HASIL DAN PEMBAHASAN. Eksplorasi Data

Save this PDF as:
 WORD  PNG  TXT  JPG

Ukuran: px
Mulai penontonan dengan halaman:

Download "HASIL DAN PEMBAHASAN. Eksplorasi Data"

Transkripsi

1 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 deret input 3. Pembentukan model fungsi transfer, meliputi: a. Perhitungan fungsi korelasi silang (CCF) masing-masing deret input dengan deret output b. Penetapan (r, s, b) pada masing-masing input c. Identifikasi model awal fungsi transfer input ganda d. Identifikasi model untuk deret sisaan dengan melihat plot korelasi diri sisaan dan plot korelasi diri parsial sisaan dari model awal fungsi transfer input ganda 4. Pendugaan parameter model fungsi transfer 5. Pemeriksaan diagnostik model fungsi transfer a. Pemeriksaan autokorelasi untuk sisaan model b. Pemeriksaan korelasi silang antara sisaan deret noise (a t ) dan deret input yang telah diputihkan (α ), i=, 2, Meramalkan tingkat inflasi Tingkat Inflasi HASIL DAN PEMBAHASAN 6 Eksplorasi Data Gambar Plot Deret Output Tingkat Inflasi Pada Gambar terlihat data tingkat inflasi menunjukkan pola yang cenderung stabil dari Januari 2003 sampai September Kemudian mengalami kenaikan tajam mencapai % pada Oktober Inflasi tertinggi terjadi pada September 2005 yaitu sebesar.3%. Tingginya inflasi ini terus terjadi pada tiap periode hingga menurun tajam pada bulan Oktober Mulai 4 0 November 2006 tingkat inflasi cenderung stabil dan mengalami kenaikan kembali pada pertengahan tahun 200. Namun hal ini tidak berlangsung lama karena tingkat inflasi kembali turun pada awal tahun Tingkat Suku Bunga BI Gambar Plot Deret Input Tingkat Suku Bunga BI Tingkat suku bunga BI awalnya mengalami penurunan sampai pertengahan tahun 2004 (Gambar 2). Kemudian mengalami kenaikan sampai dengan April 2006, yang merupakan titik tertinggi. Setelah itu mengalami penurunan dan kenaikan kembali pada tahun 200 hingga tahun Nilai Tukar Rupiah Terhadap USD Gambar Plot Deret Input Nilai Tukar Rupiah terhadap USD Gambar 3 memperlihatkan pola data nilai tukar rupiah terhadap USD. Dari awal tahun 2003 sampai dengan pertengahan tahun 200, terlihat data yang berfluktuasi. Kemudian pada Oktober 200 mengalami kenaikan tajam hingga mencapai angka Rp per dollar Amerika. Pada November 200 nilai tukar rupiah terhadap USD mencapai Rp.2.5 per dollar Amerika. Nilai ini merupakan nilai tertinggi selama 7 tahun sejak tahun 2003 hingga tahun Tingginya nilai tukar ini terus terjadi dan mengalami penurunan pada pertengahan tahun 2009 hingga akhir tahun Perubahan jumlah uang beredar berfluktuasi setiap bulannya (Gambar 4). Memiliki nilai tertinggi pada Maret 2009 dan nilai terendah pada Januari

2 Gambar 4 Plot Deret Input Perubahan Jumlah Uang Beredar Nilai korelasi antara tingkat suku bunga BI dan nilai tukar rupiah terhadap USD adalah sebesar -0.07, nilai korelasi tingkat suku bunga BI dengan perubahan jumlah uang beredar sebesar Sedangkan nilai korelasi antara nilai tukar rupiah terhadap USD dengan perubahan jumlah uang beredar sebesar Hal ini menunjukkan adanya korelasi di antara keduanya. Oleh karena itu digunakan simultaneous reestimation parameter. Simultaneous reestimation adalah metode untuk memperoleh model terbaik pada model fungsi transfer input ganda pada saat antar deret inputnya terdapat korelasi. Uji Kestasioneran Deret Input dan Deret Output Data deret waktu memerlukan transformasi dan pembedaan untuk mencapai kestasioneran data. Transformasi diperlukan agar deret waktu stasioner dalam ragam. Sedangkan pembedaan diperlukan agar deret waktu stasioner dalam rataan. Peubah Input Tingkat Suku Bunga BI Dari Gambar 2 terlihat bahwa peubah input tingkat suku bunga BI tidak stasioner dalam rataan. Selain dari plot data, ketidakstasioneran dapat juga terlihat dari plot ACF yang turun secara perlahan-lahan (Lampiran ). Pengujian Augmented Dickey- Fuller juga dilakukan untuk menguji kestasioneran data. Pada Lampiran 2 terlihat bahwa data tidak stasioner karena pada pengujian dihasilkan nilai-p yang lebih besar dari Untuk mengatasinya dilakukan pembedaan. Gambar 5 memperlihatkan data tingkat suku bunga BI setelah pembedaan lebih stasioner dalam nilai tengah. Dari plot ACF dan plot PACF (Lampiran 3) dan uji Augmented Dickey-Fuller (Lampiran 4) terlihat bahwa data sudah stasioner setelah dilakukan pembedaan. 4 0 Tingkat Suku Bunga BI Setelah Pembedaan Gambar Plot Deret Input Tingkat Suku Bunga BI Setelah Pembedaan Peubah Input Nilai Tukar Rupiah terhadap USD Pada Gambar 3 terlihat input nilai tukar rupiah terhadap USD tidak stasioner. Plot ACF juga memperlihatkan data tidak stasioner karena polanya turun secara perlahan-lahan (Lampiran 5). Demikian juga dari hasil uji Augmented Dickey-Fuller pada Lampiran 6 yang memperlihatkan nilai-p yang lebih besar dari Oleh karena itu dilakukan pembedaan untuk mengatasi ketidakstasioneran. Nilai Tukar Rupiah Terhadap USD Setelah Pembedaan Gambar Plot Deret Input Nilai Tukar Rupiah terhadap USD Setelah Pembedaan Plot data yang telah melalui pembedaan terlihat pada Gambar 6. Pada gambar tersebut terlihat data telah stasioner, hal ini juga dapat dilihat pada plot ACF dan plot PACF (Lampiran 7) dan hasil uji Augmented Dickey- Fuller pada Lampiran yang memperlihatkan nilai-p yang lebih kecil dari Peubah Input Perubahan Jumlah Uang Beredar Gambar 4 memperlihatkan perubahan jumlah uang beredar memiliki pola yang berfluktuasi pada setiap bulannya, dari plot ACF (Lampiran 9) juga terlihat pola plot yang turun secara perlahan-lahan, hal ini mengindikasikan data tidak stasioner. Hasil uji Augmented Dickey-Fuller (Lampiran 0) 0 0

