BAB II LANDASAN TEORI
|
|
- Suryadi Hendri Chandra
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II LANDASAN TEORI 2.1 Peramalan (Forceasting) Pengertian Peramalan Untuk memajukan suatu usaha harus memiliki pandangan ke depan yakni pada masa yang akan datang. Hal seperti ini yang harus dikaji oleh seorang pengusaha ataupun pemimpin perusahaan untuk menambah pendapatan perusahaan. Kajian dalam berbagai hal harus dilakukan misalnya dalam pemasaran atau hal lainnya. Sesuatu hal akan berkembang jika ada tinjauan untuk menetapkan langkah berikutnya. Sesuai dengan itu perlu dilakukan suatu peramalan yang mengkaji rencana di kemudian hari. Dalam melakukan peramalan harus dilihat situasi dan kondisi apa yang harus diramal. Dengan melihat perlu atau tidaknya dilakukan perubahan atau pengembangan demi meningkatkan hasil produksi atau hasil pemasaran. Seiring dengan permintaan dan kemajuan teknologi seorang pengusaha harus melakukan peramalan. Peran peramalan sangat dibutuhkan untuk waktu yang berkesinambungan Metode peramalan akan sangat membantu dalam mengadakan pendekatan terhadap suatu kegiatan usaha yang bisa membuat kerangka berpikir dalam menyelesaikan masalah secara efisien dan efektif. Diharapkan dengan metode peramalan yang dilakukan dapat memberikan keyakinan yang lebih besar dan juga hasil peramalan yang memiliki error lebih kecil.
2 Konsep Dasar Peramalan Dalam melakukan peramalan harus deketahui terlebih dahulu persoalan yang akan dibahas. Pada hakekatnya peramalan hanya merupakan suatu perkiraan tetapi dengan teknik teknik tertentu. Setiap pengambilan keputusan yang menyangkut masa yang akan datang maka pasti ada peramalan yang melandasi pengambilan keputusan tersebut (Sofyan Assauri, 1984, hal. 1). Menurut Makridakis (1991) Forecasting (peramalan) yaitu prediksi nilai-nilai sebuah peubah berdasarkan kepada nilai yang diketahui dari peubah tersebut atau peubah yang berhubungan. Menurut Aritonang, peramalan adalah perpaduan dalam pernerapan model dari data yang sudah lewat dengan masa yang akan datang. Stok pengamanan dapat digunakan untuk mengatasi ketidakpastian permintaan yang relatif dengan ramalan yang dibuat. Kesalahan hasil peramalan dijadikan sebagai dasar pelengkapan stok. Dengan demikian semakin kecil kesalahan peramalan yang diperoleh maka semaikin sedikit juga stok pengamanan yang disediakan Tujuan Peramalan Bertambahnya populasi manusia akan mempengaruhi pertambahan kendaraan baik itu roda empat, roda dua dan juga kendaraan lainnya. Pertambahan permintaan itu akan membuat pengusaha untuk melakukan suatu kajian dalam memberikan kepuasan bagi para pelanggan. Dalam persediaan barang di gudang merupakan suatu bagian dari perencanaan yang besar. Dengan melihat pertambahan tersebut, PT IDK2 akan berencana membuka cabang di Banda Aceh. Dengan menggunakan data dari PT. IDK2 dilakukan peramalan untuk mengetahui jumlah mobil di masa yang akan datang. Dengan mengetahui data tersebut maka dapat diestimasi besar jumlah penjualan mobil merk honda di Banda Aceh.
3 Jenis Jenis Peramalan Dilihat dari jangkauan waktu ramalan yang disusun, peramalan dapat dibedakan atas dua macam, yaitu: 1. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya lebih dari satu setengah tahun atau tiga semester. Lebih tegasnya peramalan jangka panjang ini berorientasi pada dasar atau perencanaan. 2. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang dilakukan kurang dari satu setengah tahun atau tiga semester Metode Peramalan Metode peramalan adalah suatu cara untuk memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang yang berhubungan dengan masa lalu. Metode peramalan sangatlah berguna untuk menentukan besar kecil perbedaan hasil perhitungan dengan kenyataan. Pada dasarnya metode peramalan kuantitatif ini dapat dibedakan atas: 1. Metode peramalan yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel waktu, yang merupakan deret waktu, atau Time Series. 2. Metode peramalan yang didasarkan atas penggunaan analisis pola hubungan antara variabel yang akan diperkirakan dengan variabel lain yang mempengaruhinya, yang disebut metode korelasi atau sebab akibat, contoh: metode regresi dan korelasi, metode ekonometri dan metode input dan output.
