HASIL DAN PEMBAHASAN
|
|
- Yenny Susman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 36 HASIL DAN PEMBAHASAN Deskripsi Data Penelitian ini diawali dengan melihat ketergantungan antar lokasi dan waktu. Lokasi-lokasi dalam penelitian ini saling berhubungan, hal ini ditunjukkan dengan nilai korelasi yang nyata. Hasil korelasi antar lokasi selengkapnya dapat dilihat pada Lampiran 1. Sedangkan untuk ketergantungan terhadap waktu dapat dilihat pada Lampiran 2. Plot CCF menunjukkan bahwa adanya korelasi antara jumlah data titik panas pada waktu-t dalam lokasi-lokasi tertentu, ini dapat dilihat dari plot CCF yang mempunyai pola yang hampir sama pada setiap lokasi. Data jumlah titik panas dalam penelitian ini adalah data jumlah titik panas pada 6 kabupaten di Provinsi Riau selama periode pada musim kemarau (Februari sampai Agustus) setiap tahunnya. Deskripsi data secara statistik dapat dilihat pada Gambar 2. Time Series Plot of data hotspot jumlah hotspot Bengkalis Rohil Rohul Inhu Inhil Pelalawan minggu Gambar 2. Plot deret waktu jumlah hotspot kebakaran hutan per minggu Gambar 2 memperlihatkan bentuk pola data jumlah titik panas kejadian kebakaran hutan di enam kabupaten di Provinsi Riau selama dari tahun sesuai runtun waktu pada masing-masing kabupaten. Untuk analisis selanjutnya
2 37 jumlah titik panas pada masing-masing kabupaten disebut peubah. Z 1 peubah untuk jumlah titik panas kebakaran hutan di kabupaten Bengkalis, Z 2 peubah untuk jumlah titik panas kebakaran hutan di kabupaten Rokan Hulu, Z 3 peubah untuk jumlah titik panas kebakaran hutan di kabupaten Rokan Hilir, Z 4 peubah untuk jumlah titik panas kebakaran hutan di kabupaten Indragiri Hulu, Z 5 peubah untuk jumlah titik panas kebakaran hutan di kabupaten Indragiri Hilir, Z 5 peubah untuk jumlah titik panas kebakaran hutan di kabupaten Pelalawan. Keenam peubah memiliki pola yang hampir sama yaitu mengalami kenaikan serta penurunan pada waktu yang hampir sama. Dari Gambar 2 juga terlihat bahwa secara visual pola data relatif fluktuatif. Untuk mengetahui kondisi kestasioneran data maka perlu dilakukan identifikasi terhadap kestasioneran data. Tabel 1 memberikan informasi bahwa rata-rata jumlah hotspot pada setiap kebupaten berbeda. Rata-rata tertinggi terdapat pada peubah Z 3 (kabupaten Rokan Hilir) yaitu sebanyak 17 titik api dengan jumlah tertinggi sebanyak 392 titik panas yang terjadi pada minggu ke 87 dan jumlah titik api yang terendah adalah sebanyak titik panas yang terjadi beberapa minggu sepanjang tahun. Sedangkan rata-rata jumlah titik panas terendah terdapat pada peubah Z 2 (kabupaten Rokan Hulu) dan peubah Z 5 (kabupaten Indragiri Hilir) yaitu masing-masing dengan rata-rata sebanyak 4 titik api. Peubah yang mempunyai ragam paling besar yaitu pada peubah Z 3. Tabel 1. Statistik deskriptif jumlah data hotspot kebakaran hutan Peubah Rata-rata Simpangan baku Minimum Maksimum Z Z Z Z Z Z Statistik deskriptif mempunyai peranan penting khususnya dalam memberikan informasi mengenai gambaran secara umum terhadap jumlah hotspot mingguan di setiap kabupaten dari tahun Dari hasil deskripsi dapat dilihat jumlah hotspot kebakaran hutan mingguan di setiap kabupaten.
