BAB 2 LANDASAN TEORI. Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan
|
|
- Sonny Tanuwidjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa. 2.2 Kegunaan Peramalan Data ramalan dipergunakan sebagai perkiraan, bukan merupakan suatu angka atau bilangan yang harus dipergunakan begitu saja. Penggunaannya masih memerlukan pertimbangan dari para pemakai. Hal ini disebabkan oleh karena hasil ramalan biasanya didasarkan atas dasar asumsi-asumsi, kalau keadaan tidak berubah seperti waktu sebelumnya.
2 2.3 Jenis Jenis Peramalan Peramalan Kuantitatif Metode Kuantitatif adalah metode peramalan yang sangat mengandalkan pola data historis yang dimiliki. Metode kuantitatif ini dibagi menjadi dua yaitu : 1. Metode Deret Berkala (Time series) Metode Deret Berkala adalah peramalan di masa datang didasarkan pada nilai sebuah variabel masa lalu atau kesalahan yang dilakukan sebelumnya. Tujuannya yaitu meneliti pola data yang digunakan untuk meramalkan dan melakukan ekstrapolasi ke masa depan. Metode peramalan ini menggunakan time series sebagai dasar peramalan data aktual lalu yang akan diramalkan untuk mengetahui pola data yang diperlukan untuk menentukan metode peramalan yang sesuai. Metode-metode peramalan dengan menggunakan time series yaitu: a. Metode Smoothing : 1. Metode Data Lewat 2. Metode Rata-rata Kumulatif 3. Metode rata-rata bergerak (Moving Average) 4. Metode Eksponensial Smoothing b. Metode Box-Jenkins
3 c. Metode Perkiraan Trend dengan Regresi 2. Metode Kausal Model ini mengasumsikan bahwa faktor yang diramalkan menunjukkan suatu hubungan sebab-akibat dengan satu atau lebih variabel bebas. Metode peramalan dengan kuasalitas yaitu : a. Metode Regresi dan Korelasi Metode Regresi : untuk memutuskan harus ditetapkan sebagai variabel tidak bebas serta fungsional apa yang akan dipilih. Metode Korelasi : Suatu hubungan dapat dinyatakan dengan perhitungan korelasi antar 2 variabel b. Metode Ekonometrika Digunakan untuk menyatakan persamaan regresi sederhana, regresi berganda dan system persamaan regresi berganda. c. Metode Analisis Input-output Peramalan Kualitatif (Teknologi) Metode ini dibagi menjadi dua, yaitu : 1. Metode Eksploratoris Metode ini dimulai dengan masa lalu dan masa kini sebagai titik awalnya dan bergerak kearah masa depan dengan melihat semua kemungkinan yang ada.
4 2. Metode Normatif Metode ini dimulai dengan menetapkan sasaran dan tujuan yang akan datang. kemudian bekerja mundur untuk melihat apakah hal ini dapat dicapai berdasarkan kendala, sumber daya, dan teknologi yang tersedia Jenis-jenis Pola Data Pola data itu dikelompokkan menjadi empat jenis yaitu : a. Pola data horizontal Bentuk pola data ini terjadi bila nilai data berfluktuasi di sekitar nilai rataratanya. b. Pola data musiman Bentuk pola data ini terjadi bila datanya dipengaruhi oleh faktor musiman. c. Pola data siklis Bentuk pola data ini terjadi bila data ini dipengaruhi oleh fluktuasi ekonomi yang panjang seperti dihubungkan dengan siklis bisnis dan lain-lain. d. Pola trend Bentuk pola data ini terjadi apabila penurunan atau kenaikan data terjadi berkepanjangan.
