Peramalan Outflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Autoregressive (GSTAR)
|
|
- Fanny Sudirman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) D-59 Peramalan Ouflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Auoregressive (GSTAR) Rahmah Safiri, Seiawan, dan Imam Safawi Ahmad Jurusan Saisika, Fakulas MIPA, Insiu Teknologi uluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 6111 Indonesia rahmah.safiri7@gmail.com, seiawan@saisika.is.ac.id, safawi@saisika.is.ac.id Absrak Tahun khususnya saa Hari Raya ebaran jumlah uang beredar mencapai 17,1 Triliun rupiah. Peredaran uang di Jawa Timur didominasi oleh uang pecahan. Uang pecahan yang beredar di masyaraka merupakan ouflow dari Bank. Pada waku erenu seperi bulan erjadinya Hari Raya Idul Firi, ouflow uang pecahan mempunyai jumlah yang inggi dibandingkan bulan biasanya. Unuk memenuhi kebuuhan masyaraka akan keersediaan uang pecahan rupiah layak edar Bank Indonesia melakukan kebijakan dengan melakukan peramalan. Meode peramalan yang dapa digunakan unuk meramalkan ouflow uang pecahan adalah GSTAR yang memperhaikan keerkaian anar lokasi pada waku erenu. Dilakukan peramalan erhadap ouflow uang pecahan 1 ribu dan ribu menggunakan Time Series Regression dan GSTAR-SUR. okasi pengamaan di KPw BI Surabaya, Kediri, Malang, dan Jember. Model Time Series Regression dengan efek variasi kalender lebih baik meramalkan ouflow uang pecahan 1 ribu dan ribu, model GSTAR belum dapa menangkap pola daa sebenarnya. Kaa Kunci GSTAR, Jawa Timur, Ouflow, Uang Pecahan. U I. PENDAHUUAN ang rupiah merupakan ala pembayaran yang sah di Negara Indonesia. Kebijakan enang beredarnya uang di Indonesia diaur oleh Bank Indonesia (BI) yaiu memenuhi kebuuhan masyaraka akan keersediaan uang rupiah layak edar [1]. Kebijakan erhadap jumlah uang beredar berujuan unuk menjaga keseimbangan makro ekonomi dengan menekan laju inflasi, meningkakan laju perumbuhan ekonomi, dan menyeimbangkan neraca pembayaran. Jawa Timur merupakan provinsi dengan jumlah uang beredar mencapai 17,1 Triliun rupiah pada ahun 1 saa Hari Raya Idul Firi aau 15% dari esimasi 16,7 riliun. [], sehingga perlu dilakukan kebijakan dengan pengendalian jumlah uang beredar. Kebijakan yang elah dilakukan BI salah saunya adalah melakukan peramalan []. Model ramalan yang baik, dibuuhkan unuk mewujudkan keseimbangan makro ekonomi. Peneliian enang peramalan jumlah uang beredar di Indonesia pernah dilakukan ahun 9 yang menghasilkan model ARIMA (,) (,) 1 unuk komponen uang karal erhadap giro []. Peneliian yang pernah dilakukan erhadap uang di Indonesia yaiu inflow dan ouflow uang karal. Inflow merupakan informasi mengenai aliran uang keras dan uang logam yang masuk dari perbankan dan masyaraka ke BI, sedangkan ouflow merupakan informasi mengenai aliran uang keras dan uang logam yang keluar dari BI kepada perbankan dan masyaraka. Peneliian enang paramalan uang karal dapa dilakukan secara mulivaria. Salah sau meode yang dapa digunakan adalah GSTAR (Generalized Space Time Auoregressive), meode ini digunakan unuk meramalkan dengan memperhaikan lokasi yang heerogen. Peneliian menggunakan GSTAR pernah dilakukan erhadap daa minyak bumi di iga lokasi dengan hasil bahwa model GSTAR lebih baik meramalkan minyak bumi di iga lokasi dibandingkan dengan VARIMA [5]. Uang pecahan mempunyai daya arik yang kua pada waku erenu seperi Hari Raya Idul Firi dan hari besar lainnya, hal ersebu menyebabkan ouflow uang pecahan pada waku erenu ingi dan mempunyai pola flukuaif. Unuk mengendalikan ouflow uang pecahan di Jawa Timur dilakukan peramalan erhadap uang pecahan berdasarkan ouflow di BI iap KPw. Peneliian sebelumnya menyaakan bahwa model GSTAR menghasilkan ramalan lebih baik daripada model VARIMA unuk meramalkan secara mulivariae [5], sehingga dalam peneliian ini menggunakan GSTAR unuk meramalkan ouflow uang pecahan 1 ribu dan ribu di JawaTimur, kemudian menenukan model erbaik. II. Model GSTAR TINJAUAN PUSTAKA Model GSTAR (Generalized Space Time Auoregressive) merupakan perkembangan dari model STAR (Space Time Auoregressive) dan merupakan spesifikasi dari model VAR (Vecor Auoregressive) [6]. Model GSTAR mempunyai lokasi pengamaan yang bersia heerogen yang diunjukkan dengan marik pembobo. Benuk model GSTAR secara umum pada orde p dan orde spasial 1,,, p adalah p ( ) Φ s ( s) e( ), s ( k) s Φsk W 1 k1 dengan () : vekor observasi pada waku ke λ s : orde spasial dari auoregresi ke s Φ s : diag (φ 1 s,, φ N s ) mariks koefisien parameer waku Φ sk : diag (φ 1 sk,, φ N sk )mariks koefisien parameer spasial W (k) : mariks pembobo
2 D-6 JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) k wii dan i j k ij w 1 e() : komponen error yang memenuhi asumsi whie noise. Persamaan model GSTAR dengan orde waku k dan spasial 1 dalam benuk mariks dengan pengamaan di lokasi adalah 1( ) 1 1( k) 11 w1 w1 w1 1( k) a1 ( k) 1 w1 w w ( k) a ( k) w w w ( k) a ( k) 1 w1 1 1 w w ( k) a Mengidenifikasi model GSTAR hanya dibaasi menggunakan orde spasial sau karena jika lebih dari sau akan suli diinerpreasikan. Penenuan orde model GSTAR menggunakan plo MCCF dan MPCCF. Pemilihan bobo lokasi pada model GSTAR menunjukkan bahwa pengamaan anar lokasi mempunyai sifa yang heerogen. Terdapa iga jenis penenuan bobo lokasi yaiu bobo lokasi seragam, invers jarak, dan normalisasi korelasi silang. Bobo normalisasi korelasi silang merupakan bobo yang bersifa fleksibel karena memunkinkan semua benuk hubungan anar lokasi. Bobo normalisasi korelasi silang menggunakan inferensia saisik erhadap korelasi silang unuk penenuan bobo lokasinya [7,8]. Secara umum korelasi silang anara lokasi