3 38 Pada Gambar 2 dapat dilihat plot data jumlah hotspot di kabupaten Bengkalis dan Kabupaten Rokan Hilir. Jumlah titik api di Kabupaten Bengkalis tertinggi terlihat pada minggu-minggu awal dan antara minggu ke 5 dan minggu ke 1. Sedangkan untuk kabupaten Rokan Hilir jumlah titik api tertinggi juga terdapat pada minggu-minggu awal serta antara minggu ke 5 dan minggu ke 1, namun jumlah titik api tertinggi terjadi antara minggu ke 5 dan minggu ke 1. Jumlah titik api di Kabupaten Rokan Hulu tertinggi terlihat antara minggu ke 5 dan minggu ke 1. Sedangkan untuk kabupaten Indragiri Hulu jumlah titik api tertinggi terdapat pada minggu-minggu awal serta antara minggu ke 5 dan minggu ke 1, namun jumlah titik api tertinggi terjadi antara minggu pertama dan minggu ke 5. Jumlah titik api di Kabupaten Indragiri Hilir tertinggi terlihat antara minggu 25 sampai dengan minggu ke 1. Sedangkan untuk kabupaten Pelalawan jumlah titik api tertinggi terdapat pada minggu-minggu awal serta antara minggu ke 5 dan minggu ke 1 dan jumlah titik api tertinggi juga terjadi antara minggu pertama dan minggu ke 5. Model GSTAR Dalam analisis model GSTAR, proses pertama yang harus dilakukan adalah: pengujian kestasioneran data, jika data tidak stasioner maka harus distasionerkan melalui proses staioseritas. Tahap yang kedua adalah menentukan ordo GSTAR yang akan digunakan, baik ordo spasial maupun untuk ordo waktunya. Selanjutnya menerapakan bobot spasial pada model untuk membangun model GSTAR tersebut. a. Pengujian Kestasioneran Data Model GSTAR merupakan salah satu model yang ada dalam analisis deret waktu. Ada dua syarat utama yang harus dipenuhi dalam pemodelan deret waktu yaitu stasioner dan galat white noise. Asumsi yang harus dipenuhi pada langkah awal identifikasi model yaitu data harus stasioner dalam ragam maupun rataan. Borovkova, dkk (22) dan Ruchjana (23) menyatakan bahwa model GSTAR, Khususnya GSTAR(1 1 ), merupakan model versi terbatas dari model VAR. oleh sebab itu, kondisi stasioner dari model GSTAR dapat diturunkan dari
4 39 kondisi stasioneritas pada VAR. Stasioneritas data pada penelitian ini dapat dilihat dengan menggunakan uji formal, yang dikenal dengan uji Unit root. Dengan melihat hasil uji Unit root dapat disimpulkan bahwa data dalam penelitian ini sudah stasioner. (Lampiran 3). b. Ordo Model GSTAR Ordo yang akan ditentukan dalam penelitian ini adalah ordo spasial dan ordo waktu. Ordo spasial pada umumnya terbatas pada ordo1, karena untuk ordo yang lebih tinggi akan sulit untuk diinterpretasikan. Sementara untuk ordo waktu pada GSTAR dapat diturunkan dari ordo pada VAR. Tahapan penting pada pemodelan VAR adalah menentukan ordo model. Ordo model tidak lain adalah pada lag berapa masih terdapat pengaruh yang nyata dari salah satu peubah (series) terhadap series lainnya. Kriteria pemilihan ordo optimum dapat dilakukan dengan menggunakan statistik FPE, AIC, SC maupun HQ. Model yang baik adalah model yang mampu memberikan tingkat galat yang paling kecil. Dalam hal ini diwakilkan dengan nilai-nilai statistik yang paling kecil. Pada penelitian ini akan menggunakan ordo 1 untuk lag waktu dan juga ordo 1 untuk lag spasial. Jadi, ordo untuk model GSTAR yang diperoleh adalah ordo 1 untuk spasial maupun waktu, dapat ditulis dengan GSTAR(1 1 ). Penerapan Bobot Lokasi Korelasi Silang Bobot lokasi normalisasi korelasi silang antar lokasi pada lag waktu yang bersesuaian adalah bobot lokasi yang memberikan nilai koefisien sama pada hubungan antar lokasi yang berbeda. Nilai dari bobot lokasi normalisasi korelasi silang antar lokasi pada lag waktu yang bersesuaian yang digunakan pada penelitian ini dapat dilihat pada Tabel 2. Tabel 2. Nilai matriks pembobot korelasi silang Lokasi Z 1 Z 2 Z 3 Z 4 Z 5 Z 6 Z Z Z Z Z Z
5 4 Berdasarkan matrik pembobot korelasi silang pada Tabel 2 dapat dilakukan taksiran parameter untuk model GSTAR(1 1 ) yaitu :, parameter tidak berpengaruh nyata, parameter berpengaruh nyata t hitung : Jika p-value < maka H ditolak, menyatakan bahwa parameter tersebut berpengaruh nyata. Sebaliknya jika H diterima menyatakan bahwa parameter tersebut tidak berpengaruh nyata. Hasil pengujian parameter dengan menggunakan matrik pembobot korelasi silangdapat dilihat pada Tabel 3. Pada tabel ini dapat dilihat bahwa ada beberapa parameter yang tidak nyata. Hal ini disebabkan oleh nilai p-value >.5. Misalkan untuk peubah Z 1, Z 3, Z 4 semua parameter tidak nyata sehingga model pada daerah tersebut tidak dapat dibentuk. Oleh karena itu dapat disimpulkan bahwa pada daerah tersebut jumlah titik api kebakaran hutan tidak dipegaruhi oleh waktu sebelumnya atau daerah lain. Tabel 3. Pendugaan parameter dengan pembobot korelasi silang Parameter Nilai Pendugaan Galat baku t-hitung p-value * * * * Keterangan : * parameter yang nyata Berdasarkan p-value dari masing-masing parameter yang disajikan dalam Tabel 3, parameter yang nyata adalah,, dan. Sehingga berdasarkan parameter-parameter tersebut didapatkan model GSTAR dengan
6 41 bobot lokasi normalisasi korelasi silang antar lokasi pada lag waktu yang bersesuaian pada Lampiran 4. Dengan demikian model GSTAR yang diperoleh : Z 2 (t) =.5Z 1 (t-1)+.36z 2 (t-1)+.1z 3 (t-1)+.6z 4 (t-1)+.6z 5 (t-1)+.8z 6 (t-1) Z 5 (t) =.49Z 5 (t-1) Z 6 (t) =.6Z 1 (t-1)+.1z 2 (t-1)+.14z 3 (t-1)+.6z 4 (t-1)+.5z 5 (t-1) Gambar 3 merupakan plot nilai asli data jumlah hotspot kebakaran hutan dan nilai peramalan model GSTAR dengan bobot korelasi silang. Dari gambar tersebut dapat dilihat bahwa penerapan masing-masing model pada data asli dengan menggunakan metode peramalan GSTAR (1 1 ) menghasilkan ramalan yang mengikuti pola data asli. Time S eries Plot of a; d 16 8 Variab le a d jumlah hotspot waktu (minggu) Ketetangan : a = nilai asli dan d = nilai dugaan Gambar 3. Plot nilai asli dan nilai peramalan model GSTAR dengan bobot korelasi silang Penerapan Bobot Lokasi Invers Jarak Bobot lokasi berikutnya yang diterapkan adalah bobot lokasi invers jarak. Model GSTAR dengan menggunakan invers jarak ini memperlihatkan keterkaitan antara keenam lokasi (kabupaten) berdasarkan jarak antar lokasi sebenarnya. Karena keenam lokasi mempunyai jarak yang berbeda maka bobot lokasi invers jarak dapat diterapkan dalampemodelan. Adapun jarak antar lokasi dapat dilihat pada Tabel 4, jarak antar lokasi pada tabel merupakan hasil konversi batas lintang bujur (derajat) lokasi (kabupaten) menjadi satuan jarak (kilometer).