5 2.5 Kestasioneran Data Deret berkala Dalam tahap identifikasi model ARIMA sementara, hal yang pertama yang harus dilihat apakah suatu deret berkala sudah stasioner baik dalam rataan maupun ragam. Hal ini dikarenakan bahwa syarat utama dalam pembuatan model ARIMA adalah deret berkala yang stasioner Pembedaan (Differencing) Untuk melihat apakah suatu deret berkala X 1, X 2,.., X n sudah stasioner,dapat dilihat plot niali deret waktu terhadap waktu t 1, t 2,., t n. Jika n sebuah nilai tersebut berfluktuasi sekitar ragam yang konstan dan niali tengah yang konstan, maka dapat dikatakan deret tersebut konstan. Data deret berkala yang tidak stasioner dalam nilai tengah dapat distasionerkan dengan perbedaan (difference) derajat d. Notasi yang bermanfaat adalah operator shift mundur (backward shift) B, yang penggunaannya adalah sebagai berikut : Misalkan ada suatu deret data X 1, X 2,,X t maka untuk memperkirakan X 1 dilakukan dengan mengurangi satu periode kebelakangnya dengan cara :
6 BX t = X t-1 Dengan kata lain, notasi B yang dipasang pada X t, mempunyai pengaruh menggeser data 1 periode kebelakang. Perbedaan pertama dapat dirumuskan X = X t-1 (2.1) Menggunakan operator shift mundur persamaan dapat menjadi X = X t BX t = (1-B) X t Sedang pembedaan kedua adalah X = X X 1 t-1 = (X t X t-1 ) (X t-1 X 1-2 ) = X t 2X t-1 + X 1-2 = (1 2B + B 2 ) X t = (1 B) 2 X t Secara umum perbedaan dirumuskan X t = (1 B) d X t (2.2)
7 2.6 Koefisien Autokorelasi Dalam analisis deret berkala, salah satu statistic kunci adalah koefisien autokorelasi, autokorelasi dapat diartikan sebagai korelasi linier deret berkala dengan deret berkala itu sendiri dengan selisih waktu (lag) 0, 1, 2 periode atau lebih. Koefisien autokorelasi deret X t yang stasioner untuk lag ke-k, dihitung dengan rumus sebagai berikut : r k = (2.3) Dengan : r k = Autokorelasi pada lag ke-k X t = Nilai pengamatan ke-t X t+k = Nilai pengamatan saat ke-t - k X = Rata-rata pengamatan
8 2.7 Koefisien Autokorelasi Parsial Koefisien autokorelasi parsial digunakan untuk model autokorelasi parsial digunakan untuk mengukur tingkat hubungan antara X t dan X t+k apabila pengaruh dari selisih waktu 1,2,3, (k-1) dianggap terpisah. Salah satu tujuan dalam analisa deret berkala adalah untuk menetapkan model ARIMA yang tepat untuk peramalan. Autokorelasi parsial pada lag ke-k (Φ kk ) adalah sebagai koefisien autoregresif terakhir dari model AR (k), dan memenuhi persamaan berikut : P j = Φ k1 ρ j-1 + Φ k1 ρ j Φ kk ρ j-k ; j = 1,2,,k (2.4) Pendugaan koefisien aotukorelasi parsial dapat dilakukan subsitusi r j untuk O j dan menyelesaikan persamaan diatas dengan metode rekursif. Simpangan baku dari penduga Φ kk adalah 1/ n, dimana n adalah jumlah pengamatan dikurangi lag (k). 2.8 Model Regresi Diri (AR) Proses regresi ini menyatakan ketergantungan nilat pengamatan X t terhadap X t-1, X t-2,, X t-p. Model regresi diri derajat p dilambangkan dengan AR (p) atau ARIMA (p,0,0). Model regresi diri adalah sebagai berikut :
9 X t = μ + Φ 1 X t-1 + Φ 2 X t Φ p X t-p + e t (2.5) Dengan : X t = Pengamatan deret berkala ke-t μ = Nilai konstan Φ p = Parameter autoregresi ke-p, (p = 1,2,,n) X t-p = Variabel pertma pada periode ke-(t-p) ; (p = 1,2,,n) e t = Kesalahan pada saat t Untuk model AR (1) kondisi stasioner akan terpenuhi jika Φ 1 < 1. Sedangkan model AR (2) akan memenuhi syarat stasioner jika Φ 1 + Φ 2 < 2 Φ 2 - Φ 1 < 2 dan Φ 2 < Model Rataan Bergerak (MA) Proses rataan bergerak menyatakan ketergantungan nilai X t terhadap e t e t-1,., e t-r. Model rataan bergerak derajat q dilambangkan MA (q) atau ARIMA (0,0,q) dan ditulis sebagai berikut : X t = μ θ 1 e t-1 θ 2 e t θ q e t-q + e t (2.6) Dengan :
