IV. HASIL DAN PEMBAHASAN
|
|
- Iwan Indra Tanuwidjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 9 menguji kelayakan model sehingga model sementara tersebut cukup memadai. Salah satu caranya adalah dengan menganalisis galat (residual). Galat merupakan selisih antara data observasi dengan data hasil keluaran model. Tahap 4: Prakiraan Langkah ini merupakan langkah terakhir dimana kita bisa membuat prakiraan (forecasting) dari model yang telah kita buat. IV. HASIL DAN PEMBAHASAN 4. Analisis Spektral Data Kecepatan Angin Zonal pada Lapisan 8 mb Metode analisis spektral banyak digunakan untuk menganalisis fenomena osilasi atmosferik. Analisis ini digunakan untuk memunculkan periode dari setiap osilasi yang terjadi. Salah satu cara untuk mengamati perilaku MJO adalah dengan mengamati data indeks MJO yang saat ini telah dikenal luas yaitu Real Time Multivariate MJO (RMM dan RMM2) yang digunakan oleh pihak Badan Meteorologi Australia (BoM, Australia). RMM dan RMM2 adalah sepasang indeks untuk memonitoring MJO yang didasarkan pada sepasang fungsi ortogonal empiris gabungan dari data kecepatan angin pada lapisan 8 mb dan 2 mb, serta data Outgoing Longwave Radiation (OLR) (Wheeler dan Hendon, 24). Namun, pada penelitian ini fenomena MJO hanya diamati dengan menggunakan data kecepatan angin zonal pada lapisan 8 mb atau sekitar ketinggian.4 km. Hal tersebut didasarkan pada asumsi bahwa pada lapisan tersebut merupakan pusat konveksi, dimana akan terbentuk dasar awan-awan hujan sebagai ciri kejadian MJO. Menurut Aldrian (2) kecepatan angin juga akan mempengaruhi pembentukan awan konvektif. Jika kecepatannya terlalu tinggi maka akan menghalangi pembentukan awan konvektif, sedangkan jika terlalu lemah maka akan menyebabkan terjadinya gangguan lokal. Selain itu angin berperan dalam memindahkan awan dari tempat pembentukannya. Gambar 8 Power Spectral Density (PSD) kecepatan angin zonal periode Januari 27 3 Desember 2 di Pontianak. Berdasarkan analisis PSD, osilasi kecepatan angin zonal harian pada lapisan 8 mb atau ketinggian sekitar.4 km di Pontianak menunjukkan harian. Artinya jika osilasi ini berjalan sempurna maka dalam waktu harian akan terjadi peningkatan kecepatan angin di kawasan tersebut. Hal ini menunjukkan fenomena MJO terasa di kawasan Pontianak. Hasil yang sama juga ditunjukkan dengan teknik wavelet. Global wavelet spektrum menunjukkan periodesitas harian. harian Gambar 9 Wavelet Kecepatan Angin Zonal pada Ketinggian.4 km periode Januari 27 3 Desember 2 di Pontianak.
2 kawasan tersebut. Hal ini menunjukkan fenomena MJO terasa di kawasan Biak. Gambar Power Spectral Density (PSD) kecepatan angin zonal periode Januari 27 3 Desember 2 di Manado. Gambar 2 Power Spectral Density (PSD) kecepatan angin zonal periode Januari 27 3 Desember 2 di Biak. 4 harian 4 harian Gambar Wavelet Kecepatan Angin Zonal pada Ketinggian.4 km periode Januari 27 3 Desember 2 di Manado. Analisis yang sama menggunakan teknik FFT dan wavelet mennjukkan bahwa osilasi kecepatan angin zonal harian pada lapisan 8 mb atau ketinggian sekitar.4 km di daerah Manado adalah 4 harian. Artinya jika osilasi ini berjalan sempurna maka dalam waktu 4 harian akan terjadi peningkatan kecepatan angin di kawasan tersebut. Hal ini menunjukkan fenomena MJO terasa di kawasan Manado. Begitu pula dengan daerah Biak. Hasil analisis kecepatan angin zonal harian pada lapisan 8 mb atau ketinggian sekitar.4 km di daerah Biak menghasilkan osilasi 4 harian. Artinya jika osilasi ini berjalan sempurna maka dalam waktu 4 harian akan terjadi peningkatan kecepatan angin di Gambar 3 Wavelet Kecepatan Angin Zonal pada Ketinggian.4 km periode Januari 27 3 Desember 2 di Biak. Disamping itu, dilakukan pula analisis spektral pada data indeks MJO yaitu RMM dan RMM2. Hasil PSD menunjukkan bahwa data RMM dan RMM2 menghasilkan osilasi 4 harian. Dari hasil analisis spektral diketahui bahwa data kecepatan angin zonal pada lapisan 8 mb memiliki osilasi yang sama dengan data indeks MJO global (RMM dan RMM2), yakni keduanya berosilasi sekitar 4 harian. Osilasi yang kuat pada 4 harian ini diidentifikasi sebagai suatu sinyal MJO di wilayah Pontianak, Manado, dan Biak.
3 sehingga dapat mendukung terjadinya pembentukan awan dan pergerakan awan dari barat ke timur sebagai ciri terjadinya MJO. Hal tersebut juga sesuai dengan karakteristik pergerakan SCC yang bergerak ke timur dengan kecepatan rata-rata sekitar m/s (Zhang, 2). Gambar 4 Power Spectral Density (PSD) RMM dan RMM2 periode Januari 27 3 Desember 2. 4 harian 4.2 Analisis Statistik Data Kecepatan Angin Zonal pada Lapisan 8 mb dengan Data RMM dan RMM2 Analisis statistik ini dilakukan untuk membuktikan apakah data kecepatan angin zonal pada lapisan 8 mb dapat digunakan untuk memprediksi kejadian MJO di Indonesia, khususnya kawasan Pontianak, Manado, dan Biak. Seperti yang telah dikemukakan sebelumnya bahwa sebelum data kecepatan angin ini digunakan untuk prediksi MJO maka akan dibandingkan terlebih dahulu dengan data indeks MJO yang telah dikenal luas, yaitu RMM dan RMM2. Dengan teknik wavelet, diketahui terdapat puncak-puncak varians kecepatan angin zonal maupun RMM dan RMM2 yang dapat dilihat pada gambar berikut ini: Gambar Wavelet RMM periode Januari 27 3 Desember 2. 4 harian Gambar 6 Wavelet RMM2 periode Januari 27 3 Desember 2. Plot data angin di ketiga wilayah penelitian menunjukkan bahwa kecepatan angin berkisar m/s. Kecepatan angin ini tidak terlalu tinggi maupun terlalu rendah Gambar 7 Rata-rata time series kecepatan angin zonal, RMM dan RMM2 periode Januari 27 3 Desember 2. Secara sepintas terlihat bahwa kecepatan angin zonal memiliki pola yang sama dengan data RMM dan RMM2 meskipun amplitudonya berbeda. Analisis statistik menunjukkan bahwa data kecepatan angin zonal lapisan 8 mb dengan data RMM dan RMM2 memiliki hubungan yang signifikan pada selang kepercayaan 9 %. Gambar 7 menunjukkan terjadinya puncak-puncak kecepatan angin zonal maupun data RMM dan RMM2 khususnya
