Penerapan Model ARIMA
|
|
- Yulia Pranoto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 016 1
2 Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu: 1. Penentuan model tentatif (spesifikasi model) berdasarkan data contoh untuk mengidentifikasi nilai p, d, dan q.. Pendugaan parameter model ARIMA(p, d, q) yang diidentifikasi, yaitu penduga nilai,, dan σ e. 3. Analisis diagnostik untuk melihat kelayakan model.
3 Prosedur iterasi ini sering disebut Metode Box- Jenkins. Untuk model ARIMA(p, d, q), spesifikasi dilakukan untuk menentukan nilai p, d, dan q. Alat yang digunakan pada tahap identifikasi ini adalah fungsi autokorelasi. Fungsi autokorelasi ini diduga dari data contoh atau disebut fungsi autokorelasi contoh (sample of autocorrelation function atau SACF atau ACF saja). Disamping itu ada pula fungsi autokorelasi parsial (sample of partial autocorrelation function atau SPACF atau PACF saja) 3
4 4 a. ACF,... 1,, ) ( ) )( ( 1 1 k Y Y Y Y Y Y r n t t k n t k t t k n Y Y n t t 1 r k merupakan penduga bagi k
5 a. PACF PACF : kk = Corr(Y t, Y t-k Y t-1, Y t-,, Y t-k+1 ) Berdasarkan persamaan Yule-Walker: j = k1 j-1 + k j kk j-k j = 1,,..., k; Catatan: j = -j dan 0 = 1 k ACF; kk PACF ˆ kk penduga bagi kk 5
6 6 Contoh: Misal diketahui data : 4,, 5, 1. Tentukan ACF (r 1, r ) dan PACF (φ 11, φ ) Melalui persamaan..., 1,, ) ( ) )( ( 1 1 k Y Y Y Y Y Y r n t t k n t k t t k Dapat diperoleh penduga ACF : r 1 = -0.7 dan r = 0.4
7 Berdasarkan persamaan Yule-Walker dapat diperoleh penduga PACF kk : j = k1 j-1 + k j kk j-k Untuk k =1 j = 1 1 = = 11 (1) r 1 = φ 11 = -0.7 Untuk k = j = 1, 1 = = = =
8 1 = = = = ( 1 ) = ( 1 )... Pers(1) = Pers() Berdasarkan Pers(1) dan Pers() diperoleh: ( 1 ) - = ( 1 ) - = {( 1 ) - }/{( 1 ) - 1} φ = {(r 1 ) - r }/{(r 1 ) - 1} = 0.09/(-0.51) =
9 Pengidentifikasian Model Model MA: Misal MA(1) : Y t = e t - e t-1 ACF : k 1 0 ; ; k k k r k ACF k Sample of ACF k 9
10 Karena r k berasal dari data contoh maka diperlukan galat baku bagi r k yaitu S rk. Sebagai nilai pendekatan : S rk = 1 / n, dimana n adalah banyaknya data. Sehingga hipotesis H 0 : k = 0 ditolak jika r k > S rk atau r k > / n. Misalnya, jika r 1 > / n dan r k < / n untuk k =, 3,, maka model tentatifnya adalah MA(1). 10
11 Model AR : Misalkan AR(1) : Y t = Y t-1 + e t ACF : k = k ; k = 1,, Untuk model AR, ACF merupakan fungsi eksponensial sehingga ACF tidak dapat digunakan untuk menentukan nilai p dalam AR(p). PACF : untuk k = 1 1 = 11 untuk k = 1 = (1) = () 11
12 Berdasarkan persamaan (1) dan () = 0. Demikian juga 33 = 44 =... = 0. Sehingga PACF AR(1): kk 0 1 ; ; k k 1 1 Dengan demikian PACF dapat digunakan sebagai penentu nilai p dalam model AR(p). kk ˆ kk PACF Sample of PACF Hipotesis H 0 : kk = 0 ditolak jika ˆ n. kk / 1
13 Pengidentifikasian nilai p dan q tails off Sample of ACF cuts off after lag q Sample of ACF 13
14 14
15 Contoh (1) 15
16 Contoh () 16
17 Contoh (3) d = 1 d = 1 17
18 Pendugaan Parameter Model Apabila nilai p, d, dan q sudah dapat diidentifikasi, maka selanjutnya dilakukan pendugaan terhadap parameter model, yaitu 1,,..., p untuk model AR(p) dan 1,,..., q untuk model MA(q) berdasarkan data terobservasi Y 1, Y,..., Y n. Metode pendugaan parameter : Metode momen, Metode kuadrat terkecil (least-square), Metode kemungkinan maksimum (maximum likelihood). 18
19 1. Metode Momen Metode ini didasarkan pada persamaan momen contoh dan momen teoritis, kemudian memecahkan persamaan-persamaan tersebut untuk mendapatkan penduga bagi parameter model. Misalnya, menduga rataan populasi (teoritis) dengan rataan contoh Y. Model AR a. AR(1) : Y t = Y t-1 + e t k = k ; k = 1,, 1 = ˆ ˆ1 r 1 = ˆ Jadi pada AR(1) penduga bagi parameter model,, adalah r 1 yang dapat dihitung dari data. 19
