BAB II LANDASAN TEORI
|
|
- Ida Siska Johan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II LANDASAN TEORI 2.. Konsep Dasar Analisis Runtun Waktu Pada bagian ini akan dikemukakan beberapa definisi yang menyangkut pengertian dan konsep dasar analisis runtun waktu. Definisi Runtun waktu adalah himpunan observasi terurut dalam waktu atau dalam dimensi lain. (Zanzawi S, 987 : 2.2) Dalam pembahasan ini runtun waktu dinotasikan dengan Z t, jika t A dengan A bilangan asli, maka Z t adalah berupa runtun waktu diskrit sedangkan jika t R dengan R bilangan real, maka Z t adalah runtun waktu kontinu. Jika runtun waktu didasarkan terhadap sejarah nilai observasi itu diperoleh, maka runtun waktu dapat dibedakan antara runtun waktu deterministik dan stokastik. Definisi 2 Runtun waktu deterministik adalah runtun waktu dengan nilai observasi yang akan datang dapat diramalkan secara pasti berdasarkan observasi lampau. (Zanzawi S, 987 : 2.2) Definisi 3 Runtun waktu stokastik adalah runtun waktu dengan nilai observasi yang akan datang bersifat probabilistik, berdasarkan observasi yang lampau. (Zanzawi S, 987 : 2.2) 5
2 2... Stasioner dan Takstasioner Himpunan observasi dari runtun waktu stokastik yang telah didapat tidak akan diperoleh kembali dengan mengadakan proses stokastik yang lain, sebab runtun waktu stokastik merupakan suatu realisa dari suatu proses statistik (stokastik), sehingga untuk sebarang Z t dapat dipandang sebagai suatu realisa dari suatu variabel random Z t yang mempunyai distribusi dengan fungsi densitas probabilitas (fdp) tertentu, sebut p(z t ). Setiap himpunan Z t, misalnya {Z t, Z t,, Z t }mempunyai fungsi densitas probabilitas (fdp) bersama p{z t, Z t,, Z t } sehingga dari uraian diatas dapat diturunkan definisi proses stasioner dan proses tak stasioner. Definisi 4 Jika suatu proses stokastik yang mempunyai fungsi kepadatan peluang (fkp) bersama p Z t+n, Z t+n2, Z t+n3,, Z t+nk yang independen terhadap t, sebarang bilangan bulat k dan sebarang pilihan n, n 2,..., n k dengan sifat bahwa struktur probabilistiknya tidak berubah dengan berubahnya waktu, maka proses seperti ini dinamakan stasioner. Jika tidak demikian dinamakan tidak stasioner.(zanzawi S, 987: 2.4) Jika hal tersebut berlaku tetapi dengan pembatasan m p, dimana p bilangan bulat positip, maka stasioneritas itu kita namakan stasioneritas tingkat p. Selanjutnya jika runtun waktu Z t stasioner, maka nilai tengah (mean), variansi, dan covarian runtun waktu tersebut tidak dipengaruhi oleh berubahnya waktu pengamatan, sehingga: Nilai tengah : μ z = E(Z t ) = E(Z t+n ) Variansi : σ z 2 = E(Z t μ z ) 2 = (Z t+n μ z ) 2 Covarians : γ k = E(Z t μ z )(Z t+k μ z ) = E(Z t+m μ z )(Z t+m+k μ z ) untuk t, m, k sebarang. Dengan kata lain : jika Z t stasioner maka distribusi probabilitas pada sebarang waktu t, t 2,, t m harus memiliki distribusi yang sama pada waktu t +k, t 2+k,, t m+k, 6
3 dengan k sebarang pergeseran sepanjang sumbu waktu. Untuk m =, maka p(z t ) = p(z t+k ), sehingga distribusi marginal tidak bergantung waktu, yang menyebabkan E(Z t ) = μ dan Var(Z t ) = γ 0. Untuk proses normal (Gaussian) yang didefinisikan dengan sifat bahwa fungsi densitas probabilitas (fdp) yang berkaitan dengan sebarang waktu adalah normal multivariate dimana stasioneritasnya hanya memerlukan stasioner tingkat dua, sehingga biasanya cukup puas dengan stasioner tingkat dua yang disebut dengan stasioner lemah dengan mengharapkan asumsi normal berlaku. Mengingat definisi 4 diatas, maka runtun waktu dapat dikelompokan menjadi dua yaitu :. Runtun waktu stasioner 2. Runtun waktu tak stasioner. Untuk runtun waktu tak stasioner dibedakan menjadi dua yaitu runtun waktu tak stasioner homogen dan runtun waktu tak stasioner (tak homogen). Berdasarkan uraian ini maka dapat diturunkan definisi di bawah ini. Definisi 5 Runtun waktu tak stasioner yang homogen adalah selisih (perubahan) nilai-nilai yang berurutan stasioner. (Zanzawi S, 987: 4.2) Berdasarkan definisi 5, maka dapat dikatakan bahwa runtun waktu tak stasioner homogen adalah runtun waktu yang mempunyai selisih derajat tertentunya adalah stasioner. Dalam skripsi ini runtun waktu yang homogen yang akan menjadi objek penelitian Fungsi Autokovariansi Telah diperoleh bahwa dalam proses stasioner lemah mean proses itu menyebabkan E[Z t ] = μ, variansi proses itu V(Z t ) = γ 0 cov(z t, Z t+k ) = γ k, dengan μ dan γ k untuk semua k adalah konstan. Dalam hal ini μ adalah mean proses itu dan γ k adalah 7
4 autokovarian pada lag k. Pada proses stasioner lemah variansinya adalah konstan, yaitu : V(Z t ) = σ 2 z = γ 0 Juga untuk semua bilangan bulat k γ k = γ k, dan juga karena : Cov(Z t, Z t+k ) = cov(z t+k, Z t ) = cov(z t, Z t+k ) = γ k (2.) Sehingga yang perlu ditentukan adalah kγ untuk semua k 0. Definisi 6 Himpunan { γ k S,987:2.5) :k=0,,2,3,...} disebut fungsi autokovariansi. (Zanzawi Definisi 7 Autokorelasi pada lag k ditulis dengan : ρ = Cov(Z t,z t k ) {V(Z t ),V(Z t k )} 2 = γ k (γ 0,γ 0 ) 2 = γ k γ 0 (2.3) (Zanzawi S, 987: 2.5) Definisi 8 (fak). Himpunan {ρ k : k = 0,, 2, } dengan ρ 0 = disebut fungsi autokorelasi Autokorelasi Dari suatu runtun waktu yang stasioner Z, Z 2,, Z m mean μ dan fungsi autokovariansi { γ k : k=0,,2,...}dapat diestimasi dengan menggunakan statistik : μ = Z = n n t= Z t γ = C k = n (Z n t= t Z )(Z t k Z ) untuk k = 0,, 2 8