ke-i dan ke-j pada lag waku ke-k diberikan sebagai [9] ij ( k) ij ( k), k, 1,,... () i j Dengan γ ij (k) merupakan kovarian silang anara pengamaan di lokasi ke-i dan ke-j, σ i dan σ j merupakan sandar deviasi anara pengamaan di lokasi ke-i dan ke-j. Taksiran dari korelasi silang pada sampel dapa dinyaakan dalam benuk n [ i i ][ j ( k) j ] k1 r ij ( k). () n n [ ( ) ] [ ( ) ] i i j j 1 1 Penenuan bobo lokasi dapa dilakukan melalui normalisasi dari hasil besaran-besaran korelasi silang anar lokasi pada waku yang bersesuaian. Proses ini menghasilkan bobo lokasi unuk model GSTAR yaiu rij ( k) w ij ( k), r ( k) (5) ji dengan i j dan bobo ini memenuhi w ij 1. Esimasi Parameer Model GSTAR ij i j Esimasi parameer pada model GSTAR menggunakan GS (Generalized eas Square), dengan memperhaikan adanya korelasi dari residual anar persamaan. GS sering digunakan dalam model SUR (Seemingly Unrelaed Regression) dengan model erdiri dari beberapa persamaan regresi yang residualnya idak saling berkorelasi dan idak erjadi auokorelasi. Asumsi yang harus dipenuhi adalah E(ε) = dan E(ε ε) = σ ij I T. Memperhaikan srukur varian kovarian persamaan SUR, maka nilai E(ε ε) = Σ I T = Ω. Esimasi parameer () model SUR dengan meode GS memerlukan invers mariks varian kovarian residual, sehingga diperoleh esimaor ak bias β menggunakan GS yaiu 1 βˆ 1 1 XΩ X XΩ 1 1 X Σ I X XΣ I X Σ IX XΣ I Hasil esimasi parameer digunakan unuk meramalkan menggunakan model GSTAR. Peramalan model GSTAR yaiu 1 (7) p p ( l) ˆ i, T ( l) Φk( k) ΦklW ( k) (8) k1 l1 Time Series Regression Model ime series regression memili beberapa unsur, yaiu unsur ren dengan persamaan 1 (9) yang memiliki pola musiman dapa diuliskan 1M1, M, 1M1, dengan variasi kalender dapa dimodelkan menggunakan regresi linier dengan persamaan 11, 1 1,, 1, (11) 5, 1 6, 7, 1 Sehingga jika daa memiliki unsur ren, musiman dan variasi kalender akan mengikui persamaan M M M 1 1 1,, 1 1, 1 5, 1 1, 6, 7, 1, 1 8 1,, 8 1,, dengan i adalah variabel dummy unuk efek variasi kalender minggu ke- i bulan ke- dengan i =,, dan M m, adalah variabel dummy bulan ke- m dengan m =,,1. Pemilihan Model Terbaik Pemilihan model erbaik dilakukan jika erdapa lebih dari sau model dere waku yang layak dipakai dan berdasarkan pada daa ou sample. Krieria pemilihan model menggunakan Roo Mean Square Error (RMSE), semakin kecil nilai RMSE maka semakin besar kemungkinan suau model ersebu layak dipilih. Formula RMSE diberikan dengan [1] RMSE 1 M M ˆ nl n ( l). l1 Ouflow Uang Pecahan (1) Uang pecahan erdiri aas pecahan uang keras (UK) dan pecahan uang logam (U). Pecahan uang keras erdiri dari pecahan 1 rupiah, rupiah, 5 rupiah, 1 ribu rupiah, ribu rupiah, 5 ribu rupiah, dan 1 ribu ribu rupiah sera pecahan uang logam erdiri dari 5 rupiah, 1 rupiah, rupiah, 5 rupiah, dan 1 rupiah [1]. Ouflow uang rupiah merupakan informasi mengenai banyaknya aliran uang keras dan uang logam yang keluar dari BI kepada perbankan dan masyaraka BI. Ouflow uang rupiah erdiri aas penarikan bank umum, penarikan non-bank, kas keliling dalam rangka penukaran, penarikan dalam rangka kas iipan di bank umum, dan penarikan lainnya.
3 JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) D-61 III. Sumber METODOOGI PENEITIAN yang digunakan dalam peneliian ini merupakan daa sekunder yang didapa dari Bank Indonesia. yang digunakan merupakan daa uang pecahan 1 ribu rupiah dan ribu rupiah. Pengamaan dilakukan di empa lokasi KPw BI yaiu Surabaya, Kediri, Malang, dan Jember. Periode pengamaan yaiu bulanan dari uari 1 sampai Desember. Variabel Peneliian Variabel yang digunakan dalam peneliian ini i,m (), dengan i = 1,,, merupakan banyaknya lokasi pengamaan, m = menyaakan jenis uang pecahan yang diamai, dan = 1,,, 7 merupakan periode waku pengamaan. Variabel dummy yang digunakan dalam pemodelan ime series regression adalah 1, bulan ke -( -1) hari Raya Idul Firi pada minggu i, 1, lainnya 1, bulan ke - hari Raya Idul Firi pada minggu ke -i i,, lainnya dengan i =,,. angkah Analisis Tahapan analisis yang dilakukan dalam peneliian ini sebagai beriku : 1. Mengidenifikasi pola daa ouflow uang pecahan di empa lokasi pengamaan menggunakan ime series plo.. Membagi daa peneliian menjadi daa in sample yaiu uari 1-Desember 1 dan ou sample yaiu uari- Desember.. Melakukan pemodelan daa ouflow uang pecahan di empa KPw BI Jawa Timur secara univaria menggunakan ime series regression dan mulivaria menggunakan GSTAR.. Menenukan model erbaik berdasarkan nilai RMSE ou sample erkecil. 5. Melakukan peramalan ouflow uang pecahan di empa KPw BI Jawa Timur. IV. ANAISIS DAN PEMBAHASAN Analisis dan pembahasan dalam peneliian ini erdiri aas karakerisik daa ouflow uang pecahan 1 ribu dan ribu, pemodelan ouflow uang pecahan menggunakan GSTAR-SUR dan ime series regression sera menenukan model erbaik. Karakerisik Ouflow Uang pecahan Karakerisik ouflow uang pecahan 1 ribu dan ribu mempunyai karakerisik yang berbeda. Grafik perubahan nilai ouflow uang pecahan 1 ribu dan ribu iap bulan pada empa KPw BI diunjukkan dengan ime series plo ke-i (c) (d) Gambar 1. Time Series Plo Ouflow Uang Pecahan Jenis 1 Ribu Pada (c) KPw Malang dan (d) KPw Jember (anjuan) Gambar 1 menunjukkan bahwa perubahan inggi rendahnya ouflow uang pecahan 1 ribu mempunyai pola yang sama seiap ahunnya pada empa KPw BI, yaiu keika ouflow uang pecahan 1 ribu naik di suau KPw maka KPw yang lain juga akan naik. Perubahan ouflow uang pecahan ribu iap bulan pada empa KPw BI di Jawa Timur diunjukkan oleh Gambar (c) (d) Gambar. Time Series Plo Ouflow Uang Pecahan Jenis Ribu Pada KPw Surabaya, KPw Kediri, (c) KPw Malang, (d) KPw Jember Gambar menunjukkan bahwa perubahan nilai ouflow uang pecahan ribu mempunyai pola yang sama pada empa KPw BI di Jawa Timur. Saa nilai ouflow uang pecahan ribu di suau KPw naik pada bulan erenu, maka nilai ouflow uang pecahan di KPw lain akan naik pada bulan yang sama. Nilai ouflow uang pecahan ribu yang diunjukkan oleh Gambar mengalami kenaikan yang inggi sekiar bulan Hari Raya Idul Firi. Pemodelan Ouflow Uang pecahan Secara Univaria Pola daa ouflow uang pecahan 1 ribu dan ribu mempunyai kenaikan yang inggi saa periode erenu. Berdasarkan Gambar 1 dan Gambar, efek Hari Raya Idul Firi mempengaruhi ingginya ouflow uang pecahan 1 ribu dan ribu, sehingga dimodelkan secara univaria menggunakan ime series regression dengan memasukan efek variasi kalender dan anpa ada variasi kalender. 