20 b. AR(1) : Y t = + Y t-1 + e t Bagaimana menduga? Perhatikan model : (Y t - Y)= (Y t-1 - Y) + e t (Y t - Y)= (Y t-1 - Y) + e t Y t = (1 - )Y + Y t-1 + e t Y t = + Y t-1 + e t Sehingga : = (1 - )Y 0
21 c. AR() : Y t = 1 Y t-1 + Y t- + e t Berdasarkan persamaan Yule-Walker : k = 1 k-1 + k p k-p maka diperoleh 1 = dan = dengan metode momen diperoleh: r 1 = ˆ 1 + ˆ r 1 dan r = r 1 ˆ 1 + ˆ penyelesaian terhadap dua persamaan ini diperoleh: ˆ r1 (1 r ) 1 dan ˆ r r1 1 r1 1 r1 1
22 Model MA MA(1) : Y t = e t - e t-1 1 ˆ 1 r 1 ˆ 1 sehingga diperoleh : ˆ 1 1 r 1 4r 1 Sebagai catatan untuk persamaan ini, apabila r 1 > 0.5 maka metode momen gagal untuk menduga parameter. Untuk MA(), MA(3), dst, metode momen menjadi sangat kompleks, sehingga harus menggunakan metode pendugaan lainnya.
23 Model ARMA ARMA(1, 1) : Y t = Y t-1 - e t-1 + e t k ( 1)( ) k 1 1 sehingga penduga bagi adalah : 1 ˆ r r 1 Untuk menduga dapat digunakan persamaan pertama dengan cara mengganti 1 dengan r 1 dan dengan ˆ, yaitu r (1 ˆ ˆ)( ˆ ˆ) 1 ˆ ˆ 1 ˆ 3
24 Contoh Kasus (Latihan): Misalnya diketahui model AR() : Y t = + 1 Y t-1 + Y t- + e t. Berdasarkan data diketahui bahwa r 1 = 0.75, r = 0.61, dan Y = 4.5. Tentukan ˆ, ˆ 1, dan ˆ dengan metode momen. 4
25 . Metode Kuadrat Terkecil Metode ini dilakukan dengan cara meminimumkan komponen pada galat, yaitu n t 1 e t. AR(1) : Y t = Y t-1 + e t e t = Y t - Y t-1 n S() = t 1 e t n = ( Y t Y t t 1 ) 1 Penduga bagi parameter model,, dapat diperoleh dengan cara meminimumkan S(). 5
26 MA(1) : Y t = e t - e t-1 e t = Y t + e t-1 e t = Y t + ( Y t-1 + e t- ) e t = Y t + Y t-1 + Y t- + 3 Y t-3 +. n S() = t 1 e t Meminimumkan S() tidak dapat dilakukan secara analitik / kalkulus karena bersifat non-linear, sehingga harus diselesaikan secara numerik / iteratif, salah satunya melalui algoritma Gauss-Newton. 6
27 3. Metode Kemungkinan Maksimum Metode ini dilakukan dengan cara memaksimumkan fungsi kemungkinan (likelihood), berdasarkan fungsi sebaran galat (e t ). AR(1) : Y t = Y t-1 + e t, misal e t bsi ~ N(0, e ) 1 f(e 1, e,., e n ) = ( ) 1) n ( n / e.exp( ) et L(, 1 e ) = ( ) 1) n ( n / e.exp( ( ) ) Yt Yt e t 1 e t1 Penduga dan e dapat diperoleh dengan cara memaksimumkan fungsi kemungkinan L(, e ). 7
28 MA(1) : Y t = e t - e t-1 Fungsi kemungkinannya, L(, e ), bersifat non-linear sehingga pemaksimumannya harus dilakukan secara numerik / iteratif. Catatan : SAS dan Minitab menggunakan metode iterasi Gauss-Newton untuk menduga parameter AR(p), MA(q), dan ARIMA(p, d, q). 8
29 Zt Studi Kasus : Tentukan model terbaik untuk data bulanan penjualan suatu produk (Z t ) sebagai berikut: Index Zt : Data Asal 9
30 Zt(lag1) Index Zt(lag1) : Data Zt setelah differencing ordo-1 30
31 Zt(lag) Index Zt(lag) : Data Zt setelah differencing ordo- 31
32 Autocorrelation Autocorrelation Function for Zt (with 5% significance limits for the autocorrelations) Lag Ada indikasi tidak stasioner. Mengapa? 3
33 Autocorrelation Autocorrelation Function for Zt(lag1) (with 5% significance limits for the autocorrelations) Lag Ada indikasi tidak stasioner. Mengapa? 33
34 Autocorrelation ACF Autocorrelation Function for Zt(lag) (with 5% significance limits for the autocorrelations) Lag Ada indikasi sudah stasioner. Mengapa? 34
35 Partial Autocorrelation PACF Partial Autocorrelation Function for Zt(lag) (with 5% significance limits for the partial autocorrelations) Lag