4 9 2.2 Analisis Deret Berkala Dalam menghadapi hidup perekonomian suatu masyarakat atau perusahaan, kita harus sering melakukan peramalan mengenai keadaan masyarakat/ perusahaan itu pada waktu yang akan datang. Di dalam kehidupan perusahaan, peramalan harus dilakukan dan sering memainkan peranan yang sangat penting dalam menentukan persediaan barang. Metode peramalan yang digunakan seharusnya melakukan observasi dalam beberapa periode yang menjadi dasar peramalan di masa yang akan datang. Box dan Jenkin (1976) dan fuller (1976) mengemukakan sebagai akibat adanya komponen komponen tersebut maka antar data dalam deret waktu terjadi hubungan fungsional (istilah lain: berautokorelasi atau berautoregresi), dan bentuk hubungannya ditelaah berdasarkan teori analisis data deret waktu. Chatfield (1986) mengemukakan jika dimiliki data deret waktu maka langkah langkah yang harus dilakukan dalam rangka menganalisis data adalah 1. Memetakan langkah langkah atas waktu Hal ini dilakukan untuk menelaah bentuk trend dan kestationeran data. Bentuk trend diperlukan untuk memperkirakan model regresi antara variabel pengamatan dengan variabel waktu yang harus dibangun. Sedangkan kestationeran diperlukan untuk menentukan perlu atau tidak data distationerkan melalui suatu transformasi. 2. Menghitung dan memetakan fungsi autokorelasi Langkah ini dilakukan untuk menguji berautokorelasi atau tidak antar pengamatan baik secara visual dengan menelaah grafik fungsi autokorelasi atas lagnya atau melalui pengujian hipotesis. 3. Setelah data dapat disimpulkan berautokorelasi maka dibuat model hubungan fungsional antar nilai pengamatan.
5 Identifikasi pola data Hasil analisis autokorelasi dapat digunakan untuk memilih teknik peramalan yang tepat. Ringkasan mengenai keterkaitan antara analisis autokorelasi dan pemilihan teknik peramalan itu dikemukakan oleh Hanke dan Reitsch (1995:115-7) berikut ini Bila dari hasil analisis autokorelasi bahwa data bersifat stationer, teknik peramalan yang sesuai digunakan terdiri atas metode naif, metode rata rata sederhana, metode rata rata bergerak, metode eksponensial sederhana, dan metode Box-Jenkins. Bila dari hasil analisis autokorelasi diketahui bahwa datanya bersifat nonstationer teknik peramalan yang digunakan terdiri atas metode rata rata bergerak linier, metode penghalusan eksponensial linier brown, metode penghalusan eksponensial linier holt, metode penghalusan eksponensial kuadratik brown, analisis regresi sederhana, model gompertz, model kurva pertumbuhan dan model eksponensial lainnya. Bila dari hasil analisis autokorelasi diketahui bahwa datanya mengandung komponen musim, teknik peramalan yang sesuai digunakan terdiri atas dekomposisi klasik, sensus II, penghalusan eksponensial Winter, analisis regresi ganda runtun waktu, dan metod Box-Jenkin Data yang mengandung komponen siklis sulit diidentifikasi melalui analisis autokorelasi karena pengulangan kejadiannya tidak terpola secara teratur dalam periode waktu dua, tiga atau empat tahun. Namun demikian ada juga teknik peramalan yang sesuai digunakan yaitu dekomposisi klasik, indikator ekonomi, model ekonometrik, analisis regresi ganda, dan metode Box-Jenkins. Berapa komponen yang mungkin terkandung dalam suatu deret waktu adalah sebagai berikut: 1. Komponen trend ditunjukkan dengan adanya peningkatan atau penurunan dalam satu periode 2. Komponen musiman ditunjukkan dengan pola berulang dari waktu ke waktu. Variasi musiman biasanya timbul karena adanya pengaruh cuaca suatu musim tertentu.
6 11 3. Komponen siklis ditunjukkan dengan fluktuasi bergelombang yang biasanya dipengaruhi keadaan ekonomi secara umum. Pola siklis cenderung berulang dalam jangka waktu yang lebih dari dua tahun(jangka panjang). 4. Komponen irregular menyatakan keragaman data deret waktu setelah komponen-komponen lain disisihkan. Komponen ini disebabkan oleh faktorfaktor yang tidak terduga dan dianggap sebagai pengaruh acak. Ketidakstationeran merupakan komponen data runtun waktu yang tidak tergolong dalam tren, musim maupun siklis. Komponen ini berkaitan dengn hal hal yang tidak terduga sebelumnya. Pola data ini tidak terjadi secara berulang dan juga tidak sistematis Teknik dalam menganalisis data deret bekala 1. Plot Data Untuk mendapat hasil peramalan dengan error yang lebih kecil sebaiknya melakukan plot data. Dengan data masa lalu yang telah tersedia akan memberikan gambaran untuk hasil ramalan selanjutnya. Memplot data tersebut secara grafis sangat bermanfaat untuk memplot berbagai versi data moving average untuk menetapkan adanya trend (penyimpangan nilai tengah) untuk menghilangkan pengaruh musiman pada data (deseasonalize the data) 2. Koefisien Autokorelasi Secara matematis rumus koefisien autokorelasi adalah (Arsyad, 1995) r k = n k i=1 (Y t Y ) (Y t+k Y ) n i=1(y t Y ) 2 Autokorelasi merupakan fungsi atas lagnya dan sering disebut dengan Autocorrrelation Fungtion (ACF). Autokorelasi parsial juga merupakan fungsi atas lagnya, dan disebut dengan fungsi autokorelasi parsial (PACF). Gambar dari ACF dan PACF dinamakan koleogram dan dapat digunakan untuk menelaah signifikansi autokorelasi dan kestasioneran data.
