Pemodelan Produksi Minyak dan Gas Bumi di PT. Z Menggunakan Metode ARIMA, FFNN, dan Hybrid ARIMA-FFNN
|
|
- Veronika Tanudjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 D-444 JURNAL SANS DAN SEN TS Vol. 5 No. 2 (206) (20-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi di PT. Z Menggunakan Meode ARMA, FFNN, dan Hybrid ARMA-FFNN Daniar Kusumaning Ayu, Desri Susilaningrum dan Suharono Jurusan Saisika, Fakulas MPA, nsiu Teknologi Sepuluh Nopember (TS) Jl. Arief Rahman Hakim, Surabaya 60 ndonesia desri_s@saisika.is.ac.id, suharono@saisika.is.ac.id, daniar4@mhs.saisika.is.ac.id Absrak Proses pengambilan produksi minyak dan produksi gas bumi yang dilakukan secara erus menerus di bawah anah oleh PT. Z dapa mengakibakan produksi ersebu menurun. Oleh karena iu, peneliian ini dilakukan ujuan unuk meramalkan produksi minyak dan produksi gas bumi pada beberapa periode mendaang menggunakan meode ARMA, FFNN, dan Hybrid ARMA-FFNN. Daa yang digunakan adalah produksi minyak dan produksi gas bumi per hari pada plaform S mulai 0 Januari sampai Desember 205. Hasil peneliian menggunakan meode ARMA, FFNN, dan Hybrid ARMA-FFNN menghasilkan kesimpulan bahwa model erbaik unuk produksi minyak bumi adalah menggunakan meode FFNN jumlah neuron pada hidden layer sebanyak sembilan. Sedangkan model erbaik unuk produksi gas bumi menggunakan meode Hybrid ARMA-FFNN jumlah neuron pada hidden layer sebanyak sepuluh. Kaa Kunci ARMA, FFNN, Hybrid ARMA-FFNN. M. PENDAHULUAN inyak bumi merupakan salah sau benuk hidrokarbon, yaiu senyawa kimia yang mengandung hidrogen dan karbon. Sedangkan gas alam aau sering juga disebu sebagai gas bumi merupakan bahan bakar fosil yang berasal dari sisa-sisa anaman, hewan dan mikroorganisme []. Pembenukan minyak dan gas bumi dapa erjadi karena beberapa fakor, yaiu adanya bebauan asal yang secara geologis memungkinkan erjadinya pembenukan minyak dan gas bumi, adanya perpindahan hidrokarbon dari bebauan asal menuju ke bebauan reservoir, dan adanya jebakan geologis. Pengambilan minyak dan gas bumi dapa dilakukan seelah pembenukan ersebu erjadi. Salah sau cara unuk melakukan pengambilan minyak dan gas bumi yang ada di bawah anah adalah membangun sumur melalui pemboran (drilling), memasang ubular sumur (casing), dan penyemenan (cemening). Kemudian dilakukan proses compleion unuk membua sumur siap digunakan. Proses ini melipui perforasi, yaiu pelubangan dinding sumur, pemasangan seluruh pipa-pipa dan kaup produksi besera aksesorisnya unuk mengalirkan minyak dan gas ke permukaan, pemasangan kepala sumur di permukaan, pemasangan berbagai peralaan keselamaan, pemasangan pompa jika diperlukan, dan lain sebagainya. Seelah sumur ersebu siap digunakan, maka akan diambil minyak bumi yang ada didalamnya. Proses pengambilan minyak dan gas bumi ersebu akan erus-menerus berjalan seiap harinya. Keika jumlah produksi minyak dan gas bumi mengalami penurunan akan dilakukan reamen pada sumur ersebu unuk menaikkan produksi minyak dan gas bumi ersebu [2]. PT. Z merupakan salah sau perusahaan yang memproduksi minyak dan gas bumi di ndonesia. PT. Z mempunyai banyak plaform yang didalamnya erdiri dari banyak sumur unuk menghasilkan produksi minyak dan produksi gas bumi. Plaform ersebu mempunyai wellhead (kepala sumur) yang berfungsi unuk proses produksi minyak dan produksi gas bumi ersebu. Oleh karena iu, ujuan dilakukan peneliian pemodelan jumlah produksi minyak dan produksi gas bumi pada di PT. Z menggunakan meode ARMA, FFNN, dan Hybrid ARMA-FFNN adalah unuk mengeahui produksi minyak dan produksi gas bumi pada beberapa periode mendaang, sehingga dapa mengeahui pada periode keberapa dilakukan reamen pada sumur yang mengalami penurunan pada produksi minyak bumi. Beberapa peneliian yang pernah dilakukan sebelumnya mengenai pemodelan minyak bumi, yaiu oleh Elliyana mengenai penerapan model GSTAR dan model ARMA unuk peramalan daa produksi minyak bumi di JOB P- PEJ yang memberikan hasil bahwa model yang paling sesuai kondisi daa adalah model GSTAR ( - () bobo lokasi inverse jarak []. Peneliian selanjunya oleh Adnyana mengenai penerapan boosrap pada neural nework unuk peramalan produksi minyak menah di ndonesia hasil yang diperoleh adalah produksi minyak menah dapa diramalkan ime series forecasing aau meode ARMA dimana model diasumsikan sebagai fungsi linier. Salah sau model nonlinier unuk ime series forecasing adalah arificial neural nework [4].. Saisika Deskripif TNJAUAN PUSTAKA Saisika deskripif adalah meode-meode yang berkaian pengumpulan dan penyajian suau gugus daa sehingga memberikan informasi yang berguna. Saisika deskripif memberikan informasi hanya mengenai daa yang dipunyai dan idak menarik inferensia aau kesimpulan [5]. Model Auoregressive negraed Moving Average (ARMA) Model ARMA merupakan penggabungan anara model Auoregressive (AR) dan Moving Average (MA). Secara umum, model ARMA non musiman dapa diuliskan sebagai ARMA (p,d,q) model maemais sebagai beriku [6].
