HASIL DAN PEMBAHASAN. Statistika grafik meliputi Histogram Boxplot Diagram batang Diagram kue
|
|
- Siska Hartanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 5. Operasi dan pemeliharaan Tahap ini merupakan tahap akhir dari keseluruhan proses pembangunan sistem suatu perangkat lunak. Perangkat lunak yang telah selesai dalam pembuatannya kemudian mulai dijalankan ke pengguna yang sesuai dengan ruang lingkup dari perangkat lunak tersebut. Pemeliharaan bertujuan menjaga agar perangkat lunak selalu berjalan dengan baik dan memperbaiki kesalahan yang muncul setelah perangkat lunak sudah sampai ke tangan pengguna. Pada tahap ini keseluruhan dokumentasi dari sistem juga dilakukan, mulai dari cara kerja perangkat lunak sampai kebutuhan dan penjelasan perangkat lunak. HASIL DAN PEMBAHASAN Kebutuhan Sistem Analisis deret waktu merupakan salah satu analisis statistika yang banyak digunakan terutama dalam bidang ekonomi, sehingga diperlukan pengembangan untuk mendapatkan perangkat lunak statistika untuk analisis deret waktu yang memiliki tampilan antarmuka yang mudah digunakan. Paket R yang dikembangkan diberi nama Pradewa yang menyediakan tampilan antarmuka pengguna bagi praktisi. Pradewa juga menyediakan fungsi statistika dasar yang meliputi statistika deskriptif dan statistika grafik. Statistika deskriptif sendiri meliputi fungsi: Jumlah amatan (N) Nilai minimum (Min) Nilai maksimum (Max) Kuartil pertama (Q1) Median (Q2) Kuartil ketiga (Q3) Rataan Ragam Simpangan baku Galat baku Koefisien keragaman Rataan terpangkas Jangkauan Kemenjuluran Kurtosis Frekuensi Statistika grafik meliputi Histogram Boxplot Diagram batang Diagram kue sedangkan untuk analisis deret waktu sendiri meliputi: Plot deret waktu Plot ACF Plot PACF Pembedaan Rataan bergerak tunggal Pemulusan eksponensial tunggal Pemulusan eksponensial ganda Metode pemulusan winter untuk data musiman ARIMA Kebutuhan dasar lain yang harus tersedia untuk menjalankan Pradewa adalah beberapa paket lain seperti tcltk, tkrplot, tseries, dan xlsreadwrite. Paket tcltk digunakan untuk membuat tampilan antarmuka pengguna. Paket tkrplot digunakan untuk membuat tampilan antarmuka untuk grafik. Paket xlsreadwrite digunakan untuk mengimpor dan mengekspor data dari dan ke file Excel Paket tseries berguna untuk pengujian sisaan pada model yaitu uji runtunan. Analisis Perancangan Sistem Tahap awal perancangan sistem ialah dengan pembuatan diagram aliran data. Diagram aliran data ialah alat perancangan sistem yang berorientasi pada alur data dengan konsep dekomposisi dapat digunakan untuk penggambaran analisis maupun rancangan sistem yg mudah dikomunikasikan oleh profesional sistem kepada pemakai maupun pembuat program. Diagram aliran data dibuat mulai dari level yang paling rendah sampai dengan level terakhir sampai tidak bisa didekomposisi lagi. a. Diagram alir data level 0 (Lampiran 1) Pradewa memungkinkan pengguna memasukkan data ke sistem dan menerima hasil pengolahan data tersebut yang ditampilkan ke monitor, disimpan dalam bentuk file, dan dicetak. b. Diagram alir data level 1 (Lampiran 2) Diagram Aliran Data Level 1 merupakan diagram aliran data secara keseluruhan dari empat karya ilmiah lainnya yang merupakan satu-kesatuan. Proses yang ada dalam Pradewa hanya menjalankan statistika dasar (proses 2), statistika grafik (proses 3), dan analisis deret waktu (proses 6). Ketiga proses utama dalam Pradewa dimulai dari pengguna yang memasukkan data. Kemudian terdapat proses manajemen data sebelum masuk ke fungsi
2 statistika dasar, statistika grafik, dan analisis deret waktu yang kemudian ke fungsi cetak output. c. Diagram alir data level 2 Proses statistika dasar didekomposisi lagi menjadi proses yang lebih rinci pada diagram aliran data level 2 yang dapat dilihat pada Lampiran 3, yaitu proses menghitung rataan, galat baku, simpangan baku, ragam, koefisien keragaman, rataan terpangkas, nilai minimum, nilai maksimum, jangkauan, kuartil pertama, median, kuartil ketiga, kurtosis, kemenjulran, banyak amatan, dan frekuensi. Statistika grafik didekomposisi juga menjadi histogram, boxplot, dotchart, piechart, dan barplot seperti dapat dilihat pada Lampiran 4. Pada Lampiran 5 