGUJIAN HIPOTESIS 1. PENDAHULUAN Hipoesis Saisik : pernyaaan aau dugaan mengenai sau aau lebih populasi. Pengujian hipoesis berhubungan dengan penerimaan aau penolakan suau hipoesis. Kebenaran (benar
Lebih terperinciBAB 1 PENDAHULUAN. Sumber Daya Alam (SDA) yang tersedia merupakan salah satu pelengkap alat
BAB 1 PENDAHULUAN 1.1 Laar Belakang Sumber Daya Alam (SDA) yang ersedia merupakan salah sau pelengkap ala kebuuhan manusia, misalnya anah, air, energi lisrik, energi panas. Energi Lisrik merupakan Sumber
Lebih terperinciPROSES AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY DENGAN DUGAAN VARIANSI INFLASI INDONESIA
PROSES AUOREGRESSIVE CONDIIONAL HEEROSCEDASICIY DENGAN DUGAAN VARIANSI INFLASI INDONESIA Rianiai Monica, Suyono, dan Vera Maya Sani Jurusan Maemaika FMIPA UNJ Absrak Model-model runun waku konvensional,
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 terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY DAN DIMAS HARI SANOSO Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus
Lebih 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 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 terperinciANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS:
ANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS: UDD PMI KOTA SURABAYA) Oleh: Winda Eka Febriana (0500) Pembimbing: Ir. Dwiamono Agus W., MIKom . LATAR BELAKANG DARAH
Lebih terperinciPENGARUH STRATEGI PEMBELAJARAN GENIUS LEARNING TERHADAP HASIL BELAJAR FISIKA SISWA
ISSN 5-73X PENGARUH STRATEGI PEMBELAJARAN GENIUS LEARNING TERHADAP HASIL BELAJAR ISIKA SISWA Henok Siagian dan Iran Susano Jurusan isika, MIPA Universias Negeri Medan Jl. Willem Iskandar, Psr V -Medan
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 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 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 terperinciMENENTUKAN POLA DEBIT RATA-RATA TAHUNAN
MEETUKA POLA DEBIT RATA-RATA TAHUA Sri Eko Wahyuni ABSTRT Time series analysis applied o hydrological daa is generally used o forecas he in coming series of daa such ha use can make use of he informaion
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 terperinciBAB 1 PENDAHULUAN. Propinsi Sumatera Utara merupakan salah satu propinsi yang mempunyai
BAB 1 PENDAHULUAN 1.1 Laar Belakang Propinsi Sumaera Uara merupakan salah sau propinsi yang mempunyai perkembangan yang pesa di bidang ransporasi, khususnya perkembangan kendaraan bermoor. Hal ini dapa
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 terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 91-100 Online di: hp://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI BREAKPOINT DAN PEMODELAN AUTOREGRESSIVE STRUCTURAL
Lebih terperinci