2 JURNAL SANS DAN SEN TS Vol. 5 No. 2 (206) (20-928X Prin) D-445 dimana dan p ( ( d Z q ( a () Deeksi Oulier ( B... B ) p ( ( B... B ) q ( Oulier meruapakan gangguan kejadian yang mengakibakan pengamaan idak epa pada daa ersebu. Model oulier secara umum k oulier dapa diliha sebagai beriku [6]. k Z j ( Tj ) jv j ( X p q () Dimana X = (θ(/ϕ(a unuk AO v j ( = dan unuk O v j ( = θ(/ϕ( pada waku = T j FFNN (Feed Forward Neural Nework) FFNN disebu juga Muli Layer Percepron (MLP). Jaringan pada model FFNN menggunakan algorima backpropagaion yang melipui iga ahap yaiu umpan maju (feed forward) dari pola inpu, perhiungan dan propagasi balik dari error dan penyesuaian bobo [7]. Fungsi akivasi sigmoid pada neural nework adalah sebagai beriku. f x ex (4) Model FFNN sau hidden dan inpu X -,..., X -p dapa diulis dalam benuk sebagai beriku. y ˆ (5) 0 c0 n n0 n cn inx dimana y : oupu ψ 0 : fungsi akivasi neuron pada oupulayer ω c0 : bias neuron pada oupu layer ω n0 : pembobo pada hidden layer yang menuju oupu ψ n : fungsi akifasi neuron pada hidden layer ω cn : bias neuron pada hidden layer ω in : pembobo inpu yang menuju ke hidden layer Unuk h dimana n =,2,...,h dan p dimana n =,2,...,p. Arsiekur model FFNN uni inpu lag sampai p dan uni konsan, sau hidden layer neuron dan uni oupu dapa diilusrasikan sebagai beriku. Gambar. Arsiekur FFNN Dengan Uni npu Lag Sampai p dan Uni Konsan, Sau Hidden Layer Dengan Neuron dan Uni Oupu Hybrid ARMA-FFNN Hybrid ARMA-FFNN merupakan gabungan dari model ARMA dan FFNN.Model ARMA digunakan pada kondisi yang linier sedangkan pada neural nework digunakan pada kondisi yang non linier. Secara umum gabungan dari model ARMA dan neural neworkmenghasilkan persamaan sebagai beriku [8]. Y L N (6) J p q Dimana L merupakan komponen linier model ARMA dan N merupakan komponen non linier model NN Minyak dan Gas Bumi Minyak bumi disebu sebagai emas hiam aau emas cair yang merupakan salah sau benuk hidrokarbon, yaiu senyawa kimia yang mengandung hidrogen dan karbon sauan yang digunakan yaiu bbls (barel). Sedangkan gas alam sering juga disebu sebagai gas bumi yang diemukan di ladang minyak bersama minyak bumi, ladang gas bumi, dan juga ambang bau bara [9]. Sauan yang digunakan pada gas bumi adalah mscf (milion sandar cubic feed). Gas alam yang didapa dari dalam sumur di bawah bumi, biasanya bergabung minyak bumi. Pada produksi minyak aau gas yang erdapa di plaform lepas panai merupakan sebuah srukur lepas panai eap (fixed) aau isilah yang sering digunakan unuk menggambarkan suau insalasi lepas panai. Sedangkan sumur produksi merupakan sumur yang mampu menghasilkan minyak bumi, gas bumi, maupun keduanya. Sera memiliki aliran fluida dari bawah ke aas [0].. METODOLOG PENELTAN Sumber Daa dan Variabel Peneliian Daa yang digunakan pada peneliian ini adalah daa sekunder mengenai produksi minyak dan produksi gas bumi yang diperoleh dari PT. Z pada plafrom S. Daa ersebu merupakan daa harian yang diambil pada periode 0 Januari sampai Desember 205. Langkah-langkah Analisis Langkah-langkah yang dilakukan unuk menjawab ujuan peneliian adalah sebagai beriku. ) Analisis saisika deskripif. Melakukan analisis saisika deskripif unuk mengeahui karakerisik produksi minyak dan produksi gas bumi di PT. Z plo ime series, mean, maksimum, dan minimum. 2) Melakukan pemodelan menggunakan meode ARMA, FFNN, dan Hybrid ARMA-FFNN. i. Pemodelan produksi minyak dan produksi gas bumi menggunakan meode ARMA adalah sebagai beriku a. Membagi daa ime series menjadi daa in sample dan ou sample. b. Membua ime series plo. c. Melakukan pengecekan sasionerias dalam varians dan mean. Jika idak sasioner dalam varians, maka dilakukan ransformasi. Sedangkan jika idak sasioner dalam mean, maka dilakukan differencing. d. Melakukan idenifikasi model daa produksi minyak dan produksi gas bumi di PT. Z. e. Melakukan esimasi dan pengujian parameer berdasarkan model yang elah diduga. f. Melakukan diagnosic checking memenuhi dua asumsi, yaiu whie noise dan berdisribusi normal. Jika idak berdisribusi normal dan ada daa eksrim makadilakukan deeksi oulier. g. Pemilihan model erbaik meliha nilai RMSE paling rendah dari model yang elah didapakan.
3 D-446 JURNAL SANS DAN SEN TS Vol. 5 No. 2 (206) (20-928X Prin) h. Seelah mendapakan model erbaik, maka dilakukan peramalan unuk beberapa periode mendaang menggabungkan daa in sample dan ou sample. ii. Pemodelan produksi minyak dan produksi gas bumi menggunakan meode FFNN adalah sebagai beriku a. Menenukan banyak inpu, jumlah neuron dalam hidden layer, bobo awal, dan fungsi akivasi. b. Melakukan in-sampling raining pada daa pelaihan memasukkan bobo dan arsiekur FFNN yang elah didapakan unuk mendapakan model erbaik. c. Pemilihan model erbaik berdasarkan nilai RMSE erkecil. d. Melakukan peramalan pada beberapa periode mendaang menggabungkan daa in sample dan ou sample. iii. Pemodelan produksi minyak dan produksi gas bumi menggunakan meode hybrid ARMA- FFNN. a. Melakukan pemodelan ARMA unuk daa produksi minyak dan produksi gas bumi. b. Mendapakan residual hasil ramalan daa produksi minyak dan produksi gas bumi dari model ARMA. c. Melakukan pemodelan FFNN inpu yang digunakan berdasarkan residual dari model ARMA yang erpilih meliha lag yang signifikan pada plo ACF dan PACF. d. Pemilihan model erbaik berdasarkan nilai RMSE erkecil. e. Melakukan peramalan pada beberapa periode mendaang menggabungkan daa in sample dan ou sample. V. Analisis Deskripif HASL DAN PEMBAHASAN Analisis saisika deskripif dari daa produksi minyak dan produksi gas bumi di PT. Z pada plaform S dapa disajikan pada Gambar 2. Berdasarkan Gambar 2 dapa dikeahui bahwa pola daa pada produksi minyak dan produksi gas bumi mulai bulan Januari hingga Desember ahun 205 mempunyai pola yang sama, yaiu belum sasioner. Pada pola ersebu juga idak erdapa adanya pola musiman karena idak ada pengulangan secara periodik pada seiap