10 X t = Pengamatan deret berkala μ = Nilai konstan θ q = Parameter moving average ke-q ; (q = 1,2,,n) e t-q = Variabel pertama pada saat t-q ; (q = 1,2,,n) e t = Kesalahan pada saat t 2.10 Model Campuran AR dan MA Dalam pembuatan model empiris dari deret berkala sering ditemukan bahwa model regresi diri (AR) dan rataan bergerak (MA). Model campuran regresi diri dan rataan bergerak derajat (p,q) dapat ditulis sebagai berikut : X t = μ + Φ 1 X t-1 + Φ 2 X t Φ p X t-p θ 1 e t-1 θ 2 e t θ q e t-p + e t (2.7) Atau ditulis Φ p (B) X t = μ + θ q (B) e t Dan disingkat ARMA (p,q) Model ARMA (p,q) dapat diperluas untuk deret berkala yang tidak stasioner. Dengan operator berbeda derajat d X t, model ARMA (p,q) menjadi Φ p(b) d X t = μ + θ q (B) e t Dan model ini disingkat ARIMA (p,d,q)
11 Untuk data yang dikumpulkan secara bulanan, pembedaan satu musim penuh (tahun) dapat dihitung X t X t-12 = (1 B 12 ) X t. Sehingga untuk model ARIMA (p,d,q) (P,D,Q) s dengan s adalah jumlah periode permusiman Model Fungsi Transfer Model fungsi transfer merupakan pengembangan dari model ARIMA satu peubah. Jika deret berkala Y t berhubungan dengan satu atau lebih deret berkala lain X t maka dapat dibuat suatu model berdassarkan informasi deret berkala X t, untuk menduga nilai Y t model yang dihasilkan disebut fungsi transfer. Dalam penelitian ini, pembuatan fungsi transfer hanya dibatasi untuk dua deret berkala yaitu Y t sebagai deret output dan X t sebagai deret output atau disebut fungsi transfer dwi peubah. Gambar 2.1 memperlihatkan secara ringkas unsur-unsur yang berkaitan dengan model fungsi transfer. Terdapat deret berkala output, disebut Y t, yang diperkiran akan dipengaruhi oleh deret berkala input X t, dan input-input lain yang disebut gangguan (noise) N t, seluruh system tersebut adalah dinamis. Dengan kata lain, deret input X t memberikan pengaruhnya terhadap fungsi transfer, mendistribusikan dampak X t melalui beberapa periode akan datang. Tujuan pemodelan fungsi transfer adalah untuk
12 menetapkan model sederhana, menghubungkan Y t dengan X t dan N t. Tujuan utama pemodelan ini adalah untuk menetapkan peranan indikator penentu (leading indicator) deret input dalam rangka menetapakan deret output. Deret Input Fungsi Transfer Deret Output (X t ) (Y t ) Seluruh Pengaruh lain (N t ) Gambar 2.1 Konsep Fungsi Transfer Fungsi transfer bivariat ditulis dalam bentuk Y t = v (B) X t + N t Dengan : Y t = Deret output X t = Deret input N t = Faktor yang mempengaruhi Y t (disebut gangguan) v(b) = (v 0 + v 1 B + v 2 B v k B k ), dengan k adalah orde fungsi transfer dan B operator shift mundur
13 Deret input dan output perlu ditransformasikan untuk mengatasi ragam yang tidak stasioner, dibedakan untuk mengatasi nilai tengah yang tidak stsioner, serta dihilangkan unsur musimannya. Jadi pada persamaan (2.8) harus merupakan nilai yang telah ditransformasikan. Selanjutnya untuk penulisan persamaan digunakan huruf kecil. Secara lebih singkat, fungsi transfer ditulis sebgai berikut (2.9) Atau (2.10) Dengan : ω(b) = ω 0 ω 1 B ω 2 B ωb s δ(b) = 1 δ 1 B δ 2 B δ r B r θ(b) = 1 θ 1 B θ 2 B θ q B q Φ(B) = 1 Φ 1 B Φ 2 B Φ p B p y t = Nilai Y t yang telah ditransformasikan dan dibedakan x t = Nilai X t yang telah ditransformasikan dan dibedakan r,s,p,q dan b = Konstanta