3 7 juga memperlihatkan ketidakstasioneran dengan nilai-p yang lebih besar dari Untuk mengatasi ketidakstasioneran dilakukan pembedaan, Gambar 7 memperlihatkan plot data yang sudah mengalami pembedaan. Plot data terlihat telah stasioner, hal ini juga dapat dilihat dari plot ACF dan plot PACF (Lampiran ) dan hasil uji Augmented Dickey-Fuller pada Lampiran 2 yang memperlihatkan nilai-p yang lebih kecil dari Setelah Pembedaan Gambar 7 Plot Deret Input Perubahan Jumlah Uang Beredar Setelah Pembedaan Peubah Output Tingkat Inflasi Dari Gambar terlihat bahwa deret peubah output tingkat inflasi tidak stasioner dalam rataan. Selain dari plot data, ketidakstasioneran dapat juga terlihat dari plot ACF yang turun secara perlahan-lahan (Lampiran 3). Pengujian Augmented Dickey- Fuller juga dilakukan untuk menguji kestasioneran data, hal ini terlihat pada Lampiran 4 dan terlihat bahwa data tidak stasioner karena dihasilkan nilai-p yang lebih besar dari Untuk mengatasi ketidakstasioneran tersebut maka dilakukan pembedaan. Tingkat Inflasi Setelah Pembedaan Gambar Plot Deret Output Tingkat Inflasi Setelah Pembedaan Plot data yang telah melalui pembedaan terlihat pada Gambar. Plot data terlihat telah stasioner, hal ini juga dapat dilihat dari plot ACF dan plot PACF (Lampiran 5) dan hasil uji Augmented Dickey-Fuller di Lampiran memperlihatkan nilai-p yang lebih kecil dari Identifikasi Model Identifikasi model dilakukan dengan memperhatikan beberapa nilai awal dari korelasi diri dan korelasi diri parsialnya yang berbeda nyata dengan nol, serta pola dari plot ACF dan plot PACF. Peubah Input Tingkat Suku Bunga BI Pada Lampiran 3 terlihat plot ACF dari deret input tingkat suku bunga BI terlihat nyata sampai lag ke-3 dan plot PACF nyata hanya pada lag pertama. Sehingga model sementaranya adalah (,,0), (0,,3), dan (,,3). Tabel Nilai Dugaan Parameter Model- Model Sementara Deret Input Tingkat Suku Bunga BI Model Tipe Koefisien Nilai-p AR 0.72 <0.000 (,,0) (0,,3) MA MA < (,,3) MA3 MA MA2 MA 3 AR < <0.000 Pada Tabel terlihat bahwa model yang koefisiennya nyata pada taraf 5% adalah (,,0) dan (0,,3). Modelmodel ini akan diikutsertakan pada proses diagnostik model. Pengecekan diagnostik model dari hasil uji Ljung-Box pada Tabel 2 menunjukkan hanya (,,0) yang memiliki nilai-nilai tidak signifikan pada taraf 5% untuk lag 6, 2,, dan. Hal ini berarti hanya (,,0) yang tidak ada autokorelasi antar sisaan pada model. Tabel 2 Hasil Uji Ljung-Box Sisaan pada Pemodelan Deret Input Tingkat Suku Bunga BI Model (,,0) (0,,3) Nilai-p Ljung-Box (lag) (6) (2) 0.() 0.066() (6) (2) 0.0() () Hasil uji kebebasan Ljung-Box pada sisaan model (,,0) didukung oleh

4 plot ACF sisaan dan plot PACF sisaan yang tidak nyata pada semua lag (Lampiran 7). Hal ini berarti dapat dikatakan bahwa sisaan saling bebas. Pengecekan kenormalan sisaan dengan menggunakan uji Kolmogorov-Smirnov pada Lampiran menunjukkan nilai-p yang lebih kecil dari Hal ini berarti sisaan tidak menyebar normal. Sisaan yang tidak menyebar normal dapat ditoleransi karena mengingat teorema dalil limit pusat yang menyatakan bahwa suatu sebaran dapat didekati dengan sebaran normal ketika ukuran contohnya besar. Pada penelitian ini ukuran contoh yang digunakan sebesar 4, dengan demikian (,,0) dapat dikatakan memenuhi asumsi sebaran normal. Model (,,0) selanjutnya akan dilakukan overfitting dengan model (2,,0) dan (,,). Hasil pendugaan parameter untuk kedua model tersebut menunjukkan hasil yang tidak nyata pada taraf 5%. Dengan demikian model (,,0) ditetapkan sebagai model terbaik untuk deret input tingkat suku bunga BI. Hasil pendugaan parameter dapat dilihat pada Tabel 3. Tabel 3 Nilai Dugaan Parameter Model Deret Input Tingkat Suku Bunga BI Model Tipe Koefisien Nilai-p (,,0) AR 0.72 <0.000 Dengan demikian model untuk deret input tingkat suku bunga BI adalah sebagai berikut: ( 0.72B) X t = a t dimana X t adalah tingkat suku bunga BI pada waktu ke-t, jika w t = X t, maka: ( 0.72B)w t = a t Peubah Input Nilai Tukar Rupiah terhadap USD Pada plot ACF deret nilai tukar rupiah terhadap USD setelah pembedaan (Lampiran 7) nyata pada lag ke dua dan plot PACFnya nyata sampai lag ke tiga. Sehingga model sementara yang diperoleh adalah (3,,0), (0,,2), dan (3,,2). Tabel 4 memperlihatkan bahwa model (3,,0) dan (0,,2) memiliki parameter dugaan yang nyata pada taraf 5%. Pengecekan diagnostik model dari hasil uji Ljung-Box pada Tabel 5 menunjukkan kedua model memiliki nilai-nilai tidak signifikan pada taraf 5% untuk lag ke-6, 2,, dan. Hal ini berarti bahwa kedua model ini tidak ada autokorelasi antar sisaan pada model. Tabel 4 Nilai Dugaan Parameter Model- Model Sementara Deret Input Nilai Tukar Rupiah terhadap USD Model Tipe Koefisien Nilai-p (3,,0) AR AR 2 AR MA (0,,2) (3,,2) MA 2 MA MA 2 AR AR 2 AR Tabel 5 Hasil Uji Ljung-Box Sisaan pada Pemodelan Deret Input Nilai Tukar Rupiah terhadap USD Model (3,,0) (0,,2) Nilai-p Ljung-Box (lag) (6) 0.50(2) 0.50() 0.696() 0.3(6) 0.59(2) 0.63() 0.77() Hasil uji kebebasan Ljung-Box pada sisaan model (3,,0) dan (0,,2) didukung oleh plot ACF sisaan dan plot PACF sisaannya pada Lampiran 9 dan Lampiran 20 tidak nyata pada semua lag. Hal ini berarti sisaan saling bebas. Hasil uji kenormalan sisaan dengan menggunakan uji Kolmogorov-Smirnov menunjukkan sisaan tidak menyebar normal untuk kedua model tersebut (Tabel 6). Ketidaknormalan sisaan ini dapat ditoleransi seperti pada pemodelan tingkat suku bunga BI. Dengan demikian kedua model tersebut dapat dikatakan memenuhi diagnostik model. Tabel 6 Hasil Uji Kolmogorov- Smirnov Sisaan Model Deret Input Nilai Tukar Rupiah terhadap USD Model Statistik KS Nilai-p (3,,0) 0.39 <0.00 (0,,2) 0.39 <0.00 Selanjutnya akan dilakukan overfitting. Hasil pendugaan parameter untuk semua model overfitting pada Lampiran 2 menunjukkan hasil yang tidak nyata pada taraf 5%.