4 2 pada sekitar bulan Juni 27, Desember 27, Juni 28, April 29, November 29, dan Oktober 2. Sehingga analisis statistik dari variabel angin dengan RMM dan RMM2 difokuskan pada saat keduanya menguat. Pada bulan-bulan tersebut terlihat pula bahwa angin yang mendominasi adalah angin baratan. Tabel 4 menunjukkan persamaan menggunakan analisis regresi linear sederhana antara kecepatan angin zonal dengan RMM dan RMM2, dimana; Y = kecepatan angin zonal, X = RMM, X 2 = RMM2. Tabel 4 Regresi linear antara kecepatan angin zonal di Pontianak dengan RMM dan RMM2 Bulan R 2 Persamaan 7 Des- 7 8 Apr- 9 Nov- 9 Okt-.32 Y= X +.4 X2.86 Y= X +.76 X2.47 Y= X X2.27 Y= X +.67 X2.87 Y= X X2.33 Y= X X2.2 Tabel 4 menunjukkan bahwa terdapat keterkaitan yang erat antara data angin zonal dengan data RMM dan RMM2 dengan nilai rata-rata R 2 sebesar.2. Nilai R 2 tinggi pada bulan Desember dan November. Pada masing-masing bulan di atas, fase MJO dimulai di belahan bumi bagian barat/ Afrika lalu bergerak ke timur melalui Samudera Hindia, Indonesia, dan Samudera Fasifik Bagian Barat. MJO aktif pada saat melewati Indonesia tidak sama setiap bulan, namun umumnya pada pertengahan hingga akhir bulan (sekitar 8- hari). Pada saat melewati Indonesia inilah yang menyebabkan curah hujan yang tinggi. Bulan Oktober-Desember memiliki curah hujan yang tinggi. Hal tersebut karena angin yang mendominasi adalah angin baratan yang membawa banyak uap air dari Samudera Hindia yang memungkinkan terjadinya banyak hujan di kawasan Pontianak. Pola curah hujan di Pontianak dapat dilihat pada Gambar 8. Curah Hujan (mm) Gambar 8 Curah Hujan Rata-rata Bulanan Pontianak Tahun Berdasarkan data rata-rata curah hujan bulanan tahun 27-2 di Pontianak memiliki pola curah hujan equatorial, dengan puncak curah hujan terjadi pada bulan Oktober dan April. Meskipun begitu, curah hujan pada bulan Oktober, November, dan Desember nilainya lebih tinggi dibandingkan dengan curah hujan pada bulan April. Tabel Regresi linear antara kecepatan angin zonal di Manado dengan RMM dan RMM2 Bulan R 2 Persamaan 7 Des- 7 8 Apr- 9 Nov- 9 Okt JFMAMJJASOND Bulan.7 Y= X X2. Y= X X2.6 Y= X -.3 X2.82 Y= X X2.86 Y= X X2.4 Y= X X2.4 Tabel menunjukkan bahwa di Manado rata-rata R 2 sebesar.4. Nilai R 2 tertinggi terjadi pada bulan November. Pada bulan tersebut curah hujan di Manado mengalami puncak. Pada saat MJO menguat pada bulan Juni, posisi matahari berada di utara, namun pemanasan intensif belum terjadi di wilayah utara ekuator. Akibatnya curah hujan yang terjadi tidak terlalu tinggi. Sedangkan pada bulan Desember posisi matahari berada di selatan ekuator sehingga pengaruh pemanasan tidak intensif untuk kawasan di utara ekuator seperti Manado. Hal
5 3 tersebut mengakibatkan pengaruh MJO di Manado pada bulan Desember melemah Curah Hujan (mm) Gambar 9 Curah Hujan Rata-rata Bulanan Manado Tahun Berdasarkan data rata-rata curah hujan bulanan di Manado tahun 27-2 cenderung berpola curah hujan monsunal, dengan puncak curah hujan terjadi pada bulan November. Puncak curah hujan terjadi pada bulan November-Januari. Sementara itu curah hujan terendah terjadi pada bulan Agustus Oktober. Di kawasan Manado ini sepertinya faktor monsun lebih kuat dibandingkan dengan pengaruh MJO dan karena pengaruh faktor lokal. Hubungan curah hujan Manado dengan ITCZ juga tidak konsisten, karena secara teori pengaruh ITCZ untuk kawasan di utara ekuator akan dirasakan pada bulan Agustus, namun pada kenyataannya pada bulan Agustus curah hujan di wilayah ini justru paling rendah. Hal tersebut menguatkan pendapat bahwa kawasan Manado lebih dipengaruhi oleh faktor lokal. Tabel 6 Regresi linear antara kecepatan angin zonal di Biak dengan RMM dan RMM2 Bulan R 2 Persamaan 7 Des- 7 8 Apr- 9 Nov- 9 Okt- J F MAM J J A S O N D Bulan.63 Y= X X 2.76 Y= X X 2.2 Y= X X 2.66 Y= X X 2.74 Y= X X 2.77 Y= X X 2.68 Hasil regresi di Biak menunjukkan bahwa di setiap bulan R 2 cenderung tinggi. Hal tersebut mengindikasikan bahwa MJO berpengaruh pada kondisi iklim di Biak. Curah Hujan (mm) Gambar 2 Curah Hujan Rata-rata Bulanan Biak Tahun Berdasarkan data rata-rata curah hujan bulanan tahun 27-2, Biak memiliki pola curah hujan yang tidak begitu jelas. Hal tersebut sesuai dengan penelitian Junaeni (26) yang menyebutkan bahwa pola curah hujan di Biak sulit ditentukan karena tidak jelas apakah mengikuti pola equatorial atau lokal. Namun, Sunarsih (27) menyebutkan bahwa curah hujan di Biak memiliki pola equatorial. Pada periode ini, curah hujan paling tinggi pada bulan Juni-Agustus serta bulan Oktober-Desember juga terlihat curah hujan cukup tinggi. Curah Hujan (mm) J FMAMJ J ASOND Bulan J F MAM J J A S O N D Bulan Pontianak Manado Biak Gambar 2 Distribusi Curah Hujan Rata-rata Bulanan Pontianak, Manado, dan Biak Tahun Berdasarkan distribusi curah hujan bulanan periode Januari 27-Desmber 2 yang ditunjukkan pada Gambar 2 terlihat adanya perbedaan yang signifikan antara curah hujan Pontianak, Manado dan Biak. Curah hujan rata-rata maksimum dimiliki oleh Pontianak sebesar 32 mm. Curah hujan ratarata Manado sebesar 23 mm sedangkan Biak sebesar 222 mm. Dari distribusi curah hujan ini terlihat bahwa semakin ke timur curah