7 42 Tabel 4. Jarak antar lokasi dalam Kilometer Lokasi Z 1 Z 2 Z 3 Z 4 Z 5 Z 6 Z Z Z Z Z Z Bobot invers jarak memberikan koefisien bobot yang lebih kecil untuk jarak yang lebih jauh, demikian pula sebaliknya. Hal ini disebabkan oleh untuk lokasi dengan jarak yang jauh diduga memiliki keterkaitan antar lokasi yang kecil. Sebaliknya, untuk lokasi dengan jarak yang dekat diduga memiliki keterkaitan antar lokasi yang besar. Dari hasil perhitungan tersebut terbentuk matrik bobot lokasi yang dapat dilihat pada Tabel 5. Tabel 5. Nilai matriks pembobot lokasi invers jarak Lokasi Z 1 Z 2 Z 3 Z 4 Z 5 Z 6 Z Z Z Z Z Z Berdasarkan matrik pembobot invers jarak diatas dapat dilakukan taksiran parameter untuk model GSTAR(1 1 ) sebagai berikut : : =, parameter tidak berpengaruh nyata :, parameter berpengaruh nyata t hitung : = ( ) Jika p-value < maka H ditolak, menyatakan bahwa parameter tersebut berpengaruh nyata. Berdasarkan hasil pengujian parameter dengan menggunakan matrik pembobot korelasi silang ada beberapa parameter yang tidak nyata. Hal ini disebabkan oleh nilai p-value >.5. Misalkan untuk peubah Z 1, Z 3, Z 4 semua parameter tidak nyata sehingga model pada daerah tersebut tidak dapat dibentuk.
8 43 Oleh karena itu dapat disimpulkan bahwa pada daerah tersebut jumlah titik api kebakaran hutan tidak dipegaruhi oleh waktu sebelumnya atau daerah lain. Berdasarkan p-value dari masing-masing parameter yang disajikan dalam Tabel 6, parameter yang nyata adalah,, dan. Sehingga berdasarkan parameter-parameter tersebut didapatkan model GSTAR dengan bobot lokasi invers jarak. Tabel 6. Pendugaan parameter dengan pembobot invers jarak Parameter Nilai Pendugaan Galat Baku t-hitung p-value * * * * Keterangan : * parameter yang nyata Berdasarkan nilai pendugaan parameter pada Tabel 6 maka didapatkan model GSTAR dengan bobot lokasi invers jarak pada lampiran 5. Dengan demikian model GSTAR yang diperoleh : Z 2 (t) =.5Z 1 (t-1)+.42z 2 (t-1)+.9z 3 (t-1)+.6z 4 (t-1)+.1z 5 (t-1)+.1z 6 (t-1) Z 5 (t) =.48Z 5 (t-1) Z 6 (t) =.6Z 1 (t-1)+.2z 2 (t-1)+.13z 3 (t-1)+.8z 4 (t-1)+.15z 5 (t-1) Gambar 4 merupakan plot nilai asli data jumlah titik panas kebakaran hutan dan nilai peramalan model GSTAR dengan bobot invers jarak. Dari gambar tersebut dapat dilihat bahwa penerapan masing-masing model pada data asli dengan menggunakan metode peramalan GSTAR (1 1 ) menghasilkan ramalan yang mengikuti pola data asli.