5 9 Tabel 7 Nilai AIC dan SBC Kandidat Model Deret Input Nilai Tukar Rupiah terhadap USD Model AIC SBC (0,,2) (3,,0) Dari model-model yang memenuhi kriteria, model (0,,2) ditetapkan sebagai model terbaik untuk deret input nilai tukar rupiah terhadap USD karena pada Tabel 7 terlihat (0,,2) memilki nilai SBC lebih kecil dibandingkan (3,,0). Dengan demikian model untuk deret input nilai tukar rupiah terhadap USD adalah sebagai berikut: X 2t ( B 0.293B 2 ) = a 2t dimana X 2t adalah nilai tukar rupiah terhadap USD pada waktu ke-t, jika X = w, maka: w 2t ( B 0.293B 2 ) = a 2t Peubah Input Perubahan Jumlah Uang Beredar Pada Lampiran terlihat plot ACF nyata pada lag ke dua belas sama halnya dengan plot PACF nyata pada lag ke dua belas. Sehingga model sementara yang diperoleh adalah (0,,0), (0,,0)(,0,0) 2, dan (0,,0)(0,0,) 2. Tabel Nilai Dugaan Parameter Model- Model Sementara Deret Input Model Tipe Koefisien Nilai-p (0,,0) AR -0.2 <0.000 (0,,0)(,0,0) 2 2 (0,,0)(0,0,) 2 MA <0.000 Terlihat bahwa model (0,,0), (0,,0)(,0,0) 2 dan (0,,0) (0,0,) 2 memiliki parameter dugaan yang nyata pada taraf 5% (Tabel ). Hasil uji Ljung-Box pada Tabel 9 menunjukkan bahwa hanya (0,,0) yang memiliki nilainilai signifikan pada taraf 5%, yaitu untuk lag ke-2,, dan. Hal ini berarti hanya (,,0) yang memiliki autokorelasi antar sisaan pada model. Tabel 9 Hasil Uji Ljung-Box Sisaan pada Pemodelan Deret Input Model (0,,0) Nilai-p Ljung-Box (lag) 0.206(6) (2) 0.00() 0.003() (6) (0,,0)(,0,0) (2) () 0.70() 0.469(6) (0,,0)(0,0,) (2) 0.373() () Pengecekan kebebasan sisaan untuk masing-masing model dapat dilihat secara eksploratif pada plot ACF sisaan dan plot PACF sisaannya. Plot ACF dan plot PACF untuk sisaan model (0,,0)(,0,0) 2 menunjukkan nilai-nilai yang tidak nyata pada semua lag (Lampiran 22). Sedangkan untuk model (0,,0)(0,0,) 2 terlihat pada korelasi diri parsialnya nyata pada lag ke-5, dan ke-6 (Lampiran 23). Hal ini berarti dapat dikatakan bahwa hanya sisaan model (0,,0)(,0,0) yang saling bebas. Hasil uji kenormalan sisaan dengan menggunakan uji Kolmogorov-Smirnov pada Tabel 0 menunjukkan sisaan menyebar normal karena memiliki nilai-p yang lebih besar dari Oleh karena itu (0,,0)(,0,0) dikatakan memenuhi asumsi model. Tabel 0 Hasil Uji Kolmogorov-Smirnov Sisaan Model Deret Input Model Statistik KS Nilai-p (0,,0)(,0,0) > (0,,0)(0,0,) 0.06 >0.50 Model (0,,0)(,0,0) 2 selanjutnya akan dilakukan overfitting dengan model (0,,0)(2,0,0) 2 dan (0,,0) (,0,) 2. Hasil overfitting model terlihat pada Lampiran. Dari model-model yang memenuhi kriteria, model (0,,0)(2,0,0) 2 terpilih sebagai model terbaik untuk deret input perubahan jumlah uang beredar karena memilki nilai SBC dan AIC lebih kecil dibandigkan (0,,0)(,0,0) 2 (Tabel ).