36 Partial Autocorrelation Autocorrelation Autocorrelation Function for Zt(lag) (with 5% significance limits for the autocorrelations) Lag Partial Autocorrelation Function for Zt(lag) (with 5% significance limits for the partial autocorrelations) Lag Kandidat Model : ARIMA(0,,1)dan ARIMA(1,,0) 36
37 ARIMA(0,,1) ARIMA model for Yt Estimates at each iteration Iteration SSE Parameters Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef T P MA Constant Differencing: regular differences Number of observations: Original series 47, after differencing 45 Residuals: SS = (backforecasts excluded) MSE = DF = 43 37
38 ARIMA(1,,0) ARIMA model for Yt Estimates at each iteration Iteration SSE Parameters Relative change in each estimate less than Final Estimates of Parameters Type Coef SE Coef T P AR Constant Differencing: regular differences Number of observations: Original series 47, after differencing 45 Residuals: SS = (backforecasts excluded) MSE = DF = 43 38
39 Pemilihan Model Terbaik Berdasarkan MSE Terkecil Berdasarkan hasil di atas: ARIMA(0,, 1) MSE : ARIMA(1,, 0) MSE : Sehingga model terbaik berdasarkan nilai MSE terkecil adalah ARIMA(1,, 0). Model terbaik yang diperoleh dapat digunakan untuk melakukan peramalan. 39
40 1. Melalui Minitab, bangkitkan data y t, (n = 5), berupa model ARIMA(1,, 0) dengan = 0.5, Φ = 0.8 serta e t ~ Normal(0,1). Gunakan 00 data terakhir dan lakukan proses berikut: a. Berdasarkan ACF dan PACF untuk data y t tersebut, identifikasilah kandidat model yang sesuai. b. Berdasarkan kandidat model tersebut, tentukan model terbaik berdasarkan nilai MSE-nya. c. Bandingkan penduga parameter yang diperoleh untuk model terbaik pada poin (b) tersebut dengan nilai parameter yang sesungguhnya. Apa kesimpulan Anda? 40
41 . Melalui Minitab, bangkitkan data y t, (n = 5), berupa model ARIMA(1, 1, ) dengan = 1.0, Φ = 0.8, θ 1 = - 0.9, dan θ = 0.7 serta e t ~ Normal(0,1). Gunakan 00 data terakhir dan lakukan proses berikut: a. Berdasarkan ACF dan PACF untuk data y t tersebut, identifikasilah kandidat model yang sesuai. b. Berdasarkan kandidat model tersebut, tentukan model terbaik berdasarkan nilai MSE-nya. c. Bandingkan penduga parameter yang diperoleh untuk model terbaik pada poin (b) tersebut dengan nilai parameter yang sesungguhnya. Apa kesimpulan Anda? 41
42 Lihat Montgomery : Exercise 5.11, hlm. 90 4
43 Cryer, J.D. and Chan, K.S Time Series Analysis with Application in R. Springer. Montgomery, D.C., et.al Forecasting Time Series Analysis nd. John Wiley. Wei, William, W.S Time Series Analysis, Univariate and Multivariate Methods. Adison-Wesley Publishing Company Inc, Canada. Abraham, B. and Ledolter, J Statistical Methods for Forecasting. John Wiley. 43
44 Bisa di-download di 44
45 45
Penerapan Model ARIMA
Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 1 a. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal. b. Lakukan pendugaan parameter pada
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017 1 Ada tiga tahapan iteratif dalam pemodelan data deret waktu yang berbasis model ARIMA, yaitu: 1. Penentuan model
Lebih terperinciSpesifikasi Model. a. ACF
Dept. Statistika IPB, 0 Spesifikasi Model Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu:. Penentuan model tentatif (spesifikasi model) berdasarkan data contoh untuk mengidentifikasi
Lebih terperinciDiagnostik Model. Uji Ljung-Box-Pierce (modified Box-Pierce)
Diagnostik Model Analisis Sisaan Sisaan = Nilai Aktual Nilai Prediksi Apabila model ARIMA(p, d, q) benar dan dugaan parameter sangat dekat ke nilai yang sebenarnya maka sisaan akan memiliki sifat seperti