1) Pemodelan Ouflow Uang Pecahan 1 Ribu Perubahan pola daa ouflow uang pecahan 1 ribu mengalami kenaikan pada periode erenu. Nilai eringgi erjadi saa Hari Raya Idul Firi bulan sebelum bulan Hari Raya Idul Firi ersebu. Nilai eringgi juga erjadi pada bulan erjadinya Naal yang mendekai ahun baru yaiu akhir ahun bulan Desember
4 ramalan akual D-6 JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) Gambar. Hasil Ramalan Ou Sample Ouflow Uang Pecahan 1 Ribu Menggunakan Time Series Regression Efek Variasi Kalender dan Tanpa Efek Variasi Kalender di KPw BI Surabaya Gambar menunjukkan bahwa hasil ramalan ouflow uang pecahan 1 ribu yang diunjukkan oleh warna merah mendekai daa sebenarnya yang diunjukkan oleh warna hijau unuk model ime series regression dengan efek variasi kalender. Hasil ramalan mampu menangkap kejadian Hari Raya Idul Firi yang erjadi pada bulan i dan Naal pada desember sera mampu mengikui pola daa sebenarnya. Unuk hasil ramalan anpa menggunakan efek variasi kalender belum mampu mengikui pola daa sebenarnya. ) Pemodelan Ouflow Uang Pecahan Ribu Pemodelan ouflow uang pecahan ribu menggunakan ime series regression dengan memasukan efek variasi kalender. Variasi kalender yang erjadi pada nilai ouflow uang pecahan ribu yaiu bulan erjadinya Hari Raya Idul Firi dan bulan sebelum erjadinya Hari Raya Idul Firi Forecas Akual Ramalan Akual Gambar. Hasil Ramalan Ou Sample Ouflow Uang Pecahan Ribu Menggunakan Time Series Regression Efek Variasi Kalender dan Tanpa Efek Variasi Kalender di KPw BI Surabaya Gambar menunjukkan bahwa hasil ramalan ouflow uang pecahan ribu yang diunjukkan oleh warna orange mendekai daa sebenarnya unuk model ime series regression menggunakan efek variasi kalender mampu mengikui pola daa sebenarnya dan mampu menangkap kejadian Hari Raya Idul Firi. Hasil ramalan belum mampu mengikui pola daa sebenarnya unuk model ime series regression anpa efek variasi kalender yang diunjukka oleh Gambar. Pemodelan Ouflow Uang pecahan Menggunakan GSTAR Ouflow uang pecahan 1 ribu dan ribu dimodelkan secara mulivaria menggunakan GSTAR-SUR dengan bobo lokasi normalisasi korelasi silang. yang digunakan unuk pemodelan merupakan daa in sample dengan periode uari 1-Desembar 1. 1) Pemodelan Ouflow Uang Pecahan 1 Ribu Tahap awal yang dilakukan dalam melakukan pemodelan ouflow uang pecahan 1 ribu adalah mengevaluasi sasioner daa secara mulivaria menggunakan plo MCCF. Berdasarkan plo MCCF daa ouflow uang pecahan 1 ribu elah sasioner, sehingga idak dilakukan differencing pada daa ersebu. Model yang erbenuk berdasarkan plo MPCCF dan nilai AIC erkecil adalah GSTAR-SUR ([1]). Nilai bobo normalisasi korelasi silang pada lag yaiu,575,1117 W(),755,67,8869, ,681,7,11,77,98,1 ramalan akual Hasil esimasi parameer menunjukkan bahwa model GSTAR-SUR ([ 1 ]) unuk ouflow uang pecahan 1 ribu, dari 8 parameer erdapa parameer yang berpengaruh signifikan karena nila Pvalue kurang dari (,1). Hasil esimasi menggunakan parameer yang signifikan diunjukkan pada Tabel 1. TABE 1. ESTIMASI PARAMETER MODE GSTAR-SUR (1 1 )-I 1 OUTFOW UANG PECAHAN 1 RIBU MENGGUNAKAN PARAMETER SIGNIFIKAN okasi Parameer Esimasi Nilai Pvalue () Surabaya,796 8,9 <,1 1 Kediri Malang (),776 8,1 <,1 1 (),581 6,5 <,1 1 () Jember,199 8,15 <,1 1 Keerangan : Berpengaruh signifikan pada =1% Tabel 1 menunjukkan bahwa semua parameer berpengaruh signifikan pada (,1). Berdasarkan hasil esimasi parameer yang diunjukkan pada Tabel dapa dibenuk persamaan model GSTAR-SUR ([ 1 ]) unuk meramalkan ouflow uang pecahan di KPw Surabaya, KPw Kediri, KPw Malang, dan KPw Jember. a) Model GSTAR-SUR ([ 1 ]) ouflow uang pecahan 1 ribu di KPw Surabaya ),796 ( ) a ( ) ( 1, 1 b) Model GSTAR-SUR ([ 1 ]) ouflow uang pecahan 1 ribu di KPw Kediri,15 ( ),171 ( ),1,996 ( ) a,1 c) Model GSTAR-SUR ([ 1 ]) ouflow uang pecahan 1 ribu di KPw Malang,977 ( ),116 ( ),1195 ( ) a d) Model GSTAR-SUR ([ 1 ]) ouflow uang pecahan 1 ribu di KPw Jember,96 ( ),17 ( ), ( ) a Berdasarkan persamaan model GSTAR-SUR ([ 1 ]) dengan parameer yang signifikan, maka dapa dilakukan peramalan erhadap daa ou sample ouflow uang pecahan 1 ribu di empa KPw periode uari - Desember. Hasil peramalan diunjukkan pada Gambar (c) Surabaya Forecas Malang Forecas,1,1 (d) Gambar 5. Hasil Peramalan Ou Sample Ouflow Uang Pecahan 1 Ribu Menggunakan Parameer Signifikan di KPw Surabaya, Kediri, (c) Malang, dan (d) Jember Kediri Forecas Jember Forecas