5 Untuk mendapatkan harga estimasi yang cukup baik biasanya diperlukan n > 50 dan harga C k yang dibutuhkan sekitar k < n/4. Nilai ρ k diestimasi dengan ρ k = r k = C k C 0 (2.2) Untuk proses normal yang stasioner, rumus Bartlett menyatakan bahwa dengan menganggap ρ k = 0 untuk semua k > 0 diperoleh : Cov (r k, r k ) n k i=k+s ρ iρ i s dengan mengambil s = 0, maka untuk k > K V(r k ) k ρ N i= k i 2 (2.3) Untuk N yang sangat besar jika ρ k = 0 maka r k mendekati distribusi normal. Dalam prakteknya ρ i dapat diganti dengan r i sehingga menjadi: V(r k ) k ρ N i= k i 2 = (r N k r k+ + + r k+k=0 + r 2 + r r 2 k ) dengan ρ 0 = r 0 = γ 0 γ 0 =, maka diperoleh = + 2 k r N i= i 2 Jadi V(r k ) + 2 k r N i= i 2 (2.4) Sedangkan akar positif adalah sesuatu standar r k untuk lag besar, sehingga SE(r k ) V(r k ) Autokorelasi Parsial Fungsi Autokorelasi Parsial (fakp) dinotasikan dengan {φ kk : k =, 2,, }, yakni himpunan autokorelasi parsial untuk lag k didefenisikan sebagai berikut : φ kk = ρ k (2.5) ρ k dengan ρ k : matriks autokorelasi k x k dan ρ k : matriks autokorelasi dengan kolom ρ ρ 2. terakhir diganti dengan.. ρ 3 9
6 nilai estimasi φ kk diperoleh dengan mengganti ρ i dengan r i. Untuk lag yang cukup besar dimana fungsi autokorelasi parsial (fakp) menjadi sangat kecil nilainya hingga mendekati nol (r i = 0) dari persamaan (2.3) maka diperoleh persamaan: Var φ kk N Untuk N besar φ kk dianggap mendekati distribusi normal Metode Box Jenkins Analisis runtun waktu Z t yang dikembangkan menurut metode Box Jenkins menggunakan dua operator, yaitu operator backshift B dan operator differensi. Operator backshift B didefenisikan sebagai: BZ t = Z t Sedangkan operator differensi didefenisikan sebagai: Z t = Z t Z t Sehingga kedua operator mempunyai hubungan: Z t = Z t Z t = Z t BZ t = ( B)Z t, jadi = ( B) Adapun model proses stokastik yang sering digunakan adalah bentuk: φ(b)z t = θ(b)a t (2.6) Dengan φ(b) dan θ(b) adalah polinomial dan {a t : t =, 2, 3, } adalah barisan variabel random independen dan distribusi normal dan dengan E[a t ] = 0, var [a t ] = E, [a t 2 ] = σ 2 serta Cov (a t, a t k ) = 0; {a t : t =, 2, 3, } merupakan suatu runtun getaran yang dibangkitkan oleh proses white noise (gerakan random). Persamaan (2.6) dapat ditulis dengan bentuk: Z t = θ(b) φ(b) a t, atau Z t = Ψ(B)a t Dengan Ψ(B)a t = θ(b) φ(b) a t, dengan demikian Z t dapat dipandang sebagai runtun yang dihasilkan dengan melewatkan proses white noise (gerakan random) {a t } melalui 20
7 kombinasi linier (filter linier) dengan fungsi transfer Ψ(B). Kondisi ini menunjukkan operasi linier filter yang mempresentasikan runtun waktu sebagai hasil dari linier filter jumlah tertimbang dari observasi sebelumnya, yakni: Z t = μ + a t + Ψ a t + Ψ 2 a t 2 + Ψ 3 a 3 + Z t = μ + Ψ(B)a t (2.7) Dengan Ψ(B) = + Z t = Ψ (B) + Ψ 2 (B) + Ψ 3 (B) + adalah operator linier yang mentransformasikan a t ke Z t merupakan fungsi transfer atau filter. Atau dapat ditulis dalam bentuk: Z t μ = a t + Ψ a t + Ψ 2 a t 2 + Ψ 3 a t 3 + Z t = a t + j= Ψ j a t j (2.8) dengan Z t = Z t μ. Bentuk ini merupakan devisa proses itu dari titik referensi, atau meannya jika proses itu stasioner. Barisan itu biasanya disebut proses white noise atau random shocks. Selanjutnya dari persamaan tersebut diperoleh: E(Z t ) = μ γ 0 = V(Z t ) = E(Z t μ) 2 = σ 2 j=0 Ψ 2 j (2.9) dengan menggunakan nilai E a t i, a t j γ k = (Z t μ)(z t k ) (2.0) = E(a t + Ψ a t + Ψ 2 a t Ψ k a t k + Ψ k a t k )(a t k + Ψ a t k +... ) = σ 2 (. Ψ k + Ψ Ψ k+2 + ) = σ 2 j=0 Ψ j Ψ j+k Sehingga persamaan autokorelasi pada lag k dapat ditulis dalam bentuk: j=0 Ψ j Ψ j+k ρ k 2 j=0 Ψ j = γ k γ 0 (2.) Jika jumlah bobot Ψ j tak hingga, maka diasumsikan bahwa bobot itu konvergen secara absolute atau Ψ j <, sebagai contoh jika Ψ = φ dan Ψ j = 0 untuk j >. Maka proses white noise dapat ditulis menjadi: Z t μ = a t φa t (2.2) Secara umum untuk Ψ j = φ j maka persamaan white-noise menjadi: 2
8 Z t μ = a t + φa t + φ 2 a t 2 + = a t + φ(a t + φa t 2 + φ 2 a t 2 + ) = φ(z t μ) + a t Model ini dalam runtun waktu dikenal dengan model autoregresif tingkat (orde) satu, selanjutnya untuk memenuhi keadaan stasioner maka φ < Model Runtun Waktu Model Runtun waktu dapat dikelompokan menjadi dua yaitu:. Kelompk runtun waktu stasioner, 2. Kelompok runtun waktu tak stasioner (nonstasioner). Kelompok runtun waktu pertama meliputi proses autoregresif, untuk orde p ditulis AR (p), moving average untuk orde q ditulis MA (q), dan model campuran autoregresifmoving average, jika masing-masing berorde p dan q maka model ini ditulis ARMA (p, q). Sedangkan kelompok kedua merupakan kelompok runtun waktu yang banyak dijumpai dalam praktek, dalam hal ini runtun waktu nonstasioner yang mempunyai selisih (derajat tertentu) nilai-nilai yang berurutan dari runtun aslinya Z t yaitu Z t Z t = W t adalah stasioner. Dalam proses ini Z t dipandang sebagai integrasi runtun W t, yang dikenal dengan autoregresive integrated moving average proses (ARIMA), sehingga ketentuan yang berlaku pada model ARMA berlaku pula pada model ARIMA. Suatu runtun waktu nonstasioner setelah diambil selisih ke-d menjadi stasioner yang mempunyai model AR (p) dan model MA (q) ditulis dengan ARIMA (p, d, q). Kedua kelompok model runtun waktu tersebut, dapat dipandang sebagai model ARIMA, dengan melihat nilai p, q dan tingkat selisih d (nilai untuk d model stasioner adalah 0). Sehingga untuk model stasioner AR (p) dapat ditulis ARIMA (p, 0, 0), model stasioner MA (q) dapat ditulis ARIMA (0, 0, q) dan model stasioner ARMA (p, q) dapat ditulis ARIMA(p, 0, q) uraian untuk masing-masing kelompok model runtun waktu dibahas pada bagian berikut ini Model Runtun Waktu Stasioner 22
9 2.2.. Proses-proses Autoregresif Proses auotoregresif Orde [AR()] Model AR() telah dikemukakan pada bagian (2.7), oleh karena itu pembahasan pada bagian ini mengacu model (2.2) yang dapat ditulis dalam bentuk Z t Z t = a t dengan Z t = Z t μ (2.3) Jika operator Backshift B diterapkan pada model (2.3) maka dapat ditulis menjadi: Z t = Z t + a t (2.4) = Z t 2 + a t + a t = 2 Z t 2 + aa t + a t = 2 Z t 3 + a t 2 + a t + a t = 3 Z t a t 2 + t + a t Sehingga diperoleh bentuk Z t = a t + a t + 2 a t a t a t 4 + (2.5) Jika operator B diterapkan pada persamaan (2.5) maka diperoleh bentuk Z t = ( + Ba t + 2 B 2 a t B 3 a t B 4 a t 4 + )a t = ( B) a t dengan ( B) = ( + B + 2 B B 3 + ) dalam pernyataan ini harus dicatat bahwa < yang merupakan syarat stasioner. Selanjutnya untuk memudahkan penulis diambil μ = 0 sehingga Z t = Z t dan Z t = Z t, dengan demikian persamaan (2.4) dapat ditulis menjadi Z t = Z t + a t (2.6) Proses Autoregresif Order 2[AR (2)] Model AR(2) dapat diperoleh dengan cara yang sama dengan model AR() dari persamaan (2.9), sehingga diperoleh: Z = a t + 2 a t 2 + a t (2.7) dengan menggunakan operator backshift B. Bentuk persamaan (2.7) dapat ditulis dalam bentuk: ( t B 2 B 2 )Z t = a t (2.8) 23
