(S.4) PENDEKATAN METODE ALGORITMA GENETIK UNTUK IDENTIFIKASI MODEL ARIMA
|
|
- Yanti Sasmita
- 7 tahun lalu
- Tontonan:
Transkripsi
1 (S.4) PENDEKATAN METODE ALGORITMA GENETIK UNTUK IDENTIFIKASI MODEL ARIMA Jimmy Ludin Mahasiswa Program Magister Jurusan Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 200 ABSTRAK Identifikasi model merupakan tahapan yang sangat penting dalam membangun model ARIMA karena kesalahan pada identifikasi model akan menyebabkan kesalahan pada tahap berikutnya yang mengakibatkan tingkat akurasi dari model yang dihasilkan sangat rendah. Metode yang biasa digunakan untuk mengidentifikasi model ARIMA yaitu metode correlogram yang mempunyai kelemahan yaitu plot-nya kadang tidak bisa menghasilkan lag yang jelas untuk diidentifikasi sehingga keputusan yang diambil biasanya bersifat subjektif. Untuk itu digunakan pendekatan metode Algoritma Genetika untuk mengidentifikasi model ARIMA secara efektif dan efisien. Dari penggunaan metode algoritma genetika tersebut, akan dilihat tingkat akurasinya dengan membandingkan terhadap metode correlogram. Hasil dari penelitian ini sangat bermanfaat untuk mengidentifikasi model ARIMA dan penerapannya. Kata Kunci : Deret Waktu, ARIMA, Algoritma Genetika.. Pendahuluan Pemodelan dari suatu data yang bersifat deret waktu sering digunakan pada berbagai bidang yang tujuannya antara lain untuk peramalan. ARIMA (Autoregressive Integrated Moving Average) merupakan metode yang diperkenalkan oleh Box Jenkins untuk menganalisa dan memodelkan data deret waktu. Ada tiga tahap untuk membangun model ARIMA : () identifikasi model, (2) estimasi model dan (3) validasi model. Identifikasi model merupakan tahap yang paling penting dalam membangun model ARIMA, karena kesalahan pada identifikasi model akan menyebabkan kesalahan pada tahap estimasi model dan selanjutnya yang mengakibatkan tingkat akurasi dari model yang dihasilkan sangat rendah (Chatfield, C, 2000). Salah satu metode yang biasa digunakan untuk mengidentifikasi model ARIMA yaitu menggunakan plot fungsi autokorelasi partial (PACF) dan fungsi autokorelasi (ACF) atau disebut sebagai metode correlogram. Metode ini diperkenalkan oleh Box dan Jenkins yang digunakan untuk mengidentifikasi autoregressive (AR) dan moving average (MA) dari model ARIMA. Metode correlogram mempunyai beberapa kelemahan yaitu plot-nya kadang tidak bisa menghasilkan lag yang jelas untuk diidentifikasi sehingga keputusan yang diambil biasanya bersifat subjektif yang akan membuat hasilnya tidak stabil (Chatfield, Manajemen Risiko di Bidang Perbankan dan Asuransi 26
2 C, 2000), sehingga harus mencoba beberapa model ARMA untuk menghasilkan model terbaik. Cara ini sangat tidak efektif dan tidak efisien. Untuk mengatasi kelemahan tersebut, beberapa metode dapat digunakan untuk mendapatkan hasil identifikasi model ARIMA yang lebih efektif dan efisien. Salah satu metode yang bisa digunakan yaitu metode Algoritma Genetika yang telah banyak digunakan untuk membangun model ARIMA. Chen, dkk (2002) menggunakan metode algoritma genetika untuk mengestimasi maximum likelihood parameter dari model F- ARIMA. Kemudian Ong, dkk (2005) menggunakan metode algoritma genetika untuk mengidentifikasi model ARIMA. Pada makalah ini digunakan metode algoritma genetika untuk mengidentifikasi model ARIMA. Disamping itu, model hasil identifikasi menggunakan metode algoritma genetika akan dilihat tingkat akurasinya dengan membandingkannya dengan metode correlogram dengan menggunakan data jumlah penumpang angkutan udara yang datang dari luar negeri di bandara Soekarno Hatta Jakarta. 2. Data Deret Waktu Data deret waktu adalah sekumpulan data observasi yang variabelnya diukur dalam urutan periode waktu, misalnya bulanan, triwulanan, tahunan, dan sebagainya. Tujuan dari pengukuran data deret waktu adalah untuk menemukan pola data secara historis dan menerapkan pola tersebut untuk peramalan. Peramalan deret waktu didasarkan pada nilai variabel yang telah lalu. Pada makalah ini yang digunakan adalah deret waktu diskrit dimana observasinya tersusun berdasarkan periode bulanan. 