6 4 hujan semakin kecil, yang berarti kekuatan MJO semakin berkurang, kecuali untuk Biak yang curah hujannya lebih tinggi dari Manado. Dengan menggunakan analisis statistik diperoleh adanya keterkaitan antara data kecepatan angin zonal dengan data indeks MJO global khususnya pada saat keduanya menguat yaitu sekitar bulan Januari 27, Desember 27, Juni 28, April 29, November 29, dan Oktober 2. Nilai R 2 rata-rata melebihi. sehingga menunjukkan bahwa data kecepatan angin zonal signifikan dan valid untuk analisis lebih lanjut, yaitu untuk analisis MJO di kawasan Indonesia. Kecuali unutk daerah Manado, rata-rata R 2 kurang dari. kemungkinan disebabkan faktor lokal. Hasil analisis regresi menunjukkan kecenderungan bahwa pada saat bulan-bulan basah yaitu Oktober, November, dan Desember nilai R 2 lebih tinggi daripada pada saat bulan-bulan kering seperti April dan Juni. Hal tersebut berarti bahwa prediksi indeks MJO menunjukkan hasil yang baik pada saat musim basah karena MJO berkaitan dengan perjalanan ITCZ saat bergerak ke utara dan selatan. 4.3 Model Berbasis ARIMA Dari hasil analisis spektral dan statistik diketahui bahwa kecepatan angin zonal pada lapisan 8 mb (ketinggian.4 km) dapat menunjukkan terjadinya osilasi MJO di kawasan Indonesia khususnya Pontianak, Manado, dan Biak. Pemodelan ini menggunakan data harian kecepatan angin zonal selama 4 tahun (46 data) yang terbagi menjadi 369 data untuk menduga model sementara dan sisanya 92 data untuk validasi model. Pemodelan ini bertujuan untuk memperoleh model prediksi data time series kecepatan angin zonal yang nantinya dapat digunakan dalam mengembangkan model MJO Pontianak Tahapan awal dalam pemodelan ini yaitu melakukan uji stasioneritas data. Kestasioneran data merupakan kondisi yang diperlukan dalam analisis regresi deret waktu karena dapat memperkecil kekeliruan model. Kestasioneran data dapat dilihat secara visual pada plot data terhadap waktu dan melalui telaah plot ACF dan PACF. Time Series Plot of Zonal_Pontianak Zonal_Pontianak () Autocorrelation Function for Zonal_Pontianak (with % significance limits for the autocorrelations) Partial Autocorrelation Function for Zonal_Pontianak (with % significance limits for the partial autocorrelations) Autocorrelation,,8,6,4,2, -,2 -,4 -,6 -,8 -, Partial Autocorrelation,,8,6,4,2, -,2 -,4 -,6 -,8 -, (2) (3) Gambar 22 Plot data (), ACF (2), PACF (3) kecepatan angin zonal di Pontianak periode Januari 27 3 September
7 Gambar 22 () menunjukkan bahwa data deret waktu sudah stasioner dalam rataan dan ragam, sehingga tidak perlu dilakukan proses differencing. Proses differencing ini merupakan proses transformasi data agar data menjadi stasioner dengan cara mencari selisih nilai saat ini dengan nilai kemarin. Dari Gambar 22 (2) dan 22 (3) terlihat bahwa pada plot ACF tail off (menurun secara eksponensial) tapi pada PACF nya cut off (menuju setelah lag q). Plot PACF nyata pada lag, 2, 3 dan 4. Dengan demikian, model sementara dari plot data kecepatan angin zonal di Pontianak adalah model autoregressif (AR). Kemungkinan model adalah ARIMA(,,), ARIMA(2,,), ARIMA(3,,), dan untuk lebih meyakinkan akan dicoba model ARIMA (4,,). Tahap selajutnya adalah melakukan penaksiran parameter terhadap model sementara. Hal ini diperlukan untuk menelaah besarnya kekeliruan jika model tersebut digunakan sebagai model ramalan. Pengolahan data dilakukan dengan menggunakan software Minitab. Penaksir parameter untuk masing-masing model sementara dapat dilihat pada Lampiran 6. Hasil penaksiran model menunjukkan bahwa ARIMA (3,,) tidak nyata pada penduga pada koefisien AR(2). Sementara itu untuk ARIMA(2,,) nyata untuk semua penduga parameternya, maka ARIMA (2,,) ditetapkan sebagai model tentatif nya. Model AR(2), Zt = φz t- + φ 2Z t-2 + at Z t = Z t Z t-2 + a t Setelah diperoleh model ARIMA selanjutnya dilakukan validasi untuk data tanggal Oktober 2-3 Desember 2. Hasil validasi dapat dilihat pada Gambar 23. Dari Gambar tersebut terlihat bahwa nilai galat yang diperoleh relatif kecil sehingga model ini cukup dapat mengenali pola kecepatan angin zonal di Pontianak. Berdasarkan Gambar 23 dapat dilihat bahwa plot data prediksi mendekati data asli dengan nilai r sebesar.783. Hasil prediksi ini cukup baik karena menghasilkan galat ratarata yang kecil yaitu sebesar.89 dan RMSE (Root Mean Square Error) sebesar.83. RMSE ini digunakan untuk menduga perbedaan antara nilai observasi dengan nilai prediksi. Tabel 7 Penaksir Parameter ARIMA(2,,) Type Coef SE Coef T P AR,6792,27 2,8, AR 2,762,27 2,83, Constant,33396,49 6,7. Mean,36,22 Time Series Plot of Data_Asli; Nilai_Prediksi Variable Data_Asli N ilai_p red ik si Data Gambar 23 Plot data asli kecepatan angin zonal di Pontianak dengan hasil prediksi ARIMA(2,,) Oktober 2-3 Desember 2.
8 6 Model ARIMA(2,,) untuk data kecepatan angin zonal di Pontianak artinya peramalan data angin zonal periode mendatang tergantung pada data dua waktu sebelumnya. Model tersebut dapat digunakan untuk menduga kecepatan angin tiga hari ke depan. Hasil prediksi menunjukkan bahwa kecepatan angin pada tanggal -3 Januari 2 masih didominasi oleh angin baratan. Artinya kemungkinan curah hujan masih tetap tinggi Manado Uji stasioneritas dilakukan terhadap data kecepatan angin zonal di Manado. Time Series Plot of Zonal_Manado Zonal_Manado Gambar 24 Plot data asli kecepatan angin zonal di Manado periode Januari 27 3 September Time Series Plot of diff_ diff_ () Autocorrelation Function for diff_ (with %significance limits for the autocorrelations) Partial Autocorrelation Function for diff_ (with %significance limits for the partial autocorrelations) Autocorrelation,,8,6,4,2, -,2 -,4 -,6 -,8 -, Partial Autocorrelation,,8,6,4,2, -,2 -,4 -,6 -,8 -, (2) (3) Gambar 2 Plot data (), ACF (2) PACF (3) differencing orde kecepatan angin zonal di Manado periode Januari 27 3 September