dapat dilihat bahwa proses analisis deret waktu didekomposisi lagi menjadi proses pembedaan, rataan bergerak, pemulusan eksponensial tunggal, pemulusan eksponensial ganda, metode Winter s untuk data musiman, dan ARIMA. d. Diagram alir data level 3 Proses hitung ARIMA didekomposisi menjadi beberapa proses pada Lampiran 6 yaitu: pemodelan ARIMA, hitung sisaan, dan uji asumsi. Data yang masuk dalam pemodelan ARIMA selanjutnya akan dihitung sisaannya, selanjutnya sisaan akan masuk ke proses uji asumsi. Uji asumsi kenormalan dihitung menggunakan uji Shapiro-Wilk, sedangkan uji kebebasan sisaan menggunakan pendekatan uji Runtunan yang dapat dilihat pada Lampiran 7. Implementasi Sistem Implementasi sistem menggunakan perangkat lunak R dan paket tcltk untuk tampilan antar muka. Selain itu, dibutuhkan juga paket tambahan lainnya yang mendukung (tseries, dan xlsreadwrite). Pradewa (Paket R Anlisis Deret Waktu) tersusun oleh pilihan menu di bagian atas dan jendela hasil di bawah menu untuk menampilkan output. Menu Pradewa terdiri dari empat menu utama yaitu Menu File, Menu Data, Menu Statistika, dan Menu Bantuan. Tampilan awal Pradewa dapat dilihat pada Lampiran 8. Menu File Menu File terdiri dari dua fungsi utama yaitu: 1. Fungsi Simpan Hasil untuk menyimpan hasil perhitungan 2. Fungsi Keluar untuk keluar dari Pradewa. Fungsi Simpan Hasil menyimpan hasil yang terdapat pada jendela hasil dalam bentuk teks dengan ekstensi *.txt. Selain itu, hasil dapat juga disimpan dengan ekstensi *.doc atau *.docx. Menu Data Menu data merupakan menu untuk memasukkan dan mencetak data. Fungsifungsi dalam Pradewa akan berjalan jika data sudah dimasukkan baik melalui input manual atau impor data. Menu ini terdiri dari lima fungsi, yaitu: 1. Buat Dataset Baru Fungsi ini digunakan untuk memasukan data ke dalam sistem secara manual. Data akan tersimpan dalam dataframe baru yang diberi nama Data. Pradewa hanya mampu menggunakan satu dataset aktif. 2. Impor Dataset Fungsi ini digunakan untuk mengimpor data dengan format *.xls (Ms. Excel 2003). File Ms. Excel 2003 yang akan diimpor telah berisi data pada Sheet1 dengan format nama peubah berada di baris pertama diikuti dengan data di baris berikutnya. 3. Impor CSV Fungsi ini digunakan untuk mengimpor data dengan format *.csv. 4. Ekspor Dataset Fungsi ini digunakan untuk mengekspor data dengan format *.xls (Ms. Excel 2003). 5. Ekspor CSV Fungsi ini digunakan untuk mengekspor data dengan format *.csv. 6. Lihat Dataset Fungsi ini digunakan untuk melihat data yang sudah dimasukkan baik melalui input manual atau impor data pada jendela baru. 7. Cetak Dataset Fungsi ini digunakan untuk mencetak data yang tersimpan pada jendela hasil. 8. Edit Dataset Fungsi ini digunakan untuk mengedit data yang sudah dimasukkan ke sistem atau menambahkan data pada dataset. Menu Statistika Menu Statistika ialah menu utama dalam Pradewa yang berisi perhitungan-perhitungan Statistika. Menu ini terdiri dari dua submenu yaitu menu Statistika Dasar dan menu Analisis Deret Waktu.
3 A. Statistika Dasar Submenu Statistika Dasar terdiri dari dua fungsi yaitu: 1. Statistik Deskriptif Numerik Fungsi ini digunakan untuk menghitung besarnya nilai statistik deskriptif numerik dan statistik grafik. Hasil keluaran untuk statistik deskriptif akan muncul pada jendela hasil. Tampilan untuk fungsi ini dapat dilihat pada Lampiran 9. Sintaks R yang digunakan pada perhitungan pada statistik deskriptif numerik adalah : Rataan: Mean(x) Galat baku: seofmean<-function(x) { w<-var(x) a<-length(x) e<-w/a se<-sqrt(e) out<-list(galat.baku=se) return(out) Simpangan baku: sd(x) Ragam: var(x) Koefisien keragaman: coef<-function (x) { ra<-mean(x) stn<-sd(x) res<-stn/ra f<return(f) Rataan terpangkas: Mean (x,trim=0.05) Nilai minimum: min(x) Nilai maksimum: max(x) Jangkauan: rangef<-function(x) { maxi<-which.max(x) mini<-which.min(x) hsl<-maxi-mini return(h) Kuartil pertama: quantile(x, probs=0.25) Median: quantile(x, probs=0.5) Kuartil ketiga: quantile(x, probs=0.75) Kemenjuluran: skw<-function(x){ w<-length(x) w1<-w-1 w2<-w-2 a<-sd(x) b<-mean(x) k=0 for(i in 1:w) {j<-((x[i]-mean(x))/sd(x))^3 k=k+j r1<-w1*w2 r2<-w/r1 hsl<-r2*j return(skewf) Jumlah