5 JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) D-6 Peramalan ouflow uang pecahan 1 Ribu iap KPw BI di Jawa Timur diunjukkan oleh garis puus-puus sedangkan daa sebenarnya diunjukkan oleh garis lurus. Berdasarkan Gambar 5 hasil peramalan memberikan hasil yang cukup jauh dengan daa sebenarnya. Beberapa periode belum bisa diramalkan secara epa. ) Pemodelan Ouflow Uang Pecahan Ribu Plo MCCF menunjukkan adanya pola musiman 1 dan belum sasioner dalam musiman, sehingga dilakukan differencing 1. Plo MPCCF menunjukkan bahwa model yang didapa yaiu GSTAR-SUR (1 1 )-I 1. Bobo yang digunakan yaiu bobo normalisasi korelasi silang pada lag 1 dengan nilai,159,6858,69,786 W,67,6,75,91,757,16,585,171 Hasil esimasi parameer model GSTAR-SUR -I 1 diunjukkan pada Tabel. TABE. ESTIMASI PARAMETER MODE GSTAR-SUR (1 1 )-I 1 OUTFOW UANG PECAHAN RIBU MENGGUNAKAN PARAMETER SIGNIFIKAN okasi Parameer Esimasi Nilai Pvalue Surabaya Kediri Malang -,7887 -,77,81 1,119,8 1 Tidak ada parameer yang signifikan,196 1,9,6 Jembar,96,79,77 1 Keerangan : Berpengaruh signifikan pada =1% Tabel menunjukkan hanya parameer yang berpengaruh signifikan dan di KPw Malang idak ada parameer yang signifikan dengan nilai Pvalue kurang dari (,1), dapa dibenuk persamaan GSTAR-SUR (1 1 )-I 1 unuk meramalkan ouflow uang pecahan ribu di KPw Surabaya, Kediri, Malang, dan Jember. a) Model GSTAR-SUR (1 1 )-I 1 ouflow uang pecahan ribu di KPw Surabaya ( 1),7887 ( 1),7887 ( 1) a b) Model GSTAR-SUR (1 1 )-I 1 ouflow uang pecahan ribu di KPw Kediri ( 1),175 ( 1),175 ( 1),9,969, ( 1),9 ( 1),969, ( 1) ( 1) a c) Model GSTAR-SUR (1 1 )-I 1 ouflow uang pecahan ribu di di KPw Malang ) ( 1) a ( ), (, d) Model GSTAR-SUR (1 1 )-I 1 ouflow uang pecahan ribu di KPw Jember ( 1),196 ( 1),196 ( 1),617,,616, ( 1),61 ( 1),616 ( 1) a ( 1),, ( 1) ( 1) Hasil peramalan daa ou sample unuk persamaan model GSTAR-SUR (1 1 )-I 1 selama uari-desember diunjukkan oleh Gambar. Gambar 6. Hasil Peramalan Ou Sample Ouflow Uang Pecahan Ribu Menggunakan Parameer Signifikan di KPw Surabaya, KPw Kediri, (c) KPw Jember Gambar 6 menunjukkan hasil ramalan daa ou sample ouflow uang pecahan ribu di masing-masing KPw kecuali Malang, yang diunjukkan oleh garis puus-puus. Hasil ramalan cukup jauh dengan daa sebenarnya, erliha dari hasil ramalan yang idak eapa pada periode erenu. Model belum dapa menangkap pola daa sebenarnya. Menenukan Model Terbaik Menenukan hasil ramalan yang baik menggunakan nilai RMSE ou sample erkecil dengan membandingkan anara model univaria dan mulivaria. Model yang dibandingkan yaiu model ime series regression anpa efek variasi kalender dan model GSTAR. Tabel 5 menunjukkan perbandingan nilai RMSE ou sample. TABE. NIAI RMSE OUT SAMPE MODE TIME SERIES REGRESSION TANPA EFEK VARIASI KAENDER DAN MODE GSTAR KPw Time Series Regression 1 ribu Ribu GSTAR Time Series Regression GSTAR Surabaya Kediri Malang Jember Toal Keerangan : Nilai RMSE Ou Sample erkecil Tabel memberikan informasi bahwa model univaria ime series regression anpa variasi kalender lebih baik meramalkan ouflow uang pecahan 1 ribu dibandingkan model mulivaria GSTAR. Unuk ouflow uang pecahan ribu lebih baik diramalkan menggunakan model mulivaria GSTAR, hal ersebu didasarkan pada nilai RMSE ou sample. Dapa dijelaskan bahwa model GSTAR lebih baik meramalkan ouflow uang pecahan ribu, eapi kedua model ersebu belum mampu meramalkan secara epa. Selanjunya dilakukan peramalan erhadap ouflow uang pecahan 1 ribu dan ribu ahun 16 menggunakan GSTAR. Gambar 7. Hasil ramalan Ouflow Uang Pecahan 1 Ribu Tahun 16 di KPw Surabaya
6 D-6 JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) Gambar 7 menunjukkan bahwa bagian 1 merupakan pola daa in saple, merupakan pola daa ou sample, dan merupakan pola daa ramalan ahun 16. Diunjukkan bahwa hasil ramalan ahun 16 unuk ouflow uang pecahan 1 ribu mengalami ren urun dari periode sebelumnya, hal ini menunjukkan bahwa model GSTAR kurang baik meramalkan ouflow uang pecahan 1 ribu di KPw Surabaya. Gambar 8. Hasil ramalan Ouflow Uang Pecahan Ribu Tahun 16 di KPw Surabaya Gambar 8 menunjukkan bahwa hasil ramalan ahun 16 unuk ouflow uang pecahan ribu yaiu bagian no memiliki pola yang sama dengan periode sebelumnya. Hasil ramalan menunjukkan bahwa ouflow uang pecahan ribu di KPw Surabaya mempunyai jumlah yang inggi pada bulan i 16, dimana bulan ersebu bulan sebelum erjadinya hari Raya Idul Firi yaiu bulan i 16. Model GSTAR cukup mampu meramalkan ouflow uang peacahan ribu pada ahun 16. V. KESIMPUAN DAN SARAN Berdasarkan hasil analisis dan pembahasan dapa disimpulkan bahwa pola perubahan daa ouflow uang pecahan 1 ribu dan ribu iap bulan mempunyai pola yang sama anara empa KPw BI di Jawa Timur. Model Time Series Regression anpa efek variasi kalender lebih baik memodelkan ouflow uang pecahan 1 ribu di empa KPw BI Jawa Timur, sedangkan model GSTAR lebih baik memodelkan ouflow uang pecahan ribu. Peneliian selanjunya disarankan menggunakan GSTARX unuk meramalkan ouflow uang pecahan di KPw BI wilayah Jawa Timur karena erdapa pola variasi kalender pada daa ouflow uang pecahan di Jawa Timur dan hasil ramalan lebih epa meskipun secara univaria. DAFTAR PUSTAKA [1] B. Indonesia, "Bank Indonesia," (). [Online]. Tersedia: hp:// [Diakses 1 ruari 16]. [] E. Jaen, "Radio Republik Indonesia," (1). [Online]. Tersedia: hp:// n_uang_selama_lebaran_di_jawa_imur.hml. [Diakses 8 i 16]. [] A. Karomah and Suharono, "Peramalan Neflow Uang karal dengan Model Variasi Kalender dan Model Auoregressive Disribued ag (ARD)," Sains dan Seni POMITS, vol., pp. 1-18, (1). [] Y. T. Sofia, "Model Pengganda Uang Unuk Menenukan Jumlah Uang Beredar di Indonesia Menggunakan Model ARIMA Komponen," Saisika, vol. 9, pp. 5-, (9). [5] Suharono. and R. M. Aok, "Perbandingan anara Model GSTAR dan VARIMA unuk Peramalan daa Dere Waku dan lokasi," Dipresenasikan pada seminar nasional Saisika, pp. 1-1, (5). [6] B. N. Ruchjana, S. A. Borovkova and H. P. opuhaa, "eas Square Esimaion of Generalized Space Tiem Auoregressive (GSTAR) Model and Is Properies," The 5h Inernaional Conference Research ang Educaion in Mahemaics AIP Conf. Proc. 15, pp. 61-6,. [7] Suharono. and R. M. Aok, Pemilihan Bobo okasi yang Opimal pada Model GSTAR, Semarang: Universias Negeri Semarang, (6). [8] Suharono. dan Subanar., "The Opimal Deerminaion of Space Weigh in GSTAR Model by Using Crosscorrelaion Inference," Mahemaical and Saisical Aplicaion in Variou Field, vol., pp. 5-5, (6). [9] G. E. Box, G. M. Jenkins and G. Reinsel, Time series Analysis Forecasing and Conrol Four Ediion, New Jersey: John Wiley & Sons, Inc, (8). [1] W. W. Wei, Time Series Analysis Univariae and Mulivariae Mehods, Unied Sae of America: Pearson Educaion, (6).