10 Proses Autoregresif Order p[ar (p)] Bentuk AR(p) diperoleh cara yang sama pada AR() dan AR(2), sehingga model autoregresif tingkat p adalah: Z t = Z t + 2 Z t p a t p + a t Terlihat bahwa model AR(p) dapat dipandang sebagai data Z t yang diregresikan pada p nilai Z t yang lalu, dalam hal ini pengamatan yang lalu yaitu Z, Z 2,, Z t p. Jika operator backshift B diterapkan pada proses ini maka model (2.8) dapat ditulis dalam bentuk: B 2 B 2 p B p Z t = a t atau (B)Z t = a t dengan (B) = 2 B 2 p B p Autokorelasi Proses-proses Autoregresif Autokorelasi Proses-proses AR() Dalam penelitian ini akan dibahas dua cara untuk mencari autokorelasi dengan menggunakan pendekatan yang berbeda. Cara pertama adalah cara penggunaan langsung (2.9) dan (2.0) dengan Ψ i = φ j sehingga diperoleh γ 0 = σ 2 2 i=0 Ψ j = σ 2 j=0 φ 2j = σ 2 ( + σ 2 + φ 4 + ) = σ 2 φ 2 = σ2 φ 2 Dengan φ < γ k = σ 2 2 i=0 Ψ j Ψ j+k = σ 2 j=0 φ j φ j+k ; k = 0,, 2,... 24
11 = σ 2 ( + φ 2 + φ 4 + )φ k = σ2 φ k φ 2 dengan φ < Sehingga fungsi autokorelasinya adalah: ρ k = γ k = σ2 φ k. φ2 γ 0 φ 2 σ 2 = φ k dengan k = 0,, 2,... Cara kedua merupakan cara dengan pendekatan yang dapat digunakan secara umum untuk proses yang lain. Cara ini diperoleh dari persamaan (2.6) Z t = φz t + a t yaitu dengan mengganti Z t k pada persamaan (2.6) kemudian mengambil harga harapannya (Box-Jenkins : 976), maka diperoleh: E(Z t, Z t k ) = φe(z t, Z t k ) + E(a t Z t k ) γ k = φγ k + E(a t Z t k ) dengan E(a t Z t k ) = E{a t (a t + φa t + φ 2 a t 2 + )} karena untuk nilai k = 0 E(a t Z t k ) = E{a t (a t + φa t + φ 2 a t 2 + )} = σ 2 dan k > 0E(a t Z t k ) = E{a t (a t + φa t + φ 2 a t 2 + )} = 0 Maka diperoleh γ 0 = φγ k + ς 2 = φγ + σ 2 γ k = φγ k dengan k =, 2, 3, Autokorelasi Proses AR(2) Autokorelasi pada proses AR(2) diperoleh dengan menggunakan pendekatan cara kedua pada AR(), yaitu: Persamaan pada (2.7) dikalikan dengan Z t k kemudian diambil harga harapannya, sehingga diperoleh: E(a t Z t k ) = φ E(Z i Z t k ) + φ 2 E(Z t 2 Z t k ) + E(a t Z t k ) Atau γ k = φ γ k + φ 2 γ k 2 + E(a t Z t k ) dengan Z t k bergantung terhadap a t k, a t k, sehingga diperoleh: 25
12 E(a t Z t k ) = σ2, untuk k = 0 0, untuk k =, 2 γ 0 = φ γ k + φ 2 γ k 2 + σ 2 = φ γ + φ 2 γ 2 + σ 2 untuk k = 0 γ k = φ γ k + φ 2 γ k 2 untuk k > 0 (2.20) dan autokorelasinya adalah: ρ k = γ k = φ γ k +φ 2 γ k 2 γ = φ k γ γ 0 γ + φ k 2 0 γ 2 0 γ 0 = φ ρ k + φ 2 ρ k 2 (2.2) Bentuk persamaan diferensinya dari persamaan (2.2) adalah: ( φ B φ 2 B 2 )ρ k = 0 Untuk k =, bentuk (2.2) menjadi: ρ = φ ρ 0 + φ 2 ρ = φ + φ 2 ρ sehingga ρ φ 2 ρ = φ ρ ( φ 2 ) = φ maka ρ = φ φ 2 untuk k = 2, persamaan (2.2) menjadi: ρ 2 = φ ρ 0 + φ 2 ρ 0 = φ ρ + φ 2 = φ φ φ 2 + φ 2 = φ 2 φ 2 + φ 2 Untuk lag k yang lain, digunakan persamaan (2.20) dalam menghitung ρ k secara rekursif (berulang), dengan langkah sebagai berikut: γ 0 = φ γ 0 γ γ 0 + φ 2 γ 0 γ 2 γ 0 + σ 2 γ 0 ( φ ρ φ 2 γ 2 ) = σ 2 (2.22) dengan subsitusi ρ dan ρ 2 pada persamaan (2.22), maka diperoleh variansi untuk Z t sebagai berikut: φ γ 0 φ φ φ 2 φ 2 + φ φ 2 = σ 2 2 γ 0 φ 2 φ 2 2φ φ φ 2 + φ 2 2 = σ 2 γ 0 φ 2 φ 2 φ2 φ 2 φ2 2 ( φ 2 ) φ 2 = σ 2 σ z 2 = γ 0 = φ 2 σ 2 (+φ )( φ 2 ) 2 φ 2 supaya setiap faktor dalam penyebut positif haruslah: < φ 2 ; φ + φ 2 < ; φ + φ 2 < 26
13 yang memberikan daerah stasioner, ini berarti φ 2 < Autokorelasi Proses AR(p) Autokorelasi untuk AR(p) sejalan dengan proses AR sederhana dengan cara kedua, yaitu dengan mengalikan persamaan (2.8) dengan Z t k dan selanjutnya harapannya, maka diperoleh: E(Z t Z t k ) = φ E(Z t Z t k ) + φ 2 E(Z t 2 Z t k ) + + φ p E Z t p Z t k + E(a t Z t k ) γ k = φ γ k + φ 2 γ k φ p γ k p + E(a t Z t k ) karena untuk k = 0 nilai E(a t Z t k ) = σ 2, k > 0 nilai E(a t Z t k ) = 0, maka diperoleh γ 0 = φ γ + φ 2 γ φ p γ p + σ 2 γ k = φ γ + φ 2 γ k φ p γ k p (2.23) dari persamaan pertama (2.23) dengan cara yang sama pada proses autoregresif tingkat dua, maka diperoleh: γ 0 = σ 2 φ ρ φ 2 ρ 2 φ p ρ p Autokerelasi diperoleh dari kedua persamaan (2.23) yaitu: γ k = ρ γ k = φ ρ k + φ 2 ρ k φ p ρ k p untuk k > 0 (2.24) 0 Dengan p persamaan pertama dari persamaan (2.24) dikenal sebagai persamaan Yule Walker yaitu: k = : ρ = φ + ρ 2 φ ρ p φ p k = 2: ρ 2 = ρ φ + φ ρ p 2 φ p (2.25) k = p: ρ p = ρ p φ + ρ k 2 φ φ p Bentuk matriks dari persamaan (2.25) adalah : ρ = Pφ dengan ρ = ρ, ρ 2,, ρ p φ = φ, φ 2,, φ p ρ P = ρ p 2 ρ ρ p 2 ρ 2 Λ ρ ρ p 3 ρ p ρ p 2 27
14 Parameter autoregresif φ dapat dinyatakan sebagai fungsi p autokorelasi dengan menyelesaikan sistem persamaan (2.25) yaitu: φ = P ρ Untuk model AR() persamaan Yule Walker diberikan dengan ρ = φ sedangkan untuk model AR(2) persamaan Yule Walker diberikan dengan: ρ = φ + ρ φ 2 ρ 2 = ρ φ + φ 2 yang dapat dinyatakan dalam bentuk matriks sebagai berikut: ρ ρ 2 = ρ ρ φ φ 2 dari bentuk matriks ini diperoleh: φ = ρ ( ρ 2 ) dan φ ρ 2 = ρ 2 2 ρ ρ 2 dengan ρ = r dan ρ 2 = r 2 diperoleh harga estimasi awal untuk φ dan φ 2, sedangkan untuk menentukan jenis model diantara model yang berbeda, diperlukan pembahasan tentang fungsi autokorelasi parsial Autokorelasi Parsial Proses Autoregresif Autokorelasi parsial pada lag k dapat dipandang sebagai koefisien regresi φ kk dalam bentuk Z k = φ k Z t + φ k2 Z t φ kk Z t k + a k. Bentuk ini mengukur korelasi antara Z k dan Z t k sesudah penyesuaian dibuat untuk variabel tengah Z t, Z t 2,, Z t k+. Autokorelasi parsial pada lag diberikan oleh koefisien regresi parsial dalam bentuk: Z t = φ Z t + a t Persamaan Yule Walker untuk model AR(), memberikan φ = ρ, hal ini karena tidak variabel tengah antara Z t dan Z t. Autokorelasi parsial pada lag 2 diberikan oleh koefisien regresi parsial φ 22 dalam bentuk: Z t = φ Z t + φ 22 Z t 2 + a t Dari persamaan Tule Walker untuk model AR(2) diperoleh: 28