2.. Stasioner Menurut Box, Jenkins, dan Reissel (994), untuk menggunakan model ARIMA, maka syarat utama yang harus dipenuhi adalah stasioneritas, baik dalam ratarata maupun varians. Data deret waktu dikatakan stasioner dalam varians jika variansnya tidak dipengaruhi oleh deret waktu atau variansnya konstan. Stastioner dalam rata-rata yaitu jika nilai rata-ratanya konstan dan tidak dipengaruhi oleh deret waktu (Makridakis dkk.,999). Untuk mengatasi data yang tidak stasioner dalam varians, dapat dilakukan transformasi pada data. Transformasi yang biasa digunakan adalah transformasi Box- Cox. Untuk mengatasi ketidakstasioneran data dalam rata-rata, maka dapat dilakukan proses differencing (Box, Jenkins, dan Reissel., 994) 2.2. Model ARIMA Model ARIMA merupakan penggabungan antara model AR(p) dan MA(q) serta proses differencing orde d pada data deret waktu. Bentuk umum dari model ARIMA(p,d,q) adalah sebagai berikut : d ( )( ) ( ) φ B B Z = θ B a () p t q t dimana : φ B = φ B... φ B ( ) ( ) p p θ B = θ B... θ B q p p q ( B) d merupakan operator untuk differencing orde d. Manajemen Risiko di Bidang Perbankan dan Asuransi 27
3 Jika pada data deret waktu terdapat komponen musim (s), maka model ARIMA akan menjadi Seasonal ARIMA atau biasa disingkat menjadi SARIMA dengan ordo ( P, D, Q ) s. Bentuk umum dari model SARIMA adalah sebagai berikut : s s D s Φ ( B )( B ) Z =Θ ( B ) a (2) P t Q t dimana : Φ = parameter seasonal autoregressive P Θ = parameter seasonal moving average Q Dengan menggabungkan persamaan (2.3) dengan (2.4), maka akan diperoleh model multiplicative dengan bemtuk umumnya sebagai berikut : φ D s d s s ( ) ( )( ) ( ) θ ( ) ( ) B Φ B B B Z = B Θ B a (3) p P t q Q t dimana : φ ( B) dan θ ( B) p, adalah polynomial dengan ordo p dan q untuk nonseasonal, Φ s P( B ), dan ( B s Q ) q Θ adalah polynomial dengan ordo P danq untuk seasonal, d dan D merupakan bentuk non-seasonal dan seasonal dari differencing yang digunakan Identifikasi model ARIMA menggunakan Correlogram Identifikasi model ARIMA bisa dilakukan dengan melihat plot ACF dan plot PACF yang dinamakan sebagai correlogram. Correlogram digunakan antara lain untuk menentukan lag yang signifikan dan untuk menentukan ordo p dan q dari model ARIMA. Bentuk-bentuk plot ACF dan PACF dalam mengindentifikasi model ARIMA adalah seperti pada Tabel 2.. Tabel 2. Bentuk ACF dan PACF untuk model ARIMA Model ACF PACF AR(p) MA(q) turun cepat secara eksponensial / sinusoidal terputus setelah lag q terputus setelah lag p turun cepat secara eksponensial / sinusoidal AR(p) atau MA(q) terputus setelah lag q terputus setelah lag p ARMA(p,q) Sumber : (Wei, 990) Estimasi Parameter model ARIMA turun cepat setelah lag (q-p) turun cepat setelah lag (pq) Dalam menaksir parameter model ARIMA ada beberapa metode yang dapat dilakukan, salah satunya yaitu metode Conditional Least Squares (Box, Jenkins, dan Reissel., 994). Untuk mengetahui apakah parameter model ARIMA yang telah diestimasi signifikan atau tidak maka dilakukan pengujian signifikansi parameter dengan menggunakan uji-t Uji Asumsi Residual Manajemen Risiko di Bidang Perbankan dan Asuransi 28
4 White noise dilakukan untuk melihat apakah error yang dihasilkan memiliki varians konstan (identik) dan tidak ada autocorrelation. Hipotesisnya adalah sebagai berikut : H 0 : ρ = ρ =... = ρ = 0 2 k H : minimal ada satu ρ m yang tidak sama dengan nol untuk m=,2,...,k Akurasi Peramalan Data Time Series Akurasi peramalan dapat diukur dari nilai berikut diantaranya : - Mean Squared Error (MSE) yaitu rata-rata jumlah kuadrat error peramalan. Rumusnya adalah sebagai berikut : n t = ( ) 2 t t n MSE= Z Zˆ (4) 3. Algoritma Genetika Algoritma Genetika menerapkan proses biologi dari rekombinasi genetika, mutasi, dan seleksi untuk mendapatkan solusi optimum. Algoritma Genetika sangat efektif dan efisien serta memiliki kemungkinan yang besar untuk mendapat solusi global optimum (Palit dan Popovic, 2005). Solusi yang didapatkan dengan algoritma genetika berupa kromosom yang disebut sebagai struktur data. Kromosom dapat berupa nilai biner, Integer, atau bilangan riil. Setiap kromosom mempunyai nilai ukuran berupa nilai fitness yang menyatakan solusi dari suatu permasalahan. 3.. Representasi Kromosom Representasi kromosom adalah pembentukan dan pengkodean kromosom. Dalam satu kromosom terdapat beberap gen yang jumlahnya ditentukan sesuai kebutuhan. Kumpulan dari kromosom yang dibentuk merupakan populasi atau disebut sebagai generasi. Populasi Kromosom Kromosom 2 Kromosom 3 Kromosom Gambar 2.. Populasi dengan kromosom bilangan biner Untuk membangun model ARIMA, maka didekati dengan model ARMA terlebih dahulu. Ada empat bagian dalam setiap kromosom yang harus dibentuk untuk menghasilkan bentuk AR, MA, seasonal AR dan seasonal MA. Misalnya, jika kromosom yang dihasilkan adalah (00; 000; 000; 00), maka model nya adalah SARMA (p,q)(p,q) s yaitu SARMA ([, 3, 4], [2, 4])([, 5], [2, 3, 4]) s. Manajemen Risiko di Bidang Perbankan dan Asuransi 29
