BAB II LANDASAN TEORI

Save this PDF as:
 WORD  PNG  TXT  JPG

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB II LANDASAN TEORI"

Transkripsi

1 BAB II LANDASAN TEORI 2.1 Peramalan Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi maupun kebijakan perusahaan tidak akan terlepas dari usaha untuk meningkatkan kesejahteraan masyarakat atau meningkatkan keberhasilan perusahaan untuk mencapai tujuannya pada masa yang akan datang, dimana kebijakan tersebut dilaksanakan. Oleh karena itu perlu dilihat dan dikaji situasi dan kondisi pada saat kebijakan tersebut dilaksanakan. Usaha untuk melihat dan mengkaji situasi dan kondisi tersebut tidak terlepas dari kegiatan peramalan Peran Peramalan Peramalan mempunyai peranan yang sangat penting baik dalam penelitian, perencanaan maupun dalam pengambilan keputusan. Baik tidaknya hasil suatu penelitian dalam ekonomi dan dunia usaha sangat ditentukan oleh ketepatan ramalan yang dibuat. Demikian pula, baik tidaknya keputusan dan rencana yang disusun juga sangat ditentukan oleh ketepatan ramalan yang dibuat. 7

2 2.1.3 Jenis-Jenis Peramalan Peramalan dapat dibedakan dari beberapa segi tergantung dari cara melihatnya. Dilihat dari sifat penyusunannya, peramalan dapat dibedakan atas dua macam, yaitu: 1. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya. 2. Peramalan yang objektif, yaitu peramalan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan teknik-teknik dan metode-metode dalam penganalisaan data tersebut. Dilihat dari jangka waktu peramalan yang disusun, peramalan dapat dibedakan atas dua macam, yaitu: 1. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan hasil peramalan yang jangka waktunya lebih dari satu setengah tahun atau tiga semester. 2. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil peramalan dengan jangka waktu yang kurang dari satu setengah tahun atau tiga semester. Peramalan ini diperlukan dalam penyusunan rencana tahunan, rencana kerja operasional dan anggaran. 8

3 Jika dilihat dari sifat ramalan yang telah disusun, peramalan dapat dibedakan atas dua macam, yaitu: 1. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya, karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, judgment atau pendapat, dan pengetahuan serta pengalaman dari penyusunnya. 2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang digunakan dalam peramalan tersebut. Adapun yang perlu diperhatikan dari penggunaan metode-metode tersebut adalah baik tidaknya metode yang digunakan sangat ditentukan oleh perbedaan atau penyimpangan antara hasil ramalan dengan kenyataan yang terjadi. Peramalan kuntitatif hanya dapat digunakan apabila terdapat tiga kondisi sebagai berikut: a. Tersedianya informasi tentang masa lalu; b. Informasi tersebut bersifat kuantitatif ataupun dapat dikuantitatifkan dalam bentuk data numerik atau angka; c. Diasumsikan bahwa pola data masa lalu akan berkelanjutan pada pola masa datang (asumsi berkesinambungan) Metode Peramalan Kuantitatif 9

4 Metode peramalan kuantitatif adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa depan berdasarkan data yang relevan pada masa lalu (Awat, 1990). Metode peramalan didasarkan pada data yang relevan pada masa lalu, maka metode peramalan ini dipergunakan dalam peramalan yang obyektif. Pada umumnya, metode peramalan kuantitatif dapat dibedakan atas: 1. Metode peramalan deret waktu atau time series, yaitu metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu atau time series. 2. Metode peramalan korelasi atau sebab akibat (causal methods), yaitu metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya selain waktu Langkah-Langkah Peramalan Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti langkah-langkah atau prosedur penyusunan yang baik. Pada dasarnya ada tiga langkah peramalan yang penting, yaitu: 1. Menganalisa data yang lalu, tahap ini berguna untuk mengetahui pola yang terjadi pada masa lalu dengan cara membuat tabulasi dari data yang lalu. 10

5 2. Menentukan metode yang digunakan. Metode peramalan yang baik adalah metode yang menghasilkan penyimpangan antara hasil peramalan dengan nilai kenyataan sekecil mungkin. 3. Memproyeksikan data yang lalu dengan menggunakan metode yang digunakan dan mempertimbangkan adanya beberapa faktor perubahan. 2.2 Data Time series Deret waktu (time series) merupakan serangkaian data pengamatan yang terjadi berdasarkan indeks waktu secara berurutan dengan interval waktu tetap (harian, mingguan, bulanan, tahunan dsb). Data yang diambil dapat berupa data permintaan, pendapatan keuntungan, kecelakaan, produktifitas dan indeks harga pelanggan. Langkah penting dalam memilih suatu metode deret waktu (time series) yang tepat adalah dengan mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Pola data dapat dibedakan menjadi empat jenis, yaitu: 1. Pola Horisontal (H) terjadi bilamana nilai data berfluktuasi di sekitar nilai rata-rata yang konstan. 2. Pola Musiman (S) terjadi bilamana suatu deret dipengaruhi oleh faktor musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu). 3. Pola Siklis (C) terjadi bilamana suatu data dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. 11

6 4. Pola Trend (T) terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data. 2.3 Analisis Time Series Analisis time series merupakan salah satu prosedur statistika yang diterapkan untuk meramalkan struktur probalistik keadaan yang akan terjadi di masa yang akan datang dalam rangka pengambilan keputusan. Suatu urutan pengamatan memiliki model data time series jika memenuhi dua hal berikut: 1. Interval waktu antar indeks waktu t dalam dinyatakan dalam satuan waktu yang sama (identik). 2. Adanya ketergantungan antara pengamatan dengan yang dipisahkan oleh jarak waktu berupa kelipatan sebanyak k kali (dinyatakan sebagai lag k). Sedangkan tujuan analisis time series antara lain untuk: 1. Meramalkan kondisi di masa yang akan datang (forcasting). 2. Mengetahui hubungan antar peubah. 3. Kepentingan kontrol (untuk mengetahui apakah proses terkendali atau tidak). Beberapa konsep dasar dalam analisis time series antara lain: 1. Stokastik dan Stasioner 12