9 7 Dari plot data pada Gambar 24 terlihat bahwa data tidak stasioner dalam rataan, maka dilakukan proses differencing satu kali. Setelah dilakukan proses pembedaan maka terlihat bahwa data sudah stasioner. Dengan dilakukannya pembedaan maka ditentukan model sementara (d=). Plot ACF nya nyata pada lag 2 dan 3, sedangkan PACF nya nyata pada lag 2, 3, dan 4 maka kemungkinan model adalah ARIMA(2,,2), ARIMA(2,,3), ARIMA (2,,4), ARIMA (3,,2) ARIMA (3,,3) ARIMA (3,,4). Pada proses pendugaan parameter diperoleh bahwa ARIMA(2,,2), ARIMA(2,,3) nyata untuk semua parameternya. Penduga parameter dari masing-masing model dapat dilihat pada Lampiran 7. Namun, untuk kemungkinan model yang lain tidak bisa diperoleh penaksir parameternya disebabkan tidak muncul iterasi di Minitab. Sehingga model yang mungkin untuk data kecepatan angin zonal di Manado adalah ARIMA(2,,2), ARIMA(2,,3). Model yang memiliki nilai MS dan SS paling kecil adalah ARIMA(2,,2). Berdasarkan hal tersebut maka model terbaik adalah ARIMA(2,,2). Bentuk persamaan modelnya adalah: Z t = (+Ø )Z t- + (- Ø +Ø 2 )Z t-2 θ a t- θ 2 a t-2. Berdasarkan Tabel 9 maka diperoleh persamaan ARIMA(2,,2) adalah Z t =.4472 Z t Z t a t a t-2. Model ARIMA(2,,2) untuk kecepatan angin zonal di Manado artinya peramalan data angin zonal periode mendatang tergantung pada data tiga waktu sebelumnya dan galat dua waktu sebelumnya. Model tersebut dapat digunakan untuk menduga kecepatan angin tiga hari ke depan. Hasil prediksi menunjukkan bahwa kecepatan angin pada tanggal -3 Januari 2 menunjukkan kecenderungan untuk membentuk angin timuran. Artinya kemungkinan curah hujan tidak akan tinggi. Tabel 8 Perbandingan Nilai MS dan SS masing-masing model Model ARIMA kecepatan MS SS angin zonal (2,,2) 3,73 78,84 (2,,3) 3,74 9,2 Tabel 9 Parameter Model ARIMA(2,,2) Type Coef SE Coef T P AR,4472,274 6,3, AR 2,63,289,6, MA,847,7 78,4,7 MA 2,3883,9 42,6,4 Constant -,28,43 -,88,378 Time Series Plot of Data_Asli; N ilai_prediksi Variable Data_Asli N ilai_p r ed ik si Data Gambar 26 Plot data asli kecepatan angin zonal di Manado dengan hasil prediksi ARIMA (2,,2) periode Oktober 2-3 Desember
10 8 Gambar 26 menunjukkan perbandingan antara data asli dengan nilai prediksi. Dari Gambar tersebut dapat dilihat bahwa plot data prediksi mendekati plot data asli dengan nilai r sebesar,78. Hasil prediksi ini cukup baik karena menghasilkan galat rata-rata yang kecil yaitu sebesar.42 dan RMSE sebesar Biak Analisis yang sama dilakukan untuk data kecepatan angin zonal di Biak. Dari plot data pada Gambar 27, terlihat bahwa data tidak stasioner dalam rataan, maka dilakukan proses differencing orde. Setelah dilakukan proses pembedaan maka terlihat bahwa data sudah stasioner. Time Series Plot of Zonal_Biak Zonal_Biak Gambar 27 Plot data kecepatan angin zonal di Biak periode Januari 27 3 September 2. T im e S e r ie s P lo t o f B ia k _ dif Biak_dif () Autocorrelation Function for Biak_dif (with % significance limits for the autocorrelations) Partial Autocorrelation Function for Biak_dif (with %significance limits for the partial autocorrelations) Autocorrelation,,8,6,4,2, -,2 -,4 -,6 -,8 -, Partial Autocorrelation,,8,6,4,2, -,2 -,4 -,6 -,8 -, (2) (3) Gambar 28 Plot data (), ACF (2), PACF (3) differencing orde kecepatan angin zonal di Biak periode Januari 27 3 September
11 9 Dari plot deret waktu pada Gambar 28() terlihat bahwa setelah dilakukan proses differencing orde maka data deret waktu sudah stasioner dalam rataan dan ragam. Dengan dilakukannya pembedaan maka ditentukan model sementara (d=). Terlihat bahwa pada plot ACF cut off tapi pada PACF nya taill off. Plot ACF nya nyata pada lag, 2, dan 3, maka kemungkinan model adalah ARIMA(,,), ARIMA(,,2), dan ARIMA(,,3). Penduga parameter dari masing-masing model tersebut dapat dilihat pada Lampiran 8. Karena model-model tersebut nyata pada semua pendugaan parameternya maka untuk menentukan model terbaik dengan melihat nilai MS dan SS. Diantara ketiga model tersebut yang memiliki nilai MS dan SS paling kecil yaitu ARIMA(,,3). Dengan demikian, model ARIMA(,,3) merupakan model terbaik. Bentuk persamaan modelnya adalah: Z t = Z t- θ a t- θ 2 a t-2 θ 3 a t-3. Berdasarkan Tabel maka diperoleh persamaan ARIMA(,,3) adalah Zt = Z t- -,97 -,38 a t- -,238 a t-2 -,874 a t-3 Model ARIMA(,,3) untuk kecepatan angin zonal di Biak artinya peramalan data angin zonal periode mendatang tergantung pada data satu waktu sebelumnya dan galat tiga waktu sebelumnya. Model tersebut dapat digunakan untuk menduga kecepatan angin satu hari ke depan. Hasil prediksi menunjukkan bahwa kecepatan angin pada tanggal Januari 2 masih didominasi angin baratan. Artinya kemungkinan curah hujan tetap tinggi. Tabel Perbandingan Nilai MS dan SS masing-masing model Model ARIMA kecepatan MS SS angin zonal (,,) 723, 7,8 (,,2) 3,4 7,6 (,,3) 47,7 7,4 Tabel Penaksir Parameter ARIMA(,,3) Type Coef SE Coef T P MA,38,266,2, MA 2,238,26 9,4, MA 3,874,266 7,4, Constant -,97,399 -,3,76 Time Series Plot of Data_Asli; N ilai_prediksi Variable Data_Asli N ilai_p r ed ik si Data Gambar 29 Plot data asli kecepatan angin zonal di Biak dengan hasil prediksi ARIMA (,,3) periode Oktober 2-3 Desember
Musim Hujan. Musim Kemarau
mm IV. HASIL DAN PEMBAHASAN. Analisis Data Curah hujan Data curah hujan yang digunakan pada penelitian ini adalah wilayah Lampung, Pontianak, Banjarbaru dan Indramayu. Selanjutnya pada masing-masing wilayah
Lebih terperinciNaziah Madani, Eddy Hermawan, dan Akhmad Faqih 1. Departemen Geofisika dan Meteorologi, FMIPA IPB 2
PENGEMBANGAN MODEL PREDIKSI MADDEN-JULIAN OSCILLATION (MJO) BERBASIS HASIL ANALISIS DATA WIND PROFILER RADAR (WPR) THE DEVELOPMENT OF MADDEN-JULIAN OSCILLATION (MJO) PREDICTION MODELS BASED ON THE ANALYSIS
Lebih terperinciGambar 4 Diagram alir penelitian
10 Gambar 4 Diagram alir penelitian IV. HASIL DAN PEMBAHASAN Dalam penelitian ini periode yang digunakan dibagi dua, yaitu jangka panjang; Januari 2007 sampai dengan Juli 2009 dan jangka pendek. Analisis
Lebih terperinciIV. HASIL DAN PEMBAHASAN
14 IV. HASIL DAN PEMBAHASAN 4.1 Analisis Spektral dan Korelasi Silang Real Time Multivariate MJO (RMM1 dan RMM2) dengan Anomali Pentad Outgoing Longwave Radiation(OLR) Metode yang paling sering digunakan
Lebih terperinciIV. HASIL DAN PEMBAHASAN
8 eigenvalue masing-masing mode terhadap nilai total eigenvalue (dalam persen). PC 1 biasanya menjelaskan 60% dari keragaman data, dan semakin menurun untuk PC selanjutnya (Johnson 2002, Wilks 2006, Dool
Lebih terperinciPENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA
KEMENTERIAN PEKERJAAN UMUM BADAN PENELITIAN DAN PENGEMBANGAN PUSAT PENELITIAN DAN PENGEMBANGAN SUMBER DAYA AIR PENDUGAAN DATA RUNTUT WAKTU MENGGUNAKAN METODE ARIMA PENDAHULUAN Prediksi data runtut waktu.
