Abstrak Hampir seluruh aktivitas manusia di berbagai belahan bumi sangat bergantung terhadap ketersediaan air bersih.
|
|
- Sri Kusuma
- 6 tahun lalu
- Tontonan:
Transkripsi
1 1 Peramalan Volume Produksi Air Bersih di PDAM Kabupaen Bojonegoro berdasarkan Jumlah Pelanggan dan Volume Konsumsi Air Fasha Aulia Pradhani dan Adaul Mukarromah Jurusan Saisika, FMIPA, ITS Jl. Arief Rahman Hakim, Surabaya 111 Indonesia Absrak Hampir seluruh akivias manusia di berbagai belahan bumi sanga berganung erhadap keersediaan air bersih. Hal iu membua fakor kualias air yang bersih dan kuanias air selalu menjadi priorias yang sama peningnya. Pemerinah Bojonegoro mendirikan PDAM Bojoengoro pada ahun 1982 yang berujuan unuk memenuhi kebuuhan air bersih masyarakanya. Produksi air merupakan salah sau fakor uama dalam pelayanan penyaluran air bersih. Hal ersebu membua penelii erarik unuk melakukan peneliian mengenai peramalan volume produksi air bersih di PDAM Bojonegoro. Secara kuanias persyaraan dalam penyediaan air bersih bersih diinjau dari jumlah kebuuhan air yang dikonsumsi sera jumlah pelanggan. Dengan adanya peneliian ini, akan diperoleh manfaa unuk PDAM yaiu sebuah ambahan informasi mengenai produksi air. Daa yang dipakai pada peneliian ini berjumlah 8 daa dibagi menjadi 72 daa in sample dan daa ou sample. Pada peneliian ini, dilakukan perbandingan beberapa model yaiu model, Fungsi Transfer Single dan Muli Inpu. Dari keiga model ersebu, akan dipilih sau model erbaik yang dipakai unuk meramalkan volume produksi air unuk beberapa periode ke depan. Hasil yang didapakan seelah dilakukan analisis adalah model fungsi ransfer muli inpu dengan orde b=23 r= s= sera b=2 r= s= dan komponen noise ([1],,1) merupakan model erbaik yang dipilih berdasarkan dua krieria yaiu AIC unuk in sample dan RMSE unuk ou sample. Kaa Kunci Air bersih,, Fungsi Transfer, PDAM A I. PENDAHULUAN ir merupakan sumber kehidupan. Keersediaan air yang cukup dan kualias air bersih merupakan salah sau fakor yang membua kehidupan di dunia ini dapa erus berlangsung. [1]. Bojonegoro memiliki luas wilayah 23.7 Ha dan jumlah penduduk sebesar jiwa [2]. Pemerinah Kabupaen Bojonegoro mendirikan PDAM Bojonegoro pada ahun 1982 unuk memenuhi kebuuhan air bersih masyarakanya. Seiring dengan berambahnya jumlah penduduk, akan semakin beragam akivias manusia yang akan berdampak pada peningkaan perminaan air bersih, eapi beberapa kendala dalam pemenuhan kebuuhan air konsumen masih dihadapi oleh PDAM Bojonegoro saa ini. Salah sau kendalanya adalah masih erbaasnya jumlah sumber air unuk proses produksi dan sisem jaringan penyediaan air bersih yang belum mampu menjangkau seluruh wilayah di Kabupaen Bojonegoro [3]. Produksi air adalah salah sau fakor uama dalam pelayanan penyaluran air bersih. Besar kecilnya volume produksi air bersih enu saja idak hanya didasarkan oleh volume produksi air bersih pada beberapa periode sebelumnya. Salah sau persyaraan air bersih secara kuanias diinjau dari kesesuaian produksi air bersih dengan jumlah kebuuhan air yang dikonsumsi oleh pelanggan []. Hal ersebu membua penelii erarik unuk melakukan peneliian mengenai peramalan volume produksi air bersih berdasarkan jumlah pelanggan dan volume konsumsi air bersih, namun pada peneliian ini penelii hanya fokus pada pelanggan kaegori rumah angga. Fungsi ransfer merupakan salah sau alernaif unuk menyelesaikan permasalahan apabila erdapa lebih dari sau dere berkala, dan salah sau variabelnya berpengaruh erhadap keadaan lainnya [5]. Pada peneliian ini peramalan produksi air akan dilakukan dengan membandingkan beberapa meode fungsi ransfer yaiu single dan muli inpu, sera meode. Namun peramalan hanya akan dilakukan pada sau model erbaik yang dipilih berdasarkan krieria AIC dan RMSE. Berdasarkan hasil peramalan yang diperoleh diharapkan peneliian ini dapa memberikan ambahan informasi mengenai volume produksi air unuk beberapa periode ke depan bagi pihak PDAM Bojonegoro. Berbagai peneliian elah dilakukan sebelumnya erhadap volume pemakaian air dianaranya adalah adalah Nurina (213) menelii enang peramalan volume pemakaian air sekor rumah angga di Kabupaen Gresik dengan menggunakan fungsi ransfer dan diperoleh hasil volume pemakaian air bulan ini dipengaruhi oleh volume pemakaian air pada dua belas dan dua puluh empa bulan sebelumnya, sera dipengaruhi oleh jumlah penduduk pada delapan, dua puluh dan iga puluh dua periode sebelumnya[]. Arisia (211) menelii peramalan produksi air dengan meode arima di perusahaan daerah air minum (PDAM) surya sembada Surabaya dan diperoleh model yang sesuai unuk Ngagel I ([],1,1), Ngagel II (2,1,), Ngagel III (1,1,[]). Karangpilang I ([1,11],1,), Karangpilang ii ([],,[2]) [7]. II. TINJAUAN PUSTAKA A. Prosedur Box-Jenkins Prosedur ini dipakai digunakan unuk memilih model yang sesuai pada daa ime series. Prosedur ini memiliki ahapan yaiu idenifikasi, penaksiran dan pengujian parameer, pemeriksaan diagnosis pada residual dan peramalan[8]. Pada ahapan idenifikasi model, erdapa beberapa ahapan unuk melakukannya yaiu membua ime series plo
2 2 dan memilih ransformasi yang sesuai jika diperlukan, menyelidiki plo ACF dan PACF, dan memasikan daa sudah sasioner erhadap mean aau idak, menenukan orde p dan q melalui plo ACF dan PACF [9].Karakerisik yang dipakai unuk menenukan orde disajikan pada Tabel 1. Tabel 1. Karakerisik ACF dan PACF [9] Proses ACF PACF AR (p) Turun cepa secara Cus off seelah lag p eksponensial MA (q) Cus off seelah lag q Turun cepa secara eksponensial (p,q) Turun cepa seelah lag (q-p) Turun cepa seelah lag (p-q) Selanjunya dilakukan esimasi parameer model dengan menggunakan meode maximum likelihood. Dan dilanjukan dengan pemeriksaan diagnosik pada seiap dugaan model dari hasil esimasi. Pemeriksaan diagnosik dapa dibagi ke dalam dua bagian yaiu, uji kesignifikanan parameer dan uji kesesuaian model yang melipui uji asumsi whie noise dan disribusi normal [9]. Seelah semua dugaan model memenuhi asumsi yang dibuuhkan, maka dapa dipilih model erbaik dengan menggunakan krieria AIC. Nilai AIC dan RMSE yang dapa dienukan beruru-uru dengan (1) dan (2). AIC( M ) nln ˆ 2 a 2M (1) M adalah jumlah parameer dalam model, n adalah jumlah observasi. Seelah diperoleh sau model erbaik, dapa dilakukan pembuaan model dengan (3) beriku. d B )(1 Z ( a (3) B. Fungsi Transfer p( RMSE n 2 ei i1 Fungsi ransfer merupakan salah sau alernaif unuk menyelesaikan permasalahan apabila erdapa lebih dari sau dere berkala, dan salah sau variabel berpengaruh erhadap keadaan yang lainnya [1]. Model fungsi ransfer single inpu dapa diuliskan seperi pada (). () y X b a ( B... B s,, 1 2 s ( 1 B...,, y B r 1 2 r 1 B... B p 1 B... B p = 1 2 p 1 2 p nilai Y yang elah sasioner, x adalah nilai X yang elah sasioner a adalah eror, r, s, p, q dan b adalah konsana[8]. Sedangkan unuk model fungsi ransfer muli inpu diampilkan k pada (5). j ( y x jbj a j1 ( (5) j Dengan j ( adalah operaor moving average order s j unuk dere ke-j, j ( adalah operaor auoregressive order r j unuk dere ke-j, adalah suau operaor moving average order q, dan adalah operaor auoregressive order p [9]. Langkah-langkah yang perlu dilakukan dalam pengidenifikasian model fungsi ransfer melipui beberpa ahapan [8] yaiu mempersiapkan dere inpu dan dere oupu, prewhiening dere inpu, prewhiening dere oupu, perhiungan korelasi silang unuk dere inpu dan oupu yang elah diprewhiening, peneapan r,s,b unuk model fungsi ransfer, pengujian noise series, dan Peneapan (p n,q n ) unuk model (p n,, q n ) dari dere noise. Seelah ahapan q n (2) pengidenifikasian model selesai dilaksanakan selanjunya dilakukan penaksiran dan pengujian parameer model fungsi ransfer dengan menggunakan meode maximum likelihood. Dan ahapan erakhir sebelum dilakukan pemilihan model erbaik adalah diagnosik model fungsi ransfer yang erdiri dari dua ahapan yaiu pemeriksaan korelasi silang dan pemeriksaan auokorelasi. Rumus unuk menghiung uji korelasi silang dan pemeriksaan auokorelasi beruru-uru diampilkan pada () dan (7) beriku. K 2 K 2 ˆ a ˆ ( j) ˆ Q m m () ˆ ( j) ( 2) Q1 m( m 2) (7) m j m j j m dicari dengan menghiung n +1, n adalah banyaknya pengamaan, K adalah lag maksimum, dan dicari dengan menghiung {p+r+1,p+s+1}. Selanjunya jika nilai dari () lebih kecil dari dari χ 2 ((k+1)-m,α) maka dapa dikakan bahwa model fungsi ransfer sudah layak. Begiu pula unuk nilai dari (7), jika hasil yang diperoleh lebih kecil daripada χ 2 (K-p-q) maka dapa dikaakan model unuk dere noise n sudah layak. Selanjunya dapa dilakukan pemilihan model erbaik menggunakan krieria AIC dan RMSE. III.METODOLOGI PENELITIAN A. Sumber Daa dan Variabel Peneliian Daa yang dipakai adalah daa sekunder yang diperoleh melalui PDAM Bojonegoro. Daa dibagi menjadi daa in sample sejumlah 72 daa mulai Januari 27- Desember 2 dan ou sample sejumlah daa erakhir, mulai bulan Januari Desember 213. Volume produksi air sebagai variabel Y dan daa konsumsi air sera jumlah pelanggan sebagai variabel X. B. Meode Analisis Daa. Langkah-langkah dalam pembenukan model adalah sebagai beriku. (i) Menenukan model pada daa volume produksi air bersih dengan langkah beriku. a. Membua ime series plo pada daa in sample b. Melakukan ransformasi jika daa idak sasioner erhadap varians dan differencing jika idak sasioner erhadap mean. c. Idenifikasi dan pendugaan model semenara berdasarkan plo ACF dan PACF d. Pengujian signifikansi parameer dan pemeriksaan diagnosik residual pada model semenara. e. Pemilihan model erbaik berdasarkan nilai AIC (ii) Menenukan model fungsi ransfer single inpu anara jumlah pelanggan (X 1 ) dengan produksi air (Y) dengan langkah beriku. a. Menenukan model yang sesuai unuk daa inpu X 1 b. Prewhiening dere inpu sehingga diperoleh α 1 c. Prewhiening dere oupu unuk mendapakan β 1 d. Menghiung korelasi silang (CCF) anara α 1 dan β 1 e. Menenukan orde b,r,s f. Menaksir parameer model fungsi ransfer single inpu semenara j1
3 3 g. Menguji signifikansi parameer dari hasil model yang erbenuk. h. Idenifikasi komponen noise, jika asumsi whie noise idak erpenuhi dilanjukan dengan penenuan model i. Menguji signifikansi parameer dari model yang elah diambah komponen noise j. Menguji residual whie noise dan kenormalan dari model yang elah diambah komponen noise k. Menguji crosscorrelaion anara residual (a ) dengan dere inpu (α 1 ) yaiu jumlah pelanggan l. Memilih model erbaik berdasarkan krieria AIC dan RMSE (iii) Menenukan model fungsi ransfer single inpu anara volume konsumsi air (X 2 ) dengan produksi air (Y) dengan langkah yang sama, seperi yang elah dijelaskan sebelumnya (iv) Menenukan model fungsi ransfer muli inpu anara produksi air dengan konsumsi air dan jumlah pelanggan dengan langkah sebagai beriku. a. Meneapkan orde b,r,s yang didapa dari hasil model fungsi ransfer single inpu anara Y dengan X 1 sera Y dengan X 2 b. Orde b,s,r dari X 1 dan X 2 dimodelkan, sehingga didapakan beberapa parameer c. Menguji signifikansi parameer dari dugaan model semenara d. Idenifikasi dere noise jika asumsi whie noise idak erpenuhi dilanjukan dengan penenuan model e. Menguji signifikansi parameer, residual whie noise, kenormalan residual dari model yang elah diambah komponen noise f. Pengujian crosscorrelaion anara residual (a ) dengan dere inpu g. Menenukan model erbaik dari beberapa model yang elah erbenuk berdasarkan krieria nilai AIC dan RMSE (v) Menenukan model erbaik dengan menggunakan krieria RMSE Ou Sample (vi) Peramalan menggunakan model erbaik unuk beberapa periode ke depan. IV. HASIL DAN PEMBAHASAN A. Model Peramalan Volume Produksi Air dengan Meode awal yang akan dipakai unuk meramalkan adalah dengan menggunakan meode. Langkah awal dalam pemodelan adalah daa harus sasioner erhadap mean dan varians. Dari ransformasi box-cox yang elah dilakukan, dapa dikeahui bahwa daa sudah sasioner erhadap varians, yang dikeahui melalui nilai rounded value sebesar 5. Pengecekan kesaioneran erhadap mean dilakukan menggunakan plo ACF, dan pengujian dicky fuller. Dari hasil dicky fuller didapa nilai p_value sebesar,19. Arinya daa produksi air elah sasioner erhadap mean, karena p_value yang dihasilkan bernilai lebih kecil daripada alpha 5%. Selanjunya dapa dilakukan pendugaan model melalui plo ACF dan PACF, yang disajikan pada Gambar 1 dan 2 beriku Parial Auocorrelaion Parial Auocorrelaion Funcion for in sample (wih 5% significance limis for he parial auocorrelaions) Lag Gambar 1. Karakerisik PACF Gambar 2. Karakerisik ACF Berdasarkan Gambar 1 dan 2 diperoleh beberapa dugaan model yaiu ([1,11,13],,[]), ([1,13],,[]), dan ([1,11],,). Dari keiga dugaan model ersebu dilakukan pengujian signifikansi parameer dan diperoleh hasil bahwa hanya model ([1,11],,) saja yang seluruh parameernya signifikan erhadap model. Hal ini dapa diindikasi melalui nilai p_value dari seiap parameer (=, 1 =, 11 =,2) yang bernilai kurang dari alpha 5%. Sehingga pada ahapan pengujian residual whie noise dan kenormalan hanya akan dilakukan pada model - ([1,11],,). Seelah dilakukan pengujian dapa dikeahui bahwa model ([1,11],,) elah memenuhi asumsi whie noise karena pada iap lag,8,,dan 2 memiliki nilai p_value yang lebih besar daripada alpha 5% (,5;,222;,3599;,279). Dan nilai p_value yang dihasilkan pada pengujian kenormalan sebesar,131. Sehingga dapa dikeahui bahwa residual model elah memenuhi asumsi kenormalan, karena nilai p_value bernilai lebih besar daripada alpha 5%.Berikunya dilanjukan dengan pembenukan model ([1,11],,) secara maemais yang diampilkan sebagai beriku. 11 (1 B B ) y a y y y y 2 y 1 1 y y 28311,3,537y 2 11 a a Model diaas dapa diarikan bahwa volume produksi air bulan ini dipengaruhi oleh volume produksi air pada 1 dan 11 bulan sebelumnya. B. Model Fungsi Transfer Single Inpu Berdasarkan Jumlah Pelanggan Sebelum dilakukan pemodelan dengan menggunakan fungsi ransfer, model erbaik unuk jumlah pelanggan harus dienukan erlebih dahulu. Hal ini perlu dilakukan sebab prewhiening dere inpu dilakukan pada model erbaik yang diperoleh dari daa jumlah pelanggan. Langkah perama yaiu pengecekan kesasioneran daa baik erhadap varians maupun mean. Dari box-cox yang elah dibua dapa dikeahui bahwa nilai rounded value sudah bernilai 1, sehingga idak perlu lagi dilakukan ransformasi. Namun pada plo ACF dan pengujian dicky fuller yang elah dilakukan dapa dikeahui bahwa daa belum sasioner erhadap mean. Hal ersebu dikarena plo pada ACF menunjukkan bahwa lag-lag mengalami urun lamba, berdasarkan hasil pengujian dicky fuller yang diperoleh juga didapa nilai p_value yang lebih besar dari,5 yaiu,99. Seelah dilakukan differencing reguler, dari hasil plo ACF dan PACF yang elah dibua, diperoleh hasil beberapa dugaan model yaiu - ([1,33],1,1), -([1,33],1,), dan ([33],1,). Auocorrelaion,3522y a Auocorrelaion Funcion for in sample (wih 5% significance limis for he auocorrelaions) Lag