7 Dalam analisis time series disyaratkan bahwa data time series ( ) mengikuti proses stokastik. Dimana suatu urutan dari peubah acak ( ) dengan ruang sampel dan satuan waktu t dikatakan sebagai proses stokastik. Suatu deret waktu dikatakan stokastik jika data masa lalu hanya dapat menunjukkan struktur probabilistik keadaan yang akan datang. Sebaliknya, jika suatu deret waktu dapat memprediksi keadaan yang akan datang secara pasti maka disebut deterministik. Dalam pembentukan model analisis time series mengasumsikan bahwa data time series dalam keadaan stasioner. Untuk memeriksa kestasioneran data dapat dilakukan dengan menganailisis diagram deret waktu (time series plot). Diagram deret waktu (time series plot) dapat diperoleh dengan bantuan software minitab v.14. Diagram deret waktu (time series plot) yaitu diagram pencar antara nilai peubah dangan t. Data time series dikatakan stasioner jika tidak ada perubahan kecenderungan dalam rata-rata dan perubahan variansi. Dengan kata lain, data time series yang stasioner adalah data tidak mengalami kenaikan atau penurunan secara tajam (fluktuasi data berada pada sekitar rata-rata yang konstan). Kondisi stasioner terdiri atas dua hal, yaitu a. Stasioner dalam rata-rata 13

8 Suatu data time series dikatakan stasioner dalam rata-rata jika diagram deret waktu berfluktuasi disekitar garis yang sejajar sumbu waktu atau jika tidak ada unsur trend dalam data. Apabila data tidak stasioner dalam rata-rata, maka untuk menghilangkan ketidakstasioneran tersebut dapat dilakukan dengan metode differencing (pembedaan). Pada dasarnya metode differencing adalah membentuk suatu data baru yang diperoleh dengan cara mengurangi nilai pengamatan pada waktu t dengan nilai pengamatan pada waktu sebelumnya. Jika hasil differencing tersebut disimbolkan dengan maka Secara umum operasi differencing yang menghasilkan suatu kejadian (proses) baru yang stasioner adalah: ( ) (2-1) Dimana: = 1, 2,... = Backshift operator (operator mundur) yang didefinisikan bahwa = data keb. Stasioner dalam variansi. Suatu data time series dikatakan stasioner dalam variansi jika struktur data dari waktu ke waktu mempunyai fluktuasi data yang 14

9 tetap atau konstan, atau secara visual tidak ada perubahan variansi dalam besarnya fluktuasi. Jika kestasioneran data dalam variansi tidak terpenuhi, maka dapat dihilangkan dengan melakukan perubahan untuk menstabilkan variansi. Box-Cox (1964) memperkenalkan transformasi pangkat (power transformation). Misalkan ( ) transformasi pangkat dari dan untuk menstabilkan variansi dapat digunakan ( ) ( ) (2-2) ( ) ( ), dimana disebut sebagai parameter transformasi dan adalah data ke-. Beberapa nilai yang digunakan dan bentuk transformasinya adalah sebagai berikut. Nilai (lambda) Transformasi -1-0,5 0 0,5 1 Tabel 2.1 Tabel Nilai-nilai λ dan Bentuk Transformasinya 15

10 Dalam menstabilkan variansi ada beberapa ketentuan antara lain 1. Transformasi boleh dilakukan hanya untuk deret yang positif. 2. Transformasi dilakukan sebelum melakukan differencing dan pemodelan time series 3. Transformasi tidak hanya menstabilkan variansi, tetapi juga dapat menormalkan distribusi. 2. Rata-rata, Autokovariansi, dan Autokorelasi Suatu proses yang stasioner { } mempunyai rata-rata (expectation) E( ) = μ dan variansi var( ) = E( ) = konstan dan kovariansi cov( ) = fungsi dari perbedaan waktu. Kovariansi antara dan adalah ( ) ( )( ) (2-3) Korelasi antara dan adalah ( ) ( ) ( ) (2-4) Dengan catatan bahwa var( ) = var( )= Adapun dinamakan fungsi autokovariansi dan dinamakan fungsi autokorelasi pada analisis time series, karena masing-masing 16

11 menyatakan kovariansi dan korelasi antara dan dari proses yang sama, hanya dipisahkan oleh jarak waktu k (lag k). 3. Fungsi Autokorelasi dan Fungsi Autokorelasi Parsial a. Fungsi Autokorelasi Fungsi autokorelasi atau autocorrelation function (ACF) merupakan statistik kunci dalam analisis time series (korelasi deret waktu dengan deret waktu itu sendiri dengan selisih waktu (lag) 0, 1, 2 periode atau lebih). Koefisien autokorelasi adalah suatu fungsi yang menunjukkan besarnya korelasi antara pengamatan pada waktu ke- t (dinotasikan dengan ) dengan pengamatan pada waktu-waktu yang sebelumnya (dinotasikan dengan ). Untuk suatu data time series maka nilai autokorelasinya adalah sebagai berikut. ( ) ( )( ) ( ) (2-5) Diagram ACF juga dapat digunakan sebagai alat bantu untuk mengidentifikasi pola. identifikasi tersebut dapat dilakukan dengan analisis dari diagram autokorelasi atau dengan uji signifikasi koefisien autokorelasi. Jika digram ACF cenderung turun lambat atau turun secara linier, maka dapat disimpulkan data belum 17