5 3.2. Fungsi Fitness Prosiding Fungsi fitness merupakan probabilitas suatu kromosom dapat tetap terpilih dalam generasi berikutnya. Semakin tinggi nilai fitness menunjukkan kromosom tersebut dapat bertahan dalam generasinya, sebaliknya semakin rendah nilai fitness maka suatu kromosom tidak dapat bertahan dalam generasinya. Fungsi fitness yang digunakan pada penelitian ini adalah : f ( x) = (5) MSE 3.3. Seleksi Seleksi adalah proses memilih dua kromosom induk dari populasi yang akan digunakan dalam proses berikutnya yaitu crossover. Proses seleksi yang akan digunakan pada penelitian ini yaitu seleksi Boltzmann. Pada seleksi Boltzmann kemungkinan kromosom terpilih berdasarkan nilai fitness tiap kromosom dalam suatu populasi, makin besar nilai fitness, maka makin besar kemungkinan terpilih. Rumusnya adalah sebagai berikut : P( xi ) = exp[ ( fmax f ( xi )) / T] (6) dimana : f ( x i ) adalah nilai fitness kromosom ke-i ; i =,2,, G f adalah nilai maksimum dari f ( x ) max T = T0 ( α)k k= (+ 00 g / G) g = current generation number G = nilai maksimum dari g α bernilai antara 0 dan T bernilai antara 5 dan 00 0 i 3.4. Crossover Crossover mengkombinasikan dua induk hasil seleksi untuk mendapatkan keturunan. Tujuannya yaitu untuk memilih bagian terbaik dari kromosom sebelumnya. Salah satu proses crossover yaitu multi point crossover dimana ditentukan beberapa titik potong. Kemudian kromosom induk hasil seleksi dipotong. Kromosom baru dibentuk dari kromosom dari induk A sebelum titik potong dan dari induk B setelah titik potong dan sebaliknya. Ilustrasinya adalah sebagai berikut : Induk A Induk B Keturunan A Keturunan B Mutasi Gambar 2.2. Multi Point Crossover. Manajemen Risiko di Bidang Perbankan dan Asuransi 220
6 Mutasi adalah proses menukar satu atau lebih gen dengan gen yang lain pada populasi untuk menghasilkan populasi baru. Banyaknya gen yang akan dimutasi tergantung besarnya persentase mutasi (P m ) dari jumlah gen dalam populasi. Mutasi dilakukan untuk mencegah terjebak pada solusi lokal optimum. Mutasi biasanya dilakukan dengan nilai P m yang kecil. Populasi Populasi Kromosom Kromosom Kromosom Kromosom dilakukan mutasi menjadi Kromosom Kromosom Kromosom Kromosom Gambar 2.3. Proses Mutasi 3.6. Penghentian Proses (Kriteria Konvergen) Kriteria penghentian proses pencarian solusi antara lain yaitu jumlah maksimum generasi, lamanya waktu proses, dan tidak ada perubahan yang signifikan pada nilai fitness. Kriteria penghentian bisa juga merupakan gabungan dari kriteria tersebut dengan urutan tertentu. Pada penelitian ini proses akan dihentikan dengan menentukan jumlah maksimum generasi 50 dan 00. Pemilihan solusi optimum yaitu memilih satu kromosom dari generasi terakhir yang mempunyai nilai fitness maksimum. 4. Metodologi Metode penelitian yang digunakan sebagai langkah-langkah untuk mencapai tujuan dari penelitian ini adalah sebagai berikut :. Mengidentifikasi model ARIMA menggunakan metode correlogram dengan langkah sebagai berikut : a. Melihat stasioneritas data terhadap varians dan rata-rata. b. Identifikasi beberapa kemungkinan model yang bisa dibentuk dengan melihat lag yang signifikan pada plot ACF dan plot PACF. c. Mengestimasi Parameter menggunakan metode Conditional Least Square d. Menguji signifikansi parameter dari masing-masing model e. Memeriksa asumsi dari error dengan uji white noise dan uji Kolmogorov Smirnov. Bila tidak memenuhi asumsi, maka model diidentifikasi dengan model ARIMA yang lain. Manajemen Risiko di Bidang Perbankan dan Asuransi 22