4 Tahapan selanjunya pada keiga model ersebu dilakukan pengujian signifikansi parameer sera residual whie noise, dan diperoleh hasil bahwa hanya model ([33],1,) yang seluruh parameernya signifikan secara saisik. Hal ini disebabkan p_value yang diperoleh bernilai lebih kecil daripada alpha 5% ( 33 =,131). Pada pengujian selanjunya yaiu residual whie noise diperoleh hasil bahwa model ([33],1,) elah memenuhi asumsi whie noise. Hal ersebu diindikasi melalui nilai p_value dari seiap lag yang bernilai lebih besar daripada alpha 5% (,11;,;,231;,77). Sehingga dapa dikeahi bahwa model ([33],1,) merupakan model erbaik Prosedur berikunya dilanjukan dengan prewhiening dere inpu dan oupu dari model ([33],1,). Lalu dilanjukan dengan pendugaan model fungsi ransfer melalui crosscorrelaion plo. Dari crosscorrelaion plo dihasilkan beberapa dugaan model yaiu model dengan orde b=,r= s=. dan b=23, r=, dan s=. Kedua model ersebu dapa diduga melalui lag-lag yang signifikan pada crosscorrelaion plo yaiu lag dan 23. Selanjunya dilakukan pengujian signifikansi parameer pada kedua orde model, dan didapakan hasil bahwa kedua orde model ersebu memiliki parameer yang signifikan secara saisik, karena p_value yang dihasilkan bernilai kurang dari alpha 5%, yaiu unuk orde b=,r= s= sebesar,17 dan b=23,r= s= sebesar,339. Sehingga kedua model ersebu dapa dilanjukan dengan idenifikasi komponen noise. Suau model perlu diambahkan komponen noise, jika model ersebu idak memenuhi asumsi residual whie noise. Hasil dari pengujian residual whie noise, diampilkan pada Tabel 2 beriku. Tabel 2. Idenifikasi Komponen Noise Model Lag Chi_Square P_value Kepuusan b= r= s= b=23 r= s= 2 7,7 25, 3,51 5,3,3592,225,15,233,1,328,52,3592,225,15 Whie Noise Tidak Whie Noise Tidak Whie Noise Tidak Whie Noise Whie Noise Tidak Whie Noise Whie Noise Tidak Whie Noise 2,18,18 Berdasarkan Tabel 2 dapa dikeahui bahwa kedua orde ersebu idak memenuhi asumsi whie noise, karena erdapa salah sau lag yang bernilai kurang dari alpha 5%. Sehingga kedua model ersebu perlu diambahkan komponen noise, karena residual daa masih bersifa idak idenik dan saling dependen secara saisik. Idenifikasi komponen noise dapa dilakukan melalui pembenukan model. Model ersebu diduga melalui plo ACF dan PACF yang berada dalam model fungsi ransfer anara volume produksi air dengan jumlah pelanggan. Berdasarkan Plo PACF dan ACF dari kedua orde model b=,r=, dan s=. Plo PACF mengalami cu off pada beberapa lag yaiu lag 1,1,, dan 22,sera lag 1 dan 1 unuk plo ACF. Sehingga model yang diduga adalah ([1,],,), ([1,1],,), dan (1,,[1]) unuk orde b=,r=, s=, dan ([1],,), (,,[1]), ([22],,) unuk komponen noise pada orde b=23 r= s=. Berikunya beberapa dugaan model yang elah diambahkan komponen noise dilakukan pengujian signifikansi parameer. Hasil dari pengujian signifikansi pada kedua orde diampilkan pada Tabel 3. Tabel 3. Pengujian Signifikansi Seelah Diambah Komponen Noise Model Parameer p_value Model Parameer p_value ([1,],,) ([1,1],,) (1,,[1]),1,7,397,332,38,27,28,3,27 ([1],,) (,,[1] ([22],,),73,117,177,159,117,13 Pada Tabel 3 dapa dikeahui bahwa seluruh parameernya elah signifikan karena p_value yang dihasilkan bernilai kurang dari alpha 5%. Prosedur selanjunya adalah pengujian residual whie noise pada kedua orde, dan diperoleh hasil bahwa kedua orde elah memiliki residual whie noise yang diunjukkan dengan nilai alpha yang lebih besar dari alpha 5%. Selain iu kedua orde model juga elah memenuhi asumsi kenormalan residual yang diunjukkan dengan nilai p_value sebesar,15 pada semua orde model. Dan pengujian erakhir yang perlu dilakukan adalah pengujian crosscorrelaion residual (a ) dengan dere inpu (α 1 ). Hasil dari pengujian ersebu menunjukkan bahwa seluruh dugaan model elah whie noise, arinya hubungan anara residual (a ) dengan dere inpu (α ) idenik dan saling independen secara saisik. Beberapa dugaan model ersebu harus dipilih sau unuk menjadi model erbaik yang dipakai unuk meramalkan produksi air beberapa periode ke depan. Dan diperoleh model erbaik adalah model pada orde b=23 r= s= dengan komponen noise ([22],,), hal ini disebabkan nilai RMSE ou sample bernilai paling kecil daripada model lainnya yaiu sebesar 193, dengan nilai AIC sebesar 129,822. Persamaan maemais dari model ersebu Dimana y =Y -Y -1 dan x -23 = X -23 X -2 karena daa jumlah pelanggan mengalami proses differencing non musiman pada lag-1, sehingga model akhir yang didapa adalah Y = 39,877X (-23) -39,877X (-2) +1,X (-5) -1,X (-) + Y (-1) -,38Y (-22) +,38Y (-23) +a Dari model diaas dapa dikeahui bahwa volume produksi air PDAM Kabupaen Bojonegoro bulan ini dipengaruhi oleh volume produksi pada 1,22, dan 23 bulan yang lalu sera jumlah pelanggan pada 23, 2, 5, dan bulan sebelumnya. C. Model Fungsi Transfer Single Inpu Berdasarkan Volume Konsumsi Air Prosedur yang sama juga dilakukan pada pemodelan fungsi ransfer single inpu berdasarkan volume konsumsi air. Pemilihan model erbaik dari daa konsumsi air menjadi langkah awal dalam pemodelan fungsi ransfer. Dalam pemodelan, prosedur awal yang harus dilakukan adalah mengecek kesasioneran daa. Pada Box-Cox Plo diperoleh hasil nilai rounded value sebesar 1, arinya daa sudah sasioner erhadap varians. Selain iu daa juga elah sasioner erhadap mean yang diliha berdasarkan nilai dari p_value dicky fuller sebesar,8527 yang lebih besar dari alpha 5%.
5 5 (,1,1[]) ([],1,1) ([],1,),51,25,52;,37;,27;,87,191;,728;,25 ;,99,2;,2;,23 ;, Berikunya dari hasil pengujian signifikansi parameer, dapa dikeahui bahwa seluruh parameer pada model elah signifikan yang dibukikan dengan nilai p_value yang lebih kecil daripada alpha 5%. Sedangkan unuk uji residual whie noise didapa p_value pada model ([],1,) bernilai lebih kecil daripada alpha 5%, sehingga dapa dikeahui bahwa model ([],1,) residualnya idak whie noise. Selanjunya dari kedua model yang memenuhi semua asumsi yang dibuuhkan didapakan salah sau model erbaik berdasarkan nilai dari krieria AIC paling kecil yaiu model ([],1,1). Tahapan berikunya adalah melakukan prewhiening pada dere inpu dan oupu dari model ([],1,1). Dan dilanjukan dengan pendugaan model fungsi ransfer melalui crosscorrelaion plo anara dere inpu (α 2 ) dan oupu (β 2 ). Melalui crosscorrelaion plo, diperoleh beberapa dugaan model berbdasarkan beberapa lag yang signifikan yaiu model dengan orde b=22 r= s= dan orde b=2 r= s=. Prosedur berikunya adalah pengujian signifikansi parameer pada kedua orde. Dan diperoleh hasil bahwa kedua orde elah signifikan secara saisik. Hal ini dikeahui berdasarkan nilai p_value sebesar,338 unuk orde b=22 r= s= dan,387 unuk orde b=2 r= s=. Kedua dugaan model yang parameernya elah signifikan secara saisik ersebu perlu dilakukan idenifikasi komponen noise melalui pengujian whie noise. Seelah dilakukan analisis diperoleh hasil bahwa model pada orde b=2 r= s= perlu diambahkan komponen noise, karena beberapa p_value nya bernilai kurang dari alpha 5% yaiu,3;,22;,37;,22. Penambahan komponen noise dilakukan dengan membenuk model yang diduga melalui plo ACF dan PACF. Berdasarkan plo PACF dan ACF yang elah dihasilkan, diperoleh beberapa dugaan model yaiu (,,1), ([],,1), dan ([1,1,],,). Beberapa dugaan model ersebu akan dilakukan uji signifikansi parameer, residual whie noise, sera kenormalan residual. Hasil dari pengujian signifikansi parameer dan residual whie noise diampilkan pada Tabel 5. Plo ACF juga mendukung pernyaaan ersebu yang diunjukkan dengan lag-lag yang urun secara lamba. Berdasarkan plo ACF dan PACF dari daa konsumsi air seelah dilakukan differencing dihasilkan beberapa dugaan model yaiu (,1,1[]), ([],1,1), dan ([],1,). Keiga dugaan model ersebu selanjunya dilakukan pengujian signifikansi parameer sera residual whie noise. Pengujian signifikansi parameer dari keiga model diampilkan pada Tabel. Tabel. Pengujian Signifikansi