Lebih terperinciBAB SIMULASI PERHITUNGAN HARGA BARANG. Bab 4 Simulasi Perhitungan Harga barang berisikan :
BAB SIMULASI PERHITUNGAN HARGA BARANG Bab Simulasi Perhitungan Harga barang berisikan :.. Simulasi peramalan nilai Indeks Harga Konsumen (IHK) melalui metode ARIMA.. Prediksi nilai inflasi tahun 0.3. Prediksi
Lebih terperinciPENGEMBANGAN MODEL PREDIKSI MADDEN-JULIAN OSCILLATION (MJO) BERBASIS HASIL ANALISIS DATA WIND PROFILER RADAR (WPR) NAZIAH MADANI
PENGEMBANGAN MODEL PREDIKSI MADDEN-JULIAN OSCILLATION (MJO) BERBASIS HASIL ANALISIS DATA WIND PROFILER RADAR (WPR) NAZIAH MADANI DEPARTEMEN GEOFISIKA DAN METEOROLOGI FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik
Lebih terperinciPemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah
Vol. 9, No., 9-5, Januari 013 Pemodelan Autoregressive (AR) pada Data Hilang dan Aplikasinya pada Data Kurs Mata Uang Rupiah Fitriani, Erna Tri Herdiani, M. Saleh AF 1 Abstrak Dalam analisis deret waktu
Lebih terperinciPERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Seminar Hasil Tugas Akhir Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya 2013 LOGO PERAMALAN BANYAKNYA OBAT PARASETAMOL DAN AMOKSILIN DOSIS 500 MG YANG DIDISTRIBUSIKAN OLEH DINKES SURABAYA
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian I) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 016 1 Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu: 1. Penentuan model tentatif (spesifikasi model)
Lebih terperinciPERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO
Perbandingan Model ARIMA... (Alia Lestari) PERBANDINGAN MODEL ARIMA DAN MODEL REGRESI DENGAN RESIDUAL ARIMA DALAM MENERANGKAN PERILAKU PELANGGAN LISTRIK DI KOTA PALOPO Alia Lestari Fakultas Teknik Universitas
Lebih terperinciPenerapan Model ARIMA
Penerapan Model ARIMA (Bagian II) Dr. Kusman Sadik, M.Si Departemen Statistika IPB, 2016 1 a. Lakukan proses pembedaan (differencing) sebanyak dua kali pada data asal. b. Lakukan pendugaan parameter pada
Lebih terperinciPemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input
Pemodelan Konsumsi Listrik Berdasarkan Jumlah Pelanggan PLN Jawa Timur untuk Kategori Rumah Tangga R-1 Dengan Metode Fungsi Transfer single input Oleh : Defi Rachmawati 1311 105 007 Dosen Pembimbing :
Lebih terperinciPEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER
PKMT-2-13-1 PEMODELAN ARIMA DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) IX JEMBER Umi Rosyiidah, Diah Taukhida K, Dwi Sitharini Jurusan Matematika, Universitas Jember, Jember ABSTRAK
Lebih terperinciMETODE PENELITIAN. Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan pada semester genap tahun akademik 2014/2015 bertempat di Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA
ANALISIS POLA HUBUNGAN PEMODELAN ARIMA CURAH HUJAN DENGAN CURAH HUJAN MAKSIMUM, LAMA WAKTU HUJAN, DAN CURAH HUJAN RATA-RATA FATHIN FAHIMAH 226133 DOSEN PEMBIMBING Prof. Ir. Gamantyo Hendrantoro, M.Eng.
Lebih terperinciPERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA)
PERAMALAN KUNJUNGAN WISATA DENGAN PENDEKATAN MODEL SARIMA (STUDI KASUS : KUSUMA AGROWISATA) Oleh : Nofinda Lestari 1208 100 039 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPREDIKSI HARGA SAHAM PT. BRI, Tbk. MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average)
PREDIKSI HARGA SAHAM PT. BRI, MENGGUNAKAN METODE ARIMA (Autoregressive Integrated Moving Average) Greis S. Lilipaly ), Djoni Hatidja ), John S. Kekenusa ) ) Program Studi Matematika FMIPA UNSRAT Manado
Lebih terperinciFORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA
FORECASTING INDEKS HARGA SAHAM GABUNGAN (IHSG) DENGAN MENGGUNAKAN METODE ARIMA 1) Nurul Latifa Hadi 2) Artanti Indrasetianingsih 1) S1 Program Statistika, FMIPA, Universitas PGRI Adi Buana Surabaya 2)
Lebih terperinciPERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI 2010
Statistika, Vol., No., Mei PERAMALAN SAHAM JAKARTA ISLAMIC INDEX MENGGUNAKAN METODE ARIMA BULAN MEI-JULI Reksa Nila Anityaloka, Atika Nurani Ambarwati Program Studi S Statistika Universitas Muhammadiyah
Lebih terperinciAnalisa Performansi Dan Peramalan Call Center PT.INDOSAT, Tbk dengan Menggunakan Formula Erlang C
Analisa Performansi Dan Peramalan Call Center PT.INDOSAT, Tbk dengan Menggunakan Formula Erlang C Oleh: Rara Karismawati NRP.7207040019 1 Pembimbing: Mike Yuliana, ST, MT NIP. 197811232002122009 Reni Soelistijorini,
Lebih terperinciIV. HASIL DAN PEMBAHASAN
7 d) phase spectrum, dengan persamaan matematis: e) coherency, dengan persamaan matematis: f) gain spektrum, dengan persamaan matematis: IV. HASIL DAN PEMBAHASAN 4.1 Keadaan Geografis dan Cuaca Kototabang
Lebih terperinciHASIL 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 terperinciPrediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA
Prediksi Jumlah Penumpang Kapal Laut di Pelabuhan Laut Manado Menggunakan Model ARMA Jeine Tando 1, Hanny Komalig 2, Nelson Nainggolan 3* 1,2,3 Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di Indonesia sejak tahun enam puluhan telah diterapkan Badan Meteorologi, Klimatologi, dan Geofisika di Jakarta menjadi suatu direktorat perhubungan udara. Direktorat
Lebih terperinciPERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS
PERAMALAN INDEKS HARGA KONSUMEN DAN INFLASI INDONESIA DENGAN METODE ARIMA BOX-JENKINS Oleh : Agustini Tripena ABSTRACT In this paper, forecasting the consumer price index data and inflation. The method
Lebih terperinciAbstrak
PENENTUAN KEJADIAN EL-NINO DAN LA-NINA BERDASARKAN NILAI SOUTHERN OSCILATION INDEKS Heni Maulidiya ), Andi Ihwan, M.Si ), Muh. Ishak Jumarang, M.Si ) ) Prodi Fisika FMIPA UNTAN Email : lidiya788@yahoo.co.id
Lebih terperinciMetode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api
Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Efek Variasi Kalender dengan Pendekatan Regresi Time Series Nur Ajizah 1, Resa Septiani Pontoh 2, Toni Toharudin 3 Mahasiswa Program
Lebih terperinciPENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. APPLICATION OF ARIMA TO FORECASTING STOCK PRICE OF PT. TELOKM Tbk.