7 12 3. Distribusi Sampling Autokorelasi Koefisien autokorelasi dari data random mendekati distribusi sampling yang mendekati kurva normal dengan nilai tengah nol dan kesalahan standar 1 n. sehingga dapat disimpulkan bahwa data tersebut bersifat random. Sedangkan uji Box-Pierce Portmanteau untuk sekumpulan nilai-nilai r k didasarkan pada nilainilai statistik Q. Q = n m 2 k=1 r k (α), n > k Seperti yang diperlihatkan oleh Anderson (1942), Bartlett (1946), Quenouille (1949) suatu deret berkala dikatakan bersifat acak apabila koefisien korelasi yang dihitung berada di dalam batas: 1.96 (1 n) rk +1.96(1 n) Sehingga dapat dikatakan bahwa koefisien autokorelasi harus terletak diantara kali galat standar sampai 1.96 kali galat standar. 4. Koefisien Autokorelasi Parsial Autokorelasi parsial digunakan untuk mengukur tingkat keeratan (association) antara Χ t dan Χ t+k pengaruh dari time-lag 1,2,3, dan seterusnya sampai k l dianggap terpisah. Kegunaan koefisien autokorelasi parsial ini adalah untuk menetapkan model peramalan yang dipergunakan sesuai dengan data yang tersedia. 2.3 Model Autoregressive Integrated Moving Average (ARIMA) Model time series yang digunakan berdasarkan asumsi bahwa data time series itu adalah stationer. Metode Autoregressive Integrated Moving Average (ARIMA) atau biasa disebut juga sebagai metode Box-Jenkins merupakan metode yang secara intensif dikembangkan oleh George Box dan Gwilym Jenkins (1976), yang merupakan perkembangan baru dalam metode peramalan ekonomi, tidak bertujuan membentuk suatu model struktural yang berbasis dari teori ekonomi dan logika, namun dengan menganalisis probabilistik atau stokastik dari data time series dengan memegang filosofi let the data speak for themselves.
8 13 Arsyad (1995) menyatakan bahwa ARIMA merupakan suatu metode yang menghasilkan ramalan ramalan berdasarkan sintesis dari pola data secara historis. Juga disebutkan bahwa metodologi Box-Jenkins ini dapat digunakan untuk: 1. Meramalkan tingkat employment 2. Menganalisis pengaruh promosi terhadap penjualan barang barang konsumsi 3. Menganalisis persaingan antara jalur kereta api dengan jalur pesawat terbang 4. Mengestimasi perubahan struktur harga suatu industri Klasifikasi model ARIMA Model Autoregressive (AR) Jika series stasioner adalah fungsi linier dari nilai-nilai lampaunya yang berurutan atau nilai sekarang series merupakan rata-rata tertimbang nilai-nilai lampaunya bersama dengan kesalahan sekarang, maka persamaan itu dinamakan model autoregressive. Bentuk umum dari model autoregressive (AR) adalah sebagai berikut: X t = µʹ + φx t-1 + φ X t φ X t-p + e t dengan, µʹ = suatu konstanta X t-p = nilai pengamatan periode t-p φ = parameter autoregresive ke-p e t = nilai kesalahan pada Persamaan umum model autoregressive (AR) dengan ordo p juga dapat ditulis sebagai berikut: ( 1 φ 1 B 1 φ 2 B 2 φ p B p ) X t = μ + e t Dalam hal ini B menyatakan operator penggerak mundur (backaward shift operator).