harinya. Oil Gas (a) (b) Gambar 2. Plo Time Series Daa Produksi Minyak Bumi (a) dan Produksi Gas Bumi (b) 75 ndex 75 ndex Oil Gas (a) (b) Senin Senin Selasa Selasa Rabu Rabu Gambar. Box-Plo Daa Produksi Minyak Bumi (a) dan Produksi Gas Bumi (b) Gambar menunjukkan bahwa pada hari Juma raaraa jumlah produksi minyak bumi per hari paling banyak yaiu sebesar 80,46 bbls. Sedangkan pada gambar boxplo daa produksi gas bumi (b) raa-raa jumlah produksi gas bumi per harinya paling banyak adalah pada hari Juma yaiu sebesar 5588,69 mscf. Berdasarkan pola boxplo ersebu juga erdapa daa eksrim aau adanya oulier. Oulier pada daa produksi minyak bumi erjadi pada periode 06 Januari, 05 Februari, 25 Mare, 26 Mare, 05 April, 07 April, 0 April, Okober, 6 Desember, dan Desember ahun 205. Sedangkan oulier pada daa produksi gas bumi erjadi pada periode 06 Januari, 0 April, Okober, Desember ahun 205. Kamis H Kamis H Juma Juma Sabu Sabu Pemodelan Produksi Minyak Bumi Pemodelan daa produksi minyak bumi dilakukan iga meode, yaiu meode ARMA, FFNN, dan Hybrid ARMA-FFNN. Pemodelan menggunakan meode ARMA dilakukan beberapa ahap. Tahap perama adalah idenifikasi model melakukan pengecekan sasionerias dalam varians dan mean. Daa produksi minyak bumi ernyaa sudah sasioner erhadap varians karena nilai selang inerval sudah memua angka lebih dari. Sedangkan saa dilakukan pengecekan sasioner erhadap mean belum sasioner, sehingga dilakukan proses differencing pada lag. Selanjunya dilakukan pendugaan model plo ACF menunjukkan bahwa plo urun cepa secara eksponensial (dies down) dan plo PACF menunjukkan plo erpuus seelah lag ke-2. Berdasarkan plo ACF dan PACF model yang elah diduga adalah ARMA (0,,) dan ARMA (2,,0). Esimasi dan pengujian parameer dilakukan berdasarkan model yang elah diduga kesimpulan bahwa model signifikan karena P-value kurang dari (0,05). Sedangkan pada diagnosic checking kedua model ersebu elah memenuhi asumsi whie noise dan idak berdisribusi normal. Oleh karena iu dilanjukan deeksi oulier. Berdasarkan hasil esimasi dan pengujian parameer model ARMA (0,,) dan ARMA (2,,0) deeksi oulier daa produksi minyak bumi menghasilkan kesimpulan bahwa kedua model elah signifikan. Pada ahap diagnosic checking model ARMA (0,,) dan ARMA (2,,0) elah memenuhi asumsi whie noise karena P-value lebih besar dari (0,05) dan eap idak berdisribusi normal seelah dilakukan deeksi oulier. Tahap selanjunya adalah pemilihan model erbaik meliha nilai RMSE dari ou sample. Model Minggu Senin
4 JURNAL SANS DAN SEN TS Vol. 5 No. 2 (206) (20-928X Prin) D-447 ARMA yang erbaik adalah model ARMA (2,,0) nilai RMSE paling rendah sebesar 22,70. Benuk umum model ARMA (2,,0) deeksi oulier diampilkan pada persamaan sebagai beriku. Z ,86004Z 0,0776Z 0,24772Z a 676, , , ,506 0, ,849,4779 ( ) ( ) ( ) ( ,422 22,9200 0,758 4, ,2489 ( ) ( ) ( ,690 48,49 75, , ,2008 ( ) 49, , , ,820 68,205 ( ) ( ) ( ) 74, , ,500 64, , ( ) ( ) ( ) ( ) ( , , , ,8844 7,8786 ( ) ( ) ( 8, , , ,87 62,248 ( ) ( ) ( 08, , , , ,749 ( ) ( ) 42, , ,9 66,478 4,66 ( ) ( 57, , ,8627 ( Meode yang digunakan selanjunya adalah pemodelan daa produksi minyak bumi menggunakan FFNN. Sebelum analisis dilakukan, diperlukan uji linierias yang menghasilkan kesimpulan bahwa daa produksi minyak bumi merupakan model non linier karena P-value (4,76e - 0 ) kurang dari α (0,05). Sehingga dapa dilakukan pemodelan menggunakan FFNN. npu yang digunakan pada model ARMA (2,,0) berdasarkan lag yang signifikan pada PACF, yaiu lag dan lag 2 sera differencing lag. Sehingga inpu yang digunakan adalah Y -, Y -2, Y -. Unuk arge pemodelan FFNN adalah Y. Berdasarkan jumlah neuron pada hidden layer yang digunakan sebanyak sau hingga sepuluh menunjukkan bahwa nilai RMSE dari ou sample paling rendah adalah sebesar 2,65 jumlah neuron dalam hidden layer sebanyak sembilan. Secara umum arsiekur jaringan model NN dapa dimodelkan sesuai fungsi akifasi sigmoid pada hidden layer dan fungsi linier pada oupu. Model yang didapakan adalah sebagai beriku. Gambar 5. Arsiekur FFNN Daa Produksi Minyak Bumi Dengan Uni npu Lag Sampai Lag Dengan Uni Konsan, Sau Hidden Layer Dengan 0 Neuron dan Uni Oupu Meode selanjunya adalah pemodelan produksi minyak bumi menggunakan hybrid ARMA-FFNN. npu yang digunakan yaiu N -, N -2, N - yang diperoleh berdasarkan lag yang signifikan pada PACF dan differencing lag. Unuk arge pemodelan FFNN adalah N. Dalam pemodelan FFNN unuk produksi minyak bumi pada hidden layer digunakan jumlah neuron sebanyak sau hingga sepuluh neuron unuk mendapakan model yang sesuai. Didapakan nilai RMSE erkecil jumlah neuron pada hidden layer sebanyak empa neuron nilai RMSE sebesar 22,. Secara umum arsiekur jaringan model NN dapa dimodelkan sesuai fungsi akifasi sigmoid pada hidden layer dan fungsi linier pada oupu. Model Hybrid ARMA-FFNN yang didapakan adalah sebagai beriku. Y L N L merupakan model ARMA dan N adalah model dari FFNN. Zˆ * 0,962,456h,49h2 0,09h 0,268h4,509h5,606N ˆ * h 6 5,26 4,54h 4,746h2,04h 0,826h4 0,97h7,785h8 2,67h9 h exp ( (,246 2,26Z* 2,82Z* 0,05Z* h 2 exp ( ( 0,0240,098Z* 0,072Z*,27Z* 2 h 2 exp ( (,45 2,49 Z* 2,8 Z* 0,5 Z* 2 h 2 exp ( ( 0,479 0,25Z * 0,92 Z* 0,296 Z* h 2 exp ( ( 0,772 0,96Z* 0,24Z* 0,5Z* 2 h exp ( ( 0,56 0,22 Z* 0,48 Z* 0,02 Z* h 4 2 exp ( ( 0,990,949Z* 0,5Z*,226Z* 2 h 4 exp ( (0,540,248Z* 0,860Z* 0,522Z* 2 Pemodelan Produksi Gas Bumi h 5 exp ( (0,298,674Z* 0,480Z* 0,560Z* 2 h 6 exp ( (,820,02Z* 2,05Z* 0,Z* 2 h 7 exp ( (0,020,270Z* 0,46Z* 0,26Z* 2 h 8 exp ( (0,520,267Z* 0,064Z*,4Z* 2 h9 exp ( (0,6552,264Z*,226Z*,296Z* 2 Pemodelan produksi gas bumi juga dilakukan menggunakan iga meode, yaiu meode ARMA, FFNN, dan Hybrid ARMA-RBFNN. Meode perama yang dilakukan adalah ARMA. Pada pengecekan sasioner pada daa produksi gas bumi ernyaa sudah sasioner erhadap varians karena nilai selang inerval sudah memua angka lebih dari. Sedangkan pengecekan sasioner erhadap mean ernyaa belum sasioner sehingga dilakukan proses differencing pada lag. Selanjunya pendugaan model plo ACF yang menunjukkan bahwa plo urun cepa secara eksponensial (dies down) dan plo PACF menunjukkan plo erpuus