Lebih terperinci4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :
4 BAB IV HASIL PEMBAHASAN DAN EVALUASI Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtut waktu. Data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data harga
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018 1 a. Misalkan data asal Y t. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal sehingga
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih terperinciBAB III PERBANDINGAN MODEL ARIMA DAN MODEL VAR PADA PERAMALAN VOLUME PENJUALAN DAN HARGA INTI SAWIT
BAB III PERBANDINGAN MODEL ARIMA DAN MODEL VAR PADA PERAMALAN VOLUME PENJUALAN DAN HARGA INTI SAWIT Pada bab ini, penulis akan membandingkan hasil peramalan menggunakan model ARIMA dan model VAR yang telah
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS Oleh : Agustini Tripena ABSTRACT In this paper, forecasting the consumer price index data and inflation. The method
Lebih terperinciLAMPIRAN. Langkah-Langkah Penggunaan Program Minitab: nama kolom tepat diantara C1 dan angka penjualan pertama Jakarta Muscat
L1 LAMPIRAN Langkah-Langkah Penggunaan Program Minitab: 1. Aktifakan program minitab kemudian copy yang diinginkan pada kolom C1. Beri nama kolom tepat diantara C1 dan angka penjualan pertama Jakarta Muscat
Lebih terperinciData Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun Tahun Bulan Wisman
Lampiran 1. Data Tingkat Hunian Hotel di Propinsi DIY Tahun 1991-2003 48 49 Lampiran 1 Data Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun 1991-2003, Tahun Bulan Wisman 1991 1 27,00 1991 2 30,60
Lebih terperinciPEMODELAN DAN PERAMALAN DATA PEMBUKAAN IHSG MENGGUNAKAN MODEL ARIMA
PEMODELAN DAN PERAMALAN DATA PEMBUKAAN IHSG MENGGUNAKAN MODEL ARIMA OLEH : 1. Triyono ( M0107086 ) 2. Nariswari S ( M0108022 ) 3. Ayunita C ( M0180034 ) 4. Ibnuhardi F.Ihsan ( M0108045 ) 5. Marvina P (
Lebih terperinciPEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER
PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinciPemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input
Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input Oleh : Defi Rachmawati 1311 105 007 Dosen Pembimbing :
Lebih terperinciPERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI ABSTRAK
PERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI Trio Yonathan Teja Kusuma 1, Sandra Praharani Nur Asmoro 2 1,2)
Lebih 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 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 terperinciPendugaan Parameter Model
Det. Statistika IPB, 05 Pedugaa Parameter Model Aabila ilai, d, da q sudah daat diidetifikasi, maka selajutya dilakuka edugaa terhada arameter model, yaitu,,..., utuk model AR() da,,..., q utuk model MA(q)
Lebih terperinciDr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016
1 Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 This part presents some basic statistical methods essential to modeling, analyzing, and forecasting time series data. Both graphical displays and
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 terperinciPrediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins
Statistika, Vol. 16 No. 2, 95 102 November 2016 Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins FERRY KONDO LEMBANG Jurusan Matematika Fakultas MIPA Universitas Pattimura Ambon
Lebih terperinciANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA
ANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA FATHIN FAHIMAH 226133 DOSEN PEMBIMBING Prof. Ir. Gamantyo Hendrantoro, M.Eng.