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan
Lebih terperinciKata Kunci - GSTAR, Inflasi, Invers Jarak, Korelasi Silang, Seragam. I. PENDAHULUAN II. TINJAUAN PUSTAKA
Pemodelan Inflasi di Koa Semarang, Yogyakara, dan Surakara dengan pendekaan GSTAR Laily Awliaul Faizah, Seiawan Jurusan Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang
Lebih terperinciBAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun
BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih terperinci*Corresponding Author:
Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion
Lebih terperinciAPLIKASI MODEL GSTAR PADA PERAMALAN JUMLAH KUNJUNGAN WISATAWAN EMPAT LOKASI WISATA DI BATU
APLIKASI MODEL GSTAR PADA PERAMALAN JUMLAH KUNJUNGAN WISATAWAN EMPAT LOKASI WISATA DI BATU Dwi Susani, Susiswo Universias Negeri Malang E-mail: dwisusani39@gmail.com ABSTRAK: Peneliian ini berujuan unuk
Lebih terperinciAbstrak Hampir seluruh aktivitas manusia di berbagai belahan bumi sangat bergantung terhadap ketersediaan air bersih.
1 Peramalan Volume Produksi Air Bersih di PDAM Kabupaen Bojonegoro berdasarkan Jumlah Pelanggan dan Volume Konsumsi Air Fasha Aulia Pradhani dan Adaul Mukarromah Jurusan Saisika, FMIPA, ITS Jl. Arief Rahman
Lebih terperinciPemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Metode Intervensi dan Regresi Spline ABSTRAK
Pemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Meode Inervensi dan Regresi Spline Rina Andriani, Dr. Suharono, M.Sc 2 Mahasiswa Jurusan Saisika FMIPA-ITS, 2 Dosen Jurusan Saisika FMIPA-ITS
Lebih terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciPEMODELAN PRODUKSI SEKTOR PERTANIAN
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime
Lebih terperinciPeramalan Inflasi Nasional Berdasarkan Faktor Ekonomi Makro Menggunakan Pendekatan Time Series Klasik dan ANFIS
JURNAL SAINS DAN SENI IS Vol. 4, No., () 2337-3 (2-928X Prin) D-67 Peramalan Inflasi Nasional Berdasarkan Fakor Ekonomi Makro Menggunakan Pendekaan ime Series Klasik dan ANFIS Clara Agusin Sephani, Agus
Lebih terperinciPeramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk
Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Oleh : Dwi Hapsari K (1306 100 015) Dosen Pembimbing : Dra. Karika Firiasari, M.Si 1 Pendahuluan Laar Belakang, Perumusan Masalah, Tujuan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinciBAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
20 BAB 2 LADASA TEORI 2.1. Pengerian Peramalan Meode Peramalan merupakan bagian dari ilmu Saisika. Salah sau meode peramalan adalah dere waku. Meode ini disebu sebagai meode peramalan dere waku karena
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER. Muflih Rori Putra Harahap
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER Muflih Rori Pura Harahap 30 00 052 Pembimbing : Dr. Drs. Agus Suharsono, M.S. LATAR BELAKANG PENDAHULUAN
Lebih terperinciOleh: TANTI MEGASARI Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes
PERAMALAN INDEKS HARGA SAHAM YANG DIPENGARUHI KURS, PERUBAHAN INFLASI, POSISI JUMLAH DEPOSITO BERJANGKA, SUKU BUNGA SBI DAN DEPOSITO MENGGUNAKAN FUNGSI TRANSFER DAN ARCH-GARCH Oleh: TANTI MEGASARI 6 00
Lebih terperinciKAJIAN PEMODELAN DERET WAKTU: METODE VARIASI KALENDER YANG DIPENGARUHI OLEH EFEK VARIASI LIBURAN
JMP : Volume 4 omor, Juni 22, hal. 35-46 KAJIA PEMODELA DERET WAKTU: METODE VARIASI KALEDER YAG DIPEGARUHI OLEH EFEK VARIASI LIBURA Winda Triyani Universias Jenderal Soedirman winda.riyani@gmail.com Rina
Lebih terperinciPemodelan VAR-NN dan GSTAR-NN untuk Peramalan Curah Hujan di Kabupaten Malang
JURNAL SAINS DAN SENI POMITS Vol., No., () - (-X Prin) D- Pemodelan VAR-NN dan GSTAR-NN unuk Peramalan Curah Hujan di Kabupaen Malang Kadek Ardya Novi Diani dan Seiawan dan Suharono Saisika, Fakulas Maemaika
Lebih terperinciPenentuan Pelebaran Window Time Optimal Pada Data Deret Waktu
1 Penenuan Pelebaran Window Time Opimal Pada Daa Dere Waku (1) Nursya`bani Hendro Prabowo dan (2) Raden Mohamad Aok Deparemen Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam, Insiu Teknologi Sepuluh
Lebih terperinciPEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 9 PEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL Y.P.Y. Asmara,
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciPerbandingan Metode Winter Eksponensial Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X
JURAL SAIS DA SEI ITS Vol. 6, o.1, (2017) 2337-3520 (2301-928X Prin) A 1 Perbandingan Meode Winer Eksponensial Smoohing dan Meode Even Based unuk Menenukan Penjualan Produk Terbaik di Perusahaan X Elisa
Lebih terperinciDAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII
Bulein Ilmiah Mah. Sa. dan Terapannya (Bimaser) Volume 6, No. 3 (27), hal 83 2. MODEL SPACE-TIME DAN PENERAPANNYA PADA PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA XIII Ella Kurniawai, Naomi Nessyana
Lebih terperinciPemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network