9 44 Time Series Plot of s; w 4 2 Variable s w Jumlah Hotspot waktu ( minggu) Keterangan : s = nilai asli dan w = nilai dugaan Gambar 4. Plot nilai asli dan nilai peramalan model GSTAR dengan bobot invers jarak Pengujian Asumsi Galat Asumsi galat yang harus dipenuhi dalam pengujian ini adalah white noise dan berdistribusi normal. Pengujian dilakukan terhadap model GSTAR yang telah terbentuk dengan bobot lokasi seragam dan bobot lokasi berdasarkan normalisasi korelasi silang antar lokasi pada lag yang sesuai. a. Asumsi White Noise Maksud dari asumsi white noise adalah hasil galat yang bersifat bebas satu sama lain (independen). Pemeriksaan white noise pada penelitian ini dengan menggunakan Ljung and Box test. = ( + 2) ~, = autokorelasi ke-j, = banyak pengamatan = banyak lag yang diuji, = lag maksimum dengan H = galat tidak bebas lawan H 1 = galat bebas. Terima H jika p-value >.5 yang menyatakan bahwa antar galat bebas. b. Asumsi Sebaran Normal Setelah asumsi white noise dipenuhi, maka asumsi berikutnya yang harus dipenuhi adalah galat berdistribusi normal. Hasil pengujian tidak berdistribusi
10 45 normal dari galat korelasi silang dapat dilaht pada Tabel 7. Tabel 7. Nilai Shapiro-Wilk model GSTAR(1 1 ) dengan bobot lokasi invers jarak dan Nilai Bobot korelasi silang Bobot invers jarak Shapiro-wilk W =.5943 W =.5429 Nilai P 4.148e e-16 Pemilihan Model Terbaik Model terbaik adalah model dengan kesalahan ramalan terkecil. Oleh karena itu dilakukan perbandingan hasil ramalan dari tiap-tiap model yang terbentuk. Perbandingan hasil ramalan dilakukan dengan melihat nilai RMSE dari tiap-tiap model dapat dilihat pada Tabel 8. Tabel 8. Nilai RMSE Lokasi Nilai RMSE pembobot dari korelasi silang Nilai RMSE dari pembobot invers jarak Z Z Z Rata-rata nilai RMSE model dengan menggunakan matriks bobot lokasi normalisasi korelasi silang antar lokasi pada lag waktu yang bersesuaian adalah Sedangkan rata-rata nilai RMSE model dengan menggunakan matriks bobot invers jarak adalah Dari nilai RMSE untuk kedua pembobot diatas, dapat diketahui bahwa tingkat ketepatan ramalan untuk model GSTAR(1 1 ) dengan raat-rata RSME yang terkecil terletak pada bobot invers jarak yaitu sebesar Dengan demikian dapat disimpulkan bahwa model terbaik adalah model GSTAR(1 1 ) dengan bobot lokasi lokasi invers jarak.
KAJIAN MODEL REGRESI DIRI RUANG-WAKTU TERAMPAT (Kasus : Data Hotspot Kebakaran Hutan di Riau) RAHMADENI
1 KAJIAN MODEL REGRESI DIRI RUANG-WAKTU TERAMPAT (Kasus : Data Hotspot Kebakaran Hutan di Riau) RAHMADENI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 211 2 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Lebih terperinciBAB I PENDAHULUAN. Data yang mempunyai keterkaitan dengan kejadian-kejadian sebelumnya
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data yang mempunyai keterkaitan dengan kejadian-kejadian sebelumnya seringkali dijumpai dalam kehidupan sehari-hari. Data semacam ini disebut data runtun waktu
Lebih terperinciBAB III GENERALIZED SPACE TIME AUTOREGRESSIVE. Model GSTAR adalah salah satu model yang banyak digunakan untuk
BAB III GENERALIZED SPACE TIME AUTOREGRESSIVE 3.1 Indeks Gini Model GSTAR adalah salah satu model yang banyak digunakan untuk memodelkan dan meramalkan data deret waktu dan lokasi. Model ini merupakan
Lebih terperinciKurniawati, Sri Sulistijowati Handajani, dan Purnami Widyaningsih Program Studi Matematika FMIPA UNS
PERBANDINGAN PENERAPAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE DENGAN PEMBOBOT INVERS JARAK DAN NORMALISASI KORELASI SILANG PADA LAJU INFLASI DI KOTA SURAKARTA, YOGYAKARTA, DAN SURABAYA Kurniawati,
Lebih terperinciBAB II LANDASAN TEORI
perpustakaanunsacid digilibunsacid BAB II LANDASAN TEORI Pada bagian pertama bab kedua ini diberikan tinjuan pustaka yang berisi penelitian sebelumnya yang mendasari penelitian ini Pada bagian kedua bab
Lebih terperinciABSTRAK. Kata kunci: laju inflasi, GSTAR, invers jarak, normalisasi korelasi silang. iii
ABSTRAK Kurniawati. 2016. PERBANDINGAN PENERAPAN MODEL GENERA- LIZED SPACE TIME AUTOREGRESSIVE DENGAN PEMBOBOT INVERS JARAK DAN NORMALISASI KORELASI SILANG PADA LAJU INFLASI KO- TA SURAKARTA, YOGYAKARTA,
Lebih terperinciGenerated by Foxit PDF Creator Foxit Software For evaluation only.