15 ρ = φ + ρ φ 22 ρ 2 = ρ φ + φ 22 Koefisien φ 22 dapat dinyatakan sebagai: φ 22 = ρ 2 ρ 2 ρ 2 Secara umum, autokorelasi parsial lag k (φ kk ) diperoleh dari persamaan Yule Walker, yang dalam notasi matriks adalah sebagai berikut: ρ ρ 2 = ρ k ρ ρ p ρ ρ p 2 ρ 2 Λ ρ p 3 ρ p ρ p 2 φ φ 2 φ k Autokorelasi parsial φ kk sebagai fungsi autokorelasi parsial. Untuk mendapatkan φ kk, maka: φ kk = ρ ρ k ρ ρ k ρ ρ k 2 ρ ρ k 3 ρ 2 ρ k 2 ρ ρ k ρ ρ k 2 ρ k ρ k 2 ρ k 3 ρ ρ k 2 Beberapa bentuk fungsi autokorelasi parsial proses autoregresif adalah sebagai berikut: AR(): φ = ρ ; φ kk = 0, untuk k > AR(2): φ = ρ ; φ 22 = ρ 2 ρ 2 ρ 2 ; φ kk = 0, untuk k > p Sifat-sifat fungsi autokorelasi dan fungsi autokorelasi parsial dapat digunakan untuk menentukan jenis proses autoregresif Proses Moving Average Order q[ma(q)] Proses moving average tingkat q dikontruksikan dari model (2.9) dengan Ψ j = θ j dan Ψ j = 0 untuk j > q, sehinggga model MA(q) adalah: Z t = μ + θ a t + θ 2 a t θ q a t q + a t (2.26) dengan a t ~N(0, σ 2 2 ) apabila operator Backshift diterapkan pada persamaan (2.26), maka diperoleh: Z t = μ + θ a t + θ 2 a t θ q a t q + a t 29
16 Z t = μ + θa (B)a t dengan θ(b) = + θ B + θ 2 B θ q B q Fungsi autokorelasi MA(q) diperoleh dengan menggunakan cara kedua seperti pada proses autoregresif order p, yaitu dengan mengalikan kedua sisi persamaan (2.26) dengan Z t k, kemudian mengambil nilai harapannya. Sehingga diperoleh fungsi autokovariansinya sebagai berikut: γ k = θ k + θ θ k+ + θ 2 θ k θ q k θ q σ 2 (2.27) Untuk k = 0, maka γ 0 = + θ 2 + θ θ 2 q σ 2 ρ k = γ k = θ k+θ θ k+ +θ 2 θ k+2 + +θ q k θ q γ 0 +θ 2 +θ θ2 ; k q (2.28) q 0;k>q Estimasi awal dari parameter-parameter diperoleh dengan mensubsitusikan nilai autokorelasi empirik r k untuk ρ k pada persamaan (2.28) dan menyelesaikannya. Fungsi autokorelasi untuk model MA() diperoleh dari persamaan (2.28), dengan q =, sehingga diperoleh: ρ = θ +θ 2 0;k 2 ; k = (2.29) Estimasi awal dari θ diperoleh dengan cara mengganti ρ dan r pada persamaan (2.29) dan menyelesaikannya, dengan syarat θ <. Fungsi autokorelasi untuk model MA(2) diperoleh dari persamaan (2.28), dengan q = 2 sehingga diperoleh ρ = θ ( θ 2 ) +θ 2 +θ 2 2 (2.30) ρ 2 = θ 2 +θ 2 +θ 2 2 ρ k = 0; k 3 Estimasi awal dari θ dan θ 2 diperoleh dengan cara mengganti ρ dan ρ 2 berturutturut dengan r dan r 2 pada persamaan (2.30). 30
17 2.3. Model Runtun Waktu Nonstasioner Pembentukan model yang tepat dalam runtun waktu, pada umumnya menggunakan asumsi kestasioneran, sehingga jika terdapat kasus ketidakstasioneran, maka data tersebut harus distasionerkan terlebih dahulu sebelum melangkah lebih lanjut pada pembentukan model runtun waktu. Bentuk visual dari plot runtun waktu seringkali cukup meyakinkan bahwa suatu runtun waktu stasioner atau tidak stasioner, akan tetapi lebih meyakinkan lagi dengan membuat plot nilai-nilai autokorelasi tersebut turun sampai nol dengan cepat, sesudah lag kedua atau ketiga, maka data tersebut dapat dikatakan stasioner. Sedangkan jika nilai-nilai autokorelasinya turun sampai nol dengan lambat atau berbeda secara signifikan dari nol, maka data tersebut tidak stasioner. Menurut Box-Jenkins (976), bahwa runtun waktu yang tidak stasioner dapat diubah menjadi runtun waktu yang stasioner dengan melakukan deferensi berturutturut, yaitu dengan melihat barisan Z t, Z t,... dengan adalah operator diferensi, yang mempunyai nilai ( B) atau ( = B) Proses Autoregressive Inteagrated Moving Average (model ARIMA) Berdasarkan uraian didepan telah dikemukakan bahwa runtun waktu Z t yang takstasioner, dapat diubah manjadi stasioner dengan melakukan diferensi W t = Z t = ( B)Z t. Karena W t merupakan runtun yang stasioner, maka dapat menggunakan model ARMA untuk menggambarkan W t. Selanjutnya jika didefinisikan : W = Z Z t t t - Maka proses umum model ARMA (p,q) dapat ditulis dalam bentuk: W t = W t + 2 W t p W t p + θ a t + + θ p a t p + a t Dengan substitusi dua persamaan tersebut, setelah dijabarkan akhirnya diperoleh: Z t = W t + W t + W t 2 + 3
18 Ini berarti bahwa Z dapat dipandang sebagai integrasi runtun waktu W, t t sehingga proses ARMA (p, q) dipandang sebagai integrated autoregressive-moving average proses disingkat ARIMA. Dengan demikian proses ARIMA (p, d, q) untuk {Z} merupakan proses ARIMA (p, q) untuk {W }, maka teori runtun waktu stasioner t berlaku pula untuk W. t Selanjutnya proses ARIMA yang tidak mempunyai bagian autoregresif (AR) ditulis sebagai integrated moving average ditulis sebagai ARIMA (0, d, q). Sedangkan proses ARIMA yang tidak mempunyai bagian moving average ditulis ARIMA (p, d, 0) atau autoregresif integrated [ARI(p, d, 0)] Proses ARIMA (p, d, 0) Bentuk umum proses ARIMA (p, d, 0) adalah : Ф(B){( B) d Z t μ} = a t dengan d 0 dengan a (t =..., -, 0,, 2...) variabel random independen terhadap N (0, σ 2 ), B t a menyatakan operator Backshift sehingga (B) = B 2 B 2 p B p Pada model ARIMA (p, d, 0) diatas apabila d = 0 maka akan diperoleh suatu runtun waktu yang stasioner, akan tetapi jika d > 0 maka akan diperoleh suatu runtun waktu yang tak stasioner (nonstasioner). Kedua bentuk ini akan dibahas secara detail pada bagian berikut ini Model ARIMA (p, d, 0) jika d = 0 Model ARIMA (p, d, 0) untuk d = 0 sebagai berikut: (B){Z t μ} = a t atau (B)Z t = a t dengan Z t = Z t μ 32