5 D-448 JURNAL SANS DAN SEN TS Vol. 5 No. 2 (206) (20-928X Prin) seelah lag ke 2. Berdasarkan plo ACF dan PACF model yang diduga adalah ARMA (0,,2), ARMA (,,) dan ARMA (2,,). Esimasi dan pengujian parameer dilakukan berdasarkan model yang elah diduga kesimpulan bahwa semua parameer pada model signifikan karena P-value kurang dari (0,05). Sedangkan pada diagnosic checking pada keiga model ersebu elah memenuhi asumsi whie noise dan idak berdisribusi normal. Oleh karena iu dilanjukan deeksi oulier. Berdasarkan hasil esimasi dan pengujian parameer dari keiga model ersebu deeksi oulier daa produksi gas bumi menghasilkan kesimpulan bahwa keiga model elah signifikan. Pada ahap diagnosic checking keiga model ersebu juga elah memenuhi asumsi whie noise dan eap idak berdisribusi normal seelah dilakukan deeksi oulier. Selanjunya pemilihan model erbaik meliha Nilai RMSE ou sample paling rendah erdapa pada model ARMA (0,,2) yaiu sebesar 997,425. Benuk umum persamaannya adalah sebagai beriku. 9 6 Z Z 0,66a 0,626a a 908,7 2954,9 272, , , , ,8 088,4 ( ( ( 904, , ,4 6 68, , 22, ,2 77, 892, ,2 ( ) ( ) ( ( ( , , , , ,00 ( ( ( ( 877, , , , ,2574 ( ( ( 700, , , , ,542 ( ( ( ( 58 64, , , , ,408 ( 542, , ( ,8988 Meode selanjunya adalah pemodelan daa produksi gas bumi menggunakan FFNN. Sebelum analisis dilakukan, diperlukan uji linierias yang menghasilkan kesimpulan bahwa daa produksi gas bumi merupakan model non linier karena P-value (2,08e -6 ) kurang dari α (0,05). Sehingga dapa dilakukan pemodelan menggunakan FFNN. npu yang digunakan pada model ARMA (0,,2) adalah Y, Y 2, Y yang diperoleh dari PACF berdasarkan lag yang signifikan dan differencing lag. Unuk arge pemodelan FFNN adalah Y. Berdasarkan jumlah neuron pada hidden layer yang digunakan sebanyak sau hingga sepuluh menunjukkan bahwa nilai RMSE dari ou sample paling rendah sebesar 99,70 jumlah neuron dalam hidden layer sebanyak sembilan. Secara umum arsiekur jaringan model NN dapa dimodelkan sesuai fungsi akifasi sigmoid pada hidden layer dan fungsi linier pada oupu. Model yang didapakan adalah sebagai beriku. Zˆ *,68 0,5h,268h2,795 h,428 h4 2,606h5 h exp ( ( 0,646,578Z* 0,767Z* 0,76Z* 2 h 2 exp ( (,85 0,40 Z* 0,820 Z* 0,685 Z* 2 h exp ( (,262,72Z*,20Z* 0,498Z* 2 99 h4 exp ( ( 0,665,54Z* 0,78Z* 0,9Z* 2 h5 exp ( (,065 0,442Z* 0,49Z* 0,494Z* 2 Meode selanjunya adalah menggunakan hybrid ARMA-FFNN. npu yang digunakan yaiu N -, N -2, N - yang diperoleh berdasarkan residual lag-lag orde pada model ARMA. Unuk arge pemodelan FFNN adalah N. Dalam pemodelan FFNN unuk produksi gas bumi pada hidden layer digunakan jumlah neuron sebanyak sau hingga sepuluh neuron unuk mendapakan model yang sesuai. Didapakan nilai RMSE erkecil jumlah neuron pada hidden layer sebanyak Sepuluh nilai RMSE sebesar 804,7. Secara umum arsiekur jaringan model NN dapa dimodelkan sesuai fungsi akifasi sigmoid pada hidden layer dan fungsi linier pada oupu. Model Hybrid ARMA-FFNN yang didapakan adalah sebagai beriku. Y L N L merupakan model ARMA dan N adalah model dari FFNN Nˆ * 0,86 2,476h,78h2,74h,09h4,97h5 0,927h6,25h7 0,844h8 0,475h9 0,82h0 h exp ( (,72,Z * 0,8 * 0,56 * Z 2 Z h 2 exp ( (,60,784Z *,29 * 0,792 * Z 2 Z h exp ( (0,0860,29Z * 0,446 * 0,460 * Z 2 Z h4 exp ( (0,074 0,7 Z * 0,47 * 0,24 * Z 2 Z h5 exp ( ( 0,082 0,7Z * 0,69 * 0, * Z 2 Z h 6 exp ( (0,954 0,89 Z * 0,442 * 0,2 * Z 2 Z h 7 exp ( (0,96 0,87 Z * 0,909 * 0,259 * Z 2 Z h 8 exp ( ( 0,9 0,25Z * 0,275 * 0,5 * Z 2 Z h9 exp ( (0,56 0,55Z * 0,07 * 0,256 * Z 2 Z h 0 exp ( (0,507 0,24 Z * 0,477 * 0,085 * Z 2 Z Hasil pemilihan model erbaik menggunakan meode ARMA, FFNN, dan Hybrid ARMA-FFNN dapa disajikan sebagai beriku. TABEL. HASL PEMLHAN MODEL TERBAK DATA PRODUKS MNYAK DAN PRODUKS GAS BUM DENGAN METODE ARMA, FFNN, DAN HYBRD ARMA-FFNN No Produksi Minyak Bumi 2 Gas Bumi Model RMSE n-sample Ou-sample ARMA (2,,0) 22,96 22,70 FFNN (jumlah neuron 9) 75,428 2,65 Hybrid ARMA-FFNN (jumlah neuron 4) 20,722 22, ARMA (0,,2) 25, ,425 FFNN (jumlah neuron 5) 507,566 99,70 Hybrid ARMA-FFNN (jumlah neuron 0) 94,9 804,7 Berdasarkan Tabel menjelaskan bahwa pemilihan model erbaik daa produksi minyak bumi adalah menggunakan meode FFNN nilai RMSE erkecil
6 JURNAL SANS DAN SEN TS Vol. 5 No. 2 (206) (20-928X Prin) D-449 sebesar 22,. Sedangkan pemilihan model erbaik daa produksi gas bumi adalah menggunakan meode Hybrid ARMA-FFNN nilai RMSE erkecil sebesar 804,7. Selanjunya diperoleh hasil peramalan unuk periode 4 hari kedepan yaiu sebagai beriku. TABEL 2. HASL RAMALAN DATA PRODUKS MNYAK DAN PRODUKS GAS BUM DAR MODEL TERBAK = hari Produksi = hari Produksi (206) Minyak Gas (206) Minyak Gas Kesimpulan V. KESMPULAN DAN SARAN Kesimpulan yang didapa dalam peneliian ini adalah sebagai beriku.. Berdasarkan hasil analisis saisika deskripif pada plo ime series daa produksi minyak bumi dan produksi gas bumi belum sasioner. Raa-raa produksi minyak bumi yang dihasilkan per hari adalah sebesar 78 bbls, sedangkan raa-raa produksi gas bumi yang dihasilkan per hari adalah sebesar mscf. 2. Model erbaik unuk produksi minyak bumi adalah menggunakan meode FFNN jumlah neuron pada hidden layer sebanyak sembilan.. Hasil ramalan 4 periode ke depan mengalami penurunan penurunan produksi minyak bumi paling rendah, yaiu pada periode perama anggal Januari 206 sebesar 56 bbls.. Model erbaik unuk produksi gas bumi adalah menggunakan meode Hybrid ARMA-FFNN jumlah neuron pada hidden layer sebanyak sepuluh. Hasil ramalan 4 periode ke depan mengalami penurunan penurunan produksi gas bumi paling rendah, yaiu pada periode perama anggal Januari 206 sebesar 229 mscf. Saran Saran yang diberikan pada peneliian ini adalah hasil ramalan pada daa produksi minyak bumi perlu dilakukan