PENERAPAN MODEL ARIMA UNTUK MEMPREDIKSI HARGA SAHAM PT. TELKOM Tbk. Djoni Hatidja ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi, Manado 955 email: dhatidja@yahoo.com ABSTRAK Penelitian ini
Lebih terperinciData Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun Tahun Bulan Wisman
Lampiran 1. Data Tingkat Hunian Hotel di Propinsi DIY Tahun 1991-2003 48 49 Lampiran 1 Data Tingkat Hunian Hotel Rata-Rata di Propinsi DIY Tahun 1991-2003, Tahun Bulan Wisman 1991 1 27,00 1991 2 30,60
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN 4.. Parameter Curah Hujan model REMO Data curah hujan dalam keluaran model REMO terdiri dari 2 jenis, yaitu curah hujan stratiform dengan kode C42 dan curah hujan konvektif dengan
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN
C BAB IV ANALISIS DAN PEMBAHASAN Penelitian ini mencoba meramalkan jumlah penumpang kereta api untuk masa yang akan datang berdasarkan data volume penumpang kereta api periode Januari 994-Februari 203
Lebih terperinciOUTLINE. Pendahuluan. Tinjauan Pustaka. Metodologi Penelitian. Analisis dan Pembahasan. Kesimpulan dan Saran
OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran LATAR BELAKANG Listrik elemen terpenting dalam kehidupan manusia Penelitian Sebelumnya Masyarakat
Lebih terperinciHASIL 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 terperinciPemodelan 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 terperinciHALAMAN PERSETUJUAN PEMBIMBING...iii. HALAMAN PENGESAHAN...iv. HALAMAN PERSEMBAHAN... vi. KATA PENGANTAR... viii. DAFTAR ISI... x. DAFTAR TABEL...
HALAMAN PERSETUJUAN PEMBIMBING...iii HALAMAN PENGESAHAN...iv MOTTO... v HALAMAN PERSEMBAHAN... vi KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR TABEL... xi DAFTAR GAMBAR... xii DAFTAR LAMPIRAN... xiv PERNYATAAN...
Lebih terperinciKATA PENGANTAR. merupakan hasil pemutakhiran rata-rata sebelumnya (periode ).
KATA PENGANTAR Badan Meteorologi Klimatologi dan Geofisika (BMKG) setiap tahun menerbitkan dua jenis prakiraan musim yaitu Prakiraan Musim Kemarau diterbitkan setiap bulan Maret dan Prakiraan Musim Hujan
Lebih terperinciLAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU. Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins
LAPORAN PRAKTIKUM ANALISIS RUNTUN WAKTU Kelas A Laporan VI ARIMA Analisis Runtun Waktu Model Box Jenkins No Nama Praktikan Nomor Mahasiswa Tanggal Pengumpulan 1 29 Desember 2010 Tanda Tangan Praktikan
Lebih terperinciIII. METODE PENELITIAN
15 III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perkembangan ekonomi dan bisnis dewasa ini semakin cepat dan pesat. Bisnis dan usaha yang semakin berkembang ini ditandai dengan semakin banyaknya
Lebih terperinciPERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL. Oleh: Niswatul Maghfiroh NRP.
PERAMALAN JUMLAH WISATAWAN DI AGROWISATA KUSUMA BATU MENGGUNAKAN METODE ANALISIS SPEKTRAL Oleh: Niswatul Maghfiroh NRP. 1208100065 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinci4 BAB IV HASIL PEMBAHASAN DAN EVALUASI. lebih dikenal dengan metode Box-Jenkins adalah sebagai berikut :
4 BAB IV HASIL PEMBAHASAN DAN EVALUASI Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtut waktu. Data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data harga
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI. Oleh: IRLIZANTY YULYANTIKA RAHADI
PERAMALAN INDEKS HARGA SAHAM MENGGUNAKAN METODE INTERVENSI Oleh: IRLIZANTY YULYANTIKA RAHADI 6 4 Dosen Pembimbing : Dra. Nuri Wahyuningsih, MKes Abstrak Indeks harga saham merupakan suatu indikator yang
Lebih terperinciPENGEMBANGAN MODEL PREDIKSI MADDEN JULIAN OSCILLATION (MJO) BERBASIS PADA HASIL ANALISIS DATA REAL TIME MULTIVARIATE MJO (RMM1 DAN RMM2)
J.Agromet 22 (2) : 144-159,2008 PENGEMBANGAN MODEL PREDIKSI MADDEN JULIAN OSCILLATION (MJO) BERBASIS PADA HASIL ANALISIS DATA REAL TIME MULTIVARIATE MJO (RMM1 DAN RMM2) (Prediction Model Development Madden
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciPRAKIRAAN MUSIM HUJAN 2011/2012 PADA ZONA MUSIM (ZOM) (DKI JAKARTA)
PRAKIRAAN MUSIM HUJAN 2011/2012 PADA ZONA MUSIM (ZOM) (DKI JAKARTA) Sumber : BADAN METEOROLOGI, KLIMATOLOGI DAN GEOFISIKA I. PENDAHULUAN Wilayah Indonesia berada pada posisi strategis, terletak di daerah
Lebih terperinciSpesifikasi Model. a. ACF
Dept. Statistika IPB, 0 Spesifikasi Model Ada tiga tahapan iterasi dalam pemodelan data deret waktu, yaitu:. Penentuan model tentatif (spesifikasi model) berdasarkan data contoh untuk mengidentifikasi
Lebih terperinciBIDANG ANALISIS VARIABILITAS IKLIM
1 BMKG ANALISIS DINAMIKA ATMOSFER LAUT. ANALISIS & PREDIKSI CURAH HUJAN UPDATED DASARIAN III OKTOBER 2017 BIDANG ANALISIS VARIABILITAS IKLIM OUTLINE Analisis dan Prediksi Angin, Monsun, Analisis OLR Analisis
Lebih terperinciKATA PENGANTAR PANGKALPINANG, APRIL 2016 KEPALA STASIUN METEOROLOGI KLAS I PANGKALPINANG MOHAMMAD NURHUDA, S.T. NIP
Buletin Prakiraan Musim Kemarau 2016 i KATA PENGANTAR Penyajian prakiraan musim kemarau 2016 di Provinsi Kepulauan Bangka Belitung diterbitkan untuk memberikan informasi kepada masyarakat disamping publikasi
Lebih terperinciPEMODELAN DAN PERAMALAN DATA PEMBUKAAN IHSG MENGGUNAKAN MODEL ARIMA
PEMODELAN DAN PERAMALAN DATA PEMBUKAAN IHSG MENGGUNAKAN MODEL ARIMA OLEH : 1. Triyono ( M0107086 ) 2. Nariswari S ( M0108022 ) 3. Ayunita C ( M0180034 ) 4. Ibnuhardi F.Ihsan ( M0108045 ) 5. Marvina P (
Lebih terperinciKATA PENGANTAR. Negara, September 2015 KEPALA STASIUN KLIMATOLOGI NEGARA BALI. NUGA PUTRANTIJO, SP, M.Si. NIP
1 KATA PENGANTAR Publikasi Prakiraan Awal Musim Hujan 2015/2016 di Propinsi Bali merupakan salah satu bentuk pelayanan jasa klimatologi yang dihasilkan oleh Stasiun Klimatologi Negara Bali. Prakiraan Awal
Lebih terperinciMODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI
MODEL EXPONENTIAL SMOOTHING HOLT-WINTER DAN MODEL SARIMA UNTUK PERAMALAN TINGKAT HUNIAN HOTEL DI PROPINSI DIY SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
Lebih terperinciPrediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins
Statistika, Vol. 16 No. 2, 95 102 November 2016 Prediksi Laju Inflasi di Kota Ambon Menggunakan Metode ARIMA Box Jenkins FERRY KONDO LEMBANG Jurusan Matematika Fakultas MIPA Universitas Pattimura Ambon
Lebih terperinciPERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL
E-Jurnal Matematika Vol. 5 (4), November 2016, pp. 183-193 ISSN: 2303-1751 PERAMALAN CURAH HUJAN MENGGUNAKAN METODE ANALISIS SPEKTRAL Ni Putu Mirah Sri Wahyuni 1, I Wayan Sumarjaya 2, I Gusti Ayu Made