9 Model Moving Average (MA) Jika series yang stasioner merupakan fungsi linier dari kesalahan peramalan sekarang dan masa lalu yang berurutan, persamaan itu dinamakan model moving average. Bentuk umum dari model moving average (MA) dinyatakan sebagai berikut: X t = µʹ + e t θ 1 e t-1 + θ 2 e t-2 θ q e t-q dengan, µʹ = suatu konstanta e t-q = nilai kesalahan pada saat t q θ 1 sampai θ 2 adalah parameter parameter moving average Dengan menggunakan operator penggerak mundur model rataan bergerak diatas dapat ditulis sebagai berikut; X t = μ + (1 θ 1 B 1 θ 2 B 2 θ q B q )e t Dalam hal ini B menyatakan operator penggerak mundur (backaward shift operator) Model Campuran Model Autoregressive Moving Average (ARMA) Pada bagian ini, sebuah model umum untuk proses campuran AR (1) murni dengan MA (1) murni dapat dituliskan sebagai berikut: X t = µʹ + φx t-1 + φ X t φ X t-p + e t θ 1 e t-1 + θ 2 e t-2 θ q e t-q Atau dengan operator penggerak mundur proses ARMA (p,q) dapat ditulis sebagai berikut: (1 φ 1 B 1 φ 2 B 2 φ p B p ) X t = μʹ + (1 θ 1 B 1 θ 2 B 2 θ q B q )e t Model Autoregressive Integrated Moving Average (ARIMA) Jika data deret waktu tidak stasioner, model Box-Jenkins ini disebut model Autoregressive Integrated Moving Average (ARIMA) Box-Jenkins.
10 15 Jika d menyatakan banyaknya proses differencing, maka bentuk umum model ARIMA (p,d,q) yang mengkombinasikan model autoregressive berordo p dengan model moving average berorde q ditulis dengan ARIMA (p,d,q) adalah sebagai berikut: W t = µʹ + φx t-1 + φ X t φ X t-p + e t θ 1 e t-1 + θ 2 e t-2 θ q e t-q Atau dengan operator penggerak mundur model ARIMA (p,d,q) dapat ditulis sebagai berikut: (1 φ 1 B 1 φ 2 B 2 φ p B p ) W t = μʹ + (1 θ 1 B 1 θ 2 B 2 θ q B q )e t Dalam hal ini W t menyatakan bahwa deret waktu sudah di-diferencing. Pindyck dan Rubinfield (1981) menotasikan μʹ sebagai berikut: μʹ = ( 1 φ 1 φ 2 φ p ) μʹw dengan μʹw adalah rata-rata dari data waktu yang sudah di differencing Musiman dan Model ARIMA Musiman dapat diartikan sebagai suatu pola yang terbentuk secara berulang dalam waktu yang tetap. Dalam suatu data yang stationer, dapat dicari dengan cara mengidentifikasi koefisien autokorelasi pada time lag yang berbeda dari nol. Autokorelasi yang secara signifikan berbeda dari nol menyatakan adanya suatu pola dalam data. Notasi umum untuk menangani musiman adalah ARIMA (p,d,q)(p,d,q) s dengan, (p,d,q) = bagian yang tidak musiman dari model (P,D,Q) = bagian musiman dari model S = jumlah periode per musim
11 Model AR Musiman Bentuk umum dari proses autoregressive musiman periode S tingkat P atau AR(P) s X t = Θ 1 X t=s + Θ 2 X t=2s + + Θ p X t=ps +αʹt persamaan diatas dapat juga ditulis dalam bentuk: dengan Φ(B)Χ t = α Φ(B) = 1 Φ 1 B S Φ 2 B QS yang dikenal sebagai operator AR(P) S diman α t adalah independent dan berdistribusi normal dengan mean 0 dan varians σ 2 α Model MA Musiman Bentuk umum dari proses moving average musiman periode S tingkat Q atau MA (Q) S X t = α t Θ1α t=s Θ2α t=2s Θ p α t=ps Q S persamaan diatas dapat juga ditulis dalam bentuk: X t = Θ(B)α t dengan Θ(B) = 1 Θ 1 B S Θ 2 B 2S... Θ Q B QS yang dikenal sebagai operator MA(Q) S, dengan α adalah independent dan berdistribusi normal dengan mean 0 dan varians σ 2 α. 2.4 Stasioner dan Nonstasioner Hal yang perlu diperhatikan adalah bahwa data deret berkala kebanyakan bersifat nonstasioner dan aspek aspek AR dan MA dari model ARIMA hanya berlaku untuk data yang stationer. Suatu data dapat dikatakan telah stationer dengan melakukan analisa autokorelasi dan autokorelasi parsial.. Nilai-nilai autokorelasi dari data