7 f. Membandingkan nilai MSE dari masing-masing model. Model yang menghasilkan nilai MSE minimum merupakan model terbaik. 2. Identifikasi model ARIMA menggunakan metode algoritma genetika dengan langkah-langkah sebagai berikut : a. Representasi kromosom dan menginisialisasikan jumlah kromosom dalam populasi. b. Menentukan dan Menghitung Fungsi Fitness c. Seleksi kromosom menggunakan seleksi Boltzmann d. Melakukan crossover terhadap kromosom hasil seleksi dengan metode multi point crossover e. Melakukan mutasi kromosom. f. Menghentikan proses jika sudah mencapai jumlah generasi maksimum g. Menentukan model terbaik berdasarkan nilai fitness yang paling besar 3. Membandingkan nilai MSE yang dihasilkan. Nilai yang minimum menunjukkan tingkat akurasi yang lebih tinggi. 5. Hasil dan Pembahasan Pertama yaitu melihat stasioneritas terhadap varians yang dapat dilihat pada gambar berikut : Box-Cox Plot of JArr Time Series Plot of JArr Lower CL Upper CL Lambda (using 95.0% confidence) Estimate Lower CL Upper CL Rounded Value StDev JArr Limit Lambda Jan Jul Jan Month (a) (b) Gambar 5..(a). Melihat Stasioneritas terhadap Varians. (b). Melihat Stasioneritas terhadap Rata-rata. Pada gambar 5..(a) diatas terlihat bahwa nilai Lambda terletak antara -2,03 dan,4 yang berarti bahwa data tersebut sudah statsioner terhadap varians. Sehingga tidak perlu dilakukan transformasi terhadap data. Kemudian yang berikutnya yaitu melihat stasioneritas terhadap rata-rata dengan melihat plot data deret waktu pada gambar 5..(b). Pada gambar tersebut terlihat bahwa data tersebut tidak stasioner terhadap rata-rata, sehingga perlu dilakukan proses differencing dan 2 terhadap data. Plot ACF dan plot PACF data deret waktu setelah dilakukan proses differencing yaitu sebagai berikut : Jan Jul Jan Jul Jul Jan Jul Jan Manajemen Risiko di Bidang Perbankan dan Asuransi 222
8 Partial Autocorrelation Function for C7 (with 5% significance limits for the partial autocorrelations) Autocorrelation Function for C7 (with 5% significance limits for the autocorrelations) Partial Autocorrelation Autocorrelation Lag (a) (b) Gambar 5.2.(a). Plot Partial Autocorrelation Function. (b). Plot Autocorrelation Function Lag Berdasarkan plot ACF dan plot PACF diatas, maka model yang terbaik dengan metode Correlogram adalah model ARIMA (2,,0)(,,) 2, sedangkan jika menggunakan metode Algoritma Genetika, maka model terbaiknya setelah dilakukan 2 generasi adalah SARIMA(0,,)(,,[3,4]) 2. Setelah menghitung kriteria pemilihan model terbaik, maka perbandingannya adalah sebagai berikut: Tabel 5.. Perbandingan Model Correlogram dengan Model Algoritma Genetika Metode Model MSE ARIMA(2,,0)(2,,) ARIMA(2,,0)(2,,0) Correlogram ARIMA(2,,0)(0,,) ARIMA(2,,0)(,,) ARIMA(2,,)(,,) ARIMA(0,,)(,,[3,4]) ARIMA(,,0)(0,,[,3,4,5]) Algoritma Genetika ARIMA(0,,)([4],,0) ARIMA(0,,[,3,5])(0,,0) ARIMA(0,,3)(0,,0) Berdasarkan tabel diatas, identifikasi model menggunakan metode Algoritma Genetika dapat menghasilkan hasil yang lebih baik dibanding dengan metode correlogram. Kemudian hasil dari uji white noise menunjukkan bahwa asumsi tidak ada autokorelasi pada error di semua lag bisa dipenuhi, sehingga model identifikasi menggunakan Algoritma Genetika sesuai untuk data tersebut. Hasil uji asumsi error dengan uji white noise adalah sebagai berikut: Manajemen Risiko di Bidang Perbankan dan Asuransi 223
9 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square DF P-Value Prosiding Terlihat diatas bahwa nilai P-value semuanya diatas 0,05 yang menunjukkan bahwa asumsi tidak ada korelasi antar error sudah terpenuhi. 6. Kesimpulan dan Saran Pada makalah ini digunakan pendekatan metode Algoritma Genetika untuk mengidentifikasi model ARIMA dari data deret waktu. Metode Algoritma Genetika menghasilkan tingkat akurasi yang lebih tinggi dibandingkan dengan metode correlogram. Pendekatan metode Algoritma Genetika ini bisa dikembangkan dengan menggunakan beberapa tipe operator yang digunakan dalam proses genetika dan membandingkan tingkat akurasi dan tingkat efisiensi dari penggunaan operator yang berbeda tersebut. DAFTAR PUSTAKA Box, G.E.P., Jenkins, G.M., dan Reissel, G.C., 994. Time Series Analysis Forecasting and Control, edisi ketiga. Englewood Cliffs : Prentice Hall. Badan Pusat Statistik, , Indikator Ekonomi, Buletin Statistik Bulanan, Jakarta Chan, W.S, 999, A comparison of some of pattern identification methods for order determination of mixed ARMA models, Statistics & Probability Letters 42 () Chatfield, C, 2000, Time-Series Forecasting, Chapman &C Hall/CRC Chen, B.S., Lee, B.K., Peng, S.C., 2002, Maximum Likelihood Parameter Estimation of F-ARIMA Processes Using the Genetic Algorithm in the Frequency Domain, IEEE Transaction on Signal Processing, vol. 50 Gen, M., dan Cheng, R., Genetic Algorithms and Engineering Optimization, John Wiley & Son Inc, Canada. Makridakis, S., Wheelwright, S.C., dan McGee, V.E., 999. Metode dan Aplikasi Peramalan, Jilid Edisi Kedua, Terjemahan Ir. Hari Suminto, Bina Rupa Aksara, Jakarta. Manajemen Risiko di Bidang Perbankan dan Asuransi 224