6 0 Tabel Nilai AIC dan SBC Kandidat Model Deret Input Model AIC SBC (0,,0)(,0,0) 2 (0,,0)(2,0,0) Model untuk deret perubahan jumlah uang beredar adalah sebagai berikut: ( B B ) X = a dimana X 3t adalah perubahan jumlah uang beredar pada waktu ke-t, jika X = w, maka: ( B B )w = a Pemutihan Deret Input dan Deret Output Tahap pemutihan dilakukan berdasarkan model pada masing-masing deret input. Dalam tahap ini digunakan unsur white noise model tersebut. Model pemutihan dari deret input tingkat suku bunga BI adalah sebagai berikut: a = ( 0.72B)w Dengan cara yang sama, model pemutihan dari deret input nilai tukar rupiah terhadap USD adalah sebagai berikut: w a = ( B 0.293B ) Sedangkan untuk deret input perubahan jumlah uang beredar adalah sebagai berikut: a = ( B B )w Pemutihan deret output dilakukan dengan cara yang sama sebagaimana pemutihan deret input. Sehingga pemutihan deret output tingkat inflasi berdasarkan peubah input tingkat suku bunga BI menghasilkan persamaan: β = ( 0.72B)z Pemutihan deret output berdasarkan peubah input nilai tukar rupiah terhadap USD didapat model dengan persamaan: z β = ( B 0.293B ) Sedangkan pemutihan deret output berdasarkan peubah input perubahan jumlah uang beredar menghasilkan persamaan: β = ( B B )z Perhitungan Fungsi Korelasi Silang dan Penentuan Nilai b, s, dan r pada Model Fungsi Transfer Penentuan nilai b, s dan r untuk menduga model fungsi transfer dilihat dari plot korelasi silang antara deret output dengan deret inputnya yang telah melalui pemutihan yaitu tingkat inflasi (β ) dengan tingkat suku bunga BI (a ), tingkat inflasi (β ) dengan nilai tukar rupiah terhadap USD (a ) dan tingkat inflasi (β ) dengan perubahan jumlah uang beredar (a ). Plot korelasi silang antara a t dan β t pada Lampiran 25 menunjukkan nilai yang signifikan pada lag ke- yang berarti bahwa nilai b=. Nilai s dilihat dari banyaknya lag korelasi silang yang berbeda nyata dengan nol setelah lag ke b, dari Lampiran 25 diperoleh s= sedangkan nilai r dapat dilihat berdasarkan banyaknya lag korelasi diri output yang berbeda nyata dengan nol setelah nyata yang pertama dan diperoleh r=0. Untuk mendapatkan hasil yang maksimal, maka dilakukan overfitting model. Hasil dari kandidat model beserta nilai SBC dan AICnya dapat dilihat pada Tabel 2. Tabel 2 Hasil Identifikasi Awal Korelasi Silang a t dan β t Konstanta AIC SBC b= s=0 r= b= s= r=0* b= s=0 r=* b= s=0 r= b= s=0 r=3* b=2 s=0 r= b=2 s= r=0* b=2 s=2 r= b=2 s=0 r=* b=2 s=0 r= b=2 s= r= b=3 s=0 r=0* Ket : (*) salah satu parameter tidak nyata Tabel 2 memperlihatkan bahwa model fungsi transfer dengan nilai b=2, s=2 dan r=0 merupakan model terbaik dari peubah input tingkat suku bunga BI karena memiliki nilai statistik AIC dan SBC terkecil. Hasil selengkapnya dari model ini dapat dilihat pada Lampiran 26. Model umum dari model fungsi transfer adalah : ( δ B δ B )z = (ω ω B ω B )w ( )

7 Sehingga model awal untuk tingkat suku bunga BI adalah: z = ( B )w ( ) Identifikasi model awal untuk peubah input nilai tukar rupiah terhadap USD didapatkan dengan cara yang sama dengan peubah input tingkat suku bunga BI. Plot korelasi silang antara a 2t dan β t pada Lampiran 27 menunjukkan nilai yang signifikan pada lag ke-5 yang berarti bahwa nilai b=5, nilai s=0 dan nilai r=0. Untuk mendapatkan hasil yang maksimal dilakukan overfitting. Hasil dari kandidat model yang dicobakan beserta statistik SBC dan AIC dapat dilihat pada Tabel 3. Tabel 3 Hasil Identifikasi Awal Korelasi Silang a 2t dan β t Konstanta AIC SBC b= s=0 r=0* b=2 s=0 r=0* b=3 s=0 r=0* b=4 s=0 r=0* b=5 s=0 r=0* b=5 s= r=0* b=5 s=2 r=0* b=5 s=0 r=* b=5 s=0 r= b=5 s=0 r=3* b=5 s= r=* b=5 s= r=2* b=5 s=2 r=* b=5 s=0 r= Ket : (*) salah satu parameter tidak nyata Model awal untuk peubah input nilai tukar rupiah terhadap USD dengan nilai b=5, s=0 dan r=2 adalah model terbaik karena memiliki nilai AIC dan SBC terkecil (Tabel 3). Hasil selengkapnya untuk model ini disajikan pada Lampiran 2. Pendugaan model awal untuk nilai tukar rupiah terhadap USD adalah: ( B )z = w ( ) Untuk plot korelasi silang a 3t dan β t pada Lampiran 29 diperoleh nilai b=, nilai s=0 dan nilai r=. Untuk mendapatkan hasil yang maksimal dilakukan overfitting. Hasil dari kandidat model yang dicobakan beserta statistik SBC dan AIC dapat dilihat pada Tabel 4. Tabel 4 menunjukkan bahwa model awal untuk peubah input perubahan jumlah uang beredar dengan nilai b=, s=0 dan r= adalah model terbaik karena memiliki nilai AIC dan SBC terkecil. Hasil selengkapnya untuk model ini disajikan pada Lampiran 30. Tabel 4 Hasil Identifikasi Awal Korelasi Silang a 3t dan β t Konstanta AIC SBC b= s=0 r= b= s= r=0* b= s=0 r= b= s=0 r=2* b= s= r=* b=2 s=0 r=0* b=2 s= r=0* b=2 s=0 r=2* Ket : (*) salah satu parameter tidak nyata Pendugaan model awal untuk perubahan jumlah uang beredar adalah: ( + 936B)z = 0.937w ( ) Setelah memperoleh nilai b, r,dan s untuk masing-masing input, langkah selanjutnya adalah menggabungkan model dan reestimate parameter. Parameter δ 3 tidak signifikan pada model yang telah dikombinasikan (Lampiran 3). Model awal dengan semua parameternya nyata diperoleh saat nilai b=2, s=2 dan r=0 untuk peubah tingkat suku bunga BI, b=5, s=0, dan r=2 untuk peubah nilai tukar rupiah terhadap USD, serta b=, s=0 dan r=0 untuk peubah perubahan jumlah uang beredar. Sehingga diperoleh model awal sebagai berikut: z t = (ω 0. ω 2. B 2 )w (t 2) ω 0.2w 2(t 5) ( δ 2.2 B 2 ) ω 0.3w 3(t ) + a t Identifikasi Model untuk Deret Sisaan (p n,q n ) Pendugaan model untuk deret noise (p n, q n ) dilakukan dengan memeriksa plot ACF sisaan dan plot PACF sisaan fungsi transfer awal. Lampiran memperlihatkan bahwa tidak ada lag yang nyata baik pada ACF maupun PACF sisaan fungsi transfer awal sehingga diperoleh n = a. Pendugaan Akhir Model Fungsi Transfer Model fungsi transfer diperoleh dengan mengkombinasikan model awal dengan model sisaannya. Sehingga diperoleh model sebagai berikut: z t = ( B 2 )w (t 2) w 2(t 5) ( B 2 ) w 3(t ) + a t