12 17 stasioner akan turun sampai nol sesudah time-lag kedua atau ketiga, sedangkan untuk data yang tidak stasioner nilai tersebut berbeda signifikan dari nol untuk beberapa periode waktu. Suatu deret waktu yang tidak stasioner harus diubah menjadi data stasioner dengan melakukan differencing. Yang dimaksud dengan differencing adalah menghitung perubahan atau selisih nilai observasi. Nilai selisih yang diperoleh dicek lagi apakah stasioner atau tidak. Jika belum stasioner maka dilakukan differencing lagi. Menurut Box-Jenkins data deret waktu yang tidak stasioner dapat ditransformasikan menjadi data yang stasioner dengan melakukan proses pembedaan (differencing) pada data aktual. Pembedaan ordo pertama dari data aktual dapat dinyatakan sebagai berikut: untuk t = 2,3,,N W t = Y t Y t 1 Secara umum pembedaan (differencing) ordo ke d dapat ditulis sebagai berikut: W t = (1 B) d Y t 2.5. White Noise Suatu time series dengan pengamatan yang berturut-turut dapat digambarkan oleh suatu kombinasi linier dari variabel random bebas, jika α 1, α 2, yang merupakan suatu distribusi probabilitas yang konstan dengan nilai tengah E(α t) = μα = 0 dan varians Var(α t) = σ 2 Y dan kovarians γk = Kov (α t, α t+k ) = 0 untuk semua k 0. Dengan kata lain bahwa α i disebut berdistribusi normal dan barisan variabel random α t, α t-1 α t-2, disebut sebagai suatu proses White Noise. Didefinisikan proses White Noise adalah stasioner dengan fungsi autokovarians dan fungsi autokorelasi
13 Operator Backward Shift (kemunduran) Model ARIMA sangat berhubungan dengan variabel dependent yaitu unsur rentang atau lag itu sendiri dan kesalahan rentang atau lag. Notasi yang sangat bermanfaat dalam metode deret berkala ARIMA Box-Jenkins adalah operator shift mundur (backward shift) dinotasikan B, yang penggunaanya adalah sebagai berikut. BX t = X t 1 Notasi B yang dipasang pada X t, mempunyai pengaruh menggeser data 1 periode ke belakang. Dua penerapan B untuk shift X akan menggeser data tersebut 2 periode kebelakang. B(BX t ) = B 2 X t = BX t 2 Operator backshift mundur ini juga dapat digunakan dalam mempermudah proses diferensiasi. Diferensiasi orde pertama dapat ditulis sebagai berikut. dan mengganti t dengan t-1 diperoleh X tʹ = X t X t 1 = X t BX t = (1 B) X t X t-1ʹ = X t 1 X t 2 = BX t B 2 X t Sehingga diferensiasi orde kedua dapat dituliskan sebagai berikut. Xʹʹ = (X tʹ X t 1ʹ ) = (X t X t 1 ) (X t-1 X t 2 ) = X t 2BX t 1 + B 2 X t = (X t 2BX t + B 2 X t ) = (1 2B + B 2 )X t = (1 B ) 2 X t Secara umum, turunan tingkat-d dapat dituliskan sebagai sebagai berikut. X d = (1 B ) d X t
14 Penerapan Ketetapan Model Dalam penerapan model perlu dilakukan pemeriksaan pada: 1. Nilai Sisa (Residual) Jika model yang diidentifikasi telah tepat, maka residual model seharusnya merupakan suatu proses White Noise. Dari nilai-nilai sisa dapat diperoleh koefisien autokorelasi residual. Rumus kesalahan standar untuk memeriksa apakah r k tertentu secara nyata berbeda dari nol adalah: S[r k ] = 1. Koefisien autokorelasi dari data random akan terdistribusi secara normal N(0, σα 2 ) dengan nilai tengah nol dan kesalahan standar 1 n n. Kemudian dilakukan pengujian apakah r k untuk tingkat kepercayaan 95% berada pada batas-batas nilai Z α/2 1 n 1 r k Z α/2 1 n Statistik Portmanteau Untuk menguji apakah fungsi autokorelasi sampel residual semuanya tidak berbeda dari nol digunakan statistik Portmonteau. Q = n m 2 k=1 r k (α), n > k Statistik Q berdistribusi mendekati χ 2 dengan K m derajat kebebasan, dimana K = lag maksimum, m = p+q+p+q adalah jumlah koefisien autoregressive dan moving average dan musiman, dan n = jumlah data sesudah pembedaan. Jika Q < χ 2, maka semua koefisien autokorelasi dianggap tidak berbeda dari nol sehingga dapat disimpulkan model telah dispesifikasikan dengan benar. 3. Overfitting Model Arima (Model ARIMA dengan koefisian lain) Untuk memastikan bahwa model yang telah diestimasi lebih dahulu merupakan suatu model yang lebih baik maka perlu dilakukan Overfitting. Kemudian nilai-nilai statistik yang diperoleh dibandingkan dengan model yang telah ditetapkan untuk melihat kecocokan dari model yang sedang dipelajari. Perbandingan ini dimaksudkan untuk menyakinkan bahwa model yang telah ditetapkan adalah model yang terbaik.