19 Seperti pada proses AR () pada pembahasan sebelumnya, untuk memudahkan penulisan diambil μ = 0 sehingga diperoleh bentuk : (B)Z t = a t atau Z Z t 2 Z t 2 p Z t p = a t Z t = Z t + 2 Z t p Z t p = a t Terlihat bahwa bentuk tersebut merupakan proses autogresif order p [AR (p)] Model ARIMA (p, d, 0) jika d > 0 Bentuk ARIMA (p, d, 0) untuk d > 0 merupakan proses nonstasioner, menurut uraian di depan telah dikemukakan bahwa runtun waktu Z yang nonstasioner dapat dibuat t menjadi runtun waktu yang stasioner dengan jalan melakukan differensi W = Δ d Z t t = ( - B) d Z t dan substitusi W pada model ARIMA (p, d, 0), maka diperoleh bentuk: t (B){W t μ} = a t Menurut Box-Jenkins (976), untuk d > 0 akan cocok jika diambil μ = 0, sehingga diperoleh bentuk: (B)W t = a t atau W t t W t 2 W t 2 p W t p = a t Terlihat bahwa W merupakan runtun yang stasioner dan merupakan proses autogresif t order p [AR (p)], dengan demikian maka dapat menggunakan model ARMA untuk menggambarkan W. Selanjutnya jika didefinisikan : t W = Z Z t t t- Maka proses umum model ARMA (p, q) dapat ditulis sebagai: W t = W t + 2 W t p W t p + θ a t + θ 2 a t θ q a t q + a t Sehingga diperoleh persamaan sebagai berikut: Z t = W t + W t + W t 2 + W t 3 + (2. 40) 33
20 Bentuk ini menunjukan bahwa Z dapat dipandang sebagai integrasi runtun waktu W, t t sehingga proses ARMA (p, q) dipandang sebagai integrated autoregressive-moving average process disingkat ARIMA. Dengan demikian proses ARIMA (p, d, q) untuk {Z } merupakan proses ARMA (p, q) untuk {W }, ini berarti teori runtun waktu t t stasioner berlaku pula untuk W t Tinjauan Distribusi Normal Multivariate Fungsi Densitas Normal Multivariate Bersama, distribusi Marginal dan Distribusi Bersyarat Misalkan X varibel random berdistribusi normal (univariate) dengan mean μ dan variansi σ 2 biasanya dinyatakan dengan X~(μ, σ 2 ). Fungsi densitas dari X adalah : f(x) = σ 2π exp 2 x μ σ 2, < x <, < μ < dan σ > 0 (2.4) jika X,X 2,...,X p adalah variabel random berdistribusi independent N(μ, σ 2 ), maka vektor random X = X, X 2,, X p mempunyai fungsi densitas bersama: f x = f(x )f(x 2 ) f x p p = (2π) p exp (x i μ i )2 2σ σ 2 σ 2 i=, < x σ i <, < μ i < i p dan σ i > 0; i=,2,3,... (2.42) Fungsi Likelihood dan Estimasi Maksimum Likelihood Setelah satu atau beberapa model sementara untuk suatu model sementara suatu runtun waktu kita identifikasikan, langkah selanjutnya adalah mencari estimasi terbaik atau paling efisien untuk parameter-parameter dalam model tersebut. 34
21 Contoh : Dipunyai data runtun waktu sebagai berikut 5,5 5,7 5,6 6,7 8,0 7,4 7,9 8,8 7,6 7,0 6, 5,7 5,9 7,9 20,3 20,4 20,2 20,5 0,9 20,9 2, 2,4 8,2 20, 2,4 2,3 2,9 2,3 20,4 20,4 20,7 20,7 20,9 23,0 24,9 26,5 25,6 26, 27,0 27,2 28, 28,0 29, 28,3 25,7 24,5 24,4 25,5 27,0 28,7 29, 29,0 29,6 3,2 30,6 29,8 27,6 27,7 29,0 30,3 3,0 32, 33,5 33,2 33,2 33,8 35,5 36,6 36,9 39,0 4,0 4,6 43,7 44,4 46,6 48,3 50,2 52, 54,0 56,0 Dari data asli setelah dilakukan perhitungan komputer diperoleh fak dan fakp sebagai berikut: k r k 0,93 0,86 0,79 0,73 0,67 0,62 0,58 0,53 0,49 kk 0,93-0,03-0,02-0,0 0,02-0,0 0,02-0,02 0,0 k r k 0,45 0,4 0,38 0,43 0,3 0,29 0,26 0,24 0,22 kk -0,03-0,0 0,02 Telah dihitung W = 0,5 S = 27,45 S 2 z = 94,23 S 2 w =,25 35
22 Dari fak dan fakp ditentukan model AR() : (W t W ) = (W t W ) + a t dengan W t = Z t Z t. Diperoleh estimasi parameter adalah = r = 0,36 dan σ 2 a = S 2 w ( 2 ) =,25( 0,36 2 ) =,09 maka model runtun waktu tersebut adalah:(w t 0,5) = 0,36(W t 0,5) + a t dimana nilai a t ~N(0, σ 2 a ). Metode untuk mengestimasikan harga parameter dari model suatu runtun waktu dengan menggunakan metode maksimum likelihood. Menurut Bain dan Engelhardt (992), metode maksimum likelihood menggunakan nilai dalam ruang parameter Ω yang bersesuai dengan harga kemungkinan maksimum dari data observasi sebagai estimasi dari parameter yang tidak diketahui. Dalam aplikasi L(θ) menunjukan fungsi densitas probabilitas bersama dari sample random. Jika Ω ruang parameter yang merupakan interval terbuka dan L(θ) merupakan fungsi yang dapat diturunkan serta diasumsikan maksimum pada Ω maka persamaan maksimum likelihoodnya adalah: (θ) L(θ) = 0 Jika penyelesaian dari persamaan tersebut ada, maka maksimum dari L(θ) dapat terpenuhi. Apabila tak terpenuhi maka fungsi L(θ) dapat dibuat logaritma naturnya, dengan ketentuan jika ln L(θ) maksimum maka L(θ) juga maksimum, sehingga persamaan logaritma natural likelihoodnya adalah: θ ln L(θ) = 0 Definisi 9 Fungsi densitas probabilitas bersama dari n variable random X, X 2,, X n yang observasi pada x, x 2,, x n di notasikan dengan f(x, x 2,, x n, θ). Untuk menentukan fungsi likelihood dari x, x 2,, x n yang merupakan θ dan dinotasikan dengan L(θ), dengan X, X 2,, X n adalah sampel random dari fungsi densitasprobabilitas f(x; θ) yang fungsi likelihoodnya adalah: L(θ) = f(x ; θ)f(x 2 ; θ) f(x n ; θ) = n j= f x j ; θ (Bain dan Engelhardt, 992 : 290) 36
23 Defenisi 0 n Misalkan L(θ) = f(x ; θ)f(x 2 ; θ) f(x n ; θ) = j= f x j ; θ, θε Ω yang merupakan fungsi densitas probabilitas bersama X, X 2,, X n. Bila diberikan himpunan dari observasi autoregresif, serta estimasi maksimum likelihood pada autoregresif (ARI) dan estimasi likelihood pada model ARIMA (,, 0) Box-Jenkins yang homogen. 37
MATA KULIAH METODE RUNTUN WAKTU. Oleh : Entit Puspita Nip
MAA KULIAH MEODE RUNUN WAKU Oleh : Entit Puspita Nip 08 JURUSAN PENDIDIKAN MAEMAIKA FAKULAS PENDIDIKAN MAEMAIKA DAN ILMU PENGEAHUAN ALAM UNIVERSIAS PENDIDIKAN INDONESIA 00 //00 Entit Puspita BEBERAPA KONSEP
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 terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
Lebih 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 terperinciDAFTAR ISI ABSTRAK... KATA PENGANTAR... UCAPAN TERIMA KASIH... DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR... DAFTAR LAMPIRAN...