8 2 Hasilnya dapat dilihat pada Lampiran 33 yang memperlihatkan semua parameternya nyata. Pemeriksaan Diagnostik Model Fungsi Transfer Kebebasan sisaan dapat dilihat dari plot ACF dan plot PACF yang tidak berbeda nyata dengan nol dan uji Box-Pierce (Lampiran 34) memperlihatkan nilai-p yang lebih besar dari 0.05 sehingga mengindikasikan sisaan saling bebas pada taraf nyata 5%. Diagnostik model juga dilakukan untuk melihat adanya korelasi silang antara sisaan dengan masing-masing input. Pada Lampiran 34 terlihat bahwa untuk semua input diperoleh nilai-p yang lebih besar dari 0.05 yang menunjukkan bahwa tidak adanya korelasi silang antara sisaan dengan masing-masing input. Berdasarkan hasil analisa bahwa penduga parameter yang nyata, sisaan saling bebas, dan tidak adanya korelasi antara sisaan dengan deret input, maka model tersebut ditetapkan sebagai model akhir fungsi transfer. Peramalan Setelah model fungsi transfer diperoleh, selanjutnya digunakan untuk meramalkan tingkat inflasi berdasarkan model fungsi transfer yang diperoleh. Untuk mendapatkan peramalan model fungsi transfer kita mengatur kembali secara sederhana model yang diperoleh. Karena w t = X t, w 2t = X 2t, w 3t = X 3t, dan z t = Y t maka model fungsi transfer dapat dituliskan: Y = Y.0496Y Y X ( ) 2.62X ( ).9X ( ) +.9X ( ) X ( ) 3.004X ( ) X ( ) X ( ) X ( ) X ( ) X ( ) X ( ) X ( ) X ( ) + a Model fungsi transfer ini dapat diartikan bahwa tingkat inflasi pada waktu ke-t dipengaruhi oleh () tingkat inflasi satu bulan, dua belas bulan, dan tiga belas bulan sebelumnya, (2) tingkat suku bungan BI dua sampai lima bulan sebelumnya serta empat belas sampai tujuh bulan sebelumnya, (3) nilai tukar rupiah terhadap USD satu bulan dan dua bulan sebelumnya, serta (4) perubahan jumlah uang beredar tiga belas bulan dan empat belas bulan sebelumnya. Model yang diperoleh digunakan untuk meramalkan tingkat inflasi tahun 200 (Tabel 5). Nilai MAPE dan MAD hasil peramalan dengan model fungsi transfer masing-masing sebesar 5.69% dan 0.. Sedangkan nilai MAPE dan MAD data keseluruhan dari model fungsi transfer masing-masing sebesar 6.94% dan.5. Selain itu plot bersama antara data aktual dan model fungsi transfer yang terlihat pada Gambar 9 menunjukkan bahwa pola data aktual mirip dengan pola model fungsi transfernya. Tabel 5 Perbandingan Hasil Peramalan Fungsi Transfer dan Data Aktual Bulan Ŷ Y Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember MAPE 5.69% MAD 0. Gambar Plot Bersama Data Aktual dan Model Fungsi Transfer 20 Variable Aktual Fungsi Transfer SIMPULAN DAN SARAN Simpulan Data deret waktu dengan input ganda dapat dimodelkan dengan model fungsi transfer. Model fungsi transfer yang diperoleh dihitung dengan menggabungkan model fungsi transfer untuk input pertama, kedua dan ketiga. Setelah itu dilakukan reestimation parameter karena antar deret inputnya terdapat korelasi. Dari model yang diperoleh dapat disimpulkan tingkat inflasi pada waktu ke-t

PEMODELAN 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 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 terperinci

HASIL DAN PEMBAHASAN Eksplorasi Data Suhu Udara Rata-rata

HASIL DAN PEMBAHASAN Eksplorasi Data Suhu Udara Rata-rata suhu 18 20 22 24 26 28 30 32 ragam, maka dilakukan transformasi Box-Cox. d. Mengidentifikasi model. Dalam tahap ini akan didapat model-model sementara, dengan melihat plot ACF dan PACF. e. Pendugaan parameter

Lebih terperinci

HASIL DAN PEMBAHASAN. Analisis data dilakukan dengan menggunakan Software Eviews Versi 4.1 dan Microsoft Office Excel Gambar 2 Plot IHSG.

HASIL DAN PEMBAHASAN. Analisis data dilakukan dengan menggunakan Software Eviews Versi 4.1 dan Microsoft Office Excel Gambar 2 Plot IHSG. kointegrasi lebih besar dari nol maka model yang digunakan adalah VECM (Enders, 1995). 4. Analisis model VAR, VARD atau VECM. 5. Interpretasi terhadap model. 6. Uji kelayakan model. 7. Pengkajian fungsi

Lebih terperinci

BAB 3 MODEL FUNGSI TRANSFER MULTIVARIAT

BAB 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 terperinci

BAB IV PEMBAHASAN. Gambar 4.1 nilai tukar kurs euro terhadap rupiah

BAB IV PEMBAHASAN. Gambar 4.1 nilai tukar kurs euro terhadap rupiah BAB IV PEMBAHASAN 4.1 Deskripsi Data Gambar 4.1 memperlihatkan bahwa data berfluktuasi dari waktu ke waktu. Hal ini mengindikasikan bahwa data tidak stasioner baik dalam rata-rata maupun variansi. Gambar

Lebih terperinci

PERAMALAN PRODUKSI TBS KELAPA SAWIT DENGAN MODEL ARIMA DAN MODEL FUNGSI TRANSFER INPUT GANDA AINDRA BUDIAR

PERAMALAN PRODUKSI TBS KELAPA SAWIT DENGAN MODEL ARIMA DAN MODEL FUNGSI TRANSFER INPUT GANDA AINDRA BUDIAR PERAMALAN PRODUKSI TBS KELAPA SAWIT DENGAN MODEL ARIMA DAN MODEL FUNGSI TRANSFER INPUT GANDA AINDRA BUDIAR DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR

Lebih terperinci

LULIK PRESDITA W APLIKASI MODEL ARCH- GARCH DALAM PERAMALAN TINGKAT INFLASI

LULIK 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 terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA

BAB 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 terperinci

HALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL...