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciBAB 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 terperinciTINJAUAN 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat
Lebih terperinciBAB 2. 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 sesuatu kegiatan situasi atau kondisi yang diperkirakan akan
Lebih terperinciBAB 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 terperinciBAB 2 LANDASAN TEORI. Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan datang. Peramalan adalah proses untuk memperkirakan kebutuhan di masa datang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu
Lebih terperinciMetode Deret Berkala Box Jenkins
METODE BOX JENKINS Metode Deret Berkala Box Jenkins Suatu metode peramalan yang sistematis, yang tidak mengasumsikan suatu model tertentu, tetapi menganalisa deret berkala sehingga diperoleh suatu model
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciPREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)
PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado
Lebih terperinciModel 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 terperinciBAB 2 LANDASAN TEORI Pengertian Data Deret Berkala
BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian
Lebih terperinciBAB 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 terperinciSBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n
SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan (forecasting) merupakan upaya memperkirakan apa yang terjadi pada masa yang akan datang. Pada hakekatnya peramalan hanya merupakan suatu perkiraan (guess),
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciII. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya
II. TINJAUAN PUSTAKA 2.1 Stasioner Analisis ARIMA Autoregressive Integrated Moving Average umumnya mengasumsikan bahwa proses umum dari time series adalah stasioner. Tujuan proses stasioner adalah rata-rata,
Lebih terperinciLAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins
LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan
Lebih terperinciBAB 2 LANDASAN TEORI. diperkirakan akan terjadi pada masa yang akan datang. Ramalan tersebut dapat
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi dimasa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan
Lebih terperinciPENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA
KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 DATA MINING Data Mining adalah analisis otomatis dari data yang berjumlah banyak atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Peramalan pada dasarnya merupakan proses menyusun informasi tentang kejadian masa lampau yang berurutan untuk menduga kejadian di masa depan (Frechtling, 2001:
Lebih terperinciPERAMALAN 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 terperinciBAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial
BAB II TINJAUAN PUSTAKA Berikut teori-teori yang mendukung penelitian ini, yaitu konsep dasar peramalan, konsep dasar deret waktu, proses stokastik, proses stasioner, fungsi autokovarians (ACVF) dan fungsi
Lebih terperinciPERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA
Saintia Matematika ISSN: 2337-9197 Vol. 2, No. 1 (2014), pp. 55 69. PERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA John Putra S Tampubolon, Normalina Napitupulu, Asima Manurung Abstrak.
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pajak merupakan sumber kas negara yang digunakan untuk pembangunan. Undang- Undang Republik Indonesia Nomor 16 Tahun 2000 tentang Ketentuan Umum Dan Tata Cara Perpajakan
Lebih terperinciPERAMALAN 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Berdasarkan sifatnya peramalan terbagi atas dua yaitu peramalan kualitatif dan peramalan kuantitatif. Metode kuantitatif terbagi atas dua yaitu analisis deret berkala
Lebih terperinciPERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika Vol. 1, No. 6 (2013), pp. 579 589. PERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS Raisa Ruslan, Agus Salim Harahap, Pasukat Sembiring Abstrak. Dalam
Lebih terperinciBAB II TINJAUAN PUSTAKA. penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji
35 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini, yaitu ln return, volatilitas, data runtun waktu, kestasioneran, uji ACF, uji PACF, uji ARCH-LM,
Lebih terperinciBab 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 terperinciAnalisis 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 terperinciKAJIAN TEORI. atau yang mewakili suatu himpunan data. Menurut Supranoto (2001:14) Rata rata (μ) dari distribusi probabilitas
6 BAB II KAJIAN TEORI A. Statistik Dasar 1. Average (Rata-rata) Menurut Spiegel,dkk (1996:45) rata-rata yaitu sebuah nilai yang khas atau yang mewakili suatu himpunan data. Menurut Supranoto (2001:14)
Lebih terperinciBAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT
BAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT Model fungsi transfer multivariat merupakan gabungan dari model ARIMA univariat dan analisis regresi berganda, sehingga menjadi suatu model yang mencampurkan pendekatan
Lebih terperinciIII. METODE PENELITIAN
15 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perkembangan ekonomi dan bisnis dewasa ini semakin cepat dan pesat. Bisnis dan usaha yang semakin berkembang ini ditandai dengan semakin banyaknya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan
Lebih terperinciArtikel Ilmiah. Peneliti : Auditya Gianina Bernadine Amaheka ( ) Michael Bezaleel Wenas, S.Kom., M.Cs.