12 stasioner dalam rata-rata. Uji autokorelasi dilakukan dengan ujidengan hipotesis (koefisien autokorelasi tidak berbeda secara signifikan dengan nol) (koefisien autokorelasi berbeda secara signifikan dengan nol) Statistik uji: ( ) dengan ( ) Dimana ( ) = standar error autokorelasi pada data saat lag k = autokorelasi pada saat lag = time lag = banyak observasi dalam data time series Kriteria keputusan : tolak jika nilai dengan derajat bebas. Bila koefisien autokorelasi signifikan pada salah satu dari time lag ke-1, ke-2, ke-3 yang pertama atau maksimum ketiganya sekaligus dan koefisien autokorelasi yang berikutnya menjadi lebih kecil mendekati nol secara cepat, maka data tersebut bersifat stasioner. Bila beberapa koefisien autokorelasi yang pertama ( ) tergolong besar (signifikan) dan koefisien autokorelasi berikutnya 18

13 secara berlahan turun mendekati nol, maka data tersebut mengandung pola trend. Bila koefisien autokorelasi ( ) yang signifikan terjadi pada time lag tertentu, maka data tersebut mengandung komponen musiman (seasonal). Bila semua koefisien autokorelasi ( ) yang dihasilkan dari data time series atau sebagian besar mendekati nol atau berada di antara daerah kritis, maka data tersebut mengandung pola horisontal. b. Fungsi Autokorelasi Parsial Fungsi autokorelasi parsial atau partial autocorrelation function (PACF) dalam analisis time series digunakan untuk mengukur keeratan (association) antara dan, apabila pengaruh dari lag waktu (time lag) 1, 2, 3,..., k-1 dianggap terpisah. Fungsi autokorelasi parsial adalah suatu fungsi yang menunjukkan besarnya korelasi parsial antara pengamatan pada waktu ke-t (dinotasikan dengan ) dengan pengamatan pada waktu-waktu yang sebelumnya (dinotasikan dengan ). 4. White Noise Process Suatu proses { } dinamakan white noise (proses yang bebas dan identik) jika bentuk peubah acak yang berurutan tidak saling berkorelasi dan mengikuti distribusi tertentu. Dalam proses ini ratarata E( ) = bernilai nol dan mempunyai variansi yang konstan 19

14 yaitu var( ) = dan nilai kovariansi ( ) untuk. 5. Prinsip Parsimoni Jika ada beberapa model diselidiki dan setelah diselidiki dengan baik beberapa model yang berbeda disimpulkan memenuhi kriteria atau asumsi tertentu, selanjutnya digunakan Prinsip parsimoni yang menyatakan bahwa model yang lebih sederhana lebih disenangi dari pada model dengan parameter yang banyak. 2.4 Metode Peramalan Exponential Smoothing Metode peramalan exponential smoothing merupakan sekelompok metode yang menunjukkan pembobotan menurun secara eksponensial terhadap data observasi yang lebih lama. Metode peramalan exponential smoothing adalah suatu prosedur yang mengulang perhitungan secara terus menerus dengan menggunakan data terbaru. Setiap data diberi bobot dan data yang terkini diberi bobot yang terbesar. Bobot yang digunakan adalah α untuk data yang terbaru, bobot α(1-α) untuk data yang terbaru sebelumnya, bobot ( ) untuk data 2 periode sebelumnya dan seterusnya. Metode ini terdiri atas tunggal, ganda (double), dan triple. Ketiga metode tersebut mempunyai sifat yang sama yaitu data observasi yang lebih baru diberikan bobot yang relatif lebih besar dibandingkan data observasi yang lebih lama. Dalam metode exponential smoothing terdapat satu atau lebih parameter 20

15 pemulusan yang ditentukan secara eksplisit, dan hasil pilihan parameter ini menentukan bobot yang dikenakan pada nilai observasi. Berikut adalah beberapa metode peramalan exponential smoothing antara lain: 1. Single Exponential Smoothing Teknik ini digunakan untuk menetapkan bobot tertentu atas data yang tersedia, dan berdasarkan bobot tersebut akan diketahui bobot atas hasil peramalan sebelumnya. Penentuan besarnya bobot yang digunakan dapat dilakukan dengan bantuan software minitab v.14 untuk memperoleh parameter yang optimal. Persamaan exponential smoothing dapat dituliskan sebagai berikut: ( ) (2-6) Dimana: = ramalan data ke-t Α = konstanta pemulusan (0 < α < 1). = data observasi pada akhir periode sebelum ramalan = ramalan pada periode 2. Double Exponential Smoothing Ada dua macam metode double exponential smoothing yaitu 1) Double Exponential Smoothing Brown Teknik pemulusan eksponensial ganda Brown(double exponential smoothing brown) digunakan untuk meramalkan data time series 21

16 yang mengandung pola trend linier. Berikut ini adalah langkahlangkah yang berisi lima persamaan untuk membuat ramalan dengan metode Brown. Pertama, menghitung nilai exponential smoothing dengan persamaan berikut. ( ) (2-7) Kedua, menghitung nilai double exponential smoothing dengan persamaan berikut. ( ) (2-8) Ketiga, menghitung perbedaan antara nilai-nilai exponential smoothing dengan persamaan berikut. (2-9) Keempat, menghitung faktor penyesuaian tambahan yang hampir sama dengan slope kurva sebagai berikut. ( ) (2-10) Terakhir, membuat peramalan p periode yang akan datang dengan persamaan berikut. (2-11) Dimana: = nilai yang dimuluskan secara eksponensial pada t 22

17 = nilai yang dimuluskan secara eksponensial ganda pada t = hasil peramalan pada periode α = konstanta pemulusan = jumlah p periode ke depan yang akan diramalkan 2) Double Exponential Smoothing Holt Metode Double Exponential Smoothing Holt merupakan metode yang akan digunakan dalam penelitian ini. Metode exponential smoothing Holt dalam prinsipnya serupa dengan Brown namun Holt tidak menggunakan rumus pemulusan trend secara langsung. Pada metode ini komponen trend dihaluskan secara terpisah dengan menggunakan parameter yang berbeda sehingga lebih fleksibel. Namun, kedua parameternya perlu dioptimalkan. Dalam penelitian ini, proses pengoptimalan parameter akan dibantu dengan software minitab v.14. Berikut ini adalah langkah-langkah yang berisi tiga persamaan untuk membuat ramalan dengan metode Holt. Pertama, rangkaian data pemulusan secara eksponensial atau estimasi level. ( )( ) (2-12) Kedua, estimasi trend. ( ) ( ) (2-13) 23