20 TINJAUAN PUSTAKA Titik Panas Menurut Brown dan Davis (1973), kebakaran hutan adalah pembakaran yang tidak terkendali dan terjadi dengan tidak sengaja pada areal tertentu yang kemudian menyebar secara
Lebih terperinciPemodelan Inflasi di Kota Semarang, Yogyakarta, dan Surakarta dengan pendekatan GSTAR
JURNAL SAINS DAN SENI POMITS Vol., No., (0) 7-0 (0-X Prin D-7 Pemodelan Inflasi di Kota Semarang, Yogyakarta, dan Surakarta dengan pendekatan GSTAR Laily Awliatul Faizah dan Setiawan Jurusan Statistika,
Lebih terperinciModel Vector Autoregressive-Generalized Space Time Autoregressive
Model Vector Autoregressive-Generalized Space Time Autoregressive Hilma Mutiara Winata 1), Entit Puspita 2), Fitriani Agustina 3) 1), 2), 3) Departemen Pendidikan Matematika FPMIPA UPI *Surel: hilmamutiarawinata@gmail.com
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
Lebih terperinciHASIL DAN PEMBAHASAN. Eksplorasi Data
5 korelasi diri, dan plot korelasi diri parsial serta uji Augmented Dickey- Fuller b. Identifikasi Model dengan metode Box-Jenkins c. Pemutihan deret input d. Pemutihan deret output berdasarkan hasil pemutihan
Lebih terperinciSKRIPSI JURUSAN STATISTIKA PERAMALAN INDEKS HARGA KONSUMEN 4 KOTA DI JAWA TENGAH MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR)
PERAMALAN INDEKS HARGA KONSUMEN 4 KOTA DI JAWA TENGAH MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SKRIPSI Disusun Oleh : LINA IRAWATI NIM : 24010211140072 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciPENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH Tri Mulyaningsih ), Budi Nurani R ), Soemartini 3) ) Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran
Lebih terperinciPERAMALAN DEBIT AIR SUNGAI BRANTAS DENGAN MODEL GSTAR DAN ARIMA. Abstrak
PERAMALAN DEBIT AIR SUNGAI BRANTAS DENGAN MODEL GSTAR DAN ARIMA Oleh: Henny Dwi Khoirun Nisa 25 44 Dosen Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPEMODELAN INFLASI DI KOTA SEMARANG, YOGYAKARTA, DAN SURAKARTA DENGAN PENDEKATAN GSTAR. Oleh : Laily Awliatul Faizah ( )
Seminar Hasil Tugas Akhir PEMODELAN INFLASI DI KOTA SEMARANG, YOGYAKARTA, DAN SURAKARTA DENGAN PENDEKATAN GSTAR Oleh : Laily Awliatul Faizah (357) Dosen Pembimbing : Dr. Ir. Setiawan, MS. Jurusan Statistika
Lebih terperinciBAB 2 LANDASAN TEORI Pengertian Data Deret Berkala
BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian
Lebih terperincioleh KURNIAWATI M
PERBANDINGAN PENERAPAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE DENGAN PEMBOBOT INVERS JARAK DAN NORMALISASI KORELASI SILANG PADA LAJU INFLASI KOTA SURAKARTA, YOGYAKARTA, DAN SURABAYA oleh KURNIAWATI
Lebih terperinciSBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n
SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi
Lebih terperinciProgram Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret Surakarta 1.
MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE INTEGRATED DENGAN PEMBOBOT NORMALISASI KORELASI SILANG PADA PERKEMBANGAN ASET BPR DI PROVINSI JAWA BARAT, JAWA TENGAH, DAN JAWA TIMUR Susi Susanti ), Sri Sulistijowati
Lebih terperinciMetode Box - Jenkins (ARIMA)
Metode Box - Jenkins (ARIMA) Metode peramalan saat ini cukup banyak dengan berbagai kelebihan masing-masing. kelebihan ini bisa mencakup variabel yang digunakan dan jenis data time seriesnya. nah, dalam
Lebih terperinciPERAMALAN OUTFLOW UANG KARTAL DI BANK INDONESIA WILAYAH JAWA TENGAH DENGAN METODE GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman 351-360 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN OUTFLOW UANG KARTAL DI BANK INDONESIA WILAYAH JAWA
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 593-602 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN SEASONAL GENERALIZED SPACE TIME AUTOREGRESSIVE (SGSTAR)
Lebih terperinciIII METODE PENELITIAN
18 III METODE PENELITIAN 3.1. Kerangka Pemikiran Mengetahui kointegrasi pada setiap produk adalah salah satu permasalahan yang perlu dikaji dan diteliti oleh perusahaan. Dengan melihat kointegrasi produk,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Berdasarkan sifatnya peramalan terbagi atas dua yaitu peramalan kualitatif dan peramalan kuantitatif. Metode kuantitatif terbagi atas dua yaitu analisis deret berkala
Lebih terperinciPEMODELAN GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SEASONAL PADA DATA JUMLAH WISATAWAN MANCANEGARA EMPAT KABUPATEN/KOTA DI JAWA TENGAH
PEMODELAN GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SEASONAL PADA DATA JUMLAH WISATAWAN MANCANEGARA EMPAT KABUPATEN/KOTA DI JAWA TENGAH SKRIPSI Disusun oleh: RONNY GUSNADI 24010211140083 JURUSAN STATISTIKA
Lebih terperinciBAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT
BAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT Model fungsi transfer multivariat merupakan gabungan dari model ARIMA univariat dan analisis regresi berganda, sehingga menjadi suatu model yang mencampurkan pendekatan
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Lebih terperinciPEMODELAN SEASONAL GENERALIZED SPACE TIME AUTOREGRESSIVE
PEMODELAN SEASONAL GENERALIZED SPACE TIME AUTOREGRESSIVE (SGSTAR) (Studi Kasus: Produksi Padi di Kabupaten Demak, Kabupaten Boyolali, dan Kabupaten Grobogan) SKRIPSI DisusunOleh: AISHA SHALIHA MANSOER
Lebih terperinciPEMODELAN GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SEASONAL PADA DATA JUMLAH WISATAWAN MANCANEGARA EMPAT KABUPATEN/KOTA DI JAWA TENGAH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 1017-1026 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SEASONAL
Lebih terperinciHASIL DAN PEMBAHASAN Eksplorasi Data Suhu Udara Rata-rata
suhu 18 20 22 24 26 28 30 32 ragam, maka dilakukan transformasi Box-Cox. d. Mengidentifikasi model. Dalam tahap ini akan didapat model-model sementara, dengan melihat plot ACF dan PACF. e. Pendugaan parameter
Lebih terperinciBAB III METODE PENELITIAN. merupakan suatu proses, mencari kebenaran dan menghasilkan kebenaran.