Analisis Peramalan Penerimaan Pajak Kendaraan Bermotor dengan Metode Autoregressive Integrated Moving Average (ARIMA) (Studi Kasus : Dinas Pendapatan dan Pengelolaan Aset Daerah Provinsi Jawa Tengah) Artikel
Lebih terperinciANALISIS KELAYAKAN RENCANA PEMBUKAAN SHOWROOM MOBIL OLEH PT XYZ BERDASARKAN RAMALAN PERMINTAAN DI BANDA ACEH
Saintia Matematika Vol. 1, No. 1 (2013), pp. 41 50. ANALISIS KELAYAKAN RENCANA PEMBUKAAN SHOWROOM MOBIL OLEH PT XYZ BERDASARKAN RAMALAN PERMINTAAN DI BANDA ACEH Maradu Naipospos, Pengarapen Bangun, Gim
Lebih terperinciPENERAPAN 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 terperinciPERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA
Jurnal UJMC, Volume 2, Nomor 1, Hal. 28-35 pissn : 2460-3333 eissn: 2579-907X PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA Novita Eka Chandra 1 dan Sarinem 2 1 Universitas
Lebih terperinciANALISIS PERAMALAN PENDAFTARAN SISWA BARU MENGGUNAKAN METODE SEASONAL ARIMA DAN METODE DEKOMPOSISI
ANALISIS PERAMALAN PENDAFTARAN SISWA BARU MENGGUNAKAN METODE SEASONAL ARIMA DAN METODE DEKOMPOSISI (Studi kasus: Lembaga Bimbingan Belajar SSC Bintaro) Nizar Muhammad Al Kharis PROGRAM STUDI MATEMATIKA
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.. Konsep Dasar Analisis Runtun Waktu Pada bagian ini akan dikemukakan beberapa definisi yang menyangkut pengertian dan konsep dasar analisis runtun waktu. Definisi Runtun waktu
Lebih terperinciPeramalan Permintaan Paving Blok dengan Metode ARIMA
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Peramalan Permintaan Paving Blok dengan Metode ARIMA Adin Nofiyanto 1,Radityo Adi Nugroho 2, Dwi Kartini 3 1,2,3 Program
Lebih terperinciBAB I PENDAHULUAN. berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Time Series atau runtun waktu adalah serangkaian data pengamatan yang berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara berurutan
Lebih terperinciPERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA
Saintia Matematika Vol. 1, No. 1 (2013), pp. 1 10. PERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA Lukas Panjaitan, Gim Tarigan, Pengarapen Bangun Abstrak. Dalama makalah
Lebih terperinciPERAMALAN 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 terperinciPeramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-157 Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series Moh Ali Asfihani dan Irhamah
Lebih terperinciMODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE
MODEL AUTOREGRESSIVE (AR) ATAU MODEL UNIVARIATE Data yang digunakan adalah data M2Trend.wf1 (buku rujukan pertama, bab-8). Model analisisnya adalah Xt = M2 diregresikan dengan t = waktu. Model yang akan
Lebih terperinciBAB 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 terperinciBAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan
Lebih terperinciBAB 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 terperinciPEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA
Jurnal Matematika UNAND Vol. 3 No. 3 Hal. 59 67 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN DAN PERAMALAN DATA DERET WAKTU DENGAN METODE SEASONAL ARIMA ANNISA UL UKHRA Program Studi Matematika,
Lebih terperinciBAB 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 terperinciANALISA BOX JENKINS PADA PEMBENTUKAN MODEL PRODUKSI PREMI ASURANSI KENDARAAN BERMOTOR RODA EMPAT
ANALISA BOX JENKINS PADA PEMBENTUKAN MODEL PRODUKSI PREMI ASURANSI KENDARAAN BERMOTOR RODA EMPAT Mei Taripar Pardamean S.,SKom Jl. Makmur No.1 Ciracas Jakarta Timur mtp95@yahoo.com ABSTRAK Tujuan dari
Lebih terperinciPeramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins
Peramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins Ari Pani Desvina 1, Melina Anggriani 2,2 Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau Jl. HR.
Lebih terperinciPrediksi 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini, peneliti akan memberikan penjelasan tentang teori metode backpropagation jaringan syaraf tiruan dan metode deret berkala ARIMA(Boxjenkins) sehingga dapat mempermudah
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Mulai Studi Pendahuluan Studi Pustaka Identifikasi Masalah Perumusan Masalah Tujuan Pengumpulan Data 1. Profil Perusahaan PT. Mensa Binasukses cabang kota Padang 2. Data forecasting
Lebih terperinciBAB 2 LANDASAN TEORI
10 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 kesenjaan waktu
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih terperinciBAB 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 terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciBAB 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 terperinciPERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciII. 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 terperinciPrediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins
Statistika, Vol. 16 No. 2, 95 102 November 2016 Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins FERRY KONDO LEMBANG Jurusan Matematika Fakultas MIPA Universitas Pattimura Ambon
Lebih terperinciMODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI
MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
Lebih terperinciIII KERANGKA PEMIKIRAN
3.1. Kerangka Pemikiran Teoritis 3.1.1. Konsep Permintaan III KERANGKA PEMIKIRAN Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat
Lebih terperinciPeramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer
Peramalan Aset dengan Memperhatikan Dana Pihak Ketiga (DPK) dan Pembiayaan Perbankan Syariah di Indonesia dengan Metode Fungsi Transfer 1 Faridah Yuliani dan 2 Dr. rer pol Heri Kuswanto 1,2 Jurusan Statistika
Lebih terperinciPENERAPAN METODE BOX-JENKINS UNTUK PERAMALAN PENCEMARAN UDARA OLEH PARAMETER KARBON MONOKSIDA (CO) DI KOTA PEKANBARU TUGAS AKHIR.