reamen unuk meningkakan produksi ersebu karena pada hasil ramalan 4 periode kedepan produksi minyak bumi mengalami penurunan. DAFTAR PUSTAKA [] nvesmen,. (205). Gas Alam. Diunduh Februari 7, 206, dari ndonesia nvesmen: hp:// /komodias/gas-alam/iem84 [2] Samperuru, D. (2007). Dari Mana Daangnya Minyak Bumi. Buku Pinar Migas ndonesia, -7. [] Elliyana, M. (2009). Penerapan Model GSTAR dan ARMA Unuk Peramalan Daa Produksi Minyak Bumi di Join Operaing Body Peramina-Perochina Eas Java (JOB P-PEJ). Tugas Akhir Jurusan Saisika FMPA TS. [4] Adnyana,. B. (20). Penerapan Boosrap Pada Neural Nework Peramalan Produksi Minyak Menah di ndonesia. Tugas Akhir Jurusan Saiska FMPA TS. [5] Walpole, E. R. dan Raymond, M. (995). lmu Peluang dan Saisika Unuk lmuwan dan nsinyur Edisi Keempa. Bandung: TB [6] Wei, W. W. S. (2006). Time Series Analysis Univariae and Mulivariae Mehods. USA: Pearson Educaion, nc. [7] Ayuni, N. W. D. (20). Pemodelan Angka Harapan Hidup di Provinsi Jawa Timur Tahun 2007 dan 20 Berdasarkan Angka Melek Huruf, Raa-raa Lama Sekolah, dan Pengeluaran Perkapia. Jurnal Maemaika vol. No., 2-2. [8] Fause, L. (994). Fundamenal of Neural Nework: Archiecures, algorihm and applicaions. Pranice Hal. [9] Syuhada, G. (204). Jenis-jenis Rig Pengeboran Offshore. Diunduh Februari 07, 206, dari hp://gugussyuhada.com/ag/migas/ [0] Adinugroho, N. (2007). Macam Sumur dan Rig Dalam Perminyakan. Dipeik Februari 07, 206, dari hps://nooradinugroho.wordpress.com /2007/09/27/macamsumur-dan-rig-dalam-perminyakan/
Pemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network
D-378 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) 2337-3520 (23-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi pada Plaform MK di PT X Menggunakan Meode ARIMA, Neural Nework, dan Hibrida ARIMA-Neural
Lebih terperinci*Corresponding Author:
Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan
Lebih terperinciAbstrak Hampir seluruh aktivitas manusia di berbagai belahan bumi sangat bergantung terhadap ketersediaan air bersih.
1 Peramalan Volume Produksi Air Bersih di PDAM Kabupaen Bojonegoro berdasarkan Jumlah Pelanggan dan Volume Konsumsi Air Fasha Aulia Pradhani dan Adaul Mukarromah Jurusan Saisika, FMIPA, ITS Jl. Arief Rahman
Lebih terperinciPemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Metode Intervensi dan Regresi Spline ABSTRAK
Pemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Meode Inervensi dan Regresi Spline Rina Andriani, Dr. Suharono, M.Sc 2 Mahasiswa Jurusan Saisika FMIPA-ITS, 2 Dosen Jurusan Saisika FMIPA-ITS
Lebih terperinciPemodelan Volatilitas Saham Menggunakan Jaringan Syaraf Tiruan dan Algoritma Genetika
Pemodelan Volailias Saham Menggunakan Jaringan Syaraf Tiruan dan Algorima Geneika Hasbi Yasin 1 1 Jurusan Saisika Undip, hasbiyasin@undip.ac.id Absrak. Flukuasi yang besar dan idak pasi dalam peramalan
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih terperinciPeramalan Kebutuhan Bahan Bakar Premium di Depot Ampenan dengan Metode Hibrida Arima- Neural Network untuk Optimasi Persediaan
JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 202) ISSN: 230-928X D-94 Peramalan Kebuuhan Bahan Bakar Premium di Depo Ampenan dengan Meode Hibrida Arima- Neural Nework unuk Opimasi Persediaan Okivianis Kusumaningrum,
Lebih terperinciAnalisis Peramalan Jumlah Penumpang Kereta Api Penataran Tujuan Surabaya-Malang
Analisis Peramalan Jumlah Penumpang Kerea Api Penaaran Tujuan Surabaya-Malang Oleh. Andria Prima Diago 08.00.0 Dosen Pembimbing. r. Dwiamono Agus, M.komp Andria Prima Diago 08.00.0 nsiu Teknologi Sepuluh
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciPemodelan VAR-NN dan GSTAR-NN untuk Peramalan Curah Hujan di Kabupaten Malang
JURNAL SAINS DAN SENI POMITS Vol., No., () - (-X Prin) D- Pemodelan VAR-NN dan GSTAR-NN unuk Peramalan Curah Hujan di Kabupaen Malang Kadek Ardya Novi Diani dan Seiawan dan Suharono Saisika, Fakulas Maemaika
Lebih terperinciANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 009 XV-1 ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI Muhammad Sjahid Akbar, Jerry Dwi Trijoyo
Lebih terperinciPERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT
Saisika, Vol. 2, No. 2, November 24 PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Sri Wahyuni, 2 Farikhin, Iswahyudi Joko Suprayino Program Sudi Saisika
Lebih terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciModel ARIMAX Dan Deteksi GARCH Untuk Peramalan Inflasi Kota Denpasar Tahun 2014
JEKT Model ARIMAX Dan Deeksi GARCH Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 Rukini *) Badan Pusa Saisik Provinsi Bali ABSTRAK pemerinah dalam mengambil kebijakan unuk menjaga sabilias moneer di masa
Lebih terperinciPeramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk
Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Oleh : Dwi Hapsari K (1306 100 015) Dosen Pembimbing : Dra. Karika Firiasari, M.Si 1 Pendahuluan Laar Belakang, Perumusan Masalah, Tujuan
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang
Lebih terperinciBAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
20 BAB 2 LADASA TEORI 2.1. Pengerian Peramalan Meode Peramalan merupakan bagian dari ilmu Saisika. Salah sau meode peramalan adalah dere waku. Meode ini disebu sebagai meode peramalan dere waku karena
Lebih terperinciPERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR
TUGAS AKHIR SS 145561 PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR SARIRAZTY DWIJANTARI NRP 1314 030 010 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN
Lebih terperinciPrediksi Permintaan BBM di PT. Pertamina Region V dengan Metode Peramalan Data Time Series Hirarki
Prediksi Perminaan BBM di PT. Peramina Region V dengan Meode Peramalan Daa Time Series Hirarki Prania Dian Uari dan 2 Suharono Mahasiswa Jurusan Saisika FMIPA-ITS (38 57) 2 Dosen Jurusan Saisika FMIPA-ITS