DAFTAR ISI Halaman ABSTRAK... KATA PENGANTAR... UCAPAN TERIMA KASIH... DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR... DAFTAR LAMPIRAN... i ii iii v ix x xi BAB I PENDAHULUAN... 1 1.1 Latar Belakang Masalah...
Lebih terperinciII. TINJAUAN PUSTAKA. Time series merupakan serangkaian observasi terhadap suatu variabel yang
II. TINJAUAN PUSTAKA 2.1 Analisis Deret Waktu (time series) Time series merupakan serangkaian observasi terhadap suatu variabel yang diambil secara beruntun berdasarkan interval waktu yang tetap (Wei,
Lebih terperinciBAB 2 LANDASAN TEORI. Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan datang. Peramalan adalah proses untuk memperkirakan kebutuhan di masa datang
Lebih terperinciBAB III PEMBAHARUAN PERAMALAN. Pada bab ini akan dibahas tentang proses pembaharuan peramalan.
BAB III PEMBAHARUAN PERAMALAN Pada bab ini akan dibahas tentang proses pembaharuan peramalan. Sebelum dilakukan proses pembaharuan peramalan, terlebih dahulu dilakukan proses peramalan dan uji kestabilitasan
Lebih terperinciMetode Deret Berkala Box Jenkins
METODE BOX JENKINS Metode Deret Berkala Box Jenkins Suatu metode peramalan yang sistematis, yang tidak mengasumsikan suatu model tertentu, tetapi menganalisa deret berkala sehingga diperoleh suatu model
Lebih 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 terperinciDiktat - Time Series Analysis. Siana Halim
Diktat - Time Series Analysis Siana Halim 19th January 2006 Prakata Diktat Time series ini merupakan rangkuman dari buku Box, G.E.P, Jenkins, G.M, Time Series Analysis, forecasting and Control, Revised
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah suatu situasi atau kondisi yang diperkirakan akan terjadi pada
Lebih terperinciBAB I PENDAHULUAN. berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Time Series atau runtun waktu adalah serangkaian data pengamatan yang berasal dari sumber tetap yang terjadinya berdasarkan indeks waktu t secara berurutan
Lebih terperinciBAB III ANALISIS SPEKTRAL PADA RUNTUN WAKTU MODEL ARIMA. Analisis spektral adalah metode yang menggambarkan kecendrungan osilasi
BAB III ANALISIS SPEKTRAL PADA RUNTUN WAKTU MODEL ARIMA Analisis spektral adalah metode yang menggambarkan kecendrungan osilasi atau getaran dari sebuah data pada frekuensi tertentu. Analisis spektral
Lebih terperinciESTIMASI MAKSIMUM LIKELIHOOD PADA MODEL ARIMA SKRIPSI IRMA WAHNI SINAGA
ESTIMASI MAKSIMUM LIKELIHOOD PADA MODEL ARIMA SKRIPSI IRMA WAHNI SINAGA 080823040 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2011 1 ESTIMASI MAKSIMUM
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 terperinciPERAMALAN JUMLAH WISATAWAN MANCANEGARA YANG BERKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER KOMPETENSI STATISTIKA SKRIPSI
PERAMALAN JUMLAH WISATAWAN MANCANEGARA YANG BERKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER KOMPETENSI STATISTIKA SKRIPSI I KETUT PUTRA ADNYANA 1208405010 LEMBAR JUDUL JURUSAN MATEMATIKA FAKULTAS MATEMATIKA
Lebih terperinciModel Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan
METODE BOX JENKINS Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan utk semua tipe pola data. Dapat
Lebih terperinciTime series Linier Models
Time series Linier Models We have learned simple extrapolation techniques for deterministic and stochastic time series models. In addition, we also have learned stationery and non stationery time series
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan (Forceasting) 2.1.1 Pengertian Peramalan Untuk memajukan suatu usaha harus memiliki pandangan ke depan yakni pada masa yang akan datang. Hal seperti ini yang harus dikaji
Lebih terperinciModel Runtun Waktu Stasioner
Chapter 3 Model Runtun Waktu Stasioner Proses-proses stasioner (W-S) yang penting adalah sebagai berikut: White Noise Moving Average: MA(), MA(q), MA( ) Autoregressive: AR(), AR(p), AR( ) Autoregressive
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 terperinciPERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP
PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP SKRIPSI Disusun oleh : DITA RULIANA SARI NIM. 24010211140084 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat
Lebih terperinciPETUNJUK PRAKTIKUM MATAKULIAH : METODE RUNTUN WAKTU
PETUNJUK PRAKTIKUM MATAKULIAH : METODE RUNTUN WAKTU Disusun Oleh : ENTIT PUSPITA NIP : 132086616 JURUSAN PENDIDIKAN MATEMATIKA FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
Lebih terperinciBAB 2 LANDASAN TEORI. datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan.