18 Ketiga, ramalan pada p periode mendatang. (2-14) Keterangan: = nilai baru yang dimuluskan atau estimasi level = konstanta pemulusan untuk observasi ( ) = observasi yang baru atau data sebenarnya pada periode t = konstanta pemulusan untuk estimasi trend ( ) = estimasi trend = periode yang diramalkan = nilai peramalan pada p periode mendatang 3. Triple Exponential Smoothing Metode peramalan triple exponential smoothing dapat disebut juga dengan metode tiga parameter Winter. Metode tiga parameter Winter dapat digunakan untuk pemulusan data yang sekaligus mengandung trend dan musiman. Selain itu, metode Winter didasarkan atas persamaan pemulusan, yaitu satu untuk stasioner, satu untuk trend, dan satu untuk musiman. Metode Winter memberikan tiga pembobotan dalam peramalannya, yaitu α, β dan γ yang bernilai antara 0 sampai 1. Terdapat empat persamaan yang digunakan dalam triple exponential smoothing berikut. 24

19 Pertama, exponential smoothing atau estimasi level ( )( ) (2-15) Kedua, estimasi trend. ( ) ( ) (2-16) Ketiga, estimasi musiman ( ) (2-17) Keempat, ramalan pada p periode pendatang ( ) (2-18) Dimana: = nilai ramalan pada p periode mendatang = nilai baru yang dimuluskan atau diestimasi level saat ini = periode yang diramalkan = estimasi trend = estimasi musiman s = panjang musiman = konstanta pemulusan untuk estimasi trend = konstanta pemulusan untuk level = konstanta pemulusan untuk estimasi musiman = periode yang diramalkan 25

20 2.5 Metode Peramalan ARIMA Box-Jenkins ARIMA merupakan suatu alat yang menggunakan nilai-nilai sekarang dan nilai-nilai historis variabel dependen untuk menghasilkan peramalan yang akurat. Model Autoregressive Intregreted Moving average (ARIMA) telah dipelajari secara mendalam oleh George Box dan Gwilym Jenkins (1976), dan nama mereka sering disinonimkan dengan proses ARIMA yang diterapkan untuk analisis deret berkala, peramalan dan pengendalian. Menurut Jarret (1991:317) Metode ARIMA memiliki beberapa keunggulan dibanding metode lainnya, yaitu: 1. Metode ARIMA Box-Jenkins disusun dengan logis dan secara statistik akurat; 2. Metode ARIMA Box-Jenkins memasukkan banyak informasi dari data historis; 3. Metode ARIMA Box-Jenkins menghasilkan kenaikan akurasi peramalan dan pada waktu yang sama menjaga jumlah parameter seminimal mungkin. Seperti metode exponential smooting, metode ARIMA Box-Jenkins juga dibagi dalam dua jenis metode yaitu 1. Metode ARIMA Box-Jenkins untuk data non seasonal 26

21 Metode ARIMA Box-Jenkins untuk data non seasonal merupakan metode ARIMA Box-Jenkins untuk data yang tidak mengandung musiman. Metode ARIMA Box-Jenkins menggunakan pendekatan iteratif yang mengidentifikasikan kemungkinan model yang bermanfaat. Model ARIMA yang terpilih kemudian dicek kembali dengan data historis apakah telah mendeskripsikan data historis dengan tepat. Model yang terbaik akan diperoleh apabila sisa antara model peramalan dan data historis memiliki nilai yang kecil, berdistribusi normal, dan independen. Ada 3 komponen dalam metode ARIMA, yaitu: a. Proses Autoregressive (AR) Model Autoregressive (AR) merupakan model menunjukkan sebagai fungsi linier dari sejumlah aktual sebelumnya, atau dinyatakan dalam formulasi: (2-19) Dimana: = variabel dependen = variabel bebas yang merupakan lag dari variabel terikat = konstanta = parameter AR = residual atau error 27

22 b. Moving average (MA) Model Moving average dapat disebut juga dengan model ratarata bergerak orde q, meramalkan nilai Y t berdasarkan kombinasi kesalahan linier masa lampau (lag), atau dapat dirumuskan sebagai berikut: (2-20) Dimana: = variabel dependen pada waktu t = residual periode sebelumnya (lag) = konstanta = parameter MA = residual pada waktu t c. Autoregressive Moving Average (ARMA) Model autoregressive (AR) dapat dikombinasikan dengan model yang memiliki moving average (MA) untuk menciptakan model gabungan yang disebut autoregressive moving average (ARMA). ARMA dapat dinotasikan dengan ARMA(p,q) dimana p adalah orde untuk autoregressive dan q adalah orde untuk moving average. Bentuk umum model ARMA(p,q) adalah Autoregressive Moving Average 28

23 Gabungan antara model AR dan MA melahirkan model ARIMA atau Box-Jenkins. Secara umum, model ARIMA ini dituliskan dengan notasi ARIMA (p, d, q), dimana p meyatakan orde dari proses autoregressive (AR), d menyatakan pembedaan (differencing), dan q menyatakan orde dari proses moving average (MA). Bentuk model ARIMA Box-Jenkins atau ARIMA (p, d, q) adalah sebagai berikut: ( )( ) ( ) (2-21) Dimana: p d q = orde autoregressive (AR) = orde differencing non musiman = orde moving average (MA) ( ) = ( ) ( ) = (1- ) = parameter AR yang berorde ke- = parameter MA yang berorde ke- ( ) = orde differencing non musiman = data ke- t = galat pada waktu ke- t yang diasumsikan memenuhi white noise. 29