Lebih terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciOleh: TANTI MEGASARI Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes
PERAMALAN INDEKS HARGA SAHAM YANG DIPENGARUHI KURS, PERUBAHAN INFLASI, POSISI JUMLAH DEPOSITO BERJANGKA, SUKU BUNGA SBI DAN DEPOSITO MENGGUNAKAN FUNGSI TRANSFER DAN ARCH-GARCH Oleh: TANTI MEGASARI 6 00
Lebih terperinciPERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN
PERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN Yuli Wahyuningsih (), Brodjol Suijo S. U (), Suharono () Mahasiswa Jurusan Saisika, FMIPA, Insiu Teknologi
Lebih terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih terperinciBAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun
BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER. Muflih Rori Putra Harahap
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER Muflih Rori Pura Harahap 30 00 052 Pembimbing : Dr. Drs. Agus Suharsono, M.S. LATAR BELAKANG PENDAHULUAN
Lebih terperinciBAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel
BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah
Lebih terperinciPERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi (308 030 060) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si Laar Belakang 2 Laar
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinciPenentuan Pelebaran Window Time Optimal Pada Data Deret Waktu
1 Penenuan Pelebaran Window Time Opimal Pada Daa Dere Waku (1) Nursya`bani Hendro Prabowo dan (2) Raden Mohamad Aok Deparemen Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam, Insiu Teknologi Sepuluh
Lebih terperinciMODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR
MODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR S - 27 Rukini, Suharono2 2,2 Jurusan Saisika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciPeramalan Return Saham Bank Central Asia Menggunakan Self Exciting Threshold Autoregressive Genetic Algorithm
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Prin) D-71 Peramalan Reurn Saham Bank Cenral Asia Menggunakan Self Exciing Threshold Auoregressive Geneic Algorihm Tesalonika Puri dan
Lebih terperinci2 efek dari pengaruh kejadian luar (exernal even) pada daa ime series (Wei, 2006). Bila y adalah daa ime series yang mengandung variasi kalender, maka
. PERAMALAN VOLUME KENDARAAN MASUK DI TOL DUPAK-WARU MENGGUNAKAN MODEL VARIASI KALENDER Yosua D. Charismawan (1304 100 024) Pembimbing : Ir. Dwiamono Agus W.,M.Ikom ABSTRAK Tol Surabaya-Gempol merupakan
Lebih terperinciBAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
BAB 3 METODOLOGI PEMECAHAN MASALAH 3.1 Tahapan Pemecahan Masalah Tahapan pemecahan masalah berfungsi unuk memudahkan dalam mencari jawaban dalam proses peneliian yang dilakukan agar sesuai dengan arah
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan
Lebih terperincimetodologi penelitian
pendahuluan injauan pusaka meodologi peneliian hasil dan pembahasan kesimpulan Pusaka Meodologi Peningkaan Energi lisrik Kebuuhan energi lisrik Pengembangan sisem energi lisrik Peramalan beban lisrik Slide
Lebih terperinciPeramalan Curah Hujan di Wilayah Surabaya Timur dengan Vector Autoregressive Neural Network
JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prin) D-175 Peramalan Curah Hujan di Wilayah Surabaya Timur dengan Vecor Auoregressive Neural Nework Febrian Krisianda dan Karika Fihriasari
Lebih terperinciPeramalan Inflasi Nasional Berdasarkan Faktor Ekonomi Makro Menggunakan Pendekatan Time Series Klasik dan ANFIS
JURNAL SAINS DAN SENI IS Vol. 4, No., () 2337-3 (2-928X Prin) D-67 Peramalan Inflasi Nasional Berdasarkan Fakor Ekonomi Makro Menggunakan Pendekaan ime Series Klasik dan ANFIS Clara Agusin Sephani, Agus
Lebih terperinciDAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function)
DAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Sudi Aplikasi Model Inervensi dengan Sep Funcion) S-3 Kismianini dan Dhoriva Urwaul Wusqa Jurusan Pendidikan Maemaika
Lebih terperinciPeramalan Pengguna Kapal Ferry Ujung-Kamal dengan Metode Intervensi
D-480 JURNAL SAINS DAN SENI IS Vol. No. 2 (6) 2337-3 (2-928X Prin) Peramalan Pengguna Kapal Ferry Ujung-Kamal dengan Meode Inervensi Eka Apriliani, dan Irhamah Jurusan Saisika, Fakulas MIPA, Insiu eknologi
Lebih terperinciPeramalan Jumlah Pengunjung Domestik dan Mancanegara di Maharani Zoo & Goa Menggunakan ARIMA Box - Jenkins
Peramalan Jumlah Pengunjung Domesik dan Mancanegara di Maharani oo & Goa Menggunakan ARIMA Box - Jenkins Vivi Kusuma Sulisyawai (3030085) Dosen Pembimbing Dr. Irhamah, S.Si.,M.Si Laar Belakang Rumusan
Lebih terperinciPeramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Multi Input. : Nesia Brilliana I.P NRP :
Peramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Muli Inpu Nama : Nesia Brilliana I.P NRP : 20800023 Jurusan : Maemaika Dosen Pembimbing : Dra. Nuri Wahyuningsih, M. Kes Pemberian pupuk
Lebih terperinciPerbandingan Metode Winter Eksponensial Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X
JURAL SAIS DA SEI ITS Vol. 6, o.1, (2017) 2337-3520 (2301-928X Prin) A 1 Perbandingan Meode Winer Eksponensial Smoohing dan Meode Even Based unuk Menenukan Penjualan Produk Terbaik di Perusahaan X Elisa
Lebih terperinciAPLIKASI METODE JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI DATA INDEKS HARGA SAHAM GABUNGAN DI INDONESIA
APLIKASI METODE JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI DATA INDEKS HARGA SAHAM GABUNGAN DI INDONESIA 1 Arani Indraseianigsih, 2 Ika Damayani 1,2 Program Sudi Saisika, Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciDAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII
Bulein Ilmiah Mah. Sa. dan Terapannya (Bimaser) Volume 6, No. 3 (27), hal 83 2. MODEL SPACE-TIME DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII Ella Kurniawai, Naomi Nessyana
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinciPERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR.
PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,,)(0,,) 2 TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains
Lebih terperinciPEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 9 PEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL Y.P.Y. Asmara,
Lebih terperinciPERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS Mohammad Fariq NRP 1314 030 015 Dosen Pembimbing Dra. Sri Mumpuni Renaningsih,
Lebih terperinciPeramalan Inflasi Menggunakan Model Fungsi Transfer Multi Input. Forcasting Inflation Using Multiple Input Transfer Function Model
Peramalan Inflasi Menggunakan Model Fungsi Transfer Muli Inpu Forcasing Inflaion Using Muliple Inpu Transfer Funcion Model Novi Adisia, Sri Wahyuningsih, dan Rio Goeanoro 3 Laboraorium Saisika Terapan
Lebih terperinciDosen Pembimbing Dr. Brodjol Sutijo Suprih Ulama, M.Si.
TUGAS AKHIR SS 145561 PERAMALAN NILAI IMPOR NON MIGAS DI JAWA TIMUR DENGAN MENGGUNAKAN METODE ARIMA BOX-JENKINS BOBBY AKBAR NRP 1314 030 002 Dosen Pembimbing Dr Brodjol Suijo Suprih Ulama, MSi DEPARTEMEN
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian yang dilakukan mengenai analisis perencanaan pengadaan una berdasarkan ramalan ime series volume ekspor una loin beku di PT Tridaya Eramina
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciPENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN
IndoMS Journal on Saisics Vol., No. (04), Page 7-37 PENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN Dinda Ariska Wulandari,
Lebih terperinciPERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN (STUDI KASUS KOTA SALATIGA, BULAN JANUARI 2014 JULI 2016)
Prosiding Seminar Maemaika dan Pendidikan Maemaika ISBN: 978-602-622-20-9 hal 935-950 November 206 hp://jurnal.fkip.uns.ac.id PERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN
Lebih terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih terperinciPeramalan Beban Listrik di Jawa Timur Menggunakan Metode ARIMA dan Adaptive Neuro Fuzzy Inference System (ANFIS)
JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) -50 (0-9X Prin) D-9 Peramalan Beban Lisrik di Jawa Timur Menggunakan Meode ARIMA dan Adapive Neuro Fuzzy Inference Sysem () Indana La Zulfa dan Suharono Jurusan
Lebih terperinciPERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS Puri Handayani NRP 1314 030 112 Dosen Pembimbing Dr. Brodjol Suijo Suprih Ulama, M.Si. Deparemen
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiaan memperkirakan apa yang akan erjadi pada masa yang akan daang. Ramalan adalah sesuau kegiaan siuasi aau kondisi yang diperkirakan akan erjadi
Lebih terperinciANALISIS JUMLAH PERMINTAAN DARAH JENIS PACKED RED CELL DI PMI SURABAYA MENGGUNAKAN ARIMA, ARTIFICIAL NEURAL NETWORK DAN HYBRID ARIMA ANN
TUGAS AKHIR SS450 ANALISIS JUMLAH PERMINTAAN DARAH JENIS PACKED RED CELL DI PMI SURABAA MENGGUNAKAN ARIMA, ARTIFICIAL NEURAL NETWORK DAN HBRID ARIMA ANN FAHRIZAL ANDRANSAH NRP 35 05 08 Dosen Pembimbing
Lebih terperinciPREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED
PREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED Wahyuda 1, Budi Sanosa 2, Nani Kurniai 3 1 Teknik Indusri Universias Mulawarman-Samarinda
Lebih terperinciPEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN DASAR PERENCANAAN INVESTASI NET ASSET VALUE (NAV) EQUITY DI PT. PRUDENTIAL LIFE ASSURANCE
90 Djojonegoro: PEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN PEMODELAN ARIMAX DAN NEURAL NETWORK UNTUK PERAMALAN DAN DASAR PERENCANAAN INVESTASI NET ASSET VALUE (NAV) EQUITY DI PT. PRUDENTIAL
Lebih terperinciPENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA
PENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA Maskur Efendi ), Widandi Soeopo 2), Piojo Tri Juwono 2) ) Mahasiswa Magiser
Lebih terperinciPERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS TRI EMIRA RISMAYANTI NRP 1314 030 070 Dosen Pembimbing Dr. Brodjol Suijo
Lebih terperinciPERAMALAN VOLUME PENJUALAN KEDELAI PT. X MENGGUNAKAN METODE ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN VOLUME PENJUALAN KEDELAI PT. X MENGGUNAKAN METODE ARIMA BOX-JENKINS Affanda Abdul Hakim Aminullah NRP 1314 030 048 Dosen Pembimbing : Dr. Brodjol Suijo S.U., M.Si Deparemen
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa
BAB 2 TINJAUAN TEORITI 2.1. Pengerian-pengerian Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. edangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciPeramalan Outflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Autoregressive (GSTAR)
JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) D-59 Peramalan Ouflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Auoregressive (GSTAR) Rahmah Safiri, Seiawan, dan Imam Safawi
Lebih terperinciPEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA
PEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA Fadil Rahman Hakim, Dr. Ir. Achmad Mauludiyano, MT. Program Sudi Telekomunikasi Mulimedia Jurusan Teknik Elekro Fakulas Teknologi Indusri
Lebih terperinciESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING
ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING Nama: Zahroh Aiqoh 05 00 0 Dosen Pembimbing: Dra. Nuri Wahyuningsih, MKes Drs. Sulisiyo, MT Jurusan Maemaika
Lebih terperinciMAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS
1. Pendahuluan MAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS CAMPURAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh : Febriana Dwi P. (1306 100 011) Dosen Pembimbing I : Dr. Irhamah, S.Si,
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu
BAB 2 TINJAUAN PUSTAKA 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan apa yang erjadi pada waku yang akan daang sedangkan rencana merupakan penenuan apa yang akan dilakukan pada waku yang
Lebih terperinciANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
ISSN: 9-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 05, Halaman 6-60 Online di: hp://eournal-s.undip.ac.id/index.php/gaussian ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
Lebih terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Peramalan Dengan Meode Smoohing dan Verifikasi Meode Peramalan Dengan Grafik Pengendali Moving Range () (Sudi Kasus: Produksi Air Bersih di PDAM Tira Kencana Samarinda) Forecasing wih Smoohing and Verificaion
Lebih terperinciPERAMALAN JUMLAH KEBERANGKATAN PENUMPANG PELAYARAN DALAM NEGERI DARI PELABUHAN TANJUNG PERAK MENGGUNAKAN ARIMA-BOX JENKINS
TUGAS AKHIR SS 4556 PERAMALAN JUMLAH KEBERANGKATAN PENUMPANG PELAYARAN DALAM NEGERI DARI PELABUHAN TANJUNG PERAK MENGGUNAKAN ARIMA-BOX JENKINS Nina Fannani NRP 34 030 02 Dosen Pembimbing Dr. Wahyu Wibowo,
Lebih terperinciAnalisis Peramalan Jumlah Permintaan Kerudung di Industri Kecil Kerudung Arin di Surabaya dengan Metode Variasi Kalender
Analisis Peramalan Jumlah Perminaan Kerudung di Indusri Kecil Kerudung Arin di Surabaya dengan Meode Variasi Kalender Disusun oleh : Sely Enggar Rusiano 307 030 030 Dosen Pembimbing : Dr. Irhamah, M.Si
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju-laju
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan ekonomi merupakan salah satu ukuran dari hasil pembangunan yang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju perumbuhan
Lebih terperinciPENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA
PENENTUAN MODEL PERAMALAN INDEKS HARGA SAHAM GABUNGAN DENGAN METODE ARIMA Leopoldus Ricky Sasongko, Lydia Ninuk Rahayu, dan Alberh Roy Koa 3,,3 Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias
Lebih terperinciPENERAPAN METODE TRIPLE EXPONENTIAL SMOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUSAHAAN MEBEL SINAR JEPARA TANJUNGANOM NGANJUK.