Lebih terperinciIII. METODE PENELITIAN
15 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perkembangan ekonomi dan bisnis dewasa ini semakin cepat dan pesat. Bisnis dan usaha yang semakin berkembang ini ditandai dengan semakin banyaknya
Lebih terperinciAnalisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode
Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode ARIMA Box Jenkins Oleh : Winda Eka Febriana 1307 030 002 Pembimbing : Dra. Wiwiek Setya Winahju, MS Latar Belakang PMI Merupakan
Lebih 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 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 terperinciPeramalan Permintaan Pengujian Sampel Di Laboratorium Kimia Dan Fisika. Baristand Industri Surabaya)
Peramalan Permintaan Pengujian di Lab. Kimia dan Fisika (Aneke Rintiasti, Erna Hartati, Nunun Hilyatul M.) Peramalan Permintaan Pengujian Sampel Di Laboratorium Kimia Dan Fisika Baristand Industri Surabaya
Lebih terperinciIV. HASIL DAN PEMBAHASAN
9 menguji kelayakan model sehingga model sementara tersebut cukup memadai. Salah satu caranya adalah dengan menganalisis galat (residual). Galat merupakan selisih antara data observasi dengan data hasil
Lebih terperinciOleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si
Oleh : Dwi Listya Nurina 1311105022 Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si Air Bersih BUMN Penyediaan air bersih untuk masyarakat mempunyai peranan yang sangat penting dalam meningkatkan kesehatan
Lebih terperinciPERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)
PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciAs ad 36, I Made Tirta 37, YulianiSetiaDewi 38
PERAMALAN PERTUMBUHAN PENDUDUK KABUPATEN SITUBONDO DENGAN MODEL ARIMA, DERET ARITMATIK, DERET GEOMETRI DAN DERET EKSPONENSIAL THE FORECASTING GROWTH OF THE POPULATION IN SITUBONDO BY USING ARIMA, ARITMATICS,
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 SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010
Statistika, Vol., No., Mei PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI Reksa Nila Anityaloka, Atika Nurani Ambarwati Program Studi S Statistika Universitas Muhammadiyah
Lebih terperinciTeknik Peramalan Melalui Pemulusan Data (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018
Teknik Peramalan Melalui Pemulusan Data (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018 The most crucial issue in simple moving averages is the choice of the span, N. A simple moving
Lebih terperinciKAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih 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 terperinciPengenalan Analisis Deret Waktu (Time Series Analysis) MA 2081 Statistika Dasar 30 April 2012
Pengenalan Analisis Deret Waktu (Time Series Analysis) ) MA 208 Statistika Dasar 0 April 202 Utriweni Mukhaiyar Ilustrasi Berikut adalah data rata-rata curah hujan bulanan yang diamati dari Stasiun Padaherang
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 terperinciModel Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer
Model Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 225 dengan Pendekatan Fungsi Transfer OLEH : DWI LISTYA NURINI 1311 105 021 DOSEN PEMBIMBING : DR. BRODJOL SUTIJO SU, M.SI Bursa saham atau Pasar
Lebih terperinciOUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran
OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat
Lebih terperinciANALISIS PERAMALAN ARIMA BOX-JENKINS PADA DATA PENGIRIMAN BARANG
ANALISIS PERAMALAN ARIMA BOX-JENKINS PADA DATA PENGIRIMAN BARANG Anik Rufaidah 1), Muhamad Afif Effindi 2) 1, 2) Sekolah Tinggi Teknik Qomaruddin Gresik Jalan Raya No. 01 Bungah Gresik 61152 e-mail: anikrufaidah99@gmail.com
Lebih terperinci(S.4) PENDEKATAN METODE ALGORITMA GENETIK UNTUK IDENTIFIKASI MODEL ARIMA
(S.4) PENDEKATAN METODE ALGORITMA GENETIK UNTUK IDENTIFIKASI MODEL ARIMA Jimmy Ludin Mahasiswa Program Magister Jurusan Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh
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 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 terperinciPERBANDINGAN UJI PORTMANTEAU UNTUK KORELASI DIRI SISAAN PADA MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) KURNIA SEKAR NEGARI
PERBANDINGAN UJI PORTMANTEAU UNTUK KORELASI DIRI SISAAN PADA MODEL AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) KURNIA SEKAR NEGARI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA
RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA A. MATA KULIAH Nama Mata Kuliah : Analisa Deret Waktu Kode/sks : MAS 4133 / 3 Semester : V Status (Wajib/Pilihan) : Wajib (W) Prasyarat : MAS
Lebih terperinciiii Universitas Sumatera Utara
no bulan tahun suhu 1 JAN 2002 26.3 2 FEB 2002 26.7 3 MAR 2002 27.4 4 APR 2002 26.6 5 MEI 2002 27.6 6 JUN 2002 26.7 7 JUL 2002 27.4 8 AGTS 2002 27.6 9 SEP 2002 25.7 10 OKT 2002 26.4 11 NOV 2002 25.8 12
Lebih terperinciPemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer
TUGAS AKHIR Pemodelan Space Pemasangan Iklan di Surat Kabar Harian X dengan Metode ARIMAX dan Fungsi Transfer Oleh : Fani Felani Farid (1306 100 047) Pembimbing : Drs. Kresnayana Yahya M.Sc Latar Belakang
Lebih terperinciESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING
ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING Nama : Zahroh Atiqoh NRP : 1205 100 021 Dosen Pembimbing : 1. Dra. Nuri Wahyuningsih, MKes 2. Drs. Sulistiyo,
Lebih 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 terperinciPrediksi Curah Hujan dengan Model Deret Waktu dan Prakiraan Krigging pada 12 Stasiun di Bogor Periode Januari Desember 2014.
Jur. Ris. & Apl. Mat. Vol. 1 (2017), no. 1, 1-52 Jurnal Riset dan Aplikasi Matematika e-issn: 2581-0154 URL: journal.unesa.ac.id/index.php/jram Prediksi Curah Hujan dengan Model Deret Waktu dan Prakiraan
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 terperinciPEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA. Nur Hukim
TE 091399 TUGAS AKHIR- 4 SKS PEMODELAN AUTOREGRESSIVE INTEGRATED MOVING AVERAGE PADA DATA REDAMAN HUJAN DI SURABAYA Oleh Nur Hukim Dosen Pembimbing Prof. Ir. Gamantyo Hendrantoro, M.Eng. Ph.D Ir. Achmad
Lebih terperinciBAB SIMULASI PERHITUNGAN HARGA BARANG. Bab 4 Simulasi Perhitungan Harga barang berisikan :
BAB SIMULASI PERHITUNGAN HARGA BARANG Bab Simulasi Perhitungan Harga barang berisikan :.. Simulasi peramalan nilai Indeks Harga Konsumen (IHK) melalui metode ARIMA.. Prediksi nilai inflasi tahun 0.3. Prediksi
Lebih terperinciPERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Lebih terperinciPeramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2012 Dengan Metode ARIMA BOX-JENKINS
Jurnal EKSPONENSIAL Volume 3, Nomor, Mei 2 ISSN 8-7829 Peramalam Jumlah Penumpang Yang Berangkat Melalui Bandar Udara Temindung Samarinda Tahun 2 Dengan Metode ARIMA BOX-JENKINS Forecasting The Number
Lebih 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 terperinciPENGGUNAAN METODE VaR(Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT.TELKOM DENGAN PENDEKATAN MODEL GARCH-M
PENGGUNAAN METODE VaR(Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT.TELKOM DENGAN PENDEKATAN MODEL GARCH-M Oleh: NURKHOIRIYAH 1205100050 Dosen Pembimbing: Dra. Nuri Wahyuningsih, M.Kes. 1 Latar
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
Lebih terperinciARIMA and Forecasting
ARIMA and Forecasting We have learned linear models and their characteristics, like: AR(p), MA(q), ARMA(p,q) and ARIMA (p,d,q). The important thing that we have to know in developing the models are determining
Lebih terperinciPeramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun
Peramalan Jumlah Penumpang Kereta Api Kelas Bisnis Eksekutif Jurusan Madiun Jakarta di PT. Kereta Api (Persero) DAOP VII Madiun NAMA : RITA RAHMADHANI NRP : 1306 030 008 PEMBIMBING: DR. BRODJOL SUTIJO
Lebih 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 terperinciAnalisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan
SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.