10 Ong, C.S., Huang, J.J., dan Tzeng G.H., Model identification of ARIMA family using genetic algorithms, Journal Applied Mathematics and Computation, 64, Palit, A.K., Popovic, D., 2005, Computational Intelligence in Time Series Forecasting, Theory and Engineering Applications, Springer, Berlin Heidelberg New York Sivanandam, S.N., Deepa, S.N., 2008, Introduction to Genetic Algorithms, With 93 Figures and 3 Tables, Springer-Verlag Berlin Heidelberg Wei, W.W.S., 990. Time Series Univariate and Multivariate Methods, Addison Wesley Publishing Company Inc, Canada. Wu, B., Chang, C.L., 2002, Using Genetic Algorithms to Parameter (d, r) Estimation for Threshold Autoregressive Models, Journal Computational Statistics and Data Analysis, 38, Manajemen Risiko di Bidang Perbankan dan Asuransi 225
2/6/2011. Data deret waktu. Metode : ARIMA. Tahapan : (1) identifikasi model, (2) estimasi model dan (3) validasi model.
Data deret waktu Metode : ARIMA Tahapan : () identifikasi model, (2) estimasi model dan (3) validasi model. Jimmy Ludin 30920725 DOSEN PEMBIMBING : Prof. Dra. Susanti Linuwih, M.Stat., Ph.D Dr. Drs. Brodjol
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 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 terperinciKAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih 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 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 terperinciPemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input
Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input Oleh : Defi Rachmawati 1311 105 007 Dosen Pembimbing :
Lebih terperinciPeramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun
Peramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun NAMA : RITA RAHMADHANI NRP : 1306 030 008 PEMBIMBING: DR. BRODJOL SUTIJO
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS Oleh : Agustini Tripena ABSTRACT In this paper, forecasting the consumer price index data and inflation. The method
Lebih terperinciOUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran
OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat
Lebih terperinciMeytaliana F Dosen Pembimbing: Prof. Dr. Basuki Widodo, M.Sc. Dra. Nuri Wahyuningsih, M.Kes.
ESTIMASI PARAMETER AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) (STUDI KASUS PERAMALAN CURAH HUJAN DAS BRANGKAL MOJOKERTO) Meytaliana F. 1210100014
Lebih terperinciPERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Lebih 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 IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
Lebih 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 terperinciModel Penjualan Plywood PT. Linggarjati Mahardika Mulia
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol., No., Juli 7, Hal. 52-57 p-issn: 25-4596; e-issn: 25-4X Halaman 52 Model Penjualan Plywood PT. Linggarjati Mahardika Mulia
Lebih terperinciANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA
ANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA FATHIN FAHIMAH 226133 DOSEN PEMBIMBING Prof. Ir. Gamantyo Hendrantoro, M.Eng.
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinciOleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si
Oleh : Dwi Listya Nurina 1311105022 Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si Air Bersih BUMN Penyediaan air bersih untuk masyarakat mempunyai peranan yang sangat penting dalam meningkatkan kesehatan
Lebih terperinciPENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN STOKASTIK PADA DATA JUMLAH PENUMPANG KERETA API (Studi Kasus : KA Argo Muria)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 131-140 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENGGUNAAN METODE PERAMALAN KOMBINASI TREND DETERMINISTIK DAN
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 terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 016 1 Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu: 1. Penentuan model tentatif (spesifikasi model)
Lebih 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 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 terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 1 a. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal. b. Lakukan pendugaan parameter pada
Lebih terperinciAnalisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan
SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.