dan Residual Whie Noise Model Parameer p_value Lag p_value Tabel 5. Pengujian Signifikansi dan Residual Whie Noise Orde b=2 r= s= Model Parameer p_value Lag p_value (,,1),,9139;,37;,2775;,2177 ([],,1),1,11,917;,3389;,3571;,358 ([1,1,],,),1,51,,11,13;,197;,395 ;,527 Pada Tabel 5 menunjukkan bahwa model pada orde b=22 r= s= dan orde b=2 r= s= seelah diambah komponen noise, elah signifikan secara saisik yang diunjukkan dengan nilai p_value yang kurang dari alpha 5%. Sedangkan unuk pengujian residual whie noise menunjukkan bahwa semua p_value dari seiap lag bernilai lebih besar dari alpha 5% arinya residual elah whie noise. Tahapan berikunya adalah pengujian kenormalan residual pada kedua orde model. Dan diperoleh hasil nilai p_value sebesar,79 unuk orde b=22 r= s= dan,15 pada semua orde b=2 r= s=.. Arinya residual daa pada kedua orde elah mengikui disribusi normal. Tahapan erakhir sebelum dilakukan pemilihan model erbaik adalah pengujian crosscorrelaion anara residual (a ) dengan dere inpu (α 2 ), yaiu volume konsumsi air. Dan didapakan hasil bahwa model pada orde b=22 r= s= idak memenuhi asumsi whie noise,karena salah sau p_value nya kurang dari alpha 5% (,;,1587;,23;,5) sehingga model ersebu idak dilanjukan pada ahapan pemilihan model erbaik, karena salah sau asumsinya idak erpenuhi. Model erbaik yang dipilih berdasarkan krieria AIC dan RMSE adalah model dengan orde b=2 r= s= dengan komponen noise (,,1). Persamaan maemais dari model erbaik disajikan sebagai beriku.dimana y =Y -Y -1 dan x -2 = X -2 X -25 hal ini disebabkan karena daa volume konsumsi air mengalami proses differencing non musiman pada lag-1, sehingga model akhir yang didapa adalah Y =,893X (-2) -,893X (-25) +Y (-1) +a -,71523 a(-1) Arinya volume produksi air PDAM Kabupaen Bojonegoro bulan ini dipengaruhi oleh volume produksi pada 1 bulan sebelumnya sera volume konsumsi air pada 2 dan 25 bulan sebelumnya. D. Model Fungsi Transfer Muli Inpu Prosedur yang dipakai sebagai langkah awal dalam pemodelan fungsi ransfer muli inpu adalah idenifikasi nilai b,r,s secara serenak pada kedua inpu yang sebelumnya elah dihasilkan pada model fungsi ransfer single inpu. Beberapa dugaan model fungsi ransfer muli inpu yang dihasilkan adalah b= 23 r= s= unuk X 1 dan b= 2 r= s= unuk X 2, b= 23 r= s= unuk X 1 dan b= r= s=[11] unuk X 2 sera b= r= s= unuk X 1 dan b= r= s=[22] unuk X 2. Prosedur selanjunya yaiu pengujian signifikan parameer pada keiga dugaan model, dan hasil yang didapakan adalah model dengan orde b= r= s= unuk X 1 dan b= r= s=[22] unuk X 2, parameernya idak signifikan secara saisik, karena nilai
6 p_value yang diperoleh sebesar ω 1 =,92, ω 2 =,9, ω 22 =,19. Kedua model yang parameernya elah signifikan secara saisik akan dilanjukan dengan idenifikasi komponen noise. Berdasarkan hasil idenifikasi komponen noise dapa dikeahui bahwa model pada orde b=23 r= s= dan b=2 r= s= harus diambahkan komponen noise karena beberapa nilai p_value nya bernilai kurang dari alpha 5% (,35;,35;,797;,279). Idenifikasi komponen noise diduga melalui plo ACF dan PACF. Dugaan dari komponen noise unuk model dengan orde b=23 r= s= dan b=2 r= s= adalah model ([1],,1), (,,1[1]), dan ([22],,1). Tabel menunjukkan hasil pengujian asumsi dari seiap model yang elah diambah komponen noise. Tabel. Hasil Pengujian Asumsi Orde b=23 r= s= b=23 r= s= seelah Diambah Komponen Noise Model Parameer p_value Lag p_value p_value KS ([1],,1) (,,1[1]) ([22],,1),199,27,25,33,179, ,55,92,517,3997,333,577,3,333,7,5,399,,15,15,15 Berdasarkan Tabel dapa dikeahui bahwa semua parameer pada model elah signifikan secara saisik, residual pada model juga elah whie noise dan berdisribusi normal. Begiu pula unuk model pada orde b=23 r= s= dan b=2 r= s=[11] residualnya elah memenuhi asumsi normal. Hal ersebu diunjukkan melalui nilai p_value sebesar,15 yang lebih besar daripada alpha 5%. Pengujian erakhir adalah crosscorrelaion, dan diperoleh hasil semua dugaan model elah memenuhi asumsi yang dapa dibukikan melalui nilai p_value yang lebih besar dari alpha 5%. Seelah semua asumsi erpenuhi dapa dilakukan pemilihan model erbaik. Dan diperoleh hasil bahwa model pada orde b=23 r= s= dan b=2 r= s= dengan komponen noise ([1],,1) merupakan model erbaik karena memiliki nilai RMSE paling minimum yaiu sebesar 193,22. Model maemais dari model erbaik, dimana y =Y -Y -1 dan x -23 = X -23 X -2, sera x -2 = X -2 X -25 hal ini disebabkan karena daa jumlah pelanggan dan volume konsumsi air mengalami proses differencing non musiman pada lag-1, sehingga model akhir yang didapa adalah Y =39,39X (1-23) +39,39X (1-2) +13,7X (1-3)+13,7X (1-3) -,5583X (2-2) -,5583X (2-25) +,53X (2-3)-,53X (2-35) +Y (-1) -,339Y (-1) +,339Y (- 11)+a +,81977a (-1) -,339a (-1) -,2721a (-11) Arinya volume produksi air PDAM Kabupaen Bojonegoro bulan ini dipengaruhi oleh volume produksi pada 1,1, dan 11 bulan sebelumnya. Jumlah pelanggan pada 23,2,33,dan 3 bulan sebelumnya juga iku mempengaruhi volume produksi air pada bulan ini, sera volume konsumsi air pada 2, 25, 3, dan 35 bulan sebelumnya juga mempengaruhi volume produksi air pada bulan ini. Model yang dipakai unuk peramalan merupakan model erbaik yang dipilih berdasarkan krieria RMSE ou sample. Dan seelah dihiung nilai RMSE dapa dikeahui bahwa model erbaik yang dipakai unuk meramalkan produksi air unuk beberapa periode ke depan adalah model fungsi ransfer muli inpu, dengan nilai RMSE sebesar 193,22. V. KESIMPULAN 1. Berdasarkan model dapa dikeahui bahwa volume produksi air bulan ini dipengaruhi oleh volume produksi air pada 1 dan 11 bulan sebelumnya. 2. Model erbaik yang dipilih adalah muli inpu, dan dapa dikeahui bahwa volume produksi air PDAM Kabupaen Bojonegoro bulan ini dipengaruhi oleh volume produksi pada 1,1, dan 11 bulan sebelumnya. Jumlah pelanggan pada 23,2,33,dan 3 bulan sebelumnya, sera volume konsumsi air pada 2, 25, 3, dan 35 bulan sebelumnya. 3. Hasil peramalan volume produksi air berdasarkan model erbaik unuk periode ke depan menunjukkan bahwa volume produksi air paling inggi erjadi pada bulan November 21, sedangkan pada bulan Mare 21 volume produksi airnya paling rendah DAFTAR PUSTAKA [1] Ayu Fungsi dan Peran Air Bagi Kehidupan Manusia. hp:/-/ Diakses anggal 1 Desember 213, pukul 11.5 WIB. [2] [PDAM Bjn] Perusahaan Daerah Air Minum Bojonegoro Laar Belakang Berdirinya PDAM Bojonegoro. Arikel yang diakses dari hp://pdambjn.co.id/ pada Minggu, 23 Desember 213, pukul 1.37 WIB. [3] Habibi, A.M Sudi Perencanaan Jaringan Disribusi Air Bersih PDAM unuk Memenuhi Kebuuhan Air Bersih di Kecamaan Ngasem Kabupaen Bojonegoro, Laporan Tugas Akhir, Teknik Sipil-UMM, Malang. [] Agusina, D.V. 27. Analisa Kinerja Sisem Disribusi Air Bersih PDAM Kecamaan Banyumanik di Perumnas Banyumanik, Tesis, Magiser Teknik Sipil-Universias Diponegoro, Semarang. [5] Bowerman, B.L, dan O Connell, R.T., Forecasing and Time Series: An Applied Approach 3rd ediion. California: Duxbury Press. [] Nurina, D.L Peramalan Volume Pemakaian Air Sekor Rumah Tangga di Kabupaen Gresik dengan Menggunakan Fungsi Transfer. Jurnal Sains dan Seni Pomis.2(2) : 2-2 [7] Nurina, D.L Peramalan Volume Pemakaian Air Sekor Rumah Tangga di Kabupaen Gresik dengan Menggunakan Fungsi Transfer. Jurnal Sains dan Seni Pomis.2(2) : 2-2 [8] Makridakis, S., Seven, C.W., & Vicor, E.M Jilid 1 Edisi Kedua, Terjemahan Ir. Hari Sumino. Meode dan Aplikasi Peramalan, Jakara : Bina Rupa Aksara. [9] Wei, W.W.S. 2. Time Series Analysis Univariae and Mulivariae Mehods. Unied Saes : Pearson Educaion, Inc. [1] Abraham, B., & Johannes, L Saisical Mehod for Forecasing. John Willey and Sons, Inc., Canada