BAB III METODE PENELITIAN 3.1 Jenis / Pendekatan Penelitian Penelitian dan ilmu pengetahuan mempunyai kaitan yang erat keduanya merupakan suatu proses, mencari kebenaran dan menghasilkan kebenaran. Penelitian
Lebih terperinciBAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER
21 BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 3.1 Model Variasi Kalender Liu (Kamil 2010: 10) menjelaskan bahwa untuk data runtun waktu yang mengandung efek variasi kalender, dituliskan pada persamaan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciModel Generalized Space Time Autoregressive (GSTAR) dengan Analisis Data Menggunakan Software R
Model Generalized Space Time Autoregressive (GSTAR) dengan Analisis Data Menggunakan Software R Yulianti Talungke 1, Nelson Nainggolan 2, Djoni Hatidja 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado,
Lebih terperinciPemodelan ARIMA Non- Musim Musi am
Pemodelan ARIMA Non- Musimam ARIMA ARIMA(Auto Regresif Integrated Moving Average) merupakan suatu metode analisis runtun waktu(time series) ARIMA(p,d,q) Dengan AR : p =orde dari proses autoreggresif I
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Pada bab ini disajikan deskripsi data, k-means clustering, uji stasioneritas data masing-masing cluster, orde model VAR, model VAR-GSTAR dengan pembobot normalisasi korelasi
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),
BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), prosedur pembentukan model Vector Error Correction (VEC), dan aplikasi model Vector Error Correction (VEC) pada penutupan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciBAB II KAJIAN PUSTAKA. dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat
BAB II KAJIAN PUSTAKA 2.1 Konsep Dasar Runtun Waktu Data runtun waktu (time series) merupakan data yang dikumpulkan, dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat berupa
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perusahaan merupakan suatu badan hukum yang memiliki suatu tujuan yang ingin dicapai salah satunya yaitu mendapatkan keuntungan. Untuk mencapai
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciAPLIKASI GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) PADA PEMODELAN VOLUME KENDARAAN MASUK TOL SEMARANG. Abstract
Aplikasi Generalized (Dian Anggraeni) APLIKASI GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) PADA PEMODELAN VOLUME KENDARAAN MASUK TOL SEMARANG Dian Anggraeni 1, Alan Prahutama 2, Shofi Andari 3 1 Staf
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
Lebih terperinciPeramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer
Peramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer 1 Faridah Yuliani dan 2 Dr. rer pol Heri Kuswanto 1,2 Jurusan Statistika
Lebih terperinciPERAMALAN PASANG SURUT AIR LAUT DI PULAU JAWA MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR)
PERAMALAN PASANG SURUT AIR LAUT DI PULAU JAWA MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) (Studi Kasus : Ketinggian Pasang Surut Air Laut di Stasiun Pasang Surut Jakarta, Cirebon, Semarang
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian dilakukan di Pasar Bunga Rawabelong, Jakarta Barat yang merupakan Unit Pelaksana Teknis (UPT) Pusat Promosi dan Pemasaran Holtikultura
Lebih terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinciContoh Analisis Deret Waktu: BJSales (Revisi)
Contoh Analisis Deret Waktu: BJSales (Revisi) Untuk contoh analisis deret waktu ini, kita menggunakan data BJsales. Data ini adalah data tahunan dan dapat dengan mengetikkan BJsales pada konsul R. 1 Plot
Lebih terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih terperinciPERAMALAN OUTFLOW UANG KARTAL DI BANK INDONESIA WILAYAH JAWA TENGAH DENGAN METODE GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR)
PERAMALAN OUTFLOW UANG KARTAL DI BANK INDONESIA WILAYAH JAWA TENGAH DENGAN METODE GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) SKRIPSI Disusun Oleh : AUKHAL MAULA FINA NIM. 24010212120014 DEPARTEMEN STATISTIKA
Lebih terperinciContoh Analisis Deret Waktu: BJSales
Contoh Analisis Deret Waktu: BJSales Untuk contoh analisis deret waktu ini, kita menggunakan data BJsales. Data ini adalah data tahunan dan dapat dengan mengetikkan BJsales pada konsul R. 1 Plot Data Plot
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciBAB III PEMBAHARUAN PERAMALAN. Pada bab ini akan dibahas tentang proses pembaharuan peramalan.
BAB III PEMBAHARUAN PERAMALAN Pada bab ini akan dibahas tentang proses pembaharuan peramalan. Sebelum dilakukan proses pembaharuan peramalan, terlebih dahulu dilakukan proses peramalan dan uji kestabilitasan
Lebih terperinciMetode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api
Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Efek Variasi Kalender dengan Pendekatan Regresi Time Series Nur Ajizah 1, Resa Septiani Pontoh 2, Toni Toharudin 3 Mahasiswa Program
Lebih terperinciPERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT
PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG LOGO DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT Oleh : Ary Miftakhul Huda (1309 100 061) Dosen Pembimbing : Dr.rer.pol.