14 Fungsi v (B) merupakan rasio dari fungsi ω (B) dan δ (B) dan akan mempunyai jumlah suku yang tak terhingga, sehingga akan terdapat bobot v yang tak terhingga jumlahnya. Dengan demikian persamaan (2.10) merupakan suatu gambaran yang lebih singkat. Dari persamaan (2.8) dapat dilihat bahwa sebagai faktor penentunya adalah konstanta (r,s,b) dan (p,q). Konstanta (r,s,b) menunjukkan parameter dari fungsi transfer yang menghubungkan Y t dan X t, sedangkan (p,q) merupakan parameter model gangguan. Subskrip (t-b) menunjukkan keterlambatan b periode sebelum x mempengaruhi y atau dapat dikatakan bahwa X t, pertama kali mempengaruhi Y t+b. Jika persamaan (2.10) telah didefenisikan pada seluruh parameter telah diduga, maka selanjutnya ditentukan model peramalannya. Persamaan (2.10) dikalikan dengan δ (B) dan ϕ (B), akan menjadi : δ(b) Φ(B) y t = Φ (B) ω(b)x t-b + δ(b) θ(b)a t (2.11) Sebagai contoh, untuk model yang sederhana (1,1,b) (1,1) adalah : (1 δ 1 B) (1 Φ 1B) y t = (1 Φ 1B) (ω 0 ω 1 B) x t-b + (1 δi 1 B) (1 θ 1 B) a 1
15 y t = (δ 1 + Φ 1)y t-1 (δ 1 Φ 1)y t-2 + ω 0 x t-b (ω 0 Φ 1 + ω 1 )x t-b-1 + (Φ 1 + ω 1 )x t-b-2 + a 1 (δ 1 + θ 1 )a t-1 + (δ 1 + θ 1 )a t-1 + (δ 1 θ 1 )a t-2 (2.12) Dengan mengetahui nilai parameter dan nilai y,x dan a dapat dihitung nilai y pada periode yang akan datang Tahapan Pembentukan Model Fungsi Transfer Mempersiapkan Deret Input dan Output Tahap ini mengidentifikasi apakah data mentah (input dan output) sudah stasioner dalam rataan ataupun ragam. Jika belum stasioner perlu dilakukan pembedaan atau transformasi untuk menghilangkan ketidak stasioneran. Disamping itu deret input atau output perlu dihilangkan pengaruh musiman. Hal ini bukan merupakan syarat mutlak, akan tetapi akan mempengaruhi nilai-nilai (r,s,b) yang dihasilkan Pemutihan Deret Input (x t ) Tahap pemutihan deret input dimaksudkan untuk menghilangkan pola yang diketahui agar yang tersisa hanya merupakan white noise. Sebagai contoh, jika deret input dapat dimodelkan dengan ARIMA (p x,0, q x ) maka deret input dapat didefenisikan sebagai : Φ x (B)x t = θ x (B)α t (2.13)
16 Dengan θ x (B) adalah operator autoregresif, θ x (B) adalah operator rataan bergerak dan α t adalah kesalahan acak. Persamaan (2.13) dapat di ubah menjadi (2.14) Pemutihan Deret Output (y t ) Fungsi transfer yang dimaksudkan diatas adalah memetakan x t ke dalam y t. Sehingga apabila diterapkan suatu transformasi pemutihan terhadap x t maka terhadap y t harus diterapkan transformasi yang sama agar dapat mempertahankan integritas hubungan fungsional. Deret y t yang diputihkan akan menjadi β t dengan persamaan berikut : (2.15) Perhitungan Korelasi Silang dan Korelasi Diri Dalam pemodelan fungsi transfer, korelasi diri mempunyai peranan yang kedua setelah korelasi silang. Korelasi silang digunakan untuk mengetahui hubungan dua deret waktu x dan y (atau dalam bentuk deret waktu yang diputihkan α dan β) yang salah satu deret ditambahkan (lag) terhadap deret lainnya. Korelasi silang antara x dan y diduga dengan rumus
17 (2.16) Dengan : r sy (k) = Korelasi silang antara deret x dan y pada lag ke k C sy (k) = Covarian antara x dan y pada lag ke k S x = Standard deviasi deret x S y = Standard deviasi deret y k = 0,1,2,3,. Untuk menguji tingkat kepercayaan 95% dari nilai korelasi silang diatas. Barlett melakukan pendekatan perhitungan kesalahan baku dengan rumus SE(r xy (k)) = (n k ) ½ (2.17) Atau Dengan : n = Jumlah pengamatan k = Kelambatan (lag)
18 Uji Q Box Pierce Untuk perhitungan korelasi diri dapat dilihat dari persamaan (2.3) dan uji Box-Pierce Portmanteau untuk sekumpulan nilai r k = didasarkan ada nilai statistic Q yang menyebar mengikuti sebaran khi-kuadrat dengan derajat bebas (m-p-q) (2.18) Dengan : m = Lag maksimum n = N-d N = Jumlah pengamatan asli r k = Autokorelasi untuk lag ke-k P = Nilai dari parameter Autoregresif q = Nilai dari parameter Moving Average (MA) Pendugaan Langsung Bobot Respons Impuls Dari persamaan (2.9) dengan mengasumsikan b = 0 maka model transfer dapat ditulis y t = v(b)x t + n t