PENERAPAN METODE TRIPLE EXPONENTIAL MOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUAHAAN MEBEL INAR JEPARA TANJUNGANOM NGANJUK. ii Rukayah*), Achmad yaichu**) ABTRAK Peneliian ini berujuan unuk
Lebih terperinciPrediksi Penjualan Sepeda Motor Honda di Kabupaten dan Kotamadya Malang dengan Metode Peramalan Hierarki. Oleh : Rika Susanti
Prediksi Penjualan Sepeda Moor Honda di Kabupaen dan Koamadya Malang dengan Meode Peramalan Hierarki Oleh : Rika Susani 1310100066 Dosen Pembimbing Co. Pembimbing : Dra. Desri Susilaningrum, M.Si. : Dr.
Lebih terperinciPendekatan Fungsi Transfer Sebagai Input Adaptive Neuro-Fuzzy Inference System (ANFIS) dalam Peramalan Kecepatan Angin Rata-Rata Harian di Sumenep
JURNL SINS DN SENI ITS Vol., No., (Sep. 0 ISSN: 0-9 D- Pendekaan Fungsi Transer Sebagai Inpu dapive Neuro-Fuzzy Inerence Sysem (NFIS dalam Peramalan Kecepaan ngin Raa-Raa Harian di Sumenep Yulia Nurviasari
Lebih terperinciMinggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING. Peramalan Data Time Series
Minggu 4 RATA-RATA BERGERAK DAN EXPONENTIAL SMOOTHING Bab ini memperkenalkan model berlaku unuk daa ime series dengan musiman, ren, aau keduana komponen musiman dan ren dan daa sasioner. Meode peramalan
Lebih terperinciPenerapan Model ARCH/GARCH untuk Peramalan Nilai Tukar Petani ABSTRAK ABSTRACT. Pendahuluan
Jurnal Sains Maemaika dan Saisika, Vol. 4, No., Januari 8 ISSN 46-454 prin/issn 65-8663 online Penerapan Model ARCH/GARCH unuk Peramalan Nilai Tukar Peani Ari Pani Desvina, Inggrid Ocaviani Meijer, Jurusan
Lebih terperinciBAB 1 PENDAHULUAN. Kabupaten Labuhan Batu merupakan pusat perkebunan kelapa sawit di Sumatera
BAB 1 PENDAHULUAN 1.1 Laar Belakang Kabupaen Labuhan Bau merupakan pusa perkebunan kelapa sawi di Sumaera Uara, baik yang dikelola oleh perusahaan negara / swasa maupun perkebunan rakya. Kabupaen Labuhan
Lebih terperinciPERAMALAN RATA-RATA TEMPERATUR UDARA HARIAN KOTA PEKANBARU MENGGUNAKAN MODEL ARIMA (0,1,1) TUGAS AKHIR
PERAMALAN RATA-RATA TEMPERATUR UDARA HARIAN KOTA PEKANBARU MENGGUNAKAN MODEL ARIMA (0,,) TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains pada Jurusan Maemaika Oleh: DEWI
Lebih terperinciJurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember ABSTRAK
PERBANDINGAN METODE DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN TES (TRIPLE EXPONENTIAL SMOOTHING) PADA PERAMALAN PENJUALAN ROKOK (STUDI KASUS TOKO UTAMA LUMAJANG) 1 Fajar Riska Perdana (1110651142) 2 Daryano,
Lebih terperinciPENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Studi Kasus: PT Tembaga Mulia Semanan)
Prosiding Seminar Nasional Manajemen Teknologi Program Sudi MMT-ITS, Surabaya 1 Agusus 2009 PENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Sudi Kasus: PT
Lebih terperinciPERAMALAN JUMLAH PENUMPANG PADA PT
PERAMALAN JUMLAH PENUMPANG PADA PT. ANGKASA PURA I (PERSERO) KANTOR CABANG BANDAR UDARA INTERNASIONAL ADISUTJIPTO YOGYAKARTA DENGAN METODE WINTER S EXPONENTIAL SMOOTHING DAN SEASONAL ARIMA SKRIPSI Diajukan
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi dan Waku Peneliian Peneliian ini dilaksanakan di PT Panafil Essenial Oil. Lokasi dipilih dengan perimbangan bahwa perusahaan ini berencana unuk melakukan usaha dibidang
Lebih terperinciAnalisis Model dan Contoh Numerik
Bab V Analisis Model dan Conoh Numerik Bab V ini membahas analisis model dan conoh numerik. Sub bab V.1 menyajikan analisis model yang erdiri dari analisis model kerusakan produk dan model ongkos garansi.
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
Lebih terperinciagenda Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
seminar ugas akhir Renny Elfira Wulansari 0000 pembimbing Dr. Suharono, S.Si, M.Sc Gedung H Lanai Saisika FMIPA-ITS Surabaya, Juli 04 agenda Pendahuluan Tinjauan Pusaka Meodologi Peneliian Analisis dan
Lebih terperinciMODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI
MODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI Diajukan kepada Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Negeri Yogyakara unuk memenuhi
Lebih terperinciPENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS (ARIMA)
Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 PENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS
Lebih terperinciHUMAN CAPITAL. Minggu 16
HUMAN CAPITAL Minggu 16 Pendahuluan Invesasi berujuan unuk meningkakan pendapaan di masa yang akan daang. Keika sebuah perusahaan melakukan invesasi barang-barang modal, perusahaan ini akan mengeluarkan
Lebih terperinci