amatan: length(x) Kurtosis: kurt<-function(x) { p<-length(x) p1<-length(x)+1 p2<-length(x)-1 p3<-length(x)-2 p4<-length(x)-3 k=0 for(i in 1:p) {j<-((x[i]-mean(x))/sd(x))^4 k=k+j a<-p*p1 a1<-p2*p3*p4 s<-a/a1 a3<-p2^2 a4<-3*a3 a5<-p3*p4 l<-a4/a5 an<-(s*k)-l return(kur) Sedangkan untuk statistik grafik sintaks R yang digunakan adalah: Histogram: Hist(x) Histogram (skala pengukuran dalam persen): Hist(x,scale= percent ) Histogram (skala pengukuran dalam peluang) Hist(x,scale= density ) Boxplot boxplot(x) Piechart pie(x) Barplot barplot(x) 2. Statistik Deskriptif Kategorik Fungsi ini untuk menghitung banyaknya frekuensi amatan dari suatu peubah. Tampilan untuk fungsi ini dapat dilihat pada Lampiran 10. Sintaks R yang digunakan adalah: table(x) B. Analisis Deret Waktu Submenu analisis deret waktu memiliki tiga fungsi yang keluarannya berupa plot, yaitu plot deret waktu, plot ACF, dan plot PACF. Fungsi lainnya selain menghasilkan
4 keluaran dalam bentuk plot, juga menghasilkan keluaran analisis dalam jendela hasil Pradewa. Fungsi-fungsi yang terdapat pada submenu analisis deret waktu adalah: 1. Plot deret waktu Fungsi ini mengeluarkan plot deret waktu dari peubah yang dimasukkan, tampilan untuk fungsi ini dapat dilihat pada Lampiran 11. Sintaks R untuk fungsi ini adalah: ts.plot(x) 2. Plot ACF Fungsi ini mengeluarkan plot ACF dari peubah yang dimasukkan, tampilan untuk fungsi ini dapat dilihat pada Lampiran 12. Sintaks R untuk fungsi ini adalah: acf(x) 3. Plot PACF Fungsi ini megeluarkan plot PACF dari peubah yang dipilih, tampilan dari fungsi ini dapat dilihat pada Lampiran 13. Sintaks R yang digunakan untuk fungsi ini adalah: pacf(x) 4. Pembedaan Fungsi ini mengeluarkan hasil pembedaan yang akan muncul pada dataset, pada fungsi ini juga langsung dikeluarkan plot deret waktu untuk hasil pembedaan. Tampilan untuk fungsi ini tersaji pada Lampiran 14, sedangkan sintaks r yang digunakan untuk fungsi ini: diff(x,lag=var1) 5. Rataan Bergerak Tunggal Fungsi rataan bergerak tunggal mengeluarkan hasil pemulusan rataan bergerak pada jendela hasil Pradewa dan menghasilkan plot antara data awal dan rataan bergerak tunggal. Tampilan fungsi ini dapat dilihat pada Lampiran 15. Sintaks R untuk fungsi ini adalah: mo<-function(input,x){ l1<-length(input) l2<-l1-x+1 b<-0 as.vector(b) k=1 for(i in 1:l2) { a=0 v<-k+x-1 for(j in k:v) { a=input[j]+a k=k+1 b[i]=a/x assign("b",b,envir=.globalenv) moving<-list (rataan_bergerak=b) assign ("moving", moving,envir=.globalenv) return(moving) 6. Pemulusan Eksponensial tunggal Fungsi pemulusan eksponensial tunggal menghasilkan plot pemulusan serta parameter pemulusan pada jendela Pradewa. Parameter pemulusan juga dapat diduga melelui fungsi ini tanpa harus ada parameter pemulusan masukkan. Pengguna dapat memperoleh pendugaan parameter pemulusan dengan cara mengosongi masukkan parameter pemulusan. Fungsi ini juga dapat menghasilkan ramalan amatan bagi peubah masukkan. Peubah masukkan harus beratribut class ts. Tampilan untuk fungsi ini dapat dilihat pada Lampiran 16, dan sintaks R untuk fungsi ini adalah: HoltWinters (x1,alpha=var1, beta=0,gamma = 0) untuk ramalan: Winters.fnc<-HoltWinters (x1,alpha=var1, beta=0,gamma = 0) predict (Winters.fnc, n.ahead=var3) 7. Pemulusan Eksponensial Ganda Pemulusan eksponensial ganda memiliki keluaran serta kebutuhan yang sama dengan pemulusan eksponensial tunggal, dimana data harus memiliki class ts dan pendugaan parameter dapat dilakukan dengan mengosongi masukkan parameter pemulusan. Tampilan untuk fungsi ini dapat dilihat pada Lampiran 17, sedangkan sintaks R untuk fungsi ini: HoltWinters (x1,alpha=var1, beta=var2,gamma = 0) untuk ramalan: Winters.fnc<- HoltWinters(x1, alpha=var1, beta=var2,gamma = 0) predict(winters.fnc, n.ahead=var3) 8. Metode Winter s untuk Data Musiman Fungsi ini juga memiliki kebutuhan dan keluaran yang sama seperti pemulusan eksponensial tunggal maupun ganda, tetapi tipe data membutuhkan informasi panjang musiman. Tampilan untuk fungsi metode Winter s dapat dilihat pada lampiran 18. Sintaks R untuk metode Winter s adalah: untuk data musiman yang aditif: HoltWinters(x1, alpha = var1,beta = var2, gamma=var3,