Lebih terperinciMETODE PENELITIAN Kerangka Pemikiran
20 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran dalam penelitian dapat dijadikan landasan dalam setiap tahap penelitian. Salah satu tujuan dari penelitian ini adalah mengetahui metode
Lebih terperinciBAB 2 LANDASAN TEORI. Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan datang. Peramalan adalah proses untuk memperkirakan kebutuhan di masa datang
Lebih terperinciBAB II TINJAUAN PUSTAKA. keuntungan atau coumpouding. Dari definisi di atas dapat disimpulkan bahwa
BAB II TINJAUAN PUSTAKA 2.1 Pengertian Investasi Menurut Fahmi dan Hadi (2009) investasi merupakan suatu bentuk pengelolaan dana guna memberikan keuntungan dengan cara menempatkan dana tersebut pada alokasi
Lebih terperinci3. METODE PENELITIAN 3.1. Kerangka Pemikiran
3. METODE PENELITIAN 3.1. Kerangka Pemikiran Pengembangan bahan bakar alternatif untuk menjawab isu berkurangnya bahan bakar fosil akan meningkatkan permintaan terhadap bahan bakar alternatif, dimana salah
Lebih terperinciPERBANDINGAN MODEL STAR DAN GSTAR UNTUK PERAMALAN INFLASI DUMAI, PEKANBARU, DAN BATAM
PERBANDINGAN MODEL STAR DAN GSTAR UNTUK PERAMALAN INFLASI DUMAI, PEKANBARU, DAN BATAM Gama Putra Danu Sohibien Jurusan Statistika, Sekolah Tinggi Ilmu Statistik Jakarta Email : gamaputra@stis.ac.id ABSTRAK
Lebih terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciADLN PERPUSTAKAAN UNIVERSITAS AIRLANGGA
PEMODELAN NILAI INFLASI KOTA SURABAYA, MALANG DAN KEDIRI BERDASARKAN PENDEKATAN GENERALIZED SPACE TIME AUTOREGRESSIVE SKRIPSI MUHINDRO ASRIONO PROGRAM STUDI S-1 STATISTIKA DEPARTEMEN MATEMATIKA FAKULTAS
Lebih terperinciPresented by: Sri Sulistijowati Desy Lusiyanti Hot Bonar
Presented by: Sri Sulistijowati Desy Lusiyanti Hot Bonar PENDAHULUAN Data deret waktu adalah proses stokastik Proses Stokastik adalah barisan variabel yaitu rangkaian data yang acak yang diberi urutan
Lebih terperinciPERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)
PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada
Lebih terperinciHASIL DAN PEMBAHASAN. Analisis data dilakukan dengan menggunakan Software Eviews Versi 4.1 dan Microsoft Office Excel Gambar 2 Plot IHSG.
kointegrasi lebih besar dari nol maka model yang digunakan adalah VECM (Enders, 1995). 4. Analisis model VAR, VARD atau VECM. 5. Interpretasi terhadap model. 6. Uji kelayakan model. 7. Pengkajian fungsi
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN 4 KOTA DI JAWA TENGAH MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 553-562 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN INDEKS HARGA KONSUMEN 4 KOTA DI JAWA TENGAH MENGGUNAKAN
Lebih terperinciModel Generalized Space Time Autoregressive
Model Generalized Space Time Autoregressive (GSTAR) Orde 1 dan Penerapannya pada Prediksi Harga Beras di Kota Bitung, Kabupaten Minahasa dan Kabupaten Minahasa Selatan 1 Youla M. A. Latupeirissa, 2 Nelson
Lebih terperinciProsiding Seminar Nasional MIPA 2016
Peramalan Jumlah Penumpang Kereta Api Lodaya Jurusan Bandung-Solo Menggunakan Model Reg-ARIMA Dengan Variasi Kalender (Studi Kasus: PT. Kereta Api Indonesia) Dyah Puspita Sari*, Gumgum Darmawan, Soemartini
Lebih terperinciMetode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data. Identifikasi model ARCH
6 Metode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data Identifikasi model ARCH Pendugaan parameter dan pemilihan model ARCH/GARCH Uji pengaruh asimetrik
Lebih terperinciIII. METODE PENELITIAN
15 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perkembangan ekonomi dan bisnis dewasa ini semakin cepat dan pesat. Bisnis dan usaha yang semakin berkembang ini ditandai dengan semakin banyaknya
Lebih terperinciTugas Akhir. Peramalan Penjualan Produk Minuman TB Wilayah Pemasaran Jawa Timur dengan Menggunakan Metode VARIMA. Oleh : C. Ade Kurniawan
Tugas Akhir Peramalan Penjualan Produk Minuman TB Wilayah Pemasaran Jawa Timur dengan Menggunakan Metode VARIMA Oleh : C. Ade Kurniawan 1304100022 Latar Belakang Ketidakpastian dalam aliran hulu supply
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Peramalan pada dasarnya merupakan proses menyusun informasi tentang kejadian masa lampau yang berurutan untuk menduga kejadian di masa depan (Frechtling, 2001:
Lebih terperinci4 MODEL VECTOR AUTOREGRESSIVE EXOGENOUS (VARX)
4 MODEL VECTOR AUTOREGRESSIVE EXOGENOUS (VARX) Pendahuluan Beberapa penelitian curah hujan dengan satu lokasi curah hujan (tunggal) dengan model ARIMA telah dilakukan, di antaranya oleh Mauluddiyanto (2008)
Lebih terperinciPERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciAnalisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus
Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia Oleh : Pomi Kartin Yunus 1306030040 Latar Belakang Industri manufaktur yang berkembang pesat