Lebih terperinciPERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL
E-Jurnal Matematika Vol. 5 (4), November 2016, pp. 183-193 ISSN: 2303-1751 PERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL Ni Putu Mirah Sri Wahyuni 1, I Wayan Sumarjaya 2, I Gusti Ayu Made
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciPEMODELAN DAN PERAMALAN JUMLAH PENUMPANG DAN PESAWAT DI TERMINAL KEDATANGAN INTERNASIONAL BANDARA JUANDA SURABAYA DENGAN METODE VARIANSI KALENDER
PEMODELAN DAN PERAMALAN JUMLAH PENUMPANG DAN PESAWAT DI TERMINAL KEDATANGAN INTERNASIONAL BANDARA JUANDA SURABAYA DENGAN METODE VARIANSI KALENDER M. Insanil Kamil 0 0 0 m.insanil_kml@yahoo.com Dosen pembimbing:
Lebih terperinciBAB IV KESIMPULAN DAN SARAN. maka dapat disimpulkan sebagai berikut: 1. Langkah-langkah dalam menentukan model EGARCH pada pemodelan data
BAB IV KESIMPULAN DAN SARAN A. Kesimpulan Berdasarkan uraian dan pembahasan pada bab-bab sebelumnya, maka dapat disimpulkan sebagai berikut: 1. Langkah-langkah dalam menentukan model EGARCH pada pemodelan
Lebih terperinciPERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL. Oleh: Niswatul Maghfiroh NRP.
PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL Oleh: Niswatul Maghfiroh NRP. 1208100065 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih 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 Atiqoh NRP : 1205 100 021 Dosen Pembimbing : 1. Dra. Nuri Wahyuningsih, MKes 2. Drs. Sulistiyo,
Lebih terperinciPENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA
KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.
Lebih terperinciAnalisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode
Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode ARIMA Box Jenkins Oleh : Winda Eka Febriana 1307 030 002 Pembimbing : Dra. Wiwiek Setya Winahju, MS Latar Belakang PMI Merupakan
Lebih terperinciPEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER
PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK
Lebih 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 terperinciANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun )
ANALISIS INTERVENSI FUNGSI STEP (Studi Kasus Pada Jumlah Pengiriman Benda Pos Ke Semarang Pada Tahun 2006 2011) Amelia Crystine 1, Abdul Hoyyi 2, Diah Safitri 3 1 Mahasiswa Jurusan Statistika FSM UNDIP
Lebih terperinciPeramalan merupakan alat bantu yang penting dalam penyusunan rencana yang efektif dan efisien. Pada
Estimasi Parameter Autoregressive Integrated Moving Average (ARIMA) Menggunakan Algoritma Particle Swarm Optimization (PSO) (Studi Kasus: Peramalan Curah Hujan DAS Brangkal, Mojokerto) Meytaliana Factmawati,
Lebih 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 terperinciModel Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer
Model Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer OLEH : DWI LISTYA NURINI 1311 105 021 DOSEN PEMBIMBING : DR. BRODJOL SUTIJO SU, M.SI Bursa saham atau Pasar
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 terperinciPERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK
PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA Gumgum Darmawan 1), Suhartono 2) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD 2) Staf Pengajar
Lebih 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 terperinci99.9. Percent maka H 0 diterima, berarti residual normal
Uji residual white noise 2 Lag Q P value 6 3.5 9.49 0.5330 2 6.6 8.3 0.803 8 9.8 26.30 0.9059 24 9.3 33.92 0.6374 K p q Uji residual berdistribusi normal Percent 99.9 99 95 90 80 70 60 50 40 30 20 0 5
Lebih terperinciPENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)
PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Liana Kusuma Ningrum dan Winita Sulandari, M.Si. Jurusan Matematika,
Lebih 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 terperinciPREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32
PREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32 Nanang WIdodo Penelid Staslun Pengamat Dlrgantara Watukosek, LAPAN ABSTRACT The time series of the monthly number
Lebih terperinciCetakan I, Agustus 2014 Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura
Hak cipta dilindungi Undang-Undang Cetakan I, Agustus Diterbitkan oleh: Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pattimura ISBN: ---- Deskripsi halaman sampul : Gambar yang ada pada cover
Lebih terperinciPEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION
PEMODELAN JUMLAH PENDERITA HIV/AIDS TERKAIT KUNJUNGAN WISATAWAN DI KABUPATEN BADUNG DAN KOTA MADYA DENPASAR DENGAN METODE TRANSFER FUNCTION Oleh NYOMAN PANDU WIRADARMA (1308 100 052) Dosen Pembimbing 1
Lebih terperinciMetode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api
Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Efek Variasi Kalender dengan Pendekatan Regresi Time Series Nur Ajizah 1, Resa Septiani Pontoh 2, Toni Toharudin 3 Mahasiswa Program
Lebih terperinciPemodelan Nilai Tukar Rupiah terhadap Dollar Amerika Serikat Menggunakan ARFIMA
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 Pemodelan Nilai Tukar Rupiah terhadap Dollar Amerika Serikat Menggunakan ARFIMA 1 Harnum Annisa Prafitia dan 2 Irhamah
Lebih terperinciPemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer
TUGAS AKHIR Pemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer Oleh : Fani Felani Farid (1306 100 047) Pembimbing : Drs. Kresnayana Yahya M.Sc Latar Belakang
Lebih terperinciPEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA. Nur Hukim
TE 091399 TUGAS AKHIR- 4 SKS PEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA Oleh Nur Hukim Dosen Pembimbing Prof. Ir. Gamantyo Hendrantoro, M.Eng. Ph.D Ir. Achmad
Lebih 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 terperinciGARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: S1 SISTEM INFORMASI Semester : Genap
GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: S1 SISTEM INFORMASI Semester : Genap Berlaku mulai: Genap/2010 MATA KULIAH : TEKNIK PERAMALAN KODE MATA KULIAH/ SKS : 410103096 / 3 SKS MATA KULIAH PRASYARAT
Lebih terperinciPeramalan Permintaan Pengujian Sampel Di Laboratorium Kimia Dan Fisika. Baristand Industri Surabaya)
Peramalan Permintaan Pengujian di Lab. Kimia dan Fisika (Aneke Rintiasti, Erna Hartati, Nunun Hilyatul M.) Peramalan Permintaan Pengujian Sampel Di Laboratorium Kimia Dan Fisika Baristand Industri Surabaya