Oleh: TANTI MEGASARI Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes
PERAMALAN INDEKS HARGA SAHAM YANG DIPENGARUHI KURS, PERUBAHAN INFLASI, POSISI JUMLAH DEPOSITO BERJANGKA, SUKU BUNGA SBI DAN DEPOSITO MENGGUNAKAN FUNGSI TRANSFER DAN ARCH-GARCH Oleh: TANTI MEGASARI 6 00
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Pada dasarnya peramalan adalah merupakan suau dugaan aau perkiraan enang erjadinya suau keadaan di masa depan. Akan eapi dengan menggunakan meodemeode erenu peramalan
Lebih terperinciPeramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Multi Input. : Nesia Brilliana I.P NRP :
Peramalan Hasil Produksi Pupuk NPK Menggunakan Model Fungsi Transfer Muli Inpu Nama : Nesia Brilliana I.P NRP : 20800023 Jurusan : Maemaika Dosen Pembimbing : Dra. Nuri Wahyuningsih, M. Kes Pemberian pupuk
Lebih terperinciPeramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk
Peramalan Volume Penjualan Semen di PT.Semen Gresik Persero Tbk Oleh : Dwi Hapsari K (1306 100 015) Dosen Pembimbing : Dra. Karika Firiasari, M.Si 1 Pendahuluan Laar Belakang, Perumusan Masalah, Tujuan
Lebih terperinciBAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF
BAB III RUNTUN WAKTU MUSIMAN MULTIPLIKATIF Pada bab ini akan dibahas mengenai sifa-sifa dari model runun waku musiman muliplikaif dan pemakaian model ersebu menggunakan meode Box- Jenkins beberapa ahap
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI MITRA PINASTHIKA MUSTIKA (MPM) HONDA MOTOR DENGAN PENDEKATAN ARIMA Oleh : Liviani Nursia 307030040 Dosen Pembimbing: Dr. Brodjol Suijo S.U, MSi Laar Belakang
Lebih terperinciANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 009 XV-1 ANALISIS PERAMALAN INDEKS HARGA SAHAM KOSPI DENGAN MENGGUNAKAN METODE INTERVENSI Muhammad Sjahid Akbar, Jerry Dwi Trijoyo
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengerian Peramalan Peramalan (forecasing) adalah suau kegiaan yang memperkirakan apa yang akan erjadi pada masa yang akan daang. Meode peramalan merupakan cara unuk memperkirakan
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi padi merupakan suatu hasil bercocok tanam yang dilakukan dengan
BAB 2 LANDASAN TEORI 2.1. Produksi Produksi padi merupakan suau hasil bercocok anam yang dilakukan dengan penanaman bibi padi dan perawaan sera pemupukan secara eraur sehingga menghasilkan suau produksi
Lebih terperinciBAB 2 TINJAUAN TEORITIS. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang
BAB 2 TINJAUAN TEORITIS 2.1 Pengerian dan Manfaa Peramalan Kegiaan unuk mempeirakan apa yang akan erjadi pada masa yang akan daang disebu peramalan (forecasing). Sedangkan ramalan adalah suau kondisi yang
Lebih terperinci*Corresponding Author:
Prosiding Seminar Tugas Akhir FMIPA UNMUL 5 Periode Mare 6, Samarinda, Indonesia ISBN: 978-6-7658--3 Penerapan Model Neuro-Garch Pada Peramalan (Sudi Kasus: Reurn Indeks Harga Saham Gabungan) Applicaion
Lebih terperinciBAB III ARFIMA-FIGARCH. pendek (short memory) karena fungsi autokorelasi antara dan turun
BAB III ARFIMA-FIGARCH 3. Time Series Memori Jangka Panjang Proses ARMA sering dinyaakan sebagai proses memori jangka pendek (shor memory) karena fungsi auokorelasi anara dan urun cepa secara eksponensial
Lebih terperinciPERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT
Saisika, Vol. 2, No. 2, November 24 PERAMALAN FUNGSI TRANSFER SINGLE INPUT INDEKS HARGA SAHAM GABUNGAN TERHADAP SAHAM NEGARA TERDEKAT Sri Wahyuni, 2 Farikhin, Iswahyudi Joko Suprayino Program Sudi Saisika
Lebih terperinciPeramalan Inflasi Menggunakan Model Fungsi Transfer Multi Input. Forcasting Inflation Using Multiple Input Transfer Function Model
Peramalan Inflasi Menggunakan Model Fungsi Transfer Muli Inpu Forcasing Inflaion Using Muliple Inpu Transfer Funcion Model Novi Adisia, Sri Wahyuningsih, dan Rio Goeanoro 3 Laboraorium Saisika Terapan
Lebih terperinciPemodelan Data Runtun Waktu : Kasus Data Tingkat Pengangguran di Amerika Serikat pada Tahun
Pemodelan Daa Runun Waku : Kasus Daa Tingka Pengangguran di Amerika Serika pada Tahun 948 978. Adi Seiawan Program Sudi Maemaika, Fakulas Sains dan Maemaika Universias Krisen Saya Wacana, Jl. Diponegoro
Lebih terperinciKAJIAN PEMODELAN DERET WAKTU: METODE VARIASI KALENDER YANG DIPENGARUHI OLEH EFEK VARIASI LIBURAN
JMP : Volume 4 omor, Juni 22, hal. 35-46 KAJIA PEMODELA DERET WAKTU: METODE VARIASI KALEDER YAG DIPEGARUHI OLEH EFEK VARIASI LIBURA Winda Triyani Universias Jenderal Soedirman winda.riyani@gmail.com Rina
Lebih terperinciBAB II LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan yang mengestimasi apa yang akan
BAB II LADASA TEORI 2.1 Pengerian peramalan (Forecasing) Peramalan (Forecasing) adalah suau kegiaan yang mengesimasi apa yang akan erjadi pada masa yang akan daang dengan waku yang relaif lama (Assauri,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Air merupakan kebuuhan pokok bagi seiap makhluk hidup di dunia ini ermasuk manusia. Air juga merupakan komponen lingkungan hidup yang pening bagi kelangsungan hidup
Lebih terperincimetodologi penelitian
pendahuluan injauan pusaka meodologi peneliian hasil dan pembahasan kesimpulan Pusaka Meodologi Peningkaan Energi lisrik Kebuuhan energi lisrik Pengembangan sisem energi lisrik Peramalan beban lisrik Slide
Lebih terperinciBAB 2 LANDASAN TEORI. Metode Peramalan merupakan bagian dari ilmu Statistika. Salah satu metode
20 BAB 2 LADASA TEORI 2.1. Pengerian Peramalan Meode Peramalan merupakan bagian dari ilmu Saisika. Salah sau meode peramalan adalah dere waku. Meode ini disebu sebagai meode peramalan dere waku karena
Lebih terperinciModel ARIMAX Dan Deteksi GARCH Untuk Peramalan Inflasi Kota Denpasar Tahun 2014
JEKT Model ARIMAX Dan Deeksi GARCH Unuk Peramalan Inflasi Koa Denpasar Tahun 2014 Rukini *) Badan Pusa Saisik Provinsi Bali ABSTRAK pemerinah dalam mengambil kebijakan unuk menjaga sabilias moneer di masa
Lebih terperinciPemodelan Produksi Minyak dan Gas Bumi pada Platform MK di PT X Menggunakan Metode ARIMA, Neural Network, dan Hibrida ARIMA-Neural Network
D-378 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (26) 2337-3520 (23-928X Prin) Pemodelan Produksi Minyak dan Gas Bumi pada Plaform MK di PT X Menggunakan Meode ARIMA, Neural Nework, dan Hibrida ARIMA-Neural
Lebih terperinciANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER. Muflih Rori Putra Harahap
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR DI KABUPATEN NGAWI DENGAN ARIMA DAN VARIASI KALENDER Muflih Rori Pura Harahap 30 00 052 Pembimbing : Dr. Drs. Agus Suharsono, M.S. LATAR BELAKANG PENDAHULUAN
Lebih terperinciBAB III METODE PEMULUSAN EKSPONENSIAL TRIPEL DARI WINTER. Metode pemulusan eksponensial telah digunakan selama beberapa tahun
43 BAB METODE PEMUUAN EKPONENA TRPE DAR WNTER Meode pemulusan eksponensial elah digunakan selama beberapa ahun sebagai suau meode yang sanga berguna pada begiu banyak siuasi peramalan Pada ahun 957 C C
Lebih terperinciPeramalan Jumlah Pengunjung Domestik dan Mancanegara di Maharani Zoo & Goa Menggunakan ARIMA Box - Jenkins
Peramalan Jumlah Pengunjung Domesik dan Mancanegara di Maharani oo & Goa Menggunakan ARIMA Box - Jenkins Vivi Kusuma Sulisyawai (3030085) Dosen Pembimbing Dr. Irhamah, S.Si.,M.Si Laar Belakang Rumusan
Lebih terperinciBAB 2 URAIAN TEORI. waktu yang akan datang, sedangkan rencana merupakan penentuan apa yang akan
BAB 2 URAIAN EORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan aau memprediksi apa yang erjadi pada waku yang akan daang, sedangkan rencana merupakan penenuan apa yang akan dilakukan