19 Bila x t ditransformasikan dengan dan dimasukkan kepersamaan diatas secara keseluruhan maka akan diperoleh (2.19) Atau β t = v(b)α t + e t Dengan e t adalah deret gangguan ditransforma ikan dan diperkirakan tidak berkorelasi dengan α t. Jika kedua sisi persamaan (2.20) dikalikan α t-k dan diambil nilai ekspetasinya, maka diperoleh : E[α t-k B 1 ] = v 0 E[α t-k α t ] + v 1 E[α t-k α t-1 ] + + E[α t-k e t ] C αβ (k) = v k C αα(t-k) + 0 (2.21) Dengan menyusun kembali persamaan (2.21) maka dipeoleh : (2.22) Penetapan Parameter (r,s,b) Parameter r menunjukkan derajat fungsi δ(b), s menunjukkan derajar fungsi ω(b), dan b menunjukkan keterlambatan yang dicatat pada subskrip X t-b pada persamaan (2.10). Perhatikan persamaan (2.8),(2.9) dan penetapan
20 (2.23) Apabila pernyataan v(b), ω(b), δ(b) diperluas dan koefisien-koefisiennya dibandingkan maka didapatkan hubungan sebagai berikut : Vj = 0 j<b Vj = δ 1 v j δ r v j-r + ω 0 j=b Vj = δ 1 v j δ r v j-r ω j-b j=b + 1 b + s Vj = δ 1 v j δ r v j-r j>b + s (2.24) Secara Intuitif, nilai b menyatakan bahwa y t tidak dipengaruhi oleh nilai x t sampai periode t+b atau y t = θ x t + θ x t-1 + θ x t ω 0 x t-b s menyatakan untuk beberapa lama deret output deret (y) secara terus menerus dipengaruhi oleh nilai-nilai baru deret input (x) atau y dipengaruhi oleh (x t-b, x t-b-1,, x t- b-s) dan r menyatakan bahwa y t berkaitan dengan nilai-nilai sebelumnya sebagai berikut : y dipengaruhi oleh (y t-1, y t-2, y t-3,,y t-r ) Dalam menentukan parameter (r,s,b) dapat digunakan pedoman berikut : a. Sampai lag waktu ke b, korelasi silang tidak berbeda dari nol secara signifikan
21 b. Untuk s lag waktu selanjutnya, korelasi tidak akan memperlihatkan pola yang jelas c. Untuk r lag waktu selanjutnya, korelasi silang akan memperlihatkan suatu pola yang jelas Penaksiran Awal Deret Gangguan (n t ) Perhitungan nilai taksiran awal deret gangguan n t menggunakan rumus berikut : n t = y t v 0 x t v 1 x t-1 v 2 x t v g x t-g (2.25) dengan g didapat dari hasil lag pada korelasi silang Penetapan (p n,q n ) untuk Model ARIMA (p n,q n ) dari Deret Gangguan (n t ) Tahap ini nilai-nilai n t dianalisis dengan cara ARIMA biasa untuk menentukan apakah terdapat model ARIMA (p n, 0, q n ). Untuk menentukan model ARIMA ini digunakan identifikasi fungsi autokorelsi dan korelasi parsial. Dengan cara ini fungsi Φ n (B)n t = θ nt (B)a t (2.26)
22 Penaksiran Parameter-Parameter Model Pendugaan Awal Parameter Model Pada tahap ini ditentukan model fungsi transfer secara tentative untuk menaksir nilai awal parameter-parameter ω 0, ω 1, ω s, δ 1, δ 2,. δ r, Φ 1, Φ 2,. Φ pn, dan θ 1, θ 2,. θ qn. Untuk mendapatkan nilai parameter-parameter tersebut digunakan algoritma marquadt dengan iterasi. Misalkan untuk nilai (r,s,b) = (2,2,2) dan deret gangguan mempunyai model ARIMA (2,0,1) model tentative yang digunakan adalah (2.27) Dari model diatas tahap selanjutnya adalah menaksir nilai awal parameterparameter ω 0, ω 1, ω s, δ 1, δ 2, Φ 1 dan Φ 2 dengan memperlihatkan hubungan pada persamaan (2.24) dan persamaan Yule Walker Penaksiran Akhir Parameter Model Dengan menggunakan algoritma merquadt pada setiap iterasi nilai parameterparameter selalu diperbarui dan dihitung dengan taksiran a t. Untuk memilih nilai parameter terbaik, dilihat jumlah kuadrat sisa (JKS) sampai mendekati niali minimum.
23 Pemerikasaan Diagnostik Model Pemeriksaan ini dilakukan dengan mempelajari nilai sisa akhir a t dengan deret input yang disesuaikan (α t ). Jika nilai sisa tidak mempunyai pola tertentu, maka model yang didapatkan sudah bersifat acak. Uji Box-Pierce untuk deret stasioner ARIMA (p,d,q), rumusnya : (2.28) Dengan : n = Jumlah pengamatan m = Lag terbesar yang diperhatikan r(k) = Autokorelasi pada lag ke-k df = Derajat bebas (m-p-q) sedangkan untuk nilai sisa α t perhitungannya menjadi dengan (r,s,b), p n dan q n merupakan parameter fungsi transfer.