HALAMAN 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 terperinci

UANG BEREDARR DAN TINGKAT INFLASI FEB RINA HANDAYANI

UANG BEREDARR DAN TINGKAT INFLASI FEB RINA HANDAYANI FUNGSI TRANSFER HUBUNGAN PERUBAHAN JUMLAH UANG BEREDARR DAN TINGKAT INFLASI FEB RINA HANDAYANI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKAA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010 RINGKASAN

Lebih terperinci

BAB IV ANALISIS DAN PEMBAHASAN

BAB 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 terperinci

Peramalan Volume Pemakaian Air di PDAM Kota Surabaya dengan Menggunakan Metode Time Series

Peramalan 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 terperinci

PERAMALAN HARGA PREMIUM NON SUBSIDI DENGAN MODEL FUNGSI TRANSFER NURILMA PASCARIANTI

PERAMALAN HARGA PREMIUM NON SUBSIDI DENGAN MODEL FUNGSI TRANSFER NURILMA PASCARIANTI PERAMALAN HARGA PREMIUM NON SUBSIDI DENGAN MODEL FUNGSI TRANSFER NURILMA PASCARIANTI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011 ABSTRAK NURILMA

Lebih terperinci

BAB 2 LANDASAN TEORI Pengertian Data Deret Berkala

BAB 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 terperinci

BAB 2 LANDASAN TEORI. Ramalan pada dasarnya merupakan perkiraan mengenai terjadinya suatu yang akan

BAB 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 terperinci

Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus

Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia. Oleh : Pomi Kartin Yunus Analisis Time Series Pada Penjualan Shampoo Zwitsal daerah Jakarta dan Jawa Barat di PT. Sara Lee Indonesia Oleh : Pomi Kartin Yunus 1306030040 Latar Belakang Industri manufaktur yang berkembang pesat

Lebih terperinci

PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)

PERAMALAN 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 terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

BAB 2 LANDASAN TEORI. Peramalan adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang

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 terperinci

FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA

FORECASTING 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 terperinci

PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH

PERAMALAN 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 terperinci

II. TINJAUAN PUSTAKA. Analisis ARIMA (Autoregressive Integrated Moving Average) umumnya

II. 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 terperinci

Contoh Analisis Deret Waktu: BJSales

Contoh 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 terperinci

BAB 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. 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 terperinci

Pemodelan 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 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 terperinci

PERBANDINGAN 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 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 terperinci

menggunakan analisis regresi dengan metode kuadrat terkecil. Model analisis data panel yang dievaluasi kemudian adalah model gabungan, model

menggunakan analisis regresi dengan metode kuadrat terkecil. Model analisis data panel yang dievaluasi kemudian adalah model gabungan, model 4 kurang dari 10, maka peubah bebas tersebut tidak mengalami masalah multikolinearitas dengan peubah bebas lainnya. Selanjutnya Uji ARCH atau White digunakan untuk menguji asumsi kehomogenan ragam sisaan.

Lebih terperinci

BAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC),

BAB III PEMBAHASAN. Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), BAB III PEMBAHASAN Pada bab ini, dibahas mengenai model Vector Error Correction (VEC), prosedur pembentukan model Vector Error Correction (VEC), dan aplikasi model Vector Error Correction (VEC) pada penutupan

Lebih terperinci

VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER

VI 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 terperinci

PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS

PERAMALAN 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 terperinci

PERAMALAN JUMLAH PENUMPANG PESAWAT TERBANG DOMESTIK DI BANDAR UDARA JUANDA DENGAN MENGGUNAKAN METODE FUNGSI TRANSFER MULTI INPUT

PERAMALAN 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara

BAB 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 terperinci

PEMODELAN CURAH HUJAN DENGAN MODEL FUNGSI TRANSFER INPUT GANDA YULIANTI HASANAH

PEMODELAN CURAH HUJAN DENGAN MODEL FUNGSI TRANSFER INPUT GANDA YULIANTI HASANAH PEMODELAN CURAH HUJAN DENGAN MODEL FUNGSI TRANSFER INPUT GANDA YULIANTI HASANAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015 PERNYATAAN MENGENAI

Lebih terperinci

HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN 36 HASIL DAN PEMBAHASAN Deskripsi Data Penelitian ini diawali dengan melihat ketergantungan antar lokasi dan waktu. Lokasi-lokasi dalam penelitian ini saling berhubungan, hal ini ditunjukkan dengan nilai

Lebih terperinci

4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :

4 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA YANG BEKUNJUNG KE BALI MENGGUNAKAN FUNGSI TRANSFER

PERAMALAN 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 terperinci

Bab IV. Pembahasan dan Hasil Penelitian

Bab 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 terperinci

ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG

ANALISIS 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 terperinci

99.9. Percent maka H 0 diterima, berarti residual normal

99.9. Percent maka H 0 diterima, berarti residual normal Uji residual white noise 2 Lag Q P value 6 3.5 9.49 0.5330 2 6.6 8.3 0.803 8 9.8 26.30 0.9059 24 9.3 33.92 0.6374 K p q Uji residual berdistribusi normal Percent 99.9 99 95 90 80 70 60 50 40 30 20 0 5

Lebih terperinci

TINJAUAN PUSTAKA. perubahan harga yang dibayar konsumen atau masyarakat dari gaji atau upah yang

TINJAUAN 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 terperinci

BAB IV HASIL DAN PEMBAHASAN

BAB IV HASIL DAN PEMBAHASAN 41 BAB IV HASIL DAN PEMBAHASAN IV.1 Hasil dan Pengolahan Data Pada bab ini akan dibahas mengenai proses dan hasil serta pembahasan dari pengolahan data yang akan dilakukan. Data yang telah didapatkan akan

Lebih terperinci

Oleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si

Oleh : 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 terperinci

Pemodelan ARIMA Non- Musim Musi am

Pemodelan ARIMA Non- Musim Musi am Pemodelan ARIMA Non- Musimam ARIMA ARIMA(Auto Regresif Integrated Moving Average) merupakan suatu metode analisis runtun waktu(time series) ARIMA(p,d,q) Dengan AR : p =orde dari proses autoreggresif I

Lebih terperinci

Application of ARIMA Models

Application 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 terperinci

BAB II TINJAUAN PUSTAKA

BAB 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 terperinci

MA(q) AR(p) MA(q) jika ACF cuts off lebih tajam, AR(p) jika PACF cuts off lebih tajam ARMA(0,0)

MA(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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

Model 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 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 terperinci

PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS

PERAMALAN 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 terperinci

Sedangkan model fungsi transfer bentuk kedua adalah sebagai berikut :