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang datang. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan. Keputusan yang
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG SKRIPSI Disusun Oleh : NOVIA DIAN ARIYANI 24010211120016 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO
Lebih terperinciPERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Lebih terperinciTEORI DASAR DERET WAKTU M A T O P I K D A L A M S T A T I S T I K A II 22 J A N U A R I 2015 U T R I W E N I M U K H A I Y A R
TEORI DASAR DERET WAKTU M A 5 2 8 3 T O P I K D A L A M S T A T I S T I K A II 22 J A N U A R I 2015 U T R I W E N I M U K H A I Y A R DERET WAKTU Deret waktu sendiri tidak lain adalah himpunan pengamatan
Lebih terperinciKAJIAN TEORI. atau yang mewakili suatu himpunan data. Menurut Supranoto (2001:14) Rata rata (μ) dari distribusi probabilitas
6 BAB II KAJIAN TEORI A. Statistik Dasar 1. Average (Rata-rata) Menurut Spiegel,dkk (1996:45) rata-rata yaitu sebuah nilai yang khas atau yang mewakili suatu himpunan data. Menurut Supranoto (2001:14)
Lebih terperinciANALISIS INTERVENSI DENGAN FUNGSI STEP DAN APLIKASINYA TERHADAP DATA INDEKS HARGA KONSUMEN (IHK) KOTA BANDAR LAMPUNG. (Skripsi) Oleh ANISA RAHMAWATI
ANALISIS INTERVENSI DENGAN FUNGSI STEP DAN APLIKASINYA TERHADAP DATA INDEKS HARGA KONSUMEN (IHK) KOTA BANDAR LAMPUNG (Skripsi) Oleh ANISA RAHMAWATI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pajak merupakan sumber kas negara yang digunakan untuk pembangunan. Undang- Undang Republik Indonesia Nomor 16 Tahun 2000 tentang Ketentuan Umum Dan Tata Cara Perpajakan
Lebih terperinciModel Time Series Auto Regressive untuk Menentukan Nilai Tukar mata Uang Rupiah terhadap Dollar Amerika
Model Time Series Auto Regressive untuk Menentukan Nilai Tukar mata Uang Rupiah terhadap Dollar Amerika Adi Asriadi dan Taryo 12 Juni 2005 Abstraksi Tujuan utama dari makalah ini adalah untuk menentukan
Lebih terperinciANALISIS INTERVENSI FUNGSI STEP PADA KENAIKAN TARIF DASAR LISTRIK (TDL) TERHADAP BESARNYA PEMAKAIAN LISTRIK SKRIPSI
ANALISIS INTERVENSI FUNGSI STEP PADA KENAIKAN TARIF DASAR LISTRIK (TDL) TERHADAP BESARNYA PEMAKAIAN LISTRIK SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
Lebih terperinciBAB 2. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah sesuatu kegiatan situasi atau kondisi yang diperkirakan akan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Defenisi Peramalan Peramalan adalah suatu kegiatan dalam memperkirakan atau kegiatan yang meliputi pembuatan perencanaan di masa yang akan datang dengan menggunakan data masa lalu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola data yang sistematis (Makridakis, 1999). Peramalan menggunakan pendekatan
Lebih terperinci3.9 Fungsi Autokovariansi Proses Linear Stasioner
3.9. FUNGSI AUTOKOVARIANSI PROSES LINEAR STASIONER jika D(z) = a z kausal maka z = a > a < maka a j 0; j sehingga akan berhingga X t = h jε t j stasioner. 3.9 Fungsi Autokovariansi Proses Linear Stasioner
Lebih terperinciBAB II LANDASAN TEORI. nonstasioneritas, Autocorrelation Function (ACF) dan Parsial Autocorrelation
BAB II LANDASAN TEORI Pada Bab II akan dijelaskan pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya yaitu peramalan data runtun waktu (time series), konsep dasar
Lebih terperinciANALISIS PERAMALAN PENDAFTARAN SISWA BARU MENGGUNAKAN METODE SEASONAL ARIMA DAN METODE DEKOMPOSISI
ANALISIS PERAMALAN PENDAFTARAN SISWA BARU MENGGUNAKAN METODE SEASONAL ARIMA DAN METODE DEKOMPOSISI (Studi kasus: Lembaga Bimbingan Belajar SSC Bintaro) Nizar Muhammad Al Kharis PROGRAM STUDI MATEMATIKA
Lebih terperinciBAB 2 LANDASAN TEORI Pengertian Data Deret Berkala
BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian
Lebih terperinciLAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins
LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan
Lebih terperinciBAB II KAJIAN PUSTAKA. dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat
BAB II KAJIAN PUSTAKA 2.1 Konsep Dasar Runtun Waktu Data runtun waktu (time series) merupakan data yang dikumpulkan, dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat berupa
Lebih 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 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 3 MODEL FUNGSI TRANSFER MULTIVARIAT
BAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT Model fungsi transfer multivariat merupakan gabungan dari model ARIMA univariat dan analisis regresi berganda, sehingga menjadi suatu model yang mencampurkan pendekatan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciBAB II TINJAUAN PUSTAKA. autokovarians (ACVF) dan fungsi autokorelasi (ACF), fungsi autokorelasi parsial
BAB II TINJAUAN PUSTAKA Berikut teori-teori yang mendukung penelitian ini, yaitu konsep dasar peramalan, konsep dasar deret waktu, proses stokastik, proses stasioner, fungsi autokovarians (ACVF) dan fungsi
Lebih 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Berdasarkan sifatnya peramalan terbagi atas dua yaitu peramalan kualitatif dan peramalan kuantitatif. Metode kuantitatif terbagi atas dua yaitu analisis deret berkala
Lebih terperinciPeramalan 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 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 terperinciskripsi disajikan sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains Program Studi Matematika oleh Evyta Noviandari
UNIVERSITAS NEGERI SEMARANG METODE PERAMALAN TERBAIK ANTARA METODE RUNTUN WAKTU DAN METODE DESEASONALIZING SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA DI BURSA EFEK INDONESIA skripsi disajikan
Lebih terperinciPENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA
KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.
Lebih terperinciBAB I PENDAHULUAN. Tidak ada yang dapat memberikan jaminan atau kepastian tentang apa
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Tidak ada yang dapat memberikan jaminan atau kepastian tentang apa yang akan terjadi di masa depan. Menyikapi situasi di masa depan yang penuh dengan ketidakpastian
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 terperinciPENERAPAN MODEL AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE (ARFIMA) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)
PENERAPAN MODEL AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE (ARFIMA) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Oleh LIANA KUSUMA NINGRUM M0105047 SKRIPSI ditulis dan diajukan
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 terperinciBAB 2 LANDASAN TEORI. variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan
BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan Merupakan bagian
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciPERBANDINGAN RAMALAN MODEL TARCH DAN EGARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH
PERBANDINGAN RAMALAN MODEL TARCH DAN EGARCH PADA NILAI TUKAR KURS EURO TERHADAP RUPIAH Oleh RETNO HESTININGTYAS M0106061 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar
Lebih terperinciBAB I PENDAHULUAN. untuk mendapatkan sebuah hasil yang optimal, sementara terdapat selang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Masalah peramalan menjadi sangat penting karena adanya keinginan untuk mendapatkan sebuah hasil yang optimal, sementara terdapat selang waktu antara keinginan
Lebih terperinciPREDIKSI CURAH HUJAN DENGAN METODE KALMAN FILTER (Studi Kasus di Kota Semarang Tahun 2012)
PREDIKSI CURAH HUJAN DENGAN METODE KALMAN FILTER (Studi Kasus di Kota Semarang Tahun 2012) SKRIPSI Disusun Oleh : TIKA DHIYANI MIRAWATI NIM : J2E 008 057 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciBAB II TINJAUAN PUSTAKA
DAFTAR ISI PERNYATAAN... i ABSTRAK... ii KATA PENGANTAR... iii UCAPAN TERIMA KASIH... iv DAFTAR ISI... v DAFTAR TABEL... ix DAFTAR GAMBAR... x DAFTAR LAMPIRAN... xi BAB I PENDAHULUAN... 1 1.1 Latar Belakang...
Lebih terperinciANALISIS DATA TIME SERIES DALAM MERAMALKAN HARGA SAHAM PT INDOFOOD SUKSES MAKMUR TBK DENGAN METODE ARIMA MENGGUNAKAN SOFTWARE EVIEWS
ANALISIS DATA TIME SERIES DALAM MERAMALKAN HARGA SAHAM PT INDOFOOD SUKSES MAKMUR TBK DENGAN METODE ARIMA MENGGUNAKAN SOFTWARE EVIEWS Tugas Akhir diajukan sebagai salah satu persyaratan untuk memperoleh
Lebih terperinciModel Hibrida ARIMA dan Fuzzy Time Series Markov Chain
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Model Hibrida ARIMA dan Fuzzy Time Series Markov Chain Dennis Frisca Ayudya, Dewi Retno Sari Saputro Program Studi Matematika Universitas Sebelas Maret
Lebih terperinciBAB III MARKOV SWITCHING AUTOREGRESSIVE (MSAR)
25 BAB III (MSAR) 3.1 Model Markov Switching Autoregressive Model runtun waktu Markov Switching Autoregressive adalah salah satu model runtun waktu yang merupakan perluasan dari model Autoregressive (AR).Ide
Lebih terperinciPenerapan Analisa Time Series Terhadap Nilai Matematika di SMAS Alfa Centauri Bandung.