5 seasonal= additive ) untuk data musiman yang multiplikatif: HoltWinters (x1,alpha = var1, beta = var2, gamma =var3,seasonal= multiplicative ) untuk ramalan: Winters.fnc<- HoltWinters(x1,alpha = var1, beta = var2, gamma =var3,seasonal= additive ) predict(winters.fnc,n.ahead= var4) atau Winters.fnc<- HoltWinters(x1,alpha = var1, beta = var2, gamma =var3,seasonal = multiplicative )predict (Winters.fnc,n.ahead=var4) 9. ARIMA Fungsi ini digunakan untuk pemodelan ARIMA pada peubah masukkan. Keluaran yang dihasilkan pada jendela hasil Pradewa adalah plot pemodelan ARIMA (plot antara dugaan pemodelan dengan data masukkan), sisaan, nilai duga, plotplot sisaan (histogram sisaan, plot kenormalan, plot sisaan dengan dugaan respons, dan plot sisaan dengan urutan waktu), nilai ramalan, uji kenormalan sisaan Shapiro-Wilk, uji Runtunan untuk kebebasan sisaan dan hasil analisis pendugaan parameter ARIMA. Tampilan untuk fungsi ini sendiri dapat dilihat pada Lampiran 19 Sintaks R untuk pemodelan dengan menyertakan intersep: arima(x1,order=c(var1,var2, var3), include.mean=true) sisaan(model dengan intersep): residuals(arima(x1,order= c(var1,var2,var3),include.mean =TRUE)) nilai duga (model dengan intersep) sisa<-residuals(arima(x1, order = c(var1,var2,var3), include.mean= TRUE)) duga<-sisa+var1 Uji Shapiro-Wilk shapiro.test(sisa) Uji Runtunan Runs.test(sisa) Sintaks R untuk pemodelan dengan tidak menyertakan intersep: arima(x1,order=c(var1, var2,var3),include.mean= FALSE) sisaan(model dengan intersep): residuals(arima(x1,order =c(var1,var2,var3), include.mean=false)) nilai duga (model dengan intersep) sisa<-residuals (arima(x1,order=c(var1, var2,var3),include.mean =FALSE)) duga<-sisa+var1 Uji Shapiro-Wilk shapiro.test(sisa) Uji Runtunan Runs.test(sisa) Menu Bantuan Menu ini digunakan untuk memberikan informasi terhadap penggunaan Pradewa. Menu ini terdiri dari dua fungsi yaitu: 1. Bantuan Pradewa Fungsi ini berisi tentang dokumentasi penggunaan Pradewa. 2. Tentang Pradewa Fungsi ini berisi informasi tentang versi Pradewa dan pengembang Pradewa. Pengujian Pengujian Pradewa dilakukan mulai dari implementasi fungsi-fungsi Pradewa hingga pengujian Pradewa secara menyeluruh. Data yang digunakan dalam pengujian ialah data deret waktu yaitu data amatan hormon lh yang diamati setiap 10 menit, yang berasal dari data contoh di paket dataset. Hasil pengujian dengan membandingkan Pradewa dengan perangkat lunak lain adalah: Perbandingan hasil statistik deskriptif antara Pradewa dan perangkat lunak lain, dalam hal ini SAS, Minitab, dan SPSS seperti dapat dilihat pada Lampiran 20 sudah menunjukkan hasil perhitungan yang sama antara Prdewa dan perangkat lunak lain. Perbedaan nilai penghitungan kuartil ketiga antara Pradewa dengan Minitab dan SPSS karena Minitab dan SPSS menggunakan pendekatan interpolasi, sedangkan R menggunakan pendekatan pembagian urutan data untuk mencari kuartil. Fungsi rataan bergerak dibandingkan dengan Minitab dengan panjang rataan bergerak 3, hasil perbandingan fungsi rataan bergerak dapat dilihat pada Lampiran 21. Hasil perbandingan rataan bergerak sudah menunjukkan hasil penghitungan yang sama. Data yang digunakan untuk fungsi rataan bergerak tunggal menggunakan data inflasi tahun Hasil perbandingan fungsi pemulusan eksponensial antara Pradewa dan Minitab dapat dilihat pada Lampiran 22, yang
6 menunjukkan hasil yang berbeda. Hal ini disebabkan pendekatan penghitungan nilai awal pada proses pemulusan yang berbeda, dimana Minitab menggunakan pendekatan regresi (Montgomery et al. 1990). Data yang digunakan untuk fungsi pemulusan eksponensial tunggal adalah data inflasi tahun 2007, sedangkan data untuk fungsi eksponensial ganda adalah data inflasi tahun Metode Winter s menggunakan data contoh dari Minitab untuk data musiman yaitu data pekerja di berbagai bidang industri. Perbandingan hasil fungsi ARIMA pada Lampiran 23 menunjukkan perbedaan tanda koefisien MA pada SAS dan Pradewa. Perbedaan tanda koefisien ini disebabkan model proses rataan bergerak yang berbeda pada SAS dan R, dimana model proses rataan bergerak berordo q untuk SAS: Z t = a t - 1a t-1-2a t qa t-q sedangkan model Proses rataan bergerak berordo q untuk R: Z t = a t + 