24 Tahapan yang dilakukan pada proses ARIMA Box-Jenkins antara lain identifikasi, penaksiran parameter, pemeriksaan diagnostik dan peramalan. 1) Identifikasi Model Sebelum melakukan analisis lanjutan terhadap data time series, hal yang paling penting dilakukan adalah mengidentifikasi karakteristik data. Melalui tahap identifikasi, model awal ARIMA (p, d, q) dapat ditentukan. Metode ARIMA Box-Jenkins mengasumsikan tidak adanya pola tertentu dari data masa lalu yang dianalisis. Untuk itu perlu menentukan model umum dengan melakukan uji stasioneritas. Uji stasioneritas menentukan apakah data time series yang akan digunakan untuk peramalan sudah stasioner atau tidak, baik dalam rata-rata maupun dalam variansi. Jika kondisi stasioner dalam rata-rata tidak terpenuhi diperlukan proses pembedaan (differencing). Pada ARIMA (p, d, q), orde d digunakan untuk memodelkan kejadian yang tidak stasioner dalam rata-rata. Jika kondisi stasioner dalam variansi tidak terpenuhi, Box dan Cox (1964) memperkenalkan transformasi pangkat (power transformation), ( ) ( ), dimana disebut sebagai parameter transformasi. 2) Pemeriksaan Diagnostik 30

25 Pemeriksaan diagnostik (diagnostic checking) dapat dibagi dalam dua bagian, yaitu uji signifikasi parameter dan uji kesesuaian model (meliputi uji asumsi white noise dan distribusi normal). a) Uji Signifikasi Parameter Model ARIMA yang baik dapat menggambarkan suatu kejadian yang menunjukkan penaksiran parameter pada model memiliki signifikan berbeda dengan nol. Secara umum, misalkan adalah suatu parameter pada model ARIMA Box-Jenkins dan adalah nilai taksiran dari parameter tersebut, serta SE ( ) adalah standar error dari nilai taksiran, maka uji kesignifikasinan parameter dapat dilakukan dengan tahapan sebagai berikut - Hipotesis - Statistik Uji ( parameter tidak signifikan dalam model) ( parameter signifikan dalam model) ( ) - Daerah penolakan Tolak jika = banyaknya parameter atau dengan menggunakan nilai-p (p-value), yakni tolak jika nilai-p < α. 31

26 b) Uji Kesesuaian Model Uji kesesuaian model meliputi kecukupan model (uji apakah sisanya white noise) dan uji asumsi berdistribusi normal. Pengujian white noise dilakukan dengan uji Ljung-Box, sedangkan pengujian asumsi berdistribusi normal dapat digunakan uji Kolmogorov Smirnov. Uji sisa white noise dapat dilakukan dengan langkah sebagai berikut. - Hipotesis : model sudah memenuhi syarat cukup (sisanya memenuhi syarat white noise) atau : model belum memenuhi syarat cukup (sisa tidak white noise) atau minimal ada satu - Statistik uji, yaitu statistik uji Ljung-Box atau Box-Pierce Modified ( ) - Daerah penolakan ( ) (2-22) Tolak jika. K berarti pada lag K dan m adalah jumlah parameter yang ditaksir dalam model. 32

27 Sedangkan uji asumsi berdistribusi normal digunakan untuk memeriksa apakah suatu proses residual ( ) mempunyai distribusi normasl atau tidak. Langkah-langkah yang digunakan dalam pengujian asumsi berdistribusi normal adalah sebagai berikut. - Hipotesis H 0 : residual (sisa) berdistribusi normal H 1 : residual (sisa) tidak berdistribusi normal Dengan taraf signifikasi α = 0,05 dan statistik uji yang digunakan dalam uji asumsi berdistribusi normal adalah uji Kolmogorov Smirnov dengan rumus sebagai berikut. ( ) ( ) (2-23) dengan, ( ) = suatu fungsi distribusi frekuensi kumulatif yang terjadi di bawah distribusi normal ( ) = suatu fungsi distribusi frekuensi kumulatif yang diobservasi - Tolak H 0 jika nilai-p atau p-value (D) < α atau D hitung > D (α,n), dengan n banyaknya pengamatan dan α taraf signifikasi yang artinya residual ata sisa ( ) tidak berdistribusi normal. 33

28 3) Peramalan Peramalan dapat dilakukan jika seluruh model signifikan dan seluruh asumsi sisanya terpenuhi. 2. Metode ARIMA untuk Data Musiman Metode ARIMA untuk Data Musiman merupakan metode untuk data yang mengandung pola musiman. Secara umum bentuk model ARIMA Box-Jenkins musiman atau ARIMA(p,d,q)(P,D,Q) S adalah ( ) ( )( ) ( ) ( ) ( ) (2-24) Dimana p,d,q P,D,Q = orde AR, differencing, dan MA non musiman = orde AR, differencing, dan MA musiman ( ) = ( ) = ( ) = orde differencing non musiman ( ) = orde differencing musiman ( ) = ( ) = = sisa pada waktu ke-t yang diasumsikan memenuhi white noise. 2.6 Metode Peramalan Kombinasi 34

29 Metode peramalan kombinasi merupakan metode peramalan dimana beberapa model peramalan tunggal dikombinasikan untuk mengoptimalkan hasil peramalan. Metode peramalan kombinasi berusaha untuk meminimalkan kesalahan peramalan (forecast error) sehingga memberikan peramalan yang lebih akurat daripada peramalan yang dihasilkan metode peramalan tunggal. Peramalan kombinasi dapat dinyatakan sebagai berikut: (2-25) Dimana: = peramalan kombinasi = bobot = peramalan tunggal ke-n Ada beberapa cara untuk menggabungkan metode-metode peramalan tunggal. Pertama, metode peramalan kombinasi simple average. Metode ini adalah metode peramalan kombinasi yang dilakukan dengan cara menghitung rata-rata dari jumlah metode peramalan yang digunakan. Secara umum rumus metode simple average adalah (2-26) Dimana adalah banyak metode peramalan yang digunakan. Kedua, metode peramalan kombinasi minimum variance. Metode ini menggabungkan beberapa model peramalan dengan cara memberikan bobot pada masing-masing model yang digunakan untuk meminimumkan variansi 35