D-378 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) 2337-3520 (23-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi pada Plaform MK di PT X Menggunakan Meode ARIMA, Neural Nework, dan Hibrida ARIMA-Neural
Lebih terperinciModel ARIMAX Dan Deteksi GARCH Untuk Peramalan Inflasi Kota Denpasar Tahun 2014
JEKT Model ARIMAX Dan Deeksi GARCH Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 Rukini *) Badan Pusa Saisik Provinsi Bali ABSTRAK pemerinah dalam mengambil kebijakan unuk menjaga sabilias moneer di masa
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON*
PEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV HAMILTON* BERLIAN SETIAWATY DAN HIRASAWA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor
Lebih terperinciANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 009 XV-1 ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI Muhammad Sjahid Akbar, Jerry Dwi Trijoyo
Lebih terperinciBAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel
BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah
Lebih terperinciMODEL HIBRIDA EXPONENTIAL SMOOTHING PENDEKATAN STATE SPACE DENGAN METODE VARIASI KALENDER UNTUK PERAMALAN INFLOW DAN OUTFLOW UANG KARTAL DI JAWA TIMUR
TUGAS AKHIR SS 450 MODEL HIBRIDA EXPONENTIAL SMOOTHING PENDEKATAN STATE SPACE DENGAN METODE VARIASI KALENDER UNTUK PERAMALAN INFLOW DAN OUTFLOW UANG KARTAL DI JAWA TIMUR ANA SUSANTI NRP 32 00 033 Dosen
Lebih terperinciPERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN (STUDI KASUS KOTA SALATIGA, BULAN JANUARI 2014 JULI 2016)
Prosiding Seminar Maemaika dan Pendidikan Maemaika ISBN: 978-602-622-20-9 hal 935-950 November 206 hp://jurnal.fkip.uns.ac.id PERAMALAN DENGAN MODEL VARI PADA DATA IHK KELOMPOK PADI-PADIAN DAN BUMBU-BUMBUAN
Lebih terperinciKata kunci: Deret waktu, Heteroskedastisitas, IGARCH, Peramalan. Keywords: Time Series, Heteroscedasticity, IGARCH, Forecasting.
METODE INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) UNTUK MEMODELKAN HARGA GABAH DUNIA (INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY TO CAPTURE
Lebih terperinciKOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES. Abstrak
KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES Universias Muhammadiyah Purwokero malim.muhammad@gmail.com Absrak Pada persamaan regresi linier sederhana dimana variabel dependen dan variabel independen
Lebih terperinciBAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,
Lebih terperinciPENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN
IndoMS Journal on Saisics Vol., No. (04), Page 7-37 PENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN Dinda Ariska Wulandari,
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih terperinciPeramalan Inflasi Menggunakan Model Fungsi Transfer Multi Input. Forcasting Inflation Using Multiple Input Transfer Function Model
Peramalan Inflasi Menggunakan Model Fungsi Transfer Muli Inpu Forcasing Inflaion Using Muliple Inpu Transfer Funcion Model Novi Adisia, Sri Wahyuningsih, dan Rio Goeanoro 3 Laboraorium Saisika Terapan
Lebih terperinciPeramalan Curah Hujan di Wilayah Surabaya Timur dengan Vector Autoregressive Neural Network
JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prin) D-175 Peramalan Curah Hujan di Wilayah Surabaya Timur dengan Vecor Auoregressive Neural Nework Febrian Krisianda dan Karika Fihriasari
Lebih terperinciBAB 1 PENDAHULUAN. Sumber Daya Alam (SDA) yang tersedia merupakan salah satu pelengkap alat
BAB 1 PENDAHULUAN 1.1 Laar Belakang Sumber Daya Alam (SDA) yang ersedia merupakan salah sau pelengkap ala kebuuhan manusia, misalnya anah, air, energi lisrik, energi panas. Energi Lisrik merupakan Sumber
Lebih terperinciPERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT
Saisika, Vol. 2, No. 2, November 24 PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Sri Wahyuni, 2 Farikhin, Iswahyudi Joko Suprayino Program Sudi Saisika
Lebih terperinciMODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR
MODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR S - 27 Rukini, Suharono2 2,2 Jurusan Saisika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiaan memperkirakan apa yang akan erjadi pada masa yang akan daang. Ramalan adalah sesuau kegiaan siuasi aau kondisi yang diperkirakan akan erjadi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
11 BAB I PENDAHULUAN 1.1 Laar Belakang Salah sau masalah analisis persediaan adalah kesulian dalam menenukan reorder poin (iik pemesanan kembali). Reorder poin diperlukan unuk mencegah erjadinya kehabisan
Lebih terperinciBab 5 Penaksiran Fungsi Permintaan. Ekonomi Manajerial Manajemen
Bab 5 Penaksiran Fungsi Perminaan 1 Ekonomi Manajerial Manajemen Peranyaan Umum Tenang Perminaan Seberapa besar penerimaan perusahaan akan berubah seelah adanya peningkaan harga? Berapa banyak produk yang
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih terperinciMA5182 Topik dalam Statistika I: Statistika Spasial 22 November 2012 Utriweni Mukhaiyar
Space-ime Models MA58 Topik dalam Saisika I: Saisika Spasial ovember Uriweni Mukhaiyar Analisis Saisik Box&Jenkins Ieraion Posulae General Class of Models ACF, PACF, diff Daa Analysis Compound Poisson
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian yang dilakukan mengenai analisis perencanaan pengadaan una berdasarkan ramalan ime series volume ekspor una loin beku di PT Tridaya Eramina
Lebih terperinciPrediksi Penjualan Sepeda Motor Honda di Kabupaten dan Kotamadya Malang dengan Metode Peramalan Hierarki. Oleh : Rika Susanti
Prediksi Penjualan Sepeda Moor Honda di Kabupaen dan Koamadya Malang dengan Meode Peramalan Hierarki Oleh : Rika Susani 1310100066 Dosen Pembimbing Co. Pembimbing : Dra. Desri Susilaningrum, M.Si. : Dr.