24 Peramalan dengan Model Transfer Tujuan peramalan adalah untuk menduga nilai deret waktu masa yang akan datang dengan penyimpangan yang sekecil mungkin. Jika model yang ditetapkan menunjukkan residual yang acakan, maka model itu dapat digunakan untuk maksud peramalan. Model yang digunakan untuk contoh model (1,1,b) (1,1) adalah : y t = (δ 1 + Φ 1)y t-1 - (δ 1 Φ 1)y t-2
BAB 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 2 LANDASAN TEORI Pengertian Data Deret Berkala
BAB 2 LANDASAN TEORI 2.1. Pengertian Data Deret Berkala Suatu deret berkala adalah himpunan observasi yang terkumpul atau hasil observasi yang mengalami peningkatan waktu. Data deret berkala adalah serangkaian
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Manfaat Peramalan Pada dasarnya peramalan adalah merupakan suatu dugaan atau perkiraan tentang terjadinya suatu keadaan dimasa depan, tetapi dengan menggunakan metode metode tertentu
Lebih terperinciMetode Deret Berkala Box Jenkins
METODE BOX JENKINS Metode Deret Berkala Box Jenkins Suatu metode peramalan yang sistematis, yang tidak mengasumsikan suatu model tertentu, tetapi menganalisa deret berkala sehingga diperoleh suatu model
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciBAB 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 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 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 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
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 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
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 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 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 terperinciBAB 1 PENDAHULUAN. Di Indonesia meteorologi diasuh dalam Badan Meteorologi dan Geofisika di Jakarta
BAB 1 PENDAHULUAN 1.1. Latar Belakang Di Indonesia meteorologi diasuh dalam Badan Meteorologi dan Geofisika di Jakarta yang sejak tahun enam puluhan telah diterapkan menjadi suatu direktorat perhubungan
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 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. diperkirakan akan terjadi pada masa yang akan datang. Ramalan tersebut dapat
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi dimasa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan
Lebih 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 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 terperinciModel Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan
METODE BOX JENKINS Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan utk semua tipe pola data. Dapat
Lebih terperinciBAB 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 terperinciHALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL...
HALAMAN PERSETUJUAN PEMBIMBING...iii HALAMAN PENGESAHAN...iv MOTTO... v HALAMAN PERSEMBAHAN... vi KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR TABEL... xi DAFTAR GAMBAR... xii DAFTAR LAMPIRAN... xiv PERNYATAAN...
Lebih terperinciTINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang
II.. TINJAUAN PUSTAKA Indeks Harga Konsumen (IHK Menurut Monga (977 indeks harga konsumen adalah ukuran statistika dari perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang didapatkan.
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.. Konsep Dasar Analisis Runtun Waktu Pada bagian ini akan dikemukakan beberapa definisi yang menyangkut pengertian dan konsep dasar analisis runtun waktu. Definisi Runtun waktu
Lebih 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 terperinciHASIL DAN PEMBAHASAN. Eksplorasi Data
5 korelasi diri, dan plot korelasi diri parsial serta uji Augmented Dickey- Fuller b. Identifikasi Model dengan metode Box-Jenkins c. Pemutihan deret input d. Pemutihan deret output berdasarkan hasil pemutihan
Lebih terperinciPERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan sering dipandang sebagai seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang. Secara teoritis peramalan
Lebih terperinciSBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n
SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi
Lebih terperinciBAB 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 terperinciKAJIAN TEORI. atau yang mewakili suatu himpunan data. Menurut Supranoto (2001:14) Rata rata (μ) dari distribusi probabilitas
6 BAB II KAJIAN TEORI A. Statistik Dasar 1. Average (Rata-rata) Menurut Spiegel,dkk (1996:45) rata-rata yaitu sebuah nilai yang khas atau yang mewakili suatu himpunan data. Menurut Supranoto (2001:14)
Lebih terperinciBAB 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 terperinciBAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama (assaury, 1991). Sedangkan ramalan adalah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. PengertianPeramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Dalam usaha mengetahui atau melihat perkembangan di masa depan,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan (forecasting) merupakan upaya memperkirakan apa yang terjadi pada masa yang akan datang. Pada hakekatnya peramalan hanya merupakan suatu perkiraan (guess),