Lebih terperinciMA(q) AR(p) MA(q) jika ACF cuts off lebih tajam, AR(p) jika PACF cuts off lebih tajam ARMA(0,0)
LAMPIRAN ACF 0.0 0.2 0.4 0.6 0.8 1.0 Lampiran 1. Tabel penentuan Nilai Ordo Pada Proses ARIMA Berdasarkan Plot ACF dan PACF No Kemungkinan plot ACF dan PACF Model ARIMA 1 ACF nyata pada ke-1,2,3,...,q
Lebih terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
Lebih terperinciPENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI)
PENERAPAN MODEL ARFIMA (AUTOREGRESSIVE FRACTIONALLY INTEGRATED MOVING AVERAGE) DALAM PERAMALAN SUKU BUNGA SERTIFIKAT BANK INDONESIA (SBI) Liana Kusuma Ningrum dan Winita Sulandari, M.Si. Jurusan Matematika,
Lebih terperinciPEMODELAN ARIMA UNTUK PREDIKSI KENAIKAN MUKA AIR LAUT DAN DAMPAKNYA TERHADAP LUAS SEBARAN ROB DI KOTA AMBON
PEMODELAN ARIMA UNTUK PREDIKSI KENAIKAN MUKA AIR LAUT DAN DAMPAKNYA TERHADAP LUAS SEBARAN ROB DI KOTA AMBON (MODELS OF ARIMA TO PREDICT RISING SEA AND ITS IMPACT FOR THE WIDESPREAD DISTRIBUTION OF ROB
Lebih 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 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 terperinci(T.7) PENAKSIRAN KUADRAT TERKECIL PARAMETER MODEL VEKTOR AUTOREGRESI
(T.7) PENAKSIRAN KUADRAT TERKECIL PARAMETER MODEL VEKTOR AUTOREGRESI Kankan Parmikanti, Khafsah Joebaedi, dan Budi Nurani R. Jurusan Matematika FMIPA Universitas Padjadjaran Jl. Raya Bandung Sumedang Km
Lebih terperinciPENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. APPLICATION OF ARIMA TO FORECASTING STOCK PRICE OF PT. TELOKM Tbk.
PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. Djoni Hatidja ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi, Manado 955 email: dhatidja@yahoo.com ABSTRAK Penelitian ini
Lebih terperinciSEMINAR TUGAS AKHIR. Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik. Rina Wijayanti
SEMINAR TUGAS AKHIR Peta Kendali Comulative Sum (Cusum) Residual Studi Kasus pada PT. PJB Unit Pembangkitan Gresik Rina Wijayanti 1306100044 Pembimbing Drs. Haryono, MSIE Dedi Dwi Prastyo, S.Si., M.Si.
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 terperinciTeknik Peramalan Melalui Pemulusan Data (Smoothing) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018
Teknik Peramalan Melalui Pemulusan Data (Smoothing) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2017/2018 This part presents some basic statistical methods essential to modeling, analyzing, and forecasting
Lebih terperinciPERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 1 8 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciPeramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA
JEKT 8 [2] : 136-141 ISSN : 2301-8968 Peramalan Jumlah Kunjungan Wisatawan Mancanegara (Wisman) ke Bali Tahun 2019: Metode ARIMA Rukini *) Putu Simpen Arini Esthisatari Nawangsih Badan Pusat Statistik
Lebih terperinciVI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER
VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER 6.1. Analisis Pola Data Penjualan Ayam Broiler Data penjualan ayam broiler adalah data bulanan yang diperoleh dari bulan Januari 2006
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 IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciContoh Analisis Deret Waktu: BJSales
Contoh Analisis Deret Waktu: BJSales Untuk contoh analisis deret waktu ini, kita menggunakan data BJsales. Data ini adalah data tahunan dan dapat dengan mengetikkan BJsales pada konsul R. 1 Plot Data Plot
Lebih terperinciIII. METODE PENELITIAN
38 III. METODE PENELITIAN A. Konsep Dasar dan Batasan Operasional Konsep dasar dan definisi opresional mencakup pengertian yang dipergunakan untuk mendapatkan dan menganalisis data sesuai dengan tujuan
Lebih terperinciPERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciPendahuluan. Dr. Kusman Sadik, M.Si Departemen Statistika IPB, Semester Genap 2017/2018