Sedangkan 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 terperinci

HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN 18 HASIL DAN PEMBAHASAN Eksplorasi data Tahap pertama dalam pembentukan model VAR adalah melakukan eksplorasi data untuk melihat perilaku data dari semua peubah yang akan dimasukkan dalam model. Eksplorasi

Lebih terperinci

IV. METODE PENELITIAN

IV. METODE PENELITIAN IV. METODE PENELITIAN 4.1. Lokasi dan Waktu Penelitian Penelitian dilakukan di Pasar Bunga Rawabelong, Jakarta Barat yang merupakan Unit Pelaksana Teknis (UPT) Pusat Promosi dan Pemasaran Holtikultura

Lebih terperinci

ABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan

ABSTRAK. Kata kunci : Data Runtun Waktu, Indeks Harga Konsumen, ARIMA, Analisis Intervensi, Fungsi Step, Peramalan. I Pendahuluan Analisis Model Intervensi Fungsi Step Terhadap Indeks Harga Konsumen (IHK) Zuhairini Azzahra A 1, Suyono 2, Ria Arafiyah 3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas

Lebih terperinci

PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA

PENDUGAAN 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 terperinci

V. ANALISIS VOLATILITAS VARIABEL EKONOMI. Perkembangan yang terjadi pada data harga minyak dunia, harga ekspor

V. ANALISIS VOLATILITAS VARIABEL EKONOMI. Perkembangan yang terjadi pada data harga minyak dunia, harga ekspor 117 V. ANALISIS VOLATILITAS VARIABEL EKONOMI 5.1. Deskripsi Data Perkembangan yang terjadi pada data harga minyak dunia, harga ekspor industri, SBI riil dan devaluasi riil diuraikan pada bagian berikut.

Lebih terperinci

BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER

BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 21 BAB III MODEL ARIMAX DENGAN EFEK VARIASI KALENDER 3.1 Model Variasi Kalender Liu (Kamil 2010: 10) menjelaskan bahwa untuk data runtun waktu yang mengandung efek variasi kalender, dituliskan pada persamaan

Lebih terperinci

METODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015

METODE 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 terperinci

Metode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data. Identifikasi model ARCH

Metode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data. Identifikasi model ARCH 6 Metode Langkah-langkah yang dilakukan dalam penelitian ini dapat dilihat pada Gambar 1. Eksplorasi data Identifikasi model ARCH Pendugaan parameter dan pemilihan model ARCH/GARCH Uji pengaruh asimetrik

Lebih terperinci

PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER

PEMODELAN 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 terperinci

ISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di: ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 737-745 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN DAYA LISTRIK BERDASARKAN JUMLAH PELANGGAN PLN MENGGUNAKAN

Lebih terperinci

PERAMALAN INDEKS HARGA KONSUMEN MENGGUNAKAN MODEL INTERVENSI FUNGSI STEP

PERAMALAN 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 terperinci

BAB 1 PENDAHULUAN. Di Indonesia meteorologi diasuh dalam Badan Meteorologi dan Geofisika di Jakarta

BAB 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 terperinci

PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR)

PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR) PERAMALAN LAJU INFLASI, SUKU BUNGA INDONESIA DAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN METODE VECTOR AUTOREGRESSIVE (VAR) SKRIPSI Oleh : PRISKA RIALITA HARDANI 24010211120020 DEPARTEMEN STATISTIKA FAKULTAS

Lebih terperinci

PERAMALAN BANYAKNYA PELANGGAN LISTRIK MENGGUNAKAN MODEL HARVEY

PERAMALAN BANYAKNYA PELANGGAN LISTRIK MENGGUNAKAN MODEL HARVEY BIAStatistics (2016) Vol. 10, No. 1, hal. 38-51 PERAMALAN BANYAKNYA PELANGGAN LISTRIK MENGGUNAKAN MODEL HARVEY Ami Andriania 1, Gumgum Darmawan 2, Resa Septiani Pontoh 2 1 Mahasiswa Dept. Statistika, FMIPA,

Lebih terperinci

SKRIPSI. Disusun oleh: Firda Megawati

SKRIPSI. 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 terperinci

JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-300

JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-300 JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (203) 233-20 (230-9X Print) D-300 Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R- dengan Metode Fungsi Transfer

Lebih terperinci

Pemodelan Fungsi Transfer Multi Input

Pemodelan Fungsi Transfer Multi Input Jurnal Informatika Mulawarman Vol 4 No. Juli 9 8 Pemodelan Fungsi Transfer Multi Input M. Fathurahman *) Program Studi Statistika, FMIPA Universitas Mulawarman Jl. Barong Tongkok no.5 Kampus Unmul Gn.

Lebih terperinci

PREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)

PREDIKSI 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 terperinci

ANALISIS HUBUNGAN DINAMIS SUKU BUNGA SBI, IHSG, DAN SUKU BUNGA INTERNASIONAL DENGAN MODEL VECTOR AUTOREGRESSIVE KARINA DIANINGSARI

ANALISIS HUBUNGAN DINAMIS SUKU BUNGA SBI, IHSG, DAN SUKU BUNGA INTERNASIONAL DENGAN MODEL VECTOR AUTOREGRESSIVE KARINA DIANINGSARI ANALISIS HUBUNGAN DINAMIS SUKU BUNGA SBI, IHSG, DAN SUKU BUNGA INTERNASIONAL DENGAN MODEL VECTOR AUTOREGRESSIVE KARINA DIANINGSARI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT

Lebih terperinci

Model Autoregressive Integrated Moving Average (ARIMA) adl teknik untuk mencari pola yg paling cocok dari sekelompok data Model ARIMA dapat digunakan

Model 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 terperinci

Model Penjualan Plywood PT. Linggarjati Mahardika Mulia

Model 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 terperinci

ANALISIS DERET BERKALA MULTIVARIAT DENGAN MENGGUNAKAN MODEL FUNGSI TRANSFER: STUDI KASUS CURAH HUJAN DI KOTA MALANG

ANALISIS DERET BERKALA MULTIVARIAT DENGAN MENGGUNAKAN MODEL FUNGSI TRANSFER: STUDI KASUS CURAH HUJAN DI KOTA MALANG ANALISIS DERET BERKALA MULTIVARIAT DENGAN MENGGUNAKAN MODEL FUNGSI TRANSFER: STUDI KASUS CURAH HUJAN DI KOTA MALANG Fachrul Ulum Febriansyah dan Abadyo Universitas Negeri Malang E-mail: fachrul.febrian@gmail.com

Lebih terperinci

ARIMA and Forecasting

ARIMA 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 terperinci

PERAMALAN 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 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 terperinci

BAB III METODE PENELITIAN. merupakan suatu proses, mencari kebenaran dan menghasilkan kebenaran.