Lebih terperinciANALISIS PENGARUH MADDEN JULIAN OSCILLATION (MJO) TERHADAP CURAH HUJAN DI KOTA MAKASSAR
ANALISIS PENGARUH MADDEN JULIAN OSCILLATION (MJO) TERHADAP CURAH HUJAN DI KOTA MAKASSAR Nensi Tallamma, Nasrul Ihsan, A. J. Patandean Jurusan Fisika FMIPA Universitas Negeri Makassar Jl. Mallengkeri, Makassar
Lebih terperinciPrakiraan Musim Hujan 2015/2016 Zona Musim di Nusa Tenggara Timur
http://lasiana.ntt.bmkg.go.id/publikasi/prakiraanmusim-ntt/ Prakiraan Musim Hujan 2015/2016 Zona Musim di Nusa Tenggara Timur KATA PENGANTAR Badan Meteorologi Klimatologi dan Geofisika (BMKG) setiap tahun
Lebih terperinciPENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH
PENDEKATAN MODEL TIME SERIES UNTUK PEMODELAN INFLASI BEBERAPA KOTA DI JAWA TENGAH Tri Mulyaningsih ), Budi Nurani R ), Soemartini 3) ) Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran
Lebih terperinciIII. METODE PENELITIAN
38 III. METODE PENELITIAN A. Konsep Dasar dan Batasan Operasional Konsep dasar dan definisi opresional mencakup pengertian yang dipergunakan untuk mendapatkan dan menganalisis data sesuai dengan tujuan
Lebih terperinci1. I Wayan Sumarjaya, S.Si, M.Stats. 2. I Gusti Ayu Made Srinadi, S.Si, M.Si. ABSTRAK
Judul : Peramalan Curah Hujan Menggunakan Metode Analisis Spektral Nama : Ni Putu Mirah Sri Wahyuni NIM : 1208405018 Pembimbing : 1. I Wayan Sumarjaya, S.Si, M.Stats. 2. I Gusti Ayu Made Srinadi, S.Si,
Lebih terperinciPrakiraan Musim Kemarau 2018 Zona Musim di NTT KATA PENGANTAR
KATA PENGANTAR Badan Meteorologi Klimatologi dan Geofisika (BMKG) setiap tahun menerbitkan dua jenis prakiraan musim yaitu Prakiraan Musim Kemarau diterbitkan setiap bulan Maret dan Prakiraan Musim Hujan
Lebih terperinciI. PENDAHULUAN II. TINJAUAN PUSTAKA
1 I. PENDAHULUAN 1.1 Latar Belakang Indonesia merupakan salah satu dari tiga kawasan penting dunia sebagai lokasi terjadinya perubahan iklim global. Dua diantaranya adalah di atas daratan sekitar kawasan
Lebih terperinciPeramalan 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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Adapun langkah-langkah pada analisis runtun waktu dengan model ARIMA
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini, akan dilakukan analisis dan pembahasan terhadap data runtun waktu. Adapun data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data
Lebih terperinciPEMODELAN INFLASI DI KOTA SEMARANG, YOGYAKARTA, DAN SURAKARTA DENGAN PENDEKATAN GSTAR. Oleh : Laily Awliatul Faizah ( )
Seminar Hasil Tugas Akhir PEMODELAN INFLASI DI KOTA SEMARANG, YOGYAKARTA, DAN SURAKARTA DENGAN PENDEKATAN GSTAR Oleh : Laily Awliatul Faizah (357) Dosen Pembimbing : Dr. Ir. Setiawan, MS. Jurusan Statistika
Lebih terperinciPENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK)
PENGENDALIAN KUALITAS DENGAN MENGGUNAKAN DIAGRAM KONTROL EWMA RESIDUAL (STUDI KASUS: PT. PJB UNIT PEMBANGKITAN GRESIK) FITROH AMALIA (1306100073) Dosen Pembimbing: Drs. Haryono, MSIE PENGENDALIAN KUALITAS
Lebih terperinciAnalisis Hujan Ekstrim Berdasarkan Parameter Angin dan Uap Air di Kototabang Sumatera Barat Tia Nuraya a, Andi Ihwan a*,apriansyah b
Analisis Hujan Ekstrim Berdasarkan Parameter Angin dan Uap Air di Kototabang Sumatera Barat Tia Nuraya a, Andi Ihwan a*,apriansyah b a Jurusan Fisika FMIPA Universitas Tanjungpura Pontianak b Program Studi
Lebih terperinciBIDANG ANALISIS VARIABILITAS IKLIM
1 ANALISIS DINAMIKA ATMOSFER LAUT. ANALISIS & PREDIKSI CURAH HUJAN UPDATE DASARIAN III APRIL 2018 BIDANG ANALISIS VARIABILITAS IKLIM OUTLINE Analisis dan Prediksi Angin, Monsun; Analisis OLR; Analisis
Lebih terperinciVERIFIKASI MODEL ARIMA MUSIMAN MENGGUNAKAN PETA KENDALI MOVING RANGE
VERIFIKASI MODEL ARIMA MUSIMAN MENGGUNAKAN PETA KENDALI MOVING RANGE (Studi Kasus : Kecepatan Rata-rata Angin di Badan Meteorologi Klimatologi dan Geofisika Stasiun Meteorologi Maritim Semarang) SKRIPSI
Lebih terperinciANALISIS DINAMIKA ATMOSFER LAUT. ANALISIS & PREDIKSI CURAH HUJAN UPDATED DASARIAN I APRIL 2017
BMKG ANALISIS DINAMIKA ATMOSFER LAUT. ANALISIS & PREDIKSI CURAH HUJAN UPDATED DASARIAN I APRIL 2017 BIDANG ANALISIS VARIABILITAS IKLIM 1 BMKG OUTLINE Analisis dan Prediksi Angin, Monsun, Analisis OLR Analisis
Lebih terperinciAnalisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode
Analisis Peramalan Banyaknya Permintaan Darah di Surabaya Menggunakan Metode ARIMA Box Jenkins Oleh : Winda Eka Febriana 1307 030 002 Pembimbing : Dra. Wiwiek Setya Winahju, MS Latar Belakang PMI Merupakan
Lebih terperinciPERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS
Lebih terperinciIII. MATEMATIKA DAN STATISTIKA APLIKASI (S.1) EFEK PERUBAHAN POLA CUACA PADA DEBIT AIR MASUK DI WADUK SAGULING
III. MATEMATIKA DAN STATISTIKA APLIKASI (S.1) EFEK PERUBAHAN POLA CUACA PADA DEBIT AIR MASUK DI WADUK SAGULING Yurian Yudanto (yurian.yudanto@yahoo.com) Jurusan Statistika, Fakultas Matematika dan Ilmu
Lebih terperinciBIDANG ANALISIS VARIABILITAS IKLIM
1 ANALISIS DINAMIKA ATMOSFER LAUT. ANALISIS & PREDIKSI CURAH HUJAN UPDATED DASARIAN III NOVEMBER 2017 BIDANG ANALISIS VARIABILITAS IKLIM OUTLINE Analisis dan Prediksi Angin, Monsun, Analisis OLR Analisis
Lebih terperinciOleh : Dwi Listya Nurina Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si
Oleh : Dwi Listya Nurina 1311105022 Dosen Pembimbing : Dr. Irhamah, S.Si, M.Si Air Bersih BUMN Penyediaan air bersih untuk masyarakat mempunyai peranan yang sangat penting dalam meningkatkan kesehatan
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) ( X Print) D-249
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (2013) 2337-3520 (2301-928X Print) D-249 Analisis Fungsi Transfer pada Harga Cabai Merah yang Dipengaruhi oleh Curah Hujan Di Surabaya Putri Rintan Aryasita,
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Iklim Iklim ialah suatu keadaan rata-rata dari cuaca di suatu daerah dalam periode tertentu. Curah hujan ialah suatu jumlah hujan yang jatuh di suatu daerah pada kurun waktu
Lebih terperinciPEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER
1 PEMODELAN ARIMA INTENSITAS HUJAN TROPIS DARI DATA PENGUKURAN RAINGAUGE DAN DISDROMETER Muhammad Zainuddin Fanani, Achmad Mauludiyanto Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciAnalisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan
SEMINAR PROPOSAL TUGAS AKHIR Analisys Time Series Terhadap Penjualan Ban Luar Sepeda Motor di Toko Putra Jaya Motor Bangkalan OLEH: NAMA : MULAZIMATUS SYAFA AH NRP : 13.11.030.021 DOSEN PEmbimbing: Dr.