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1. Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan
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 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 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 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto
18 BAB 2 TINJAUAN TEORITIS 2.1 Produk Domestik Regional Bruto Dalam menghitung pendapatan regional, dipakai konsep domestik. Berarti seluruh nilai tambah yang ditimbulkan oleh berbagai sektor atau lapangan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini, peneliti akan memberikan penjelasan tentang teori metode backpropagation jaringan syaraf tiruan dan metode deret berkala ARIMA(Boxjenkins) sehingga dapat mempermudah
Lebih 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 terperinciIII. METODE PENELITIAN
15 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perkembangan ekonomi dan bisnis dewasa ini semakin cepat dan pesat. Bisnis dan usaha yang semakin berkembang ini ditandai dengan semakin banyaknya
Lebih terperinciBAB 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 terperinciUNIVERSITAS NEGERI SEMARANG
PEMODELAN FUNGSI TRANSFER UNTUK MERAMALKAN TINGKAT INFLASI INDONESIA Skripsi disusun sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains Program Studi Matematika oleh Evelyn Paradita 4111412013
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 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 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 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 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 terperinciBAB 5 HASIL DAN PEMBAHASAN. Berikut dibawah ini adalah data yang didapat dari GK AUTO. Tabel 5.1 Data Variabel
BAB 5 HASIL DAN PEMBAHASAN 5.1 Penyajian Data Berikut dibawah ini adalah data yang didapat dari GK AUTO. Tabel 5.1 Data Variabel Tanggal Laba (Y) Kurs Dollar (X1) Penjualan (X2) Advertise (X3) Jan-03 184,002,000
Lebih terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciBAB 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 terperinciPERAMALAN CURAH HUJAN BULANAN DI MEDAN PADA TAHUN 2011 BERDASARKAN DATA KELEMBABAN UDARA DARI TAHUN DENGAN FUNGSI TRANSFER TUGAS AKHIR
PERAMALAN CURAH HUJAN BULANAN DI MEDAN PADA TAHUN 2011 BERDASARKAN DATA KELEMBABAN UDARA DARI TAHUN 2006 2010 DENGAN FUNGSI TRANSFER TUGAS AKHIR NUR SURI PRADIPTA 082407061 PROGRAM STUDI DIPLOMA III STATISTIKA
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 terperinciPEMODELAN TINGKAT INFLASI NASIONAL DENGAN MODEL FUNGSI TRANSFER INPUT GANDA SUCI UTAMI FIBRIANI
PEMODELAN TINGKAT INFLASI NASIONAL DENGAN MODEL FUNGSI TRANSFER INPUT GANDA SUCI UTAMI FIBRIANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ii
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan
Lebih 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 TINJAUAN TEORI. akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan
BAB 2 TINJAUAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang diperkirakan
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 terperinciApplication of ARIMA Models
Application of ARIMA Models We have learned how to model using ARIMA Stages: 1. Verify whether the data we are analyzing is a stationary data using ACF or other methods 2. If the data is not stationer,
Lebih 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 terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan meramalkan atau memprediksi apa yang akan terjadi dimasa yang akan datang dengan waktu tenggang (lead time) yang relative lama,
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 terperinciPERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA
Saintia Matematika Vol. 1, No. 1 (2013), pp. 1 10. PERAMALAN HASIL PRODUKSI ALUMINIUM BATANGAN PADA PT INALUM DENGAN METODE ARIMA Lukas Panjaitan, Gim Tarigan, Pengarapen Bangun Abstrak. Dalama makalah
Lebih terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciLULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI
LULIK PRESDITA W 1207 100 002 APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI 1 Pembimbing : Dra. Nuri Wahyuningsih, M.Kes BAB I PENDAHULUAN 2 LATAR BELAKANG 1. Stabilitas ekonomi dapat dilihat
Lebih 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 terperinciBAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan
BAB 2 LADASA TEORI 2.1 Pengertian Peramalan (Forecasting) Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan terjadi pada masa mendatang. Peramalan penjualan adalah peramalan