Lebih terperinciAnalisis Peramalan Jumlah Permintaan Kerudung di Industri Kecil Kerudung Arin di Surabaya dengan Metode Variasi Kalender
Analisis Peramalan Jumlah Perminaan Kerudung di Indusri Kecil Kerudung Arin di Surabaya dengan Meode Variasi Kalender Disusun oleh : Sely Enggar Rusiano 307 030 030 Dosen Pembimbing : Dr. Irhamah, M.Si
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah Dalam sisem perekonomian suau perusahaan, ingka perumbuhan ekonomi sanga mempengaruhi kemajuan perusahaan pada masa yang akan daang. Pendapaan dan invesasi merupakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan adalah kegiaan memperkirakan apa yang akan erjadi pada masa yang akan daang. Ramalan adalah sesuau kegiaan siuasi aau kondisi yang diperkirakan akan erjadi
Lebih terperinciMODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR
MODEL ARIMAX DAN DETEKSI GARCH UNTUK PERAMALAN INFLASI KOTA DENPASAR S - 27 Rukini, Suharono2 2,2 Jurusan Saisika Fakulas Maemaika dan Ilmu Pengeahuan Alam Insiu Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciDAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Studi Aplikasi Model Intervensi dengan Step Function)
DAMPAK PENURUNAN HARGA BBM JENIS PREMIUM TERHADAP ANGKA INFLASI DI KOTA YOGYAKARTA (Sudi Aplikasi Model Inervensi dengan Sep Funcion) S-3 Kismianini dan Dhoriva Urwaul Wusqa Jurusan Pendidikan Maemaika
Lebih terperinciPENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Studi Kasus: PT Tembaga Mulia Semanan)
Prosiding Seminar Nasional Manajemen Teknologi Program Sudi MMT-ITS, Surabaya 1 Agusus 2009 PENGAMBILAN KEPUTUSAN DENGAN METODE PERAMALAN AUTOREGRESIVE INTEGRATED MOVING AVERAGE (ARIMA) (Sudi Kasus: PT
Lebih terperinciPemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Metode Intervensi dan Regresi Spline ABSTRAK
Pemodelan Indeks Harga Konsumen Kelompok Bahan Makanan menggunakan Meode Inervensi dan Regresi Spline Rina Andriani, Dr. Suharono, M.Sc 2 Mahasiswa Jurusan Saisika FMIPA-ITS, 2 Dosen Jurusan Saisika FMIPA-ITS
Lebih terperinciBAB II TINJAUAN TEORITIS
BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasing) 2.1.1 Pengerian Peramalan Peramalan dapa diarikan sebagai beriku: a. Perkiraan aau dugaan mengenai erjadinya suau kejadian aau perisiwa di waku yang akan
Lebih terperinciAnalisis Peramalan Jumlah Penumpang Kereta Api Penataran Tujuan Surabaya-Malang
Analisis Peramalan Jumlah Penumpang Kerea Api Penaaran Tujuan Surabaya-Malang Oleh. Andria Prima Diago 08.00.0 Dosen Pembimbing. r. Dwiamono Agus, M.komp Andria Prima Diago 08.00.0 nsiu Teknologi Sepuluh
Lebih terperinciKata kunci: Deret waktu, Heteroskedastisitas, IGARCH, Peramalan. Keywords: Time Series, Heteroscedasticity, IGARCH, Forecasting.
METODE INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH) UNTUK MEMODELKAN HARGA GABAH DUNIA (INTEGRATED GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY TO CAPTURE
Lebih terperinciMODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI
MODEL FUNGSI TRANSFER MULTIVARIAT DAN APLIKASINYA UNTUK MERAMALKAN CURAH HUJAN DI KOTA YOGYAKARTA SKRIPSI Diajukan kepada Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Negeri Yogyakara unuk memenuhi
Lebih terperinciBAB 1 PENDAHULUAN. Sumber Daya Alam (SDA) yang tersedia merupakan salah satu pelengkap alat
BAB 1 PENDAHULUAN 1.1 Laar Belakang Sumber Daya Alam (SDA) yang ersedia merupakan salah sau pelengkap ala kebuuhan manusia, misalnya anah, air, energi lisrik, energi panas. Energi Lisrik merupakan Sumber
Lebih terperinciPERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR
TUGAS AKHIR SS 145561 PERAMALAN KONSUMSI LISTRIK PADA SEGMEN RUMAH TANGGA PT PLN (PERSERO) DISTRIBUSI JAWA TIMUR SARIRAZTY DWIJANTARI NRP 1314 030 010 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN
Lebih terperinciPeramalan Inflasi Nasional Berdasarkan Faktor Ekonomi Makro Menggunakan Pendekatan Time Series Klasik dan ANFIS
JURNAL SAINS DAN SENI IS Vol. 4, No., () 2337-3 (2-928X Prin) D-67 Peramalan Inflasi Nasional Berdasarkan Fakor Ekonomi Makro Menggunakan Pendekaan ime Series Klasik dan ANFIS Clara Agusin Sephani, Agus
Lebih terperinciPERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN JUMLAH PENUMPANG TRANSPORTASI UDARA TUJUAN SURABAYA BALIKPAPAN DENGAN METODE ARIMA BOX-JENKINS Joko Ariyadi (308 030 060) Pembimbing : Drs. Brodjol Suijo Suprih Ulama, M.Si Laar Belakang 2 Laar
Lebih terperinciPendekatan Fungsi Transfer Sebagai Input Adaptive Neuro-Fuzzy Inference System (ANFIS) dalam Peramalan Kecepatan Angin Rata-Rata Harian di Sumenep
JURNL SINS DN SENI ITS Vol., No., (Sep. 0 ISSN: 0-9 D- Pendekaan Fungsi Transer Sebagai Inpu dapive Neuro-Fuzzy Inerence Sysem (NFIS dalam Peramalan Kecepaan ngin Raa-Raa Harian di Sumenep Yulia Nurviasari
Lebih terperinciBAB III ANALISIS INTERVENSI. Analisis intervensi dimaksudkan untuk penentuan jenis respons variabel
BAB III ANALISIS INTERVENSI 3.1. Pendahuluan Analisis inervensi dimaksudkan unuk penenuan jenis respons variabel ak bebas yang akan muncul akiba perubahan pada variabel bebas. Box dan Tiao (1975) elah
Lebih terperinciESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING
ESTIMASI PARAMETER MODEL ARMA UNTUK PERAMALAN DEBIT AIR SUNGAI MENGGUNAKAN GOAL PROGRAMMING Nama: Zahroh Aiqoh 05 00 0 Dosen Pembimbing: Dra. Nuri Wahyuningsih, MKes Drs. Sulisiyo, MT Jurusan Maemaika
Lebih terperinciIV METODE PENELITIAN
IV METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian yang dilakukan mengenai analisis perencanaan pengadaan una berdasarkan ramalan ime series volume ekspor una loin beku di PT Tridaya Eramina
Lebih terperinciTUGAS AKHIR. untuk Analisis Peramalan Data Ekspor Non Migas Indonesia Di Sektor Pertanian, Sektor Perindustrian dan Sektor
TUGAS AKHIR Pendekaan Meode ARIMA Box Jenkins unuk Analisis Peramalan Daa Ekspor Non Migas Indonesia Di Sekor Peranian, Sekor Perindusrian dan Sekor Nurul Laifa Perambangan 307 030 70 Dosen pembimbing
Lebih terperinciPeramalan Penjualan Sepeda Motor di Jawa Timur dengan Menggunakan Model Dinamis
JURNAL SAINS DAN NI POMITS Vol. 3, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Prin) D-224 Peramalan Penjualan Sepeda Moor di Jawa Timur dengan Menggunakan Model Dinamis Desy Musika dan Seiawan Jurusan Saisika,
Lebih terperinciPERAMALAN JUMAH MOBIL PRIBADI YANG BERADA DI KOTA SURABAYA
TUGAS AKHIR SS 145561 PERAMALAN JUMAH MOBIL PRIBADI YANG BERADA DI KOTA SURABAYA RIZKI FEBRIASTO NRP 1314 030 102 Dosen Pembimbing Dr. Wahyu Wibowo, S.Si., M.Si DEPARTEMEN STATISTIKA BISNIS Fakulas Vokasi
Lebih terperinciPERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENGUNJUNG PANTAI KENJERAN SURABAYA MENGGUNAKAN ARIMA BOX-JENKINS Puri Handayani NRP 1314 030 112 Dosen Pembimbing Dr. Brodjol Suijo Suprih Ulama, M.Si. Deparemen
Lebih terperinciBAB I PENDAHULUAN. tepat rencana pembangunan itu dibuat. Untuk dapat memahami keadaan
BAB I PENDAHULUAN 1.1 Laar Belakang Dalam perencanaan pembangunan, daa kependudukan memegang peran yang pening. Makin lengkap dan akura daa kependudukan yang esedia makin mudah dan epa rencana pembangunan
Lebih terperinciANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
ISSN: 9-54 JURNAL GAUSSIAN, Volume 4, Nomor, Tahun 05, Halaman 6-60 Online di: hp://eournal-s.undip.ac.id/index.php/gaussian ANALISIS INTERVENSI KENAIKAN HARGA BBM BERSUBSIDI PADA DATA INFLASI KOTA SEMARANG
Lebih terperinciPENERAPAN METODE TRIPLE EXPONENTIAL SMOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUSAHAAN MEBEL SINAR JEPARA TANJUNGANOM NGANJUK.