30 kesalahan peramalan. Metode peramalan kombinasi minimum variance didasarkan pada variansi dari kesalahan model peramalan yang digunakan dan nilai koefisien korelasi antara kesalahan model peramalan yang digunakan untuk memperoleh bobot pada masing-masing model peramalan yang digunakan. Jika dan adalah peralaman dari dua metode peramalan yang berbeda yang mendekati nilai sebenarnya, secara umum rumus metode peramalan kombinasi minimum variance ( )adalah ( ) (2-27) Dan kesalahan peramalan kombinasi ( ) adalah ( ) ( )( ) (2-28) Dengan dan adalah bobot dari masing-masing model peramalan yang digunakan, maka dapat ditentukan pula variansi dari kesalahan peramalan kombinasi adalah sebagai berikut. [ ] [ ] [ ( ) ( )( )] [ ( ) ( )( )] ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (2-29) 36

31 Dimana dan adalah error dari peramalan pada periode untuk dua metode peramalan tunggal. ( )dan ( ) adalah variansi dari kesalahan dua peramalan individu dan ( ) adalah korelasi antara dua kesalahan peramalan individu. Jika adalah bobot, maka ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (2-30) Nilai k pada persamaan (2-30) disubtitusikan pada persamaan (2-29) dapat meminimumkan variansi dari kesalahan peramalan kombinasi. Jadi, variansi minimum dari kesalahan peramalan kombinasi dapat dituliskan sebagai berikut. [ ] ( ) ( ) ( ( ) ) ( ) ( ) ( ) ( ) ( ) (2-31) 37

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola data yang sistematis (Makridakis, 1999). Peramalan menggunakan pendekatan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.

BAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang

Lebih terperinci

TINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang

TINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

II. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya

II. 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 terperinci

BAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi

BAB 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 terperinci

METODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015

METODE 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang

BAB 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 terperinci

BAB IV ANALISIS DAN PEMBAHASAN

BAB 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 terperinci

Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan

Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan METODE BOX JENKINS Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan utk semua tipe pola data. Dapat

Lebih terperinci

LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins

LAPORAN 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara

BAB 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 terperinci

BAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial

BAB 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 terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto

BAB 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto 18 BAB 2 TINJAUAN TEORITIS 2.1 Produk Domestik Regional Bruto Dalam menghitung pendapatan regional, dipakai konsep domestik. Berarti seluruh nilai tambah yang ditimbulkan oleh berbagai sektor atau lapangan

Lebih terperinci

BAB 2 LANDASAN TEORI Pengertian Data Deret Berkala

BAB 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 terperinci

BAB 2 LANDASAN TEORI. Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan

BAB 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 terperinci

PREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)

PREDIKSI 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian terhadap populasi yang sangat besar, kita perlu melakukan suatu penarikan sampel. Hal ini dikarenakan tidak selamanya kita dapat

Lebih terperinci

PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA

PENDUGAAN 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 terperinci

Metode Deret Berkala Box Jenkins

Metode 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 terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Peramalan (Forceasting) 2.1.1 Pengertian Peramalan Untuk memajukan suatu usaha harus memiliki pandangan ke depan yakni pada masa yang akan datang. Hal seperti ini yang harus dikaji

Lebih terperinci

MODEL 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 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 terperinci

DAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian...

DAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian... DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii HALAMAN PERNYATAAN... iii NASKAH SOAL TUGAS AKHIR... iv HALAMAN PERSEMBAHAN... v INTISARI... vi KATA PENGANTAR... vii UCAPAN TERIMA KASIH... viii

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA

BAB 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 terperinci

VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER

VI 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 terperinci

Peramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2012 Dengan Metode ARIMA BOX-JENKINS

Peramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2012 Dengan Metode ARIMA BOX-JENKINS Jurnal EKSPONENSIAL Volume 3, Nomor, Mei 2 ISSN 8-7829 Peramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2 Dengan Metode ARIMA BOX-JENKINS Forecasting The Number

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 20 BAB 2 LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap satu atau beberapa produk pada periode yang akan datang.

Lebih terperinci

III. METODE PENELITIAN

III. 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 terperinci

PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. APPLICATION OF ARIMA TO FORECASTING STOCK PRICE OF PT. TELOKM Tbk.

PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. APPLICATION OF ARIMA TO FORECASTING STOCK PRICE OF PT. TELOKM Tbk. PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. Djoni Hatidja ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi, Manado 955 email: dhatidja@yahoo.com ABSTRAK Penelitian ini

Lebih terperinci

BAB 2 TINJAUAN TEORITIS

BAB 2 TINJAUAN TEORITIS BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan meramalkan atau memprediksi apa yang akan terjadi dimasa yang akan datang dengan waktu tenggang (lead time) yang relative lama,

Lebih terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins

Prediksi 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 terperinci

III. METODE PENELITIAN

III. 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 terperinci

Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan

Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.

Lebih terperinci

BAB 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. 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 terperinci

PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER

PEMODELAN 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 terperinci

BAB 2 TINJAUAN TEORITIS. Adanya waktu tenggang (lead time) merupakan alasan utama bagi perencanaan dan

BAB 2 TINJAUAN TEORITIS. Adanya waktu tenggang (lead time) merupakan alasan utama bagi perencanaan dan BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Adanya waktu tenggang (lead time) merupakan alasan utama bagi perencanaan dan peramalan. Jika waktu tenggang ini nol atau sangat kecil, maka perencanaan

Lebih terperinci

BAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegitan yang memperkirakan apa yang akan

BAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegitan yang memperkirakan apa yang akan BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (Forecasting) adalah suatu kegitan yang memperkirakan apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Kegunaan peramalan

Lebih terperinci

FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA

FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)

Lebih terperinci

PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK

PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA Gumgum Darmawan 1), Suhartono 2) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD 2) Staf Pengajar

Lebih terperinci

PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA

PERAMALAN 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

PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)