BAB III METODE PENELITIAN. merupakan suatu proses, mencari kebenaran dan menghasilkan kebenaran. BAB III METODE PENELITIAN 3.1 Jenis / Pendekatan Penelitian Penelitian dan ilmu pengetahuan mempunyai kaitan yang erat keduanya merupakan suatu proses, mencari kebenaran dan menghasilkan kebenaran. Penelitian

Lebih terperinci

PENGENDALIAN 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) 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 terperinci

Peramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins

Peramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins Peramalan Kecepatan Angin Di Kota Pekanbaru Menggunakan Metode Box-Jenkins Ari Pani Desvina 1, Melina Anggriani 2,2 Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau Jl. HR.

Lebih terperinci

ANALISIS VAR (VECTOR AUTOREGRESSIVE) UNTUK MEKANISME PEMODELAN PRODUKSI, KONSUMSI, EKSPOR, IMPOR, DAN HARGA MINYAK BUMI AGUS WAHYULI

ANALISIS VAR (VECTOR AUTOREGRESSIVE) UNTUK MEKANISME PEMODELAN PRODUKSI, KONSUMSI, EKSPOR, IMPOR, DAN HARGA MINYAK BUMI AGUS WAHYULI ANALISIS VAR (VECTOR AUTOREGRESSIVE) UNTUK MEKANISME PEMODELAN PRODUKSI, KONSUMSI, EKSPOR, IMPOR, DAN HARGA MINYAK BUMI AGUS WAHYULI DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

Peramalan Laju Inflasi dan Nilai Tukar Rupiah Terhadap Dolar Amerika Menggunakan Model Vector Autoregressive (VAR)

Peramalan Laju Inflasi dan Nilai Tukar Rupiah Terhadap Dolar Amerika Menggunakan Model Vector Autoregressive (VAR) ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 673-682 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian Peramalan Laju Inflasi dan Nilai Tukar Rupiah Terhadap Dolar

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

ANALISIS HUBUNGAN CUACA DAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE (DBD) DENGAN FUNGSI TRANSFER Studi Kasus Kota Surabaya USWATUN HASANAH

ANALISIS HUBUNGAN CUACA DAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE (DBD) DENGAN FUNGSI TRANSFER Studi Kasus Kota Surabaya USWATUN HASANAH ANALISIS HUBUNGAN CUACA DAN JUMLAH PENDERITA DEMAM BERDARAH DENGUE (DBD) DENGAN FUNGSI TRANSFER Studi Kasus Kota Surabaya USWATUN HASANAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

Lebih terperinci

Metode Box - Jenkins (ARIMA)

Metode 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 terperinci

BAB 5 HASIL DAN PEMBAHASAN. Berikut dibawah ini adalah data yang didapat dari GK AUTO. Tabel 5.1 Data Variabel

BAB 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 terperinci

PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA

PERAMALAN 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 terperinci

APLIKASI CHANGE POINT ANALYSIS (CPA) PADA DATA CURAH HUJAN HARIAN MARCO BONA TUA

APLIKASI CHANGE POINT ANALYSIS (CPA) PADA DATA CURAH HUJAN HARIAN MARCO BONA TUA APLIKASI CHANGE POINT ANALYSIS (CPA) PADA DATA CURAH HUJAN HARIAN MARCO BONA TUA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014 PERNYATAAN MENGENAI

Lebih terperinci

Peramalan 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 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 terperinci

PENERAPAN 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) 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 terperinci

UNIVERSITAS NEGERI SEMARANG

UNIVERSITAS 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 terperinci

PERAMALAN 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 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

MODEL FUNGSI TRANSFER BIVARIAT UNTUK MERAMALKAN CURAH HUJAN DI KABUPATEN DELI SERDANG SKRIPSI DYAH RARA

MODEL FUNGSI TRANSFER BIVARIAT UNTUK MERAMALKAN CURAH HUJAN DI KABUPATEN DELI SERDANG SKRIPSI DYAH RARA 1 MODEL FUNGSI TRANSFER BIVARIAT UNTUK MERAMALKAN CURAH HUJAN DI KABUPATEN DELI SERDANG SKRIPSI DYAH RARA 100803065 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA

Lebih terperinci

PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR

PENGGUNAAN 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 terperinci

Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan

Analisys 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 terperinci

Peramalan merupakan alat bantu yang penting dalam penyusunan rencana yang efektif dan efisien. Pada

Peramalan merupakan alat bantu yang penting dalam penyusunan rencana yang efektif dan efisien. Pada Estimasi Parameter Autoregressive Integrated Moving Average (ARIMA) Menggunakan Algoritma Particle Swarm Optimization (PSO) (Studi Kasus: Peramalan Curah Hujan DAS Brangkal, Mojokerto) Meytaliana Factmawati,

Lebih terperinci

HASIL DAN ANALISIS DATA. Berikut ini adalah data penjualan besi Wiremesh selama 4 tahun berturutturut.

HASIL DAN ANALISIS DATA. Berikut ini adalah data penjualan besi Wiremesh selama 4 tahun berturutturut. BAB 5 HASIL DAN ANALISIS DATA 5.1 Penyajian Data Penelitian Berikut ini adalah data penjualan besi Wiremesh selama 4 tahun berturutturut. Data berikut merupakan data aktual untuk diramalkan penjualannya

Lebih terperinci

III. METODE PENELITIAN. Data yang digunakan dalam penulisan proposal ini adalah data sekunder yang

III. METODE PENELITIAN. Data yang digunakan dalam penulisan proposal ini adalah data sekunder yang 30 III. METODE PENELITIAN A. Jenis dan Sumber Data Data yang digunakan dalam penulisan proposal ini adalah data sekunder yang diperoleh dari Laporan Bank Indonesia, Statistik Ekonomi dan Keuangan Indonesia,

Lebih terperinci

Bab V SIMPULAN DAN SARAN

Bab V SIMPULAN DAN SARAN Bab V SIMPULAN DAN SARAN V.1 Ringkasan Penelitian ini dilakukan untuk menguji prediksi menggunakan metode ARIMA. Data yang digunakan dalam penelitian adalah data IHSG penutupan harian IHSG mulai periode

Lebih terperinci

PERBANDINGAN INVESTASI PADA MATA UANG DOLAR AMERIKA (USD) DAN YEN JEPANG (JPY) DENGAN MODEL ARIMA DAN GARCH

PERBANDINGAN 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 terperinci