PENERAPAN METODE TRIPLE EXPONENTIAL MOOTHING UNTUK MENGETAHUI JUMLAH PEMBELI BARANG PADA PERUAHAAN MEBEL INAR JEPARA TANJUNGANOM NGANJUK. ii Rukayah*), Achmad yaichu**) ABTRAK Peneliian ini berujuan unuk
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju-laju
Lebih terperinciANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS:
ANALISIS PERAMALAN KOMBINASI TERHADAP JUMLAH PERMINTAAN DARAH DI SURABAYA (STUDI KASUS: UDD PMI KOTA SURABAYA) Oleh: Winda Eka Febriana (0500) Pembimbing: Ir. Dwiamono Agus W., MIKom . LATAR BELAKANG DARAH
Lebih terperinciProsiding Seminar Nasional Matematika dan Terapannya 2016 p-issn : ; e-issn :
Prosiding Seminar Nasional Maemaika dan Terapannya 2016 p-issn : 2550-0384; e-issn : 2550-0392 PERAMALAN VOLUME PENGGUNAAN AIR BERSIH DENGAN METODE WINTERS EPONENTIAL SMOOTHING UNTUK MENENTUKAN VOLUME
Lebih terperinciARIMA (Autoregressive Integrated Moving Average)
ARIMA (Auoregressive Inegraed Moving Average) I. Prinsip Dasar dan Tujuan Analisis. Prinsip Dasar ARIMA sering juga disebu meode runun waku Box-Jenkins. ARIMA sanga baik keepaannya unuk peramalan jangka
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan ekonomi merupakan salah satu ukuran dari hasil pembangunan yang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Perumbuhan ekonomi merupakan salah sau ukuran dari hasil pembangunan yang dilaksanakan khususnya dalam bidang ekonomi. Perumbuhan ersebu merupakan rangkuman laju perumbuhan
Lebih terperinciPeramalan Outflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Autoregressive (GSTAR)
JURNA SAINS DAN SENI ITS Vol. 5 No. (16) 7-5 (1-98X Prin) D-59 Peramalan Ouflow Uang Pecahan di Jawa Timur Menggunakan Generalized Space Time Auoregressive (GSTAR) Rahmah Safiri, Seiawan, dan Imam Safawi
Lebih terperinciAPLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND
APLIKASI PEMULUSAN EKSPONENSIAL DARI BROWN DAN DARI HOLT UNTUK DATA YANG MEMUAT TREND Noeryani 1, Ely Okafiani 2, Fera Andriyani 3 1,2,3) Jurusan maemaika, Fakulas Sains Terapan, Insiu Sains & Teknologi
Lebih terperinciPERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN JUMLAH PENJUALAN KORAN HARIAN BERLANGGANAN DI PT. JAWA POS DENGAN MENGGUNAKAN ARIMA BOX-JENKINS TRI EMIRA RISMAYANTI NRP 1314 030 070 Dosen Pembimbing Dr. Brodjol Suijo
Lebih terperinciPerbandingan Metode Winter Eksponensial Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X
JURAL SAIS DA SEI ITS Vol. 6, o.1, (2017) 2337-3520 (2301-928X Prin) A 1 Perbandingan Meode Winer Eksponensial Smoohing dan Meode Even Based unuk Menenukan Penjualan Produk Terbaik di Perusahaan X Elisa
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO
PERBANDINGAN MODEL ARIMA DAN FUNGSI TRANSFER PADA PERAMALAN CURAH HUJAN KABUPATEN WONOSOBO SKRIPSI Disusun Oleh : SITI LIS INA ATUL HIDAYAH 24010211120006 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciJurnal EKSPONENSIAL Volume 5, Nomor 2, Nopember 2014 ISSN
Peramalan Dengan Meode Smoohing dan Verifikasi Meode Peramalan Dengan Grafik Pengendali Moving Range () (Sudi Kasus: Produksi Air Bersih di PDAM Tira Kencana Samarinda) Forecasing wih Smoohing and Verificaion
Lebih terperinciPenentuan Pelebaran Window Time Optimal Pada Data Deret Waktu
1 Penenuan Pelebaran Window Time Opimal Pada Daa Dere Waku (1) Nursya`bani Hendro Prabowo dan (2) Raden Mohamad Aok Deparemen Saisika, Fakulas Maemaika dan Ilmu Pengeahuan Alam, Insiu Teknologi Sepuluh
Lebih terperinciBAB III METODE DEKOMPOSISI CENSUS II. Data deret waktu adalah data yang dikumpulkan dari waktu ke waktu
BAB III METODE DEKOMPOSISI CENSUS II 3.1 Pendahuluan Daa dere waku adalah daa yang dikumpulkan dari waku ke waku unuk menggambarkan perkembangan suau kegiaan (perkembangan produksi, harga, hasil penjualan,
Lebih terperinciPENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA
PENGARUH PANJANG DAN LEBAR DATA DEBIT HISTORIS PADA KINERJA MODEL PEMBANGKITAN DATA DEBIT SUNGAI BRANTAS DENGAN METODE ARIMA Maskur Efendi ), Widandi Soeopo 2), Piojo Tri Juwono 2) ) Mahasiswa Magiser
Lebih terperinciPENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN
IndoMS Journal on Saisics Vol., No. (04), Page 7-37 PENAKSIRAN PARAMETER MODEL VECTOR AUTOREGRESSIVE INTEGRATED (VARI) DENGAN METODE MLE DAN PENERAPANNYA PADA DATA INDEKS HARGA KONSUMEN Dinda Ariska Wulandari,
Lebih terperinci(T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES
PROSIDING ISSN : 087-590. Seminar Nasional Saisika November 0 Vol, November 0 (T.9) PENAKSIRAN MODEL GARCH DENGAN METODE BOUNDED M-ESTIMATES Yahya Ubaid ), Budi Nurani R. ), Mulyana K. 3) )Mahasiswa Program
Lebih terperinciPERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,1,1)(0,1,1) 12 TUGAS AKHIR.
PERAMALAN JUMLAH PENUMPANG AIRLINES PT. ANGKASA PURA II BANDARA SULTAN SYARIF KASIM II PEKANBARU DENGAN ARIMA(0,,)(0,,) 2 TUGAS AKHIR Diajukan Sebagai Salah Sau Syara unuk Memperoleh Gelar Sarjana Sains
Lebih terperinciPEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA
PEMODELAN TRAFIK GSM DI AREA SURABAYA MENGGUNAKAN METODE ARIMA Fadil Rahman Hakim, Dr. Ir. Achmad Mauludiyano, MT. Program Sudi Telekomunikasi Mulimedia Jurusan Teknik Elekro Fakulas Teknologi Indusri
Lebih terperinciPEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 9 PEMODELAN DATA DERET WAKTU YANG MENGANDUNG EFEK VARIASI KALENDER PADA KASUS PENJUALAN PRODUK DI PERUSAHAAN RITEL Y.P.Y. Asmara,
Lebih terperinciPERAMALAN VOLUME PENJUALAN KEDELAI PT. X MENGGUNAKAN METODE ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN VOLUME PENJUALAN KEDELAI PT. X MENGGUNAKAN METODE ARIMA BOX-JENKINS Affanda Abdul Hakim Aminullah NRP 1314 030 048 Dosen Pembimbing : Dr. Brodjol Suijo S.U., M.Si Deparemen
Lebih terperinciBAB 1 PENDAHULUAN. Dalam pelaksanaan pembangunan saat ini, ilmu statistik memegang peranan penting
BAB 1 PENDAHULUAN 1.1. Laar Belakang Dalam pelaksanaan pembangunan saa ini, ilmu saisik memegang peranan pening baik iu di dalam pekerjaan maupun pada kehidupan sehari-hari. Ilmu saisik sekarang elah melaju
Lebih terperinciDosen Pembimbing Dr. Brodjol Sutijo Suprih Ulama, M.Si.