Pendahuluan Dr. Kusman Sadik, M.Si Departemen Statistika IPB, Semester Genap 2017/2018 Analisis Statistika (STK511) 2 Dr. Kusman Sadik, M.Si Dr. Farit M Affendi, M.Si Akbar Rizki, M.Si Pika Silvianti,
Lebih terperinciPENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M
PENGGUNAAN METODE VaR (Value at Risk) DALAM ANALISIS RESIKO INVESTASI SAHAM PT. TELKOM DENGAN PENDEKATAN MODEL GARCH-M Oleh: Nurkhoiriyah 1205100050 Dosen pembimbing: Dra. Nuri Wahyuningsih, M. Kes. Jurusan
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 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 terperinciOPTIMALISASI PERENCANAAN PRODUKSI DENGAN PREEMPTIVE GOAL PROGRAMMING (STUDI KASUS: UD. DODOL MADE MERTA TEJAKULA, SINGARAJA)
OPTIMALISASI PERENCANAAN PRODUKSI DENGAN PREEMPTIVE GOAL PROGRAMMING (STUDI KASUS: UD. DODOL MADE MERTA TEJAKULA, SINGARAJA) Ni Putu Deviyanti 1, Ni Ketut Tari Tastrawati 2, I Wayan Sumarjaya 3 1 Jurusan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel ARIMA menggunakan variabel dependen harga saham LQ45 dan variabel independen harga saham LQ45 periode sebelumnya, sedangkan ARCH/GARCH menggunakan variabel dependen
Lebih terperinciPERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT
PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG LOGO DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT Oleh : Ary Miftakhul Huda (1309 100 061) Dosen Pembimbing : Dr.rer.pol.
Lebih 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 terperinciDr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016
1 Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 Analisis Statistika (STK511) 2 2 Dr. Kusman Sadik, M.Si Dr. I Made Sumertajaya, MS Pika Silvianti, M.Si 3 3 Nama Mhs PS (STT/STK) Asal instansi
Lebih terperinciModel Penjualan Plywood PT. Linggarjati Mahardika Mulia
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol., No., Juli 7, Hal. 52-57 p-issn: 25-4596; e-issn: 25-4X Halaman 52 Model Penjualan Plywood PT. Linggarjati Mahardika Mulia
Lebih terperinciPEMODELAN SARIMAX DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) V PURWOKERTO
PEMODELAN SARIMAX DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) V PURWOKERTO Skripsi Diajukan Untuk Memenuhi Sebagian Syarat Mencapai Gelar Sarjana Strata Satu (S-1) Oleh : ROSIANA NOVITA
Lebih terperinciGARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: S1 SISTEM INFORMASI Semester : Genap
GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: S1 SISTEM INFORMASI Semester : Genap Berlaku mulai: Genap/2010 MATA KULIAH : TEKNIK PERAMALAN KODE MATA KULIAH/ SKS : 410103096 / 3 SKS MATA KULIAH PRASYARAT
Lebih terperinciPREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32
PREDIKSI JANGKA PENDEK B ULAN AN JUMLAH FLARE DENGAN MODEL ARIMA (p,d,[q]), (P,D,Q)' 32 Nanang WIdodo Penelid Staslun Pengamat Dlrgantara Watukosek, LAPAN ABSTRACT The time series of the monthly number
Lebih terperinciPEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG MILIMETER
Mauludiyanto, Pemodelan ARIMA dan Deteksi Outlier Data Curah Hujan Sebagai Evaluasi Sistem Radio Gelombang Milimeter PEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG
Lebih terperinciPEMODELAN RESIDUAL REGRESI YANG MENGANDUNG MISSING OBSERVATIONS DAN LONG MEMORY Studi Kasus : Polusi Udara di Kota Surabaya
PEMODELAN RESIDUAL REGRESI YANG MENGANDUNG MISSING OBSERVATIONS DAN LONG MEMORY Studi Kasus : Polusi Udara di Kota Surabaya Nurbaety Basmar 1, Irhamah 2 1 Mahasiswa S2 Jurusan Statistika FMIPA ITS (1308201018)
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 terperinciPEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG MILIMETER
Mauludiyanto, Pemodelan ARIMA dan Deteksi Outlier Data Curah Hujan Sebagai Evaluasi Sistem Radio Gelombang Milimeter PEMODELAN ARIMA DAN DETEKSI OUTLIER DATA CURAH HUJAN SEBAGAI EVALUASI SISTEM RADIO GELOMBANG
Lebih terperinci