1a t-1 + 2a t qa t-q Perbandingan hasil untuk uji asumsi dapat dilihat pada Lampiran 24, dimana penghitungan hasil statistik uji sudah sama antara Pradewa dengan perangkat lunak yang lainnya. Pengujian dilakukan dengan membandingkan hasil Pradewa dengan hasil perangkat lunak lainnya seperti Minitab, SPSS, dan SAS. Dari hasil pengujian, Pradewa telah mampu menghasilkan hasil yang sesuai untuk perhitungan-perhitungan statistik yang dibuat. Studi Kasus Pengujian paket hasil pengembangan diilustrasikan menggunakan data asli. Data yang digunakan pada ilustrasi adalah data suku bunga Bank Indonesia (BI rate) tertanggal 9 Januari 2006 sampai 4 November Berikut pengunaan Pradewa untuk pemodelan ARIMA pada suku bunga Bank Indonesia: 1. Eksplorasi data suku bunga BI melalui plot deret waktu untuk melihat kestasioneran data, plot deret waktu ini dapat dilihat pada Gambar 1. Plot deret waktu untuk data suku bunga BI menunjukkan suku bunga BI tidak stasioner rataan, karena tidak berfluktuasi di sekitar nilai rataan. Oleh karena itu perlu dilakukan pembedaan, plot deret waktu untuk operasi ini dapat dilihat pada Gambar 2. Setelah dilakukan pembedaan dapat dilihat bahwa data suku bunga BI sudah stasioner. 2. Pemeriksaan kandidat model melalui plot ACF dan PACF data yang sudah dilakukan pembedaan. Plot ACF dapat dilihat pada gambar 3 yang menunjukkan ACF berbentuk tail-off. sedangkan PACF (Gambar 4) cut-off pada lag 1. Kandidat model untuk suku bunga BI: ARI (1,1) ARI (2,1) AR (1) AR (2) Gambar 1 Plot deret waktu suku bunga BI Gambar 2 Plot pembedaan pertama suku bunga BI Gambar 3 Plot ACF suku bunga BI
7 Gambar 4 Plot PACF suku bunga BI 3. Pemilihan model terbaik dilakukan dengan membandingkan statistik kebaikan model seperti AIC dan nilai ragam seperti dapat dilihat pada Tabel 1. Berdasarkan perbandingan model, maka model terbaik untuk suku bunga BI adalah ARI (1,1) dilihat dari perbandingan nilai AIC, dimana nilai AIC terkecil adalah model ARI(1,1). Tabel 1 Perbandingan kandidat model suku bunga BI Model Pradewa SAS Ragam AIC Ragam AIC AR I(1,1) AR (2,1) AR(1) AR(2) Model ARI (2,1) untuk suku bunga BI juga memenuhi asumsi kenormalan sisaan seperti dapat dilihat pada Tabel 2 dan model ini juga memenuhi asumsi kebebasan sisaan (Tabel 3). Tabel 2 Uji kenormalan sisaan untuk model AR (1) suku bunga BI Perangkat lunak Indikator perbandingan W Nilai p Pradewa SAS Tabel 3 Uji kebebasan sisaan untuk AR (1) suku bunga BI Perangkat lunak Nilai p Pradewa SAS Minitab Perbandingan hasil ramalan untuk satu periode ke depan model ARI (1,1) untuk suku bunga BI seperti dapat dilihat pada Tabel 4, menunjukkan hasil perbedaan yang kecil antara Pradewa dengan perangkat lunak statistika lainnya. Data asli suku bunga BI untuk satu periode ke depan yaitu tertanggal 31 Desember 2009 adalah 6.5%. Nilai APE (Absolute Percent Error) pendugaan dari Pradewa juga cukup akurat dibandingkan dengan perangkat lunak yang lain. Nilai APE yang kecil menunjukkan pemodelan ARI (1,1) untuk suku bunga BI sudah dapat dikatakan baik. Tabel 4 Ramalan satu periode ke depan model AR (1) suku bunga BI Perangkat lunak Ramalan (%) APE Pradewa SAS Minitab Batasan Sistem Sistem ini mempunyai batasan-batasan tertentu yaitu : Tergantung pada program R dan beberapa paket R lainnya (tcltk, tkrplot, tseries, dan xlsreadwrite) Hanya satu dataset yang dapat digunakan dalam analisis Impor data hanya terbatas pada data berekstensi *.xls dan *.csv. Ekspor data hanya terbatas pada data berekstensi *.xls dan *.csv. Menu untuk manipulasi data masih terbatas. Untuk rataan bergerak tunggal hasil perhitungannya belum dapat dimasukkan ke dalam dataset. KESIMPULAN Pradewa (Paket R Analisis Deret Waktu) merupakan paket R dengan tampilan antarmuka mencakup fungsi statistika dasar, statistika grafik, dan analisis deret waktu. Pradewa terdiri dari empat menu utama yaitu Menu File, Menu Data, Menu Statistika, dan Menu Bantuan. Pengujian dan ilustrasi yang dilakukan menunjukkan bahwa paket ini sudah mampu melakukan analisis statistika yang telah ditentukan. Paket ini memudahkan pengguna untuk melakukan analisis statistika secara mudah dan legal walaupun analisis yang ada masih terbatas.