Lebih terperinciPengenalan Analisis Deret Waktu (Time Series Analysis) MA 2081 Statistika Dasar 30 April 2012
Pengenalan Analisis Deret Waktu (Time Series Analysis) ) MA 208 Statistika Dasar 0 April 202 Utriweni Mukhaiyar Ilustrasi Berikut adalah data rata-rata curah hujan bulanan yang diamati dari Stasiun Padaherang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciPeramalan 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 terperinciFakultas Ilmu dan Teknologi Kebumian
Fakultas Ilmu dan Teknologi Kebumian Program Studi Meteorologi PENERBITAN ONLINE AWAL Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Mulai Studi Pendahuluan Studi Pustaka Identifikasi Masalah Perumusan Masalah Tujuan Pengumpulan Data 1. Profil Perusahaan PT. Mensa Binasukses cabang kota Padang 2. Data forecasting
Lebih terperinciPERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI ABSTRAK
PERAMALAN PERMINTAAN PRODUK SARUNG TANGAN GOLF MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA) DI PT. ADI SATRIA ABADI Trio Yonathan Teja Kusuma 1, Sandra Praharani Nur Asmoro 2 1,2)
Lebih terperinciKAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciMetode Deret Berkala Box Jenkins
METODE BOX JENKINS Metode Deret Berkala Box Jenkins Suatu metode peramalan yang sistematis, yang tidak mengasumsikan suatu model tertentu, tetapi menganalisa deret berkala sehingga diperoleh suatu model
Lebih terperinci2/6/2011. Data deret waktu. Metode : ARIMA. Tahapan : (1) identifikasi model, (2) estimasi model dan (3) validasi model.
Data deret waktu Metode : ARIMA Tahapan : () identifikasi model, (2) estimasi model dan (3) validasi model. Jimmy Ludin 30920725 DOSEN PEMBIMBING : Prof. Dra. Susanti Linuwih, M.Stat., Ph.D Dr. Drs. Brodjol
Lebih terperinciPEMODELAN SARIMAX DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) V PURWOKERTO
PEMODELAN SARIMAX DALAM PERAMALAN PENUMPANG KERETA API PADA DAERAH OPERASI (DAOP) V PURWOKERTO Skripsi Diajukan Untuk Memenuhi Sebagian Syarat Mencapai Gelar Sarjana Strata Satu (S-1) Oleh : ROSIANA NOVITA
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pajak merupakan sumber kas negara yang digunakan untuk pembangunan. Undang- Undang Republik Indonesia Nomor 16 Tahun 2000 tentang Ketentuan Umum Dan Tata Cara Perpajakan
Lebih terperinciAnalisis 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 terperinciPERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 110 117 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERAMALAN NILAI TUKAR DOLAR SINGAPURA (SGD) TERHADAP DOLAR AMERIKA (USD) DENGAN MODEL ARIMA DAN GARCH
Lebih terperinciEVALUASI CUACA BULAN JUNI 2016 DI STASIUN METEOROLOGI PERAK 1 SURABAYA
EVALUASI CUACA BULAN JUNI 2016 DI STASIUN METEOROLOGI PERAK 1 SURABAYA OLEH : ANDRIE WIJAYA, A.Md FENOMENA GLOBAL 1. ENSO (El Nino Southern Oscillation) Secara Ilmiah ENSO atau El Nino dapat di jelaskan
Lebih terperinciANALISIS UNSUR CUACA BULAN FEBRUARI 2018 DI STASIUN METEOROLOGI MALIKUSSALEH-ACEH UTARA. Oleh Febryanto Simanjuntak S.Tr
ANALISIS UNSUR CUACA BULAN FEBRUARI 2018 DI STASIUN METEOROLOGI MALIKUSSALEH-ACEH UTARA Oleh Febryanto Simanjuntak S.Tr Stasiun Meteorologi Klas III Malikussaleh Aceh Utara adalah salah satu Unit Pelaksana
Lebih terperinciBAB 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 terperinciANALISIS DINAMIKA ATMOSFER LAUT. ANALISIS & PREDIKSI CURAH HUJAN UPDATED DASARIAN II OKTOBER 2017
1 ANALISIS DINAMIKA ATMOSFER LAUT. ANALISIS & PREDIKSI CURAH HUJAN UPDATED DASARIAN II OKTOBER 2017 BIDANG ANALISIS VARIABILITAS IKLIM OUTLINE Ø Analisis dan Prediksi Angin, Monsun, Ø Analisis OLR Ø Analisis
Lebih terperinciBIDANG ANALISIS VARIABILITAS IKLIM
1 BMKG ANALISIS DINAMIKA ATMOSFER LAUT, ANALISIS & PREDIKSI CURAH HUJAN UPDATED DASARIAN II OKTOBER 2016 BIDANG ANALISIS VARIABILITAS IKLIM BMKG OUTLINE Analisis Angin dan OLR Analisis dan Prediksi SST
Lebih terperinciPERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA ABSTRAK
PERBANDINGAN MODEL PADA DATA DERET WAKTU PEMAKAIAN LISTRIK JANGKA PENDEK YANG MENGANDUNG POLA MUSIMAN GANDA Gumgum Darmawan 1), Suhartono 2) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD 2) Staf Pengajar
Lebih terperinciJURNAL 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 terperinciPENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 27 PENGGUNAAN MODEL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (P,Q) UNTUK PERAMALAN HARGA DAGING AYAM BROILER DI PROVINSI JAWA TIMUR
Lebih terperinci