Lebih terperinciABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan
Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra A 1, Suyono 2, Ria Arafiyah 3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciPERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI ABSTRAK
PERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI Trio Yonathan Teja Kusuma 1, Sandra Praharani Nur Asmoro 2 1,2)
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI. Oleh: IRLIZANTY YULYANTIKA RAHADI
PERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI Oleh: IRLIZANTY YULYANTIKA RAHADI 6 4 Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes Abstrak Indeks harga saham merupakan suatu indikator yang
Lebih terperinciLULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI
LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat
Lebih terperinciPeramalan Volume Distribusi Air di PDAM Kabupaten Bojonegoro dengan Metode ARIMA Box- Jenkins
Peramalan Volume Distribusi Air di PDAM Kabupaten Bojonegoro dengan Metode ARIMA Box- Jenkins Fastha Aulia P / 1309030018 Pembimbing: Ir.Dwiatmono Agus M.Ikomp Latar Belakang Air sebagai sumber kehidupan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 33-42 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS INTERVENSI KENAIKAN HARGA BBM TERHADAP PERMINTAAN BBM
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciPemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD
Pemodelan ARIMA Jumlah Pencapaian Peserta KB Baru IUD Charisma Arianti, Arief Wibowo Departemen Biostatistika dan Kependudukan Fakultas Kesehatan Masyarakat Universitas Airlangga Surabaya Alamat Korespondensi:
Lebih terperinciJurnal EKSPONENSIAL Volume 8, Nomor 1, Mei 2017 ISSN
Jurnal EKSPONENSIAL Volume 8, Nomor, Mei 07 ISSN 085-789 Peramalan dengan Metode Seasonal Autoregressive Integrated Moving Average (SARIMA) di Bidang Ekonomi (Studi Kasus: Inflasi Indonesia) Forecasting
Lebih terperinciPENDUGAAN PARAMETER MODEL AUTOREGRESSIVE PADA DERET WAKTU
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 28 37 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENDUGAAN PARAMETER MODEL AUTOREGRESSIVE PADA DERET WAKTU NELFA SARI Program Studi Matematika, Fakultas
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 terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK MINIMASI GALAT PADA METODE PERAMALAN ARIMA
Seminar Nasional Sistem Informasi Indonesia, 2-3 November 2015 IMPLEMENTASI ALGORITMA GENETIKA UNTUK MINIMASI GALAT PADA METODE PERAMALAN ARIMA Muhammad Abdurrahman Baraja (1), Wiwik Anggraeni (2) (1,
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 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 terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 737-745 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN DAYA LISTRIK BERDASARKAN JUMLAH PELANGGAN PLN MENGGUNAKAN
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017 1 Ada tiga tahapan iteratif dalam pemodelan data deret waktu yang berbasis model ARIMA, yaitu: 1. Penentuan model
Lebih 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 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 terperinciPERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP ABSTRAK
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman 795-804 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI
Lebih terperinciPEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER
1 PEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER Muhammad Zainuddin Fanani, Achmad Mauludiyanto Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel ARIMA menggunakan variabel dependen harga saham LQ45 dan variabel independen harga saham LQ45 periode sebelumnya, sedangkan ARCH/GARCH menggunakan variabel dependen
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 terperinciKAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q)
UJIAN TUGAS AKHIR KAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q) Disusun oleh : Novan Eko Sudarsono NRP 1206.100.052 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciPEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG MILIMETER
Mauludiyanto, Pemodelan ARIMA dan Deteksi Outlier Data Curah Hujan Sebagai Evaluasi Sistem Radio Gelombang Milimeter PEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG
Lebih terperinciPERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 1 8 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciPEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG MILIMETER
Mauludiyanto, Pemodelan ARIMA dan Deteksi Outlier Data Curah Hujan Sebagai Evaluasi Sistem Radio Gelombang Milimeter PEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG
Lebih terperinciPERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (GARCH)
Jurnal Matematika UNAND Vol. 5 No. 4 Hal. 80 88 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN RESIKO INVESTASI BANK CENTRAL ASIA DAN BANK MANDIRI MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE
Lebih terperinciANALISIS PENJUALAN BAHAN BAKAR MINYAK (BBM) dari PT. PERTAMINA (PERSERO) UPms V SURABAYA dengan METODE ARIMA BOX JENKINS
ANALISIS PENJUALAN BAHAN BAKAR MINYAK (BBM) dari PT. PERTAMINA (PERSERO) UPms V SURABAYA dengan METODE ARIMA BOX JENKINS Oleh: Rizky Amlia Rachmawati (1306.030.046) Dosen Pembimbing: Dra. Madu Ratna, M.Si
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 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 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 terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-249
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) 2337-3520 (2301-928X Print) D-249 Analisis Fungsi Transfer pada Harga Cabai Merah yang Dipengaruhi oleh Curah Hujan Di Surabaya Putri Rintan Aryasita,
Lebih terperinciPENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI
TUGAS AKHIR - ST 1325 PENGARUH INSIDEN BOM BALI I DAN BOM BALI II TERHADAP BANYAKNYA WISATAWAN MANCANEGARA YANG DATANG KE BALI I G B ADI SUDIARSANA NRP 1303100058 Dosen Pembimbing Ir. Dwiatmono Agus Widodo,
Lebih terperinciPERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT
PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG LOGO DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT Oleh : Ary Miftakhul Huda (1309 100 061) Dosen Pembimbing : Dr.rer.pol.