PENGEMBANGAN PAKET R UNTUK ANALISIS DERET WAKTU DENGAN ANTAR MUKA USER FRIENDLY ANGGA WARELLA
PENGEMBANGAN PAKET R UNTUK ANALISIS DERET WAKTU DENGAN ANTAR MUKA USER FRIENDLY ANGGA WARELLA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010 RINGKASAN
Lebih terperincipemisahan perlakuan tidak terlalu (Mattjik & Sumertajaya 2002). Hipotesis yang diuji adalah:
6 pemisahan perlakuan tidak terlalu Hipotesis yang diuji adalah: H0 : μ = μ H1 : μ μ Nilai kritis BNT: ketat 1 1 BNT=t α/2,dbg KTG( + * ) ri ri 2. Uji Tukey (Beda Nyata Jujur (BNJ)) Prosedur perbandingan
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 terperinciLampiran 2. Diagram aliran data level 2 proses 2 (Manajemen Data)
L A M P I R A N 15 16 Lampiran 1. Diagram aliran data level 2 proses 1 (Input Data) Lampiran 2. Diagram aliran data level 2 proses 2 (Manajemen Data) Lampiran 3. Diagram aliran data level 2 proses 10 (Simpan
Lebih terperinciMODUL MINITAB UNTUK PERAMALAN DENGAN METODE ARIMA DAN DOUBLE EXPONENTIAL
MODUL MINITAB UNTUK PERAMALAN DENGAN METODE ARIMA DAN DOUBLE EXPONENTIAL Minitab adalah program statistik yang setiap versinya terus dikembangkan. Gambar 1 memperlihatkan kepada anda aspek-aspek utama
Lebih terperinciSpesifikasi Model. a. ACF
Dept. Statistika IPB, 0 Spesifikasi Model Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu:. Penentuan model tentatif (spesifikasi model) berdasarkan data contoh untuk mengidentifikasi
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 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 terperinciPENGEMBANGAN PAKET R UNTUK ANALISIS DERET WAKTU DENGAN TAMPILAN USER FRIENDLY BAGI PRAKTISI STATISTIK SUGIANTO
PENGEMBANGAN PAKET R UNTUK ANALISIS DERET WAKTU DENGAN TAMPILAN USER FRIENDLY BAGI PRAKTISI STATISTIK SUGIANTO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
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 EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI
MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
Lebih terperinciHASIL DAN PEMBAHASAN Kebutuhan Sistem
5 dan identifikasi kebutuhan perancangan sistem Implementasi dan Pengujian Unit Integrasi dan pengujian sistem Operasi dan pemeliharaan Gambar 1 Tahapan pengembangan paket AMV 2.0. serta dilakukan pengujian
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 terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan sering dipandang sebagai seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang. Secara teoritis peramalan
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 LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR)
PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR) SKRIPSI Oleh : PRISKA RIALITA HARDANI 24010211120020 DEPARTEMEN STATISTIKA FAKULTAS
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 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 terperinciPENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA
KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.
Lebih terperinciANALISIS VAR (VECTOR AUTOREGRESSIVE) UNTUK MEKANISME PEMODELAN PRODUKSI, KONSUMSI, EKSPOR, IMPOR, DAN HARGA MINYAK BUMI AGUS WAHYULI
ANALISIS VAR (VECTOR AUTOREGRESSIVE) UNTUK MEKANISME PEMODELAN PRODUKSI, KONSUMSI, EKSPOR, IMPOR, DAN HARGA MINYAK BUMI AGUS WAHYULI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciSTK 211 Metode statistika. Materi 2 Statistika Deskriptif
STK 211 Metode statistika Materi 2 Statistika Deskriptif 1 Statistika Deskriptif Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami Penyajian data dapat dilakukan
Lebih terperinciANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA
ANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA FATHIN FAHIMAH 226133 DOSEN PEMBIMBING Prof. Ir. Gamantyo Hendrantoro, M.Eng.
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 terperinciLABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR
TNR 12 space 1.15 LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR LAPORAN RESMI MODUL I TNR 12 Space 2.0 STATISTIK
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 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 terperinciSTK511 Analisis Statistika. Bagus Sartono
STK511 Analisis Statistika Bagus Sartono Pokok Bahasan Pengenalan analisis dan deskripsi data Sebaran peluang peubah acak. Sebaran penarikan contoh Pendugaan parameter Pengujian hipotesis (t-test, one-way
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 016 1 Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu: 1. Penentuan model tentatif (spesifikasi model)
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 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 terperinciPEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER
PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK
Lebih terperinciBAB I PENDAHULUAN. TNR 12 SPACE 2.0 BEFORE AFTER 0 MARGIN 3,4,3,3 KERTAS A4 TULISAN INGGRIS ITALIC 1.2 Rumusan Masalah
BAB I PENDAHULUAN TNR 14 BOLD 1.1 Latar Belakang (1 halaman. min 4 paragraf.) TNR 12 SPACE 2.0 BEFORE AFTER 0 MARGIN 3,4,3,3 KERTAS A4 TULISAN INGGRIS 1.2 Rumusan Masalah Rumusan masalah yang digunakan
Lebih terperinciPengenalan Analisis Deret Waktu (Time Series Analysis) MA 2081 Statistika Dasar 30 April 2012
Pengenalan Analisis Deret Waktu (Time Series Analysis) ) MA 208 Statistika Dasar 0 April 202 Utriweni Mukhaiyar Ilustrasi Berikut adalah data rata-rata curah hujan bulanan yang diamati dari Stasiun Padaherang
Lebih terperinciHASIL DAN PEMBAHASAN
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
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 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 terperinciANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG SKRIPSI Disusun Oleh : NOVIA DIAN ARIYANI 24010211120016 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK
BAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK 3.1 Metode Pemulusan Eksponensial Holt-Winter Metode rata-rata bergerak dan pemulusan Eksponensial dapat digunakan untuk
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 terperinciPrediksi Harga Saham dengan ARIMA
Prediksi Harga Saham dengan ARIMA Peramalan harga saham merupakan sesuatu yang ditunggu-tunggu oleh para investor. Munculnya model prediksi yang baru yang bisa meramalkan harga saham secara tepat merupakan
Lebih terperinciSTATISTIKA DESKRIPTIF. Wenny Maulina, S.Si., M.Si
STATISTIKA DESKRIPTIF Wenny Maulina, S.Si., M.Si Statistika Deskripsi Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami. Teknik Penyajian Data Tabel Gambar