TUGAS AKHIR SS 145561 PERAMALAN NILAI IMPOR NON MIGAS DI JAWA TIMUR DENGAN MENGGUNAKAN METODE ARIMA BOX-JENKINS BOBBY AKBAR NRP 1314 030 002 Dosen Pembimbing Dr Brodjol Suijo Suprih Ulama, MSi DEPARTEMEN
Lebih terperinciBAB 2 LANDASAN TEORI. Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang
BAB 2 LANDASAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau aau kondisi yang diperkirakan akan erjadi
Lebih terperinciPEMODELAN PRODUKSI SEKTOR PERTANIAN
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, 7 November 2009 PEMODELAN PRODUKSI SEKTOR PERTANIAN Brodjol Suijo Jurusan Saisika ITS Surabaya ABSTRAK Pada umumnya daa ekonomi bersifa ime
Lebih terperinciPeramalan Pengguna Kapal Ferry Ujung-Kamal dengan Metode Intervensi
D-480 JURNAL SAINS DAN SENI IS Vol. No. 2 (6) 2337-3 (2-928X Prin) Peramalan Pengguna Kapal Ferry Ujung-Kamal dengan Meode Inervensi Eka Apriliani, dan Irhamah Jurusan Saisika, Fakulas MIPA, Insiu eknologi
Lebih terperinciBAB 2 TINJAUAN TEORI
7 BAB 2 TINJAUAN TEORI 2.1 Pengerian Peramalan Peramalan adalah kegiaan unuk memperkirakan apa yang akan erjadi di masa yang akan daang. Sedangkan ramalan adalah suau siuasi aau kondisi yang diperkirakan
Lebih terperinciBAB 1 PENDAHULUAN. Propinsi Sumatera Utara merupakan salah satu propinsi yang mempunyai
BAB 1 PENDAHULUAN 1.1 Laar Belakang Propinsi Sumaera Uara merupakan salah sau propinsi yang mempunyai perkembangan yang pesa di bidang ransporasi, khususnya perkembangan kendaraan bermoor. Hal ini dapa
Lebih terperinciPERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS
TUGAS AKHIR SS 145561 PERAMALAN NILAI EKSPOR NON MIGAS SEKTOR PERINDUSTRIAN DI JAWA TIMUR DENGAN MENGGUNAKAN ARIMA BOX-JENKINS Mohammad Fariq NRP 1314 030 015 Dosen Pembimbing Dra. Sri Mumpuni Renaningsih,
Lebih terperinciPEMODELAN NILAI TUKAR RUPIAH TERHADAP $US MENGGUNAKAN DERET WAKTU HIDDEN MARKOV SATU WAKTU SEBELUMNYA 1. PENDAHULUAN
PEMODELAN NILAI UKAR RUPIAH ERHADAP $US MENGGUNAKAN DERE WAKU HIDDEN MARKOV SAU WAKU SEBELUMNYA BERLIAN SEIAWAY, DIMAS HARI SANOSO, N. K. KUHA ARDANA Deparemen Maemaika Fakulas Maemaika dan Ilmu Pengeahuan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Laar Belakang Masalah persediaan merupakan masalah yang sanga pening dalam perusahaan. Persediaan mempunyai pengaruh besar erhadap kegiaan produksi. Masalah persediaan dapa diaasi
Lebih terperinciMAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS
1. Pendahuluan MAKALAH TUGAS AKHIR IDENTIFIKASI MODEL ARIMA BOX-JENKINS CAMPURAN DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA Oleh : Febriana Dwi P. (1306 100 011) Dosen Pembimbing I : Dr. Irhamah, S.Si,
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1 Lokasi dan Waku Peneliian Peneliian ini dilaksanakan pada kasus pengolahan ikan asap IACHI Peikan Cia Halus (PCH) yang erleak di Desa Raga Jaya Kecamaan Ciayam, Kabupaen Bogor,
Lebih terperinciSekilas Pandang. Modul 1 PENDAHULUAN
Modul 1 Sekilas Pandang Drs. Irlan Soelaeman, M.Ed. S PENDAHULUAN uau hari, saya dan keluarga berencana membawa mobil pergi ke Surabaya unuk mengunjungi salah seorang saudara. Sau hari sebelum keberangkaan,
Lebih terperinciBAB 1 PENDAHULUAN. Kabupaten Labuhan Batu merupakan pusat perkebunan kelapa sawit di Sumatera
BAB 1 PENDAHULUAN 1.1 Laar Belakang Kabupaen Labuhan Bau merupakan pusa perkebunan kelapa sawi di Sumaera Uara, baik yang dikelola oleh perusahaan negara / swasa maupun perkebunan rakya. Kabupaen Labuhan
Lebih terperinciPERAMALAN NILAI NAV RMF, EQUITY DAN FIXED FUND PT. PRUDENTIAL LIFE ASSURANCE DENGAN MODEL VARIMA DAN ARIMA
Gunawan: PERAMALAN NILAI NAV RMF, EQUITY, DAN FIXED FUND PT. PRUDENTIAL LIFE 9 PERAMALAN NILAI NAV RMF, EQUITY DAN FIXED FUND PT. PRUDENTIAL LIFE ASSURANCE DENGAN MODEL VARIMA DAN ARIMA Eric Gunawan ),
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. yang akan datang. Peramalan menjadi sangat penting karena penyusunan suatu
BAB 2 TINJAUAN PUSTAKA 2.1 Pengerian Peramalan Peramalan adalah kegiaan memperkirakan apa yang erjadi pada waku yang akan daang sedangkan rencana merupakan penenuan apa yang akan dilakukan pada waku yang
Lebih terperinci1999 sampai bulan September Data ini diperoleh dari yahoo!finance.
7 999 sampai bulan Sepember 8. Daa ini diperoleh dari yahoo!finance. Meode Langkah-langkah pemodelan nilai harian IHSG secara garis besar dapa diliha pada Lampiran dengan penjelasan sebagai beriku:. Melakukan
Lebih terperinci(T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF
Seminar Nasional Saisika 12 November 2011 Vol 2, November 2011 (T.6) PENDEKATAN INDEKS SIKLUS PADA METODE DEKOMPOSISI MULTIPLIKATIF Gumgum Darmawan, Sri Mulyani S Saf Pengajar Jurusan Saisika FMIPA UNPAD
Lebih terperinciJurusan Teknik Informatika Fakultas Teknik Universitas Muhammadiyah Jember ABSTRAK
PERBANDINGAN METODE DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN TES (TRIPLE EXPONENTIAL SMOOTHING) PADA PERAMALAN PENJUALAN ROKOK (STUDI KASUS TOKO UTAMA LUMAJANG) 1 Fajar Riska Perdana (1110651142) 2 Daryano,
Lebih terperinciIDENTIFIKASI POLA DATA TIME SERIES
IDENTIFIKASI POLA DATA TIME SERIES Daa merupakan bagian pening dalam peramalan. Beriku adalah empa krieria yang dapa digunakan sebagai acuan agar daa dapa digunakan dalam peramalan.. Daa harus dapa dipercaya
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.1. Lokasi dan Waku Peneliian Peneliian ini dilakukan di Dafarm, yaiu uni usaha peernakan Darul Fallah yang erleak di Kecamaan Ciampea, Kabupaen Bogor, Jawa Bara. Pemilihan lokasi
Lebih terperinciBAB 1 PENDAHULUAN. tahun 1990-an, jumlah produksi pangan terutama beras, cenderung mengalami
11 BAB 1 PENDAHULUAN 1.1. Laar Belakang Keahanan pangan (food securiy) di negara kia ampaknya cukup rapuh. Sejak awal ahun 1990-an, jumlah produksi pangan eruama beras, cenderung mengalami penurunan sehingga
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Kerangka Pemikiran Poensi sumberdaya perikanan, salah saunya dapa dimanfaakan melalui usaha budidaya ikan mas. Budidaya ikan mas yang erus berkembang di masyaraka, kegiaan budidaya
Lebih terperinciBAB 2 LANDASAN TEORI
35 BAB LANDASAN TEORI Meode Dekomposisi biasanya mencoba memisahkan iga komponen erpisah dari pola dasar yang cenderung mencirikan dere daa ekonomi dan bisnis. Komponen ersebu adalah fakor rend (kecendrungan),
Lebih terperinciIV. METODE PENELITIAN
IV. METODE PENELITIAN 4.. Ruang Lingkup Peneliian Peneliian ini diujukan unuk menenukan meode erbaik yang dapa digunakan dalam meramalkan harga ayam pada enam koa besar di Jawa-Bali. Meode peramalan yang
Lebih terperinciPeramalan Kebutuhan Bahan Bakar Premium di Depot Ampenan dengan Metode Hibrida Arima- Neural Network untuk Optimasi Persediaan
JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 202) ISSN: 230-928X D-94 Peramalan Kebuuhan Bahan Bakar Premium di Depo Ampenan dengan Meode Hibrida Arima- Neural Nework unuk Opimasi Persediaan Okivianis Kusumaningrum,
Lebih terperinciPROSEDUR PEMBENTUKAN MODEL VARIASI KALENDER BERDASARKAN MODEL ARIMAX UNTUK PERAMALAN DATA DENGAN EFEK VARIASI KALENDER
Seminar Nasional Saisika IX Insiu Teknologi Sepuluh Nopember, November PROSEDUR PEMBENTUKAN MODEL VARIASI KALENDER BERDASARKAN MODEL ARIMAX UNTUK PERAMALAN DATA DENGAN EFEK VARIASI KALENDER Suharono dan
Lebih terperinciPENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS (ARIMA)
Prosiding Seminar Nasional Peneliian, Pendidikan, dan Penerapan MIPA Fakulas MIPA, Universias Negeri Yogyakara, 16 Mei 2009 PENGEMBANGAN MODEL PREDIKSI OLR-MJO BERBASIS HASIL ANALISIS MODEL STATISTIK BOX-JENKINS
Lebih terperinci