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 JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER I Ketut Putra Adnyana 1, I Wayan Sumarjaya 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas FMIPA
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 terperinciPEMODELAN FUNGSI TRANSFER UNTUK MERAMALKAN CURAH HUJAN DI KOTA SEMARANG
PEMODELAN FUNGSI TRANSFER UNTUK MERAMALKAN CURAH HUJAN DI KOTA SEMARANG 1 Andayani Nurfaizah, 2 Rochdi Wasono, 3 Siti Hajar Rahmawati 1,2,3 Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan
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 terperinciBab IV. Pembahasan dan Hasil Penelitian
Bab IV Pembahasan dan Hasil Penelitian IV.1 Statistika Deskriptif Pada bab ini akan dibahas mengenai statistik deskriptif dari variabel yang digunakan yaitu IHSG di BEI selama periode 1 April 2011 sampai
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
Lebih terperinciPERAMALAN CURAH HUJAN KOTA BANDUNG MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT PADA DERET BERKALA MUSIMAN
PERAMALAN CURAH HUJAN KOTA BANDUNG MENGGUNAKAN MODEL FUNGSI TRANSFER MULTIVARIAT PADA DERET BERKALA MUSIMAN Danica Dwi Prahesti, Entit Puspita, Fitriani Agustina Departemen Pendidikan Matematika FPMIPA
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama ( assaury, 1991). Sedangkan ramalan
Lebih terperinciBAB II LANDASAN TEORI. Suatu sistem adalah suatu jaringan kerja dari prosedur-prosedur yang
7 BAB II LANDASAN TEORI 2.1 Sistem Informasi 2.1.1 Sistem Suatu sistem adalah suatu jaringan kerja dari prosedur-prosedur yang saling berhubungan, berkumpul bersama-sama untuk melakukan suatu kegiatan
Lebih terperinciSedangkan model fungsi transfer bentuk kedua adalah sebagai berikut :
1 Metode Peramalan Indeks Harga Saham Gabungan (IHSG) Nikkei 255 dengan Pendekatan Fungsi Transfer Dwi Listya Nurini, Brodjol Sutijo SU Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA
Jurnal UJMC, Volume 2, Nomor 1, Hal. 28-35 pissn : 2460-3333 eissn: 2579-907X PERAMALAN PENYEBARAN JUMLAH KASUS VIRUS EBOLA DI GUINEA DENGAN METODE ARIMA Novita Eka Chandra 1 dan Sarinem 2 1 Universitas
Lebih terperinciAnalisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung
Analisis Peramalan Data Produk Domestik Regional Bruto (PDRB) Sebagai Tolak Ukur Kinerja Perekonomian Provinsi Kepulauan Bangka Belitung Desy Yuliana Dalimunthe Jurusan Ilmu Ekonomi, Fakultas Ekonomi,
Lebih 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 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 terperinciPERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA
Saintia Matematika ISSN: 2337-9197 Vol. 2, No. 1 (2014), pp. 55 69. PERAMALAN PEMAKAIAN ENERGI LISTRIK DI MEDAN DENGAN METODE ARIMA John Putra S Tampubolon, Normalina Napitupulu, Asima Manurung Abstrak.
Lebih terperinciBAB 3 LANDASAN TEORI. Peramalan(forecasting) adalah perkiraan tentang sesuatu yang akan terjadi pada
BAB 3 LANDASAN TEORI 3. Pengertian dan Kegunaan Peramalan Peramalan(forecasting) adalah perkiraan tentang sesuatu yang akan terjadi pada waktu yang akan datang yang didasarkan pada data yang ada pada waktu
Lebih terperinciPERAMALAN KECEPATAN ANGIN BULANAN DI MEDAN BERDASARKAN TEKANAN UDARA DENGAN FUNGSI TRANSFER TUGAS AKHIR
PERAMALAN KECEPATAN ANGIN BULANAN DI MEDAN BERDASARKAN TEKANAN UDARA DENGAN FUNGSI TRANSFER TUGAS AKHIR Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ahli Madya YUSRINA BATUBARA 072407019
Lebih terperinciSKRIPSI. Disusun oleh: Firda Megawati
PERAMALAN TINGGI GELOMBANG BERDASARKAN KECEPATAN ANGIN DI PERAIRAN PESISIR SEMARANG MENGGUNAKAN MODEL FUNGSI TRANSFER (Studi Kasus Bulan Januari 2014 sampai dengan Desember 2014) SKRIPSI Disusun oleh:
Lebih terperinciBAB 2 LANDASAN TEORI
20 BAB 2 LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap satu atau beberapa produk pada periode yang akan datang.
Lebih terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinciBAB 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 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 terperinciBAB 2 TINJAUAN TEORITIS. Adanya waktu tenggang (lead time) merupakan alasan utama bagi perencanaan dan
BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Adanya waktu tenggang (lead time) merupakan alasan utama bagi perencanaan dan peramalan. Jika waktu tenggang ini nol atau sangat kecil, maka perencanaan
Lebih terperinciHASIL DAN PEMBAHASAN Kondisi Produksi Proses Produksi
HASIL DAN PEMBAHASAN Kondisi Produksi Proses Produksi Proses produksi adalah suatu rangkaian operasi yang dilalui bahan baku baik secara fisik maupun kimia untuk meningkatkan nilai tambah dan nilai jualnya.
Lebih terperinciPERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA
PERAMALAN STOK BARANG UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN PEMBELIAN BARANG PADA TOKO BANGUNAN XYZ DENGAN METODE ARIMA Tanti Octavia 1), Yulia 2), Lydia 3) 1) Program Studi Teknik Industri, Universitas
Lebih 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 terperinci