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 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 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 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 terperinciData Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun Tahun Bulan Wisman
Lampiran 1. Data Tingkat Hunian Hotel di Propinsi DIY Tahun 1991-2003 48 49 Lampiran 1 Data Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun 1991-2003, Tahun Bulan Wisman 1991 1 27,00 1991 2 30,60
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 terperinciSTK511 Analisis Statistika. Pertemuan 2 Review Statistika Dasar
STK511 Analisis Statistika Pertemuan 2 Review Statistika Dasar Statistika Populasi Sampling Pendugaan Contoh Deskriptif Tingkat Keyakinan Statistika Deskriptif vs Statistika Inferensia Ilmu Peluang Parameter
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat
Lebih terperinciVI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER
VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER 6.1. Analisis Pola Data Penjualan Ayam Broiler Data penjualan ayam broiler adalah data bulanan yang diperoleh dari bulan Januari 2006
Lebih terperinciPEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA. Nur Hukim
TE 091399 TUGAS AKHIR- 4 SKS PEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA Oleh Nur Hukim Dosen Pembimbing Prof. Ir. Gamantyo Hendrantoro, M.Eng. Ph.D Ir. Achmad
Lebih terperinciMODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE
MODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE Data yang digunakan adalah data M2Trend.wf1 (buku rujukan pertama, bab-8). Model analisisnya adalah Xt = M2 diregresikan dengan t = waktu. Model yang akan
Lebih terperinciBAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial
BAB II TINJAUAN PUSTAKA Berikut teori-teori yang mendukung penelitian ini, yaitu konsep dasar peramalan, konsep dasar deret waktu, proses stokastik, proses stasioner, fungsi autokovarians (ACVF) dan fungsi
Lebih terperinciBAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan
Lebih terperinciPREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)
PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 1 a. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal. b. Lakukan pendugaan parameter pada
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 terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciLAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins
LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) I. PENDAHULUAN II. METODOLOGI
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1 Implementasi Metode Time Series Arima Berbasis Java Desktop Application untuk Memperkirakan Jumlah Permintaan Busana Muslim Anak di Perusahaan Habibah Busana
Lebih terperinciPERBANDINGAN UJI PORTMANTEAU UNTUK KORELASI DIRI SISAAN PADA MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) KURNIA SEKAR NEGARI
PERBANDINGAN UJI PORTMANTEAU UNTUK KORELASI DIRI SISAAN PADA MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) KURNIA SEKAR NEGARI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
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 3 PEMBAHASAN. 3.1 Pengertian Pengolahan Data
16 BAB 3 PEMBAHASAN 3.1 Pengertian Pengolahan Data Pengolahan data diartikan sebagai penjabaran atas pengukuran data kuantitatif menjadi suatu penyajian yang lebih mudah ditafsirkan dan menguraikan masalah
Lebih terperinciANALISIS DERET WAKTU
ANALISIS DERET WAKTU JENIS DATA Cross section Beberapa pengamatan diamati bersama-sama pada periode waktu tertentu Harga saham semua perusahaan yang tercatat di BEJ pada hari Rabu 27 Februari 2008 Time
Lebih terperinciStatistika Deskriptif
Statistika Deskriptif Materi 2 - STK511 AnalisisStatistika September 26, 2017 Sep, 2017 1 Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami Apa yang disajikan
Lebih terperinciSTK 211 Metode statistika. Agus Mohamad Soleh
STK 211 Metode statistika Merupakan teknik penyajian dan peringkasan data sehingga menjadi informasi yang mudah dipahami Apa yang disajikan dan diringkas? --> PEUBAH Univariate vs Bivariate vs Multivariate
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP
PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP SKRIPSI Disusun oleh : DITA RULIANA SARI NIM. 24010211140084 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan
Lebih terperinciPREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32
PREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32 Nanang WIdodo Penelid Staslun Pengamat Dlrgantara Watukosek, LAPAN ABSTRACT The time series of the monthly number
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017 1 Ada tiga tahapan iteratif dalam pemodelan data deret waktu yang berbasis model ARIMA, yaitu: 1. Penentuan model
Lebih terperinciPrediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins
Statistika, Vol. 16 No. 2, 95 102 November 2016 Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins FERRY KONDO LEMBANG Jurusan Matematika Fakultas MIPA Universitas Pattimura Ambon
Lebih terperinci5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS
5 MODEL ADITIF VECTOR AUTOREGRESSIVE EXOGENOUS Pendahuluan Pada model VARX hubungan peubah penjelas dengan peubah respon bersifat parametrik. Stone (1985) mengemukakan pemodelan yang bersifat fleksibel
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 DATA MINING Data Mining adalah analisis otomatis dari data yang berjumlah banyak atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya
Lebih 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 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 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 terperinciIII. METODE PENELITIAN
38 III. METODE PENELITIAN A. Konsep Dasar dan Batasan Operasional Konsep dasar dan definisi opresional mencakup pengertian yang dipergunakan untuk mendapatkan dan menganalisis data sesuai dengan tujuan
Lebih terperinciBAB 14 UJI DESKRIPTIF, VALIDITAS DAN NORMALITAS DATA
BAB 14 UJI DESKRIPTIF, VALIDITAS DAN NORMALITAS DATA SPSS menyediakan fasilitas untuk melakukan analisis deskriptif data seperti uji deskriptif, validitas dan normalitas data. Uji deskriptif yang dilakukan
Lebih terperinciAnalisis Deret Waktu
Analisis Deret Waktu Jenis Data Cross section Beberapa pengamatan diamati bersama-sama pada periode waktu tertentu Harga saham semua perusahaan yang tercatat di BEJ pada hari Rabu 27 Februari 2008 Time
Lebih terperinciDistribusi Frekuensi dan Statistik Deskriptif Lainnya
BAB 2 Distribusi Frekuensi dan Statistik Deskriptif Lainnya Misalnya seorang penjaga gudang mencatat berapa sak gandum keluar dari gudang selama 15 hari kerja, maka diperoleh distribusi data seperti berikut.