Lebih terperinciPeramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Multi Input. : Nesia Brilliana I.P NRP :
Peramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Muli Inpu Nama : Nesia Brilliana I.P NRP : 20800023 Jurusan : Maemaika Dosen Pembimbing : Dra. Nuri Wahyuningsih, M. Kes Pemberian pupuk
Lebih terperinciagenda Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
seminar ugas akhir Renny Elfira Wulansari 0000 pembimbing Dr. Suharono, S.Si, M.Sc Gedung H Lanai Saisika FMIPA-ITS Surabaya, Juli 04 agenda Pendahuluan Tinjauan Pusaka Meodologi Peneliian Analisis dan
Lebih terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Peramalan Dengan Meode Smoohing dan Verifikasi Meode Peramalan Dengan Grafik Pengendali Moving Range () (Sudi Kasus: Produksi Air Bersih di PDAM Tira Kencana Samarinda) Forecasing wih Smoohing and Verificaion
Lebih terperinciContagions Effect Kurs 5 Negara ASEAN (Association of Southeast Asian Nations) Menggunakan Vector Autoregressive (VAR)
JURNAL SAINS DAN SENI POMITS Vol. 2, No., (203) 2337-3520 (230-928X Prin) D-8 Conagions Effec Kurs 5 Negara ASEAN (Associaion of Souheas Asian Naions) Menggunakan Vecor Auoregressive (VAR) Mirna Chairany,
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 91-100 Online di: hp://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI BREAKPOINT DAN PEMODELAN AUTOREGRESSIVE STRUCTURAL
Lebih terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih terperinciMAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS
1. Pendahuluan MAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS CAMPURAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh : Febriana Dwi P. (1306 100 011) Dosen Pembimbing I : Dr. Irhamah, S.Si,
Lebih terperinciPROSEDUR PEMBENTUKAN MODEL VARIASI KALENDER BERDASARKAN MODEL ARIMAX UNTUK PERAMALAN DATA DENGAN EFEK VARIASI KALENDER
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, November PROSEDUR PEMBENTUKAN MODEL VARIASI KALENDER BERDASARKAN MODEL ARIMAX UNTUK PERAMALAN DATA DENGAN EFEK VARIASI KALENDER Suharono dan
Lebih terperinciMuhammad Firdaus, Ph.D
Muhammad Firdaus, Ph.D DEPARTEMEN ILMU EKONOMI FEM-IPB 010 PENGERTIAN GARIS REGRESI Garis regresi adalah garis yang memplokan hubungan variabel dependen (respon, idak bebas, yang dipengaruhi) dengan variabel
Lebih terperinciDAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function)
DAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Sudi Aplikasi Model Inervensi dengan Sep Funcion) S-3 Kismianini dan Dhoriva Urwaul Wusqa Jurusan Pendidikan Maemaika
Lebih terperinciPENDUGAAN PARAMETER DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA
PENDUGAAN PARAMEER DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY DAN DIMAS HARI SANOSO Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Peranian Bogor Jl Merani, Kampus
Lebih terperinciBAB I PENDAHULUAN. tepat rencana pembangunan itu dibuat. Untuk dapat memahami keadaan
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam perencanaan pembangunan, daa kependudukan memegang peran yang pening. Makin lengkap dan akura daa kependudukan yang esedia makin mudah dan epa rencana pembangunan
Lebih terperinciAnalisis Peramalan Jumlah Permintaan Kerudung di Industri Kecil Kerudung Arin di Surabaya dengan Metode Variasi Kalender
Analisis Peramalan Jumlah Perminaan Kerudung di Indusri Kecil Kerudung Arin di Surabaya dengan Meode Variasi Kalender Disusun oleh : Sely Enggar Rusiano 307 030 030 Dosen Pembimbing : Dr. Irhamah, M.Si
Lebih terperinciBAB 2 TINJAUAN TEORI
7 BAB 2 TINJAUAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciPENGEMBANGAN MODEL REGRESI DERET WAKTU UNTUK DATA YANG MENGANDUNG VARIASI KALENDER
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, November PENGEMBANGAN MODEL REGRESI DERET WAKTU UNTUK DATA YANG MENGANDUNG VARIASI KALENDER Alfonsus. J. Endhara dan Suharono Mahasiswa S Jurusan
Lebih terperinciAnalisis Peramalan Jumlah Penumpang Kereta Api Penataran Tujuan Surabaya-Malang
Analisis Peramalan Jumlah Penumpang Kerea Api Penaaran Tujuan Surabaya-Malang Oleh. Andria Prima Diago 08.00.0 Dosen Pembimbing. r. Dwiamono Agus, M.komp Andria Prima Diago 08.00.0 nsiu Teknologi Sepuluh
Lebih terperinciPeramalan Return Saham Bank Central Asia Menggunakan Self Exciting Threshold Autoregressive Genetic Algorithm
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (2016) 2337-3520 (2301-928X Prin) D-71 Peramalan Reurn Saham Bank Cenral Asia Menggunakan Self Exciing Threshold Auoregressive Geneic Algorihm Tesalonika Puri dan
Lebih terperinci(T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF
Seminar Nasional Saisika 12 November 2011 Vol 2, November 2011 (T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF Gumgum Darmawan, Sri Mulyani S Saf Pengajar Jurusan Saisika FMIPA UNPAD
Lebih terperinci(T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES
PROSIDING ISSN : 087-590. Seminar Nasional Saisika November 0 Vol, November 0 (T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES Yahya Ubaid ), Budi Nurani R. ), Mulyana K. 3) )Mahasiswa Program
Lebih terperinciPROSES AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY DENGAN DUGAAN VARIANSI INFLASI INDONESIA
PROSES AUOREGRESSIVE CONDIIONAL HEEROSCEDASICIY DENGAN DUGAAN VARIANSI INFLASI INDONESIA Rianiai Monica, Suyono, dan Vera Maya Sani Jurusan Maemaika FMIPA UNJ Absrak Model-model runun waku konvensional,
Lebih terperinciVolume 1, Nomor 1, Juni 2007 ISSN
Volume, Nomor, Juni 7 ISSN 978-77 Barekeng, Juni 7 hal6-5 Vol No ANALISIS VARIANS MULTIVARIAT PADA EKSPERIMEN DENGAN RANCANGAN ACAK LENGKAP (Variance Mulivaria Analysis for Experimen wih Complee Random
Lebih terperinciPemodelan Volatilitas Saham Menggunakan Jaringan Syaraf Tiruan dan Algoritma Genetika
Pemodelan Volailias Saham Menggunakan Jaringan Syaraf Tiruan dan Algorima Geneika Hasbi Yasin 1 1 Jurusan Saisika Undip, hasbiyasin@undip.ac.id Absrak. Flukuasi yang besar dan idak pasi dalam peramalan