PERAMALAN 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 terperinci

Bab IV. Pembahasan dan Hasil Penelitian

Bab IV. Pembahasan dan Hasil Penelitian Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai

Lebih terperinci

Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung

Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung Desy Yuliana Dalimunthe Jurusan Ilmu Ekonomi, Fakultas Ekonomi,

Lebih terperinci

PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)

PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Liana Kusuma Ningrum dan Winita Sulandari, M.Si. Jurusan Matematika,

Lebih terperinci

PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA

PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA Tanti Octavia 1), Yulia 2), Lydia 3) 1) Program Studi Teknik Industri, Universitas

Lebih terperinci

SBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n

SBAB 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 terperinci

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1. Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan

Lebih terperinci

EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN

EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN Puji Rahayu 1), Rohmah Nur Istiqomah 2), Eminugroho Ratna Sari 3) 1)2)3) Matematika

Lebih terperinci

PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS

PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara 13 BAB 1 PENDAHULUAN 1.1 Latar Belakang Era globalisasi saat ini, perkembangan zaman semankin maju dan berkembang pesat, di antaranya banyak pernikahan dini yang menyebabkan salah satu faktor bertambahnya

Lebih terperinci

BAB II LANDASAN TEORI. merupakan kumpulan dari komponen-komponen yang salling berkaitan untuk

BAB II LANDASAN TEORI. merupakan kumpulan dari komponen-komponen yang salling berkaitan untuk BAB II LANDASAN TEORI 2.1 Sistem Definisi sistem dapat dibagi menjadi dua pendekatan, yaitu pendekatan secara prosedur dan pendekatan secara komponen. Berdasarkan pendekatan prosedur, sistem didefinisikan

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Curah Hujan Curah hujan adalah jumlah air yang jatuh di permukaan tanah datar selama periode tertentu yang diukur dengan satuan tinggi milimeter (mm) di atas permukaan horizontal.

Lebih terperinci

Perbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG

Perbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG JURNAL SAINS DAN SENI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) A-34 Perbandingan Metode Fuzzy Time Series Cheng dan Metode Box-Jenkins untuk Memprediksi IHSG Mey Lista Tauryawati

Lebih terperinci

BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER

BAB 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 terperinci

Pemodelan ARIMA Non- Musim Musi am

Pemodelan 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 terperinci

II. TINJAUAN PUSTAKA. Time series merupakan serangkaian observasi terhadap suatu variabel yang

II. TINJAUAN PUSTAKA. Time series merupakan serangkaian observasi terhadap suatu variabel yang II. TINJAUAN PUSTAKA 2.1 Analisis Deret Waktu (time series) Time series merupakan serangkaian observasi terhadap suatu variabel yang diambil secara beruntun berdasarkan interval waktu yang tetap (Wei,

Lebih terperinci

BAB 2 TINJAUAN TEORI. akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan

BAB 2 TINJAUAN TEORI. akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan BAB 2 TINJAUAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan

Lebih terperinci

HALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL...

HALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL... HALAMAN PERSETUJUAN PEMBIMBING...iii HALAMAN PENGESAHAN...iv MOTTO... v HALAMAN PERSEMBAHAN... vi KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR TABEL... xi DAFTAR GAMBAR... xii DAFTAR LAMPIRAN... xiv PERNYATAAN...

Lebih terperinci

PERAMALAN JUMLAH PERMINTAAN DARAH UDD PMI KABUPATEN BANYUMAS DENGAN METODE PERAMALAN KOMBINASI

PERAMALAN JUMLAH PERMINTAAN DARAH UDD PMI KABUPATEN BANYUMAS DENGAN METODE PERAMALAN KOMBINASI PERAMALAN JUMLAH PERMINTAAN DARAH UDD PMI KABUPATEN BANYUMAS DENGAN METODE PERAMALAN KOMBINASI SKRIPSI Diajukan untuk Memenuhi Sebagian dari Syarat Untuk Memperoleh Gelar Sarjana Pendidikan S-1 Program

Lebih terperinci

BAB III METODE PENELITIAN

BAB 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 terperinci

BAB 2 LANDASAN TEORI. variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan

BAB 2 LANDASAN TEORI. variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan bagian

Lebih terperinci

Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series

Peramalan 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 terperinci

PEMODELAN DATA TIME SERIES DENGAN METODE BOX-JENKINS

PEMODELAN DATA TIME SERIES DENGAN METODE BOX-JENKINS PEMODELAN DATA TIME SERIES DENGAN METODE BOX-JENKINS Rais 1 1 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Tadulako, email: rais76_untad@yahoo.co.id Abstrak Metode Box-Jenkins

Lebih terperinci

BAB II LANDASAN TEORI. Peramalan adalah proses perkiraan (pengukuran) besarnya atau jumlah

BAB II LANDASAN TEORI. Peramalan adalah proses perkiraan (pengukuran) besarnya atau jumlah BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Definisi dan Tujuan Peramalan Peramalan adalah proses perkiraan (pengukuran) besarnya atau jumlah sesuatu pada waktu yang akan datang berdasarkan data pada masa

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LADASA TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama (assaury, 1991). Sedangkan ramalan adalah

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Konsep Peramalan Peramalan ( forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi modern

Lebih terperinci

BAB II LANDASAN TEORI. nonstasioneritas, Autocorrelation Function (ACF) dan Parsial Autocorrelation

BAB II LANDASAN TEORI. nonstasioneritas, Autocorrelation Function (ACF) dan Parsial Autocorrelation BAB II LANDASAN TEORI Pada Bab II akan dijelaskan pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya yaitu peramalan data runtun waktu (time series), konsep dasar

Lebih terperinci

BAB 2 LANDASAN TEORI. sama setiap hrinya. Pada bulan-bulan tertentu curah hujan sangat tinggi dan pada