PENERAPAN METODE BOX-JENKINS UNTUK PERAMALAN PENCEMARAN UDARA OLEH PARAMETER KARBON MONOKSIDA (CO) DI KOTA PEKANBARU TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Sains
Lebih terperinciHALAMAN 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan pertambahan populasi manusia, kebutuhan juga harus bertambah, baik itu bidang jasa atau produksi. Dapat dilihat dengan pertambahan perusahaan
Lebih terperinciDAFTAR ISI ABSTRAK... KATA PENGANTAR... UCAPAN TERIMA KASIH... DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR... DAFTAR LAMPIRAN...
DAFTAR ISI Halaman ABSTRAK... KATA PENGANTAR... UCAPAN TERIMA KASIH... DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR... DAFTAR LAMPIRAN... i ii iii v ix x xi BAB I PENDAHULUAN... 1 1.1 Latar Belakang Masalah...
Lebih terperinciApplication of ARIMA Models
Application of ARIMA Models We have learned how to model using ARIMA Stages: 1. Verify whether the data we are analyzing is a stationary data using ACF or other methods 2. If the data is not stationer,
Lebih terperinciSeasonal ARIMA adalah model ARIMA yang mengandung faktor musiman.
Definisi Seasonal ARIMA adalah model ARIMA yang mengandung faktor musiman. Musiman berarti kecenderungan mengulangi pola tingkah gerak dalam periode musim, biasanya satu tahun untuk data bulanan. Karena
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa. situasi dan kondisi di masa yang akan datang.
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan ramalan
Lebih terperinciPrediksi Harga Saham dengan ARIMA
Prediksi Harga Saham dengan ARIMA Peramalan harga saham merupakan sesuatu yang ditunggu-tunggu oleh para investor. Munculnya model prediksi yang baru yang bisa meramalkan harga saham secara tepat merupakan
Lebih terperinciOPTIMALISASI PERENCANAAN PRODUKSI DENGAN PREEMPTIVE GOAL PROGRAMMING (STUDI KASUS: UD. DODOL MADE MERTA TEJAKULA, SINGARAJA)
OPTIMALISASI PERENCANAAN PRODUKSI DENGAN PREEMPTIVE GOAL PROGRAMMING (STUDI KASUS: UD. DODOL MADE MERTA TEJAKULA, SINGARAJA) Ni Putu Deviyanti 1, Ni Ketut Tari Tastrawati 2, I Wayan Sumarjaya 3 1 Jurusan
Lebih terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
Lebih terperinciBAB 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 terperinciIII. METODE PENELITIAN
38 III. METODE PENELITIAN A. Konsep Dasar dan Batasan Operasional Konsep dasar dan definisi opresional mencakup pengertian yang dipergunakan untuk mendapatkan dan menganalisis data sesuai dengan tujuan
Lebih terperinciBAB I PENDAHULUAN. untuk mendapatkan sebuah hasil yang optimal, sementara terdapat selang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Masalah peramalan menjadi sangat penting karena adanya keinginan untuk mendapatkan sebuah hasil yang optimal, sementara terdapat selang waktu antara keinginan
Lebih terperinciBAB 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 terperinciPERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP
PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP SKRIPSI Disusun oleh : DITA RULIANA SARI NIM. 24010211140084 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciPeramalam 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 terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan sering dipandang sebagai seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang. Secara teoritis peramalan
Lebih terperinciEFEKTIVITAS 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 terperinciPENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH Tri Mulyaningsih ), Budi Nurani R ), Soemartini 3) ) Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran
Lebih terperinciPERAMALAN 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 terperinciARIMA and Forecasting
ARIMA and Forecasting We have learned linear models and their characteristics, like: AR(p), MA(q), ARMA(p,q) and ARIMA (p,d,q). The important thing that we have to know in developing the models are determining
Lebih terperinciPERAMALAN PENJUALAN TEH HIJAU DENGAN METODE ARIMA (STUDI KASUS PADA PT. MK)
PERAMALAN PENJUALAN TEH HIJAU DENGAN METODE ARIMA (STUDI KASUS PADA PT. MK) Zulhamidi 1, Riski Hardianto 2 1,2) Politeknik ATI Padang Email: zulhamidi@gmail.com; riskii.hardianto@gmail.com Abstrak Peramalan
Lebih terperinci