Lebih terperinciBAB 3 PENGOLAHAN DATA
18 BAB 3 PENGOLAHAN DATA 3.1. Pengumpulan Data Data yang akan diolah dalam penelitian ini adalah data sekunder yang diperoleh dari Badan Pusat Statistik Provinsi Sumatera Utara di Jln. Asrama No. 179 Medan
Lebih terperinciBAB II LANDASAN TEORI. Suatu sistem adalah suatu jaringan kerja dari prosedur-prosedur yang
7 BAB II LANDASAN TEORI 2.1 Sistem Informasi 2.1.1 Sistem Suatu sistem adalah suatu jaringan kerja dari prosedur-prosedur yang saling berhubungan, berkumpul bersama-sama untuk melakukan suatu kegiatan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. PengertianPeramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Dalam usaha mengetahui atau melihat perkembangan di masa depan,
Lebih terperinciBAB III PERANCANGAN PROGRAM APLIKASI
BAB III PERANCANGAN PROGRAM APLIKASI 3.1 Rancangan Program Perancangan program aplikasi ini akan mencakup fungsi untuk input data, proses data dan hasil berupa output data. Untuk input data, disediakan
Lebih terperinciStatistik dan Statistika Populasi dan Sampel Jenis-jenis Observasi Statistika Deskriptif
1. 2 2. 3. 4. Statistik dan Statistika Populasi dan Sampel Jenis-jenis Observasi Statistika Deskriptif Sari Numerik Penyajian Data 2008 by USP & UM ; last edited Jan 11 MA 2081 Statistika Dasar 24 Januari
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 terperinciSKRIPSI APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING. Disusun oleh: DANI AL MAHKYA
APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING SKRIPSI Disusun oleh: DANI AL MAHKYA 24010210141025 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
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 terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER I Ketut Putra Adnyana 1, I Wayan Sumarjaya 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas FMIPA
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Mulai Studi Pendahuluan Studi Pustaka Identifikasi Masalah Perumusan Masalah Tujuan Pengumpulan Data 1. Profil Perusahaan PT. Mensa Binasukses cabang kota Padang 2. Data forecasting
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 terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinci4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :
4 BAB IV HASIL PEMBAHASAN DAN EVALUASI Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtut waktu. Data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data harga
Lebih terperinciOUTLINE BAGIAN I Statistik Deskriptif
UKURAN PENYEBARAN 1 OUTLINE BAGIAN I Statistik Deskriptif Pengertian Statistika Penyajian Data Ukuran Pemusatan Ukuran Penyebaran Angka Indeks Deret Berkala dan Peramalan Range, Deviasi Rata-rata, Varians
Lebih terperinciVI. HASIL DAN PEMBAHASAN
VI. HASIL DAN PEMBAHASAN 6.1. IMPLEMENTASI SISTEM Implementasi merupakan tahap mempersiapkan sistem untuk dapat dioperasikan dan merupakan tahap pembuatan perangkat lunak. SCHATZIE 1.0 merupakan paket
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 I PENDAHULUAN. Sejak kondisi ekonomi dan bisnis selalu berubah setiap waktu, maka para
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Sejak kondisi ekonomi dan bisnis selalu berubah setiap waktu, maka para pimpinan suatu perusahaan atau para pelaku bisnis harus menemukan cara untuk terus
Lebih terperinciBAB 4 IMPLEMENTASI HASIL PENELITIAN
45 BAB 4 IMPLEMENTASI HASIL PENELITIAN 4.1 Spesifikasi Hardware dan Software Rancangan ini dibuat dan dites pada konfigurasi hardware sebagai berikut: Processor : Intel Pentium 4 CPU 1500 MHz. Memory :
Lebih terperinciPROBLEM SOLVING STATISTIKA LANJUT
PROBLEM SOLVING STATISTIKA LANJUT 1. Ujilah validitas dan reliabilitas hasil koesioner gaya kepemimpinan yang terdiri dari 12 item dan diisi oleh 44 responden dalam data pada file Excel. 2. Berikan gambaran
Lebih terperinciAplikasi SPSS 1. 1 Lesta Karolina Sebayang S.E., M.Si
Aplikasi SPSS 1 Tujuan 1. Mahasiswa dapat menginput data ke dalam software SPSS dalam format yang tepat 2. Mahasiswa dapat menentukan beberapa ukuran pemusatan dan penyebaran 3. Mahasiswa dapat membuat
Lebih terperinci