Lebih terperinciPEMODELAN ARIMA UNTUK PREDIKSI KENAIKAN MUKA AIR LAUT DAN DAMPAKNYA TERHADAP LUAS SEBARAN ROB DI KOTA AMBON
PEMODELAN ARIMA UNTUK PREDIKSI KENAIKAN MUKA AIR LAUT DAN DAMPAKNYA TERHADAP LUAS SEBARAN ROB DI KOTA AMBON (MODELS OF ARIMA TO PREDICT RISING SEA AND ITS IMPACT FOR THE WIDESPREAD DISTRIBUTION OF ROB
Lebih terperinciPERAMALAN CURAH HUJAN KOTA BANDUNG MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT PADA DERET BERKALA MUSIMAN
PERAMALAN CURAH HUJAN KOTA BANDUNG MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT PADA DERET BERKALA MUSIMAN Danica Dwi Prahesti, Entit Puspita, Fitriani Agustina Departemen Pendidikan Matematika FPMIPA
Lebih terperinciPENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK)
PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) FITROH AMALIA (1306100073) Dosen Pembimbing: Drs. Haryono, MSIE PENGENDALIAN KUALITAS
Lebih terperinciKETERKAITAN ANTARA NILAI RATA-RATA DAN NILAI KONSTAN DALAM PEMODELAN RUNTUN WAKTU BOX-JENKINS
KETERKAITAN ANTARA NILAI RATA-RATA DAN NILAI KONSTAN DALAM PEMODELAN RUNTUN WAKTU BOX-JENKINS Jamil 1, Raupong 2, Erna 3 ABSTRAK Pada awal perkembangannya, metode peramalan yang sering digunakan adalah
Lebih terperinciPeramalan Penjualan Pipa di PT X
Elviani, et al. / Peramalan Penjualan Pipa di PT X / Jurnal Titra, Vol.. 2, No. 2, Juni 2014, pp. 55-60 Peramalan Penjualan Pipa di PT X Cicely Elviani 1, Siana Halim 1 Abstract: In this thesis we modeled
Lebih terperinciANALISIS PERAMALAN ARIMA BOX-JENKINS PADA DATA PENGIRIMAN BARANG
ANALISIS PERAMALAN ARIMA BOX-JENKINS PADA DATA PENGIRIMAN BARANG Anik Rufaidah 1), Muhamad Afif Effindi 2) 1, 2) Sekolah Tinggi Teknik Qomaruddin Gresik Jalan Raya No. 01 Bungah Gresik 61152 e-mail: anikrufaidah99@gmail.com
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),
BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), prosedur pembentukan model Vector Error Correction (VEC), dan aplikasi model Vector Error Correction (VEC) pada penutupan
Lebih terperinciPERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT
PERAMALAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE DI KOTA DENPASAR MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT Novian Endi Gunawan 1, I Wayan Sumarjaya 2, I G.A.M. Srinadi 3 1 Program Studi Matematika,
Lebih terperinci4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :
4 BAB IV HASIL PEMBAHASAN DAN EVALUASI Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtut waktu. Data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data harga
Lebih terperinciOPTIMASI PRODUKSI UNTUK PRODUK PESANAN PADA PERUSAHAAN PESTISIDA MENGGUNAKAN METODE GOAL PROGRAMMING. Oleh: Rossy Susanti ( )
OPTIMASI PRODUKSI UNTUK PRODUK PESANAN PADA PERUSAHAAN PESTISIDA MENGGUNAKAN METODE GOAL PROGRAMMING Oleh: Rossy Susanti (1207 100 007) Dosen Pembimbing: Drs. Suharmadi S., DiplSc.,MPhil JURUSAN MATEMATIKA
Lebih terperinci