Lebih terperinciIDENTIFIKASI POLA DATA TIME SERIES
IDENTIFIKASI POLA DATA TIME SERIES Daa merupakan bagian pening dalam peramalan. Beriku adalah empa krieria yang dapa digunakan sebagai acuan agar daa dapa digunakan dalam peramalan.. Daa harus dapa dipercaya
Lebih terperinciS 9 Peramalan Volume Penjualan Calana Panjang di Boyolali dengan Menggunakan Model Variasi Kalender
9 Peramalan Volume Penjualan Calana Panjang di Boyolali dengan Menggunakan Model Variasi Kalender Wahyuni uryaningyas Dosen FKIP Universias Muhammadiyah urabaya e-mail: ma_ums @yahoo.com ABTRAK Bisnis
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
BAB 3 METODOLOGI PEMECAHAN MASALAH 3.1 Tahapan Pemecahan Masalah Tahapan pemecahan masalah berfungsi unuk memudahkan dalam mencari jawaban dalam proses peneliian yang dilakukan agar sesuai dengan arah
Lebih terperinciPERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR
TUGAS AKHIR SS 145561 PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR SARIRAZTY DWIJANTARI NRP 1314 030 010 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN
Lebih terperinci2 efek dari pengaruh kejadian luar (exernal even) pada daa ime series (Wei, 2006). Bila y adalah daa ime series yang mengandung variasi kalender, maka
. PERAMALAN VOLUME KENDARAAN MASUK DI TOL DUPAK-WARU MENGGUNAKAN MODEL VARIASI KALENDER Yosua D. Charismawan (1304 100 024) Pembimbing : Ir. Dwiamono Agus W.,M.Ikom ABSTRAK Tol Surabaya-Gempol merupakan
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa
BAB 2 TINJAUAN TEORITI 2.1. Pengerian-pengerian Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. edangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciBAB I PENDAHULUAN. Dalam pembicaraan sehari-hari, bank dikenal sebagai lembaga keuangan yang
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam pembicaraan sehari-hari, bank dikenal sebagai lembaga keuangan yang kegiaan uamanya menerima simpanan giro, abungan dan deposio. Kemudian bank juga dikenal sebagai
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu
BAB 2 TINJAUAN PUSTAKA 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan apa yang erjadi pada waku yang akan daang sedangkan rencana merupakan penenuan apa yang akan dilakukan pada waku yang
Lebih terperinciAnalisis Model dan Contoh Numerik
Bab V Analisis Model dan Conoh Numerik Bab V ini membahas analisis model dan conoh numerik. Sub bab V.1 menyajikan analisis model yang erdiri dari analisis model kerusakan produk dan model ongkos garansi.
Lebih terperinciIII. METODE PENELITIAN
26 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penilaian perkembangan kinerja keuangan PT. Goodyear Indonesia Tbk dilakukan dengan maksud unuk mengeahui sejauh mana perkembangan usaha perusahan yang
Lebih terperinciPEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA
PEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA Fadil Rahman Hakim, Dr. Ir. Achmad Mauludiyano, MT. Program Sudi Telekomunikasi Mulimedia Jurusan Teknik Elekro Fakulas Teknologi Indusri
Lebih terperinciPeramalan Jumlah Pengunjung Domestik dan Mancanegara di Maharani Zoo & Goa Menggunakan ARIMA Box - Jenkins
Peramalan Jumlah Pengunjung Domesik dan Mancanegara di Maharani oo & Goa Menggunakan ARIMA Box - Jenkins Vivi Kusuma Sulisyawai (3030085) Dosen Pembimbing Dr. Irhamah, S.Si.,M.Si Laar Belakang Rumusan
Lebih terperinciPREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED
PREDIKSI BEBAN LISTRIK MENGGUNAKAN KERNEL RIDGE REGRESSION DENGAN PERTIMBANGAN DUMP POWER DAN ENERGY NOT SERVED Wahyuda 1, Budi Sanosa 2, Nani Kurniai 3 1 Teknik Indusri Universias Mulawarman-Samarinda
Lebih terperinciANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
ISSN: 9-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 05, Halaman 6-60 Online di: hp://eournal-s.undip.ac.id/index.php/gaussian ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
Lebih terperinciPERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR.
PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,,)(0,,) 2 TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN EMBAHASAN 4.1 Karakerisik dan Obyek eneliian Secara garis besar profil daa merupakan daa sekunder di peroleh dari pusa daa saisik bursa efek Indonesia yang elah di publikasi, daa di
Lebih terperinciBAB I PENDAHULUAN. universal, disemua negara tanpa memandang ukuran dan tingkat. kompleks karena pendekatan pembangunan sangat menekankan pada
BAB I PENDAHULUAN A. Laar Belakang Disparias pembangunan ekonomi anar daerah merupakan fenomena universal, disemua negara anpa memandang ukuran dan ingka pembangunannya. Disparias pembangunan merupakan
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-299
JURNAL SAINS DAN SENI ITS Vol. 4, No., (5) 337-35 (3-98X Prin) D-99 Esimasi Value a Risk (VaR) Porofolio Saham yang Tergabung dalam Indeks LQ45 Periode Agusus 4 sampai Januari 5 Menggunakan Meode Copula
Lebih terperinciPeramalan Beban Listrik di Jawa Timur Menggunakan Metode ARIMA dan Adaptive Neuro Fuzzy Inference System (ANFIS)
JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) -50 (0-9X Prin) D-9 Peramalan Beban Lisrik di Jawa Timur Menggunakan Meode ARIMA dan Adapive Neuro Fuzzy Inference Sysem () Indana La Zulfa dan Suharono Jurusan
Lebih terperinciPERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN
PERAMALAN YIELD DAN HARGA OBLIGASI PEMERINTAH DENGAN PENDEKATAN ARIMA DAN BACKPROPAGATION-ANN Yuli Wahyuningsih (), Brodjol Suijo S. U (), Suharono () Mahasiswa Jurusan Saisika, FMIPA, Insiu Teknologi
Lebih terperinciPENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA
PENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA Maskur Efendi ), Widandi Soeopo 2), Piojo Tri Juwono 2) ) Mahasiswa Magiser
Lebih terperinciAPLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 APLIKASI METODE DOUBLE EXPONENTIAL SMOOTHING BROWN DAN HOLT UNTUK MERAMALKAN TOTAL PENDAPATAN BEA DAN CUKAI
Lebih terperinci