BAB 2 LANDASAN TEORI. sama setiap hrinya. Pada bulan-bulan tertentu curah hujan sangat tinggi dan pada BAB 2 LANDASAN TEORI 2.1 Curah Hujan Hujan sangat diperlukan diberbagai penjuru masyarakat. Curah hujan tidak selalu sama setiap hrinya. Pada bulan-bulan tertentu curah hujan sangat tinggi dan pada bulan-bulan

Lebih terperinci

KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)

KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi

Lebih terperinci

BAB II KAJIAN PUSTAKA. dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat

BAB 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 terperinci

PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS

PERAMALAN 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 terperinci

HASIL DAN PEMBAHASAN. Eksplorasi Data

HASIL 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 terperinci

STUDI PERAMALAN (FORECASTING) KURVA BEBAN HARIAN LISTRIK JANGKA PENDEK MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE(ARIMA)

STUDI PERAMALAN (FORECASTING) KURVA BEBAN HARIAN LISTRIK JANGKA PENDEK MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE(ARIMA) Vol: 2 No.1 Maret 213 ISSN : 232-2949 STUDI PERAMALAN (FORECASTING) KURVA BEBAN HARIAN LISTRIK JANGKA PENDEK MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE(ARIMA) Syafii, dan Edyan Noveri

Lebih terperinci

BAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT

BAB 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 terperinci

diperkirakan apa yang akan terjadi dalam bidang ekonomi atau dalam dunia usaha

diperkirakan apa yang akan terjadi dalam bidang ekonomi atau dalam dunia usaha BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Dalam melakukan analisa ekonomi atau analisa kegiatan perusahaan, haruslah diperkirakan apa yang akan terjadi dalam bidang ekonomi atau dalam dunia usaha

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang. Peramalan diperlukan karena adanya kesenjangan waktu

Lebih terperinci

BAB II LANDASAN TEORI. Suatu sistem adalah suatu jaringan kerja dari prosedur-prosedur yang

BAB 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 terperinci

PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL. Oleh: Niswatul Maghfiroh NRP.

PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL. Oleh: Niswatul Maghfiroh NRP. PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL Oleh: Niswatul Maghfiroh NRP. 1208100065 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT

Lebih terperinci

(FORECASTING ANALYSIS):

(FORECASTING ANALYSIS): ANALISIS KUANTITATIF ANALISIS PERAMALAN Hand-out ke-3 ANALISIS PERAMALAN (FORECASTING ANALYSIS): Contoh-contoh sederhana PRODI AGRIBISNIS UNEJ, 2017 PROF DR IR RUDI WIBOWO, MS Contoh aplikasi tehnik peramalan

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah. Teknologi informasi telah berkembang dengan relatif pesat. Di era

BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah. Teknologi informasi telah berkembang dengan relatif pesat. Di era BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi informasi telah berkembang dengan relatif pesat. Di era informasi seperti sekarang ini kebutuhan akan informasi semakin meningkat, terutama dengan

Lebih terperinci

Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA

Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA Jeine Tando 1, Hanny Komalig 2, Nelson Nainggolan 3* 1,2,3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan

Lebih terperinci

PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010

PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010 Statistika, Vol., No., Mei PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI Reksa Nila Anityaloka, Atika Nurani Ambarwati Program Studi S Statistika Universitas Muhammadiyah

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Salah satu indikator tingkat kesejahteraan rakyat dapat dilihat dari perkembangan angka kematian balita, dikarenakan kematian balita berkaitan erat dengan keadaan ekonomi,

Lebih terperinci

PERAMALAN PENJUALAN DALAM RANGKA PERENCANAAN PRODUKSI PADA PERUSAHAAN FURNITURE (STUDI KASUS CV. BUDI LUHUR SIDOARJO)

PERAMALAN PENJUALAN DALAM RANGKA PERENCANAAN PRODUKSI PADA PERUSAHAAN FURNITURE (STUDI KASUS CV. BUDI LUHUR SIDOARJO) TUGAS AKHIR KS 141501 PERAMALAN PENJUALAN DALAM RANGKA PERENCANAAN PRODUKSI PADA PERUSAHAAN FURNITURE (STUDI KASUS CV. BUDI LUHUR SIDOARJO) MUH. THOLIB NRP 5211 100 0024 Dosen Pembimbing Erma Suryani,

Lebih terperinci

PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP

PERAMALAN 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 terperinci

BAB III METODE PENELITIAN. merupakan suatu proses, mencari kebenaran dan menghasilkan kebenaran.

BAB 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 terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang 1 BAB I PENDAHULUAN 1.1 Latar Belakang Di Era globalisasi saat ini, kartu kredit digunakan sebagai salah satu alternatif pengganti transaksi dengan uang tunai. Seiring dengan perkembangan zaman, pola prilaku

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LADASA TEORI 2.1 Peramalan (forecasting) 2.1.1. Hubungan Forecast dengan Rencana Forecast adalah peramalan apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa

Lebih terperinci

BAB III METODE PENELITIAN. dikumpulkan oleh pihak lain selain dari penelitian itu sendiri. Jenis data yang dipakai

BAB III METODE PENELITIAN. dikumpulkan oleh pihak lain selain dari penelitian itu sendiri. Jenis data yang dipakai 24 BAB III METODE PENELITIAN 1.1 Jenis dan Sumber Data Menurut Sekaran (2003), data sekunder merupakan informasi yang dikumpulkan oleh pihak lain selain dari penelitian itu sendiri. Jenis data yang dipakai

Lebih terperinci

LULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI

LULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat

Lebih terperinci

Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN

Jurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN Perencanaan Produksi Menggunakan Model dan Pengendalian Persediaan Menggunakan Program Dinamik untuk Meminimumkan Total Biaya (Studi Kasus: Produksi Amplang UD. Usaha Devi) Production Planning using Model

Lebih terperinci

PERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)

PERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) M-11 2) PERAMALAN JUMLAH PENUMPANG BANDARA I GUSTI NGURAH RAI DENGAN MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) Naili Farkhatul Jannah 1), Muhammad Bahtiar Isna Fuady 2), Sefri

Lebih terperinci

Peramalan 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 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 terperinci