Lebih terperinciPERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL
E-Jurnal Matematika Vol. 5 (4), November 2016, pp. 183-193 ISSN: 2303-1751 PERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL Ni Putu Mirah Sri Wahyuni 1, I Wayan Sumarjaya 2, I Gusti Ayu Made
Lebih terperinciMA(q) AR(p) MA(q) jika ACF cuts off lebih tajam, AR(p) jika PACF cuts off lebih tajam ARMA(0,0)
LAMPIRAN ACF 0.0 0.2 0.4 0.6 0.8 1.0 Lampiran 1. Tabel penentuan Nilai Ordo Pada Proses ARIMA Berdasarkan Plot ACF dan PACF No Kemungkinan plot ACF dan PACF Model ARIMA 1 ACF nyata pada ke-1,2,3,...,q
Lebih terperinciBAB III METODE PENELITIAN. 3.1 Unit Analisis dan Ruang Lingkup Penelitian. yang berupa data deret waktu harga saham, yaitu data harian harga saham
32 BAB III METODE PENELITIAN 3.1 Unit Analisis dan Ruang Lingkup Penelitian 3.1.1. Objek Penelitian Objek sampel data dalam penelitian ini menggunakan data sekunder yang berupa data deret waktu harga saham,
Lebih terperinciBAB III METODE PENELITIAN
45 BAB III METODE PENELITIAN 3.1. Kerangka Pemikiran Untuk menggambarkan bagaimana pengaruh capital gain IHSG dengan pergerakan yield obligasi pemerintah dan pengaruh tingkat suku bunga terhadap IHSG dan
Lebih terperinciSISTEM PREDIKSI HARGA CENGKEH DI JAWA BARAT MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE
SISTEM PREDIKSI HARGA CENGKEH DI JAWA BARAT MENGGUNAKAN MODEL GENERALIZED SPACE TIME AUTOREGRESSIVE Hari Fajri Setiawan 1), Gunawan Abdillah 2), Agus Komarudin 3) Program Studi Informatika, Fakultas Matematika
Lebih terperinciHASIL DAN PEMBAHASAN
18 HASIL DAN PEMBAHASAN Eksplorasi data Tahap pertama dalam pembentukan model VAR adalah melakukan eksplorasi data untuk melihat perilaku data dari semua peubah yang akan dimasukkan dalam model. Eksplorasi
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS Oleh : Agustini Tripena ABSTRACT In this paper, forecasting the consumer price index data and inflation. The method
Lebih terperinciMetode Deret Berkala Box Jenkins
METODE BOX JENKINS Metode Deret Berkala Box Jenkins Suatu metode peramalan yang sistematis, yang tidak mengasumsikan suatu model tertentu, tetapi menganalisa deret berkala sehingga diperoleh suatu model
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih terperinciPemodelan Fungsi Transfer Multi Input
Jurnal Informatika Mulawarman Vol 4 No. Juli 9 8 Pemodelan Fungsi Transfer Multi Input M. Fathurahman *) Program Studi Statistika, FMIPA Universitas Mulawarman Jl. Barong Tongkok no.5 Kampus Unmul Gn.
Lebih terperinci1 Novita Dya Gumanti, 2 Sutikno, 3 Setiawan
PENERAPAN METODE GSTAR DENGAN PENDEKATAN SPATIO-TEMPORAL UNTUK MEMODELKAN KEJADIAN DEMAM BERDARAH (STUDI KASUS: JUMLAH PENDERITA DEMAM BERDARAH DI KOTA SURABAYA) Novita Dya Gumanti, Sutikno, Setiawan Mahasiswa
Lebih terperinciPENERAPAN MODEL GENERALIZED SPACE TIME PADA DATA HARGA GULA PASIR DI PULAU JAWA SUCI DARAPUTRI
1 PENERAPAN MODEL GENERALIZED SPACE TIME PADA DATA HARGA GULA PASIR DI PULAU JAWA SUCI DARAPUTRI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
Lebih terperinciPemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input
Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input Oleh : Defi Rachmawati 1311 105 007 Dosen Pembimbing :
Lebih terperinciPeramalan merupakan alat bantu yang penting dalam penyusunan rencana yang efektif dan efisien. Pada
Estimasi Parameter Autoregressive Integrated Moving Average (ARIMA) Menggunakan Algoritma Particle Swarm Optimization (PSO) (Studi Kasus: Peramalan Curah Hujan DAS Brangkal, Mojokerto) Meytaliana Factmawati,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-300
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (203) 233-20 (230-9X Print) D-300 Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R- dengan Metode Fungsi Transfer
Lebih terperinciIV. HASIL DAN PEMBAHASAN
9 menguji kelayakan model sehingga model sementara tersebut cukup memadai. Salah satu caranya adalah dengan menganalisis galat (residual). Galat merupakan selisih antara data observasi dengan data hasil
Lebih terperinciPERBANDINGAN HASIL ESTIMASI PARAMETER GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) DENGAN VARIABEL EKSOGEN BERTIPE METRIK
PERBANDINGAN HASIL ESTIMASI PARAMETER GENERALIZED SPACE TIME AUTOREGRESSIVE (GSTAR) DENGAN VARIABEL EKSOGEN BERTIPE METRIK Reza Mubarak ) dan Suhartono ) ) Program Pasca Sarjana Jurusan Statistika, Institut
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciPERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA
Jurnal UJMC, Volume 2, Nomor 1, Hal. 28-35 pissn : 2460-3333 eissn: 2579-907X PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA Novita Eka Chandra 1 dan Sarinem 2 1 Universitas
Lebih terperinci