Penerapan Analisa Time Series Terhadap Nilai Matematika di SMAS Alfa Centauri Bandung. Imam Nulhakim, Utriweni Mukhaiyar Institut Teknologi Bandung, Jl.Tamansari no 64, Bandung; imamnul@gmail.com Jl.Tamansari
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciPEMODELAN VEKTOR AUTOREGRESIF X TERHADAP VARIABEL MAKROEKONOMI DI INDONESIA
PEMODELAN VEKTOR AUTOREGRESIF X TERHADAP VARIABEL MAKROEKONOMI DI INDONESIA SKRIPSI Disusun Oleh : Nama : Bony Yudhistira Nugraha NIM : J2E 004 216 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Peramalan pada dasarnya merupakan proses menyusun informasi tentang kejadian masa lampau yang berurutan untuk menduga kejadian di masa depan (Frechtling, 2001:
Lebih 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 terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
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 terperinciBAB III PEMODELAN DATA IHSG DAN LAJU INFLASI INDONESIA MENGGUNAKAN VECTOR AUTOREGRESSIVE WITH EXOGENOUS VARIABLE (VARX)
BAB III PEMODELAN DATA IHSG DAN LAJU INFLASI INDONESIA MENGGUNAKAN VECTOR AUTOREGRESSIVE WITH EXOGENOUS VARIABLE (VARX) 3.1 Model Vector Autoregressive (VAR) Model Vector Autoregressive (VAR) adalah model
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Curah Hujan Curah hujan adalah jumlah air yang jatuh di permukaan tanah datar selama periode tertentu yang diukur dengan satuan tinggi milimeter (mm) di atas permukaan horizontal.
Lebih terperinciBAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol
BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel
Lebih terperinciPERAMALAN VOLATILITAS MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (GARCH-M)
PERAMALAN VOLATILITAS MENGGUNAKAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY IN MEAN (GARCH-M) (Studi Kasus pada Return Harga Saham PT. Wijaya Karya) SKRIPSI Disusun Oleh : Dwi Hasti
Lebih terperinciMetode Box - Jenkins (ARIMA)
Metode Box - Jenkins (ARIMA) Metode peramalan saat ini cukup banyak dengan berbagai kelebihan masing-masing. kelebihan ini bisa mencakup variabel yang digunakan dan jenis data time seriesnya. nah, dalam
Lebih terperinciPEMODELAN KURS MATA UANG RUPIAH TERHADAP DOLLAR AMERIKA MENGGUNAKAN METODE GARCH ASIMETRIS
PEMODELAN KURS MATA UANG RUPIAH TERHADAP DOLLAR AMERIKA MENGGUNAKAN METODE GARCH ASIMETRIS SKRIPSI Disusun Oleh : ULFAH SULISTYOWATI 24010210120052 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
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 terperinciPROPOSAL PENELITIAN PEMBAHARUAN MODEL DAN PENENTUAN MODEL TERBAIK UNTUK DATA RUNTUN WAKTU NONMUSIMAN YANG MEMILIKI KECENDERUNGAN POLA MUSIMAN
PROPOSAL PENELITIAN PEMBAHARUAN MODEL DAN PENENTUAN MODEL TERBAIK UNTUK DATA RUNTUN WAKTU NONMUSIMAN YANG MEMILIKI KECENDERUNGAN POLA MUSIMAN Oleh: 1. Entit Puspita, S.Pd, M.Si (Ketua) 2. Drs. Dadan dasari,
Lebih terperinciBAB II TINJAUAN PUSTAKA. keuntungan atau coumpouding. Dari definisi di atas dapat disimpulkan bahwa
BAB II TINJAUAN PUSTAKA 2.1 Pengertian Investasi Menurut Fahmi dan Hadi (2009) investasi merupakan suatu bentuk pengelolaan dana guna memberikan keuntungan dengan cara menempatkan dana tersebut pada alokasi
Lebih terperinciMinggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting. Minggu 8-9 Analisi Model ARI, IMA, ARIMA
CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si [Jadwal]: [Materi Analsis Time Series] Kuliah Pemodelan dan Simulasi berisi tentang dasar pemodelan time series seperti kestasioneran, identifikasi
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 terperinciANALISA BOX JENKINS PADA PEMBENTUKAN MODEL PRODUKSI PREMI ASURANSI KENDARAAN BERMOTOR RODA EMPAT
ANALISA BOX JENKINS PADA PEMBENTUKAN MODEL PRODUKSI PREMI ASURANSI KENDARAAN BERMOTOR RODA EMPAT Mei Taripar Pardamean S.,SKom Jl. Makmur No.1 Ciracas Jakarta Timur mtp95@yahoo.com ABSTRAK Tujuan dari
Lebih terperinciPERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA
Saintia Matematika ISSN: 2337-9197 Vol. 2, No. 1 (2014), pp. 55 69. PERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA John Putra S Tampubolon, Normalina Napitupulu, Asima Manurung Abstrak.
Lebih terperinciINTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) (Studi Kasus pada Return Kurs Rupiah terhadap Dollar Australia)
PERHITUNGAN VALUE AT RISK MENGGUNAKAN MODEL INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) (Studi Kasus pada Return Kurs Rupiah terhadap Dollar Australia) SKRIPSI Disusun
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 terperinciPERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika Vol. 1, No. 6 (2013), pp. 579 589. PERAMALAN NILAI EKSPOR DI PROPINSI SUMATERA UTARA DENGAN METODE ARIMA BOX-JENKINS Raisa Ruslan, Agus Salim Harahap, Pasukat Sembiring Abstrak. Dalam
Lebih terperinciBAB 2 LANDASAN TEORI
1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan
Lebih terperinciBAB II KAJIAN TEORI. mendukung pembahasan bab- bab berikutnya, yaitu matriks, analisis multivariate,
BAB II KAJIAN TEORI Pada bab II ini akan dibahas tentang materi dasar yang digunakan untuk mendukung pembahasan bab- bab berikutnya, yaitu matriks, analisis multivariate, analisis runtun waktu, stasioneritas,
Lebih terperinciJurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN
Perencanaan Produksi Menggunakan Model dan Pengendalian Persediaan Menggunakan Program Dinamik untuk Meminimumkan Total Biaya (Studi Kasus: Produksi Amplang UD. Usaha Devi) Production Planning using Model
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 DATA MINING Data Mining adalah analisis otomatis dari data yang berjumlah banyak atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya
Lebih terperinciBAB III EXTENDED KALMAN FILTER DISKRIT. Extended Kalman Filter adalah perluasan dari Kalman Filter. Extended
26 BAB III EXTENDED KALMAN FILTER DISKRIT 3.1 Pendahuluan Extended Kalman Filter adalah perluasan dari Kalman Filter. Extended Kalman Filter merupakan algoritma yang digunakan untuk mengestimasi variabel
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 terperinciESTIMASI INFLASI WILAYAH KERJA KPwBI MALANG MENGGUNAKAN ARIMA-FILTER KALMAN DAN VAR-FILTER KALMAN
TUGAS AKHIR - SM 141501 ESTIMASI INFLASI WILAYAH KERJA KPwBI MALANG MENGGUNAKAN ARIMA-FILTER KALMAN DAN VAR-FILTER KALMAN POPY FEBRITASARI NRP 1212 100 056 Dosen Pembimbing Prof. Dr. Erna Apriliani, M.Si
Lebih terperinci